Skor numerik mendekati sempurna untuk memprediksi demensia

ringkasan: Para peneliti telah menciptakan algoritme baru, akurat, dan mudah ditafsirkan untuk memprediksi gangguan kognitif ringan dan demensia pada lansia.

sumber: Universitas Columbia

Menggunakan teknik pembelajaran kelompok dan data longitudinal dari Normal Driving Study yang besar, para peneliti di Sekolah Kesehatan Masyarakat Mailman Universitas Columbia, Sekolah Tinggi Teknik dan Sains Terapan Vu Foundation, dan Sekolah Tinggi Dokter dan Ahli Bedah Vagelos mengembangkan algoritme baru, dapat ditafsirkan, dan sangat akurat untuk memprediksi gangguan kognitif ringan dan demensia pada pengemudi yang lebih tua.

Tag numerik mengacu pada variabel yang dibuat dari data yang diambil melalui alat perekam di lingkungan dunia nyata. Data ini dapat diolah untuk mengukur perilaku berkendara, performa, dan pola irama spasial dengan sangat detail.

Studi ini telah dipublikasikan di jurnal Kecerdasan buatan dalam kedokteran.

Para peneliti menggunakan metode klasifikasi berbasis interaksi untuk memilih variabel prediktif dalam kumpulan data. Model pembelajaran ini mencapai akurasi hingga 96 persen dalam memprediksi gangguan kognitif ringan dan demensia, mengungguli model pembelajaran mesin tradisional seperti regresi logistik dan hutan acak—teknik statistik yang banyak digunakan dalam kecerdasan buatan untuk klasifikasi keadaan penyakit.

“Model pembelajaran kelompok baru kami berdasarkan skor numerik dan karakteristik demografi dasar dapat memprediksi gangguan kognitif ringan dan demensia pada pengemudi yang lebih tua dengan akurasi yang sangat baik,” kata Sharon D, profesor teknik sipil dan mekanik teknik di Columbia Engineering dan penulis utama studi tersebut. .

Penyelidik membangun variabel 200 unit menggunakan data pengemudi alami, kendaraan, dan mengemudi lingkungan yang ditangkap oleh alat perekam di dalam kendaraan untuk 2.977 pengemudi yang berpartisipasi dalam proyek Longitudinal Research on Older Aging (LongROAD), sebuah studi kohort prospektif yang dilakukan di lima lokasi di seluruh wilayah yang berdekatan. Amerika Serikat dan disponsori oleh Corporation AAA untuk keselamatan lalu lintas.

Pada saat pendaftaran, para peserta adalah pengemudi aktif berusia antara 65-79 tahun dan sehat secara kognitif. Data yang digunakan dalam penelitian ini berasal dari tiga tahun pertama masa tindak lanjut, yang berlangsung dari Agustus 2015 hingga Maret 2019. Selama masa tindak lanjut, 36 peserta didiagnosis dengan gangguan kognitif ringan, 8 dengan penyakit Alzheimer, dan 17 dengan lainnya. atau penyakit yang tidak ditentukan. demensia.

Para peneliti melakukan serangkaian percobaan pemodelan komputer dan menemukan bahwa model pembelajaran kelompok baru ini 6-10 persen lebih akurat daripada model regresi logistik dan hutan acak dalam memprediksi gangguan kognitif ringan dan demensia.

Dua variabel pengendaraan yang paling berpengaruh adalah rasio belok kanan ke kiri dan jumlah kejadian pengereman keras (didefinisikan sebagai manuver dengan tingkat perlambatan ≥ 0,4 g). D menunjuk.

“Sekitar 85 persen manula di Amerika Serikat adalah pengemudi berlisensi. Sebagai alat transportasi pribadi yang paling disukai, mengemudi memainkan peran penting dalam menjaga kemandirian, pengendalian diri, keramahan, dan kualitas hidup. Mengoperasikan kendaraan bermotor dengan aman membutuhkan dasar fungsi kognitif dan fisik.

kata Guohua Li, MD, DrPH, profesor epidemiologi dan anestesiologi di Sekolah Kesehatan Masyarakat Columbia Mailman dan Vagelos College of Physicians and Surgeons, dan penulis senior.

