فائدة MemTrax ونمذجة التعلم الآلي في تصنيف الضعف الإدراكي المعتدل
مقاله بحثيه
المؤلفون: Bergeron، Michael F. | لاندسيت ، سارة | تشو ، شيانبو | دينغ ، تاو | خوشجفتار ، تقي م. | تشاو ، فنغ | دو ، بو | تشين ، شينجي | وانغ ، شوان | تشونغ ، ليانمي | ليو ، شياولي | أشفورد ، جيه ويسون
DOI: 10.3233 / JAD-191340
المجلة: مجلة مرض الزهايمر، المجلد. 77 ، لا. 4، pp. 1545-1558، 2020
ملخص
خلفيّة:
انتشار وانتشار مرض الزهايمر والضعف الإدراكي المعتدل (MCI) قد دفع إلى دعوة عاجلة لإجراء بحث للتحقق من الفحص والتقييم المعرفي للكشف المبكر.
الهدف:
كان هدفنا البحثي الأساسي هو تحديد ما إذا كان يمكن استخدام مقاييس أداء MemTrax المحددة والخصائص الديموغرافية والصحية ذات الصلة بشكل فعال في النماذج التنبؤية التي تم تطويرها باستخدام التعلم الآلي لتصنيف الصحة المعرفية (العادية مقابل MCI) ، كما هو موضح بواسطة تقييم مونتريال المعرفي (موكا).
الأساليب:
أجرينا دراسة مقطعية على 259 من مرضى الأعصاب وعيادة الذاكرة والطب الباطني الكبار الذين تم تجنيدهم من اثنين المستشفيات في الصين. حصل كل مريض على MoCA باللغة الصينية وأدار ذاتيًا التعرف المستمر على عرض MemTrax عبر الإنترنت اختبار الذاكرة عبر الإنترنت في نفس اليوم. تم بناء نماذج التصنيف التنبؤية باستخدام التعلم الآلي مع التحقق المتقاطع من 10 أضعاف ، وتم قياس أداء النموذج باستخدام المنطقة الواقعة تحت منحنى خصائص تشغيل جهاز الاستقبال (AUC). تم تصميم النماذج باستخدام اثنين من مقاييس أداء MemTrax (النسبة المئوية الصحيحة ، وقت الاستجابة) ، إلى جانب الميزات الثماني الشائعة للتاريخ الديموغرافي والشخصي.
النتائج:
بمقارنة المتعلمين عبر مجموعات مختارة من درجات وعتبات MoCA ، كان Naïve Bayes بشكل عام المتعلم الأفضل أداءً بأداء تصنيف إجمالي قدره 0.9093. علاوة على ذلك ، من بين أفضل ثلاثة متعلمين ، كان أداء التصنيف المستند إلى MemTrax بشكل عام متفوقًا باستخدام الميزات الأربع الأعلى تصنيفًا فقط (0.9119) مقارنة باستخدام جميع الميزات المشتركة العشر (10).
الخلاصة:
يمكن استخدام أداء MemTrax بشكل فعال في النموذج التنبئي لتصنيف التعلم الآلي تطبيق الفحص للكشف عن ضعف الإدراك في المرحلة المبكرة.
مقدمة
الانتشار الواسع المعترف به (وإن لم يتم تشخيصه جيدًا) والانتشار والموازي المتصاعد الطبي والاجتماعي والعامة. الصحية تكاليف وعبء مرض الزهايمر (AD) والضعف الإدراكي المعتدل (MCI) يجهدون بشكل متزايد جميع أصحاب المصلحة [1 ، 2]. دفع هذا السيناريو المؤلم والمحفز إلى دعوة عاجلة لإجراء بحث للتحقق من صحته الكشف المبكر أدوات الفحص والتقييم الإدراكي لفائدة عملية منتظمة في الإعدادات الشخصية والسريرية للمرضى الأكبر سنًا عبر مناطق ومجموعات متنوعة [3]. يجب أن توفر هذه الأدوات أيضًا ترجمة سلسة للنتائج المفيدة إلى سجلات صحية إلكترونية. ستتحقق الفوائد من خلال إبلاغ المرضى ومساعدة الأطباء في التعرف على التغييرات المهمة في وقت سابق ، وبالتالي تمكين التقسيم الطبقي السريع وفي الوقت المناسب ، والتنفيذ ، وتتبع العلاج الفردي المناسب والأكثر فعالية من حيث التكلفة ورعاية المرضى لأولئك الذين بدأوا التجربة التدهور المعرفي [3 ، 4].
أداة MemTrax المحوسبة (https://memtrax.com) هو تقييم التعرف المستمر البسيط والمختصر الذي يمكن إدارته ذاتيًا عبر الإنترنت لقياس أداء الذاكرة العرضية ذات التوقيت الصعب حيث يستجيب المستخدم للصور المتكررة وليس لعرض أولي [5 ، 6]. بدأت الأبحاث الحديثة والآثار العملية الناتجة في إظهار الفعالية السريرية لـ MemTrax بشكل تدريجي وجماعي في فحص AD و MCI المبكر [5-7]. ومع ذلك ، فإن المقارنة المباشرة بين المنفعة السريرية والمنفعة الحالية الصحة المعرفية التقييم والمعايير التقليدية له ما يبرره لإبلاغ المنظور المهني وتأكيد فائدة MemTrax في الكشف المبكر ودعم التشخيص. فان دير هوك وآخرون. [8] مقارنة مقاييس أداء MemTrax المحددة (سرعة رد الفعل والنسبة المئوية الصحيحة) بالحالة المعرفية على النحو الذي تحدده مونتريال التقييم المعرفي (MoCA). ومع ذلك ، اقتصرت هذه الدراسة على ربط مقاييس الأداء هذه مع توصيف الحالة المعرفية (كما هو محدد بواسطة MoCA) وتحديد النطاقات النسبية وقيم القطع. وفقًا لذلك ، للتوسع في هذا التحقيق وتحسين أداء التصنيف وفعاليته ، كان سؤالنا البحثي الأساسي هو:
- يمكن لمقاييس أداء MemTrax المختارة للفرد والتركيبة السكانية والصحة ذات الصلة البيانات الشخصية يتم استخدام الخصائص بشكل فعال في نموذج تنبؤي تم تطويره باستخدام التعلم الآلي لتصنيف الصحة المعرفية بشكل ثنائي (عادي مقابل MCI) ، كما هو موضح بواسطة درجة MoCA الخاصة بالفرد؟
ثانوي لهذا ، أردنا أن نعرف:
- بما في ذلك نفس الميزات ، هل يمكن تطبيق نموذج التعلم الآلي المستند إلى الأداء MemTrax بشكل فعال على المريض للتنبؤ بالحدة (خفيفة مقابل شديدة) ضمن فئات مختارة من الضعف الإدراكي كما يحددها التشخيص السريري المستقل؟
لقد أظهر التطبيق العملي المتقدم والمتطور للذكاء الاصطناعي والتعلم الآلي في الفحص / الكشف بالفعل مزايا عملية مميزة ، مع النمذجة التنبؤية التي توجه الأطباء بشكل فعال في التقييم الصعب للصحة المعرفية / المخية وإدارة المرضى. في دراستنا ، اخترنا نهجًا مشابهًا في نمذجة تصنيف MCI وتمييز شدة الضعف الإدراكي كما أكده التشخيص السريري من ثلاث مجموعات بيانات تمثل مرضى داخليين متطوعين ومرضى خارجيين مختارين من مستشفيين في الصين. باستخدام النمذجة التنبؤية للتعلم الآلي ، حددنا المتعلمين الأفضل أداءً من مجموعات البيانات / المتعلمين المختلفة وصنفنا الميزات لإرشادنا في تحديد تطبيقات النموذج الأكثر عملية سريريًا.
كانت فرضياتنا أنه يمكن استخدام نموذج قائم على MemTrax تم التحقق من صحته لتصنيف الصحة المعرفية بشكل ثنائي (عادي أو MCI) استنادًا إلى معيار عتبة مجموع نقاط MoCA ، وأنه يمكن استخدام نموذج تنبئي مماثل MemTrax بشكل فعال في شدة التمييز في فئات مختارة من تم تشخيصه سريريا الادراكي. إن إظهار النتائج المتوقعة سيكون مفيدًا في دعم فعالية MemTrax كشاشة للكشف المبكر عن التدهور المعرفي وتصنيف الضعف الإدراكي. إن المقارنة المواتية لمعيار صناعي مزعوم يكمله سهولة وسرعة أكبر بكثير في المنفعة سيكون مؤثرًا في مساعدة الأطباء على تبني هذه الأداة البسيطة والموثوقة والتي يمكن الوصول إليها كشاشة أولية في الكشف المبكر (بما في ذلك المرحلة الأولية) للعجز الإدراكي. ومن ثم فإن مثل هذا النهج والمنفعة يمكن أن يؤدي إلى رعاية وتدخل أفضل في الوقت المناسب وعلى مستوى طبقي أفضل للمرضى. يمكن أن تكون هذه الأفكار الاستشرافية والمقاييس والنماذج المحسّنة مفيدة أيضًا في التخفيف من أو إيقاف تقدم الخرف ، بما في ذلك مرض الزهايمر والخرف المرتبط بمرض الزهايمر (ADRD).
المواد والطرق
مجتمع الدراسة
بين يناير 2018 وأغسطس 2019 ، تم الانتهاء من البحث المقطعي على المرضى المعينين من مستشفيين في الصين. إدارة MemTrax [5] للأفراد الذين تبلغ أعمارهم 21 عامًا وأكثر ، وتم مراجعة جمع وتحليل هذه البيانات والموافقة عليها وإدارتها وفقًا للمعايير الأخلاقية الخاصة بـ الانسان لجنة حماية الموضوعات بجامعة ستانفورد. تم إجراء MemTrax وجميع الاختبارات الأخرى لهذه الدراسة الشاملة وفقًا لإعلان هلسنكي لعام 1975 وتمت الموافقة عليه من قبل مجلس المراجعة المؤسسية للمستشفى الأول التابع لجامعة كونمينغ الطبية في كونمينغ ، يونان ، الصين. تم تزويد كل مستخدم بملف موافقة مسبقة نموذج للقراءة / المراجعة ثم الموافقة طواعية على المشاركة.
تم تجنيد المشاركين من مجموعة العيادات الخارجية في عيادة الأمراض العصبية في مستشفى يانهوا (مجموعة البيانات الفرعية YH) و عيادة الذاكرة في المستشفى الطبي الأول التابع لكونمينغ جامعة (مجموعة بيانات فرعية XL) في بكين ، الصين. تم تجنيد المشاركين أيضًا من مرضى الأعصاب (مجموعة البيانات الفرعية XL) والطب الباطني (مجموعة البيانات الفرعية KM) في المستشفى الأول التابع لجامعة كونمينغ الطبية. تضمنت معايير الدمج 1) الرجال والنساء الذين لا تقل أعمارهم عن 21 عامًا ، 2) القدرة على التحدث بالصينية (الماندرين) ، و 3) القدرة على فهم التوجيهات الشفوية والمكتوبة. كانت معايير الاستبعاد هي الإعاقة البصرية والحركية التي تمنع المشاركين من إكمال اختبار MemTrax، وكذلك عدم القدرة على فهم تعليمات الاختبار المحددة.
