可解释的机器学习可用于老年人可访问的失症查和分期
Yinuo Dai1, Jianzheng Cai2, Zhina Gong2
1Department of Radiotherapy, the First Affiliated Hospital of Soochow University, Suzhou, China.
iScience
|January 16, 2026
概括
机器学习模型现在可以有效地选老年人的吞障碍 (吞困难),识别其严重程度. 这项技术有助于早期检测和干预,改善患者的治疗结果并减少并发症.
科学领域:
- 老年学是指老年学的学科.
- 医疗信息学 医疗信息学
- 生物医学工程 生物医学工程
背景情况:
- 老年人患有腹腔失调会导致严重的健康问题,需要有效的查方法.
- 目前的查方法可能缺乏对老龄化人口的效率和可扩展性.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,用于在老年人中早期识别和分期失调症.
- 创建一个实用的工具,用于实时食障碍查和患者分层.
主要方法:
- 未来的多中心研究涉及1,235名患者进行模型开发和720人进行外部验证.
- 使用了九个ML模型,通过随机森林进行特征选择,以及SHapley添加式扩展 (SHAP) 进行解释性.
- 使用视频光镜吞研究 (VFSS) 验证的模型证实了吞障碍的诊断.
主要成果:
- CatBoost模型在二元性消化不良症分类中取得了高准确度 (AUC 0.914);在多类分期中神经网络表现良好 (AUC 0.884).
- 外部验证证实了模型的稳定性 (二进制AUC 0.909,多类宏观AUC 0.860).
- SHAP分析确定了关键特征,突出了口腔/喉功能,和声器方面影响食障碍的阶段.
结论:
- 可解释的ML模型为老年人早期食障碍检测和分期提供了强大而可扩展的解决方案.
- 开发的Web应用程序有助于实时查和患者管理的临床实施.
- 了解关键的预测特征可以增强临床洞察力,了解缺食症病理生理学.
