基于机器学习算法的重庆市老年人认知障碍预测模型构建与验证
《European Journal of Medical Research》:Application of the MoCA score, sociodemographic and health-related factors to evaluate interpretable screening models for geriatric cognitive disorders in Chongqing: a cross-sectional survey study
【字体:
大
中
小
】
时间:2026年10月15日
来源:European Journal of Medical Research 4.8
编辑推荐:
**摘要**
**背景**
老年认知障碍(GCDs)具有显著的年龄依赖性。随着全球人口老龄化,中国庞大的人口基数使得老年人群体认知障碍的发生率日益增加,必须给予优先关注。值得注意的是,重庆市认知障碍的患病率位居全国之首。由于社会和健康相关因素具有无创性和易获取性,作为认知功
**摘要****背景**老年认知障碍(GCDs)具有显著的年龄依赖性。随着全球人口老龄化,中国庞大的人口基数使得老年人群体认知障碍的发生率日益增加,必须给予优先关注。值得注意的是,重庆市认知障碍的患病率位居全国之首。由于社会和健康相关因素具有无创性和易获取性,作为认知功能下降的预测指标已受到广泛关注。在此背景下,本研究利用MoCA评分、社会人口学及健康相关数据,开发并验证了用于预测重庆市老年人认知障碍的机器学习模型,并进行个体分类评估。**方法**我们采用分层整群抽样对重庆老年人进行横断面调查,收集社会人口学数据(4项)、健康相关变量(13项)及MoCA评分。随后,我们训练了九种机器学习算法以构建GCD筛查模型。研究旨在明确与GCD患病相关的预测因素,并开发GCD早期筛查模型。我们通过曲线下面积(AUC)、校准曲线、决策曲线分析、敏感度、特异度及验证队列评估模型性能。采用Shapley可加性解释(SHAP)方法对特征重要性进行排序并解释最终模型。**结果**重庆市老年人认知障碍患病率(32.8%)显著高于全国平均水平。通过特征选择,确定了11个GCD的独立预测因素。基于这些因素,通过九种不同的机器学习方法建立了预测模型。在九种机器学习模型中,XGB模型取得了较高的AUC值(0.9397,95%CI 0.9136–0.9658)。外部验证进一步证实了XGB模型的有效性,AUC值为0.9349(95%CI 0.9139–0.9558)。根据SHAP分析,年龄、高学历、MoCA评分、高血糖、高血压、婚姻状况、脑梗死和脑萎缩是筛查老年人认知障碍风险的关键预测因素。**结论**我们开发了一种基于机器学习的预测模型,该模型在评估老年人认知障碍风险方面显示出潜在的筛查价值。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号