النسخة الصينية من MemTrax
على الانترنت تم ترجمة منصة الاختبار MemTrax إلى اللغة الصينية (URL: https://www.memtrax.com.cn) وتكييفها لاستخدامها من خلال WeChat (Shenzhen Tencent Computer Systems Co.Ltd. ، Shenzhen ، Guangdong ، الصين) للإدارة الذاتية. تم تخزين البيانات على خادم سحابي (علي كلاود) يقع في الصين ومرخص من علي بابا (شركة علي بابا للتكنولوجيا المحدودة ، هانغتشو ، تشجيانغ ، الصين) بواسطة SJN Biomed LTD (كونمينغ ، يونان ، الصين). تم وصف تفاصيل محددة حول MemTrax ومعايير صلاحية الاختبار المستخدمة هنا مسبقًا [6]. تم تقديم الاختبار بالمجان للمرضى.
دراسة الإجراءات
للمرضى الداخليين والمرضى الخارجيين ، استبيان ورقي عام لجمع المعلومات الديموغرافية والشخصية مثل العمر والجنس وسنوات التعليم والمهنة ، الذين يعيشون بمفردهم أو مع العائلة ، وتم إدارة التاريخ الطبي من قبل أحد أعضاء فريق الدراسة. بعد الانتهاء من الاستبيان ، تم إجراء اختبارات MoCA [12] و MemTrax (MoCA أولاً) مع ما لا يزيد عن 20 دقيقة بين الاختبارات. تم تسجيل نسبة MemTrax الصحيحة (MTx-٪ C) ، ومتوسط وقت الاستجابة (MTx-RT) ، وتاريخ ووقت الاختبار على الورق بواسطة أحد أعضاء فريق الدراسة لكل مشارك تم اختباره. تم تحميل الاستبيان المكتمل ونتائج MoCA في جدول بيانات Excel من قبل الباحث الذي أجرى الاختبارات والتحقق منه بواسطة زميل قبل حفظ ملفات Excel للتحليل.
اختبار MemTrax
تضمن اختبار MemTrax عبر الإنترنت 50 صورة (25 صورة فريدة و 25 تكرارًا ؛ 5 مجموعات من 5 صور لمشاهد أو كائنات شائعة) معروضة بترتيب عشوائي شبه عشوائي. سيقوم المشارك (حسب التعليمات) بلمس الزر "ابدأ" على الشاشة لبدء الاختبار والبدء في عرض سلسلة الصور ثم لمس الصورة مرة أخرى على الشاشة بأسرع ما يمكن كلما ظهرت صورة متكررة. ظهرت كل صورة لمدة 3 ثوانٍ أو حتى يتم لمس الصورة على الشاشة ، مما دفع إلى العرض الفوري للصورة التالية. باستخدام الساعة الداخلية للجهاز المحلي ، تم تحديد MTx-RT لكل صورة من خلال الوقت المنقضي من عرض الصورة إلى وقت لمس الشاشة من قبل المشارك استجابة للإشارة إلى التعرف على الصورة على أنها واحدة تم عرضها بالفعل أثناء الاختبار. تم تسجيل MTx-RT لكل صورة ، مع تسجيل 3 ثوانٍ كاملة تشير إلى عدم وجود استجابة. تم حساب MTx-٪ C للإشارة إلى النسبة المئوية للصور المكررة والأولية التي استجاب لها المستخدم بشكل صحيح (إيجابي حقيقي + سلبي حقيقي مقسومًا على 50). تفاصيل إضافية عن إدارة MemTrax وتنفيذها ، وتقليل البيانات ، والبيانات غير الصالحة أو "عدم الاستجابة" ، وتحليلات البيانات الأولية موصوفة في مكان آخر [6].
تم شرح اختبار MemTrax بالتفصيل وتم تقديم اختبار تدريبي (مع صور فريدة بخلاف تلك المستخدمة في الاختبار لتسجيل النتائج) للمشاركين في بيئة المستشفى. أجرى المشاركون في مجموعتي البيانات الفرعية YH و KM اختبار MemTrax على هاتف ذكي تم تحميله مع التطبيق على WeChat ؛ في حين أن عددًا محدودًا من مرضى مجموعة البيانات الفرعية XL استخدموا جهاز iPad والباقي استخدموا هاتفًا ذكيًا. خضع جميع المشاركين لاختبار MemTrax مع محقق دراسة يراقب بشكل غير ملحوظ.
تقييم مونتريال المعرفي
نسخة بكين من MoCA الصينية (MoCA-BC) [13] تم إدارتها وتسجيلها من قبل باحثين مدربين وفقًا لتعليمات الاختبار الرسمية. بشكل مناسب ، لقد ثبت أن MoCA-BC موثوق به اختبار للإدراك الفحص عبر جميع مستويات التعليم لدى كبار السن الصينيين [14]. استغرق كل اختبار حوالي 10 إلى 30 دقيقة لإدارته بناءً على القدرات المعرفية للمشاركين المعنيين.
نمذجة تصنيف MoCA
كان هناك ما مجموعه 29 ميزة قابلة للاستخدام ، بما في ذلك اثنين من MemTrax مقاييس أداء الاختبار و 27 ميزة تتعلق بالديمغرافية والصحية معلومات لكل مشارك. تم استخدام مجموع نقاط اختبار MoCA لكل مريض على أنها الفحص المعرفي "معيار" لتدريب نماذجنا التنبؤية. وفقًا لذلك ، نظرًا لاستخدام MoCA لإنشاء تسمية الفصل ، لم نتمكن من استخدام النتيجة الإجمالية (أو أي من درجات مجموعة MoCA الفرعية) كميزة مستقلة. أجرينا تجارب أولية قمنا فيها بنمذجة (تصنيف الصحة المعرفية المحددة بواسطة MoCA) لمجموعات البيانات الفرعية الأصلية الثلاثة للمستشفيات / العيادات بشكل فردي ثم دمجناها باستخدام جميع الميزات. ومع ذلك ، لم يتم جمع جميع عناصر البيانات نفسها في كل من العيادات الأربع التي تمثل مجموعات البيانات الفرعية الثلاث ؛ وبالتالي ، فإن العديد من ميزاتنا في مجموعة البيانات المدمجة (عند استخدام جميع الميزات) بها نسبة عالية من القيم المفقودة. قمنا بعد ذلك ببناء نماذج بمجموعة بيانات مجمعة باستخدام ميزات مشتركة فقط أدت إلى تحسين أداء التصنيف. تم تفسير ذلك على الأرجح من خلال مجموعة من وجود المزيد من الحالات للعمل معها من خلال الجمع بين مجموعات البيانات الفرعية الثلاثة للمرضى وعدم وجود ميزات مع انتشار غير ضروري للقيم المفقودة (هناك ميزة واحدة فقط في مجموعة البيانات المدمجة ، نوع العمل ، لديها أي قيم مفقودة ، مما يؤثر على ثلاث حالات فقط للمرضى) ، لأنه تم تضمين السمات المشتركة فقط المسجلة في جميع المواقع الثلاثة. والجدير بالذكر أنه لم يكن لدينا معيار رفض محدد لكل ميزة لم يتم تضمينها في نهاية المطاف في مجموعة البيانات المجمعة. ومع ذلك ، في النمذجة الأولية لمجموعة البيانات المجمعة ، استخدمنا أولاً جميع الميزات من كل مجموعة من مجموعات البيانات الفرعية الثلاثة المنفصلة للمرضى. أدى ذلك على نطاق واسع إلى أداء النموذج الذي كان أقل بشكل ملموس من النمذجة الأولية الأولية لكل مجموعة بيانات فرعية فردية. علاوة على ذلك ، في حين أن أداء تصنيف النماذج المبنية باستخدام جميع الميزات كان مشجعًا ، عبر جميع المتعلمين وخطط التصنيف ، تحسن الأداء لمضاعفة عدد النماذج عند استخدام الميزات المشتركة فقط. في الواقع ، من بين ما انتهى به الأمر إلى كونه أفضل المتعلمين لدينا ، تم تحسين جميع النماذج باستثناء نموذج واحد عند التخلص من الميزات غير الشائعة.
تضمنت مجموعة البيانات الإجمالية النهائية (YH و XL و KM مجتمعة) 259 حالة ، يمثل كل منها مشاركًا فريدًا قام بإجراء اختبارات MemTrax و MoCA. كانت هناك 10 ميزات مستقلة مشتركة: مقاييس أداء MemTrax: MTx-٪ C وتعني MTx-RT ؛ معلومات التاريخ الديموغرافي والطبي: العمر والجنس وسنوات التعليم ونوع العمل (ذوي الياقات الزرقاء / ذوي الياقات البيضاء) والدعم الاجتماعي (سواء كان المتقدم للاختبار يعيش بمفرده أو مع العائلة) ، وإجابات نعم / لا حول ما إذا كان المستخدم لديه تاريخ مرض السكري أو ارتفاع نسبة الدهون في الدم أو إصابة الدماغ الرضحية. تم استخدام مقياسين إضافيين ، النتيجة الإجمالية لـ MoCA والنتيجة الإجمالية لـ MoCA المعدلة لسنوات التعليم [12] ، بشكل منفصل لتطوير تسميات تصنيف تابعة ، وبالتالي إنشاء مخططين مميزين للنمذجة ليتم تطبيقها على مجموعة البيانات المجمعة لدينا. لكل نسخة (معدلة وغير معدلة) من درجة MoCA ، تم تصميم البيانات مرة أخرى بشكل منفصل للتصنيف الثنائي باستخدام عتبتين معيارين مختلفين - العتبة الموصى بها في البداية [12] والقيمة البديلة المستخدمة والمروج لها من قبل الآخرين [8 ، 15]. في مخطط تصنيف العتبة البديل ، كان يُعتبر أن المريض يتمتع بصحة معرفية طبيعية إذا سجل 23 في اختبار MoCA وكان لديه MCI إذا كانت النتيجة 22 أو أقل ؛ بينما ، في تنسيق التصنيف الأولي الموصى به ، كان على المريض أن يسجل 26 درجة أو أفضل في MoCA ليتم تصنيفها على أنها تتمتع بصحة معرفية طبيعية.
