A Machine Learning Approach to Modify the Neurocognitive Frailty Index for the Prediction of Cognitive Status in the Canadian Population
Notice bibliographique
Résumé
Background/Objective: Frailty, a geriatric syndrome characterized by decreased reserve and resistance to stressors in older adults, has been established as a robust predictor of health outcomes. Recently, the Neurocognitive Frailty Index (NFI) was introduced, including 42 physical and cognitive elements that collectively assess an individual’s vulnerability to age-related health decline. While this multidimensional approach improves predictive accuracy for cognitive decline, its high dimensionality might be a barrier to widespread adoption. Methods: We employed several machine learning techniques to reduce the dimensions of NFI while maintaining its predictive power. We trained five models: Network Analysis, neural networks, Least Absolute Shrinkage and Selection Operator Regression (LASSO), Random Forest, and eXtreme Gradient Boosting (XGBoost). Each model was calibrated using a dataset from the Canadian Study of Health and Aging, which included various cognitive, health, and functional variables. Results: Results indicated that six variables had minimal impact on outcome. This reduction in dimensionality resulted in a modified NFI scale including 36 elements, while maintaining good predictive performance for cognitive change similar to the original NFI. Conclusions: Our findings support the feasibility of applying machine learning techniques to modify predictive models in neurodegenerative diseases beyond frailty assessment. We recommend exploring the application of this scale using other data. The results also emphasize the potential of machine learning approaches for improving predictive models, highlighting their value as a tool for advancing our understanding of aging and its complexities.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 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 ».