影响主观认知衰退的因素:一种自动机器学习方法

科学领域:

• 机器学习 机器学习
• 认知科学 认知科学
• 医疗信息学 医疗信息学

背景情况:

• 主观认知衰退 (SCD) 构成了越来越大的公共卫生挑战.
• 早期发现SCD对于及时干预和管理至关重要.
• 现有的选方法可能缺乏广泛应用所需的精度.

研究的目的:

• 开发和验证基于机器学习的主观认知衰退 (SCD) 查模型.
• 确定与SCD风险相关的关键心理和临床因素.
• 为了比较各种机器学习算法的SCD预测性能.

主要方法:

• 一项回顾性队列研究使用了来自"活跃健康"查应用程序的数据.
• 机器学习模型包括逻辑回归,天真贝叶斯,SVM,决策树和神经网络进行了训练和验证.
• 模型性能使用AUC,精度,灵敏度,特异性,精度,回忆和F1得分进行评估,并使用SHAP值来解释可解释性.

主要成果:

• 支持矢量机 (SVM) 模型表现出强大的预测性能,AUC为0.82.
• SCD的主要预测因素包括信息过载 (IO),自我感知 (SP),能量水平 (EL),抑郁情绪 (DE),性别 (SEX),风险决策 (RD) 和短期记忆 (STM).
• 在预测SCD风险方面,SVM模型的表现优于其他评估的算法.

结论:

• 一个基于SVM的模型已成功开发,用于有效的SCD风险查.
• 开发的模型为早期识别患有SCD风险的个体提供了一个有希望的工具.
• 机器学习方法,特别是SVM,在提高认知衰退查方面显示出显著的潜力.