数値スコアは、認知症の予測にほぼ完璧です

まとめ： 研究者は、高齢者の軽度認知障害と認知症を予測するための、正確で解釈しやすい新しいアルゴリズムを作成しました。

ソース： コロンビア大学

グループ学習技術と大規模な通常運転研究からの縦断的データを使用して、コロンビア大学のメールマン公衆衛生大学院、Vu Foundation College of Engineering and Applied Sciences、Vagelos College of Physicians and Surgeons の研究者は、解釈可能で非常に正確な新しいアルゴリズムを開発しました。高齢ドライバーの軽度認知障害と認知症を予測するため。

数値タグは、実世界の環境で記録デバイスを介してキャプチャされたデータから作成された変数を参照します。 このデータを処理して、運転行動、パフォーマンス、空間ケイデンス パターンを非常に詳細に測定できます。

この研究は雑誌に掲載されました 医療における人工知能.

研究者は、相互作用に基づく分類方法を使用して、データセット内の予測変数を選択しました。 この学習モデルは、軽度認知障害と認知症を予測する際に最大 96% の精度を達成し、ロジスティック回帰やランダム フォレストなどの従来の機械学習モデルよりも優れています。これは人工知能で病状分類に広く使用されている統計手法です。

コロンビア エンジニアリングの土木工学および工学力学の准教授であり、研究の筆頭著者であるシャロン D は、次のように述べています。 .

調査員は、隣接する 5 つのサイトで実施された前向きコホート研究である高齢者に関する縦断研究 (LongROAD) プロジェクトに参加している 2,977 人のドライバーについて、車載記録装置によってキャプチャされた自然なドライバー、車両、および環境の運転データを使用して 200 単位変数を構築しました。米国で交通安全のためにAAAが後援。

登録時に、参加者は 65 ～ 79 歳のアクティブなドライバーであり、認知的に健康でした。 この研究で使用されたデータは、2015 年 8 月から 2019 年 3 月までの最初の 3 年間の追跡調査から得られたものです。追跡調査中に、36 人の参加者が軽度認知障害、8 人がアルツハイマー病、17 人が別の認知障害と診断されました。または不特定疾患。 認知症

研究者らは一連のコンピューター モデリング実験を実施し、軽度認知障害と認知症の予測において、新しいグループ学習モデルがランダム フォレストおよびロジスティック回帰モデルよりも 6 ～ 10% 正確であることを発見しました。

最も影響力のある 2 つの運転変数は、右から左への回転率と急ブレーキ イベントの数 (減速率が 0.4 g 以上の操作として定義) です。 D は指摘した。

「米国では、高齢者の約 85% が運転免許を持っています。個人の移動手段として最も好まれる手段として、運転は、自立、自制心、社交性、生活の質を維持する上で重要な役割を果たします。自動車を安全に操作するには、基本的な操作が必要です。認知機能と身体機能。

コロンビア メイルマン公衆衛生大学院およびバゲロス内科医および外科医大学の疫学および麻酔学の教授であり、上級著者である Guohua Li, MD, DrPH は述べています。

「軽度認知障害と認知症の早期発見は、タイムリーな評価、診断、および介入につながる可能性があり、効果的な治療法がない場合は特に顕著です。」

この人工知能と認知症研究ニュースについて

著者： プレスオフィス
ソース： コロンビア大学
コミュニケーション： プレスオフィス – コロンビア大学
写真： 画像はパブリックドメインです

元の検索: 閉鎖されたアクセス。
“通常の運転データと相互作用に基づく感情スコアの分類を使用した高齢者の軽度認知障害および認知症のスクリーニングXuan Diらによって書かれました。 医療における人工知能

まとめ

こちらもご覧ください

通常の運転データと相互作用に基づく感情スコアの分類を使用した高齢者の軽度認知障害および認知症のスクリーニング

いくつかの最近の研究は、運転行動の異常な変化が軽度認知障害 (MCI) および認知症の初期兆候であるように見えることを示しています。 ただし、これらの研究は、サンプルサイズが小さく、フォローアップ時間が短いという制限があります。

この研究の目的は、高齢者に関する縦断研究 (LongROAD) プロジェクトから収集された通常の運転データを使用して、軽度認知障害と認知症を予測するための影響スコア (つまり、I スコア) と呼ばれる統計に基づく相互作用ベースの分類方法を開発することでした。 通常の運転軌跡は、記録時に認知的に健康であった 2977 人の参加者から最大 44 か月間、車載レコーダーを介して収集されました。 このデータはさらに処理され、集計されて、31 の一時的な連続運転変数が生成されました。

変数を駆動するための高次元時系列の特性のため、変数選択に I スコアを使用しました。 I スケールは、変数の予測能力を評価するための尺度であり、ビッグ データ内のノイズの多い変数と予測変数を区別するのに効果的であることが示されています。 ここでは、説明変数間の複雑な相互作用を表す、影響を与える変数単位またはグループを識別するために導入されます。 これは、変数とその相互作用が分類器の予測にどの程度寄与しているかに関連して解釈できます。

さらに、I-Score は、F1 スコアとの関連により、不均衡なデータセットでの分類子のパフォーマンスを向上させます。 I-Score によって定義された予測変数を使用して、相互作用ベースの残差ブロックが I-Score モジュールの上に生成され、予測を生成し、これらの学習集計を集計して、分類器全体の予測を強化します。

自然な運転データを使用した試験では、提案された分類方法が軽度認知障害と認知症の予測で最高の精度 (96%) を達成し、次にランダム フォレスト (93%) とロジスティック回帰 (88%) が続くことが示されています。 F1 スコアと AUC に関しては、提案された分類子はそれぞれ 98% と 87% を達成し、その後にランダム フォレスト (F1 スコア 96% と AUC 79%) とロジスティック回帰 (F1 スコア 92) が続きます。 %) および 77% の AUC.)。

この結果は、機械学習アルゴリズムに I スコアを組み込むことで、高齢ドライバーの軽度認知障害 (MCI) と認知症を予測するモデルのパフォーマンスを大幅に改善できることを示しています。

また、機能の重要度分析を実行し、これを発見しました 右から左への回転比率 と ハードブレーキング回数 軽度認知障害と認知症を予測する最も重要な駆動変数です。