Fonte: PloS one (2026) · PMID: 41880321
Autori: Zuo Shunli, Liu Ning, Wang Jiaxian
Titolo originale: Development and validation of a prediction model for long-term cognitive frailty risk in stroke patients based on CHARLS data.
Abstract
Contesto: Questo studio mirava a sviluppare e convalidare modelli di apprendimento automatico (ML) per prevedere il rischio di fragilità cognitiva negli anziani con ictus residenti in comunità.
Metodi: Questo studio ha coinvolto 2.325 sopravvissuti all’ictus dal China Health and Retirement Longitudinal Study (CHARLS), condotto tra il 2018 e il 2020. Abbiamo esaminato 22 variabili comportamentali, comprendenti indicatori socio-demografici, fisici, psicologici, cognitivi e sociali. La regressione LAZO è stata impiegata per identificare i fattori predittivi e otto modelli di apprendimento automatico - Regressione logistica, Albero decisionale, XGBoost, Support Vector Machine, k-Nearest Neighbors, Naïve Bayes, Random Forest e LightGBM - sono stati utilizzati per accertare il modello ottimale per prevedere la fragilità cognitiva tra i sopravvissuti all’ictus. Sono stati applicati i valori SHapley Additive exPlanations (SHAP) per interpretare i contributi delle variabili.
Risultati: Un totale di 2.325 pazienti colpiti da ictus sono stati inclusi nello studio, tra i quali 688 (29,59%) hanno mostrato sintomi di fragilità cognitiva. Degli otto modelli valutati, XGBoost (AUC = 0,810) e Random Forest (AUC = 0,795) hanno dimostrato le più alte prestazioni predittive per la fragilità cognitiva correlata all’ictus. I principali predittori identificati erano l’istruzione, lo stato nutrizionale, l’esercizio fisico, le attività strumentali della vita quotidiana (IADL) e l’età, con corrispondenti valori SHAP di 0,28, 0,18, 0,16, 0,21 e 0,32, rispettivamente. I valori SHAP hanno indicato che l’età e il livello di istruzione sono i fattori più significativi nel predire il rischio di fragilità cognitiva in questa popolazione.
Conclusione: Questo studio ha sviluppato otto modelli di previsione del rischio per la fragilità cognitiva post-ictus utilizzando l’apprendimento automatico, con l’algoritmo XGBoost che dimostra prestazioni superiori. Sfruttando gli indicatori clinici e demografici prontamente disponibili, il modello XGBoost ottimizzato funge da strumento pratico per lo screening precoce del rischio di fragilità cognitiva tra i sopravvissuti all’ictus anziani residenti in comunità, in particolare nelle strutture di assistenza primaria. Questo modello può aiutare i medici a elaborare strategie di intervento mirate per mitigare la progressione della malattia e stabilire una base per futuri studi prospettici che esaminino i meccanismi alla base della fragilità cognitiva nelle popolazioni colpite da ictus. È necessaria un’ulteriore convalida esterna per confermarne la generalizzabilità in vari contesti clinici.
Fabrizio Devito
Commenti