Интересное сегодня
Анализ поведения велосипедистов на пешеходных переходах в Ге...
Анализ поведения велосипедистов на нерегулируемом пешеходном переходе в Германии с использованием ви...
Чувство связности как фактор устойчивости пожилых людей посл...
Введение Пожилые люди представляют собой особенно уязвимую популяцию в последствиях стихийных бедств...
Эмоциональные потребности в парах: как рак влияет на взаимоо...
Введение В данном исследовании мы рассмотрели выражение эмоциональных потребностей (EEN) и партнерск...
Альтернативная коммуникация для детей с аутизмом: барьеры и ...
Аутизм и альтернативная коммуникацияАутизм — это форма нейроразнообразия, характеризующаяся особенно...
Магнитно-резонансная томография показывает нейровоспаление п...
Введение Исследование посвящено изучению связи между религиозными и духовными (Р/Д) проблемами и ней...
Как сознательное неведение снижает альтруизм: исследование п...
Психология неведения: почему мы отворачиваемся от правды Многие считают себя добрыми и справедливыми...
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.