Nut van MemTrax en masjienleermodellering in klassifikasie van ligte kognitiewe gestremdheid
Navorsingsartikel
Skrywers: Bergeron, Michael F. | Landset, Sara | Zhou, Xianbo | Ding, Tao | Khoshgoftaar, Taghi M. | Zhao, Feng | Du, Bo | Chen, Xinjie | Wang, Xuan | Zhong, Lianmei | Liu, Xiaolei| Ashford, J. Wesson
DOI: 10.3233/JAD-191340
Tydskrif: Tydskrif van Alzheimer siekte, vol. 77, nr. 4, pp. 1545-1558, 2020
Abstract
Agtergrond:
Die wydverspreide voorkoms en voorkoms van Alzheimer se siekte en ligte kognitiewe inkorting (MCI) het 'n dringende oproep tot navorsing gevra om vroeë opsporing kognitiewe sifting en assessering te bekragtig.
Doelwit: Om '
Ons primêre navorsingsdoel was om te bepaal of geselekteerde MemTrax-prestasiemaatstawwe en relevante demografiese en gesondheidsprofieleienskappe effektief gebruik kan word in voorspellende modelle wat ontwikkel is met masjienleer om kognitiewe gesondheid (normaal versus MCI) te klassifiseer, soos aangedui deur die Kognitiewe assessering in Montreal (MoCA).
Metodes te gebruik:
Ons het 'n deursnee-studie gedoen oor 259 volwasse pasiënte in neurologie, geheuekliniek en interne medisyne wat uit twee gewerf is. hospitale in China. Elke pasiënt het die Sjinees-talige MoCA gekry en het self die deurlopende erkenning MemTrax aanlyn episode toegedien geheue toets aanlyn op dieselfde dag. Voorspellende klassifikasiemodelle is gebou deur masjienleer met 10-voudige kruisvalidering te gebruik, en modelprestasie is gemeet deur gebruik te maak van Area Under the Receiver Operating Characteristic Curve (AUC). Modelle is gebou met behulp van twee MemTrax-prestasiemaatstawwe (persentasie korrek, reaksietyd), tesame met die agt algemene demografiese en persoonlike geskiedeniskenmerke.
Results:
Deur die leerders oor geselekteerde kombinasies van MoCA-tellings en -drempels te vergelyk, was Naïve Bayes oor die algemeen die toppresterende leerder met 'n algehele klassifikasieprestasie van 0.9093. Verder, onder die top drie leerders, was MemTrax-gebaseerde klassifikasieprestasie oor die algemeen beter deur slegs die vier top-gekeurde kenmerke (0.9119) te gebruik in vergelyking met die gebruik van al 10 algemene kenmerke (0.8999).
Gevolgtrekking:
MemTrax prestasie kan effektief gebruik word in 'n masjienleer klassifikasie voorspellende model siftingstoepassing vir die opsporing van vroeë stadium kognitiewe inkorting.
INLEIDING
Die erkende (hoewel ondergediagnoseerde) wydverspreide voorkoms en voorkoms en parallel toenemende mediese, sosiale en publieke gesondheid koste en las van Alzheimer se siekte (AD) en ligte kognitiewe inkorting (MCI) is toenemend stresvol vir alle belanghebbendes [1, 2]. Hierdie ontstellende en ontstellende scenario het gelei tot 'n dringende oproep vir navorsing om te bekragtig vroeë opsporing kognitiewe siftings- en assesseringsinstrumente vir gereelde praktiese nut in persoonlike en kliniese omgewings vir ouer pasiënte oor uiteenlopende streke en bevolkings [3]. Hierdie instrumente moet ook voorsiening maak vir naatlose vertaling van insiggewende resultate in elektroniese gesondheidsrekords. Die voordele sal gerealiseer word deur pasiënte in te lig en dokters by te staan om beduidende veranderinge vroeër te herken en sodoende meer vinnige en tydige stratifikasie, implementering en dop van toepaslike geïndividualiseerde en meer koste-effektiewe behandeling en pasiëntsorg moontlik te maak vir diegene wat begin ervaar. kognitiewe afname [3, 4].
Die gerekenariseerde MemTrax-instrument (https://memtrax.com) is 'n eenvoudige en kort deurlopende herkenningsassessering wat self aanlyn toegedien kan word om uitdagende tydige episodiese geheueprestasie te meet waar die gebruiker op herhaalde beelde reageer en nie op 'n aanvanklike aanbieding nie [5, 6]. Onlangse navorsing en gevolglike praktiese implikasies begin progressief en gesamentlik die kliniese doeltreffendheid van MemTrax in vroeë AD- en MCI-sifting demonstreer [5-7]. Direkte vergelyking van kliniese nut met bestaande kognitiewe gesondheid assessering en konvensionele standaarde is geregverdig om professionele perspektief in te lig en MemTrax-nut in vroeë opsporing en diagnostiese ondersteuning te bevestig. van der Hoek et al. [8] het geselekteerde MemTrax-prestasiemaatstawwe (reaksiespoed en persentasie korrek) vergelyk met kognitiewe status soos bepaal deur die Montreal Kognitiewe Assessering (MoCA). Hierdie studie was egter beperk tot die assosiasie van hierdie prestasiemaatstawwe met karakterisering van kognitiewe status (soos bepaal deur MoCA) en die definisie van die relatiewe reekse en afsnywaardes. Gevolglik, om op hierdie ondersoek uit te brei en klassifikasieprestasie en doeltreffendheid te verbeter, was ons primêre navorsingsvraag:
- Kan 'n individu se geselekteerde MemTrax prestasie statistieke en relevante demografie en gesondheid Profiel eienskappe effektief benut word in 'n voorspellende model wat ontwikkel is met masjienleer om kognitiewe gesondheid digotoom te klassifiseer (normaal versus MCI), soos aangedui sal word deur 'n mens se MoCA-telling?
Sekondêr hiervan wou ons weet:
- Insluitend dieselfde kenmerke, kan 'n MemTrax-prestasiegebaseerde masjienleermodel effektief op 'n pasiënt toegepas word om erns (lig teenoor ernstig) binne geselekteerde kategorieë van kognitiewe inkorting te voorspel, soos bepaal sal word deur 'n onafhanklike kliniese diagnose?
Die koms en ontwikkelende praktiese toepassing van kunsmatige intelligensie en masjienleer in sifting/opsporing het reeds duidelike praktiese voordele getoon, met voorspellende modellering wat klinici effektief lei in die uitdagende assessering van kognitiewe/breingesondheid en pasiëntbestuur. In ons studie het ons 'n soortgelyke benadering in MCI klassifikasie modellering en kognitiewe inkorting erns diskriminasie gekies soos bevestig deur kliniese diagnose uit drie datastelle wat geselekteerde vrywillige binnepasiënte en buitepasiënte van twee hospitale in China verteenwoordig. Deur masjienleer voorspellende modellering te gebruik, het ons die toppresterende leerders uit die verskillende datastel/leerderkombinasies geïdentifiseer en die kenmerke gerangskik om ons te lei in die definisie van die mees klinies praktiese modeltoepassings.
Ons hipoteses was dat 'n bekragtigde MemTrax-gebaseerde model gebruik kan word om kognitiewe gesondheid digotoom te klassifiseer (normaal of MCI) gebaseer op die MoCA totale telling drempelkriterium, en dat 'n soortgelyke MemTrax voorspellende model effektief aangewend kan word om erns te onderskei in geselekteerde kategorieë van klinies gediagnoseer kognitiewe inkorting. Demonstreer van die verwagte uitkomste sal instrumenteel wees in die ondersteuning van die doeltreffendheid van MemTrax as 'n vroeë opsporingskerm vir kognitiewe agteruitgang en kognitiewe inkortingsklassifikasie. Gunstige vergelyking met 'n industrie beweerde standaard aangevul deur veel groter gemak en vinnigheid van nut sou invloedryk wees om klinici te help om hierdie eenvoudige, betroubare en toeganklike hulpmiddel aan te neem as 'n aanvanklike skerm in die opsporing van vroeë (insluitend prodromale) stadium kognitiewe tekorte. So 'n benadering en nut kan dus meer tydige en beter gestratifiseerde pasiëntsorg en intervensie veroorsaak. Hierdie vooruitdenkende insigte en verbeterde maatstawwe en modelle kan ook nuttig wees om demensie-vordering te versag of te stop, insluitend AD en AD-verwante demensie (ADRD).
MATERIAAL EN METODES
Bestudeer bevolking
Tussen Januarie 2018 en Augustus 2019 is deursnee-navorsing voltooi oor pasiënte wat uit twee hospitale in China gewerf is. Die administrasie van MemTrax [5] aan individue van 21 jaar en ouer en die versameling en ontleding van daardie data is hersien en goedgekeur deur en geadministreer in ooreenstemming met die etiese standaarde van die Mens Vakbeskermingskomitee van Stanford Universiteit. MemTrax en alle ander toetse vir hierdie algehele studie is uitgevoer volgens die Helsinki-verklaring van 1975 en goedgekeur deur die Institusionele Hersieningsraad van die Eerste Geaffilieerde Hospitaal van Kunming Mediese Universiteit in Kunming, Yunnan, China. Elke gebruiker is voorsien van 'n ingeligte toestemming vorm om te lees/resenseer en dan vrywillig in te stem om deel te neem.
