Yüngül koqnitiv pozğunluqların təsnifatında MemTrax və Maşın Öyrənmə Modelləşdirməsinin Faydalılığı
Araşdırma məqaləsi
Müəlliflər: Bergeron, Michael F. | Landset, Sara | Zhou, Xianbo | Ding, Tao | Xoşgöftar, Tağı M. | Zhao, Feng | Du, Bo | Chen, Xinjie | Wang, Xuan | Zhong, Lianmei | Liu, Xiaolei| Ashford, J. Wesson
DOI: 10.3233/JAD-191340
Jurnal: Jurnal of Alzheimer xəstəliyi, vol. 77, no. 4, s. 1545-1558, 2020
mücərrəd
Ümumi məlumat:
Xəstəliyin geniş yayılması və yayılması Alzheimer xəstəliyi və yüngül koqnitiv pozğunluqlar (MCI) erkən aşkarlanan koqnitiv skrininq və qiymətləndirməni təsdiqləmək üçün təcili tədqiqat çağırışına səbəb oldu.
Məqsəd:
Əsas tədqiqat məqsədimiz seçilmiş MemTrax performans göstəricilərinin və müvafiq demoqrafik göstəricilərin və sağlamlıq profili xüsusiyyətlərinin koqnitiv sağlamlığı (normala qarşı MCI) təsnif etmək üçün maşın öyrənməsi ilə hazırlanmış proqnozlaşdırıcı modellərdə effektiv şəkildə istifadə edilə biləcəyini müəyyən etmək idi. Montreal Bilişsel Qiymətləndirmə (MoCA).
Metod:
Biz iki nəfərdən işə götürülən 259 nevrologiya, yaddaş klinikası və daxili xəstəliklər üzrə yetkin xəstələr üzərində kəsişən tədqiqat apardıq. Çindəki xəstəxanalar. Hər bir xəstəyə Çin dilində MoCA verildi və davamlı tanınma MemTrax onlayn epizodik özünü idarə etdi. yaddaş testi online eyni gündə. Proqnozlaşdırılan təsnifat modelləri 10 qat çarpaz doğrulama ilə maşın öyrənməsi ilə quruldu və model performansı Qəbuledicinin Əməliyyat Xarakterik Əyrisinin Altında Sahə (AUC) ilə ölçüldü. Modellər səkkiz ümumi demoqrafik və şəxsi tarix xüsusiyyəti ilə birlikdə iki MemTrax performans göstəricisindən (faiz düzgün, cavab müddəti) istifadə edilməklə qurulmuşdur.
Nəticələr:
Şagirdləri MoCA balları və hədlərinin seçilmiş kombinasiyaları üzrə müqayisə edən Naive Bayes 0.9093 ümumi təsnifat göstəricisi ilə ümumilikdə ən yaxşı nəticə göstərən şagird idi. Bundan əlavə, ilk üç öyrənən arasında MemTrax-a əsaslanan təsnifat performansı ümumi 0.9119 ümumi xüsusiyyətin hamısından (10) istifadə etməklə müqayisədə yalnız ən yüksək səviyyəli dörd xüsusiyyətdən (0.8999) istifadə etməklə üstün olmuşdur.
Nəticə:
MemTrax performansı maşın öyrənmə təsnifatının proqnozlaşdırıcı modelində effektiv şəkildə istifadə edilə bilər erkən mərhələdə koqnitiv pozğunluğu aşkar etmək üçün skrininq tətbiqi.
GİRİŞ
Tanınmış (düzgün diaqnoz qoyulmasa da) geniş yayılmış insident və yayılma və paralel olaraq artan tibbi, sosial və ictimai sağlamlıq Alzheimer xəstəliyinin (AH) və yüngül idrak pozğunluğunun (MCI) xərcləri və yükü bütün maraqlı tərəflər üçün getdikcə daha çox gərginləşir [1, 2]. Bu acınacaqlı və gurultulu ssenari təsdiqləmək üçün təcili araşdırma çağırışına səbəb oldu erkən aşkarlanması müxtəlif bölgələrdə və populyasiyalarda yaşlı xəstələr üçün fərdi və klinik şəraitdə müntəzəm praktiki istifadə üçün idrak skrininq və qiymətləndirmə alətləri [3]. Bu alətlər həmçinin informativ nəticələrin elektron sağlamlıq qeydlərinə qüsursuz tərcüməsini təmin etməlidir. Faydalar xəstələrin məlumatlandırılması və həkimlərə əhəmiyyətli dəyişiklikləri daha əvvəl tanımaqda kömək etməklə həyata keçiriləcək və beləliklə, təcrübəyə başlayanlar üçün müvafiq fərdiləşdirilmiş və daha sərfəli müalicə və xəstə baxımının daha tez və vaxtında təbəqələşdirilməsinə, həyata keçirilməsinə və izlənilməsinə imkan verəcəkdir. bilişsel azalma [3, 4].
Kompüterləşdirilmiş MemTrax aləti (https://memtrax.com) istifadəçinin ilkin təqdimata deyil, təkrarlanan şəkillərə cavab verdiyi zaman çətin epizodik yaddaş performansını ölçmək üçün onlayn olaraq öz-özünə idarə oluna bilən sadə və qısa davamlı tanınma qiymətləndirməsidir [5, 6]. Son tədqiqatlar və nəticədə əldə edilən praktik nəticələr, erkən AD və MCI skrininqində MemTrax-ın klinik effektivliyini tədricən və kollektiv şəkildə nümayiş etdirməyə başlayır [5-7]. Bununla birlikdə, klinik faydanın mövcud olanlarla birbaşa müqayisəsi idrak sağlamlığı qiymətləndirmə və ənənəvi standartlar peşəkar perspektivi məlumatlandırmaq və erkən aşkarlama və diaqnostika dəstəyində MemTrax yardım proqramını təsdiqləmək üçün zəmanət verilir. van der Hoek və başqaları. [8] seçilmiş MemTrax performans ölçülərini (reaksiya sürəti və düzgün faiz) Monreal tərəfindən müəyyən edilən idrak statusu ilə müqayisə etdi. Koqnitiv Qiymətləndirmə (MoCA). Bununla belə, bu tədqiqat bu performans ölçülərini koqnitiv statusun xarakteristikası ilə əlaqələndirmək (MoCA tərəfindən müəyyən edildiyi kimi) və nisbi diapazonları və kəsmə dəyərlərini müəyyən etməklə məhdudlaşdı. Müvafiq olaraq, bu araşdırmanı genişləndirmək və təsnifat performansını və effektivliyini artırmaq üçün əsas tədqiqat sualımız aşağıdakılardan ibarət idi:
- Şəxsin seçilmiş MemTrax performans göstəriciləri və müvafiq demoqrafik məlumatları və sağlamlığı profil idrak sağlamlığı dixotom şəkildə (normala qarşı MCI) təsnif etmək üçün maşın öyrənməsi ilə hazırlanmış proqnozlaşdırıcı modeldə xüsusiyyətlərindən səmərəli istifadə edilə bilərmi?
Bunun ikincisi olaraq bilmək istədik:
- Eyni xüsusiyyətlər daxil olmaqla, Müstəqil klinik diaqnozla müəyyən edilən koqnitiv pozğunluqların seçilmiş kateqoriyaları daxilində şiddəti (yüngül və ağır) proqnozlaşdırmaq üçün MemTrax performansa əsaslanan maşın öyrənmə modeli effektiv şəkildə xəstəyə tətbiq edilə bilərmi?
Süni intellektin və maşın öyrənməsinin skrininq/aşkarlamada meydana çıxması və inkişaf edən praktik tətbiqi artıq fərqli praktiki üstünlüklər nümayiş etdirdi, proqnozlaşdırıcı modelləşdirmə klinisyenlərə koqnitiv/beyin sağlamlığının və xəstələrin idarə edilməsinin çətin qiymətləndirilməsində effektiv rəhbərlik edir. Tədqiqatımızda, Çindəki iki xəstəxanadan seçilmiş könüllü stasionar və ambulator xəstələri təmsil edən üç məlumat dəstindən klinik diaqnozla təsdiqlənən MCI təsnifatının modelləşdirilməsi və koqnitiv pozğunluqların şiddəti ayrı-seçkiliyində oxşar yanaşma seçdik. Maşın öyrənməsinin proqnozlaşdırılan modelləşdirməsindən istifadə edərək, biz müxtəlif verilənlər bazası/öyrənən birləşmələrindən ən yüksək nəticə göstərən öyrənənləri müəyyən etdik və klinik cəhətdən ən praktik model tətbiqlərini müəyyən etməkdə bizə bələdçilik edəcək xüsusiyyətləri sıraladıq.
Bizim fərziyyələrimiz ondan ibarət idi ki, təsdiqlənmiş MemTrax-a əsaslanan model MoCA-nın məcmu bal həddi meyarına əsasən koqnitiv sağlamlığı dixotom şəkildə (normal və ya MCI) təsnif etmək üçün istifadə edilə bilər və oxşar MemTrax proqnozlaşdırıcı model seçilmiş kateqoriyalarda şiddətin ayrı-seçkiliyində effektiv şəkildə istifadə edilə bilər. kliniki diaqnoz qoyuldu idrak zədələnməsi. Gözlənilən nəticələrin nümayişi MemTrax-ın koqnitiv geriləmə və koqnitiv pozğunluqların təsnifatı üçün erkən aşkarlama ekranı kimi effektivliyini dəstəkləməkdə mühüm rol oynayacaqdır. Faydalılığın daha çox asanlığı və cəldliyi ilə tamamlanan sənaye standartı ilə əlverişli müqayisə klinisyenlərə bu sadə, etibarlı və əlçatan aləti erkən (o cümlədən prodromal) mərhələdə koqnitiv çatışmazlıqların aşkarlanmasında ilkin ekran kimi qəbul etmələrində təsirli olacaqdır. Belə bir yanaşma və faydalılıq beləliklə, daha vaxtında və daha yaxşı təbəqələşmiş xəstələrə qulluq və müdaxiləyə səbəb ola bilər. İrəli düşünən bu anlayışlar və təkmilləşdirilmiş ölçülər və modellər, həmçinin AD və AD ilə əlaqəli demanslar (ADRD) daxil olmaqla demansın inkişafını azaltmaqda və ya dayandırmaqda faydalı ola bilər.
MATERİALLAR VƏ METODLAR
Əhalini araşdırın
2018-ci ilin yanvar və 2019-cu ilin avqust ayları arasında Çindəki iki xəstəxanadan işə götürülən xəstələr üzərində kəsişən tədqiqat tamamlandı. MemTrax [5]-ın 21 yaş və yuxarı şəxslərə tətbiqi və bu məlumatların toplanması və təhlili etik standartlarına uyğun olaraq nəzərdən keçirilmiş və təsdiqlənmiş və idarə edilmişdir. Insan Stanford Universitetinin Mövzu Mühafizə Komitəsi. MemTrax və bu ümumi tədqiqat üçün bütün digər testlər 1975-ci il Helsinki bəyannaməsinə uyğun olaraq həyata keçirilmiş və Kunminq, Yunnan, Çində Kunminq Tibb Universitetinin Birinci Əlaqəli Xəstəxanasının İnstitusional Nəzarət Şurası tərəfindən təsdiq edilmişdir. Hər bir istifadəçi təmin edilmişdir məlumatlı razılıq oxumaq/nəzərdən keçirmək və sonra könüllü olaraq iştirak etməyə razılıq vermək üçün formu doldurun.
