基于可解释人工智能与日常步行数据的衰弱前期评估模型研究

《Scientific Reports》：Assessing pre-frailty in the elderly using explainable AI

　　

摘要

衰弱以身体和认知功能迅速下降为特征，与慢性病患病率增加、致残率和死亡率升高密切相关。特别是，衰弱前期标志着从健康状态向衰弱状态过渡的初始阶段。在此期间进行及时且适当的治疗干预，可以为延缓或预防衰弱进展提供关键机会。本研究旨在利用可解释人工智能（XAI）开发衰弱前期评估模型，并探索对衰弱前期检测有显著贡献的关键指标。本研究使用GSTRIDE公开数据集作为输入。纳入70至98岁老年个体的数据，其中62人为健康状态，59人处于衰弱前期阶段。输入数据包括人口学信息以及五项身体和认知功能评估工具（4米步行速度测试、起立行走计时测试（TUG）、简易体能状况量表（SPPB）、简易跌倒效能感国际量表（FES-I）和全球衰退量表（GDS））的测量指标，以及使用惯性测量单元（IMU）传感器采集的步态分析指标。本研究采用XGBoost作为XAI工具进行衰弱前期阶段分类。通过计算Shapley值评估对衰弱前期阶段分类有显著影响的指标。使用最小特征集数据时，衰弱前期评估模型的ROC曲线下面积（AUC）为0.81（0.73–0.88）。SHAP分析表明，简易FES-I是衰弱前期最具影响力的预测因子，其次是4米步行速度测试的时间、净空高度、TUG测试的时间、步幅和时长。本研究揭示了传统的衰弱评估工具在评估衰弱前期方面仍然有效。此外，步态分析指标是通过非意识性测量获得的，源于IMU传感器，可进行日常步行评估，被证明对衰弱前期评估具有重要价值。这凸显了利用日常活动中收集的数据来有效评估衰弱前期发作的可能性。