Deelnemers is gewerf uit die poel buitepasiënte in die neurologiekliniek by die Yanhua-hospitaal (YH-subdatastel) en die geheue kliniek by die Eerste Geaffilieerde Hospitaal van Kunming Medies Universiteit (XL sub-datastel) in Beijing, China. Deelnemers is ook gewerf uit neurologie (XL sub-datastel) en interne medisyne (KM sub-datastel) binnepasiënte by die Eerste Geaffilieerde Hospitaal van Kunming Mediese Universiteit. Insluitingskriteria sluit in 1) mans en vroue van ten minste 21 jaar oud, 2) die vermoë om Chinees te praat (Mandaryns), en 3) die vermoë om verbale en geskrewe aanwysings te verstaan. Uitsluitingskriteria was visie en motoriese gestremdhede wat deelnemers verhinder het om die te voltooi MemTrax toets, asook die onvermoë om die spesifieke toetsinstruksies te verstaan.
Chinese weergawe van MemTrax
Die aanlyn MemTrax-toetsplatform is vertaal na Chinees (URL: https://www.memtrax.com.cn) en verder aangepas om deur WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) vir selfadministrasie gebruik te word. Data is gestoor op 'n wolkbediener (Ali Cloud) geleë in China en gelisensieer vanaf Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, China) deur SJN Biomed LTD (Kunming, Yunnan, China). Spesifieke besonderhede oor MemTrax en toetsgeldigheidskriteria wat hier gebruik word, is voorheen beskryf [6]. Die toets is gratis aan die pasiënte verskaf.
Bestudeer prosedures
Vir die binnepasiënte en buitepasiënte, 'n algemene vraelys vir die insameling van demografiese en persoonlike inligting soos ouderdom, geslag, jare van onderwys, beroep, alleen woon of met familie, en mediese geskiedenis is deur 'n lid van die studiespan toegedien. Na voltooiing van die vraelys, is die MoCA [12] en MemTrax toetse toegedien (MoCA eerste) met nie meer as 20 minute tussen toetse nie. MemTrax persentasie korrek (MTx-% C), gemiddelde reaksietyd (MTx-RT), en datum en tyd van die toetsing is op papier aangeteken deur 'n lid van die studiespan vir elke deelnemer wat getoets is. Die voltooide vraelys en die resultate van die MoCA is in 'n Excel-sigblad opgelaai deur die navorser wat die toetse afgeneem het en deur 'n kollega geverifieer voordat die Excel-lêers vir ontleding gestoor is.
MemTrax toets
Die MemTrax-aanlyntoets het 50 beelde (25 unieke en 25 herhalings; 5 stelle van 5 beelde van algemene tonele of voorwerpe) ingesluit wat in 'n spesifieke pseudo-ewekansige volgorde gewys is. Die deelnemer sal (volgens instruksies) die Begin-knoppie op die skerm raak om die toets te begin en die beeldreeks te begin bekyk en weer so vinnig as moontlik aan die beeld op die skerm raak wanneer 'n herhaalde prentjie verskyn. Elke prent het vir 3 s verskyn of totdat die prent op die skerm aangeraak is, wat die onmiddellike aanbieding van die volgende prent veroorsaak het. Deur die interne horlosie van die plaaslike toestel te gebruik, is MTx-RT vir elke prent bepaal deur die tyd wat verloop het vanaf aanbieding van die prent tot wanneer die skerm deur die deelnemer aangeraak is in reaksie op die aandui van herkenning van die prent as een wat reeds gewys is tydens die toets. MTx-RT is vir elke beeld opgeneem, met 'n volle 3 s aangeteken wat geen reaksie aandui nie. MTx-% C is bereken om die persentasie herhaal- en aanvanklike beelde aan te dui waarop die gebruiker korrek gereageer het (ware positief + ware negatief gedeel deur 50). Bykomende besonderhede van die MemTrax-administrasie en implementering, datavermindering, ongeldige of "geen reaksie" data, en primêre data-ontledings word elders beskryf [6].
Die MemTrax-toets is in detail verduidelik en 'n oefentoets (met unieke beelde anders as dié wat in die toets gebruik is vir die opneem van resultate) is aan die deelnemers in die hospitaalopset verskaf. Deelnemers aan die YH- en KM-subdatastelle het die MemTrax-toets afgelê op 'n slimfoon wat met die toepassing op WeChat gelaai is; terwyl 'n beperkte aantal van die XL-subdatastelpasiënte 'n iPad gebruik het en die res 'n slimfoon. Alle deelnemers het die MemTrax-toets geneem met 'n studie-ondersoeker wat onopvallend waargeneem het.
Montreal kognitiewe assessering
Die Beijing-weergawe van die Chinese MoCA (MoCA-BC) [13] is deur opgeleide navorsers volgens die amptelike toetsinstruksies toegedien en beoordeel. Daar is gepas getoon dat die MoCA-BC 'n betroubare is toets vir kognitiewe sifting oor alle onderwysvlakke in Chinese bejaarde volwassenes [14]. Elke toets het ongeveer 10 tot 30 minute geneem om te administreer gebaseer op die onderskeie deelnemer se kognitiewe vermoëns.
MoCA klassifikasie modellering
Daar was 'n totaal van 29 bruikbare kenmerke, insluitend twee MemTrax toets prestasie statistieke en 27 kenmerke wat verband hou met demografiese en gesondheid inligting vir elke deelnemer. Elke pasiënt se MoCA totale toetstelling is gebruik as die kognitiewe sifting "benchmark" om ons voorspellende modelle op te lei. Gevolglik, omdat MoCA gebruik is om die klasetiket te skep, kon ons nie die totale telling (of enige van die MoCA subset tellings) as 'n onafhanklike kenmerk gebruik nie. Ons het voorlopige eksperimente uitgevoer waarin ons die oorspronklike drie hospitaal/kliniek(e) subdatastelle individueel gemodelleer het (klassifiseer kognitiewe gesondheid gedefinieer deur MoCA) en dan gekombineer deur alle kenmerke te gebruik. Al dieselfde data-elemente is egter nie ingesamel in elk van die vier klinieke wat die drie sub-datastelle verteenwoordig nie; dus het baie van ons kenmerke in die gekombineerde datastel (wanneer alle kenmerke gebruik word) 'n hoë voorkoms van ontbrekende waardes gehad. Ons het toe modelle gebou met die gekombineerde datastel deur slegs algemene kenmerke te gebruik wat tot verbeterde klassifikasieprestasie gelei het. Dit is waarskynlik verklaar deur 'n kombinasie van meer gevalle om mee te werk deur die drie pasiëntsubdatastelle te kombineer en geen kenmerke met 'n onnodige voorkoms van ontbrekende waardes nie (slegs een kenmerk in die gekombineerde datastel, werktipe, het enige ontbrekende waardes gehad, wat slegs drie pasiëntgevalle), omdat slegs algemene kenmerke wat by al drie terreine aangeteken is, ingesluit is. Opmerklik, ons het nie 'n spesifieke verwerpingskriterium vir elke kenmerk gehad wat uiteindelik nie in die gekombineerde datastel ingesluit is nie. In ons voorlopige gekombineerde datastelmodellering het ons egter eers alle kenmerke van elk van die drie afsonderlike pasiëntsubdatastelle gebruik. Dit het wyd gelei tot modelprestasie wat meetbaar laer was as die aanvanklike voorlopige modellering op elke individuele sub-datastel. Boonop, terwyl die klassifikasieprestasie van die modelle wat met al die kenmerke gebou is, bemoedigend was, het prestasie oor alle leerders en klassifikasieskemas heen verbeter vir twee keer soveel modelle wanneer slegs algemene kenmerke gebruik is. Trouens, onder wat uiteindelik ons top-leerders was, het almal behalwe een model verbeter deur nie-algemene kenmerke uit te skakel.
Die finale totale datastel (YH, XL en KM gekombineer) het 259 gevalle ingesluit, wat elk 'n unieke deelnemer verteenwoordig wat beide die MemTrax- en die MoCA-toetse afgelê het. Daar was 10 gedeelde onafhanklike kenmerke: MemTrax prestasie maatstawwe: MTx-% C en gemiddelde MTx-RT; demografiese en mediese geskiedenis inligting: ouderdom, geslag, jare van opleiding, werkstipe (blouboordjie/witboordjie), sosiale ondersteuning (of die toetsling alleen of saam met familie woon), en ja/nee-antwoorde of die gebruiker 'n geskiedenis van diabetes, hiperlipidemie of traumatiese breinbesering. Twee bykomende maatstawwe, MoCA-totaaltelling en MoCA-totaaltelling aangepas vir jare van onderwys [12], is afsonderlik gebruik om afhanklike klassifikasie-etikette te ontwikkel, en sodoende twee afsonderlike modelleringskemas geskep om op ons gekombineerde datastel toegepas te word. Vir elke weergawe (aangepas en onaangepas) van die MoCA-telling, is die data weer afsonderlik gemodelleer vir binêre klassifikasie deur gebruik te maak van twee verskillende kriteriumdrempels - die aanvanklik aanbevole een [12] en 'n alternatiewe waarde wat deur ander gebruik en bevorder is [8, 15]. In die alternatiewe drumpelklassifikasieskema is 'n pasiënt as normale kognitiewe gesondheid beskou as hy/sy ≥23 op die MoCA-toets behaal het en MCI het as die telling 22 of laer was; terwyl die pasiënt in die aanvanklike aanbevole klassifikasieformaat 'n 26 of beter op die MoCA moes behaal om as normale kognitiewe gesondheid gemerk te word.
