Machine learning-based early screening of mild cognitive impairment using nutrition-related biomarkers and functional indicators
Notice bibliographique
Résumé
Objectives: Mild cognitive impairment (MCI), an early stage of cognitive decline preceding dementia, poses a growing public health concern, especially in aging populations. Early identification of individuals at risk is essential for implementing timely interventions to delay or prevent progression to dementia. Nutritional factors and related biomarkers have emerged as promising targets for developing convenient, scalable screening strategies, particularly in resource-limited rural settings. This study aimed to develop and validate a machine learning (ML) model that integrates diet-related metabolites, physical examination indicators, lifestyle behaviors, and sleep quality to predict MCI risk and to evaluate the biological and predictive relevance of trimethylamine N-oxide (TMAO) and its dietary precursors among older adults in rural China. Methods: Data were derived from a large-scale epidemiological survey in Fuxin County, Liaoning Province, including 907 participants, of whom 270 were classified as MCI based on the Montreal Cognitive Assessment-Basic. Seven ML models were trained and evaluated using accuracy, sensitivity, and the area under the receiver operating characteristic curve (AUC). The best model's predictors were interpreted using Shapley Additive Explanation (SHAP) values. Results: The random forest model showed the bestperformance (AUC = 0.74, 95% CI: 0.677-0.801; sensitivity = 0.72). SHAP analysis identified age, choline, carnitine, betaine, TMAO, daily intake of fruit and vegetables, body mass index, hip circumference, and daytime dysfunction as key predictors. Conclusion: TMAO-related metabolites consistently contributed positive SHAP effects, suggesting biologically relevant links between dietary metabolism and early cognitive decline. This interpretable ML framework offers a feasible, sensitive, and biologically informed approach for early MCI screening and supports the integration of nutritional biomarkers into cognitive health surveillance.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».