یادگیری ماشین برای شناسایی عوامل کلیدی دمانس: مطالعه ای مبتنی بر OASIS

زوال عقل به عنوان یکی از بیماری های پیشرونده دوران سالمندی، چالش های گسترده ای را در حوزه سلامت عمومی و کیفیت زندگی بیماران ایجاد کرده است. تشخیص زودهنگام و شناسایی عوامل کلیدی مرتبط با پیشرفت این بیماری می تواند نقش مهمی در مداخلات درمانی و مراقبتی ایفا کند. هدف این پژوهش توسعه و ارزیابی چارچوبی مبتنی بر الگوریتم های یادگیری ماشین برای پیش بینی دمانس و تحلیل ویژگی های بالینی موثر با استفاده از داده های OASIS Longitudinal بود. داده های دموگرافیک و بالینی ۳۷۳ فرد در بازه سنی ۶۰ تا ۹۶ سال پس از پیش پردازش و انتخاب ویژگی ها به پنج مدل یادگیری ماشین شامل Logistic Regression، SVM، RandomForest، Gradient Boosting و Gaussian Naïve Bayes اعمال شد. عملکرد مدل ها با استفاده از اعتبارسنجی متقابل ده تایی و معیارهای دقت، دقت مثبت، بازیابی، F۱ و ROC-AUC ارزیابی گردید. نتایج نشان داد Logistic Regression با دقت میانگین ۰.۹۵ و SVM با ۰.۹۴ بهترین عملکرد را داشته اند. مدل RandomForest نیز با وجود دقت کمتر (۰.۹۳) امکان شناسایی عوامل کلیدی موثر در بروز دمانس را فراهم کرد؛ به گونه ای که آزمون های شناختی MMSE و CDR به همراه متغیر سن به عنوان قوی ترین پیش بین ها شناسایی شدند، در حالی که عواملی نظیر جنسیت و SES اهمیت کمتری داشتند. همچنین نتایج تحلیل طولی نشان داد که دقت مدل ها حتی با کنترل اثر ویزیت های مکرر بیماران در سطح بالایی باقی مانده است. یافته های این مطالعه نشان می دهد که مدل های کلاسیک یادگیری ماشین ضمن برخورداری از دقت بالا، می توانند با قابلیت تفسیرپذیری به ویژه در قالب RandomForest ابزار کارآمدی برای غربالگری و پیش بینی زوال عقل در محیط های بالینی باشند. این نتایج همسو با مطالعات پیشین تاکید می کند که استفاده از یادگیری ماشین در داده های طولی آلزایمر می تواند مسیر توسعه ابزارهای تشخیصی دقیق تر و مقرون به صرفه تر را هموار سازد.

کلیدواژه ها:

یادگیری ماشین ، دمانس ، داده کاوی ، پیش بینی شناختی ، سلامت سالمندان