Loading...
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

推进阿尔茨海默氏病风险预测PDF文件第1页

推进阿尔茨海默氏病风险预测PDF文件第2页

推进阿尔茨海默氏病风险预测PDF文件第3页

推进阿尔茨海默氏病风险预测PDF文件第4页

推进阿尔茨海默氏病风险预测PDF文件第5页

相关文件推荐

2024 年
¥4.0
2025 年
¥2.0
2021 年
¥1.0
2022 年
¥2.0