阿爾伯塔大學（University of Alberta）的乙個跨學科研究小組正在開發機器學習程式，利用與健康、生活方式、社會經濟和其他資料相關的資料來改善加拿大老年人未來的身心健康。
首席研究員、精神病學副教授、電腦科學副教授、加拿大計算精神病學研究主席曹說，這種方法有朝一日可以用來幫助醫療團隊提供個性化護理並促進健康老齡化。
“機器學習是一種強大而有用的計算方法，可以利用大量的去識別化資料，”他說。 如果我們想推動未來患者**的某些健康結果的個性化，我們需要利用機器學習。 ”
Cao的團隊使用機器學習來識別模式並對其進行分析，以使加拿大老齡化縱向研究（CLSA）最近發表的兩項研究使患者受益，該研究涉及30,000多名年齡在45至85歲之間的加拿大人，他們將接受長達25年的隨訪。
“這是來自加拿大的一流資料，他也是美國大學跨學院計算精神病學小組的聯合主任，”曹說。 我們的目標是為艾伯塔人和加拿大人的健康做出貢獻。 我們希望為我們每個人繪製乙個健康的老齡化軌跡。 ”
在發表在《老年病學》雜誌上的第一篇文章**中，該團隊通過將機器學習模型應用於里昂證券的血液檢測資料，開發了乙個生物年齡指數。
就像 20 世紀 70 年代 30 歲的加拿大人和 60 歲的瑞典人的健康水平比較一樣，您的身體在生理上可能比實際年齡更老或更年輕。 研究人員將這種差異稱為“生物年齡差距”。
他們調查了生物年齡差距與生活方式、環境因素和健康狀況之間的關係。 他們報告說，積極的生物學年齡差距（“大於實際年齡”）與慢性病、經常食用加工肉類和紅肉、吸菸和被動吸菸密切相關。
一些可改變的因素，如水果、豆類和蔬菜的消費，與負的生物學年齡差距（“年輕”於實際年齡）有關。
“了解這些關聯並確定差異衰老的風險因素可以指導有效的公共衛生建議，以促進健康長壽，”該團隊在**中報道。 ”
曹希望有朝一日，這種方法也會影響個人獲得的醫療保健服務。 他說，這項研究的下一步將試圖了解哪些因素或因素組合在影響生物衰老過程中最重要。
在發表在《情感障礙雜誌》（Journal of Affective Disorders）上的第二項研究中，該團隊開發了一種程式，可以確定哪些人會在三年內經歷抑鬱症。
機器學習模型是通過使用最終被診斷出患有抑鬱症的個人的記錄進行逆向工作的。 先前被診斷患有抑鬱症或在自我報告的抑鬱症狀量表上得分較高的參與者被排除在外。
研究人員在報告中說：“我們發現現有的抑鬱、情緒不穩定、生活滿意度低、感知健康和社會支援以及營養風險等亞閾值症狀是抑鬱發作的最重要因素。 ”
曹說，該模型的準確率約為70%，其中研究參與者將在三年內在個人水平上發展為廣泛性抑鬱症，並且當閾下抑鬱症狀消失時，該模型仍然準確。
“有趣的是，即使只使用人格測量，感知健康或心理健康，營養和其他與抑鬱症狀和壓力無關的因素，抑鬱症仍然可以**，”曹說。
“心理健康機器學習模型和生物年齡模型在現階段都不完美，無法在現實世界中實施，但這是他的目標，因此計畫進行更多的研究和測試，”曹說。 我們正試圖建立乙個包括不同群體（臨床醫生、患者和有生活經驗的人）的對話，以證明這種模式可以使公眾受益。 ”