Construction of a prediction and visualization system for cognitive impairment in elderly COPD patients based on self-assigning feature weights and residual evolution model
Notice bibliographique
Résumé
Background: Assessing cognitive function in patients with chronic obstructive pulmonary disease (COPD) is crucial for ensuring treatment efficacy and avoiding moderate cognitive impairment (MCI) or dementia. We aimed to build better machine learning models and provide useful tools to provide better guidance and assistance for COPD patients' treatment and care. Methods: A total of 863 COPD patients from a local general hospital were collected and screened, and they were separated into two groups: cognitive impairment (356 patients) and cognitively normal (507 patients). The Montreal Cognitive Assessment (MoCA) was used to test cognitive function. The swarm intelligence optimization algorithm (SIOA) was used to direct feature weighting and hyperparameter optimization, which were considered simultaneous activities. A self-assigning feature weights and residual evolution (SAFWRE) algorithm was built on the concept of linear and nonlinear information fusion. Results: The best method in SIOA was the circle search algorithm. On the training set, SAFWRE's ROC-AUC was 0.9727, and its PR-AUC was 0.9663; on the test set, SAFWRE's receiver operating characteristic-area under curve (ROC-AUC) was 0.9243, and its precision recall-area under curve (PR-AUC) was 0.9059, and its performance was much superior than that of the control technique. In terms of external data, the classification and prediction performance of various models are comprehensively evaluated. SAFWRE has the most excellent classification performance, with ROC-AUC of 0.8865 and pr-auc of 0.8299. Conclusion: This work develops a practical visualization system based on these weight attributes which has strong application importance and promotion value.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».