通过健康记录数据预测早期痴呆的现实世界:一个多中心机器学习研究
Xuewen Rong1,2,3, Weijin Zhang1,2, Shanjie Luan4
1Department of Neurology, Institute of Neuroscience, Key Laboratory of Neurogenetics and Channelopathies of Guangdong Province and the Ministry of Education of China, The Second Affiliated Hospital, Guangzhou Medical University, Guangzhou, Guangdong, P.R. China.
研究人员开发了使用健康记录预测早期痴呆症 (EOD) 风险和预后的实用工具. 这些模型在国际队列中得到验证,可以在社区和初级保健环境中帮助早期检测和预防.
科学领域:
- 神经科学是一个神经科学.
- 生物统计学 生物统计学
- 公共卫生 公共卫生
背景情况:
- 早期痴呆症 (EOD) 构成了重大挑战,需要有效的预测和预后工具.
- 现有的工具往往缺乏跨不同人群的可扩展性或适用性.
- 健康记录数据为开发此类工具提供了丰富的资源.
研究的目的:
- 开发和验证早期痴呆症 (EOD) 的风险和预后预测模型.
- 利用来自多个国际队列的健康记录数据用于模型开发.
- 为EOD查和预后创建可访问和可扩展的工具.
主要方法:
- 集体学习技术被用来构建预测模型.
- 超过40万在基线65岁以下的没有痴呆症的个人被纳入分析.
- 累积发病率,卡普兰-梅尔曲线和SHAP分析用于风险分层和预测因子识别.
主要成果:
- CatBoost风险模型表现出强大的预测性能,AUROC为0.814 (年龄<70) 和0.892 (年龄<65).
- 随机生存森林预测模型实现了0.656.5年的5年AUROC.
- 确定的主要预测因素包括年龄,就业状况和教育程度,子组分析表明人口群体之间的公平性.
结论:
- 开发的模型为EOD风险查和预后预测提供了实用和可扩展的工具.
- 这些工具有可能在社区和初级保健机构实施.
- 该研究为大群体的EOD查,预防和预后预测提供了具有成本效益的解决方案.
更多相关视频
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
相关概念视频
Dementia
The progression of dementia is generally gradual.
Alzheimer Disease l: Introduction
Dementia l: Introduction
