基于机器学习的轻度认知障碍早期查,使用与营养相关的生物标志物和功能指标

科学领域:

• 老年学是一门学科.
• 营养科学 营养科学
• 计算生物学 计算生物学

背景情况:

• 轻度认知障碍 (MCI) 是痴呆症的先驱,构成重大公共卫生挑战,特别是在老年人群中.
• 早期识别MCI对于及时干预预防痴呆症进展至关重要.
• 营养因素和生物标志物为可扩展的查提供了潜力,特别是在资源有限的环境中.

研究的目的:

• 开发和验证用于预测MCI风险的机器学习 (ML) 模型.
• 将饮食相关的代谢物,身体指标,生活方式和睡眠质量整合到ML模型中.
• 评估三甲基胺N氧化物 (TMAO) 和其前体在认知衰退中的相关性.

主要方法:

• 利用来自中国农村907名参与者的大规模流行病学调查的数据.
• 训练并评估了7个ML模型,包括随机森林,使用准确度,灵敏度和AUC.
• 使用沙普利增量解释 (SHAP) 值的解释模型预测器.

主要成果:

• 随机森林模型实现了最佳性能,AUC为0.74.
• 通过SHAP分析确定的关键预测因素包括年龄,胆,肉,贝,TMAO,水果/蔬菜摄入量,BMI,部周长和白天功能障碍.
• 与TMAO相关的代谢物显示出与MCI风险的一致积极关联.

结论:

• 一个可解释的ML框架整合营养生物标志物显示出早期MCI查的希望.
• 这些发现支持了饮食代谢,特别是TMAO在早期认知衰退中的生物相关性.
• 这种方法为认知健康监测提供了一种可行,敏感和生物知情的战略.