使用机器学习分析移动指标以检测轻度认知障碍:系统范围审查
Salamah Alshammari1,2, Munirah Alsubaie1,2, Mathieu Figeys1,3
1Department of Occupational Therapy, Faculty of Rehabilitation Medicine, University of Alberta, Edmonton, Alberta, Canada.
Applied clinical informatics
|September 3, 2025
概括
基于技术的移动数据和机器学习有效地检测轻度认知障碍 (MCI). 可穿戴设备是有前途的, 但用于检测MCI的移动应用程序需要进一步研究.
科学领域:
- 老年学与认知科学
- 生物医学工程和数据科学
背景情况:
- 全球人口老龄化正在增加,导致轻度认知障碍 (MCI) 等与年龄相关的认知疾病的患病率上升.
- 早期发现MCI对于及时干预至关重要,但传统的认知评估在一致性方面存在局限性.
- 需要基于技术的创新解决方案来满足与认知衰退相关的医疗服务需求.
研究的目的:
- 系统地审查如何利用基于技术的移动数据收集和机器学习算法来检测成人MCI.
- 根据现有文献,确定关键的移动性指标并评估机器学习算法的MCI检测性能.
主要方法:
- 进行了系统的范围审查,搜索了七个主要数据库的相关研究.
- 纳入标准集中在分析患有MCI的成年人 (18+) 机器学习的流动性数据的论文上.
- 数据提取包括移动性指标,数据收集方法,机器学习算法和性能指标.
主要成果:
- 二十四项研究符合标准,确定了116个MCI分类的移动性指标.
- 穿戴设备是主要的数据收集方法;移动应用程序是最少使用的.
- 机器学习算法如物流回归,随机森林和神经网络的平均准确率为86.1%,灵敏度为84%,特异性为72.8%.
结论:
- 基于技术的移动性评估,特别是使用可穿戴设备和机器学习,显示出检测MCI的巨大潜力.
- 关键的移动性指标包括步行速度,驾驶模式 (硬制动,夜行,速度) 和其他运动指标.
- 基于移动应用程序的移动监测进一步研究为未来的MCI检测策略提供了有希望的途径.


