Карыснасць MemTrax і мадэлявання машыннага навучання ў класіфікацыі лёгкіх кагнітыўных парушэнняў
даследаванні Артыкул
Аўтары: Бержэран, Майкл Ф. | Ландсэт, Сара | Чжоу, Сяньбо | Дзінь, Тао | Хошгофтаар, Тагі М. | Чжао, Фэн | Ду, Бо | Чэнь, Сіньцзе | Ван, Сюань | Чжун, Ляньмэй | Лю, Сяолей| Эшфард, Дж. Весон
DOI: 10.3233/JAD-191340
Часопіс: часопіс в Хвароба Альцгеймера, Т. 77, няма. 4, стар. 1545-1558, 2020
абстрактны
Даведачная інфармацыя:
Шырокае захворванне і распаўсюджанасць Хвароба Альцгеймера і лёгкія кагнітыўныя парушэнні (MCI) выклікалі тэрміновы заклік да правядзення даследаванняў для праверкі ранняга выяўлення кагнітыўнага скрынінга і ацэнкі.
мэта:
Наша асноўная мэта даследавання заключалася ў тым, каб вызначыць, ці можна эфектыўна выкарыстоўваць выбраныя паказчыкі прадукцыйнасці MemTrax і адпаведныя дэмаграфічныя характарыстыкі і характарыстыкі профілю здароўя ў прагнастычных мадэлях, распрацаваных з дапамогай машыннага навучання для класіфікацыі кагнітыўнага здароўя (нармальнае ў параўнанні з MCI), як было б паказана ў Мантрэальская кагнітыўная ацэнка (MoCA).
Метады:
Мы правялі папярочнае даследаванне 259 дарослых пацыентаў неўралогіі, клінікі памяці і ўнутранай медыцыны, набраных з двух бальніцы ў Кітаі. Кожнаму пацыенту быў дадзены MoCA на кітайскай мове, і кожны пацыент самастойна карыстаўся бесперапынным распазнаваннем MemTrax онлайн эпізадычна Тэст памяці онлайн у той жа дзень. Прагнастычныя мадэлі класіфікацыі былі створаны з выкарыстаннем машыннага навучання з 10-кратнай перакрыжаванай праверкай, а прадукцыйнасць мадэлі вымяралася з выкарыстаннем плошчы пад крывой працоўных характарыстык прымача (AUC). Мадэлі былі створаны з выкарыстаннем двух паказчыкаў прадукцыйнасці MemTrax (працэнт правільнасці, час водгуку), а таксама васьмі агульных дэмаграфічных і асабістых функцый гісторыі.
вынікі:
Параўноўваючы навучэнцаў па выбраных камбінацыях балаў і парогавых значэнняў па MoCA, Naive Bayes у цэлым быў найлепшым навучэнцам з агульнай класіфікацыйнай прадукцыйнасцю 0.9093. Акрамя таго, сярод трох найлепшых навучэнцаў класіфікацыя на аснове MemTrax у цэлым была лепшай пры выкарыстанні толькі чатырох найвышэйшых функцый (0.9119) у параўнанні з выкарыстаннем усіх 10 агульных функцый (0.8999).
Выснову:
Прадукцыйнасць MemTrax можа быць эфектыўна выкарыстана ў прагнастычнай мадэлі класіфікацыі машыннага навучання дадатак для скрынінга для выяўлення кагнітыўных парушэнняў на ранняй стадыі.
УВОДЗІНЫ
Прызнаная (хоць і недастаткова дыягнаставаная) шырокая частата і распаўсюджанасць і паралельная эскалацыя медыцынскіх, сацыяльных і грамадскіх здароўе выдаткі і цяжар хваробы Альцгеймера (AD) і лёгкіх кагнітыўных парушэнняў (MCI) становяцца ўсё больш напружанымі для ўсіх зацікаўленых бакоў [1, 2]. Гэты трывожны і буржуазны сцэнар выклікаў тэрміновы заклік да даследаванняў для пацверджання ранняга выяўлення інструменты кагнітыўнага скрынінга і ацэнкі для звычайнай практычнай карысці ў асабістых і клінічных умовах для пажылых пацыентаў у розных рэгіёнах і групах насельніцтва [3]. Гэтыя інструменты таксама павінны забяспечваць бясшвоўны пераклад інфарматыўных вынікаў у электронныя медыцынскія запісы. Перавагі будуць рэалізаваны шляхам інфармавання пацыентаў і дапамогі ўрачам у распазнанні істотных змяненняў раней і, такім чынам, дазволяць больш хуткую і своечасовую стратыфікацыю, укараненне і адсочванне адпаведнага індывідуальнага і больш эканамічна эфектыўнага лячэння і догляду за пацыентамі для тых, хто пачынае адчуваць зніжэнне кагнітыўных функцый [3, 4].
