(资料图)

哥伦比亚大学 Mailman 公共卫生学院、Fu Foundation 工程与应用科学学院和 Vagelos 内外科医学院的研究人员使用集成学习技术和来自大型自然驾驶研究的纵向数据，开发了一种新颖、可解释且高度准确的算法用于预测老年司机的轻度认知障碍和痴呆症。

数字标记是指在现实环境中通过记录设备捕获的数据生成的变量。可以处理这些数据以非常详细地测量驾驶行为、性能和节奏空间模式。该研究发表在医学人工智能杂志上。

研究人员使用基于交互的分类方法来选择数据集中的预测变量。这种学习模型在预测轻度认知障碍和痴呆症方面的准确率达到了 96%，优于逻辑回归和随机森林等传统机器学习模型——一种广泛用于 AI 中对疾病状态进行分类的统计技术。

“我们基于数字标记和基本人口统计特征的新集成学习模型可以非常准确地 预测老年司机的轻度认知障碍和痴呆症，”哥伦比亚工程学院土木工程和工程力学副教授、该研究的主要作者 Sharon Di 说。

研究人员使用车载记录设备捕获的有关驾驶员、车辆和环境的自然驾驶数据，为参与老年驾驶员纵向研究 (LongROAD) 项目的 2977 名驾驶员构建了 200 个变量模块，该项目是一项前瞻性队列研究，在五个国家进行网站遍布美国本土，由 AAA 交通安全基金会赞助。

在登记时，参与者是 65-79 岁的活跃驾驶员，他们的认知能力完好无损。本研究使用的数据来自前三年的随访，从 2015 年 8 月到 2019 年 3 月。在随访期间，36 名参与者被诊断出患有轻度认知障碍，8 名患有阿尔茨海默病，17 名患有其他或未指明的疾病痴呆。