模拟生活暴露因素对不同老年人的记忆性能的重要性:机器学习方法

科学领域:

• 神经科学
• 老年学
• 公共卫生

背景情况:

• 生活暴露因素 (LEF) 显著影响认知衰退和痴呆风险.
• 在不同老年人群中,LEF对情节性记忆,即认知衰退的早期指标的相对重要性尚不清楚.

研究的目的:

• 利用机器学习对各种LEF在情节性记忆性能中的重要性进行排名.
• 确定各种老年人的认知健康干预的关键可修改因素.

主要方法:

• 采用XGBoost和Shapley添加式分析 (SHAP) 来分析凯泽健康衰老和多样化生活经验 (KHANDLE) 和非洲裔美国人的健康衰老研究 (STAR) 队列的数据.
• 在2245名不同年龄的老年人中评估了神经心理测试的表现和问卷数据.
• 在全样本中对情节性记忆的LEF重要性排名,并按性别和种族分层.

主要成果:

• 年龄,性别,教育,志愿服务,收入,视力,听力,睡眠 (质量和持续时间) 和运动是情节性记忆的重要预测因素.
• 这些因素在不同的人口群体中具有重要意义,包括按性别和种族分层.
• 机器学习模型隐含地处理了变量相互作用,非线性关系和缺失的数据.

结论:

• 机器学习,特别是使用SHAP值的XGBoost,提供了一种创新的方法来识别对记忆性能至关重要的LEF.
• 这些发现突出了认知健康的关键因素,为开发有针对性的痴呆风险降低干预提供了信息.
• 这种方法支持个性化干预和政策决策,以促进健康的认知衰老.