Камп'ютэрызаваны інструмент MemTrax (https://memtrax.com) - гэта простая і кароткая ацэнка бесперапыннага распазнавання, якую можна самастойна праводзіць у Інтэрнэце для вымярэння складанай прадукцыйнасці эпізадычнай памяці па часе, калі карыстальнік рэагуе на паўторныя выявы, а не на першапачатковую прэзентацыю [5, 6]. Апошнія даследаванні і выніковыя практычныя наступствы пачынаюць паступова і ў сукупнасці дэманстраваць клінічную эфектыўнасць MemTrax пры раннім скрынінгу AD і MCI [5-7]. Аднак прамое параўнанне клінічнай карыснасці з існуючай кагнітыўнае здароўе ацэнка і агульнапрынятыя стандарты апраўданы для інфармавання прафесійнага пункту гледжання і пацверджання ўтыліты MemTrax для ранняга выяўлення і дыягнастычнай падтрымкі. ван дэр Гук і інш. [8] параўналі выбраныя паказчыкі прадукцыйнасці MemTrax (хуткасць рэакцыі і працэнт правільнасці) з кагнітыўным статусам, вызначаным Манрэальскім Кагнітыўная ацэнка (MoCA). Аднак гэта даследаванне было абмежавана сувяззю гэтых паказчыкаў эфектыўнасці з характарыстыкай кагнітыўнага статусу (як вызначана MoCA) і вызначэннем адносных дыяпазонаў і гранічных значэнняў. Адпаведна, каб пашырыць гэтае расследаванне і палепшыць прадукцыйнасць і эфектыўнасць класіфікацыі, нашым асноўным пытаннем для даследавання было:
- Можа абраныя паказчыкі прадукцыйнасці MemTrax і адпаведныя дэмаграфічныя паказчыкі і здароўе профіль характарыстыкі эфектыўна выкарыстоўвацца ў прагнастычнай мадэлі, распрацаванай з дапамогай машыннага навучання, каб класіфікаваць кагнітыўнае здароўе дыхатамічна (нармальнае ў параўнанні з MCI), як будзе пазначана балам MoCA?
У дадатак да гэтага мы хацелі ведаць:
- Ці можа мадэль машыннага навучання MemTrax, заснаваная на прадукцыйнасці, эфектыўна прымяняцца да пацыента з тымі ж функцыямі для прагназавання ступені цяжкасці (лёгкая або цяжкая) у выбраных катэгорыях кагнітыўных парушэнняў, якія будуць вызначаны незалежным клінічным дыягназам?
З'яўленне і развіццё практычнага прымянення штучнага інтэлекту і машыннага навучання ў скрынінгу/выяўленні ўжо прадэманстравалі відавочныя практычныя перавагі, пры гэтым прагнастычнае мадэляванне эфектыўна накіроўвае клініцыстаў у складанай ацэнцы кагнітыўнага здароўя/здароўя мозгу і вядзенні пацыентаў. У нашым даследаванні мы абралі падобны падыход у мадэляванні класіфікацыі MCI і дыскрымінацыі па ступені цяжкасці кагнітыўных парушэнняў, што пацверджана клінічным дыягназам з трох набораў дадзеных, якія прадстаўляюць выбраных добраахвотных стацыянарных і амбулаторных пацыентаў з дзвюх бальніц у Кітаі. Выкарыстоўваючы прагнастычнае мадэляванне машыннага навучання, мы вызначылі найбольш эфектыўных навучэнцаў з розных камбінацый набораў даных/навучэнцаў і ранжыравалі функцыі, каб кіраваць намі пры вызначэнні найбольш клінічна практычных прымянення мадэлі.
Нашы гіпотэзы заключаліся ў тым, што правераная мадэль, заснаваная на MemTrax, можа быць выкарыстана для класіфікацыі кагнітыўнага здароўя дыхатамічна (нармальнае або MCI) на аснове парогавага крытэрыю сумарнага бала MoCA, і што падобная мадэль прагназавання MemTrax можа быць эфектыўна выкарыстана для вызначэння ступені цяжкасці ў асобных катэгорыях клінічна дыягнаставаны кагнітыўныя парушэнні. Дэманстрацыя чаканых вынікаў будзе мець важнае значэнне ў падтрымцы эфектыўнасці MemTrax у якасці экрана ранняга выяўлення зніжэння кагнітыўных функцый і класіфікацыі кагнітыўных парушэнняў. Спрыяльнае параўнанне з заяўленым галіновым стандартам, дапоўненае значна большай прастатой і хуткасцю прымянення, дапаможа клініцыстам прыняць гэты просты, надзейны і даступны інструмент у якасці пачатковага экрана для выяўлення кагнітыўных дэфіцытаў на ранніх (уключаючы прадромальных) стадыях. Такім чынам, такі падыход і карыснасць могуць спрыяць больш своечасоваму і лепш стратыфікаванаму догляду за пацыентамі і ўмяшанню. Гэтыя перспектыўныя ідэі і палепшаныя паказчыкі і мадэлі таксама могуць быць карыснымі для змякчэння або спынення прагрэсавання дэменцыі, у тым ліку дэменцыі, звязанай з БА і дэменцыі, звязанай з БА (ADRD).