Gefiltreerde data vir MoCA-klassifikasiemodellering
Ons het MoCA-klassifikasie verder ondersoek deur gebruik te maak van vier algemeen gebruikte kenmerkrangordetegnieke: Chi-kwadraat, Winsverhouding, Inligtingswins en Simmetriese Onsekerheid. Vir tussentydse perspektief het ons die rangorders op die hele gekombineerde datastel toegepas deur elk van ons vier modelleringskemas te gebruik. Alle rangorders het oor dieselfde topkenmerke saamgestem, dit wil sê ouderdom, aantal jare van opleiding, en beide MemTrax-prestasiemaatstawwe (MTx-% C, gemiddelde MTx-RT). Ons het toe die modelle herbou deur elke kenmerkkeuse-tegniek te gebruik om die modelle op slegs die top vier kenmerke op te lei (sien Funksie seleksie hieronder).
Die gevolglike laaste agt variasies van die MoCA-tellingklassifikasiemodelleringskemas word in Tabel 1 aangebied.
Tabel 1
Opsomming van modelleringskema-variasies wat gebruik word vir MoCA-klassifikasie (Normaal Kognitiewe Gesondheid teenoor MCI)
| Modelleringskema | Normale kognitiewe gesondheid (negatiewe klas) | MCI (positiewe klas) |
| Aangepas-23 Ongefiltreer/gefiltreer | 101 (39.0%) | 158 (61.0%) |
| Aangepas-26 Ongefiltreer/gefiltreer | 49 (18.9%) | 210 (81.1%) |
| Onaangepas-23 Ongefiltreerd/gefiltreer | 92 (35.5%) | 167 (64.5%) |
| Onaangepas-26 Ongefiltreerd/gefiltreer | 42 (16.2%) | 217 (83.8%) |
Die onderskeie aantal en persentasie van die totale pasiënte in elke klas word onderskei deur die aanpassing van telling vir onderwys (Aangepas of Onaangepas) en klassifikasiedrempel (23 of 26), soos toegepas op beide kenmerkstelle (Ongefilter en Gefiltreer).
MemTrax-gebaseerde kliniese evalueringsmodellering
Van ons drie oorspronklike sub-datastelle (YH, XL, KM), is slegs die XL-sub-datastel pasiënte onafhanklik klinies gediagnoseer vir kognitiewe inkorting (dws hul onderskeie MoCA-tellings is nie gebruik om 'n klassifikasie van normaal versus gestremd te bepaal nie). Spesifiek, die XL-pasiënte is met óf gediagnoseer Alzheimer se siekte toets (AD) of vaskulêre demensie (VaD). Binne elk van hierdie primêre diagnosekategorieë was daar 'n verdere aanwysing vir MCI. Diagnoses van MCI, demensie, vaskulêre neurokognitiewe versteuring en neurokognitiewe versteuring as gevolg van AD is gebaseer op spesifieke en kenmerkende diagnostiese kriteria uiteengesit in die Diagnostiese en Statistiese Handleiding van Geestesversteurings: DSM-5 [16]. Met inagneming van hierdie verfynde diagnoses, is twee klassifikasiemodelleringskemas afsonderlik op die XL-subdatastel toegepas om vlak van erns (graad van inkorting) vir elke primêre diagnosekategorie te onderskei. Data wat in elk van hierdie diagnostiese modelleringskemas (AD en VaD) gebruik is, het demografiese en pasiëntgeskiedenisinligting ingesluit, sowel as MemTrax-prestasie (MTx-% C, gemiddelde MTx-RT). Elke diagnose is gemerk as lig indien aangewys as MCI; andersins is dit as ernstig beskou. Ons het aanvanklik oorweeg om die MoCA-telling in die diagnosemodelle in te sluit (lig teenoor ernstig); maar ons het vasgestel dat dit die doel van ons sekondêre voorspellende modelleringskema sou verslaan. Hier sal die leerders opgelei word deur ander pasiënteienskappe wat geredelik beskikbaar is vir die verskaffer en prestasiemaatstawwe van die eenvoudiger MemTrax-toets (in plaas van die MoCA) te gebruik teen die verwysing "goue standaard", die onafhanklike kliniese diagnose. Daar was 69 gevalle in die AD-diagnosedatastel en 76 gevalle van VaD (Tabel 2). In beide datastelle was daar 12 onafhanklike kenmerke. Benewens die 10 kenmerke wat in die MoCA-tellingklassifikasie ingesluit is, het pasiëntgeskiedenis ook inligting oor die geskiedenis van hipertensie en beroerte ingesluit.
Tabel 2
Opsomming van modelleringskema-variasies wat vir diagnose-ernsklassifikasie gebruik word (Lig versus Ernstig)
| Modelleringskema | Ligte (negatiewe klas) | Ernstig (positiewe klas) |
| MCI-AD teenoor AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD teenoor VaD | 38 (50.0%) | 38 (50.0%) |
Die onderskeie aantal en persentasie van die totale pasiënte in elke klas word volgens primêre diagnosekategorie (AD of VaD) onderskei.
Statistiek
Vergelyking van deelnemerskenmerke en ander numeriese kenmerke tussen sub-datastelle vir elke modelklassifikasiestrategie (om MoCA kognitiewe gesondheid en diagnose-erns te voorspel) is uitgevoer met behulp van Python-programmeertaal (weergawe 2.7.1) [17]. Die model prestasie verskille is aanvanklik bepaal deur gebruik te maak van 'n enkel- of twee-faktor (soos toepaslik) ANOVA met 'n 95% vertrouensinterval en die Tukey honest significant difference (HSD) toets om die prestasiegemiddeldes te vergelyk. Hierdie ondersoek van verskille tussen modelprestasies is uitgevoer met behulp van 'n kombinasie van Python en R (weergawe 3.5.1) [18]. Ons het hierdie (hoewel, waarskynlik minder as optimale) benadering slegs as 'n heuristiese hulpmiddel hiervoor gebruik vroeë stadium vir aanvanklike modelprestasievergelykings in die antisipering van potensiële kliniese toepassing. Ons het toe die Bayesiaanse geteken-rang-toets gebruik deur 'n posterior verspreiding te gebruik om die waarskynlikheid van modelprestasieverskille te bepaal [19]. Vir hierdie ontledings het ons die interval –0.01, 0.01 gebruik, wat aandui dat as twee groepe 'n prestasieverskil van minder as 0.01 gehad het, hulle as dieselfde beskou is (binne die gebied van praktiese ekwivalensie), of andersins was hulle anders (een beter as die ander). Om die Bayesiaanse vergelyking van klassifiseerders uit te voer en hierdie waarskynlikhede te bereken, het ons die baycomp-biblioteek (weergawe 1.0.2) vir Python 3.6.4 gebruik.
Voorspellende modellering
Ons het voorspellende modelle gebou deur die tien totale variasies van ons modelleringskemas te gebruik om die uitkoms van elke pasiënt se MoCA-toets of die erns van die kliniese diagnose te voorspel (klassifiseer). Alle leerders is toegepas en die modelle is gebou met behulp van die oopbronsagtewareplatform Weka [20]. Vir ons voorlopige ontleding het ons 10 algemeen gebruikte leeralgoritmes gebruik: 5-Naaste bure, twee weergawes van C4.5-beslissingsboom, Logistiese regressie, Multilayer Perceptron, Naïve Bayes, twee weergawes van Random Forest, Radial Basis Function Network, en Support Vector Masjien. Sleutel eienskappe en kontraste van hierdie algoritmes is elders beskryf [21] (sien onderskeie Bylaag). Hierdie is gekies omdat hulle 'n verskeidenheid verskillende tipes leerders verteenwoordig en omdat ons sukses getoon het deur hulle in vorige ontledings op soortgelyke data te gebruik. Hiperparameterinstellings is gekies uit ons vorige navorsing wat aandui dat hulle robuust is op 'n verskeidenheid verskillende data [22]. Gebaseer op die resultate van ons voorlopige analise met dieselfde gekombineerde datastel met algemene kenmerke wat daarna in die volledige analise gebruik is, het ons drie leerders geïdentifiseer wat konsekwent sterk prestasie oor alle klassifikasies heen gelewer het: Logistiese regressie, Naïewe Bayes en Ondersteuningsvektormasjien.
Kruisvalidering en modelprestasiemaatstaf
Vir alle voorspellende modellering (insluitend die voorlopige ontledings), is elke model gebou deur 10-voudige kruisvalidering te gebruik, en modelprestasie is gemeet deur gebruik te maak van Area Under the Receiver Operating Characteristic Curve (AUC). Kruisvalidering het begin met die ewekansige verdeling van elk van die 10 modelleringskemadatastelle in 10 gelyke segmente (voue), met behulp van nege van hierdie onderskeie segmente om die model op te lei en die oorblywende segment vir toetsing. Hierdie prosedure is 10 keer herhaal, met behulp van 'n ander segment as die toetsstel in elke iterasie. Die resultate is dan gekombineer om die finale model se resultaat/prestasie te bereken. Vir elke leerder/datastel kombinasie is hierdie hele proses 10 keer herhaal met die data wat elke keer anders verdeel is. Hierdie laaste stap het vooroordeel verminder, herhaalbaarheid verseker en gehelp om die algehele modelprestasie te bepaal. In totaal (vir MoCA-telling en diagnose-ernsklassifikasieskemas gekombineer), is 6,600 1,800 modelle gebou. Dit het 6 3 ongefiltreerde modelle ingesluit (10 modelleringskemas toegepas op die datastel×10 leerders×1,800 lopies×4,800 voue = 4 modelle) en 3 gefiltreerde modelle (4 modelleringskemas toegepas op die datastel×10 leerders×10 kenmerk seleksietegnieke×4,800 lopies× XNUMX voue = XNUMX XNUMX modelle).
