可解释的机器学习用于早期检测轻度认知障碍,跌倒风险和脆弱性,使用基于传感器的运动功能的数据

科学领域:

• 老年学是一门学科.
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 老龄化人口面临轻度认知障碍 (MCI),跌倒和虚弱的风险增加.
• 早期识别这些情况对于及时干预和管理至关重要.
• 目前的查方法可能无法完全捕捉运动和认知衰退的复杂相互作用.

研究的目的:

• 设计和评估一个可解释的机器学习 (ML) 框架,用于早期检测老年人的MCI,跌倒风险和脆弱性.
• 将基于传感器的运动评估与人口统计和临床数据相结合,以提高预测准确度.
• 开发一个统一的多标签模型,能够同时预测所有三个条件.

主要方法:

• 83名居住在社区的老年人 (≥60岁) 通过使用Mizzou护理点评估系统 (MPASS) 进行了多模式运动评估.
• 来自步行,平衡和坐立任务的传感器衍生特征与人口统计和临床数据相结合.
• 使用XGBoost,决策树和AdaBoost算法进行预测建模,并使用SHapley添加式解释 (SHAP) 进行解释.

主要成果:

• 对于MCI的ML模型实现了94%的准确性 (AUC=0.88),跌倒风险94%的准确性 (AUC=0.90),脆弱性82%的准确性 (AUC=0.77).
• 一个统一的多标签XGBoost模型显示了最高的性能 (73%的准确性,灵敏度,F1得分).
• SHAP分析强调了步伐长度,平衡量度和坐立时的膝盖速度作为关键预测因素.

结论:

• 一个新的,可解释的ML框架有效地集成基于传感器的运动数据来预测MCI,跌倒风险和脆弱性.
• 该框架允许对多领域的认知和身体衰退进行透明的早期查.
• 这种方法对老年人群中积极的医疗保健策略具有前性.