İştirakçılar Yanhua Xəstəxanasında nevrologiya klinikasında (YH alt verilənlər bazası) və Kunming Tibbinin Birinci Əlaqəli Xəstəxanasında yaddaş klinikası Universitet (XL alt verilənlər bazası) Pekin, Çin. İştirakçılar həmçinin Kunminq Tibb Universitetinin Birinci Əlaqəli Xəstəxanasında nevrologiya (XL alt verilənlər bazası) və daxili tibb (KM alt məlumat dəsti) stasionar xəstələrdən cəlb ediliblər. Daxil olma meyarlarına 1) ən azı 21 yaşında olan kişilər və qadınlar, 2) Çin (Mandarin) dilində danışmaq bacarığı və 3) şifahi və yazılı istiqamətləri başa düşmək bacarığı daxildir. İstisna meyarları iştirakçıların tamamlamasına mane olan görmə və motor qüsurları idi MemTrax testi, həmçinin xüsusi test təlimatlarını başa düşməmək.
MemTrax-ın Çin versiyası
Online MemTrax test platforması tərcümə edildi Çin dilinə (URL: https://www.memtrax.com.cn) və öz-özünə idarəetmə üçün WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Çin) vasitəsilə istifadə olunmaq üçün daha sonra uyğunlaşdırılıb. Məlumat Çində yerləşən bulud serverində (Ali Cloud) saxlanılıb və SJN Biomed LTD (Kunming, Yunnan, Çin) tərəfindən Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, Çin) lisenziyası alıb. MemTrax haqqında xüsusi təfərrüatlar və burada istifadə edilən test etibarlılıq meyarları daha əvvəl təsvir edilmişdir [6]. Sınaq xəstələrə pulsuz olaraq təqdim edilib.
Tədris prosedurları
Stasionar və ambulator xəstələr üçün yaş, cins, təhsil illəri, peşə, tək yaşayan və ya ailə ilə və tibbi tarix tədqiqat qrupunun üzvü tərəfindən idarə edilmişdir. Anket doldurulduqdan sonra, testlər arasında 12 dəqiqədən çox olmayan MoCA [20] və MemTrax testləri (ilk olaraq MoCA) aparıldı. MemTrax faizi düzgün (MTx-% C), orta cavab müddəti (MTx-RT) və testin tarixi və vaxtı sınaqdan keçirilmiş hər bir iştirakçı üçün tədqiqat qrupunun üzvü tərəfindən kağız üzərində qeydə alınıb. Doldurulmuş sorğu vərəqəsi və MoCA-nın nəticələri testləri idarə edən tədqiqatçı tərəfindən Excel elektron cədvəlinə yükləndi və Excel faylları təhlillər üçün saxlanmazdan əvvəl bir həmkarı tərəfindən təsdiqləndi.
MemTrax testi
MemTrax onlayn testinə xüsusi psevdo-təsadüfi qaydada göstərilən 50 şəkil (25 unikal və 25 təkrar; ümumi səhnələrin və ya obyektlərin 5 təsvirindən ibarət 5 dəst) daxil edilmişdir. İştirakçı (təlimatlara uyğun olaraq) sınağa başlamaq və şəkil seriyasına baxmaq üçün ekranda Başlat düyməsinə toxunacaq və təkrar şəkil görünəndə mümkün qədər tez ekrandakı şəkilə yenidən toxunacaq. Hər bir şəkil 3 saniyə ərzində və ya ekrandakı təsvirə toxunana qədər göründü ki, bu da növbəti şəklin dərhal təqdim olunmasına səbəb oldu. Yerli cihazın daxili saatından istifadə edərək, hər bir şəkil üçün MTx-RT, görüntünün təqdimatından iştirakçının ekrana toxunduğu vaxta qədər keçən vaxtla müəyyən edilmişdir. test zamanı. MTx-RT hər bir şəkil üçün qeydə alınıb, tam 3 s qeydə alınıb və heç bir cavab yoxdur. MTx-% C istifadəçinin düzgün cavab verdiyi təkrar və ilkin şəkillərin faizini göstərmək üçün hesablanmışdır (həqiqi müsbət + həqiqi mənfi 50-yə bölünür). MemTrax administrasiyası və tətbiqi ilə bağlı əlavə təfərrüatlar, məlumatların azaldılması, etibarsız və ya “cavabsız” məlumatlar və ilkin məlumat təhlilləri başqa yerdə təsvir edilmişdir [6].
MemTrax testi ətraflı izah edildi və xəstəxana şəraitində iştirakçılara təcrübə testi (nəticələri qeyd etmək üçün testdə istifadə edilənlərdən başqa unikal şəkillərlə) təqdim edildi. YH və KM alt verilənlər bazalarının iştirakçıları WeChat-da proqramla yüklənmiş smartfonda MemTrax testindən keçdilər; halbuki XL alt verilənlər bazasında məhdud sayda xəstələr iPad, qalanları isə smartfondan istifadə edirdilər. Bütün iştirakçılar MemTrax testini diqqətsiz bir şəkildə müşahidə edən bir tədqiqatçı ilə keçdi.
Monreal koqnitiv qiymətləndirmə
Çin MoCA-nın (MoCA-BC) Pekin versiyası [13] rəsmi test təlimatlarına uyğun olaraq təlim keçmiş tədqiqatçılar tərəfindən idarə edilmiş və qiymətləndirilmişdir. Müvafiq olaraq, MoCA-BC-nin etibarlı olduğu göstərildi koqnitiv test Çinli yaşlı yetkinlərdə bütün təhsil səviyyələrində skrininq [14]. Hər bir test müvafiq iştirakçının idrak qabiliyyətlərinə əsasən idarə olunması üçün təxminən 10-30 dəqiqə çəkdi.
MoCA təsnifatının modelləşdirilməsi
İki MemTrax daxil olmaqla cəmi 29 faydalı xüsusiyyət var idi test performans göstəriciləri və demoqrafik və sağlamlıqla əlaqəli 27 xüsusiyyət hər bir iştirakçı üçün məlumat. Hər bir xəstənin MoCA məcmu test balı kimi istifadə edilmişdir idrak taraması Proqnozlaşdırıcı modellərimizi öyrətmək üçün "benchmark". Müvafiq olaraq, MoCA sinif etiketini yaratmaq üçün istifadə edildiyi üçün biz ümumi xaldan (və ya MoCA alt çoxluq xallarından hər hansı birini) müstəqil xüsusiyyət kimi istifadə edə bilmədik. Orijinal üç xəstəxana/klinik(lər) alt verilənlər dəstini ayrı-ayrılıqda modelləşdirdiyimiz (MoCA tərəfindən müəyyən edilmiş koqnitiv sağlamlığın təsnifatı) ilkin təcrübələr həyata keçirdik və sonra bütün funksiyalardan istifadə edərək birləşdirdik. Bununla belə, üç alt verilənlər dəstini təmsil edən dörd klinikanın hər birində eyni məlumat elementləri toplanmamışdır; beləliklə, birləşmiş verilənlər bazasındakı bir çox xüsusiyyətlərimiz (bütün funksiyalardan istifadə edərkən) yüksək itkin dəyərlərə malik idi. Daha sonra biz yalnız ümumi xüsusiyyətlərdən istifadə edərək birləşdirilmiş verilənlər bazası ilə modellər qurduq ki, bu da təsnifat performansının yaxşılaşması ilə nəticələndi. Bu, çox güman ki, üç xəstə alt verilənlər bazasını birləşdirərək işləmək üçün daha çox nümunənin olması və çatışmayan dəyərlərin həddindən artıq yayılması ilə heç bir xüsusiyyətin olmaması ilə izah olunur (birləşdirilmiş verilənlər bazasında yalnız bir xüsusiyyət, iş növü, hər hansı çatışmayan dəyərə malik idi, yalnız üç xəstə nümunəsi), çünki hər üç yerdə qeydə alınan yalnız ümumi xüsusiyyətlər daxil edilmişdir. Qeyd edək ki, birləşdirilmiş verilənlər bazasına daxil edilməyən hər bir xüsusiyyət üçün xüsusi imtina meyarımız yox idi. Bununla belə, ilkin birləşmiş verilənlər bazası modelləşdirməmizdə ilk olaraq üç ayrı xəstə alt verilənlər bazasının hər birinin bütün xüsusiyyətlərindən istifadə etdik. Bu, geniş şəkildə model performansının hər bir fərdi alt verilənlər bazasında ilkin ilkin modelləşdirmədən ölçülə biləcək dərəcədə aşağı olması ilə nəticələndi. Üstəlik, bütün xüsusiyyətlərdən istifadə etməklə qurulan modellərin təsnifat performansı bütün öyrənənlər və təsnifat sxemləri üzrə həvəsləndirici olsa da, yalnız ümumi xüsusiyyətlərdən istifadə edərkən performans iki dəfə çox model üçün yaxşılaşdırıldı. Əslində, ən yaxşı öyrənənlərimizə çevrilənlər arasında, bir modeldən başqa hamısı ümumi olmayan xüsusiyyətləri aradan qaldıraraq təkmilləşdi.
Yekun məcmu verilənlər toplusuna (YH, XL və KM birləşdirilmiş) hər biri həm MemTrax, həm də MoCA testlərindən keçən unikal iştirakçını təmsil edən 259 nümunə daxil edilmişdir. 10 paylaşılan müstəqil xüsusiyyət var idi: MemTrax performans göstəriciləri: MTx-% C və orta MTx-RT; demoqrafik və tibbi tarix məlumatları: yaş, cins, təhsil illəri, iş növü (mavi yaxalıq/ağ yaxalıq), sosial dəstək (imtahan edənin tək və ya ailəsi ilə yaşamasından asılı olmayaraq) və istifadəçinin sınağı olub-olmadığına dair bəli/xeyr cavabları diabet, hiperlipidemiya və ya travmatik beyin zədəsi tarixi. İki əlavə metrik, MoCA məcmu balı və təhsil illərinə uyğunlaşdırılmış MoCA məcmu balı [12], asılı təsnifat etiketlərini hazırlamaq üçün ayrıca istifadə edildi və beləliklə, bizim birləşmiş verilənlər bazamıza tətbiq olunacaq iki fərqli modelləşdirmə sxemi yaradıldı. MoCA xalının hər bir versiyası (tənzimlənmiş və tənzimlənməmiş) üçün məlumatlar iki fərqli meyar həddi - ilkin tövsiyə edilən [12] və başqaları tərəfindən istifadə edilən və təşviq edilən alternativ dəyərdən istifadə etməklə ikili təsnifat üçün yenidən ayrıca modelləşdirildi [8, 15]. Alternativ həddi təsnifat sxemində, xəstənin MoCA testində ≥23 bal topladığı və 22 və ya daha aşağı olduğu halda MCI göstəricisi olan xəstənin koqnitiv sağlamlığı normal sayılır; halbuki, ilkin tövsiyə olunan təsnifat formatında, xəstənin normal idrak sağlamlığına sahib olması üçün MoCA-da 26 və ya daha yüksək bal toplamalı idi.
MoCA təsnifatının modelləşdirilməsi üçün süzülmüş məlumatlar
Biz daha sonra dörd ümumi istifadə edilən xüsusiyyət sıralama texnikasından istifadə edərək MoCA təsnifatını araşdırdıq: Chi-kvadrat, Qazanma nisbəti, İnformasiya Qazanc və Simmetrik Qeyri-müəyyənlik. Müvəqqəti perspektiv üçün dörd modelləşdirmə sxemimizin hər birindən istifadə edərək sıralayıcıları bütün birləşdirilmiş verilənlər bazasına tətbiq etdik. Bütün sıralamaçılar eyni əsas xüsusiyyətlər, yəni yaş, təhsil illərinin sayı və hər iki MemTrax performans göstəriciləri (MTx-% C, orta MTx-RT) barədə razılığa gəldilər. Daha sonra modelləri yalnız ilk dörd xüsusiyyət üzrə öyrətmək üçün hər bir xüsusiyyət seçimi texnikasından istifadə edərək modelləri yenidən qurduq (bax. Xüsusiyyət seçimi aşağıda).
MoCA bal təsnifatının modelləşdirmə sxemlərinin yekun səkkiz variantı Cədvəl 1-də təqdim edilmişdir.
Cədvəl 1
MoCA təsnifatı üçün istifadə edilən modelləşdirmə sxeminin variasiyalarının xülasəsi (Normal Koqnitiv Sağlamlıq MCI ilə müqayisədə)
| Modelləşdirmə sxemi | Normal Koqnitiv Sağlamlıq (Mənfi Sinif) | MCI (Müsbət Sinif) |
| Tənzimlənmiş-23 Filtrlənməmiş/Süzülməmiş | 101 (39.0%) | 158 (61.0%) |
| Tənzimlənmiş-26 Filtrlənməmiş/Süzülməmiş | 49 (18.9%) | 210 (81.1%) |
| Tənzimlənməmiş-23 Süzgəcsiz/Süzülməmiş | 92 (35.5%) | 167 (64.5%) |
| Tənzimlənməmiş-26 Süzgəcsiz/Süzülməmiş | 42 (16.2%) | 217 (83.8%) |
Hər bir sinifdə ümumi xəstələrin müvafiq sayı və faizi hər iki xüsusiyyət dəstinə (Süzülməmiş və Süzülmüş) tətbiq olunduğu kimi, təhsil üçün xalın düzəlişi (Düzəliş edilmiş və ya Tənzimlənməmiş) və təsnifat həddi (23 və ya 26) ilə fərqləndirilir.
MemTrax əsaslı klinik qiymətləndirmə modelləşdirməsi
Üç orijinal alt verilənlər bazamızdan (YH, XL, KM) yalnız XL alt verilənlər bazası xəstələrinə müstəqil olaraq klinik olaraq koqnitiv pozğunluq diaqnozu qoyulmuşdur (yəni, onların müvafiq MoCA balları normal və pozulmuşların təsnifatını yaratmaq üçün istifadə edilməmişdir). Xüsusilə, XL xəstələrinə hər ikisi diaqnozu qoyuldu Alzheimer xəstəliyi testi (AD) və ya damar demensiyası (VaD). Bu əsas diaqnoz kateqoriyalarının hər birində MCI üçün əlavə təyinat var idi. AD səbəbiylə MCI, demans, damar neyrokoqnitiv pozğunluq və neyrokoqnitiv pozğunluğun diaqnozları Psixi Bozuklukların Diaqnostik və Statistik Təlimatında qeyd olunan spesifik və fərqli diaqnostik meyarlara əsaslanırdı: DSM-5 [16]. Bu dəqiqləşdirilmiş diaqnozları nəzərə alaraq, hər bir ilkin diaqnoz kateqoriyası üçün şiddət səviyyəsini (zəiflik dərəcəsini) ayırd etmək üçün XL alt verilənlər bazasına iki təsnifat modelləşdirmə sxemi ayrıca tətbiq edilmişdir. Bu diaqnostik modelləşdirmə sxemlərinin (AD və VaD) hər birində istifadə edilən məlumatlara demoqrafik və xəstə tarixi məlumatı, həmçinin MemTrax performansı (MTx-% C, orta MTx-RT) daxildir. Hər bir diaqnoz MCI təyin olunarsa, mülayim olaraq etiketləndi; əks halda ağır hesab edilirdi. Biz ilkin olaraq diaqnoz modellərinə MoCA xalının daxil edilməsini nəzərdən keçirdik (yüngül və ağır); lakin biz bunun ikinci dərəcəli proqnozlaşdırıcı modelləşdirmə sxemimizin məqsədini məğlub edəcəyini müəyyən etdik. Burada öyrənənlər provayderin əldə edə biləcəyi digər xəstə xüsusiyyətlərindən və müstəqil klinik diaqnoz olan "qızıl standart"a qarşı daha sadə MemTrax testinin (MOCA əvəzinə) performans göstəricilərindən istifadə etməklə təlim keçəcəklər. AD diaqnostikası verilənlər bazasında 69 nümunə və 76 VaD nümunəsi var idi (Cədvəl 2). Hər iki məlumat dəstində 12 müstəqil xüsusiyyət var idi. MoCA hesab təsnifatına daxil olan 10 xüsusiyyətdən əlavə, xəstənin tarixinə hipertoniya və insult tarixi haqqında da məlumatlar daxil edilmişdir.
Cədvəl 2
Diaqnozun şiddətinin təsnifatı üçün istifadə edilən modelləşdirmə sxeminin variasiyalarının xülasəsi (Yüngül və Ağır)
| Modelləşdirmə sxemi | Yüngül (Mənfi Sinif) | Ağır (müsbət sinif) |
| MCI-AD və AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD və VaD | 38 (50.0%) | 38 (50.0%) |
Hər bir sinifdə ümumi xəstələrin müvafiq sayı və faizi ilkin diaqnoz kateqoriyası (AD və ya VaD) ilə fərqlənir.
Statistika
Hər bir model təsnifat strategiyası üçün (MoCA idrak sağlamlığı və diaqnozun şiddətini proqnozlaşdırmaq üçün) alt verilənlər bazası arasında iştirakçı xüsusiyyətlərinin və digər ədədi xüsusiyyətlərin müqayisəsi Python proqramlaşdırma dili (versiya 2.7.1) [17] istifadə edərək həyata keçirilmişdir. Modelin performans fərqləri əvvəlcə 95% etimad intervalı ilə bir və ya iki faktorlu (uyğun olaraq) ANOVA və performans vasitələrini müqayisə etmək üçün Tukey vicdanlı əhəmiyyətli fərq (HSD) testindən istifadə etməklə müəyyən edilmişdir. Model performansları arasındakı fərqlərin bu tədqiqi Python və R (versiya 3.5.1) [18] birləşməsindən istifadə etməklə həyata keçirilmişdir. Biz bu yanaşmadan (baxmayaraq ki, optimaldan daha az olsa da) yalnız evristik yardım kimi istifadə etdik erkən mərhələdə potensial klinik tətbiqi gözlənilən ilkin model performans müqayisələri üçün. Daha sonra model performans fərqlərinin ehtimalını müəyyən etmək üçün posterior paylamadan istifadə edərək Bayes imzalı dərəcə testindən istifadə etdik [19]. Bu təhlillər üçün biz –0.01, 0.01 intervalından istifadə etdik ki, əgər iki qrupun 0.01-dən az performans fərqi varsa, onlar eyni hesab olunur (praktiki ekvivalentlik bölgəsi daxilində) və ya başqa cür (birindən daha yaxşı) başqa). Klassifikatorların Bayesian müqayisəsini aparmaq və bu ehtimalları hesablamaq üçün Python 1.0.2 üçün baycomp kitabxanasından (versiya 3.6.4) istifadə etdik.
Proqnoz modelləşdirmə
Hər bir xəstənin MoCA testinin nəticəsini və ya klinik diaqnozun şiddətini proqnozlaşdırmaq (təsnif etmək) üçün modelləşdirmə sxemlərimizin on ümumi variasiyasından istifadə edərək proqnozlaşdırıcı modellər qurduq. Bütün öyrənənlər tətbiq edilmiş və modellər Weka [20] açıq mənbə proqram platformasından istifadə etməklə yaradılmışdır. İlkin təhlilimiz üçün biz 10 tez-tez istifadə olunan öyrənmə alqoritmindən istifadə etdik: 5-Ən Yaxın Qonşular, C4.5 qərar ağacının iki versiyası, Logistic Regression, Multilayer Perceptron, Naive Bayes, Random Forest-in iki versiyası, Radial Basis Function Network və Support Vector. Maşın. Bu alqoritmlərin əsas atributları və təzadları başqa yerdə təsvir edilmişdir [21] (müvafiq Əlavəyə bax). Bunlar müxtəlif növ öyrənənləri təmsil etdiyinə görə seçilib və biz oxşar məlumatlar üzrə əvvəlki təhlillərdə onlardan istifadə etməyimizdə uğur nümayiş etdirmişik. Hiperparametr parametrləri əvvəlki araşdırmalarımızdan seçilmişdir ki, bu da onların müxtəlif müxtəlif məlumatlar üzərində möhkəm olmasını göstərir [22]. Sonradan tam təhlildə istifadə edilən ümumi xüsusiyyətlərə malik eyni birləşdirilmiş verilənlər toplusundan istifadə edərək ilkin təhlilimizin nəticələrinə əsasən, biz bütün təsnifatlar üzrə ardıcıl olaraq güclü performans təmin edən üç öyrənən müəyyən etdik: Logistic Regression, Naive Bayes və Support Vector Machine.
Çarpaz doğrulama və model performans göstəricisi
Bütün proqnozlaşdırıcı modelləşdirmə üçün (ilkin təhlillər daxil olmaqla) hər bir model 10-qat çarpaz doğrulamadan istifadə etməklə qurulmuş və model performansı Qəbuledicinin Əməliyyat Xarakterik Əyrisinin Altında Sahə (AUC) ilə ölçülmüşdür. Çarpaz doğrulama 10 modelləşdirmə sxeminin verilənlər bazasının hər birini təsadüfi olaraq 10 bərabər seqmentə (qatlama) bölmək, modeli öyrətmək üçün bu müvafiq seqmentlərdən doqquzu və qalan seqmenti sınaq üçün istifadə etməklə başladı. Bu prosedur hər bir iterasiyada test dəsti kimi fərqli bir seqmentdən istifadə edərək 10 dəfə təkrarlandı. Daha sonra nəticələr son modelin nəticəsini/performansını hesablamaq üçün birləşdirildi. Hər bir öyrənən/verilənlər toplusu birləşməsi üçün bütün bu proses 10 dəfə təkrarlandı və verilənlər hər dəfə fərqli şəkildə bölündü. Bu son addım qərəzliyi azaltdı, təkrarlanmanı təmin etdi və ümumi model performansını təyin etməyə kömək etdi. Ümumilikdə (MoCA balı və diaqnozun şiddətinin təsnifat sxemləri üçün birlikdə) 6,600 model tikilmişdir. Buraya 1,800 süzülməmiş model (verilənlər dəstinə tətbiq edilən 6 modelləşdirmə sxemi × 3 şagird × 10 qaçış × 10 qat = 1,800 4,800 model) və 4 3 süzülmüş model (verilənlər dəstinə tətbiq olunan 4 modelləşdirmə sxemi × 10 şagird × 10 xüsusiyyət seçimi texnikası × 4,800 qaçış × XNUMX qat = XNUMX model).
Xüsusiyyət seçimi
Filtrdən keçirilmiş modellər üçün xüsusiyyət seçimi (dörd xüsusiyyət sıralama metodundan istifadə etməklə) çarpaz doğrulama çərçivəsində həyata keçirilmişdir. 10 qatın hər biri üçün verilənlər dəstinin fərqli 10%-i test məlumatları olduğu üçün hər bir təlim məlumat dəsti üçün yalnız ilk dörd seçilmiş xüsusiyyət (yəni, digər doqquz qat və ya bütün məlumat dəstinin qalan 90%-i) istifadə edilmişdir. modelləri qurmaq üçün. Hər modeldə hansı dörd funksiyadan istifadə olunduğunu təsdiq edə bilmədik, çünki bu məlumat bizim istifadə etdiyimiz modelləşdirmə platformasında (Weka) saxlanmır və ya təqdim olunmur. Bununla belə, rütbələr bütün birləşmiş verilənlər toplusuna tətbiq olunduqda ən yaxşı xüsusiyyətlərin ilkin seçimimizdəki ardıcıllığı və modelləşdirmə performansındakı sonrakı oxşarlığı nəzərə alsaq, bu eyni xüsusiyyətlər (yaş, təhsil illəri, MTx-% C və orta MTx-RT) ) çarpaz doğrulama prosesində xüsusiyyət seçimi ilə eyni vaxtda istifadə edilən ən çox yayılmış dörd ilkdir.
NƏTİCƏLƏR
MoCA-göstərilən idrak sağlamlığını (normala qarşı MCI) və diaqnozun şiddətini (yüngül və ağır) proqnozlaşdırmaq üçün hər bir model təsnifat strategiyası üçün müvafiq məlumat dəstlərinin iştirakçıların ədədi xüsusiyyətləri (MoCA balları və MemTrax performans göstəriciləri daxil olmaqla) Cədvəl 3-də göstərilmişdir.
Cədvəl 3
Hər bir model təsnifat strategiyası üçün iştirakçı xüsusiyyətləri, MoCA balları və MemTrax performansı
| Təsnifat strategiyası | əsr | Təhsil | MoCA Tənzimlənib | MoCA Tənzimlənməmiş | MTx-% C | MTx-RT |
| MoCA Kateqoriya | 61.9 yaş (13.1) | 9.6 yaş (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 s (0.3) |
| Diaqnozun şiddəti | 65.6 yaş (12.1) | 8.6 yaş (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 s (0.3) |
Modelləşdirmə təsnifat strategiyaları ilə diferensiallaşdırılan göstərilən dəyərlər (orta, SD) MoCA-göstərilən idrak sağlamlığını (normala qarşı MCI) proqnozlaşdırmaq üçün istifadə edilən birləşmiş verilənlər toplusunu və yalnız diaqnozun şiddətini (yüngül və ağır) proqnozlaşdırmaq üçün istifadə edilən XL alt verilənlər bazasını təmsil edir.
MoCA balı (düzəliş edilmiş/tənzimlənməmiş) və həddi (26/23) hər kombinasiyası üçün statistik fərq (p = 0.000) yaş, təhsil və MemTrax performansı (MTx-% C və MTx-RT) üçün hər ikili müqayisədə (normal koqnitiv sağlamlıq ilə MCI) müqayisə edilir. Hər kombinasiya üçün müvafiq MCI sinifində hər bir xəstə alt verilənlər bazası orta hesabla təxminən 9-15 yaş böyük idi, təxminən beş il daha az təhsil aldığını bildirdi və hər iki göstərici üçün daha az əlverişli MemTrax performansına malik idi.
Ən yaxşı üç öyrənən, Logistic Regression, Naive Bayes və Support Vector Machine istifadə edərək MoCA bal təsnifatları üçün proqnozlaşdırılan modelləşdirmə performans nəticələri Cədvəl 4-də göstərilmişdir. Bu üçü bütün müxtəlif modellər üzrə ən ardıcıl yüksək mütləq şagird performansına əsasən seçilmişdir. bütün modelləşdirmə sxemləri üçün verilənlər bazasına tətbiq edilir. Süzgəcdən keçirilməmiş verilənlər toplusu və modelləşdirmə üçün Cədvəl 4-dəki məlumat qiymətlərinin hər biri müvafiq ən yüksək göstərici ilə hər bir şagird/modelləşdirmə sxemi kombinasiyası üçün qurulmuş 100 modeldən (10 qaçış×10 qat) əldə edilən AUC müvafiq ortasına əsaslanan model performansını göstərir. qalın hərflərlə göstərilən ifaçı şagird. Süzgəcdən keçirilmiş verilənlər bazası modelləşdirməsi üçün isə Cədvəl 4-də təqdim edilən nəticələr xüsusiyyət sıralama metodlarının hər birindən istifadə edən hər bir şagird üçün 400 modelin ümumi orta model performansını əks etdirir (4 xüsusiyyət sıralama metodu × 10 qaçış × 10 qat).
Cədvəl 4
Bütün müvafiq modelləşdirmə sxemləri üçün ən yüksək nəticə göstərən üç şagirdin hər biri üçün ikili MoCA xal təsnifat performansı (AUC; 0.0-1.0) nəticələri
| İstifadə olunan Xüsusiyyətlər Seti | MoCA Hesabı | Kəsmə həddi | Logistik Reqressiya | Naif Bayes | Dəstək vektor maşını |
| Filtrdən keçirilməmiş (10 xüsusiyyət) | Düzeltilmiş | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Düzensiz | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Filtrlənmiş (4 xüsusiyyət) | Düzeltilmiş | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Düzensiz | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Xüsusiyyətlər dəstinin, MoCA xalının və MoCA xalının kəsilmə həddinin variasiyalarından istifadə edərək, hər bir modelləşdirmə sxemi üçün ən yüksək performans göstərilir. cəsarətli (daxil olmayan bütün digərlərindən statistik cəhətdən fərqli olması mütləq deyil cəsarətli müvafiq model üçün).
Birləşdirilmiş süzülməmiş verilənlər toplusunda (yəni, 23 ümumi xüsusiyyətdən istifadə etməklə) MoCA xal versiyalarının və hədlərinin (müvafiq olaraq 26/10) bütün kombinasiyaları üzrə öyrənənləri müqayisə etdikdə, Naif Bayes ümumi nəticə ilə ən yaxşı nəticə göstərən şagird idi. 0.9093 təsnifat performansı. Ən yaxşı üç öyrənən nəzərə alınmaqla, Bayesian-korrelyasiyalı imzalı dərəcə testləri göstərdi ki, ehtimal (Pr) Logistik Reqressiyadan üstün olan Naive Bayes 99.9% idi. Bundan əlavə, sadəlövh Bayes və Dəstək Vektor Maşın arasında, şagird performansında praktiki ekvivalentliyin 21.0% ehtimalı (beləliklə, Naif Bayesin Dəstək Vektor Maşınını üstələməsi 79.0% ehtimalı), Dəstək Vektor Maşının daha yaxşı, ölçülə bilən performans göstərməsinin 0.0% ehtimalı ilə birlikdə. Naive Bayes üçün performans üstünlüyünü gücləndirir. Bütün öyrənənlər/ərəfələr üzrə MoCA bal versiyasının əlavə müqayisəsi düzəliş edilməmiş MoCA ballarından istifadə etməklə cüzi performans üstünlüyü təklif etdi (müvafiq olaraq 0.9027 və 0.8971; Pr (tənzimlənməmiş > düzəliş edilmiş) = 0.988). Eynilə, bütün öyrənənlər və MoCA xal versiyaları üzrə kəsilmə həddi müqayisəsi 26-ə qarşı təsnifat həddi kimi 23-dan istifadə etməklə kiçik təsnifat performansı üstünlüyünü göstərdi (müvafiq olaraq 0.9056 və 0.8942; Pr (26 > 23) = 0.999). Nəhayət, yalnız süzgəcdən keçirilmiş nəticələrdən istifadə edən modellər üçün təsnifat performansını (yəni, yalnız ən yüksək səviyyəli dörd xüsusiyyət) yoxlayan Naive Bayes (0.9143) bütün MoCA xal versiyaları/ərəfəsində ən yüksək nəticə göstərən şagird idi. Bununla belə, bütün xüsusiyyət sıralama üsulları birləşdikdə, ən yüksək nəticə göstərən bütün öyrənənlər oxşar şəkildə çıxış etdilər. Bayes imzalı rütbəli testlər hər bir süzgəcdən keçmiş öyrənən cütü arasında praktiki ekvivalentliyin 100% ehtimalını göstərdi. Süzgəcdən keçirilməmiş məlumatlarda olduğu kimi (bütün 10 ümumi xüsusiyyətdən istifadə etməklə), MoCA hesabının düzəliş edilməmiş versiyası üçün yenə də performans üstünlüyü var idi (Pr (tənzimlənməmiş > düzəliş edilmiş) = 1.000), eləcə də 26-lıq təsnifat həddi üçün eyni dərəcədə fərqli üstünlük (Pr (26 > 23) = 1.000). Xüsusilə qeyd edək ki, yalnız ən yüksək səviyyəli dörd xüsusiyyətdən istifadə edən bütün MoCA xal versiyaları/ərəfəsində ilk üç şagirdin hər birinin orta performansı hər hansı bir şagirdin süzülməmiş məlumat üzrə orta performansını üstələmişdir. Təəccüblü deyil ki, süzgəcdən keçmiş modellərin təsnifat göstəriciləri (ən yaxşı dörd xüsusiyyətdən istifadə etməklə) ümumilikdə 0.9119 ümumi istifadə edilən müvafiq modellərlə müqayisə edilən xüsusiyyət sıralama metodu modellərindən asılı olmayaraq, süzülməmiş modellərdən (0.8999) üstün idi (10). xüsusiyyətləri. Hər bir xüsusiyyət seçimi metodu üçün süzülməmiş modellər üzərində performans üstünlüyü ehtimalı 100% idi.
AD diaqnozunun şiddət təsnifatı üçün nəzərdə tutulan xəstələrlə, yaşa görə qruplar arasında (MCI-AD və AD) fərqlər (p = 0.004), təhsil (p = 0.028), MoCA balı düzəliş edilmiş/tənzimlənməmiş (p = 0.000) və MTx-% C (p = 0.008) statistik əhəmiyyətli idi; halbuki MTx-RT üçün belə deyildi (p = 0.097). VaD diaqnozunun şiddət təsnifatı üçün nəzərdə tutulan xəstələrlə, MoCA balı üçün qruplar arası (MCI-VaD və VaD) fərqlər düzəldilmiş/tənzimlənməmiş (p = 0.007) və MTx-% C (p = 0.026) və MTx-RT (p = 0.001) statistik əhəmiyyətli idi; halbuki yaşa görə (p = 0.511) və təhsil (p = 0.157) qruplar arasında əhəmiyyətli fərqlər yox idi.
Əvvəllər seçilmiş üç öyrənəndən, Logistic Regression, Naive Bayes və Support Vector Machine-dən istifadə etməklə diaqnozun ciddiliyi təsnifatları üçün proqnozlaşdırılan modelləşdirmə performansı nəticələri Cədvəl 5-də göstərilmişdir. Əlavə olaraq yoxlanılan şagirdlər fərdi olaraq iki klinik diaqnoz kateqoriyasından biri ilə bir qədər daha güclü performans nümayiş etdirmişlər. , əvvəlki modelləşdirməmizdə ən əlverişli kimi müəyyən etdiyimiz üç şagird hər iki yeni modelləşdirmə sxemi ilə ən uyğun performansı təklif etdilər. İlkin diaqnoz kateqoriyalarının (AD və VaD) hər biri üzrə öyrənənləri müqayisə etdikdə, Dəstək Vektor Maşını ümumiyyətlə daha nəzərə çarpan performans göstərsə də, MCI-VaD ilə VaD üçün öyrənənlər arasında ardıcıl təsnifat performans fərqi yox idi. Eynilə, MCI-AD ilə AD təsnifatı üzrə öyrənənlər arasında əhəmiyyətli fərqlər yox idi, baxmayaraq ki, Naive Bayes (NB) Logistic Regression (LR) üzərində cüzi performans üstünlüyünə və 61.4% ehtimalları ilə Dəstək Vektor Maşınına nisbətən cüzi bir çoxluğa malik idi. və müvafiq olaraq 41.7% təşkil edib. Hər iki məlumat dəstində Dəstək Vektor Maşınının (SVM) ümumi performans üstünlüyü var idi Pr (SVM > LR) = 0.819 və Pr (SVM > NB) = 0.934. XL alt verilənlər bazasında diaqnozun şiddətini proqnozlaşdırmaqda bütün öyrənənlər arasında ümumi təsnifat performansımız VaD diaqnoz kateqoriyasında AD ilə müqayisədə daha yaxşı idi (Pr (VAD > AD) = 0.998).
Cədvəl 5
Hər iki müvafiq modelləşdirmə sxemi üçün ən yaxşı nəticə göstərən üç şagirdin hər biri üçün ikitərəfli klinik diaqnostikanın şiddət təsnifatının nəticələri (AUC; 0.0-1.0)
| Modelləşdirmə sxemi | Logistik Reqressiya | Naif Bayes | Dəstək vektor maşını |
| MCI-AD və AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD və VaD | 0.8033 | 0.8044 | 0.8338 |
Hər bir modelləşdirmə sxemi üçün ən yüksək performans göstərilir cəsarətli (daxil olmayan digərlərindən statistik cəhətdən fərqli olması mütləq deyil cəsarətli).
MÜZAKİRƏ
Bilişsel sağlamlıqdakı dəyişikliklərin erkən aşkarlanması əhəmiyyətlidir şəxsi sağlamlığın idarə edilməsində və ictimai sağlamlıqda praktiki fayda. Həqiqətən də, bütün dünyada xəstələr üçün klinik şəraitdə çox yüksək prioritetdir. Ortaq məqsəd xəstələri, baxıcıları və provayderləri xəbərdar etmək və bilişsel geriləmə yaşamağa başlayanlar üçün vaxtından əvvəl uyğun və sərfəli müalicə və uzununa qayğı göstərməkdir. Üç xəstəxana/klinika məlumat alt dəstimizi birləşdirərək, biz proqnozlaşdırıcı modellərdən istifadə etməklə üç fərqli şəkildə üstünlük verilən öyrənənləri (bir diqqətçəkən - Naive Bayes ilə) müəyyən etdik. Koqnitiv sağlamlıq vəziyyətini etibarlı şəkildə təsnif edə bilən MemTrax performans göstəriciləri dixotomically (normal idrak sağlamlıq və ya MCI) MoCA məcmu balı ilə göstərildiyi kimi. Qeyd edək ki, modellərimiz yalnız bu MemTrax performans göstəricilərini əhatə edən ən yüksək dərəcəli dörd xüsusiyyətdən istifadə etdikdə hər üç şagird üçün ümumi təsnifat performansı yaxşılaşdı. Bundan əlavə, biz demans diaqnozunun iki kateqoriyasının şiddətini ayırd etmək üçün diaqnostik dəstək təsnifat modelləşdirmə sxemində eyni öyrənənlərdən və MemTrax performans ölçülərindən istifadə etmək üçün əsaslandırılmış potensialı aşkar etdik: AD və VaD.
Yaddaş testi AD-nin erkən aşkarlanmasında mərkəzi rol oynayır [23, 24]. Beləliklə, MemTrax-ın məqbul, cəlbedici və tətbiqi asan onlayn olması əlverişlidir. epizodik yaddaş üçün skrininq testi ümumi əhali arasında [6]. Bu davamlı performans tapşırığından tanınma dəqiqliyi və cavab müddətləri öyrənmə, yaddaş və idrakla əlaqəli neyrooplastik proseslərdə erkən və inkişaf edən pisləşmənin və nəticədə çatışmazlıqların müəyyən edilməsində xüsusilə aşkardır. Yəni burada əsasən MemTrax performans göstəricilərinə əsaslanan modellər daha əhəmiyyətli funksional itkilərdən xeyli əvvəl keçid asimptomatik mərhələdə bioloji nevropatoloji çatışmazlıqları asanlıqla və minimal xərclə aşkar etməyə həssasdır və daha çox ehtimal olunur [25]. Ashford və başqaları. MemTrax ilə təkbaşına iştirak edən onlayn istifadəçilərdə tanınma yaddaşının dəqiqliyi və cavab müddəti nümunələri və davranışlarını yaxından araşdırdı [6]. Bu paylanmaların optimal modelləşdirmədə və etibarlı və effektiv xəstə baxımı proqramlarının inkişaf etdirilməsində mühüm əhəmiyyət kəsb etdiyini nəzərə alaraq, klinik olaraq tətbiq olunan tanınma və cavab müddəti profillərinin müəyyən edilməsi klinik və tədqiqat yardımı üçün dəyərli əsas istinad yaratmaq üçün vacibdir. Erkən mərhələdə koqnitiv pozğunluqlar və diferensial diaqnostik dəstək üçün AD skrininqində MemTrax-ın praktiki dəyəri daha sonra test performansına təsir edən koqnitiv, duyğu və motor qabiliyyətlərin nəzərə alına biləcəyi klinik şəraitdə daha yaxından araşdırılmalıdır. Peşəkar perspektivi məlumatlandırmaq və praktiki klinik faydalılığı təşviq etmək üçün ilk növbədə müəyyən edilmiş koqnitiv sağlamlığın qiymətləndirilməsi testi ilə müqayisəni nümayiş etdirmək vacibdir, baxmayaraq ki, sonuncu ağır sınaq logistikası, təhsil və dil maneələri və mədəni təsirlər tərəfindən tanınan şəkildə məhdudlaşdırıla bilər [26] . Bu baxımdan MemTrax-ın klinik effektivlik baxımından sənaye standartı kimi təqdim edilən MoCA ilə əlverişli müqayisəsi, xüsusilə də MemTrax-ın daha çox faydası və xəstələr tərəfindən qəbul edilməsinin asanlığını nəzərə alaraq əhəmiyyətlidir.
MemTrax-ı MoCA ilə müqayisə edən əvvəlki kəşfiyyat bizim modelləşdirmə tədqiqatımıza zəmanət verən əsaslandırma və ilkin sübutları vurğulayır [8]. Bununla belə, bu əvvəlki müqayisə sadəcə olaraq araşdırdığımız iki əsas MemTrax performans göstəricisini MoCA tərəfindən müəyyən edilən və müəyyən edilmiş müvafiq diapazonlar və kəsilmə dəyərləri ilə idrak statusu ilə əlaqələndirdi. Biz MemTrax-ın klinik faydasının qiymətləndirilməsini dərinləşdirdik və bu, digər potensial uyğun xəstə-xüsusi parametrlərin daha fərdi şəkildə nəzərdən keçirilməsini təmin edəcək proqnozlaşdırıcı modelləşdirməyə əsaslanan yanaşmanı araşdırdıq. Digərlərindən fərqli olaraq, biz MoCA balına təhsil korreksiyasından (tənzimləmə) istifadə edərək model performansında və ya ilkin olaraq tövsiyə olunan 26-dan 23-ə qədər olan MoCA məcmu bal həddini fərqləndirən idrak sağlamlığını dəyişməkdə üstünlük tapa bilmədik [12, 15]. Əslində, təsnifat performansının üstünlüyü tənzimlənməmiş MoCA balından və daha yüksək hədddən istifadə etməklə üstünlük təşkil etdi.
Klinik praktikada əsas məqamlar
Məlumatlar geniş və çoxölçülü olduqda, yəni çoxsaylı müşahidələr və yüksək dəyərli (töhfə verən) atributların geniş spektri olduqda, maşın öyrənməsi çox vaxt ən yaxşı şəkildə istifadə olunur və proqnozlaşdırıcı modelləşdirmədə ən təsirli olur. Bununla belə, bu cari məlumatlarla, yalnız dörd seçilmiş xüsusiyyətə malik süzülmüş modellər, 10 ümumi xüsusiyyətin hamısından istifadə edənlərdən daha yaxşı performans göstərdi. Bu onu göstərir ki, bizim ümumi xəstəxana məlumat dəstimiz xəstələri bu şəkildə optimal şəkildə təsnif etmək üçün klinik cəhətdən ən uyğun (yüksək dəyər) xüsusiyyətlərə malik deyildi. Buna baxmayaraq, əsas MemTrax performans göstəricilərinə - MTx-% C və MTx-RT-yə vurğulanan xüsusiyyət sıralaması bu test ətrafında sadə, idarə edilməsi asan, aşağı qiymətə və uyğun şəkildə aşkara çıxaran erkən mərhələdə koqnitiv çatışmazlıq skrininq modellərinin qurulmasını güclü şəkildə dəstəkləyir. yaddaş performansı, ən azı hazırda koqnitiv sağlamlıq vəziyyətinin ikili təsnifatı üçün ilkin ekran kimi. Provayderlər və səhiyyə sistemləri üzərində daim artan gərginliyi nəzərə alaraq, xəstələrin müayinəsi prosesləri və klinik tətbiqləri diaqnostikada ən faydalı, sərfəli və effektivliyi sübut edilmiş xəstə xüsusiyyətlərini və test ölçülərini toplamaq, izləmək və modelləşdirməyə diqqət yetirməklə uyğun şəkildə inkişaf etdirilməlidir. və xəstə idarəetmə dəstəyi.
İki əsas MemTrax göstəricisi MCI təsnifatının mərkəzi olması ilə, ən yaxşı nəticə göstərən şagirdimiz (Naive Bayes) əksər modellərdə (AUC 0.90-dan çox) çox yüksək proqnozlaşdırıcı performansa malik idi, həqiqi-müsbətə yalan-müsbət nisbətə yaxın və ya bir qədər 4-dən çox idi. : 1. Bu öyrənəndən istifadə edən tərcümə kliniki tətbiqi beləliklə, koqnitiv çatışmazlığı olanların əksəriyyətini tuta bilər (düzgün təsnifat), eyni zamanda normal koqnitiv sağlamlığı olan birinin səhvən koqnitiv defisiti olan (yalançı pozitiv) və ya kimin təsnif edilməsi ilə bağlı xərcləri minimuma endirir. koqnitiv defisiti olanlarda (yalan mənfi) bu təsnifatı əldən verir. Bu səhv təsnifat ssenarilərindən hər hansı biri xəstə və ona qulluq edən şəxslər üçün yersiz psixo-sosial yük yarada bilər.
İlkin və tam təhlillərdə hər bir modelləşdirmə sxemində on şagirdin hamısından istifadə etdiyimiz halda, nəticələrimizi ən ardıcıl güclü performansı göstərən üç təsnifatçıya yönəltdik. Bu, həm də bu məlumatlara əsaslanaraq, idrak statusunun təsnifatının müəyyən edilməsində praktiki klinik tətbiqdə yüksək səviyyədə etibarlı şəkildə performans göstərəcək şagirdləri vurğulamaq idi. Üstəlik, bu tədqiqat idrak skrininqində maşın öyrənməsinin faydası və bu vaxtında görülən klinik problemlərə giriş araşdırması kimi nəzərdə tutulduğu üçün biz minimal parametr tənzimləməsi ilə öyrənmə texnikalarını sadə və ümumiləşdirilmiş saxlamaq qərarına gəldik. Biz qiymətləndiririk ki, bu yanaşma daha dar şəkildə müəyyən edilmiş xəstəyə xas proqnozlaşdırma imkanları üçün potensialı məhdudlaşdıra bilər. Eyni şəkildə, modellərin yalnız ən yaxşı xüsusiyyətlərindən istifadə etməklə öyrədilməsi (süzgəcdən keçirilmiş yanaşma) bizə bu məlumatlar (toplanmış məlumatların çatışmazlıqları və qiymətli klinik vaxt və resursların optimallaşdırılmasının dəyərini vurğulayan xüsusi) haqqında əlavə məlumat versə də, biz bunu daraltmağın tez olduğunu başa düşürük. modellərin əhatə dairəsi və buna görə də bütün (və digər xüsusiyyətlər) geniş əhali kütləsi üçün tətbiq oluna biləcək prioritet xüsusiyyətlərin daha dəqiq profilinə malik olana qədər gələcək tədqiqatlarda nəzərə alınmalıdır. Beləliklə, biz həm də tam başa düşürük ki, bu və digər modelləri effektiv klinik tətbiqə inteqrasiya etməzdən əvvəl, xüsusən də sonrakı klinik qiymətləndirmədə nəzərə alınmalı olan koqnitiv fəaliyyətə təsir edən komorbidlikləri yerləşdirmək üçün daha əhatəli və geniş şəkildə təmsil olunan məlumatların və optimallaşdırılmasının zəruri olduğunu bilirik.
MemTrax-ın faydası ayrıca klinik diaqnoz əsasında xəstəliyin şiddətinin modelləşdirilməsi ilə daha da təkmilləşdirilmişdir. VaD şiddətinin proqnozlaşdırılmasında daha yaxşı ümumi təsnifat performansı (AD ilə müqayisədə) yox idi Damar sağlamlığına xas olan modellərdə xəstə profilinin xüsusiyyətləri nəzərə alınmaqla təəccüblüdür və vuruş riski, yəni hipertoniya, hiperlipidemiya, diabet və (əlbəttə) vuruş tarixi. Baxmayaraq ki, şagirdləri bu daha inklüziv məlumatlarla öyrətmək üçün eyni kliniki qiymətləndirmənin normal idrak sağlamlığı olan uyğun xəstələrdə aparılması daha məqsədəuyğun və uyğun olardı. MemTrax ilk növbədə koqnitiv defisitin erkən mərhələdə aşkarlanması və sonradan fərdi dəyişikliklərin izlənilməsi üçün istifadə olunmaq üçün nəzərdə tutulduğu üçün bu, xüsusilə təmin edilir. VaD verilənlər bazasında məlumatların daha arzuolunan paylanmasının nisbətən daha yaxşı modelləşdirmə performansına qismən töhfə verdiyi də inandırıcıdır. VaD verilənlər bazası iki sinif arasında yaxşı balanslaşdırılmışdı, halbuki daha az MCI xəstəsi olan AD verilənlər bazası belə deyildi. Xüsusilə kiçik verilənlər bazalarında hətta bir neçə əlavə nümunə də ölçülə bilən fərq yarada bilər. Hər iki perspektiv xəstəliyin şiddətinin modelləşdirilməsi performansındakı fərqlərin əsasını təşkil edən ağlabatan arqumentlərdir. Bununla belə, mütənasib olaraq təkmilləşdirilmiş performansı verilənlər toplusunun ədədi xüsusiyyətlərinə və ya nəzərdən keçirilən klinik təqdimata xas olan xüsusiyyətlərə aid etmək tezdir. Buna baxmayaraq, bu roman klinik diaqnostik dəstək rolunda MemTrax proqnozlaşdırıcı təsnifat modelinin faydalılığını nümayiş etdirdi, dəyərli perspektiv təmin edir və MCI davamlılığı boyunca xəstələrlə əlavə müayinə üçün axtarışı təsdiqləyir.
MemTrax-ın və bu modellərin Çində tətbiqi və nümayiş etdirilmiş faydası, burada dili və mədəniyyəti müəyyən faydanın digər bölgələrindən (məsələn, Fransa, Hollandiya və ABŞ) kəskin şəkildə fərqlənir [7, 8, 27], potensialı daha da vurğulayır. MemTrax əsaslı platformanın geniş yayılmış qlobal qəbulu və klinik dəyəri üçün. Bu, standartlaşdırılan və dünya miqyasında istifadə üçün asanlıqla uyğunlaşdırılan idrak skrininqi üçün məlumatların uyğunlaşdırılmasına və praktiki beynəlxalq normaların və modelləşdirmə resurslarının işlənib hazırlanmasına yönəlmiş bir nümunədir.
Koqnitiv azalmanın modelləşdirilməsi və tətbiqində növbəti addımlar
AD-də koqnitiv disfunksiya həqiqətən də diskret mərhələlərdə və ya addımlarda deyil, kontinuumda baş verir [28, 29]. Bununla belə, bu ilkin mərhələdə bizim məqsədimiz ilk növbədə “normal”i “normal olmayan”dan fərqləndirə bilən MemTrax-ı özündə birləşdirən bir model yaratmaq bacarığımızı qurmaq idi. Daha əhatəli empirik məlumatlar (məsələn, beyin təsviri, genetik xüsusiyyətlər, biomarkerlər, komorbidlər və kompleksin funksional markerləri idrak tələb edən fəaliyyətlər nəzarət) [30] müxtəlif qlobal regionlar, əhali və yaş qrupları üzrə daha mürəkkəb (uyğun çəkili ansambl daxil olmaqla) maşın öyrənmə modellərini öyrətmək və inkişaf etdirmək üçün daha yüksək dərəcədə təkmilləşdirilmiş təsnifatı, yəni xəstələrin qruplarını təsnif etmək qabiliyyətini dəstəkləyəcək. Koqnitiv azalma kontinuumu boyunca daha kiçik və daha dəqiq alt qruplara MCI. Bundan əlavə, regional müxtəlif xəstə populyasiyaları üzrə fərdlər üçün eyni vaxtda kliniki diaqnozlar vacibdir. effektiv məşq etmək bu daha əhatəli və proqnozlaşdırıla bilən möhkəm modellər. Bu, oxşar fonları, təsirləri və daha dar müəyyən edilmiş xarakterik koqnitiv profilləri olanlar üçün daha spesifik təbəqələşdirilmiş işin idarə edilməsini asanlaşdıracaq və beləliklə, klinik qərar dəstəyi və xəstə baxımını optimallaşdıracaq.
Bu günə qədər aparılan müvafiq klinik tədqiqatların çoxu ən azı yüngül demensiyası olan xəstələrə müraciət etmişdir; və praktikada çox vaxt xəstə müdaxiləsi yalnız qabaqcıl mərhələlərdə cəhd edilir. Bununla belə, koqnitiv tənəzzül demans üçün klinik meyarlara əməl edilməzdən xeyli əvvəl başladığı üçün, effektiv şəkildə tətbiq olunan MemTrax-a əsaslanan erkən ekran fərdləri xəstəlik və onun gedişatları haqqında müvafiq maarifləndirməyə və tez və daha vaxtında müdaxilələrə təşviq edə bilər. Beləliklə, erkən aşkarlama məşq, pəhriz, emosional dəstək və təkmilləşdirilmiş sosiallaşmadan tutmuş farmakoloji müdaxiləyə qədər uyğun iştirakları dəstəkləyə bilər və tək və ya məcmu olaraq demansın gedişatını azalda və ya dayandıra bilən davranış və qavrayışda xəstə ilə əlaqəli dəyişiklikləri gücləndirə bilər [31, 32] . Üstəlik, effektiv ilə erkən skrininq, fərdlər və onların ailələri gözləntiləri və niyyətləri aydınlaşdırmaq və gündəlik tapşırıqları idarə etmək üçün klinik sınaqları nəzərdən keçirməyə və ya məsləhət və digər sosial xidmət dəstəyi almağa sövq edilə bilər. Bu üsullarla əlavə yoxlama və geniş yayılmış praktik fayda bir çox fərdlər üçün MCI, AD və ADRD-nin inkişafını azaltmaq və ya dayandırmaq üçün vasitə ola bilər.
Həqiqətən də, tədqiqatımızda xəstənin yaş aralığının aşağı olması AD ilə ənənəvi narahatlıq doğuran əhalini təmsil etmir. Buna baxmayaraq, MoCA bal/ərəfəsində və diaqnozun şiddətinə əsaslanan təsnifat modelləşdirmə sxemlərində istifadə edilən hər qrup üçün orta yaş (Cədvəl 3) aydın əksəriyyətin (80%-dən çoxunun) ən azı 50 yaş olduğunu vurğulayır. Beləliklə, bu paylama ümumiləşdirmə üçün çox uyğundur və adətən təsirə məruz qalanları xarakterizə edən populyasiyada bu modellərin faydalılığını dəstəkləyir. erkən başlanğıc və AD və VaD səbəbiylə inkişaf edən neyrokoqnitiv xəstəlik. Həmçinin, son sübutlar və perspektivlər yüksək erkən artıma potensial töhfə verən tanınmış amilləri (məsələn, hipertoniya, piylənmə, diabet və siqaret çəkmə) vurğulayır. yetkin və orta yaş damar risk skorları və nəticədə hətta gənc yaşda aşkar təsirləri ilə məkrli şəkildə inkişaf edən incə damar beyin zədəsi böyüklər [33-35]. Buna görə, erkən aşkar etmək üçün ən optimal ilkin tarama imkanı koqnitiv çatışmazlıqları mərhələli şəkildə inkişaf etdirin və demansın uğurla həll edilməsində effektiv profilaktika və müdaxilə strategiyalarına başlayın. erkən yetkinlik və potensial olaraq hətta uşaqlıq da daxil olmaqla, yaş spektri üzrə töhfə verən amillərin və əvvəlki göstəricilərin araşdırılması nəticəsində ortaya çıxacaq (erkən hamiləlikdən apolipoprotein E kimi genetik amillərin aktuallığını qeyd etməklə).
Praktikada etibarlı klinik diaqnozlar və qabaqcıl görüntüləmə, genetik profilləşdirmə və perspektivli biomarkerlərin ölçülməsi üçün bahalı prosedurlar həmişə bir çox provayderlər üçün əlçatan olmur və hətta mümkün olmur. Beləliklə, bir çox hallarda, ilkin ümumi koqnitiv sağlamlıq vəziyyəti təsnifatı xəstənin təqdim etdiyi digər sadə ölçülərdən istifadə edən modellərdən əldə edilməli ola bilər (məsələn, öz hesabatı yaddaş problemləri, cari dərmanlar və gündəlik fəaliyyət məhdudiyyətləri) və ümumi demoqrafik xüsusiyyətlər [7]. Kaliforniya Universiteti kimi qeydlər Brain Health Registry (https://www.brainhealthregistry.org/) [27] və öz-özünə bildirilən simptomların, keyfiyyət ölçülərinin (məsələn, yuxu və hər gün idrak), dərmanların, sağlamlıq vəziyyətinin və tarixinin daha geniş genişliyinə malik digərləri daha təfərrüatlı demoqrafik məlumatlar klinikada bu daha primitiv modellərin praktiki tətbiqinin işlənib hazırlanmasında və təsdiqində mühüm rol oynayacaqdır. Bundan əlavə, yaddaş funksiyasının qiymətləndirilməsində faydalı olduğunu nümayiş etdirən MemTrax kimi bir test əslində bioloji markerlərdən fərqli olaraq AD patologiyasının əhəmiyyətli dərəcədə yaxşı qiymətləndirilməsini təmin edə bilər. Nəzərə alsaq ki, AD patologiyasının əsas xüsusiyyəti neyrooplastikliyin pozulması və epizodik olaraq özünü göstərən sinapsların çox mürəkkəb itkisidir. yaddaş disfunksiyası, epizodik yaddaşı qiymətləndirən bir ölçü ola bilər canlı xəstədə bioloji markerlərə nisbətən AD patoloji yükünün daha yaxşı qiymətləndirilməsini təmin edir [36].
Bütün proqnozlaşdırıcı modellərlə – istər bir çox sahələr üzrə ən müasir texnologiyanın mürəkkəb və inklüziv məlumatları ilə tamamlansın, istərsə də mövcud xəstə profilləri üçün xarakterik olan daha əsas və asanlıqla əldə edilə bilən məlumatlarla məhdudlaşsın – süni intellektin tanınmış üstünlüyü və maşın öyrənməsi ondan ibarətdir ki, nəticədə yaranan modellər tətbiqin davamlı istifadəsi ilə təmin edilən müvafiq yeni məlumatlardan və perspektivlərdən sintez edə və induktiv şəkildə “öyrənə” bilər. Praktik texnologiya transferindən sonra, buradakı modellər (və hazırlanacaq) tətbiq olunduğuna və daha çox hal və müvafiq məlumatla zənginləşdirildiyinə görə (koqnitiv geriləmə ilə müşahidə oluna bilən əlavə xəstəlikləri olan xəstələr də daxil olmaqla) proqnozlaşdırma performansı və koqnitiv sağlamlıq təsnifatı daha möhkəm olacaq, nəticədə daha effektiv klinik qərara dəstək proqramı. Bu təkamül MemTrax-ın tibb işçilərinin klinikada real vaxt rejimində istifadə edə biləcəyi xüsusi (mövcud imkanlara yönəldilmiş) platformalara yerləşdirilməsi ilə daha dolğun və praktiki şəkildə həyata keçiriləcək.
Diaqnostik dəstək və xəstələrə qulluq üçün MemTrax modelinin doğrulanması və faydalı olması üçün vacib olan çox tələb olunan mənalı uzununa məlumatlardır. Erkən mərhələdə MCI vasitəsilə adekvat normal diapazonda klinik statusda müşayiət olunan dəyişiklikləri (əgər varsa) müşahidə etmək və qeyd etməklə müvafiq davamlı qiymətləndirmə və təsnifat üçün modellər öyrədilə və xəstələrin yaşına uyğun olaraq dəyişdirilə və müalicə oluna bilər. Yəni, təkrar kommunal mülayim idrak dəyişikliklərinin uzunlamasına izlənməsinə, müdaxilənin effektivliyinə və məlumatlı təbəqələşdirilmiş qayğının saxlanmasına kömək edə bilər. Bu yanaşma klinik təcrübə və xəstə və halların idarə edilməsi ilə daha sıx uyğunlaşır.
Məhdudiyyətlər
Biz nəzarət edilən klinika/xəstəxana şəraitində təmiz klinik məlumatların toplanmasında çətinliyi və dəyəri yüksək qiymətləndiririk. Buna baxmayaraq, məlumat dəstlərimizə ümumi xüsusiyyətlərə malik daha çox xəstə daxil olsaydı, bu, modelləşdirməmizi gücləndirərdi. Üstəlik, diaqnostika modelləşdirməmizə xas olaraq, öyrənənlərə təlim keçmək üçün eyni klinik qiymətləndirmənin normal koqnitiv sağlamlığı olan uyğun xəstələrdə aparılması daha məqsədəuyğun və uyğun olardı. Filtrdən keçmiş verilənlər toplusundan istifadə edərək daha yüksək təsnifat performansı ilə vurğulandığı kimi (yalnız ən yaxşı dörd xüsusiyyət), daha ümumi və koqnitiv sağlamlıq tədbirləri/indikatorları çox güman ki, yaxşılaşacaqdı bütün xəstələrdə daha çox ümumi xüsusiyyətlərə malik modelləşdirmə performansı.
Bəzi iştirakçılar eyni vaxtda keçici və ya xroniki idrak çatışmazlıqlarına səbəb ola biləcək digər xəstəliklərlə qarşılaşmış ola bilərlər. Xəstələrin diaqnostik olaraq AD və ya VaD kimi təsnif edildiyi XL alt-məlumat dəstindən başqa, YH xəstə fondunda komorbidlik məlumatları toplanmadı/məlumat verilmədi və KM alt-məlumat dəstində indiyədək üstünlük təşkil edən komorbidlik diabet idi. Bununla belə, idrak çatışmazlığı səviyyəsini və nəticədə aşağı MemTrax performansını şərtləndirə və ya gücləndirə bilən komorbidliyi olan xəstələrin modelləşdirmə sxemlərimizə daxil edilməsi, bu daha ümumiləşdirilmiş erkən koqnitiv skrininq üçün real dünyada hədəflənmiş xəstələrin daha çox təmsil olunacağı mübahisəlidir. və modelləşdirmə yanaşması. İrəliləyərək, bilişsel performansa potensial olaraq təsir edən komorbid xəstəliklərin dəqiq diaqnozu modelləri və nəticədə xəstələrə qulluq tətbiqlərini optimallaşdırmaq üçün geniş şəkildə faydalıdır.
Nəhayət, YH və KM alt verilənlər bazası xəstələri MemTrax testindən keçmək üçün smartfondan istifadə edirdilər, halbuki XL alt verilənlər bazası xəstələrinin məhdud sayı iPad, qalanları isə smartfondan istifadə edirdi. Bu, MoCA təsnifat modelləşdirməsi üçün MemTrax performansında kiçik bir cihazla bağlı fərq təqdim edə bilərdi. Bununla belə, MTx-RT-də, məsələn, cihazlar arasında fərqlər (əgər varsa) əhəmiyyətsiz ola bilər, xüsusən də hər bir iştirakçıya qeydə alınmış test performansından dərhal əvvəl “təcrübə” testi verilir. Buna baxmayaraq, bu iki əl cihazının faydası potensial olaraq istifadəçilərin kompüter klaviaturasında boşluq işarəsinə toxunaraq təkrar şəkillərə cavab verdiyi digər MemTrax nəticələri ilə birbaşa müqayisə və/yaxud inteqrasiyanı pozur.
MemTrax proqnozlaşdırıcı modelləşdirmə yardım proqramında əsas məqamlar
- • Seçilmiş MemTrax performans göstəricilərini əhatə edən ən yüksək performanslı proqnozlaşdırıcı modellərimiz geniş tanınan MoCA testində göstərildiyi kimi koqnitiv sağlamlıq vəziyyətini (normal koqnitiv sağlamlıq və ya MCI) etibarlı şəkildə təsnif edə bilər.
- • Bu nəticələr seçilmiş MemTrax performans göstəricilərinin erkən mərhələdə idrak pozğunluğu üçün təsnifat proqnozlaşdırıcı model seçim proqramına inteqrasiyasını dəstəkləyir.
- • Təsnifat modelləşdirməmiz həmçinin demans diaqnozunun şiddətini ayırd etmək üçün tətbiqlərdə MemTrax performansından istifadə potensialını ortaya qoydu.
Bu yeni tapıntılar effektiv klinik vəziyyətin idarə edilməsində diaqnostik dəstək və koqnitiv pozğunluğu olan şəxslər üçün xəstə baxımı üçün gücləndirilmiş möhkəm MemTrax əsaslı təsnifat modellərinin qurulmasında maşın öyrənməsinin faydasını dəstəkləyən qəti sübutlar yaradır.
Minnətdarlıq
Biz J. Wesson Ashford, Curtis B. Ashford və həmkarlarının burada istifadə olunan onlayn davamlı tanınma tapşırığı və alətini (MemTrax) inkişaf etdirmək və təsdiqləmək üçün işini tanıyırıq və tənqidi təməl tədqiqata töhfə verən çoxsaylı demans xəstələrinə minnətdarıq. . Biz həmçinin Xianbo Zhou və onun SJN Biomed LTD-dəki həmkarlarına, xəstəxanalar/klinikalardakı həmkarlarına və əməkdaşlarına, xüsusən də Dr. İştirakçıların işə götürülməsində, testlərin planlaşdırılmasında, məlumatların toplanmasında, qeydə alınmasında və idarə edilməsində kömək edən M. Luo və M. Zhong və qiymətli vaxtlarını bağışlayan və testlərdən keçmək və təmin etmək öhdəliyini götürən könüllü iştirakçılar bu işdə qiymətləndirməyimiz üçün dəyərli məlumatlar. Bu tədqiqat qismən MD Scientific Research tərəfindən dəstəkləndi Kunminq Tibb Universitetinin Proqramı (Qrant № 2017BS028 XL) və Yunnan Elm və Texnologiya Departamentinin Tədqiqat Proqramı (Qrant № 2019FE001 (-222) - XL).
J. Wesson Ashford bu sənəddə təsvir olunan xüsusi davamlı tanınma paradiqmasının istifadəsi üçün patent ərizəsi verdi. yaddaş testi.
MemTrax, LLC Curtis Ashford-a məxsus bir şirkətdir və bu şirkət yaddaş testi sistem bu məqalədə təsvir edilmişdir.
Müəlliflərin açıqlamaları onlayn mövcuddur (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
REFERANSLAR
| [1] Alzheimer Dərnəyi (2016) 2016 Alzheimer xəstəliyi faktları və rəqəmlər. Alzheimer Dement 12, 459-509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Erkən mərhələnin təsiri Alzheimer xəstəliyi ev təsərrüfatlarının maliyyə nəticələri haqqında. 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) Keyfiyyətin yaxşılaşdırılması nevrologiya: Yüngül koqnitiv pozğunluq keyfiyyətinin ölçülməsi dəsti. Nevrologiya 93, 705-713. |
| [4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) İstifadənin səmərəliliyi ilkin yardımda demans və yüngül koqnitiv pozğunluğu aşkar etmək üçün koqnitiv skrininq testləri. Int J Geriatr Psixiatriya 32, 1392-1400. | |
| [5] Ashford JW , Gere E , Bayley PJ (2011) Yaddaşın ölçülməsi davamlı tanınma testindən istifadə edərək böyük qrup parametrlərində. J Alzheimer Dis 27, 885-895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Epizodik yaddaşın ölçülməsi üçün kompüterləşdirilmiş davamlı tanınma tapşırığı. J Alzheimer Dis 69, 385-399. |
| [7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) Koqnitiv sağlamlıq vəziyyəti təsnifatını proqnozlaşdırmaq üçün maşın öyrənmə modelləşdirməsində epizodik yaddaş performansı. J Alzheimer Dis 70, 277-286. |
| [8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) MemTrax testi Yüngül koqnitiv pozğunluğun Montreal idrak qiymətləndirməsi ilə müqayisədə. J Alzheimers Dis 67, 1045-1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Yüngül travmatik beyin zədəsinin təsnifatı üçün təcrid olunmuş sait səslərindən istifadə. 2013-cü ildə Akustika, Nitq və Siqnal Emalı üzrə IEEE Beynəlxalq Konfransı, Vankuver, BC, s. 7577–7581. |
| [10] | Dabek F, Caban JJ (2015) Sarsıntıdan sonra psixoloji vəziyyətlərin inkişaf ehtimalını modelləşdirmək üçün böyük məlumatlardan istifadə. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) İcma əczaçıları tərəfindən koqnitiv pozğunluğun erkən aşkarlanması üçün qərar ağacı. 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: Yüngül koqnitiv pozğunluqlar üçün qısa skrininq vasitəsi. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012) Yüngül koqnitiv pozğunluqlar üçün qısa skrininq vasitəsi kimi Monreal koqnitiv qiymətləndirmənin Pekin versiyası: İcma əsaslı bir araşdırma. BMC Psixiatriya 12, 156. |
| [14] | Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) Yüngül koqnitiv pozğunluqların skrininqi üçün əsas olan Montreal idrak qiymətləndirməsinin Çin versiyasının təsdiqi. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N , Leach L , Murphy KJ (2018) Montreal Cognitive Assessment (MoCA) cutoff ballarının yenidən yoxlanılması. Int J Geriatr Psixiatriya 33, 379-388. |
| [16] | Amerika Psixiatriya Assosiasiyası (2013) İş Qrupu Psixi pozğunluqların diaqnostikası və statistik təlimatı: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC. |
| [17] | Python. Python Software Foundation, http://www.python.org, 15 noyabr 2019-cu ildə əldə edilib. |
| [18] | R Core Group, R: Statistik hesablamalar üçün dil və mühit R Statistik Hesablamalar Fondu, Vyana, Avstriya. https://www.R-project.org/, 2018, 15 noyabr 2019-cu ildə əldə edilib. |
| [19] | Benavoli A , Corani G , Demšar J , Zaffalon M (2017) Dəyişiklik vaxtı: Bayes analizi vasitəsilə çoxsaylı təsnifatçıların müqayisəsi üçün dərslik. J Mach Learn Res 18, 1-36. |
| [20] | Frank E, Hall MA, Witten IH (2016) WEKA Workbench. In Data Mining: Praktiki Maşın Öyrənmə Alətləri və Texnikaları, Frank E, Hall MA, Witten IH, Pal CJ, red. 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) Liseydə idman sarsıntısı simptomlarının modelləşdirilməsində maşın öyrənməsi. Med Sci Sports Exerc 51, 1362–1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Balanssız məlumatlardan öyrənmə üzrə eksperimental perspektivlər. In Maşın Öyrənməsi üzrə 24-cü Beynəlxalq Konfransın materialları, Corvalis, Oreqon, ABŞ, s. 935-942. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Alzheimer xəstəsinin qiymətləndirilməsi və mini psixi vəziyyət: Maddə xarakterik əyri təhlili.P. J Gerontol 44, 139–146. |
| [24] Ashford JW , Jarvik L (1985) Alzheimer xəstəliyi: Neyronun plastikliyi aksonal neyrofibrilyar degenerasiyaya meyllidirmi? N Engl J Med 313, 388-389. | |
| [25] Cek 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 , Gunterm JML , Rocca WA, Petersen RC (2019) Milli Yaşlanma-Alzheimer İnstitutundan istifadə edərək, bioloji və klinik olaraq müəyyən edilmiş Alzheimer spektri subyektlərinin yayılması Assosiasiya Araşdırma çərçivə. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X , Ashford JW (2019) üçün skrininq alətlərində irəliləyişlər Alzheimer xəstəliyi. Yaşlanma 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) The Brain Health Reyestr: Neyrologiya tədqiqatları üçün iştirakçıların işə götürülməsi, qiymətləndirilməsi və uzununa monitorinqi üçün internet əsaslı platformadır. Alzheimer Dement 14, 1063-1076. | |
| [28] Ashford JW, Schmitt FA (2001) Zaman kursunun modelləşdirilməsi Alzheimer demensiyası. Curr Psychiatry Rep 3, 20-28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Koqnitiv Tənəzzül üzrə Çin Uzunlamasına Tədqiqat (SILCODE): Subyektiv idrak qabiliyyəti olan şəxslərdə yüngül idrak pozğunluğuna çevrilmə riskinin proqnozlaşdırılması modellərini inkişaf etdirmək üçün Çin uzununa müşahidə tədqiqatı üçün protokol eniş. BMJ Open 9, e028188. |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) Beş illik biomarker irəliləmə dəyişkənliyi Alzheimer xəstəliyi demans proqnoz: Gündəlik həyat markerinin kompleks instrumental fəaliyyəti boşluqları doldura bilərmi? Alzheimer Dement (Amst) 1, 521-532. | |
| [31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) Alzheimer xəstəliyinin qarşısının alınması və müalicəsi: İdmanın bioloji mexanizmləri. J Alzheimers Dis 69, 311-338. | |
| [32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Therapies for Alzheimer xəstəliyinin qarşısının alınması və müalicəsi. 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) Yetkinlik dövründə damar riski və gec həyatda beyin patologiyası arasında əlaqə: İngilis doğum kohortundan sübut. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) Yaşdan və amiloid qutularından kənar demans düşüncəsinin qarşısının alınması. 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) Framingham Heart Study-də gənc yetkinlərdə sistolik qan təzyiqinin ağ maddənin bütövlüyünə təsiri: - bölməli tədqiqat. 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) Neyropatoloji olaraq müəyyən edilmiş biomarker testinin dəqiqliyi Demanslı yaşlı yetkinlərdə Alzheimer xəstəliyi. Ann Intern Med 172, 669-677. |
Əlaqələr: [a] SIVOTEC Analytics, Boca Raton, FL, ABŞ | [b] Kompüter və Elektrik Mühəndisliyi və Kompüter Elmləri Departamenti, Florida Atlantik Universiteti, Boka Raton, FL, ABŞ | [c] SJN Biomed LTD, Kunming, Yunnan, Çin | [d] üçün mərkəz Alzheimer Araşdırması, Vaşinqton Klinik Tədqiqatlar İnstitutu, Vaşinqton, DC, ABŞ | [e] Reabilitasiya Tibb Departamenti, Kunming Tibb Universitetinin Birinci Əlaqəli Xəstəxanası, Kunming, Yunnan, Çin | [f] Nevrologiya şöbəsi, Dehong Xalq Xəstəxanası, Dehong, Yunnan, Çin | [g] Nevrologiya şöbəsi, Kunming Tibb Universitetinin Birinci Əlaqəli Xəstəxanası, Wuhua Rayonu, Kunming, Yunnan Əyaləti, Çin | [h] Müharibə ilə əlaqəli Xəstəliklər və Yaralanmaların Öyrənilməsi Mərkəzi, VA Palo Alto Səhiyyə Sistem, Palo Alto, CA, ABŞ | [i] Psixiatriya və Davranış Elmləri Bölməsi, Stanford Universiteti Tibb Məktəbi, Palo Alto, CA, ABŞ
Yazışma: [*] Yazışma: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton İnnovasiya Kampusu, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, ABŞ. E-poçt: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Nevrologiya şöbəsi, Kunming Tibb Universitetinin Birinci Əlaqəli Xəstəxanası, 295 Xichang Road, Wuhua Rayonu, Kunming, Yunnan əyaləti 650032, Çin. E-poçt: ring@vip.163.com.
Açar sözlər: Yaşlanma, Alzheimer xəstəliyi, demans, kütləvi skrininq