البيانات المفلترة لنمذجة تصنيف MoCA
قمنا أيضًا بفحص تصنيف MoCA باستخدام أربع تقنيات تصنيف الميزات شائعة الاستخدام: Chi-Squared ، ونسبة الكسب ، واكتساب المعلومات ، وعدم اليقين المتماثل. بالنسبة للمنظور المؤقت ، طبقنا أدوات التصنيف على مجموعة البيانات المجمعة بأكملها باستخدام كل من مخططات النمذجة الأربعة الخاصة بنا. اتفق جميع المصنفين على نفس الميزات العليا ، أي العمر وعدد سنوات التعليم ومقاييس أداء MemTrax (MTx-٪ C ، يعني MTx-RT). قمنا بعد ذلك بإعادة بناء النماذج باستخدام كل تقنية اختيار ميزة لتدريب النماذج على الميزات الأربعة الأولى فقط (انظر اختيار ميزة أدناه).
يتم عرض الاختلافات الثمانية النهائية الناتجة عن مخططات نمذجة تصنيف نقاط MoCA في الجدول 1.
الجدول 1
ملخص اختلافات مخطط النمذجة المستخدمة لتصنيف MoCA (عادي الصحة المعرفية مقابل MCI)
| مخطط النمذجة | الصحة المعرفية العادية (فئة سلبية) | MCI (فئة إيجابية) |
| المعدلة - 23 غير مصفاة / مفلترة | 101 (39.0٪) | 158 (61.0٪) |
| المعدلة - 26 غير مصفاة / مفلترة | 49 (18.9٪) | 210 (81.1٪) |
| غير معدلة - 23 غير مصفاة / مفلترة | 92 (35.5٪) | 167 (64.5٪) |
| غير معدلة - 26 غير مصفاة / مفلترة | 42 (16.2٪) | 217 (83.8٪) |
يتم التمييز بين العدد والنسبة المئوية لإجمالي المرضى في كل فئة من خلال تعديل درجة التعليم (المعدلة أو غير المعدلة) وعتبة التصنيف (23 أو 26) ، كما هو مطبق على مجموعتي الميزات (غير المصفاة والمفلترة).
نمذجة التقييم السريري القائم على MemTrax
من بين مجموعات البيانات الفرعية الثلاثة الأصلية (YH ، XL ، KM) ، تم تشخيص مرضى مجموعة البيانات الفرعية XL فقط سريريًا بشكل مستقل للضعف الإدراكي (على سبيل المثال ، لم يتم استخدام درجات MoCA الخاصة بهم في إنشاء تصنيف عادي مقابل ضعيف). على وجه التحديد ، تم تشخيص مرضى XL مع أي منهما اختبار مرض الزهايمر (AD) أو الخرف الوعائي (VaD). ضمن كل فئة من فئات التشخيص الأولية هذه ، كان هناك تعيين إضافي لـ MCI. استند تشخيص MCI والخرف واضطراب الإدراك العصبي الوعائي واضطراب الإدراك العصبي الناتج عن مرض الزهايمر إلى معايير تشخيصية محددة ومميزة تم تحديدها في الدليل التشخيصي والإحصائي للاضطرابات العقلية: DSM-5 [16]. بالنظر إلى هذه التشخيصات المحسّنة ، تم تطبيق مخططين لنمذجة التصنيف بشكل منفصل على مجموعة البيانات الفرعية XL للتمييز بين مستوى الشدة (درجة الضعف) لكل فئة تشخيص أولية. البيانات المستخدمة في كل من مخططات النمذجة التشخيصية (AD و VaD) تضمنت معلومات ديموغرافية وتاريخ المريض ، بالإضافة إلى أداء MemTrax (MTx-٪ C ، يعني MTx-RT). تم وصف كل تشخيص بأنه معتدل إذا تم تحديد MCI ؛ خلاف ذلك ، تم اعتباره شديدًا. فكرنا في البداية في تضمين درجة MoCA في نماذج التشخيص (خفيف مقابل شديد) ؛ لكننا قررنا أن هذا من شأنه أن يهزم الغرض من مخطط النمذجة التنبؤية الثانوية لدينا. هنا سيتم تدريب المتعلمين باستخدام خصائص المريض الأخرى المتاحة بسهولة للمزود ومقاييس الأداء لاختبار MemTrax الأبسط (بدلاً من MoCA) مقابل "المعيار الذهبي" المرجعي ، التشخيص السريري المستقل. كان هناك 69 حالة في مجموعة بيانات تشخيص مرض الزهايمر و 76 حالة من حالات VaD (الجدول 2). في كلا مجموعتي البيانات ، كان هناك 12 ميزة مستقلة. بالإضافة إلى الميزات العشر المدرجة في تصنيف درجات MoCA ، تضمن تاريخ المريض أيضًا معلومات عن تاريخ ارتفاع ضغط الدم والسكتة الدماغية.
الجدول 2
ملخص اختلافات مخطط النمذجة المستخدمة لتصنيف شدة التشخيص (خفيف مقابل شديد)
| مخطط النمذجة | معتدل (فئة سلبية) | شديد (فئة إيجابية) |
| MCI-AD مقابل AD | 12 (17.4٪) | 57 (82.6٪) |
| MCI-VaD مقابل VaD | 38 (50.0٪) | 38 (50.0٪) |
يتم تمييز العدد والنسبة المئوية لإجمالي المرضى في كل فئة حسب فئة التشخيص الأولي (AD أو VaD).
إحصائيات
تم إجراء مقارنة بين خصائص المشاركين والميزات العددية الأخرى بين مجموعات البيانات الفرعية لكل استراتيجية تصنيف نموذجية (للتنبؤ بالصحة المعرفية لـ MoCA وشدة التشخيص) باستخدام لغة برمجة Python (الإصدار 2.7.1) [17]. تم تحديد الفروق في أداء النموذج مبدئيًا باستخدام ANOVA أحادي أو عاملين (حسب الاقتضاء) مع فاصل ثقة 95 ٪ واختبار Tukey الصادق الكبير (HSD) لمقارنة وسائل الأداء. تم إجراء هذا الفحص للاختلافات بين أداء النموذج باستخدام مزيج من Python و R (الإصدار 3.5.1) [18]. لقد استخدمنا هذا النهج (وإن كان يمكن القول أنه أقل من الأمثل) إلا كوسيلة مساعدة إرشادية في هذا الصدد مرحلة مبكرة لمقارنات أداء النموذج الأولي في توقع التطبيق السريري المحتمل. ثم استخدمنا اختبار تصنيف موقع Bayesian باستخدام التوزيع اللاحق لتحديد احتمالية اختلافات أداء النموذج [19]. بالنسبة لهذه التحليلات ، استخدمنا الفاصل الزمني –0.01 ، 0.01 ، مما يدل على أنه إذا كان هناك فرق في الأداء لمجموعتين أقل من 0.01 ، فقد تم اعتبارهما متماثلين (ضمن منطقة التكافؤ العملي) ، أو خلاف ذلك كانا مختلفين (واحدة أفضل من الأخرى). لإجراء مقارنة بايزي للمصنفات وحساب هذه الاحتمالات ، استخدمنا مكتبة بايكومب (الإصدار 1.0.2) لبايثون 3.6.4.
النمذجة التنبؤية
قمنا ببناء نماذج تنبؤية باستخدام الاختلافات العشرة الإجمالية لخطط النمذجة لدينا للتنبؤ (تصنيف) نتيجة اختبار MoCA لكل مريض أو شدة التشخيص السريري. تم تطبيق جميع المتعلمين وتم بناء النماذج باستخدام منصة البرمجيات مفتوحة المصدر Weka [20]. لتحليلنا الأولي ، استخدمنا 10 خوارزميات تعليمية شائعة الاستخدام: 5-أقرب الجيران ، ونسختان من شجرة قرار C4.5 ، والانحدار اللوجستي ، و Multilayer Perceptron ، و Naïve Bayes ، وإصدارين من Random Forest ، و Radial Basis Function Network ، و Support Vector آلة. تم وصف السمات والتناقضات الرئيسية لهذه الخوارزميات في مكان آخر [21] (انظر الملحق المعني). تم اختيار هذه لأنها تمثل مجموعة متنوعة من أنواع مختلفة من المتعلمين ولأننا أثبتنا نجاح استخدامها في التحليلات السابقة على بيانات مماثلة. تم اختيار إعدادات المعلمات الفائقة من بحثنا السابق مما يشير إلى أنها قوية في مجموعة متنوعة من البيانات المختلفة [22]. استنادًا إلى نتائج تحليلنا الأولي باستخدام نفس مجموعة البيانات المجمعة ذات الميزات المشتركة التي تم استخدامها لاحقًا في التحليل الكامل ، حددنا ثلاثة متعلمين قدموا أداءً قويًا باستمرار عبر جميع التصنيفات: الانحدار اللوجستي ، و Naïve Bayes ، و Support Vector Machine.
عبر التحقق من الصحة ومقياس أداء النموذج
بالنسبة لجميع النمذجة التنبؤية (بما في ذلك التحليلات الأولية) ، تم بناء كل نموذج باستخدام التحقق المتقاطع 10 أضعاف ، وتم قياس أداء النموذج باستخدام المنطقة تحت منحنى خصائص تشغيل جهاز الاستقبال (AUC). بدأ التحقق المتقاطع بتقسيم كل مجموعة من مجموعات بيانات مخطط النمذجة العشر بشكل عشوائي إلى 10 أجزاء متساوية (طيات) ، باستخدام تسعة من هذه الأجزاء لتدريب النموذج والجزء المتبقي للاختبار. تم تكرار هذا الإجراء 10 مرات ، باستخدام مقطع مختلف كمجموعة اختبار في كل تكرار. ثم تم دمج النتائج لحساب نتيجة / أداء النموذج النهائي. لكل مجموعة متعلم / مجموعة بيانات ، تكررت هذه العملية بأكملها 10 مرات مع تقسيم البيانات بشكل مختلف في كل مرة. قللت هذه الخطوة الأخيرة من التحيز ، وضمنت قابلية التكرار ، وساعدت في تحديد أداء النموذج الكلي. في المجموع (من أجل مخططات تصنيف شدة التشخيص والتشخيص في MoCA) ، تم بناء 10 نموذج. وشمل ذلك 6,600 نموذج غير مفلتر (1,800 مخططات للنمذجة مطبقة على مجموعة البيانات × 6 متعلمين × 3 أشواط × 10 طيات = 10 نموذجًا) و 1,800 نموذجًا مصفى (4,800 مخططات للنمذجة مطبقة على مجموعة البيانات × 4 متعلمين × 3 تقنيات اختيار الميزة × 4 أشواط × 10 طيات = 10 نموذج).
اختيار ميزة
بالنسبة للنماذج التي تمت تصفيتها ، تم إجراء اختيار الميزة (باستخدام طرق تصنيف الميزات الأربعة) ضمن التحقق المتقاطع. لكل من الطيات العشر ، نظرًا لأن نسبة 10٪ مختلفة من مجموعة البيانات كانت عبارة عن بيانات الاختبار ، تم استخدام الميزات الأربعة الأولى فقط لكل مجموعة بيانات تدريب (أي ، الطيات التسعة الأخرى ، أو 10٪ المتبقية من مجموعة البيانات بأكملها) لبناء النماذج. لم نتمكن من تأكيد الميزات الأربع التي تم استخدامها في كل نموذج ، حيث لم يتم تخزين هذه المعلومات أو إتاحتها داخل منصة النمذجة التي استخدمناها (Weka). ومع ذلك ، نظرًا للاتساق في اختيارنا الأولي لأفضل الميزات عندما تم تطبيق المُصنِّفين على مجموعة البيانات المُجمَّعة بأكملها والتشابه اللاحق في أداء النمذجة ، فهذه الميزات نفسها (العمر ، وسنوات التعليم ، و MTx-٪ C ، والمتوسط MTx-RT ) هي الأكثر انتشارًا بين الأربعة الأوائل المتزامنة مع اختيار الميزة ضمن عملية التحقق المتبادل.
النتائج
الخصائص العددية للمشاركين (بما في ذلك درجات MoCA ومقاييس أداء MemTrax) لمجموعات البيانات ذات الصلة لكل استراتيجية تصنيف نموذجية للتنبؤ بالصحة المعرفية المشار إليها من قبل MoCA (طبيعية مقابل MCI) وشدة التشخيص (خفيفة مقابل شديدة) موضحة في الجدول 3.
الجدول 3
خصائص المشاركين ودرجات MoCA وأداء MemTrax لكل استراتيجية تصنيف نموذجية
| استراتيجية التصنيف | العمر | التعليم | تعديل MoCA | MoCA غير معدلة | MTx-٪ سي | إم تي إكس-آر تي |
| فئة MoCA | 61.9 سنة (13.1) | 9.6 سنة (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8٪ (15.0) | 1.4 ثانية (0.3) |
| شدة التشخيص | 65.6 سنة (12.1) | 8.6 سنة (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3٪ (13.8) | 1.5 ثانية (0.3) |
القيم الموضحة (المتوسطة ، SD) المتمايزة عن طريق استراتيجيات تصنيف النمذجة تمثل مجموعة البيانات المجمعة المستخدمة للتنبؤ بالصحة المعرفية المشار إليها من قبل وزارة الزراعة الأمريكية (MCI مقابل العادي) ومجموعة البيانات الفرعية XL المستخدمة فقط للتنبؤ بشدة التشخيص (خفيفة مقابل شديدة).
لكل مجموعة من درجات MoCA (المعدلة / غير المعدلة) والعتبة (26/23) ، كان هناك فرق إحصائي (p = 0.000) في كل مقارنة زوجية (الصحة المعرفية العادية مقابل MCI) للعمر والتعليم وأداء MemTrax (MTx-٪ C و MTx-RT). كانت كل مجموعة بيانات فرعية لكل مريض في فئة MCI ذات الصلة لكل مجموعة في المتوسط حوالي 9 إلى 15 عامًا أكبر ، وأبلغت عن خمس سنوات أقل من التعليم ، وكان أداء MemTrax أقل ملاءمة لكلا المقياسين.
تظهر نتائج أداء النمذجة التنبؤية لتصنيفات درجات MoCA باستخدام أفضل ثلاثة متعلمين ، الانحدار اللوجستي ، و Naïve Bayes ، وآلة المتجهات الداعمة ، في الجدول 4. وقد تم اختيار هذه الثلاثة بناءً على أداء المتعلم المطلق الأكثر ارتفاعًا باستمرار عبر جميع النماذج المختلفة يتم تطبيقه على مجموعات البيانات لجميع مخططات النمذجة. بالنسبة لمجموعة البيانات والنمذجة غير المفلترة ، تشير كل من قيم البيانات الواردة في الجدول 4 إلى أداء النموذج بناءً على متوسط AUC الخاص المستمد من نماذج 100 (10 أشواط × 10 أضعاف) المصممة لكل مجموعة مخطط متعلم / نمذجة ، مع أعلى المتعلم الأداء المشار إليه بالخط العريض. بينما بالنسبة لنمذجة مجموعة البيانات التي تمت تصفيتها ، تعكس النتائج الواردة في الجدول 4 متوسط أداء النموذج الإجمالي من 400 نموذج لكل متعلم باستخدام كل طريقة من طرق ترتيب الميزات (4 طرق ترتيب الميزات × 10 مرات × 10 أضعاف).
الجدول 4
أداء تصنيف نقاط MoCA ثنائي التفرع (AUC ؛ 0.0-1.0) نتائج لكل من المتعلمين الثلاثة الأفضل أداءً لجميع مخططات النمذجة المعنية
| مجموعة الميزات المستخدمة | نقاط MoCA | عتبة قطع | الانحدار اللوجستي | نايف بايز | دعم شاحنات النقل |
| بدون فلتر (10 ميزات) | تعديل | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| غير معدّل | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| تمت تصفيته (4 ميزات) | تعديل | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| غير معدّل | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
باستخدام الاختلافات في مجموعة الميزات ، ودرجة MoCA ، وعتبة قطع نقاط MoCA ، يتم عرض أعلى أداء لكل مخطط نمذجة في الخطّ الغامق (ليس بالضرورة مختلفًا إحصائيًا عن كل الآخرين غير الموجودين في الخطّ الغامق للنموذج المعني).
بمقارنة المتعلمين عبر جميع مجموعات إصدارات درجات MoCA والعتبات (المعدلة / غير المعدلة و 23/26 ، على التوالي) في مجموعة البيانات المجمعة غير المفلترة (أي باستخدام الميزات المشتركة العشرة) ، كان Naïve Bayes بشكل عام المتعلم الأفضل أداءً مع إجمالي أداء التصنيف 10. بالنظر إلى المتعلمين الثلاثة الأوائل ، أشارت اختبارات التصنيف الموقعة المرتبطة بايزي إلى أن الاحتمال (Pr) من Naïve Bayes تفوق أداء الانحدار اللوجستي بنسبة 99.9٪. علاوة على ذلك ، بين Naïve Bayes و Support Vector Machine ، هناك احتمالية بنسبة 21.0٪ للتكافؤ العملي في أداء المتعلم (وبالتالي ، فإن احتمال 79.0٪ من Naïve Bayes يتفوق على آلة المتجهات الداعمة) ، إلى جانب احتمال 0.0٪ لأداء آلة المتجهات الداعمة بشكل أفضل ، ويمكن قياسه. يعزز ميزة الأداء لـ Naïve Bayes. اقترحت مقارنة إضافية لإصدار نقاط MoCA عبر جميع المتعلمين / العتبات ميزة أداء طفيفة باستخدام درجات MoCA غير المعدلة مقابل المعدل (0.9027 مقابل 0.8971 ، على التوالي ؛ Pr (غير معدلة> معدلة) = 0.988). وبالمثل ، أشارت مقارنة حد القطع عبر جميع المتعلمين وإصدارات درجات MoCA إلى ميزة أداء تصنيف صغيرة باستخدام 26 كحد تصنيف مقابل 23 (0.9056 مقابل 0.8942 ، على التوالي ؛ Pr (26> 23) = 0.999). أخيرًا ، عند فحص أداء التصنيف للنماذج باستخدام النتائج التي تمت تصفيتها فقط (أي الميزات الأربع الأعلى مرتبة فقط) ، كان Naïve Bayes (0.9143) من الناحية العددية المتعلم الأفضل أداءً عبر جميع إصدارات / عتبات درجات MoCA. ومع ذلك ، عبر جميع تقنيات تصنيف الميزات مجتمعة ، كان أداء جميع المتعلمين الأفضل أداءً متشابهًا. أظهرت اختبارات التصنيف الموقعة بايزي احتمالية بنسبة 100٪ للتكافؤ العملي بين كل زوج من المتعلمين الذين تمت تصفيتهم. كما هو الحال مع البيانات غير المفلترة (باستخدام جميع الميزات المشتركة العشرة) ، كانت هناك مرة أخرى ميزة أداء للنسخة غير المعدلة من درجة MoCA (Pr (غير معدلة> معدلة) = 1.000) ، بالإضافة إلى ميزة مميزة مماثلة لعتبة التصنيف 26 (Pr (26> 23) = 1.000). والجدير بالذكر أن متوسط أداء كل من أفضل ثلاثة متعلمين في جميع إصدارات / عتبات درجات MoCA باستخدام الميزات الأربع الأعلى مرتبة فقط تجاوز متوسط أداء أي متعلم على البيانات غير المفلترة. ليس من المستغرب أن يكون أداء تصنيف النماذج المصفاة (باستخدام الميزات الأربع الأعلى مرتبة) متفوقًا بشكل عام (0.9119) على النماذج غير المفلترة (0.8999) ، بغض النظر عن نماذج طريقة ترتيب الميزات التي تمت مقارنتها بتلك النماذج ذات الصلة باستخدام جميع النماذج العشرة الشائعة الميزات. لكل طريقة اختيار ميزة ، كان هناك احتمال بنسبة 10٪ لميزة الأداء على النماذج غير المصفاة.
مع اعتبار المرضى لتصنيف شدة تشخيص مرض الزهايمر ، اختلافات بين المجموعات (MCI-AD مقابل AD) بالنسبة للعمر (p = 0.004) ، التعليم (p = 0.028) ، درجة MoCA معدلة / غير معدلة (p = 0.000) ، و MTx-٪ C (p = 0.008) ذات دلالة إحصائية ؛ بينما بالنسبة لـ MTx-RT لم يكن (p = 0.097). مع هؤلاء المرضى الذين تم أخذهم في الاعتبار لتصنيف شدة تشخيص VaD ، فإن الفروق بين المجموعات (MCI-VaD مقابل VaD) في درجة MoCA المعدلة / غير المعدلة (p = 0.007) و MTx-٪ C (p = 0.026) و MTx-RT (p = 0.001) ذات دلالة إحصائية ؛ بينما بالنسبة للعمر (p = 0.511) والتعليم (p = 0.157) لم تكن هناك فروق ذات دلالة إحصائية بين المجموعة.
