社区非认知数据辅助轻度认知障碍筛查：机器学习与传统回归分析的比较及临床评估

《Geriatrics》：Identifying Mild Cognitive Impairment from Routinely Collected Physical, Functional and Psychosocial Measures in Community-Dwelling Older Adults: A Comparative Machine-Learning and Regression Modelling Study in the Northern Japanese ORANGE Registry

　　

摘要

背景：社区健康检查通常会收集非认知数据。目前尚不清楚这些数据是否有助于轻度认知障碍（MCI）的筛查，以及机器学习方法是否比传统回归分析更具优势。方法结果：轻度认知障碍的患病率为28.6%。随机森林模型的识别效果最佳（ROC AUC为0.722，95%置信区间为0.681–0.761；PR-AUC为0.542），且校准效果良好（斜率为1.048，截距为-0.024）；但其相对于LASSO回归的优势较为有限（ΔAUC为0.031，p值=0.044），与梯度提升算法相比则没有明显优势（p值=0.059）。所有多变量模型的表现均优于Kihon检查表（AUC为0.550，p值<0.001）。然而，这两种方法的临床应用都存在问题：当敏感性阈值设定为0.5时，检测漏诊率为166例（227例中的166例）；当使用基于训练数据的Youden阈值（0.321）时，敏感性为0.604，特异性为0.699，阳性预测值比率为0.445。在阈值概率介于0.15–0.60之间时，采用这些方法的总净收益高于完全评估或不进行任何评估的方案。结论：常规收集的非认知数据有助于对轻度认知障碍进行准确的识别，且校准效果良好，但机器学习方法的额外优势有限。这仍是一个探索性的筛查工具，需要进一步的外部验证。