Funksie seleksie
Vir die gefiltreerde modelle is kenmerkseleksie (met behulp van die vier kenmerkrangordemetodes) binne die kruisvalidering uitgevoer. Vir elk van die 10 voue, aangesien 'n ander 10% van die datastel die toetsdata was, is slegs die top vier geselekteerde kenmerke vir elke opleidingdatastel (dws die ander nege voue, of die oorblywende 90% van die hele datastel) gebruik om die modelle te bou. Ons kon nie bevestig watter vier kenmerke in elke model gebruik is nie, aangesien daardie inligting nie gestoor of beskikbaar gestel word binne die modelleringsplatform wat ons gebruik het nie (Weka). Gegewe die konsekwentheid in ons aanvanklike keuse van topkenmerke toe die rangorders op die hele gekombineerde datastel toegepas is en die daaropvolgende ooreenkoms in modelleringsprestasies, hierdie selfde kenmerke (ouderdom, jare van opvoeding, MTx-% C en gemiddelde MTx-RT) ) is waarskynlik die mees algemene top vier wat gebruik word saam met die kenmerkkeuse binne die kruisvalideringsproses.
RESULTATE
Deelnemer numeriese kenmerke (insluitend MoCA-tellings en MemTrax-prestasiemaatstawwe) van die onderskeie datastelle vir elke modelklassifikasiestrategie om MoCA-aangeduide kognitiewe gesondheid (normaal teenoor MCI) en diagnose-erns (lig teenoor ernstig) te voorspel, word in Tabel 3 getoon.
Tabel 3
Deelnemereienskappe, MoCA-tellings en MemTrax-prestasie vir elke modelklassifikasiestrategie
| Klassifikasiestrategie | ouderdom | Onderwys | MoCA aangepas | MoCA Onaangepas | MTx-% C | MTx-RT |
| MoCA-kategorie | 61.9 j (13.1) | 9.6 j (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 s (0.3) |
| Diagnose Erns | 65.6 j (12.1) | 8.6 j (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 s (0.3) |
Waardes wat getoon word (gemiddeld, SD) gedifferensieer deur modellering klassifikasie strategieë is verteenwoordigend van die gekombineerde datastel wat gebruik word om MoCA-aangedui kognitiewe gesondheid (MCI versus normaal) en die XL sub-datastel wat slegs gebruik word om diagnose erns (lig versus ernstig) te voorspel.
Vir elke kombinasie van MoCA-telling (aangepas/onaangepas) en drempel (26/23), was daar 'n statistiese verskil (p = 0.000) in elke paarsgewyse vergelyking (normale kognitiewe gesondheid teenoor MCI) vir ouderdom, opvoeding en MemTrax-prestasie (MTx-% C en MTx-RT). Elke pasiënt-subdatastel in die onderskeie MCI-klas vir elke kombinasie was gemiddeld sowat 9 tot 15 jaar ouer, het sowat vyf minder jare se opleiding gerapporteer en het minder gunstige MemTrax-prestasie vir beide metrieke gehad.
Voorspellende modellering prestasie resultate vir die MoCA telling klassifikasies met behulp van die top drie leerders, Logistic Regression, Naïve Bayes, en Support Vector Machine, word in Tabel 4 getoon. Hierdie drie is gekies op grond van die mees konsekwent hoë absolute leerder prestasie oor al die verskillende modelle. toegepas op die datastelle vir al die modelleringskemas. Vir die ongefiltreerde datastel en modellering dui elk van die datawaardes in Tabel 4 die modelprestasie aan gebaseer op die AUC onderskeie gemiddelde afgelei van die 100 modelle (10 lopies×10 voue) gebou vir elke leerder/modelleringskema kombinasie, met die onderskeie hoogste presterende leerder in vetdruk aangedui. Terwyl die resultate wat in Tabel 4 gerapporteer is, vir die gefiltreerde datastelmodellering die algehele gemiddelde modelprestasies van 400 modelle vir elke leerder weerspieël wat elk van die kenmerkrangordemetodes gebruik (4 kenmerkrangordemetodes×10 lopies×10 voue).
Tabel 4
Dichotomous MoCA telling klassifikasie prestasie (AUC; 0.0–1.0) resultate vir elk van die drie toppresterende leerders vir alle onderskeie modelleringskemas
| Kenmerkstel gebruik | MoCA-telling | Afsnydrempel | Logistieke regressie | Naïewe Bayes | Ondersteun vektormasjien |
| Ongefiltreer (10 kenmerke) | Aangepas | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Onaangepas | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Gefiltreer (4 kenmerke) | Aangepas | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Onaangepas | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Deur gebruik te maak van variasies van kenmerkstel, MoCA-telling en MoCA-telling-afsnydrempel, word die hoogste prestasie vir elke modelleringskema in vet (nie noodwendig statisties anders as alle ander nie in vet vir die onderskeie model).
Deur die leerders oor alle kombinasies van MoCA-tellingweergawes en -drempels (onderskeidelik aangepas/onaangepas en 23/26) in die gekombineerde ongefiltreerde datastel te vergelyk (dws met behulp van die 10 algemene kenmerke), was Naïve Bayes oor die algemeen die toppresterende leerder met 'n algehele klassifikasie prestasie van 0.9093. As die top drie leerders in ag geneem word, het die Bayes-gekorreleerde getekenrangtoetse aangedui dat die waarskynlikheid (Pr) van Naïewe Bayes wat beter as logistiese regressie presteer het, was 99.9%. Verder, tussen Naïve Bayes en Support Vector Machine, 'n 21.0% waarskynlikheid van praktiese ekwivalensie in leerderprestasie (dus 'n 79.0% waarskynlikheid dat Naïve Bayes beter as Support Vector Machine presteer), tesame met die 0.0% waarskynlikheid dat Support Vector Machine beter presteer, meetbaar versterk die prestasievoordeel vir Naïewe Bayes. Verdere vergelyking van MoCA-tellingweergawe oor alle leerders/drempels het 'n geringe prestasievoordeel voorgestel deur gebruik te maak van onaangepaste MoCA-tellings teenoor aangepaste (0.9027 teenoor 0.8971, onderskeidelik; Pr (onaangepas > aangepas) = 0.988). Net so het 'n vergelyking van afsnydrempel oor alle leerders en MoCA-tellingweergawes 'n klein klassifikasieprestasievoordeel aangedui deur 26 as die klassifikasiedrempel te gebruik teenoor 23 (0.9056 teenoor 0.8942, onderskeidelik; Pr (26 > 23) = 0.999). Laastens, met die ondersoek van die klassifikasieprestasie vir die modelle wat slegs die gefiltreerde resultate gebruik (dws slegs vier kenmerke in die topposisie), was Naïve Bayes (0.9143) numeries die toppresterende leerder oor alle MoCA-tellingweergawes/drempels. Oor alle kenmerkrangordetegnieke gekombineer het al die toppresterende leerders egter soortgelyk presteer. Bayesiese geteken-rang toetse het 100% waarskynlikheid van praktiese ekwivalensie tussen elke paar gefiltreerde leerders getoon. Soos met die ongefilterde data (met al 10 algemene kenmerke), was daar weer 'n prestasievoordeel vir die onaangepaste weergawe van die MoCA-telling (Pr (onaangepas > aangepas) = 1.000), sowel as 'n soortgelyke duidelike voordeel vir die klassifikasiedrempel van 26 (Pr (26 > 23) = 1.000 0.9119). Opmerklik is dat die gemiddelde prestasie van elk van die top drie leerders oor alle MoCA-telling weergawes/drempels met slegs die vier top-gekeurde kenmerke die gemiddelde prestasie van enige leerder op die ongefiltreerde data oorskry. Dit is nie verbasend nie, klassifikasieprestasie van die gefiltreerde modelle (met behulp van die vier kenmerke wat die beste geplaas is) was oor die algemeen beter (0.8999) bo die ongefiltreerde modelle (10), ongeag die kenmerkrangordemetodemodelle wat vergelyk is met daardie onderskeie modelle wat al 100 algemene gebruike gebruik kenmerke. Vir elke kenmerkkeusemetode was daar XNUMX% waarskynlikheid van 'n prestasievoordeel bo die ongefiltreerde modelle.
Met die pasiënte wat oorweeg word vir AD-diagnose-ernsklassifikasie, tussen-groep (MCI-AD versus AD) verskille vir ouderdom (p = 0.004), onderwys (p = 0.028), MoCA-telling aangepas/onaangepas (p = 0.000), en MTx-% C (p = 0.008) was statisties beduidend; terwyl dit vir MTx-RT nie (p = 0.097). Met daardie pasiënte wat oorweeg word vir VaD-diagnose-ernsklassifikasie, tussen-groep (MCI-VaD versus VaD) verskille vir MoCA-telling aangepas/onaangepas (p = 0.007) en MTx-% C (p = 0.026) en MTx-RT (p = 0.001) was statisties beduidend; terwyl vir ouderdom (p = 0.511) en onderwys (p = 0.157) was daar geen beduidende verskille tussen groepe nie.
