По теме
Кетогенная диета при биполярном расстройстве: революция мета...
Как кетогенная диета помогает при лечении тяжелых психических заболеваний, включая биполярное расстр...
Улучшение восприятия тела у людей с заметными особенностями ...
Узнайте, как онлайн-программа 'Расширь свой кругозор' помогает людям с заметными особенностями внешн...
Как развить честность и внутренний баланс: 4 эффективных спо...
Узнайте, как развитие целостности и честности перед самим собой помогает улучшить эмоциональную регу...
Нарушение восприятия причинности при болезни Паркинсона: рез...
Исследование показывает, как болезнь Паркинсона меняет зрительное восприятие причинно-следственных с...
Как собаки воспринимают мир: почему они выбирают места, а не...
Исследование когнитивных особенностей собак показывает, что наши питомцы ориентируются в пространств...
Ранние дезадаптивные схемы и межличностная регуляция эмоций:...
Подробное научное исследование связи между ранними дезадаптивными схемами и направленной на других м...
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.
