血管性认知障碍早期预测机器学习模型的构建

摘要：

目的 探索以血管性高危因素构建的机器学习模型早期预测血管性认知障碍的预测性能.方法 2020年4月至9月,收集本院住院患者及陪护人员70例的人口学资料、血管性高危因素,行蒙特利尔认知评估量表(MoCA)评估,根据评估结果将受试者分为正常组、血管性轻度认知障碍(VaMCI)组和痴呆组;单因素方差分析筛选组间存在显著性差异的血管性高危因素,采用支持向量机(SVM)和极限学习机(ELM)构建预测模型;采用接受者操作特征曲线比较两种模型的预测性能.结果 根据MoCA评估结果,正常组32例,VaMCI组23例,痴呆组15例;三组间收缩压、空腹血糖、总胆固醇、低密度脂蛋白、血尿酸有显著性差异(F>3.318,P<0.05);SVM模型预测VaMCI的曲线下面积最高,为0.911(P<0.01),SVM模型优于ELM模型.结论 基于血管性高危因素构建的SVM预测模型优于ELM模型.

关键词：血管性认知障碍;支持向量机;极限学习机;机器学习;预测模型

所属期刊栏目：27

分类号：R743(神经病学与精神病学)

资助基金：中山大学临床医学研究5010计划项目No.2014001

在线出版日期：2021-10-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1072-1077