基于回归与神经分位数方法的爱尔兰骑师神经认知表现的预测性规范建模

《Scientific Reports》：Predictive normative modeling of neurocognitive performance in Irish jockeys using regression and neural quantile methods

　　

摘要

本研究对用于生成神经心理学测试评分常模数据的回归方法进行了全面评估，采用的是2010年至2024年间爱尔兰骑手的回顾性横断面数据。分析聚焦于脑震荡评估方案中使用的四项关键认知评估：数字广度顺记和数字广度倒记（评估工作记忆）、速度与语言处理测验中的理解速度（评估语言处理速度）以及符号-数字模态测验（评估注意力和加工速度）。除了广泛使用的线性回归（LR）方法外，我们还在分位数水平上施加单调性约束，评估了使用线性分位数回归（LQR）和基于神经网络的Q分位数回归（NNQR）框架的条件百分位估计方法——据我们所知，该方法此前尚未应用于常模建模。结果表明，百分位阈值因所选方法和对应测试评分的协变量不同而存在显著差异。这一差异凸显了根据临床场景和具体关注的百分位范围选择适当建模方法的重要性。为使本研究更具实用性，我们提供了一个交互式仪表板，该仪表板基于年龄、教育和性别，使用预训练的LR、LQR和NNQR模型来估计常模百分位数。它会根据覆盖率偏移分析自动突出显示表现最佳的方法，并支持生成详细的报告。虽然该仪表板基于预训练模型运行以便于使用，但其底层代码是开源的，可通过GitHub获取，允许研究人员和临床医生使用自己的数据集和模型配置进行定制，以实现更具针对性的常模估计。