本发明属于认知障碍风险预测,具体涉及一种预测轻度认知功能障碍的高风险因素的方法。
背景技术:
1、目前有五十余种认知障碍风险预测模型,可分为神经心理测试、健康风险指数及多因素模型三类,但这些预测模型的性能仍有待提高。在高风险因素的探索过程中,多数研究采用logistic回归模型筛选变量。但在变量过多的情况下依旧使用logistic回归模型,会导致最终的系数不稳定,不利于分析变量的影响程度与方向。而基于决策树分类器的随机森林模型在分析变量个数过多的数据时具有准确率高,结果稳定且不易过拟合等优点。但随机森林只能用于变量的解释,无法判断自变量对应变量的影响程度和方向。因此,利用随机森林进行变量筛选后,再结合logistic回归模型分析将有望获得高可信度的mci高风险预测因素,为此我们提出一种预测轻度认知功能障碍的高风险因素的方法。
技术实现思路
1、本发明的目的在于提供一种预测轻度认知功能障碍的高风险因素的方法,以解决上述背景技术中提出的问题。
2、为实现上述目的,本发明提供如下技术方案:一种预测轻度认知功能障碍的高风险因素的方法,包括以下步骤:
3、s1.纳入研究对象:对研究对象进行moca评分;
4、s2.研究对象进行测试:将研究对象作为受试者,对所有受试者进行问卷调查、量表评估和听力学测试;
5、s3.研究对象分组:将研究对象分为mci患者组和非mci患者组;
6、s4.进行数据分析:采用随机森林法筛选高风险因素以及采用logistic回归筛选高风险因素;
7、s5.确定高风险因素:利用训练集建立模型,再用测试集建立混淆矩阵进行验证,通过联合模型确定高风险因素
8、优选的,所述s1中纳入的研究对象为60岁以上居民,且所述研究对象具体包括排除标准为患有老年痴呆、双相情感障碍、精神分裂症或其他发育性或神经变性疾病而无法执行认知评估测试的居民,以及当前配戴助听器或人工耳蜗等助听装置的居民。
9、优选的,所述s1中moca评分具体为通过蒙特利尔认知评估进行评分,所述蒙特利尔认知评估通过蒙特利尔认知评估量表对mci患者进行快速筛查。
10、优选的,所述蒙特利尔认知评估量表分为8个认知域亚项,其中即刻记忆亚项不计分,其他7个认知域亚项分别为视空间与执行功能5分、语言能力3分、注意力6分、定向力6分、延迟记忆5分、命名3分、抽象能力2分;根据moca评定标准,小于26分为认知障碍。
11、优选的,所述s2中的量表评估具体为:对所有受试者进行老年听力障碍量表-筛查版评估,所述量表评估包括10个项目,所述10个项目包括社交和情绪类各5项,所述受试者采用闭合式选项回答,每个问题的答案包括是、有时和否3项,所述否计0分,所述有时计2分,所述是计4分,最终hhie-s得分越高表示听力障碍程度越重,将量表得分大于8分定义为存在听力障碍。
12、优选的,所述s2中的听力学测试具体包括以下步骤:
13、s201.所有受试者均由听力师进行纯音测听;
14、s202.将气导测试频率设置为500、1000、2000和4000hz;
15、s203.将听力测试设备设置为纯音听力计;
16、s204.根据who听力损失程度分级标准,以较好耳500、1000、2000、4000hz气导阈值的均值为准,正常听力为≤25db hl,超过25db hl为存在听力损失。
17、优选的,所述s5中建立模型中的因变量为认知功能障碍,自变量为年龄、性别、身高、体重、bmi指数、糖尿病、高血压、焦虑、耳鸣、听力受损。
18、优选的,所述s5中确定高风险因素具体包括以下步骤:
19、s501.在随机森林分类法中,将研究对象按照3:1比例分成训练集和测试集;
20、s502.利用训练集建立模型,再用测试集建立混淆矩阵进行验证,最终求得meandecrease accuracy and mean decrease gini系数;
21、s503.mean decrease accuracy and mean decrease gini将变量按照重要程度由高到低进行排列;
22、s504.在logistic回归中,采用比值比评估自变量对认知功能损伤的影响,or>1且p值有统计学意义表示变量是导致认知功能障碍的高风险因素,or<1且p值有统计学意义表示变量是认知功能障碍的保护因素。
23、优选的,所述s5中的建立模型包括预测模型logit(y),所述预测模型logit(y)包括以下公式方程:
24、logit(y)=2.147*性别-0.127*受教育年限+0.052*年龄-0.229*嗅觉测试b+2.030*是否吸烟-1.073;
25、计算轻度认知障碍概率:p=1/(1+e^-logit(y));
26、其中性别为男性、较高的嗅觉测试得分以及较长的受教育年限均是轻度认知障碍的保护因素;而性别为女性、饮酒以及年龄升高是轻度认知障碍的危险因素。
27、优选的,所述s4中采用logistic回归筛选高风险因素中通过做多因素logistic回归分析,得到mci的独立预测因子,构建的方程为:将回归方程logit(p)当作联合预测因子l,以联合预测因子l为检验变量做roc曲线,得:
28、l=-22.43+0.95age-2.84education-ft;
29、其中,age为年龄;education为文化程度;ft为外周血中的游离睾酮;当ft≤0.95age-2.84education-27.34时,考虑mci风险。
30、与现有技术相比,本发明的有益效果是:
31、(1)本发明采用了随机森林机器学习方法联合logistic回归模型进行高风险因素筛选,联合筛选的模式不仅能评估出自变量的重要性程度,而且能预测出自变量对应变量的影响方向和程度,使得本发明筛选的高风险因素具有高可信度,为轻度认知障碍患者的预防及早期诊断的方法学建立提供了新思路;
32、(2)本发明通过分析纯音听阈、自我报告听力损失、焦虑抑郁状态、认知功能量表、慢性疾病等因素,运用机器学习预测模型发现社区老年人群体中,听力损失与耳鸣是认知功能下降的高风险因素,另外通过保护青壮年的听力健康,筛查并康复老年群体的听力损失,可以减少认知功能障碍的发病率,从而降低ad的发病人群。
1.一种预测轻度认知功能障碍的高风险因素的方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种预测轻度认知功能障碍的高风险因素的方法,其特征在于:所述s1中纳入的研究对象为60岁以上居民,且所述研究对象具体包括排除标准为患有老年痴呆、双相情感障碍、精神分裂症或其他发育性或神经变性疾病而无法执行认知评估测试的居民,以及当前配戴助听器或人工耳蜗等助听装置的居民。
3.根据权利要求1所述的一种预测轻度认知功能障碍的高风险因素的方法,其特征在于:所述s1中moca评分具体为通过蒙特利尔认知评估进行评分,所述蒙特利尔认知评估通过蒙特利尔认知评估量表对mci患者进行快速筛查。
4.根据权利要求3所述的一种预测轻度认知功能障碍的高风险因素的方法,其特征在于:所述蒙特利尔认知评估量表分为8个认知域亚项,其中即刻记忆亚项不计分,其他7个认知域亚项分别为视空间与执行功能5分、语言能力3分、注意力6分、定向力6分、延迟记忆5分、命名3分、抽象能力2分;根据moca评定标准,小于26分为认知障碍。
5.根据权利要求1所述的一种预测轻度认知功能障碍的高风险因素的方法,其特征在于:所述s2中的量表评估具体为:对所有受试者进行老年听力障碍量表-筛查版评估,所述量表评估包括10个项目,所述10个项目包括社交和情绪类各5项,所述受试者采用闭合式选项回答,每个问题的答案包括是、有时和否3项,所述否计0分,所述有时计2分,所述是计4分,最终hhie-s得分越高表示听力障碍程度越重,将量表得分大于8分定义为存在听力障碍。
6.根据权利要求1所述的一种预测轻度认知功能障碍的高风险因素的方法,其特征在于:所述s2中的听力学测试具体包括以下步骤:
7.根据权利要求1所述的一种预测轻度认知功能障碍的高风险因素的方法,其特征在于:所述s5中建立模型中的因变量为认知功能障碍,自变量为年龄、性别、身高、体重、bmi指数、糖尿病、高血压、焦虑、耳鸣、听力受损。
8.根据权利要求1所述的一种预测轻度认知功能障碍的高风险因素的方法,其特征在于:所述s5中确定高风险因素具体包括以下步骤:
9.根据权利要求8所述的一种预测轻度认知功能障碍的高风险因素的方法,其特征在于:所述s5中的建立模型包括预测模型logit(y),所述预测模型logit(y)包括以下公式方程:
10.根据权利要求1所述的一种预测轻度认知功能障碍的高风险因素的方法,其特征在于:所述s4中采用logistic回归筛选高风险因素中通过做多因素logistic回归分析,得到mci的独立预测因子,构建的方程为:将回归方程logit(p)当作联合预测因子l,以联合预测因子l为检验变量做roc曲线,得: