阿尔伯塔大学（University of Alberta）的一个跨学科研究小组正在开发机器学习程序，利用与健康、生活方式、社会经济和其他数据相关的数据来改善加拿大老年人未来的身心健康。
首席研究员、精神病学副教授、计算机科学副教授、加拿大计算精神病学研究主席曹说，这种方法有朝一日可以用来帮助医疗团队提供个性化护理并促进健康老龄化。
“机器学习是一种强大而有用的计算方法，可以利用大量的去识别化数据，”他说。 如果我们想推动未来患者**的某些健康结果的个性化，我们需要利用机器学习。 ”
Cao的团队使用机器学习来识别模式并对其进行分析，以使加拿大老龄化纵向研究（CLSA）最近发表的两项研究使患者受益，该研究涉及30,000多名年龄在45至85岁之间的加拿大人，他们将接受长达25年的随访。
“这是来自加拿大的一流数据，他也是美国大学跨学院计算精神病学小组的联合主任，”曹说。 我们的目标是为艾伯塔人和加拿大人的健康做出贡献。 我们希望为我们每个人绘制一个健康的老龄化轨迹。 ”
在发表在《老年病学》杂志上的第一篇文章**中，该团队通过将机器学习模型应用于里昂证券的血液检测数据，开发了一个生物年龄指数。
就像 20 世纪 70 年代 30 岁的加拿大人和 60 岁的瑞典人的健康水平比较一样，您的身体在生理上可能比实际年龄更老或更年轻。 研究人员将这种差异称为“生物年龄差距”。
他们调查了生物年龄差距与生活方式、环境因素和健康状况之间的关系。 他们报告说，积极的生物学年龄差距（“大于实际年龄”）与慢性病、经常食用加工肉类和红肉、吸烟和被动吸烟密切相关。
一些可改变的因素，如水果、豆类和蔬菜的消费，与负的生物学年龄差距（“年轻”于实际年龄）有关。
“了解这些关联并确定差异衰老的风险因素可以指导有效的公共卫生建议，以促进健康长寿，”该团队在**中报道。 ”
曹希望有朝一日，这种方法也会影响个人获得的医疗保健服务。 他说，这项研究的下一步将试图了解哪些因素或因素组合在影响生物衰老过程中最重要。
在发表在《情感障碍杂志》（Journal of Affective Disorders）上的第二项研究中，该团队开发了一种程序，可以确定哪些人会在三年内经历抑郁症。
机器学习模型是通过使用最终被诊断出患有抑郁症的个人的记录进行逆向工作的。 先前被诊断患有抑郁症或在自我报告的抑郁症状量表上得分较高的参与者被排除在外。
研究人员在报告中说：“我们发现现有的抑郁、情绪不稳定、生活满意度低、感知健康和社会支持以及营养风险等亚阈值症状是抑郁发作的最重要因素。 ”
曹说，该模型的准确率约为70%，其中研究参与者将在三年内在个人水平上发展为广泛性抑郁症，并且当阈下抑郁症状消失时，该模型仍然准确。
“有趣的是，即使只使用人格测量，感知健康或心理健康，营养和其他与抑郁症状和压力无关的因素，抑郁症仍然可以**，”曹说。
“心理健康机器学习模型和生物年龄模型在现阶段都不完美，无法在现实世界中实施，但这是他的目标，因此计划进行更多的研究和测试，”曹说。 我们正试图建立一个包括不同群体（临床医生、患者和有生活经验的人）的对话，以证明这种模式可以使公众受益。 ”