تظهر نتائج أداء النمذجة التنبؤية لتصنيفات شدة التشخيص باستخدام المتعلمين الثلاثة المحددين سابقًا ، الانحدار اللوجستي ، و Naïve Bayes ، وآلة المتجهات الداعمة ، في الجدول 5. بينما أظهر المتعلمون الذين تم فحصهم الإضافي أداءً أقوى قليلاً بشكل فردي مع واحدة من فئتي التشخيص السريري ، فإن المتعلمين الثلاثة الذين حددناهم على أنهم الأكثر تفضيلًا في النمذجة السابقة قدموا الأداء الأكثر اتساقًا مع كل من مخططات النمذجة الجديدة. بمقارنة المتعلمين عبر كل فئة من فئات التشخيص الأولية (AD و VaD) ، لم يكن هناك فرق ثابت في أداء التصنيف بين المتعلمين لـ MCI-VaD مقابل VaD ، على الرغم من أن Support Vector Machine كان يؤدي بشكل عام بشكل أكثر بروزًا. وبالمثل ، لم تكن هناك فروق ذات دلالة إحصائية بين المتعلمين لتصنيف MCI-AD مقابل تصنيف AD ، على الرغم من أن Naïve Bayes (NB) لديها ميزة أداء طفيفة على الانحدار اللوجستي (LR) وتعدد لا يُذكر على آلة المتجهات الداعمة ، مع احتمالات 61.4٪ و 41.7٪ على التوالي. عبر مجموعتي البيانات ، كانت هناك ميزة أداء شاملة لـ Support Vector Machine (SVM) ، مع Pr (SVM> LR) = 0.819 و Pr (SVM> NB) = 0.934. كان أداء التصنيف العام لدينا عبر جميع المتعلمين في توقع شدة التشخيص في مجموعة البيانات الفرعية XL أفضل في فئة تشخيص VaD مقابل AD (Pr (VAD> AD) = 0.998).
الجدول 5
نتائج أداء تصنيف شدة التشخيص السريري ثنائي التفرع (AUC ؛ 0.0-1.0) لكل من المتعلمين الثلاثة الأفضل أداءً لكل من مخططات النمذجة المعنية
| مخطط النمذجة | الانحدار اللوجستي | نايف بايز | دعم شاحنات النقل |
| MCI-AD مقابل AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD مقابل VaD | 0.8033 | 0.8044 | 0.8338 |
يظهر أعلى أداء لكل مخطط نمذجة في الخطّ الغامق (ليس بالضرورة مختلفًا إحصائيًا عن الآخرين غير الموجودين في الخطّ الغامق).
مناقشة
الاكتشاف المبكر للتغيرات في الصحة المعرفية مهم فائدة عملية في إدارة الصحة الشخصية والصحة العامة على حد سواء. في الواقع ، إنها أيضًا أولوية عالية جدًا في الإعدادات السريرية للمرضى في جميع أنحاء العالم. الهدف المشترك هو تنبيه المرضى ومقدمي الرعاية ومقدمي الرعاية والحث على العلاج المبكر المناسب والفعال من حيث التكلفة والرعاية الطولية لأولئك الذين بدأوا يعانون من التدهور المعرفي. بدمج المجموعات الفرعية لبيانات المستشفيات / العيادات الثلاثة ، حددنا ثلاثة متعلمين مفضلين بشكل مميز (مع أحد أبرز المتميزين وهو نايف بايز) لبناء نماذج تنبؤية باستخدام مقاييس أداء MemTrax التي يمكنها تصنيف الحالة الصحية المعرفية بشكل موثوق ثنائي التفرع (الصحة المعرفية العادية أو MCI) كما هو موضح بواسطة النتيجة الإجمالية لـ MoCA. والجدير بالذكر أن أداء التصنيف العام لجميع المتعلمين الثلاثة قد تحسن عندما استخدمت نماذجنا فقط الميزات الأربع الأعلى تصنيفًا والتي تضمنت بشكل أساسي مقاييس أداء MemTrax هذه. علاوة على ذلك ، كشفنا عن الإمكانات المثبتة لاستخدام نفس المتعلمين ومقاييس أداء MemTrax في مخطط نمذجة تصنيف الدعم التشخيصي للتمييز بين شدة فئتين من تشخيص الخرف: AD و VaD.
اختبار الذاكرة هو مركز للكشف المبكر عن ميلادي [23 ، 24]. وبالتالي ، فمن المناسب أن تكون MemTrax مقبولة وجذابة وسهلة التنفيذ عبر الإنترنت اختبار فحص للذاكرة العرضية في عموم السكان [6]. تكشف دقة التعرف وأوقات الاستجابة من مهمة الأداء المستمر هذه بشكل خاص في تحديد التدهور المبكر والمتطور وما يترتب على ذلك من عجز في عمليات البلاستيك العصبي المتعلقة بالتعلم والذاكرة والإدراك. وهذا يعني أن النماذج هنا التي تستند إلى حد كبير على مقاييس أداء MemTrax حساسة ومن المرجح أن تكشف بسهولة وبأقل تكلفة عن عجز عصبي بيولوجي أثناء المرحلة الانتقالية بدون أعراض قبل حدوث خسارة وظيفية أكبر [25]. أشفورد وآخرون. فحص عن كثب أنماط وسلوكيات دقة ذاكرة التعرف ووقت الاستجابة لدى المستخدمين عبر الإنترنت الذين شاركوا بمفردهم مع MemTrax [6]. مع احترام أن هذه التوزيعات حاسمة في النمذجة المثلى وتطوير تطبيقات رعاية المرضى الصالحة والفعالة ، فإن تحديد ملفات التعريف القابلة للتطبيق سريريًا ووقت الاستجابة أمر ضروري في إنشاء مرجع أساسي قيم للمرافق السريرية والبحثية. القيمة العملية لـ MemTrax في فحص AD للضعف الإدراكي في المراحل المبكرة والدعم التشخيصي التفاضلي تحتاج إلى فحصها عن كثب في سياق الإعداد السريري حيث يمكن النظر في الأمراض المصاحبة والقدرات المعرفية والحسية والحركية التي تؤثر على أداء الاختبار. ولإثراء المنظور المهني وتشجيع الفائدة السريرية العملية ، من الضروري أولاً إثبات المقارنة مع اختبار تقييم الصحة المعرفية الراسخ ، على الرغم من أن هذا الأخير قد يكون مقيدًا بشكل واضح بسبب لوجستيات الاختبار المرهقة والتعليم واللغة والتأثيرات الثقافية [26] . في هذا الصدد ، فإن المقارنة الإيجابية بين MemTrax في الفعالية السريرية و MoCA التي يُزعم أنها معيار صناعي مهمة ، لا سيما عند الموازنة بين سهولة الاستخدام وقبول المريض لـ MemTrax.
يسلط الاستكشاف السابق الذي يقارن MemTrax بـ MoCA الضوء على الأساس المنطقي والأدلة الأولية التي تبرر تحقيقنا في النمذجة [8]. ومع ذلك ، فإن هذه المقارنة السابقة ارتبطت فقط بمقاييس أداء MemTrax الرئيسية التي قمنا بفحصها مع الحالة المعرفية على النحو الذي تحدده MoCA ونطاقات محددة وقيم القطع. لقد قمنا بتعميق تقييم المنفعة السريرية لـ MemTrax من خلال استكشاف نهج قائم على النمذجة التنبؤية من شأنه أن يوفر اعتبارًا فرديًا أكثر للمعلمات الأخرى الخاصة بالمريض ذات الصلة المحتملة. على عكس الآخرين ، لم نجد ميزة في أداء النموذج باستخدام تصحيح تعليمي (تعديل) لدرجة MoCA أو في تغيير عتبة مجموع نقاط MoCA التي تميز الصحة المعرفية من 26 إلى 23 الموصى بها أصلاً [12 ، 15]. في الواقع ، فضلت ميزة أداء التصنيف استخدام درجة MoCA غير المعدلة والعتبة الأعلى.
النقاط الرئيسية في الممارسة السريرية
غالبًا ما يتم استخدام التعلم الآلي بشكل أفضل وأكثر فاعلية في النمذجة التنبؤية عندما تكون البيانات واسعة النطاق ومتعددة الأبعاد ، أي عندما يكون هناك العديد من الملاحظات ومجموعة واسعة مصاحبة من السمات عالية القيمة (المساهمة). ومع ذلك ، مع هذه البيانات الحالية ، فإن النماذج التي تمت تصفيتها مع أربعة ميزات محددة فقط كان أداءها أفضل من تلك التي تستخدم جميع الميزات المشتركة العشرة. يشير هذا إلى أن مجموعة بيانات المستشفى الإجمالية لدينا لا تحتوي على أكثر الميزات الملائمة سريريًا (ذات القيمة العالية) لتصنيف المرضى على النحو الأمثل بهذه الطريقة. ومع ذلك ، فإن التركيز على تصنيف الميزات على مقاييس أداء MemTrax الرئيسية - MTx-٪ C و MTx-RT - يدعم بقوة بناء نماذج فحص العجز المعرفي للمرحلة المبكرة حول هذا الاختبار ، وهي بسيطة وسهلة الإدارة ومنخفضة التكلفة وكاشفة بشكل مناسب فيما يتعلق أداء الذاكرة ، على الأقل الآن كشاشة أولية لتصنيف ثنائي للحالة الصحية المعرفية. نظرًا للضغط المتزايد باستمرار على مقدمي الرعاية وأنظمة الرعاية الصحية ، يجب تطوير عمليات فحص المرضى والتطبيقات السريرية بشكل مناسب مع التركيز على جمع وتتبع ونمذجة خصائص المريض ومقاييس الاختبار الأكثر فائدة وفائدة وثبت فعاليتها في التشخيص ودعم إدارة المريض.
نظرًا لكون مقياسي MemTrax الرئيسيين أساسيين لتصنيف MCI ، كان للمتعلم الأفضل أداءً (Naïve Bayes) أداء تنبئي عالي جدًا في معظم النماذج (AUC فوق 0.90) مع نسبة إيجابية إلى إيجابية كاذبة تقترب أو تتجاوز إلى حد ما 4 : 1. إن التطبيق الإكلينيكي الترجمي باستخدام هذا المتعلم من شأنه أن يلتقط (يصنف بشكل صحيح) إلى حد بعيد معظم أولئك الذين يعانون من عجز معرفي ، مع تقليل التكلفة المرتبطة بتصنيف شخص لديه صحة معرفية طبيعية عن طريق الخطأ على أنه يعاني من عجز معرفي (إيجابي كاذب) أو فقدان هذا التصنيف في أولئك الذين لديهم عجز معرفي (سلبي كاذب). يمكن لأي من سيناريوهات سوء التصنيف هذه أن تفرض عبئًا نفسيًا اجتماعيًا لا داعي له على المريض ومقدمي الرعاية.
