Deep Representation Learning for Multi-functional Degradation Modeling of Community-dwelling Aging Population

要約

特に団塊の世代の高齢化が進む中、米国では多機能障害を抱える高齢者人口が大幅に増加している。
これらの障害は、さまざまな慢性疾患、傷害、機能障害に起因し、身体的側面と認知的側面の両方を含む多次元的な性質により、複雑な課題を引き起こします。
従来の手法では、単変量回帰ベースの手法を使用して単一の劣化条件をモデル化および予測し、母集団の均一性を仮定することがよくありましたが、これでは経年劣化に伴う劣化の複雑さと多様性に対処するには不十分です。
この研究は、高齢者の障害の多次元（身体的および認知的など）かつ異質な性質を捉える多機能低下モデリングのための新しいフレームワークを導入します。
深層学習を利用した当社のアプローチは、健康低下スコアを予測し、高齢者の健康履歴から潜在的な異質性を明らかにし、加齢に伴う機能低下のさまざまな影響と原因について効率的な推定と説明可能な洞察の両方を提供します。
実際のケーススタディは、高齢者の劣化の複雑なダイナミクスを正確にモデル化し、高齢化人口における医療上の課題に対処するための有効性を実証し、極めて重要な貢献を示しています。

要約(オリジナル)

As the aging population grows, particularly for the baby boomer generation, the United States is witnessing a significant increase in the elderly population experiencing multifunctional disabilities. These disabilities, stemming from a variety of chronic diseases, injuries, and impairments, present a complex challenge due to their multidimensional nature, encompassing both physical and cognitive aspects. Traditional methods often use univariate regression-based methods to model and predict single degradation conditions and assume population homogeneity, which is inadequate to address the complexity and diversity of aging-related degradation. This study introduces a novel framework for multi-functional degradation modeling that captures the multidimensional (e.g., physical and cognitive) and heterogeneous nature of elderly disabilities. Utilizing deep learning, our approach predicts health degradation scores and uncovers latent heterogeneity from elderly health histories, offering both efficient estimation and explainable insights into the diverse effects and causes of aging-related degradation. A real-case study demonstrates the effectiveness and marks a pivotal contribution to accurately modeling the intricate dynamics of elderly degradation, and addresses the healthcare challenges in the aging population.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google