Voorspellende modellering prestasie resultate vir die diagnose erns klassifikasies deur gebruik te maak van die drie voorheen geselekteerde leerders, Logistic Regression, Naïve Bayes en Support Vector Machine, word in Tabel 5 getoon. Terwyl addisionele ondersoekde leerders individueel effens sterker prestasies getoon het met een van die twee kliniese diagnose kategorieë , het die drie leerders wat ons as die gunstigste in ons vorige modellering geïdentifiseer het, die mees konsekwente prestasie met beide nuwe modelleringskemas gelewer. Deur die leerders oor elk van die primêre diagnosekategorieë (AD en VaD) te vergelyk, was daar geen konsekwente klassifikasieprestasieverskil tussen leerders vir MCI-VaD versus VaD nie, alhoewel Support Vector Machine oor die algemeen meer prominent gevaar het. Net so was daar geen beduidende verskille tussen leerders vir die MCI-AD versus AD klassifikasie nie, alhoewel Naïve Bayes (NB) 'n geringe prestasievoordeel bo Logistiese Regressie (LR) gehad het en net 'n weglaatbare pluraliteit bo Support Vector Machine, met waarskynlikhede van 61.4% en 41.7% onderskeidelik. Oor beide datastelle was daar 'n algehele prestasievoordeel vir Support Vector Machine (SVM), met Pr (SVM > LR) = 0.819 en Pr (SVM > NB) = 0.934. Ons algehele klassifikasieprestasie oor alle leerders in die voorspelling van erns van diagnose in die XL-subdatastel was beter in die VaD-diagnosekategorie teenoor AD (Pr (VAD > AD) = 0.998).
Tabel 5
Dichotomous kliniese diagnose-ernsklassifikasieprestasie (AUC; 0.0–1.0) resultate vir elk van die drie toppresterende leerders vir beide onderskeie modelleringskemas
| Modelleringskema | Logistieke regressie | Naïewe Bayes | Ondersteun vektormasjien |
| MCI-AD teenoor AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD teenoor VaD | 0.8033 | 0.8044 | 0.8338 |
Die hoogste prestasie vir elke modelleringskema word in vet (nie noodwendig statisties anders as ander nie in vet).
BESPREKING
Vroeë opsporing van veranderinge in kognitiewe gesondheid is belangrik praktiese nut in sowel persoonlike gesondheidsbestuur as openbare gesondheid. Inderdaad, dit is ook baie 'n hoë prioriteit in kliniese omgewings vir pasiënte wêreldwyd. Die gedeelde doelwit is om pasiënte, versorgers en verskaffers te waarsku en om vroeër toepaslike en koste-effektiewe behandeling en longitudinale sorg aan te spoor vir diegene wat kognitiewe agteruitgang begin ervaar. Deur ons drie hospitaal-/kliniek(e)-datasubstelle saam te voeg, het ons drie onderskeidelik voorkeur-leerders (met een noemenswaardige uitblinker – Naïewe Bayes) geïdentifiseer om voorspellende modelle te bou deur gebruik te maak van MemTrax prestasie maatstawwe wat kognitiewe gesondheidstatus betroubaar kan klassifiseer digotoom (normale kognitiewe gesondheid of MCI) soos aangedui deur 'n MoCA totale telling. Opmerklik is dat algehele klassifikasieprestasie vir al drie leerders verbeter het toe ons modelle slegs die vier top-funksies gebruik het wat hoofsaaklik hierdie MemTrax-prestasiemaatstawwe insluit. Verder het ons die gegronde potensiaal onthul om dieselfde leerders en MemTrax-prestasiemaatstawwe te gebruik in 'n diagnostiese ondersteuningsklassifikasiemodelleringskema om die erns van twee kategorieë van demensiediagnose te onderskei: AD en VaD.
Geheue toets is sentraal tot vroeë opsporing van AD [23, 24]. Dit is dus opreg dat MemTrax 'n aanvaarbare, innemende en maklik-om-te-implementeerbare aanlyn siftingstoets vir episodiese geheue in die algemene bevolking [6]. Akkuraatheid van herkenning en reaksietye van hierdie deurlopende prestasietaak is veral onthullend in die identifisering van vroeë en ontwikkelende agteruitgang en gevolglike tekorte in die neuroplastiese prosesse wat verband hou met leer, geheue en kognisie. Dit wil sê, die modelle hier wat grootliks gebaseer is op MemTrax prestasie statistieke is sensitief vir en is meer geneig om geredelik en met minimale koste biologiese neuropatologiese tekorte te openbaar tydens die asimptomatiese oorgangsstadium lank voor meer aansienlike funksionele verlies [25]. Ashford et al. het die patrone en gedrag van herkenningsgeheue-akkuraatheid en reaksietyd by aanlyngebruikers wat op hul eie met MemTrax deelgeneem het [6] noukeurig ondersoek. Met inagneming dat hierdie verspreidings van kritieke belang is in optimale modellering en die ontwikkeling van geldige en effektiewe pasiëntsorgtoepassings, is die definisie van klinies toepaslike herkennings- en responstydprofiele noodsaaklik om 'n waardevolle grondverwysing vir kliniese en navorsingsnut daar te stel. Die praktiese waarde van MemTrax in AD-sifting vir vroeë stadium kognitiewe inkorting en differensiële diagnostiese ondersteuning moet dan nader ondersoek word in die konteks van 'n kliniese omgewing waar comorbiditeite en kognitiewe, sensoriese en motoriese vermoëns wat toetsprestasie beïnvloed, oorweeg kan word. En om professionele perspektief in te lig en praktiese kliniese nut aan te moedig, is dit eerstens noodsaaklik om vergelyking met 'n gevestigde kognitiewe gesondheidsassesseringstoets te demonstreer, selfs al kan laasgenoemde herkenbaar beperk word deur omslagtige toetslogistiek, opvoeding en taalafskrikmiddels en kulturele invloede [26] . In hierdie verband is die gunstige vergelyking van MemTrax in kliniese doeltreffendheid met MoCA wat algemeen as 'n industriestandaard beweer word, betekenisvol, veral wanneer die groter gemak van nut en geduldige aanvaarding van MemTrax geweeg word.
Vorige verkenning wat MemTrax met MoCA vergelyk, beklemtoon die rasionaal en voorlopige bewyse wat ons modelleringsondersoek regverdig [8]. Hierdie vorige vergelyking het egter bloot die twee sleutel MemTrax-prestasiemaatstawwe wat ons ondersoek het, geassosieer met kognitiewe status soos bepaal deur MoCA en onderskeie reekse en afsnywaardes gedefinieer. Ons het die kliniese bruikbaarheidsevaluering van MemTrax verdiep deur 'n voorspellingsmodellering-gebaseerde benadering te ondersoek wat 'n meer geïndividualiseerde oorweging van ander potensieel relevante pasiëntspesifieke parameters sou bied. In teenstelling met ander, het ons nie 'n voordeel gevind in modelprestasie deur 'n onderwyskorreksie (aanpassing) aan die MoCA-telling te gebruik of om die kognitiewe gesondheidsdiskriminerende MoCA-totaaltellingdrempel van die oorspronklik aanbevole 26 tot 23 te verander nie [12, 15]. Trouens, die klassifikasieprestasievoordeel bevoordeel die gebruik van die onaangepaste MoCA-telling en die hoër drempel.
Sleutelpunte in kliniese praktyk
Masjienleer word dikwels die beste aangewend en mees effektief in voorspellende modellering wanneer die data omvangryk en multi-dimensioneel is, dit wil sê wanneer daar talle waarnemings en 'n gepaardgaande wye verskeidenheid van hoë-waarde (bydraende) eienskappe is. Tog, met hierdie huidige data, het die gefiltreerde modelle met slegs vier uitgesoekte kenmerke beter gevaar as dié wat al 10 algemene kenmerke gebruik. Dit dui daarop dat ons totale hospitaaldatastel nie die mees klinies toepaslike (hoë waarde) kenmerke gehad het om die pasiënte op hierdie manier optimaal te klassifiseer nie. Nietemin ondersteun die kenmerkrangorde-klem op die sleutel MemTrax-prestasiemaatstawwe - MTx-% C en MTx-RT - sterk die bou van vroeë stadium kognitiewe tekort siftingsmodelle rondom hierdie toets wat eenvoudig, maklik om te administreer, laekoste en gepas onthullend is t.o.v. geheue prestasie, ten minste nou as 'n aanvanklike skerm vir 'n binêre klassifikasie van kognitiewe gesondheidstatus. Gegewe die toenemende druk op verskaffers en gesondheidsorgstelsels, moet pasiëntsiftingsprosesse en kliniese toepassings toepaslik ontwikkel word met die klem op die insameling, naspeuring en modellering van daardie pasiënteienskappe en toetsmaatstawwe wat die nuttigste, voordeligste en doeltreffendste is in diagnostiese en pasiëntbestuurondersteuning.
Met die twee sleutel MemTrax-metrieke wat sentraal in MCI-klassifikasie staan, het ons toppresterende leerder (Naïef Bayes) 'n baie hoë voorspellende prestasie in die meeste modelle (AUC meer as 0.90) gehad met 'n waar-positiewe tot vals-positiewe verhouding wat naby of ietwat meer as 4 : 1. 'n Translasie-kliniese toepassing wat hierdie leerder gebruik, sal dus verreweg die meeste van diegene met 'n kognitiewe agterstand vasvang (korrek klassifiseer), terwyl die koste wat verband hou met die verkeerde klassifikasie van iemand met normale kognitiewe gesondheid as 'n kognitiewe agterstand (vals positief) of ontbreek daardie klassifikasie in diegene wat wel 'n kognitiewe agterstand het (vals negatief). Enige van hierdie scenario's van wanklassifikasie kan 'n onnodige psigososiale las op die pasiënt en versorgers plaas.
Terwyl ons in die voorlopige en volledige ontledings al tien leerders in elke modelleringskema gebruik het, het ons ons resultate gefokus op die drie klassifiseerders wat die mees konsekwente sterk prestasie toon. Dit was ook om, gebaseer op hierdie data, die leerders uit te lig wat na verwagting betroubaar op 'n hoë vlak sou presteer in 'n praktiese kliniese toepassing in die bepaling van kognitiewe statusklassifikasie. Verder, omdat hierdie studie bedoel was as 'n inleidende ondersoek na die nut van masjienleer op kognitiewe sifting en hierdie tydige kliniese uitdagings, het ons die besluit geneem om die leertegnieke eenvoudig en veralgemeen te hou, met minimale parameterinstelling. Ons besef dat hierdie benadering moontlik die potensiaal vir nouer gedefinieerde pasiëntspesifieke voorspellende vermoëns beperk het. Net so, terwyl opleiding van die modelle met slegs die topkenmerke (gefiltreerde benadering) ons verder inlig oor hierdie data (spesifiek tot die tekortkominge in data wat ingesamel is en die waarde beklemtoon in die optimalisering van kosbare kliniese tyd en hulpbronne), erken ons dat dit voortydig is om te beperk. die omvang van die modelle en dus alle (en ander kenmerke) moet met toekomstige navorsing oorweeg word totdat ons 'n meer definitiewe profiel van prioriteitskenmerke het wat van toepassing sal wees op die breë bevolking. Ons erken dus ook ten volle dat meer inklusiewe en breed verteenwoordigende data en optimalisering van hierdie en ander modelle nodig sal wees voordat hulle in 'n effektiewe kliniese toepassing geïntegreer word, veral om comorbiditeite wat kognitiewe prestasie beïnvloed, wat in verdere kliniese evaluering oorweeg moet word, te akkommodeer.
Die nut van MemTrax is verder opgebou deur die modellering van siekte-erns gebaseer op afsonderlike kliniese diagnose. 'n Beter algehele klassifikasieprestasie in die voorspelling van erns van VaD (in vergelyking met AD) was nie verbasend gegewe die pasiëntprofielkenmerke in die modelle spesifiek vir vaskulêre gesondheid en beroerte risiko, dit wil sê, hipertensie, hiperlipidemie, diabetes, en (natuurlik) beroerte geskiedenis. Alhoewel dit meer wenslik en gepas sou gewees het om dieselfde kliniese assessering op pasgemaakte pasiënte met normale kognitiewe gesondheid te laat doen om die leerders met hierdie meer inklusiewe data op te lei. Dit is veral geregverdig, aangesien MemTrax hoofsaaklik bedoel is om gebruik te word vir vroeë stadium opsporing van 'n kognitiewe tekort en daaropvolgende opsporing van individuele verandering. Dit is ook aanneemlik dat die meer wenslike verspreiding van data in die VaD-datastel deels bygedra het tot die relatief beter modelleringsprestasie. Die VaD-datastel was goed gebalanseerd tussen die twee klasse, terwyl die AD-datastel met baie minder MCI-pasiënte dit nie was nie. Veral in klein datastelle kan selfs 'n paar bykomende gevalle 'n meetbare verskil maak. Beide perspektiewe is redelike argumente wat die verskille in siekte-ernsmodelleringsprestasie onderlê. Dit is egter voortydig om verbeterde werkverrigting proporsioneel toe te skryf aan datastel numeriese kenmerke of die inherente kenmerke spesifiek vir die kliniese aanbieding onder oorweging. Nietemin, hierdie roman het die nut van 'n MemTrax voorspellende klassifikasiemodel gedemonstreer in die rol van kliniese diagnostiese ondersteuning bied waardevolle perspektief en bevestig strewe na addisionele ondersoek met pasiënte oor die kontinuum van MCI.
Die implementering en gedemonstreerde nut van MemTrax en hierdie modelle in China, waar die taal en kultuur drasties verskil van ander streke van gevestigde nut (bv. Frankryk, Nederland en die Verenigde State) [7, 8, 27], beklemtoon verder die potensiaal vir wydverspreide wêreldwye aanvaarding en kliniese waarde van 'n MemTrax-gebaseerde platform. Dit is 'n aantoonbare voorbeeld in die strewe na dataharmonisering en die ontwikkeling van praktiese internasionale norme en modellering van hulpbronne vir kognitiewe sifting wat gestandaardiseer en maklik aangepas is vir gebruik wêreldwyd.
Volgende stappe in kognitiewe agteruitgang modellering en toepassing
Kognitiewe disfunksie in AD kom inderdaad op 'n kontinuum voor, nie in diskrete stadiums of stappe nie [28, 29]. In hierdie vroeë fase was ons doelwit egter om eers ons vermoë te vestig om 'n model te bou wat MemTrax insluit wat "normaal" van "nie normaal" fundamenteel kan onderskei nie. Meer inklusiewe empiriese data (bv. breinbeelding, genetiese kenmerke, biomerkers, comorbiditeite en funksionele merkers van komplekse aktiwiteite wat kognitiewe vereis beheer) [30] oor verskillende globale streke, bevolkings en ouderdomsgroepe heen om meer gesofistikeerde (insluitend gepas geweegde ensemble) masjienleermodelle op te lei en te ontwikkel, sal 'n groter mate van verbeterde klassifikasie ondersteun, dit wil sê, die vermoë om groepe pasiënte te kategoriseer met MCI in kleiner en meer definitiewe subversamelings langs die kognitiewe agteruitgang kontinuum. Boonop is gepaardgaande kliniese diagnoses vir individue oor streeks-diverse pasiëntpopulasies noodsaaklik vir doeltreffend op te lei hierdie meer inklusiewe en voorspelbaar robuuste modelle. Dit sal meer spesifieke gestratifiseerde gevallebestuur fasiliteer vir diegene met soortgelyke agtergronde, invloede en nouer gedefinieerde kenmerkende kognitiewe profiele en sodoende kliniese besluitondersteuning en pasiëntsorg optimaliseer.
Baie van die relevante kliniese navorsing tot op datum het pasiënte met ten minste ligte demensie aangespreek; en in die praktyk word pasiëntintervensie te dikwels slegs in gevorderde stadiums gepoog. Omdat kognitiewe agteruitgang egter begin lank voordat aan kliniese kriteria vir demensie voldoen word, kan 'n effektief toegepaste MemTrax-gebaseerde vroeë skerm toepaslike opvoeding van individue oor die siekte en sy progressie aanmoedig en vroeër en meer tydige intervensies aanspoor. Dus, vroeë opsporing kan geskikte betrokkenheid ondersteun wat wissel van oefening, dieet, emosionele ondersteuning en verbeterde sosialisering tot farmakologiese intervensie en versterk pasiëntverwante veranderinge in gedrag en persepsie wat alleen of in totaal demensie-vordering kan versag of moontlik stop [31, 32] . Verder, met effektiewe vroeë sifting, kan individue en hul gesinne gevra word om kliniese proewe te oorweeg of berading en ander maatskaplike dienste-ondersteuning te kry om te help om verwagtinge en voornemens te verduidelik en daaglikse take te bestuur. Verdere validering en wydverspreide praktiese nut op hierdie maniere kan instrumenteel wees om die vordering van MCI, AD en ADRD vir baie individue te versag of te stop.
Inderdaad, die lae kant van die pasiënt ouderdomsgroep in ons studie verteenwoordig nie die bevolking van tradisionele kommer met AD nie. Nietemin, die gemiddelde ouderdom vir elke groep wat in die klassifikasiemodelleringskemas gebruik word, gebaseer op die MoCA-telling/drempel en diagnose-erns (Tabel 3) beklemtoon dat 'n duidelike meerderheid (meer as 80%) minstens 50 jaar oud is. Hierdie verspreiding is dus baie gepas vir veralgemening, wat die bruikbaarheid van hierdie modelle in die populasie ondersteun wat dié wat tipies geraak word deur vroeë aanvang en ontluikende neurokognitiewe siekte as gevolg van AD en VaD. Onlangse bewyse en perspektief beklemtoon ook daardie erkende faktore (bv. hipertensie, vetsug, diabetes en rook) wat moontlik bydra tot hoër vroeë volwasse en middeljare vaskulêre risiko tellings en gevolglike subtiele vaskulêre breinbesering wat verraderlik ontwikkel met duidelike gevolge selfs in jong volwassenes [33–35]. Gevolglik die mees optimale aanvanklike siftingsgeleentheid vir vroeë opsporing stadium kognitiewe tekorte en die inisieer van effektiewe voorkoming en intervensiestrategieë om demensie suksesvol aan te spreek sal na vore kom uit die ondersoek van bydraende faktore en antesedente aanwysers oor die ouderdomspektrum, insluitend vroeë volwassenheid en moontlik selfs kinderjare (let op die relevansie van genetiese faktore soos apolipoproteïen E vanaf vroeë swangerskap).
