机器学习工具可以帮助预测中年和老年澳大利亚人的早衰筛查
机器学习可能是开发有效的早期筛查系统的关键组成部分，以识别中年和老年人的虚弱状况。
随着越来越多的证据表明晚年生理衰退并非衰老不可避免的一部分，弗林德斯大学的研究人员评估了机器学习模型是否非常适合预测早衰，作为健康评估的一部分，在发病的最早迹象中，当干预时可能有助于延缓衰弱的进展。
在澳大利亚，年龄在 40 岁至 75 岁之间的人中有 35% 至 45% 处于体弱前期。随着平均寿命的延长和人口老龄化，处于体弱前期或体弱风险中的澳大利亚人数量也在增加，导致发病率和死亡率显着增加，并增加了医疗保健成本。
这种趋势也在全球范围内发生，最近的一项系统审查显示，28 个国家/地区的成年人存在虚弱和虚弱前期的高风险。
研究人员 Shelda Sajeev 博士(商业信息系统，人工智能研究中心，托伦斯大学)和 Stephanie Champion 博士在来自弗林德斯护理与健康科学学院的 ARIIA 研究主任 Sue Gordon 教授的带领下，进行了全面分析南澳大利亚 656 名成年人的健康评估数据，并评估了机器学习 (ML) 在预测虚弱前的准确性。
ML 模型基于使用经过验证的虚弱评估工具收集的数据，能够识别出较高的体重指数 (BMI)、较低的肌肉质量、较差的握力和平衡、较高的痛苦程度、睡眠质量差、呼吸急促和尿失禁，作为与被归类为早衰相关的医疗问题。
“机器学习分析确定了关键的健康评估措施，这些措施有助于在不虚弱和虚弱前之间转变，正如使用 Fried 虚弱表型和临床虚弱量表所定义的那样。
“与统计分析相比，ML 的使用已经确定了不虚弱和虚弱前参与者之间的不同分类，这表明 ML 方法可以揭示标准统计分析无法识别的更微妙的偶然问题，”主要作者 Shelda Sajeev 博士说。
虚弱是累积暴露的结果，许多先兆在中年之前就表现出来了。
专家表示，在虚弱前期有机会进行干预以减少不良后果，但发现向虚弱过渡的早期指标往往为时已晚。
Stephanie Champion 博士说：“虚弱前期是一个过渡时期，在这个时期，个人通常不知道自己正在积累缺陷，因此需要进行筛查，以确定扭转可以改变的小缺陷的机会。”
“重要的是，我们开发有效的系统来识别先兆衰弱，因为该综合症与多种生理系统的损伤有关，并导致恢复力下降、对压力源的脆弱性增加、健康结果更差以及发病率和死亡率增加。”
这项工作发表在BMC Geriatrics杂志上。
版权声明：本文由用户上传，如有侵权请联系删除！