西奈山伊坎医学院的科学家及其同事表示，他们已经利用机器学习的力量来确定痴呆症患者死亡率的关键预测因素。他们的研究“机器学习模型识别各种痴呆类型患者死亡率的预测特征”在线发表在《通讯医学》杂志上，通过查明近期死亡高风险的患者来解决痴呆护理中的关键挑战，并据报道揭示了导致这种风险的因素。

人工智能有助于预测各种痴呆症类型的生存率

与之前专注于诊断痴呆症的研究不同，这项研究深入研究了预测患者预后、揭示死亡风险以及各种痴呆症的影响因素。

主要死因

在人口日益老龄化的社会中，痴呆症已成为死亡的主要原因。然而，研究人员表示，由于认知衰退的进展情况不同，会影响身体的正常功能，因此预测痴呆症病例的确切死亡时间具有挑战性。

“我们开发了机器学习模型，使用来自美国国家阿尔茨海默病协调中心(NACC)的45,275名独特参与者和163,782条就诊记录的数据集来预测四种不同生存阈值下的痴呆症患者死亡率。我们使用一小组死亡率预测因子构建了多因素XGBoost模型，并使用痴呆症类型特定模型进行了分层分析，”研究人员写道。

“我们的模型利用所有1年、3年、5年和10年阈值的九个简约特征，实现了超过0.82的受试者工作特征曲线下面积(AUC-ROC)。训练后的模型主要由与痴呆症相关的预测因子组成，例如特定的神经心理学测试，并且受其他与年龄相关的死亡原因(例如中风和心血管疾病)的影响最小。

“值得注意的是，分层分析揭示了八种痴呆症类型的共同且不同的死亡率预测因素。死亡率预测因子的无监督聚类将血管性痴呆与抑郁症以及路易体痴呆与额颞叶痴呆分组。

“这项研究证明了标记有死亡风险的痴呆症患者进行个性化临床管理的可行性。简约的机器学习模型可用于预测具有有限临床特征的痴呆症患者死亡率，而痴呆症类型特异性模型可应用于异质性痴呆症患者群体。”

“我们的研究结果意义重大，因为它们说明了机器学习模型在不同时间范围内准确预测痴呆症患者死亡风险的潜力，”通讯作者、伊坎西奈山遗传学和基因组科学助理教授黄宽林博士说。“通过精确定位一组简明的临床特征，包括神经心理学和其他可用测试的表现，我们的模型使医疗保健提供者能够就患者护理做出更明智的决策，从而可能导致更有针对性和及时的干预措施。”

研究还发现，与癌症和心脏病等年龄相关因素相比，神经心理学测试结果可以更好地预测痴呆症患者的死亡风险，这强调了痴呆症在神经退行性疾病患者死亡中的重要作用。

黄继续说道：“我们研究的意义超出了临床实践，因为它强调了机器学习在揭示痴呆症等疾病复杂性方面的价值。”

“这项研究为未来痴呆症护理预测模型的研究奠定了基础。然而，虽然机器学习对于改善痴呆症护理有着巨大的希望，但重要的是要记住，这些模型并不是个人结果的水晶球。许多因素，包括个人因素和医疗因素，都会影响患者的旅程。”

接下来，研究团队计划通过结合治疗效果和遗传数据来完善他们的模型，并探索先进的深度学习技术以实现更精确的预测。

鉴于人口老龄化，痴呆症已成为日益紧迫的公共卫生问题，根据寿命损失年数，痴呆症在2016年成为美国第七大死因，也是第四大最严重的疾病或伤害。截至2022年，阿尔茨海默病和其他痴呆症每年造成的损失估计为1万亿美元，影响着大约650万美国人和全世界5740万人，预计到2050年这一数字将增加两倍。