认知衰老的可解释机器学习：处理缺失数据并揭示社会决定因素
机器学习
2025-10-14 v1 应用统计
摘要
早期检测阿尔茨海默病（AD）至关重要，因为其神经退行性效应是不可逆的，神经病理学和社会行为风险因素在诊断数年前就会累积。更早地识别高风险个体有助于预防、及时护理以及公平的资源分配。我们使用 NIH NIA 支持的 PREPARE 挑战第 2 阶段数据集，来自全国代表性的墨西哥健康与年龄化研究（MHAS）2003 年和 2012 年波次的 Mex-Cog 队列，预测从社会健康决定因素（SDOH）中推断的认知功能。数据：目标是经验证的复合认知得分，覆盖七个领域——方向、记忆、注意、语言、构造性协同功能和执行功能——基于 2016 年和 2021 年的 MHAS 波次得分。预测因素涵盖人口统计、社会经济、健康、生活方式、心理社会以及医疗保健获取因素。方法：采用基于奇异值分解（SVD）的插补管道分别处理连续型和分类型变量。该方法利用潜在特征相关性恢复缺失值，同时平衡可靠性和可扩展性。在评估了多种方法后，选定 XGBoost 作为其卓越的预测性能。结果与讨论：该框架超越了现有方法和数据挑战排行榜，表现出高准确率、稳健性和可解释性。基于 SHAP 的后验分析识别了最主要的 SDOH 因素以及年龄相关特征模式。值得注意的是，地板材料 emerged as a strong predictor，反映了社会经济和环境差异。其他有影响力的因素包括年龄、SES、生活方式、社交互动、睡眠、压力和 BMI，强调了认知衰老的多因素性质以及可解释、数据驱动的 SDOH 模型的价值。
引用
@article{arxiv.2510.10952,
title = {Interpretable Machine Learning for Cognitive Aging: Handling Missing Data and Uncovering Social Determinant},
author = {Xi Mao and Zhendong Wang and Jingyu Li and Lingchao Mao and Utibe Essien and Hairong Wang and Xuelei Sherry Ni},
journal= {arXiv preprint arXiv:2510.10952},
year = {2025}
}