随着美国人口老龄化,老年司机的数量正在增加。在2020年,有5400万个65岁及以上的成年人,这个数字预计将上升到8400万年的2050人,占总人口的20%。
开车对于许多老年人至关重要,因为它允许他们保持他们的独立性,自我控制,社会关系和生活满意度。然而,与年龄相关的认知功能下降和健康、医疗条件,和副作用的药物可以增加崩溃的风险,老司机有mileage-based失事率高于其他年龄组。停止开车可以为老年人也有不良健康结果。因此,它是必不可少的检测早期轻度认知障碍(MCI)和痴呆的老司机。
多个最近的研究表明,某些不寻常的驾驶行为的变化可以作为MCI和痴呆的早期迹象吗。然而,这些研究受到限制由于小样本大小和随访时间短。
为了解决这些局限性,纵向研究老龄司机(LongROAD)项目收集自然驾驶数据从2977年认知健康的参与者在44个月。驾驶轨迹处理和聚合为31开车时间序列变量。分类方法使用一种称为影响分数的统计(进球)来预测MCI和痴呆基于自然的驾驶数据。的发现发表在《华尔街日报》吗人工智能在医学上。
进球是一个统计指标,可以用来评估一个变量的预测能力,特别是在大型数据集。它已被证明有效的区分预测和“嘈杂”变量,以及确定影响变量模块或组捕获复合解释变量之间的交互。
研究已经证明,我能提高分类器的性能在不平衡数据集通过与F1的得分,这是定义为调和平均数的敏感性和特异性。
使用预测变量被进球,研究者构造了一个基于交互残块整体学习分类器和采用聚合这些预测,以提高整个分类器的预测能力。
实验使用自然的驾驶数据评估提出的分类方法。结果表明,该方法实现了96%的准确性预测MCI和痴呆,这是最高精度的测试方法。
这项研究还进行了特性分析,发现从右到左的重要性匝比和紧急制动事件的数量是最重要的驱动变量在预测MCI和痴呆。此外,地区和年龄是两个最重要的人口统计特征,展示地理和年龄差异如何影响驾驶行为。
MCI和痴呆的早期检测是至关重要的对于老司机,这研究临床和实际意义。它可能导致及时评估、诊断和干预措施,并促进早期支持或辅助服务的实现。然而,这项研究也有局限性,如合并到一个类参与者不同疾病水平和训练数据不足一个健壮的分类器。这项研究可以提高包括更多的驾驶数据从不同类型的驾驶员提高预测能力。工作将扩展到捕获每个参与者的纵向信息和开发个性化的时间分类器预测MCI /痴呆为每个单独的风险随着时间的推移。
提出的分类方法使用进球和基于交互剩余块分类器显示有前景的结果在预测MCI和痴呆的老司机。这项研究的结果提供有价值的见解人口之间的关系,驾驶行为,和MCI和痴呆的风险。未来的研究可以建立在这些发现开发个性化的和有效的干预措施,可以提高老年人的生活质量的司机。
