eISSN: 2084-9885
ISSN: 1896-6764
Neuropsychiatria i Neuropsychologia/Neuropsychiatry and Neuropsychology
Bieżący numer Archiwum Artykuły zaakceptowane O czasopiśmie Rada naukowa Bazy indeksacyjne Prenumerata Kontakt Zasady publikacji prac
Panel Redakcyjny
Zgłaszanie i recenzowanie prac online
SCImago Journal & Country Rank
1-2/2022
vol. 17
 
Poleć ten artykuł:
Udostępnij:
streszczenie artykułu:
Artykuł oryginalny

Ocena przydatności statystycznych systemów uczących we wnioskowaniu o stanie sprawności poznawczej pacjentów w podeszłym wieku

Adam Bednorz
1
,
Ewa Lach
2
,
Piotr Seiffert
3

  1. Szpital Geriatryczny im. Jana Pawła II w Katowicach
  2. Wydział Automatyki, Elektroniki i Informatyki, Politechnika Śląska w Gliwicach
  3. Oddział Reumatologii, Szpital Murcki w Katowicach
Neuropsychiatria i Neuropsychologia 2022; 17, 1–2: 83–94
Data publikacji online: 2022/07/21
Pełna treść artykułu Pobierz cytowanie
 
Metryki PlumX:
Wstęp
Szybki wgląd w stan sprawności poznawczej chorego może w wymierny sposób pomóc w procesie diagnostycznym i zaplanowaniu dalszej opieki nad starszymi pacjentami. Ze względu na stale rosnące wymagania diagnostyczne przydatne może być wykorzystanie statystycznych systemów uczących się związanych z dziedziną uczenia maszynowego. Algorytm uczy się związku między danymi wejściowymi (wynikiem testu) a odpowiadającymi im zmiennymi wyjściowymi (rozpoznaniem choroby). Celem pracy była weryfikacja, jak dany model uczenia poradzi sobie z oszacowaniem sprawności poznawczej starszego pacjenta na podstawie danych zgromadzonych w dokumentacji medycznej, a także porównanie wykorzystanych modeli.

Materiał i metody
Dokonano retrospektywnego przeglądu badań 280 pacjentów hospitalizowanych w Szpitalu Geriatrycznym im. Jana Pawła II w Katowicach w latach 2015–2019. Dane wejściowe obejmowały wskaźniki biochemiczne, wyniki skal funkcjonalnych (ADL, IADL), choroby współistniejące oraz zmienne socjodemograficzne. Całość danych podzielono w następujący sposób: 2/3 dane do nauki, 1/3 dane testowe. Wykorzystano następujące modele: regresja liniowa, maszyna wektorów nośnych, naiwny klasyfikator Bayesa, metoda k najbliższych sąsiadów.

Wyniki
Żaden z modeli nie osiągnął zadowalającej dokładności. Najlepszy wynik uzyskał model regresji liniowej z równomiernym podziałem danych (AUC = 0,57, ACC = 0,60) oraz model regresji liniowej z uczeniem uwzględniającym wszystkie dane (AUC = 0,68, ACC = 0,67).

Wnioski
Na podstawie zgromadzonych parametrów nie powinno się budować systemu automatycznego wnioskowania o stanie sprawności poznawczej pacjenta. Model regresji liniowej wymaga kolejnych weryfikacji empirycznych z udziałem liczniejszych i bardziej zróżnicowanych grup.



Introduction
Quick insight into the patient’s cognitive performance can measurably help in diagnostic support and planning further care for elderly patients. Due to the ever-increasing diagnostic requirements, it can be useful to use statistical machine learning systems related to the field of machine learning. The algorithm learns the relationship between input data (test score) and corresponding output variables (diagnosis). The aim of the study was to estimate how a given learning model would cope with the estimation of the cognitive performance of an elderly patient on the basis of data collected in medical records. The aim of the study was also to compare the models used.

Material and methods
A retrospective review of the studies of 280 patients hospitalized at the Geriatric Hospital of John Paul II in Katowice in 2015-2019. Input data included biochemical indices, functional scale scores (ADL, IADL), comorbidities and sociodemographic variables. The total data was divided as follows: 2/3 study data, 1/3 test data. The following models were used: linear regression model, support vector machine, naive Bayes classifier, k-nearest neighbors method.

Results
None of the models achieved satisfactory accuracy. The best results were obtained from the linear regression model with uniform data division (AUC = 0.57, ACC = 0.60) and the linear regression model with all data learning (AUC = 0.68, ACC = 0.67).

Conclusions
Based on the collected parameters, a system of automatic inference about the patient’s cognitive performance should not be built. The linear regression model requires further empirical verifications involving larger and more diverse groups on larger and more diverse groups.

słowa kluczowe:

sprawność poznawcza, otępienie, statystyczne systemy uczące się

© 2024 Termedia Sp. z o.o.
Developed by Bentus.