Интересное сегодня
Эмоционально-фокусированная терапия (ЭФТ): как научиться пон...
Что такое эмоционально-фокусированная терапия (ЭФТ)? Эмоционально-фокусированная терапия (ЭФТ) – это...
Как цифровые технологии влияют на двойные инновации компаний...
Введение С развитием цифровой экономики такие технологии, как искусственный интеллект, облачные вычи...
Влияние относительной депривации на психологическое благопол...
Введение Неравенство доходов — это вариативность экономических ресурсов в пределах определенного рег...
Как справиться с осенним беспокойством и найти новые цели
Осеннее беспокойство: почему сентябрь заставляет нас искать перемен Сентябрь всегда был для меня ос...
Тёмная триада личности: что это и как распознать опасные чер...
Что такое Тёмная триада личности? Тёмная триада — это психологическая концепция, описывающая три вза...
Почему партнёры иногда чувствуют себя одинокими: исследовани...
Обновление статуса: ситуационная свобода От публичных заявлений до описаний в приложениях для знаком...
Введение
Старение населения — глобальный тренд, обусловленный увеличением продолжительности жизни и снижением рождаемости. По данным ООН (2020), к 2050 году число людей старше 65 лет удвоится, достигнув 1.5 миллиарда. Это повышает риски возрастных заболеваний, включая деменцию и болезнь Альцгеймера (БА).
Актуальность проблемы
Деменция — ведущая причина утраты самостоятельности у пожилых. Её распространённость к 2050 году может утроиться. Особую тревогу вызывает отсутствие эффективных методов лечения на поздних стадиях, что делает раннюю диагностику критически важной.
Методы
Исследование основано на данных 845 участников (65–87 лет) без когнитивных нарушений на старте. Использованы пять моделей XGBoost (eXtreme Gradient Boosting) возрастающей сложности:
- Модель 1: Демография и самоотчёты
- Модель 2: + медицинские показатели
- Модель 3: + когнитивный скрининг
- Модель 4: Комбинация мед. и когнитивных данных
- Модель 5: Полный набор параметров
Обработка данных
Применены:
- SMOTE (Synthetic Minority Oversampling Technique) — балансировка классов
- SHAP (SHapley Additive exPlanations) — интерпретация важности признаков
- Множественная импутация для пропущенных значений
Результаты
Наиболее точная Модель 5 показала:
- Точность: 86%
- AUC (площадь под ROC-кривой): 0.8359
Ключевые предикторы
Анализ выявил значимые факторы риска:
- Тесты памяти (например, FCSRT — Free and Cued Selective Reminding Test)
- Симптомы депрессии (GDS — Geriatric Depression Scale)
- Возраст
- Семейный анамнез БА
Клиническое применение
Разработан онлайн-калькулятор, позволяющий:
- Оценивать индивидуальный риск ЛКН
- Использовать в первичном звене здравоохранения
- Проводить профилактические вмешательства
Ограничения
Исследование имеет ограничения:
- Данные собраны в Мадриде (Испания)
- Период наблюдения — 3 года
- Требуется валидация в других популяциях
Заключение
Модели на основе XGBoost демонстрируют высокий потенциал для раннего выявления ЛКН. Интеграция когнитивных тестов значительно повышает точность прогноза. Онлайн-калькулятор упрощает внедрение в клиническую практику.
