Machine learning-based routine laboratory tests predict one-year cognitive and functional decline in a population aged 75+ years

Abstract

Contexto: O declínio cognitivo e funcional são problemas comuns em idosos, especialmente aqueles com mais de 75 anos. Atualmente, não há um biomarcador plasmático específico capaz de prever esse declínio em idosos saudáveis. O aprendizado de máquina (ML) é uma subárea da inteligência artificial (IA), que pode ser usada para prever resultados. Objetivo: Este estudo teve como objetivo avaliar variáveis ​​laboratoriais de rotina capazes de prever comprometimento cognitivo e funcional, usando algoritmos de ML, em uma coorte com mais de 75 anos, em um estudo de acompanhamento de um ano. Método: Cento e trinta e dois idosos com mais de 75 anos foram selecionados por meio de um programa público de saúde comunitária ou de instituições de cuidados de longo prazo. Seus desempenhos funcionais e cognitivos foram avaliados no início e um ano depois usando um questionário de atividades funcionais, Mini-Exame do Estado Mental e a Bateria Breve de Triagem Cognitiva. Testes laboratoriais de rotina foram realizados no início. Algoritmos de ML — floresta aleatória, máquina de vetores de suporte (SVM) e XGBoost — foram aplicados para descrever o melhor modelo capaz de prever o declínio cognitivo e funcional usando testes de rotina como características. Resultados: O modelo de floresta aleatória apresentou melhor precisão do que outros algoritmos e incluiu triglicerídeos, glicose, hematócrito, amplitude de distribuição de hemácias (RDW), albumina, hemoglobina, globulina, colesterol de lipoproteína de alta densidade (HDL-c), hormônio estimulante da tireoide (TSH), creatinina, linfócitos, eritrócitos, plaquetas/leucócitos (PLR) e neutrófilos/leucócitos (NLR), e alanina transaminase (ALT), leucócitos, colesterol de lipoproteína de baixa densidade (LDL-c), cortisol, gama-glutamil transferase (GGT) e eosinófilos como características para prever o declínio cognitivo (precisão = 0,79). Para o declínio funcional, as características mais importantes foram plaquetas, PLR e NLR, hemoglobina, globulina, cortisol, RDW, glicose, basófilos, vitamina B12, creatinina, GGT, ALT, aspartato transferase (AST), eosinófilos, hematócrito, eritrócitos, triglicerídeos, HDL-c e monócitos (precisão = 0,92). Conclusões: Variáveis ​​laboratoriais de rotina podem ser aplicadas para prever o declínio cognitivo e funcional em populações de idosos mais velhos usando algoritmos de ML.