基于机器学习的认知障碍老人体感游戏个性化推荐与协助需求预测研究

《Journal of NeuroEngineering and Rehabilitation》：Toward personalized exergaming: a machine learning-based decision-support approach to cognitive-motor training for long-term care residents with cognitive impairments

　　

摘要

背景

重度神经认知障碍（MND）以多个认知领域的进行性损害为特征，导致自主能力降低、生活质量下降，并频繁转入长期照护机构。认知-运动体感游戏将全身运动与嵌入的认知任务相结合，是一种有前景的干预手段，可用于减缓身体和认知功能衰退并维持参与感。然而，个性化实施方案在很大程度上仍未得到探索。本研究旨在开发一种基于机器学习的方法，为患有认知障碍的长期照护机构居民生成个性化的初始游戏推荐和定制化的协助需求。

方法

一项横断面研究纳入100名居民。记录了人口学特征、使用快速轻度认知障碍（QMCI）筛查评估的认知功能，以及使用简短体能表现量表（SPPB）评估的运动功能。参与者完成了Dividat Senso系统上的20款体感游戏，并系统记录了游戏能力以及所需的言语和身体协助。训练了一个LightGBM模型，基于个体特征和具体游戏身份来预测游戏能力和协助需求。

结果

参与者平均年龄86.6岁，以女性为主（71%）。如预期，他们表现出明显的认知和运动功能损害。机器学习模型在交叉验证中的宏平均受试者工作特征曲线下面积（ROC-AUC）为0.79，在留出测试集中为0.77。可解释性分析表明，具体游戏和QMCI评分是模型预测的最强贡献因素。虽然该模型在游戏能力区分方面表现稳健，但在预测协助需求方面分类性能较低（AUC = 0.67–0.71）。

结论

这些发现表明，临床可获取的数据具有支持针对认知障碍长期照护居民的个性化、数据驱动的认知-运动训练推荐的潜力。具体游戏和认知状态成为比身体或人口学因素更强的游戏能力决定因素，凸显了基于认知状况选择游戏的重要性。我们的决策支持模型表现出有前景的内部验证区分能力和强大的个性化游戏选择潜力，但仍需更大、更多样化的数据集来优化个性化支持推荐。