Интересное сегодня
Нейронные механизмы принятия этических решений в условиях см...
Введение Процессы принятия решений связаны с выбором между альтернативами, оценкой рисков и потенциа...
Как сохранять позитивный настрой и жить полноценной жизнью п...
Хроническая боль: вызов и возможностиДля миллионов людей во всем мире хроническая боль становится по...
Как домашние животные влияют на удовлетворённость жизнью: на...
Влияние домашних животных на качество жизни: что говорит наука Многочисленные исследования подтвержд...
Модуляция контрастности и коллинеарные взаимодействия в чело...
Обзор коллинеарной модуляции Коллинеарная модуляция представляет собой основополагающий элемент наше...
Гибкий график работы: как пандемия изменила баланс между сем...
Как пандемия изменила подход к работе Сейчас трудно поверить, но пандемия COVID-19 началась всего че...
Роман 'Корабль дочери': Исследование травмы и восс...
Введение Я завершила чтение романа Бью Трандаля 'Корабль дочери' и сразу же пожелала, чтобы это была...
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.