In die praktyk is geldige kliniese diagnoses en duur prosedures vir gevorderde beeldvorming, genetiese profilering en meting van belowende biomerkers nie altyd geredelik beskikbaar of selfs haalbaar vir baie verskaffers nie. Dus, in baie gevalle, sal aanvanklike algehele kognitiewe gesondheidstatusklassifikasie moontlik afgelei moet word van modelle wat ander eenvoudige maatstawwe gebruik wat deur die pasiënt verskaf word (bv. self-gerapporteerde geheue probleme, huidige medikasie en roetine-aktiwiteitsbeperkings) en algemene demografiese kenmerke [7]. Registrasies soos die Universiteit van Kalifornië Brain Gesondheid Registry (https://www.brainhealthregistry.org/) [27] en ander met 'n inherente groter breedte van selfgerapporteerde simptome, kwalitatiewe maatreëls (bv. slaap en elke dag kognisie), medikasie, gesondheidstatus en geskiedenis, en meer gedetailleerde demografie sal instrumenteel wees in die ontwikkeling en validering van die praktiese toepassing van hierdie meer primitiewe modelle in die kliniek. Verder kan 'n toets soos MemTrax, wat bruikbaarheid in die assessering van geheuefunksie getoon het, in werklikheid 'n aansienlik beter skatting van AD-patologie as biologiese merkers verskaf. Gegee dat die kernkenmerk van AD-patologie ontwrigting van neuroplastisiteit en 'n oorweldigende komplekse verlies van sinapse is, wat as episodies manifesteer geheue disfunksie, 'n maatstaf wat episodiese geheue assesseer kan in werklikheid verskaf 'n beter skatting van AD patologiese las as biologiese merkers in die lewende pasiënt [36].
Met alle voorspellende modelle – hetsy aangevul deur komplekse en inklusiewe data van die nuutste tegnologie en verfynde kliniese insigte oor veelvuldige domeine of dié beperk tot meer basiese en geredelik beskikbare inligting kenmerkend van bestaande pasiëntprofiele – die erkende voordeel van kunsmatige intelligensie en masjienleer is dat die resulterende modelle kan sintetiseer en induktief kan "leer" vanuit relevante nuwe data en perspektief wat deur voortdurende toepassingsgebruik verskaf word. Na praktiese tegnologie-oordrag, aangesien die modelle hier (en wat ontwikkel gaan word) toegepas en verryk word met meer gevalle en pertinente data (insluitend pasiënte met comorbiditeite wat kan voorkom met daaropvolgende kognitiewe agteruitgang), sal voorspellingsprestasie en kognitiewe gesondheidsklassifikasie meer robuust wees, wat lei tot meer effektiewe kliniese besluitondersteuningsnut. Hierdie evolusie sal meer volledig en prakties gerealiseer word met die inbedding van MemTrax in pasgemaakte (gerig op die beskikbare vermoëns) platforms wat gesondheidsorgverskaffers intyds in die kliniek kan gebruik.
Noodsaaklik vir die validering en bruikbaarheid van die MemTrax-model vir diagnostiese ondersteuning en pasiëntsorg is uiters gesogte betekenisvolle longitudinale data. Deur die gepaardgaande veranderinge (indien enige) in kliniese status oor 'n voldoende reeks normale tot vroeë stadium MCI waar te neem en aan te teken, kan die modelle vir toepaslike deurlopende assessering en klassifikasie opgelei en gewysig word namate pasiënte ouer word en behandel word. Dit wil sê, herhaalde nut kan help met longitudinale dop van ligte kognitiewe veranderinge, intervensie-effektiwiteit en die handhawing van ingeligte gestratifiseerde sorg. Hierdie benadering strook nouer met kliniese praktyk en pasiënt- en gevallebestuur.
Beperkings
Ons waardeer die uitdaging en waarde om skoon kliniese data in 'n beheerde kliniek/hospitaalomgewing in te samel. Nietemin sou dit ons modellering versterk het as ons datastelle meer pasiënte met algemene kenmerke insluit. Verder, spesifiek vir ons diagnosemodellering, sou dit meer wenslik en gepas gewees het om dieselfde kliniese assessering te laat doen op pasgemaakte pasiënte met normale kognitiewe gesondheid om die leerders op te lei. En soos onderstreep deur die hoër klassifikasieprestasie deur gebruik te maak van die gefiltreerde datastel (slegs die vier top-funksies), meer algemeen en kognitiewe gesondheidsmaatreëls/-aanwysers sou waarskynlik verbeter het modellering prestasie met 'n groter aantal gemeenskaplike kenmerke oor alle pasiënte.
Sekere deelnemers het dalk gelyktydig ander siektes ervaar wat verbygaande of chroniese kognitiewe tekortkominge kon veroorsaak het. Anders as die XL-subdatastel waar die pasiënte diagnosties geklassifiseer is as óf AD óf VaD, is comorbiditeitsdata nie in die YH-pasiëntpoel ingesamel/gerapporteer nie, en die oorheersende gerapporteerde comorbiditeit by verre in die KM-subdatastel was diabetes. Dit is egter aanvegbaar dat die insluiting van pasiënte in ons modelleringskemas met comorbiditeite wat 'n vlak van kognitiewe tekortkominge en 'n gevolglike laer MemTrax-prestasie kan aanspoor of vererger, meer verteenwoordigend van die werklike pasiëntpopulasie vir hierdie meer algemene vroeë kognitiewe sifting sal wees. en modelleringsbenadering. Om vorentoe te beweeg, is akkurate diagnose van comorbiditeite wat moontlik kognitiewe prestasie kan beïnvloed, oor die algemeen voordelig vir die optimalisering van die modelle en gevolglike pasiëntsorgtoepassings.
Laastens het die YH- en KM-subdatastelpasiënte 'n slimfoon gebruik om die MemTrax-toets af te lê, terwyl 'n beperkte aantal van die XL-subdatastelpasiënte 'n iPad gebruik het en die res 'n slimfoon. Dit kon 'n geringe toestelverwante verskil in MemTrax-prestasie vir die MoCA-klassifikasiemodellering ingebring het. Verskille (indien enige) in byvoorbeeld MTx-RT tussen toestelle sal egter waarskynlik weglaatbaar wees, veral met elke deelnemer wat 'n "oefentoets" gegee word net voor die aangetekende toetsprestasie. Nietemin, die nut van hierdie twee handtoestelle kompromitteer potensieel direkte vergelyking met en/of integrasie met ander MemTrax-resultate waar gebruikers gereageer het op herhaalde prente deur die spasiebalk op 'n rekenaarsleutelbord aan te raak.
Sleutelpunte op MemTrax voorspellende modellering nut
- • Ons toppresterende voorspellende modelle wat geselekteerde MemTrax-prestasiemaatstawwe insluit, kan kognitiewe gesondheidstatus (normale kognitiewe gesondheid of MCI) betroubaar klassifiseer soos aangedui deur die wyd erkende MoCA-toets.
- • Hierdie resultate ondersteun die integrasie van geselekteerde MemTrax prestasie maatstawwe in 'n klassifikasie voorspellende model sifting toepassing vir vroeë stadium kognitiewe inkorting.
- • Ons klassifikasiemodellering het ook die potensiaal onthul om MemTrax-prestasie te gebruik in toepassings om die erns van demensiediagnose te onderskei.
Hierdie nuwe bevindinge vestig definitiewe bewyse wat die nut van masjienleer ondersteun in die bou van verbeterde robuuste MemTrax-gebaseerde klassifikasiemodelle vir diagnostiese ondersteuning in effektiewe kliniese gevallebestuur en pasiëntsorg vir individue wat kognitiewe inkorting ervaar.
Bedankings
Ons erken die werk van J. Wesson Ashford, Curtis B. Ashford, en kollegas vir die ontwikkeling en validering van die aanlyn deurlopende erkenningstaak en hulpmiddel (MemTrax) wat hier gebruik word en ons is dankbaar vir die talle pasiënte met demensie wat bygedra het tot die kritiese grondliggende navorsing . Ons bedank ook Xianbo Zhou en sy kollegas by SJN Biomed LTD, sy kollegas en medewerkers by die hospitale/klinieke terreine, veral Dr. M. Luo en M. Zhong, wat gehelp het met die werwing van deelnemers, die skedulering van toetse, en die insameling, optekening en die bestuur van die data, en die vrywillige deelnemers wat hul waardevolle tyd geskenk het en die verbintenis gemaak het om die toetse te neem en te voorsien die waardevolle data vir ons om in hierdie studie te evalueer. Hierdie studie is gedeeltelik ondersteun deur die MD Scientific Research Program van Kunming Mediese Universiteit (Toekenning no. 2017BS028 tot XL) en die Navorsingsprogram van Yunnan Wetenskap en Tegnologie Departement (Toekenning no. 2019FE001 (-222) tot XL).
J. Wesson Ashford het 'n patentaansoek ingedien vir die gebruik van die spesifieke deurlopende herkenningsparadigma wat in hierdie vraestel vir algemene toets van geheue.
MemTrax, LLC is 'n maatskappy wat deur Curtis Ashford besit word, en hierdie maatskappy bestuur die geheue toets stelsel wat in hierdie artikel beskryf word.
