相关实验视频
Updated: Jul 29, 2026
06:35
Basics of Multivariate Analysis in Neuroimaging Data
Published on: July 24, 2010
17.3K
用可解释的机器学习为阿尔茨海默病风险引发红旗的多病症集群:来自国家急诊部样本的证据
Tursun Alkam1, Ebrahim Tarshizi1, Andrew H Van Benschoten1
1Master's Program of Applied Artificial Intelligence, University of San Diego, San Diego, CA, USA.
Journal of Alzheimer's disease reports
|November 3, 2025
概括
紧急部门的访问可以早期识别阿尔茨海默病的风险. 特定的疾病,如尿路感染和抑郁症,加上年龄,显著增加阿尔茨海默氏症的风险.
科学领域:
- 老年学是一门学科.
- 神经学 神经学
- 数据科学数据科学数据科学
背景情况:
- 紧急部门 (ED) 的访问为早期识别阿尔茨海默病 (AD) 风险提供了有价值的诊断数据.
- 这些数据可能会在明显的认知症状表现出来之前,很久就会对有风险的个体进行标记.
研究的目的:
- 为了研究年龄和多病症之间的相互作用,预测AD风险.
- 通过使用国家ED数据,评估可解释机器学习在增强风险分层方面的有效性.
主要方法:
- 分析了554,985次ED访问 (2010-2014年国家紧急部门样本) 对于60岁及以上的成年人.
- 利用ICD-9-CM代码来识别AD和17种慢性疾病.
- 使用后勤回归,决策树,随机森林和XGBoost进行预测建模,使用SHAP进行解释.
主要成果:
- 增加AD几率的独立预测因素包括尿路感染 (UTI),抑郁症,甲状腺功能低下和贫血.
- 观察到一种剂量与反应的关系:每个"红旗"条件都增加了阿尔茨海默病风险74%,所有四个都使风险增加了三倍.
- 年龄表现出急剧的梯度,在年龄较大的人群中,AD的几率显著更高.
结论:
- 常规的ED诊断代码显示,多病症集群与AD之间存在年龄相关的关联.
- 一个可解释的XGBoost模型准确地识别高风险患者,使急性护理中的实用实时认知风险警报成为可能.
