Demansı tahmin etmek için sayısal puanlar mükemmele yakın

özet: Araştırmacılar, yaşlılarda hafif bilişsel bozulma ve demansı tahmin etmek için yeni, doğru ve yorumlaması kolay bir algoritma oluşturdular.

kaynak: Kolombiya Üniversitesi

Columbia Üniversitesi’nin Mailman Halk Sağlığı Okulu, Vu Vakfı Mühendislik ve Uygulamalı Bilimler Fakültesi ve Vagelos Doktorlar ve Cerrahlar Koleji’ndeki araştırmacılar, grup öğrenme tekniklerini ve büyük Normal Sürüş Çalışmasından elde edilen boylamsal verileri kullanarak yeni, yorumlanabilir ve son derece doğru bir algoritma geliştirdiler. yaşlı sürücülerde hafif bilişsel bozulma ve bunamayı tahmin etmek için.

Sayısal etiketler, gerçek dünya ortamında kayıt cihazları aracılığıyla yakalanan verilerden oluşturulan değişkenleri ifade eder. Bu veriler, sürüş davranışını, performansını ve uzamsal kadans modelini olağanüstü ayrıntılarla ölçmek için işlenebilir.

Araştırma dergide yayınlandı Tıpta yapay zeka.

Araştırmacılar, veri setindeki tahmin değişkenlerini seçmek için etkileşime dayalı bir sınıflandırma yöntemi kullandılar. Bu öğrenme modeli, lojistik regresyon ve rastgele ormanlar gibi geleneksel makine öğrenimi modellerini geride bırakarak hafif bilişsel bozukluk ve bunamayı tahmin etmede yüzde 96’ya varan doğruluk elde etti – yapay zekada hastalık durumu sınıflandırması için yaygın olarak kullanılan istatistiksel bir teknik.

Columbia Engineering’de inşaat mühendisliği ve mühendislik mekaniği doçenti ve çalışmanın baş yazarı Sharon D, “Sayısal puanlara ve temel demografik özelliklere dayalı yeni grup öğrenme modelimiz, yaşlı sürücülerdeki hafif bilişsel bozukluğu ve bunamayı mükemmel bir doğrulukla tahmin edebilir” dedi. .

Müfettişler, bitişikteki beş tesiste gerçekleştirilen ileriye dönük bir kohort çalışması olan Longitudinal Research on Yaşlı Kişiler (LongROAD) projesine katılan 2.977 sürücü için araç içi kayıt cihazları tarafından yakalanan doğal sürücü, araç ve çevresel sürüş verilerini kullanarak 200 birimlik bir değişken oluşturdu. Amerika Birleşik Devletleri ve Corporation sponsorluğunda. Trafik güvenliği için AAA.

Kayıt sırasında, katılımcılar 65-79 yaşları arasında aktif sürücülerdi ve bilişsel olarak sağlıklıydı. Bu çalışmada kullanılan veriler, Ağustos 2015’ten Mart 2019’a kadar süren takibin ilk üç yılına aittir. Takip sırasında 36 katılımcıya hafif bilişsel bozukluk, 8’ine Alzheimer hastalığı ve 17’sine başka bir hasta teşhisi kondu. veya tanımlanmamış hastalık. bunama

Araştırmacılar bir dizi bilgisayar modelleme deneyi yürüttüler ve yeni grup öğrenme modelinin, hafif bilişsel bozukluk ve demansı tahmin etmede rastgele orman ve lojistik regresyon modellerinden yüzde 6-10 daha doğru olduğunu buldular.

En etkili iki sürüş değişkeni, sağdan sola dönüş oranı ve sert fren olaylarının sayısıdır (yavaşlama oranları ≥ 0,4 g olan manevralar olarak tanımlanır). D’yi işaret etti.

“Amerika Birleşik Devletleri’ndeki yaşlıların yaklaşık yüzde 85’i lisanslı sürücülerdir. En çok tercih edilen kişisel ulaşım aracı olarak araba kullanmak, bağımsızlığı, öz denetimi, sosyalliği ve yaşam kalitesini korumada önemli bir rol oynar. Bir motorlu taşıtı güvenli bir şekilde kullanmak temel gerektirir bilişsel ve fiziksel işlevler.

Columbia Mailman Halk Sağlığı Okulu ve Vagelos Doktorlar ve Cerrahlar Koleji’nde epidemiyoloji ve anestezi profesörü ve kıdemli yazar Guohua Li, Dr.

