机构名称：
¥ 1.0
抽象目标阿尔茨海默氏病（AD）对65岁及65岁以上的个体是最普遍的痴呆形式构成了重大挑战。尽管现有的AD风险预测工具表现出很高的准确性，但它们的复杂性和有限的可访问性限制了实际应用。本研究旨在使用机器学习技术开发一个方便，有效的预测模型。设计和设置我们对来自国家阿尔茨海默氏症协调中心的60岁及60岁以上的参与者进行了横断面研究。我们选择个人特征，临床数据和心理社会因素作为AD的基线预测因子（2015年3月至2021年12月）。这项研究利用随机森林和极端梯度提升（XGBoost）算法以及传统的逻辑回归进行建模。应用了一种超采样方法来平衡数据集。干预措施本研究没有干预措施。参与者研究包括2379名参与者，其中507名被诊断出患有AD。主要和次要结果指标，包括准确性，精度，召回，F1分数等。结果11变量在训练阶段至关重要，包括教育水平，抑郁，失眠，年龄，体重指数（BMI），药物计数，性别，支架，收缩压（SBP），神经症和快速眼动运动。XGBoost模型与其他模型相比表现出色，在曲线下达到0.915，灵敏度为76.2％，特异性为92.9％。最有影响力的预测因素是教育水平，总药物计数，年龄，SBP和BMI。结论拟议的分类器可以帮助指导老年人群中AD的临床前筛查。
推进阿尔茨海默氏病风险预测
主要关键词
相关文件推荐