بينما في التحليلات الأولية والكاملة استخدمنا جميع المتعلمين العشرة في كل مخطط نمذجة ، ركزنا نتائجنا على المصنفات الثلاثة التي تظهر الأداء القوي الأكثر اتساقًا. كان هذا أيضًا لتسليط الضوء ، بناءً على هذه البيانات ، على المتعلمين الذين يتوقعون أداءً موثوقًا بمستوى عالٍ في تطبيق سريري عملي في تحديد تصنيف الحالة المعرفية. علاوة على ذلك ، نظرًا لأن هذه الدراسة كانت تهدف إلى أن تكون بمثابة تحقيق تمهيدي في فائدة التعلم الآلي في الفحص المعرفي وهذه التحديات السريرية في الوقت المناسب ، فقد اتخذنا قرارًا بالحفاظ على أساليب التعلم بسيطة ومعممة ، مع الحد الأدنى من ضبط المعلمات. نحن نقدر أن هذا النهج قد يكون قد حد من إمكانية وجود قدرات تنبؤية محددة بدقة خاصة بالمريض. وبالمثل ، في حين أن تدريب النماذج باستخدام الميزات العليا فقط (النهج المصفاة) يُعلمنا بشكل أكبر بشأن هذه البيانات (خاصة بأوجه القصور في البيانات التي تم جمعها وتسليط الضوء على القيمة في تحسين الوقت والموارد السريرية الثمينة) ، فإننا ندرك أنه من السابق لأوانه تضييق نطاق يجب النظر في نطاق النماذج ، وبالتالي ، جميع (وغيرها من الميزات) مع البحث في المستقبل حتى يكون لدينا ملف تعريف أكثر تحديدًا للميزات ذات الأولوية التي يمكن تطبيقها على السكان العريضين. وبالتالي ، فإننا ندرك تمامًا أيضًا أن البيانات الأكثر شمولًا وتمثيلًا على نطاق واسع وتحسين هذه النماذج وغيرها ستكون ضرورية قبل دمجها في تطبيق سريري فعال ، خاصة لاستيعاب الأمراض المصاحبة التي تؤثر على الأداء المعرفي والتي يجب أخذها في الاعتبار في مزيد من التقييم السريري.
تم تحسين فائدة MemTrax بشكل أكبر من خلال نمذجة شدة المرض بناءً على التشخيص السريري المنفصل. لم يكن أداء التصنيف العام الأفضل في التنبؤ بخطورة VaD (مقارنةً بـ AD) مفاجأة بالنظر إلى ميزات ملف تعريف المريض في النماذج الخاصة بصحة الأوعية الدموية وخطر السكتة الدماغية ، مثل ارتفاع ضغط الدم ، ارتفاع نسبة الدهون في الدم ، السكري ، و (بالطبع) تاريخ السكتة الدماغية. على الرغم من أنه كان من الأفضل والأكثر ملاءمة إجراء نفس التقييم السريري على المرضى المتطابقين الذين يتمتعون بصحة معرفية طبيعية لتدريب المتعلمين على هذه البيانات الأكثر شمولاً. هذا مبرر بشكل خاص ، حيث أن MemTrax مخصص للاستخدام في المقام الأول لاكتشاف المرحلة المبكرة من العجز المعرفي والتتبع اللاحق للتغيير الفردي. ومن المعقول أيضًا أن يكون التوزيع المرغوب فيه أكثر للبيانات في مجموعة بيانات VaD قد ساهم جزئيًا في أداء النمذجة الأفضل نسبيًا. كانت مجموعة بيانات VaD متوازنة جيدًا بين الفئتين ، في حين أن مجموعة بيانات AD مع عدد أقل بكثير من مرضى MCI لم تكن كذلك. في مجموعات البيانات الصغيرة على وجه الخصوص ، يمكن حتى لبعض الحالات الإضافية أن تحدث فرقًا ملموسًا. كلا المنظورين عبارة عن حجج معقولة تقوم عليها الاختلافات في أداء نمذجة شدة المرض. ومع ذلك ، فإن الإسناد المتناسب للأداء المحسن إلى الخصائص العددية لمجموعة البيانات أو السمات الملازمة للعرض السريري قيد الدراسة أمر سابق لأوانه. ومع ذلك ، فإن هذه الرواية أثبتت فائدة نموذج التصنيف التنبئي MemTrax في دور دعم التشخيص السريري يوفر منظورًا قيمًا ويؤكد السعي لإجراء فحص إضافي مع المرضى عبر سلسلة MCI.
يؤكد تنفيذ MemTrax وهذه النماذج وفائدتها المثبتة في الصين ، حيث تختلف اللغة والثقافة اختلافًا جذريًا عن المناطق الأخرى ذات المنفعة الثابتة (مثل فرنسا وهولندا والولايات المتحدة) [7 ، 8 ، 27] ، على الإمكانات للحصول على قبول عالمي واسع النطاق وقيمة إكلينيكية لمنصة قائمة على MemTrax. هذا مثال يمكن إثباته في السعي نحو تنسيق البيانات وتطوير معايير دولية عملية ومصادر نمذجة للفحص المعرفي التي يتم توحيدها وتكييفها بسهولة للاستخدام في جميع أنحاء العالم.
الخطوات التالية في نمذجة وتطبيق التدهور المعرفي
يحدث الخلل الوظيفي المعرفي في مرض الزهايمر بالفعل في سلسلة متصلة ، وليس في مراحل أو خطوات منفصلة [28 ، 29]. ومع ذلك ، في هذه المرحلة المبكرة ، كان هدفنا هو إثبات قدرتنا أولاً على بناء نموذج يتضمن MemTrax يمكنه التمييز بشكل أساسي بين "العادي" و "غير الطبيعي". بيانات تجريبية أكثر شمولاً (على سبيل المثال ، تصوير الدماغ ، والسمات الجينية ، والمؤشرات الحيوية ، والأمراض المصاحبة ، والعلامات الوظيفية للمعقدات الأنشطة التي تتطلب الإدراك التحكم) [30] عبر مختلف المناطق العالمية والسكان والفئات العمرية لتدريب وتطوير نماذج التعلم الآلي الأكثر تعقيدًا (بما في ذلك المجموعة المرجحة بشكل مناسب) ستدعم درجة أكبر من التصنيف المحسن ، أي القدرة على تصنيف مجموعات المرضى الذين يعانون من MCI إلى مجموعات فرعية أصغر وأكثر تحديدًا على طول سلسلة التدهور المعرفي. علاوة على ذلك ، فإن التشخيصات السريرية المصاحبة للأفراد عبر مجموعات المرضى المتنوعة إقليمياً ضرورية تدريب فعال هذه النماذج الأكثر شمولاً وقوة يمكن التنبؤ بها. سيؤدي ذلك إلى تسهيل إدارة الحالات الطبقية الأكثر تحديدًا لأولئك الذين لديهم خلفيات وتأثيرات متشابهة وملامح معرفية مميزة أكثر تحديدًا وبالتالي تحسين دعم القرار السريري ورعاية المرضى.
تناول الكثير من الأبحاث السريرية ذات الصلة حتى الآن المرضى الذين يعانون من الخرف الخفيف على الأقل. وفي الممارسة العملية ، غالبًا ما تتم محاولة تدخل المريض فقط في مراحل متقدمة. ومع ذلك ، نظرًا لأن التدهور المعرفي يبدأ قبل وقت طويل من استيفاء المعايير السريرية للخرف ، فإن الشاشة المبكرة القائمة على MemTrax المطبقة بشكل فعال يمكن أن تشجع على التثقيف المناسب للأفراد حول المرض وتطوراته وتحث على التدخلات المبكرة وفي الوقت المناسب. وبالتالي ، يمكن أن يدعم الاكتشاف المبكر التدخلات المناسبة التي تتراوح من التمارين ، والنظام الغذائي ، والدعم العاطفي ، والتنشئة الاجتماعية المحسّنة إلى التدخل الدوائي ، ويعزز التغييرات المتعلقة بالمريض في السلوك والإدراك التي يمكن أن تخفف من حدة تطور الخرف أو توقفه بشكل محتمل [31 ، 32] . علاوة على ذلك ، مع فعالية الفحص المبكر، قد يُطلب من الأفراد وعائلاتهم التفكير في إجراء تجارب سريرية أو الحصول على المشورة وخدمات الدعم الاجتماعي الأخرى للمساعدة في توضيح التوقعات والنوايا وإدارة المهام اليومية. يمكن أن يكون التحقق الإضافي والمنفعة العملية الواسعة النطاق بهذه الطرق مفيدًا في تخفيف أو إيقاف تقدم MCI و AD و ADRD للعديد من الأفراد.
في الواقع ، لا يمثل الحد الأدنى من الفئة العمرية للمريض في دراستنا السكان ذوي الاهتمام التقليدي بمرض الزهايمر. ومع ذلك ، فإن متوسط العمر لكل مجموعة مستخدمة في مخططات نمذجة التصنيف بناءً على درجة / عتبة MoCA وشدة التشخيص (الجدول 3) يؤكد أن الأغلبية الواضحة (أكثر من 80٪) تبلغ من العمر 50 عامًا على الأقل. وبالتالي فإن هذا التوزيع مناسب جدًا للتعميم ، مما يدعم فائدة هذه النماذج في السكان الذين يميزون أولئك الذين يتأثرون عادةً بداية مبكرة وتزايد الأمراض العصبية الإدراكية بسبب الزهايمر وفا دي. أيضًا ، تؤكد الأدلة والمنظورات الحديثة على تلك العوامل المعروفة (مثل ارتفاع ضغط الدم والسمنة والسكري والتدخين) التي من المحتمل أن تسهم في درجات مخاطر الأوعية الدموية لدى البالغين ومتوسط العمر وما يترتب على ذلك من إصابات دماغية خفية تتطور بشكل خبيث مع آثار واضحة حتى في الشباب الكبار [33-35]. وفقًا لذلك ، فإن أفضل فرصة للفحص الأولي للكشف المبكر مرحلة العجز المعرفي والبدء في استراتيجيات الوقاية والتدخل الفعالة في معالجة الخرف بنجاح سيظهر من فحص العوامل المساهمة والمؤشرات السابقة عبر الطيف العمري ، بما في ذلك مرحلة البلوغ المبكر وحتى الطفولة (مع ملاحظة أهمية العوامل الوراثية مثل البروتين الشحمي E من الحمل المبكر).