“Hafif bilişsel bozulma ve bunamanın erken tespiti, etkili tedavilerin yokluğunda özellikle belirgin olan zamanında değerlendirme, teşhis ve müdahalelere yol açabilir.”

Bu yapay zeka ve bunama araştırma haberi hakkında

yazar: basın ofisi
kaynak: Kolombiya Üniversitesi
iletişim: Basın Ofisi – Columbia Üniversitesi
resim: Resim kamu malıdır

Orijinal arama: Kapalı erişim.
“Normal sürüş verileri ve etki skorunun etkileşime dayalı sınıflandırması kullanılarak yaşlılarda hafif bilişsel bozukluk ve demans için taramaXuan Di ve arkadaşları tarafından yazıldı. Tıpta yapay zeka

Özet

Ayrıca bakınız

Normal sürüş verileri ve etki skorunun etkileşime dayalı sınıflandırması kullanılarak yaşlılarda hafif bilişsel bozukluk ve demans için tarama

Son zamanlarda yapılan birkaç çalışma, sürüş davranışlarındaki atipik değişikliklerin hafif bilişsel bozukluk (HBB) ve demansın erken belirtileri gibi göründüğünü göstermektedir. Ancak, bu çalışmalar küçük örneklem boyutları ve kısa takip süresi ile sınırlıdır.

Bu çalışma, Longitudinal Research on Older Adults (LongROAD) projesinden toplanan normal sürüş verilerini kullanarak hafif bilişsel bozukluğu ve demansı tahmin etmek için duygulanım puanı (yani I-skoru) adı verilen bir istatistiğe dayalı etkileşime dayalı bir sınıflandırma yöntemi geliştirmeyi amaçladı. Normal sürüş yörüngeleri, kayıt sırasında bilişsel olarak sağlıklı olan 2977 katılımcıdan 44 aya kadar araç içi kayıt cihazları aracılığıyla toplandı. Bu veriler daha fazla işlendi ve 31 geçici sıralı sürüş değişkeni oluşturmak için toplandı.

Değişkenleri yönlendirmek için yüksek boyutlu zaman serilerinin özelliklerinden dolayı, değişken seçimi için bir I puanı kullandık. I ölçeği, değişkenlerin tahmin yeteneğini değerlendirmek için bir ölçüdür ve büyük verilerde gürültülü ve tahmin değişkenleri arasında ayrım yapmada etkili olduğu gösterilmiştir. Açıklayıcı değişkenler arasındaki karmaşık etkileşimleri temsil eden etkileyen değişken birimlerini veya gruplarını belirlemek için burada sunulmuştur. Hangi değişkenlerin ve etkileşimlerinin sınıflandırıcı tahminine ne ölçüde katkıda bulunduğu ile ilgili olarak yorumlanabilir.

Ek olarak, I-Score, F1 puanıyla ilişkisi nedeniyle sınıflandırıcıların dengesiz veri kümelerindeki performansını artırır. I-Score tarafından tanımlanan öngörücü değişkenler kullanılarak, tahminler oluşturmak ve genel sınıflandırıcının öngörüsünü geliştirmek için bu öğrenme kümelerini bir araya getirmek için I-Score modüllerinin üzerinde artık etkileşime dayalı bloklar oluşturulur.

Doğal sürüş verilerini kullanan deneyler, önerilen sınıflandırma yöntemimizin hafif bilişsel bozukluk (MCI) ve demansı tahmin etmede en iyi doğruluğu (%96) sağladığını, ardından rastgele orman (%93) ve lojistik regresyonun (%88) geldiğini göstermektedir. F1 puanı ve AUC açısından, önerilen sınıflandırıcımız sırasıyla %98 ve %87’ye ulaşır, ardından rastgele orman (%96 F1 puanı ve %79 AUC ile) ve lojistik regresyon (%92 F1 puanı ile) gelir. ve %77 EAA).

Sonuçlar, makine öğrenimi algoritmalarına bir I-skorunun dahil edilmesinin, modelin eski sürücülerde hafif bilişsel bozukluğu (MCI) ve bunamayı tahmin etme performansını önemli ölçüde artırabileceğini gösteriyor.

Ayrıca bir özellik önem analizi yaptık ve bunu bulduk Sağdan sola dönüş oranı Ve Sert frenleme olaylarının sayısı hafif kognitif bozukluk (MCI) ve demansı öngören en önemli itici değişkenlerdir.