Skrywers se openbaarmakings aanlyn beskikbaar (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
Verwysings
| [1] Alzheimer's Association (2016) 2016 Alzheimer se siekte feite en figure. Alzheimers Dement 12, 459–509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Effek van vroeë stadium Alzheimer se siekte op huishoudelike finansiële uitkomste. Gesondheidsekonomie 29, 18–29. | |
| [3] | Foster NL , Bondi MW , Das R , Foss M , Hershey LA , Koh S , Logan R , Poole C , Shega JW , Sood A , Thothala N , Wicklund M , Yu M , Bennett A , Wang D (2019) Kwaliteitverbetering in neurologie: Ligte kognitiewe inkorting kwaliteit meting stel. Neurologie 93, 705–713. |
| [4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) Koste-effektiwiteit van die gebruik kognitiewe siftingstoetse vir die opsporing van demensie en ligte kognitiewe inkorting in primêre sorg. Int J Geriatr Psychiatry 32, 1392–1400. | |
| [5] Ashford JW, Gere E, Bayley PJ (2011) Meet geheue in groot groep instellings met behulp van 'n deurlopende herkenningstoets. J Alzheimers Dis 27, 885–895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) 'n Gerekenariseerde deurlopende herkenningstaak vir die meting van episodiese geheue. J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Episodiese geheueprestasie in masjienleermodellering vir die voorspelling van kognitiewe gesondheidstatusklassifikasie. J Alzheimers Dis 70, 277–286. |
| [8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) Die MemTrax toets in vergelyking met die montreal kognitiewe assessering skatting van ligte kognitiewe inkorting. J Alzheimers Dis 67, 1045-1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Die gebruik van geïsoleerde vokaalklanke vir klassifikasie van ligte traumatiese breinbesering. In 2013 IEEE Internasionale Konferensie oor akoestiek, spraak en seinverwerking, Vancouver, BC, pp. 7577–7581. |
| [10] | Dabek F, Caban JJ (2015) Die gebruik van groot data om die waarskynlikheid van die ontwikkeling van sielkundige toestande na 'n harsingskudding te modelleer. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Besluitboom vir vroeë opsporing van kognitiewe inkorting deur gemeenskapsaptekers. Front Pharmacol 9, 1232. |
| [12] | Nasreddine ZS, Phillips NA, Bedirian V, Charbonneau S, Whitehead V, Collin I, Cummings JL, Chertkow H (2005) The Montreal Cognitive Assessment, MoCA: 'n Kort siftingsinstrument vir ligte kognitiewe inkorting. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012) Die Beijing-weergawe van die montreal kognitiewe assessering as 'n kort siftingsinstrument vir ligte kognitiewe inkorting: 'n gemeenskapsgebaseerde studie. BMC Psychiatry 12, 156. |
| [14] | Chen KL, Xu Y, Chu AQ, Ding D, Liang XN, Nasreddine ZS, Dong Q, Hong Z, Zhao QH, Guo QH (2016) Bekragtiging van die Chinese weergawe van Montreal kognitiewe assessering basiese vir sifting ligte kognitiewe inkorting. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N, Leach L, Murphy KJ (2018) 'n Herondersoek van Montreal Cognitive Assessment (MoCA) afsnypunte. Int J Geriatr Psychiatry 33, 379–388. |
| [16] | American Psychiatric Association (2013) Task Force Diagnostiese en statistiese handleiding van geestesversteurings: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC. |
| [17] | Python. Python Software Foundation, http://www.python.org, Toegang op 15 November 2019. |
| [18] | R Core Group, R: 'n Taal en omgewing vir statistiese rekenaars R Foundation for Statistical Computing, Wene, Oostenryk. https://www.R-project.org/, 2018, Toegang op 15 November 2019. |
| [19] | Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Tyd vir 'n verandering: 'n Handleiding vir die vergelyking van veelvuldige klassifiseerders deur Bayesiese analise. J Mach Learn Res 18, 1–36. |
| [20] | Frank E , Hall MA , Witten IH (2016) Die WEKA-werkbank. In Data-ontginning: praktiese masjienleergereedskap en -tegnieke, Frank E, Hall MA, Witten IH, Pal CJ, eds. Morgan Kaufmann https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf |
| [21] | Bergeron MF, Landset S, Maugans TA, Williams VB, Collins CL, Wasserman EB, Khoshgoftaar TM (2019) Masjienleer in modellering van hoërskoolsport harsingskudding simptoomoplossing. Med Sci Sports Exerc 51, 1362–1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Eksperimentele perspektiewe op leer uit ongebalanseerde data. In Verrigtinge van die 24ste Internasionale Konferensie oor Masjienleer, Corvalis, Oregon, VSA, pp. 935-942. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Alzheimer pasiënt evaluasie en die mini-geestelike toestand: Item kenmerkende kurwe analise.P. J Gerontol 44, 139–146. |
| [24] Ashford JW, Jarvik L (1985) Alzheimer se siekte: Is neuronplastisiteit vatbaar vir aksonale neurofibrillêre degenerasie? N Engl J Med 313, 388–389. | |
| [25] Jack CR Jr, Therneau TM, Weigand SD, Wiste HJ, Knopman DS, Vemuri P, Lowe VJ, Mielke MM, Roberts RO, Machulda MM, Graff-Radford J, Jones DT, Schwarz CG, Gunter JL, , Rocca WA, Petersen RC (2019) Voorkoms van biologies versus klinies gedefinieerde Alzheimer-spektrum-entiteite met behulp van die Nasionale Instituut vir Veroudering-Alzheimer's Vereniging Navorsing raamwerk. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X , Ashford JW (2019) Vooruitgang in siftingsinstrumente vir Alzheimer se siekte. Aging Med 2, 88–93. | |
| [27] Weiner MW, Nosheny R, Camacho M, Truran-Sacrey D, Mackin RS, Flenniken D, Ulbricht A, Insel P, Finley S, Fockler J, Veitch D (2018) Brain Gesondheid Register: 'n Internet-gebaseerde platform vir werwing, assessering en longitudinale monitering van deelnemers vir neurowetenskapstudies. Alzheimers Dement 14, 1063–1076. | |
| [28] Ashford JW, Schmitt FA (2001) Modellering van die tydsverloop van Alzheimer demensie. Curr Psigiatrie Rep 3, 20–28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Sino Longitudinale Studie oor Kognitiewe Afname (SILCODE): Protokol vir 'n Chinese longitudinale waarnemingstudie om risikovoorspellingsmodelle van omskakeling na ligte kognitiewe inkorting by individue met subjektiewe kognitiewe afneem. BMJ Oop 9, e028188. |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) Vyf-jaar biomerker vorderingsveranderlikheid vir Alzheimer se siekte demensie voorspelling: Kan 'n komplekse instrumentele aktiwiteite van daaglikse lewe merker die leemtes vul? Alzheimers Dement (Amst) 1, 521–532. | |
| [31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) Voorkoming en behandeling van Alzheimer se siekte: Biologiese meganismes van oefening. J Alzheimers Dis 69, 311–338. | |
| [32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Terapieë vir voorkoming en behandeling van Alzheimer se siekte. Biomed Res Int 2016, 2589276. | |
| [33] | Lane CA, Barnes J, Nicholas JM, Sudre CH, Cash DM, Malone IB, Parker TD, Keshavan A, Buchanan SM, Keuss SE, James SN, Lu K, Murray-Smith H, Wong A, Gordon E, Coath W, Modat M, Thomas D, Richards M, Fox NC, Schott JM (2020) Assosiasies tussen vaskulêre risiko oor volwassenheid en breinpatologie in die laat lewe: Bewyse van 'n Britse geboortekohort. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) Voorkoming van demensie-denke buite die ouderdom en amyloïedbokse. JAMA Neurol 77, 160–161. |
| [35] | Maillard P, Seshadri S, Beiser A, Himali JJ, Au R, Fletcher E, Carmichael O, Wolf PA, DeCarli C (2012) Effekte van sistoliese bloeddruk op witstof-integriteit by jong volwassenes in die Framingham Heart Study: A Cross - deursneestudie. Lancet Neurol 11, 1039–1047. |
| [36] Fink HA, Linskens EJ, Silverman PC, McCarten JR, Hemmy LS, Ouellette JM, Greer NL, Wilt TJ, Butler M (2020) Akkuraatheid van biomerkertoetsing vir neuropatologies gedefinieer Alzheimer-siekte by ouer volwassenes met demensie. Ann Intern Med 172, 669–677. |
Affiliasies: [a] SIVOTEC Analytics, Boca Raton, FL, VSA | [b] Departement Rekenaar- en Elektriese Ingenieurswese en Rekenaarwetenskap, Florida Atlantic University, Boca Raton, FL, VSA | [c] SJN Biomed LTD, Kunming, Yunnan, China | [d] Sentrum vir Alzheimer se navorsing, Washington Instituut vir Kliniese Navorsing, Washington, DC, VSA | [e] Departement van Rehabilitasiegeneeskunde, Die Eerste Geaffilieerde Hospitaal van Kunming Mediese Universiteit, Kunming, Yunnan, China | [f] Departement van Neurologie, Dehong People's Hospital, Dehong, Yunnan, China | [g] Departement van Neurologie, die eerste geaffilieerde hospitaal van Kunming Mediese Universiteit, Wuhua-distrik, Kunming, Yunnan-provinsie, China | [h] Oorlogsverwante siekte- en beseringsstudiesentrum, VA Palo Alto Gesondheidsorg System, Palo Alto, CA, VSA | [i] Departement Psigiatrie en Gedragswetenskappe, Stanford University School of Medicine, Palo Alto, CA, VSA
Korrespondensie: [*] Korrespondensie aan: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, VSA. E-pos: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Departement Neurologie, Eerste Geaffilieerde Hospitaal van Kunming Mediese Universiteit, Xichangweg 295, Wuhua-distrik, Kunming, Yunnan-provinsie 650032, China. E-pos: ring@vip.163.com.
sleutelwoorde: veroudering, Alzheimer se siekte, demensie, massasifting