من الناحية العملية ، لا تتوفر دائمًا التشخيصات السريرية الصحيحة والإجراءات المكلفة للتصوير المتقدم والتوصيف الجيني وقياس المؤشرات الحيوية الواعدة بسهولة أو حتى مجدية للعديد من مقدمي الخدمات. وبالتالي ، في كثير من الحالات ، قد يتعين اشتقاق تصنيف الحالة الصحية المعرفية الشاملة الأولية من النماذج باستخدام مقاييس بسيطة أخرى يقدمها المريض (على سبيل المثال ، الإبلاغ الذاتي مشاكل الذاكرةوالأدوية الحالية والقيود الروتينية على النشاط) والخصائص الديموغرافية الشائعة [7]. السجلات مثل جامعة كاليفورنيا صحة الدماغ السجل (https://www.brainhealthregistry.org/) [27] وآخرون لديهم اتساع متأصل أكبر من الأعراض المبلغ عنها ذاتيًا ، والمقاييس النوعية (مثل النوم والإدراك اليومي) ، والأدوية ، والحالة الصحية ، والتاريخ ، و ستكون التركيبة السكانية الأكثر تفصيلاً مفيدة في تطوير والتحقق من التطبيق العملي لهذه النماذج الأكثر بدائية في العيادة. علاوة على ذلك ، فإن اختبارًا مثل MemTrax ، والذي أظهر فائدة في تقييم وظيفة الذاكرة ، قد يوفر في الواقع تقديرًا أفضل بكثير لعلم أمراض الزهايمر من العلامات البيولوجية. بالنظر إلى أن السمة الأساسية لعلم أمراض الزهايمر هي اضطراب المرونة العصبية وفقدان المعقد بشكل كبير لنقاط الاشتباك العصبي ، والذي يتجلى على أنه عرضي قد يحدث خلل في الذاكرة ، وهو مقياس يقيم الذاكرة العرضية تقديم تقدير أفضل للعبء المرضي لمرض الزهايمر مقارنة بالواسمات البيولوجية في المريض الحي [36].
مع جميع النماذج التنبؤية - سواء أكانت مكملة ببيانات معقدة وشاملة من أحدث التقنيات ورؤى سريرية محسّنة عبر مجالات متعددة أو تلك التي تقتصر على معلومات أكثر أساسية ومتاحة بسهولة والتي تميز ملفات تعريف المريض الحالية - الميزة المعترف بها للذكاء الاصطناعي والتعلم الآلي هو أن النماذج الناتجة يمكنها التوليف و "التعلم" بشكل استقرائي من البيانات الجديدة ذات الصلة والمنظور الذي يوفره الاستخدام المستمر للتطبيق. بعد نقل التكنولوجيا العملي ، حيث يتم تطبيق النماذج هنا (والتي سيتم تطويرها) وإثرائها بمزيد من الحالات والبيانات ذات الصلة (بما في ذلك المرضى الذين يعانون من أمراض مصاحبة يمكن أن تظهر مع التدهور المعرفي الناتج) ، سيكون أداء التنبؤ وتصنيف الصحة المعرفية أكثر قوة ، مما يؤدي إلى فائدة أكثر فعالية لدعم القرار السريري. سيتحقق هذا التطور بشكل كامل وعملي من خلال تضمين MemTrax في منصات مخصصة (تستهدف القدرات المتاحة) والتي يمكن لمقدمي الرعاية الصحية استخدامها في الوقت الفعلي في العيادة.
يعد التحقق من صحة وفائدة نموذج MemTrax للدعم التشخيصي ورعاية المرضى أمرًا مطلوبًا للغاية بعد الحصول على بيانات طولية ذات مغزى. من خلال مراقبة وتسجيل التغييرات المصاحبة (إن وجدت) في الحالة السريرية عبر نطاق مناسب من الطبيعي خلال المرحلة المبكرة من MCI ، يمكن تدريب نماذج التقييم والتصنيف المستمر المناسب وتعديلها مع تقدم عمر المريض ومعالجته. أي أن الأداة المتكررة يمكن أن تساعد في التتبع الطولي للتغيرات المعرفية الخفيفة ، وفعالية التدخل ، والحفاظ على الرعاية الطبقية المستنيرة. يتوافق هذا النهج بشكل وثيق مع الممارسة السريرية وإدارة المريض والحالة.
القيود
نحن نقدر التحدي والقيمة في جمع البيانات السريرية النظيفة في عيادة / مستشفى خاضع للرقابة. ومع ذلك ، كان من الممكن أن يقوي نمذجةنا إذا تضمنت مجموعات البيانات لدينا المزيد من المرضى ذوي السمات المشتركة. علاوة على ذلك ، خاصة بنمذجة التشخيص الخاصة بنا ، كان من المرغوب فيه والمناسب إجراء نفس التقييم السريري على المرضى المتطابقين الذين يتمتعون بصحة معرفية طبيعية لتدريب المتعلمين. وكما يتضح من أداء التصنيف العالي باستخدام مجموعة البيانات التي تمت تصفيتها (فقط الميزات الأربع الأعلى تصنيفًا) ، يكون أكثر عمومية و من المحتمل أن تكون مقاييس / مؤشرات الصحة المعرفية قد تحسنت نمذجة الأداء مع عدد أكبر من الميزات المشتركة عبر جميع المرضى.
قد يكون بعض المشاركين يعانون بشكل متزامن من أمراض أخرى يمكن أن تؤدي إلى قصور إدراكي عابر أو مزمن. بخلاف مجموعة البيانات الفرعية XL حيث تم تشخيص المرضى على أنهم مصابون إما بمرض AD أو VaD ، لم يتم جمع / الإبلاغ عن بيانات الاعتلال المشترك في مجموعة مرضى YH ، وكان المرض المشترك السائد المبلغ عنه إلى حد بعيد في مجموعة البيانات الفرعية KM هو مرض السكري. ومع ذلك ، يمكن القول إن تضمين المرضى في مخططات النمذجة لدينا مع الأمراض المصاحبة التي يمكن أن تحفز أو تؤدي إلى تفاقم مستوى من النقص المعرفي وبالتالي انخفاض أداء MemTrax سيكون أكثر تمثيلا لجمهور المرضى المستهدفين في العالم الحقيقي لهذا الفحص المعرفي المبكر الأكثر عمومية. ونهج النمذجة. للمضي قدمًا ، فإن التشخيص الدقيق للأمراض المصاحبة التي يحتمل أن تؤثر على الأداء المعرفي مفيد على نطاق واسع لتحسين النماذج وتطبيقات رعاية المرضى الناتجة.
أخيرًا ، استخدم مرضى مجموعة البيانات الفرعية YH و KM هاتفًا ذكيًا لإجراء اختبار MemTrax ، بينما استخدم عدد محدود من مرضى مجموعة البيانات الفرعية XL جهاز iPad والباقي استخدموا هاتفًا ذكيًا. قد يكون هذا قد أحدث اختلافًا بسيطًا متعلقًا بالجهاز في أداء MemTrax لنمذجة تصنيف MoCA. ومع ذلك ، فإن الاختلافات (إن وجدت) في MTx-RT ، على سبيل المثال ، بين الأجهزة من المحتمل أن تكون ضئيلة ، خاصة مع إعطاء كل مشارك اختبار "تدريبي" قبل أداء الاختبار المسجل مباشرة. ومع ذلك ، فإن فائدة هذين الجهازين المحمولة باليد من المحتمل أن تقوض المقارنة المباشرة و / أو التكامل مع نتائج MemTrax الأخرى حيث يستجيب المستخدمون لتكرار الصور عن طريق لمس مفتاح المسافة على لوحة مفاتيح الكمبيوتر.
النقاط الرئيسية في أداة النمذجة التنبؤية MemTrax
- • يمكن لنماذجنا التنبؤية الأفضل أداءً والتي تشتمل على مقاييس أداء MemTrax المختارة أن تصنف بشكل موثوق الحالة الصحية المعرفية (الصحة الإدراكية العادية أو MCI) كما يتضح من اختبار MoCA المعترف به على نطاق واسع.
- • تدعم هذه النتائج دمج مقاييس أداء MemTrax المحددة في تطبيق فحص نموذج تنبؤي للتصنيف للضعف الإدراكي في المرحلة المبكرة.
- • كشفت نمذجة التصنيف أيضًا عن إمكانية استخدام أداء MemTrax في تطبيقات التمييز بين شدة تشخيص الخرف.
تؤسس هذه النتائج الجديدة أدلة قاطعة تدعم فائدة التعلم الآلي في بناء نماذج تصنيف قوية محسّنة قائمة على MemTrax للدعم التشخيصي في الإدارة الفعالة للحالات السريرية ورعاية المرضى للأفراد الذين يعانون من ضعف إدراكي.
شكر وتقدير
نحن نقدر عمل J. Wesson Ashford ، و Curtis B. Ashford ، وزملائه لتطوير والتحقق من مهمة وأداة التعرف المستمر عبر الإنترنت (MemTrax) المستخدمة هنا ، ونحن ممتنون للعديد من المرضى المصابين بالخرف الذين ساهموا في البحث التأسيسي النقدي . نشكر أيضًا Xianbo Zhou وزملائه في SJN Biomed LTD وزملائه والمتعاونين في المستشفيات / مواقع العيادات ، وخاصة الأطباء. M. Luo و M. Zhong ، اللذان ساعدا في تجنيد المشاركين ، وجدولة الاختبارات ، وجمع البيانات وتسجيلها وإدارة الواجهة الأمامية ، والمتطوعين المشاركين الذين تبرعوا بوقتهم الثمين والتزموا بإجراء الاختبارات وتقديم البيانات القيمة بالنسبة لنا لتقييمها في هذه الدراسة. هذه تم دعم الدراسة جزئيًا بواسطة MD البحث العلمي برنامج جامعة كونمينغ الطبية (منحة رقم 2017BS028 إلى XL) وبرنامج البحث التابع لقسم العلوم والتكنولوجيا في يونان (منحة رقم 2019FE001 (-222) إلى XL).
قدم J. Wesson Ashford طلب براءة اختراع لاستخدام نموذج التعرف المستمر المحدد الموصوف في هذه الورقة للأغراض العامة. اختبار الذاكرة.
MemTrax، LLC هي شركة مملوكة من قبل Curtis Ashford ، وتتولى هذه الشركة إدارة اختبار الذاكرة النظام الموصوف في هذه الورقة.
إفصاحات المؤلفين متاحة على الإنترنت (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
المراجع
| [1] جمعية الزهايمر (2016) 2016 حقائق مرض الزهايمر والأرقام. داء الزهايمر 12 ، 459-509. | |
| [2] Gresenz CR ، Mitchell JM ، Marrone J ، Federoff HJ (2019) تأثير المرحلة المبكرة مرض الزهايمر على النتائج المالية للأسرة. Health Econ 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) تحسين الجودة في علم الأعصاب: مجموعة قياس جودة ضعف الإدراك المعتدل. علم الأعصاب 93 ، 705-713. |
| [4] Tong T، Thokala P، McMillan B، Ghosh R، Brazier J (2017) فعالية تكلفة استخدام اختبارات الفحص المعرفي للكشف عن الخرف والضعف الإدراكي المعتدل في الرعاية الأولية. Int ياء جيرياتر للطب النفسي 32 ، 1392-1400. | |
| [5] Ashford JW، Gere E، Bayley PJ (2011) قياس الذاكرة في إعدادات مجموعة كبيرة باستخدام اختبار التعرف المستمر. J ألزهايمر ديس 27 ، 885-895. | |
| [6] | Ashford JW ، Tarpin-Bernard F ، Ashford CB ، Ashford MT (2019) مهمة التعرف المستمر المحوسب لقياس الذاكرة العرضية. J ألزهايمر ديس 69 ، 385-399. |
| [7] | Bergeron MF ، Landset S ، Tarpin-Bernard F ، Ashford CB ، Khoshgoftaar TM ، Ashford JW (2019) أداء الذاكرة العرضية في نمذجة التعلم الآلي للتنبؤ بتصنيف الحالة الصحية المعرفية. J ألزهايمر ديس 70 ، 277-286. |
| [8] van der Hoek MD، Nieuwenhuizen A، Keijer J، Ashford JW (2019) اختبار MemTrax مقارنة بتقدير تقييم مونتريال للضعف الإدراكي المعتدل. J ألزهايمر ديس 67 ، 1045-1054. | |
| [9] | Falcone M ، Yadav N ، Poellabauer C ، Flynn P (2013) استخدام أصوات الحروف المتحركة المعزولة لتصنيف إصابات الدماغ الرضحية الخفيفة. في عام 2013 المؤتمر الدولي IEEE حول الصوتيات والكلام ومعالجة الإشارات ، فانكوفر ، كولومبيا البريطانية ، ص 7577-7581. |
| [10] | Dabek F ، Caban JJ (2015) الاستفادة من البيانات الضخمة لنمذجة احتمالية الإصابة بحالات نفسية بعد حدوث ارتجاج. بروسيديا كومبوت سسي 53 ، 265-273. |
| [11] | Climent MT، Pardo J، Munoz-Almaraz FJ، Guerrero MD، Moreno L (2018) شجرة قرارات للكشف المبكر عن ضعف الإدراك بواسطة صيادلة المجتمع. فارماكول فرونت 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: أداة فحص مختصرة للضعف الإدراكي المعتدل. J Am Geriatr Soc 53، 695–699. |
| [13] | Yu J ، Li J ، Huang X (2012) نسخة بكين من تقييم مونتريال المعرفي كأداة فحص موجزة للضعف الإدراكي المعتدل: دراسة مجتمعية. الطب النفسي BMC 12 ، 156. |
| [14] | Chen KL، Xu Y، Chu AQ، Ding D، Liang XN، Nasreddine ZS، Dong Q، Hong Z، Zhao QH، Guo QH (2016) التحقق من صحة النسخة الصينية من تقييم مونتريال المعرفي الأساسي لفحص الضعف الإدراكي المعتدل. شركة J Am Geriatr Soc 64، e285-e290. |
| [15] | كارسون إن ، ليتش إل ، مورفي كي جيه (2018) إعادة فحص درجات قطع التقييم المعرفي لمونتريال (MoCA). Int ياء جيرياتر للطب النفسي 33 ، 379-388. |
| [16] | الرابطة الأمريكية للطب النفسي (2013) الدليل التشخيصي والإحصائي للاضطرابات النفسية: DSM-5 ™ ، American Psychiatric Publishing ، Inc. ، واشنطن العاصمة. |
| [17] | بايثون. مؤسسة Python Software Foundation ، http://www.python.org ، تم الوصول إليه في 15 نوفمبر 2019. |
| [18] | R Core Group، R: لغة وبيئة للحوسبة الإحصائية R Foundation for Statistical Computing، فيينا، النمسا. https://www.R-project.org/، 2018، تم الوصول إليه في 15 نوفمبر 2019. |
| [19] | Benavoli A، Corani G، Demšar J، Zaffalon M (2017) حان وقت التغيير: برنامج تعليمي لمقارنة المصنفات المتعددة من خلال تحليل بايزي. J Mach Learn Res 18، 1–36. |
| [20] | فرانك إي ، هول إم إيه ، ويتن آي إتش (2016) منصة عمل WEKA. في استخراج البيانات: أدوات وتقنيات التعلم الآلي العملية، فرانك إي ، هول ما ، ويتن آي إتش ، بال سي جيه ، محرران. مورجان كوفمان 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) التعلم الآلي في نمذجة حل أعراض الارتجاج الرياضي في المدرسة الثانوية. تمرين Med Sci Sports 51 ، 1362–1371. |
| [22] | Van Hulse J، Khoshgoftaar TM، Napolitano A (2007) وجهات النظر التجريبية للتعلم من البيانات غير المتوازنة. في وقائع المؤتمر الدولي الرابع والعشرين للتعلم الآلي، كورفاليس ، أوريغون ، الولايات المتحدة الأمريكية ، ص 935-942. |
| [23] | Ashford JW، Kolm P، Colliver JA، Bekian C، Hsu LN (1989) تقييم مرضى الزهايمر والحالة العقلية المصغرة: تحليل منحنى خصائص العنصر. J جيرونتول 44 ، 139-146. |
| [24] آشفورد جي دبليو ، جارفيك إل (1985) مرض الزهايمر: هل اللدونة العصبية تؤهب لتنكس عصبي عصبي؟ إن إنجل جي ميد 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، Senjem ML ، Rocca WA ، Petersen RC (2019) انتشار كيانات طيف الزهايمر المحددة بيولوجيًا مقابل كيانات محددة سريريًا باستخدام المعهد الوطني للشيخوخة - الزهايمر جمعية البحث نطاق. جاما نيورول 76 ، 1174-1183. | |
| [26] Zhou X ، Ashford JW (2019) تقدم في أدوات الفحص لـ مرض الزهايمر . شيخوخة ميد 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) The صحة الدماغ السجل: منصة قائمة على الإنترنت للتوظيف والتقييم والمراقبة الطولية للمشاركين في دراسات علم الأعصاب. مرض الزهايمر 14 ، 1063-1076. | |
| [28] Ashford JW، Schmitt FA (2001) نمذجة الدورة الزمنية لـ مرض الزهايمر الخرف. مندوب الطب النفسي بالعملة 3 ، 20-28. | |
| [29] | Li X ، Wang X ، Su L ، Hu X ، Han Y (2019) دراسة Sino Longitudinal حول التدهور المعرفي (SILCODE): بروتوكول لدراسة رصد طولية صينية لتطوير نماذج التنبؤ بالمخاطر للتحول إلى ضعف إدراكي معتدل لدى الأفراد ذوي الإدراك الذاتي انخفاض. BMJ Open 9 ، e028188. |
| [30] Tarnanas I و Tsolaki A و Wiederhold M و Wiederhold B و Tsolaki M (2015) مرض الزهايمر الخرف التنبؤ: هل يمكن للأنشطة الآلية المعقدة لعلامة الحياة اليومية أن تملأ الفجوات؟ مرض الزهايمر (Amst) 1 ، 521-532. | |
| [31] McGurran H، Glenn JM، Madero EN، Bott NT (2019) الوقاية والعلاج من مرض الزهايمر: الآليات البيولوجية للتمرين. J ألزهايمرز ديس 69 ، 311-338. | |
| [32] Mendiola-Precoma J، Berumen LC، Padilla K، Garcia-Alcocer G (2016) الوقاية والعلاج من مرض الزهايمر. بيوميد Res Int 2016 ، 2589276. | |
| [33] | لين كاليفورنيا ، بارنز جي ، نيكولاس جي إم ، سودري سي إتش ، كاش دي إم ، مالون آي بي ، باركر تي دي ، كيشافان أ ، بوكانان إس إم ، كيوس سي ، جيمس إس إن ، لو ك ، موراي سميث إتش ، وونج إيه ، جوردون إي ، كوات دبليو ، Modat M، Thomas D، Richards M، Fox NC، Schott JM (2020) الارتباطات بين مخاطر الأوعية الدموية عبر مرحلة البلوغ وأمراض الدماغ في أواخر العمر: دليل من مجموعة ولادات بريطانية. جاما نيورول 77 ، 175-183. |
| [34] | Seshadri S (2020) الوقاية من التفكير الخرف فيما بعد العمر وصناديق الأميلويد. جاما نيورول 77 ، 160–161. |
| [35] | Maillard P، Seshadri S، Beiser A، Himali JJ، Au R، Fletcher E، Carmichael O، Wolf PA، DeCarli C (2012) تأثيرات ضغط الدم الانقباضي على سلامة المادة البيضاء لدى الشباب في دراسة فرامنغهام للقلب: صليب - دراسة مقطعية. لانسيت نيورول 11 ، 1039-1047. |
| [36] Fink HA، Linskens EJ، Silverman PC، McCarten JR، Hemmy LS، Ouellette JM، Greer NL، Wilt TJ، Butler M (2020) دقة اختبار المرقم الحيوي لتحديد الأمراض العصبية مرض الزهايمر عند كبار السن المصابين بالخرف. آن متدرب 172 ، 669-677. |
الانتماءات: [أ] تحليلات SIVOTEC ، بوكا راتون ، فلوريدا ، الولايات المتحدة الأمريكية | [ب] قسم الكمبيوتر والهندسة الكهربائية وعلوم الكمبيوتر ، جامعة فلوريدا أتلانتيك ، بوكا راتون ، فلوريدا ، الولايات المتحدة الأمريكية | [c] SJN Biomed LTD ، كونمينغ ، يونان ، الصين | [د] مركز ل أبحاث الزهايمر، معهد واشنطن للبحوث السريرية ، واشنطن العاصمة ، الولايات المتحدة الأمريكية | [هـ] قسم طب إعادة التأهيل ، أول مستشفى تابع لجامعة كونمينغ الطبية ، كونمينغ ، يونان ، الصين | [و] قسم طب الأعصاب ، مستشفى ديهونغ الشعبي ، ديهونغ ، يونان ، الصين | [ز] قسم طب الأعصاب ، أول مستشفى تابع لجامعة كونمينغ الطبية ، مقاطعة ووهوا ، كونمينغ ، مقاطعة يوننان ، الصين | [ح] مركز دراسة الأمراض والإصابات المرتبطة بالحرب ، فيرجينيا بالو ألتو الرعاية الصحية سيستم ، بالو ألتو ، كاليفورنيا ، الولايات المتحدة الأمريكية | [i] قسم الطب النفسي والعلوم السلوكية ، كلية الطب بجامعة ستانفورد ، بالو ألتو ، كاليفورنيا ، الولايات المتحدة الأمريكية
المراسلات: [*] المراسلات مع: Michael F. Bergeron، PhD، FACSM، SIVOTEC Analytics، Boca Raton Innovation Campus، 4800 T-Rex Avenue، Suite 315، Boca Raton، FL 33431، USA. البريد الإلكتروني: mbergeron@sivotecanalytics.com .؛ Xiaolei Liu ، MD ، قسم طب الأعصاب ، أول مستشفى تابع لجامعة كونمينغ الطبية ، 295 طريق Xichang ، منطقة Wuhua ، كونمينغ ، مقاطعة يوننان 650032 ، الصين. البريد الإلكتروني: ring@vip.163.com.
الكلمات الرئيسية: الشيخوخة ، مرض الزهايمر والخرف والفحص الشامل