Enhancing Dementia Risk Prediction with Heart Rate and Machine Learning in the Canadian Longitudinal Study on Aging (CLSA)
Notice bibliographique
Résumé
BACKGROUND: Accurate and accessible risk assessment tools are essential for effective dementia management. The Cardiovascular Risk Factors, Aging, and Incidence of Dementia (CAIDE) model is the widely used tool to assess mid-life dementia risk. This study aims to enhance the CAIDE model by incorporating resting heart rate (RHR), a simple and easily measurable cardiovascular factor, and applying machine learning methods to improve prediction accuracy. METHODS: Data from 27,768 participants of comprehensive cohort in the Canadian Longitudinal Study on Aging (CLSA) were analyzed to predict 3-year cognitive decline. Predictive models were developed using random forest and support vector machine algorithms. Performance was assessed using key metrics, including area under the receiver operating characteristic curve (AUC), sensitivity, specificity, Matthew's correlation coefficient (MCC), and Brier score. Internal cross-validation was used to ensure model robustness. RESULTS: Among the 18,013 participants with complete data for analysis, 516 (2.86%) exhibited cognitive impairment. Incorporating RHR into the CAIDE model led to a significant improvement in predictive accuracy. Random forest models with RHR achieved an AUC of 0.67 and an MCC of 0.32 in training data, compared to 0.65 and 0.29 in the test data. Similarly, support vector machines demonstrated a 2-3% increase in both AUC and MCC with the inclusion of RHR. CONCLUSIONS: The addition of resting heart rate significantly improves the predictive accuracy of the CAIDE model, particularly when using machine learning methods. This highlights the potential of this approach to enhance traditional risk models, enabling more precise dementia risk assessments, closer monitoring, and the implementation of preventive strategies.
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 | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».