机器学习工具可以帮助预测pre-frailty筛查的中年以上的澳大利亚人

机器学习可以发展中有效的早期筛查系统关键组件识别弱点在中年以上的澳大利亚人。

越来越多的证据显示生理下降在以后的生活中并不是一个不可避免的老化的一部分,弗林德斯大学的研究人员评估机器学习模型是否适合预测前置脆弱作为健康评估的一部分,最早出现的迹象,当干预可以帮助延缓脆弱。

在澳大利亚,35%至45%的人年龄在40至75年pre-frail。随着平均寿命的增加和人口老龄化,澳大利亚人的数量成为pre-frail或脆弱的风险也会增大,导致重大的发病率和死亡率,以及增加医疗保健费用。

这一趋势也与最近发生的全球系统回顾显示高风险的脆弱和pre-frailty成年人在28个国家。

谢尔达Sajeev博士研究人员(业务信息系统、人工智能研究中心,托伦斯大学)博士和斯蒂芬妮冠军,苏戈登教授领导的研究主任ARIIA,护理和健康科学学院的弗林德斯,进行健康评估数据的综合分析656名成年人在南澳大利亚和评估机器学习(ML)的预测pre-frailty的精确性。

毫升模型,基于使用收集的数据验证弱点评估工具,能够识别更高的身体质量指数(BMI),降低肌肉质量,贫穷的握力和平衡,更高水平的压力,睡眠质量差,气短和尿失禁,被列为prefrail与医疗问题。

“机器学习分析确定关键健康评估措施,导致不虚弱,pre-frail之间的转变,定义使用油炸脆弱表型和临床脆弱的规模。

“ML已经确定的使用不同的分类不虚弱,pre-frail参与者之间比统计分析表明毫升方法可以公开更微妙的休闲问题不能被确认标准统计分析谢尔达Sajeev博士”,作者说。

脆弱的结果累积曝光,许多中年之前前体的展现。

专家说有机会干预以减少不良结果pre-frailty期间,但过渡到脆弱的早期指标往往发现太晚了。

“Pre-frailty是一个过渡时期,个体通常不知道他们正在积累赤字,因此需要筛选确定逆转小赤字服从变化的机会,”斯蒂芬妮冠军博士说。

“重要的是我们开发有效的系统识别pre-frailty因为综合症与损伤多个生理系统,导致韧性降低,易受压力增加,贫穷健康结果,发病率和死亡率增加。”

这项工作发表在杂志上BMC老年病学。