基于机器学习的高血压老年牧民轻度认知障碍筛查模型的构建

摘要

目的 基于机器学习算法构建高血压老年牧民轻度认知障碍(Mild cognitive impairment, MCI)风险筛查模型，为该人群MCI的筛查和预防提供参考。方法 通过横断面调查抽取新疆南山牧区高血压老年牧民2 117例，按照8∶2随机分为训练集(n=1 694)与验证集(n=423)。训练集进行单因素及多因素Logistic回归筛选变量，并构建随机森林模型与支持向量机模型。通过验证集进行模型验证，根据灵敏度、特异度、曲线下面积(Area under curve,AUC)、准确率、精确率、F1值评价模型性能并选出最优模型。结果 2 117例高血压老年牧民中，发生MCI 823例(38.88%),未发生MCI 1 294例(61.12%)。单因素及多因素Logistic回归分析显示，性别、年龄、高血压分级、握力、BMI、食用奶制品、食用鱼类、合并糖尿病、睡眠障碍、服药依从性与高血压老年牧民发生MCI有关，其中性别、年龄、高血压分级、握力、BMI、合并糖尿病、睡眠障碍为发生MCI的独立危险因素，食用奶制品、食用鱼类、服药依从性则为独立保护因素。基于训练集多因素Logistic回归分析确定的10个独立影响因素分别构建随机森林模型、支持向量机模型，经比较发现，随机森林模型性能较好，其灵敏度、特异度、准确率、精确率、F1值分别为94.51%、93.55%、94.09%、94.92%、0.95。在随机森林模型中，训练集与验证集的AUC分别为0.819(95%CI:0.799～0.839)、0.942(95%CI:0.916～0.968),提示模型区分度较好；临床决策曲线均显示净收益较高，提示模型具有临床有效性。结论 随机森林模型能有效识别高血压老年牧民MCI的发生风险，为MCI的筛查和防治提供参考。

关键词

轻度认知障碍 / 机器学习 / 高血压 / 牧民 / 筛查模型