一项针对中国患有昼夜节律紊乱的中老年人群的基于机器学习的认知功能衰退风险预测模型研究：纵向观察分析

《Scientific Reports》：A machine learning-based risk prediction model for cognitive frailty in middle-aged and elderly participants with circadian syndrome in China: a longitudinal study

　　

摘要

患有昼夜节律综合征的中老年人容易出现认知功能衰退。及早识别高风险人群对于优化临床决策和及时干预至关重要。机器学习在风险预测研究领域得到了广泛应用，但将预测模型转化为实际临床应用同样重要。本研究旨在为患有昼夜节律综合征的中老年人开发一种可解释的机器学习风险预测模型。特征选择采用了五种算法：LASSO、Boruta、随机森林重要性排序、单变量逻辑回归以及递归特征消除法。研究人员构建了六种机器学习模型，包括K最近邻算法、决策树、支持向量机、随机森林、极端梯度提升算法以及轻量级梯度提升机，用于预测认知功能衰退风险。模型性能通过接收者操作特征曲线下面积、准确率、灵敏度、特异性、F1分数、阳性预测值和阴性预测值等指标进行评估。同时，通过校准曲线和布里尔分数判断模型的校准程度，利用决策曲线分析来评估其实际临床效益。此外，还采用了沙普利加性解释方法来评估患有昼夜节律综合征的中老年人的认知功能衰退风险。本研究共纳入2,894名患有昼夜节律综合征的中老年人，其中761人（26.3%）被判定存在认知功能衰退。通过沙普利分析，确定了九个重要性较高的预测因子，按重要性从高到低排序为：教育程度、年龄、体重指数、日常生活活动能力评分、居住地、性别、自我报告的健康状况、握力以及婚姻状况。在六种模型中，支持向量机展现出最强的预测性能，在训练集和测试集上的接收者操作特征曲线下面积分别达到了0.858和0.849。其校准曲线也显示观测值与预测值之间具有很高的一致性。决策曲线分析表明，当预测概率阈值在0.10至0.80之间时，支持向量机的净收益率最高。此外，我们还为患有昼夜节律综合征的中老年人开发了一种基于网页的风险计算工具。该支持向量机模型能够可靠地预测这类人群的认知功能衰退风险，为早期干预和更好的患者管理提供了有力工具。