仅165人队列，朴素贝叶斯锁定I-309，认知障碍预测AUC猛增0.110！
Machine-Learning Assessment of the Predictive Value of Inflammatory Biomarkers for Cognitive Impairment in an Older Hispanic Adult Cohort
📖 AI 总结
本研究基于巴拿马老龄化研究健康差异队列（PARI-HD，n=165）的小型临床表格数据，采用可解释的机器学习方法评估炎症生物标志物对老年人认知障碍的预测价值。研究指出，统计显著性并不等同于预测效用，因此构建了防泄漏的阈值似然朴素贝叶斯分类器，并通过重复分层十折交叉验证（30次重复）确保稳健性。结果显示，人口学基线模型的ROC-AUC为0.630±0.017，而I-309（CCL1）是唯一具有显著增量预测价值的标志物，使AUC提升0.110，在全部重复中DeLong检验p<0.05，主分析中p=0.0018，200次随机划分中位p值为0.0011，Benjamini-Hochberg校正后q=0.032。其余17种候选标志物均未表现出可靠的增量预测能力。该研究的意义在于，将I-309/CCL1识别为认知障碍表格预测中可解释的候选特征，同时为小样本临床数据的可解释机器学习分析提供了方法学范例，但结果仍需外部验证。
🔑 关键词速览
| Naive Bayes (BNB/CNB) | 朴素贝叶斯分类器，此处采用伯努利/分类变体，适用于离散化后的表格数据，模型可解释性强。 |
| ROC-AUC | 受试者工作特征曲线下面积，衡量二分类模型区分能力的常用指标，值越大预测性能越好。 |
| DeLong test | 用于比较两条相关ROC曲线AUC差异是否显著的统计检验方法。 |
| Benjamini-Hochberg (BH) procedure | 一种控制错误发现率（FDR）的多重检验校正方法，常用于探索性分析中调整p值。 |
| I-309/CCL1 | 一种趋化因子，属于CC家族，在炎症反应中招募免疫细胞，本研究识别其为认知障碍的候选预测标志物。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