“Deteksi dini gangguan kognitif ringan dan demensia dapat mengarah pada evaluasi, diagnosis, dan intervensi yang tepat waktu, yang sangat menonjol jika tidak ada perawatan yang efektif.”

Tentang berita penelitian kecerdasan buatan dan demensia ini

pengarang: kantor pers
sumber: Universitas Columbia
komunikasi: Kantor Pers – Universitas Columbia
gambar: Gambar berada di domain publik

Pencarian asli: Akses tertutup.
“Skrining untuk gangguan kognitif ringan dan demensia pada lansia menggunakan data mengemudi normal dan klasifikasi skor pengaruh berdasarkan interaksiDitulis oleh Xuan Di et al. Kecerdasan buatan dalam kedokteran

ringkasan

Lihat juga

Skrining untuk gangguan kognitif ringan dan demensia pada lansia menggunakan data mengemudi normal dan klasifikasi skor pengaruh berdasarkan interaksi

Beberapa studi terbaru menunjukkan bahwa perubahan atipikal dalam perilaku mengemudi tampaknya merupakan tanda awal gangguan kognitif ringan (MCI) dan demensia. Namun, penelitian ini dibatasi oleh ukuran sampel yang kecil dan waktu tindak lanjut yang singkat.

Penelitian ini bertujuan untuk mengembangkan metode klasifikasi berbasis interaksi berdasarkan statistik yang disebut skor pengaruh (yaitu skor-I) untuk memprediksi gangguan kognitif ringan dan demensia menggunakan data mengemudi normal yang dikumpulkan dari proyek Longitudinal Research on Older Adults (LongROAD). Lintasan mengemudi normal dikumpulkan melalui perekam dalam kendaraan hingga 44 bulan dari 2977 peserta yang secara kognitif sehat pada saat perekaman. Data ini diproses lebih lanjut dan dikumpulkan untuk menghasilkan 31 variabel penggerak sekuensial temporal.

Karena sifat deret waktu berdimensi tinggi untuk menggerakkan variabel, kami menggunakan skor-I untuk pemilihan variabel. Skala I adalah ukuran untuk menilai kemampuan prediktif variabel dan telah terbukti efektif dalam membedakan antara variabel berisik dan prediktif dalam data besar. Ini disajikan di sini untuk mengidentifikasi unit atau kelompok variabel yang mempengaruhi yang mewakili interaksi kompleks antara variabel penjelas. Ini dapat ditafsirkan dalam kaitannya dengan sejauh mana variabel dan interaksinya berkontribusi pada prediksi pengklasifikasi.

Selain itu, I-Score meningkatkan kinerja pengklasifikasi pada kumpulan data yang tidak seimbang karena keterkaitannya dengan skor F1. Dengan menggunakan variabel prediktif yang diidentifikasi oleh I-Score, blok berbasis interaksi residual dihasilkan di atas modul I-Score untuk menghasilkan prediksi dan mengagregasi agregat pembelajaran ini untuk meningkatkan prediksi pengklasifikasi secara keseluruhan.

Eksperimen yang menggunakan data penggerak alami menunjukkan bahwa metode klasifikasi yang kami usulkan mencapai akurasi terbaik (96%) untuk memprediksi gangguan kognitif ringan (MCI) dan demensia, diikuti oleh hutan acak (93%) dan regresi logistik (88%). Dalam hal skor F1 dan AUC, classifier yang kami usulkan masing-masing mencapai 98% dan 87%, diikuti oleh hutan acak (dengan skor F1 96% dan AUC 79%) dan regresi logistik (dengan skor F1 92%) dan AUC sebesar 77%. ).

Hasilnya menunjukkan bahwa memasukkan skor-I ke dalam algoritme pembelajaran mesin dapat secara signifikan meningkatkan kinerja model untuk memprediksi gangguan kognitif ringan (MCI) dan demensia pada pengemudi yang lebih tua.

Kami juga menjalankan analisis kepentingan fitur dan menemukan ini Rasio rotasi dari kanan ke kiri Dan Jumlah peristiwa pengereman keras adalah variabel pendorong terpenting yang memprediksi gangguan kognitif ringan (MCI) dan demensia.