机器学习提高了认知筛查的效率

将认知筛查纳入繁忙的初级保健系统，需要开发高效的筛查工具。心理学家们报告了一个非常简短的、计算机化的评估协议的有效性，该评估协议针对的是最广泛使用的、临床管理的工具之一——蒙特利尔认知评估(MoCA)。

236位被试(平均年龄= 67.44岁，标准差= 11.63)完成了MoCA和计算机化测试。我们训练了三种机器学习算法(即支持向量机、随机森林和梯度增强树)，根据MoCA的临床分值(即< 26)对参与者在25个计算机化测试特征上的表现进行分类。对于样本不平衡问题，分析中采用了合成的少数过采样技术来进行校正。

梯度增强树的性能最高(精度= 0.81，特异度= 0.88，灵敏度= 0.74,F1评分= 0.79，曲线下面积= 0.81)。随后对预测特征进行K-means聚类，得出与MoCA评分的未受损(均值26.98,SD = 2.35)、轻度受损(均值23.58,SD = 3.19)和中度受损(均值17.24,SD = 4.23)范围相对应的3个类别(F = 222.36, P < .00)。此外，与MoCA相比，计算机化测试与未受损参与者的年龄相关性更强(即MoCA≥26,n = 165)，这表明对年龄相关的认知功能变化更敏感。

未来的研究应该研究如何在不影响效率的前提下，通过扩展认知领域来提高计算机化测试的灵敏度。

参考文献：

Levy B1, Hess C1, Hogan J1, Hogan M2, Ellison JM3, Greenspan S1, Elber A1, Falcon K1, Driscoll DF4, Hashmi AZ5.Machine Learning Enhances the Efficiency of Cognitive Screenings for Primary Care.J Geriatr Psychiatry Neurol. 2019 May;32(3):137-144. doi: 10.1177/0891988719834349. Epub 2019 Mar 17.