МАТЭРЫЯЛЫ І МЕТАДЫ
Вывучэнне насельніцтва
У перыяд са студзеня 2018 г. па жнівень 2019 г. было завершана крос-секцыйнае даследаванне пацыентаў, набраных з дзвюх бальніц у Кітаі. Прымяненне MemTrax [5] асобам ва ўзросце ад 21 года, а таксама збор і аналіз гэтых даных былі разгледжаны і зацверджаны і праводзіліся ў адпаведнасці з этычнымі стандартамі Чалавек Камітэт па абароне прадметаў Стэнфардскага ўніверсітэта. MemTrax і ўсе іншыя тэсты для гэтага агульнага даследавання былі праведзены ў адпаведнасці з Хельсінкскай дэкларацыяй 1975 года і зацверджаны Інстытуцыйным аглядальным саветам першай даччынай бальніцы Куньмінскага медыцынскага ўніверсітэта ў Куньміне, Юньнань, Кітай. Кожнаму карыстальніку быў прадастаўлены інфармаваныя згоду форму для чытання/прагляду, а затым добраахвотна згаджаецеся прыняць удзел.
Удзельнікі былі набраны з групы амбулаторных пацыентаў у неўралагічнай клініцы бальніцы Яньхуа (паднабор даных YH) і клініка памяці пры Першай афіляванай бальніцы Куньміна Медыцына Універсітэт (суб-набор даных XL) у Пекіне, Кітай. Удзельнікі таксама былі набраны з неўралогіі (суб-набор даных XL) і ўнутраных хвароб (суб-набор даных KM) у першай даччынай бальніцы медыцынскага ўніверсітэта Куньміна. Крытэрыі ўключэння ўключалі 1) мужчын і жанчын не менш за 21 год, 2) здольнасць размаўляць па-кітайску (мандарын) і 3) здольнасць разумець вусныя і пісьмовыя інструкцыі. Крытэрыямі выключэння з'яўляліся парушэнні зроку і маторыкі, якія перашкаджалі ўдзельнікам завяршыць Тэст MemTrax, а таксама немагчымасць зразумець канкрэтныя інструкцыі тэсту.
Кітайская версія MemTrax
онлайн Быў перакладзены тэставая платформа MemTrax на кітайскую мову (URL: https://www.memtrax.com.cn) і дадаткова адаптаваны для выкарыстання праз WeChat (Shenzhen Tencent Computer Systems Co. LTD., Шэньчжэнь, Гуандун, Кітай) для самастойнага кіравання. Дадзеныя захоўваліся на воблачным серверы (Ali Cloud), размешчаным у Кітаі і па ліцэнзіі Alibaba (Alibaba Technology Co. Ltd., Ханчжоу, Чжэцзян, Кітай) SJN Biomed LTD (Куньмін, Юньнань, Кітай). Канкрэтныя падрабязнасці аб MemTrax і крытэрыі сапраўднасці тэсту, якія выкарыстоўваюцца тут, былі апісаны раней [6]. Тэст прадастаўляўся пацыентам бясплатна.
Працэдуры вывучэння
Для стацыянарных і амбулаторных пацыентаў агульная папяровая анкета для збору дэмаграфічнай і персанальнай інфармацыі, такой як узрост, пол, гады навучання, род заняткаў, жыць адзін або з сям'ёй, а гісторыю хваробы вёў член даследчай групы. Пасля запаўнення анкеты былі праведзены тэсты MoCA [12] і MemTrax (спачатку MoCA) з інтэрвалам паміж тэстамі не больш за 20 хвілін. Адсотак правільнасці MemTrax (MTx-% C), сярэдні час адказу (MTx-RT), а таксама дата і час тэсціравання былі запісаныя на паперы членам даследчай групы для кожнага ўдзельніка тэсціравання. Запоўненая анкета і вынікі MoCA былі загружаны ў электронную табліцу Excel даследчыкам, які праводзіў тэсты, і правераны калегам, перш чым файлы Excel былі захаваны для аналізу.
Тэст MemTrax
Інтэрнэт-тэст MemTrax уключаў 50 малюнкаў (25 унікальных і 25 паўтораў; 5 набораў па 5 відарысаў звычайных сцэн або аб'ектаў), паказаных у пэўным псеўдавыпадковым парадку. Удзельнік павінен (паводле інструкцый) дакрануцца да кнопкі "Пуск" на экране, каб пачаць тэст і пачаць прагляд серыі малюнкаў, і зноў дакрануцца да выявы на экране як мага хутчэй, калі з'явіцца паўторнае малюнак. Кожная выява з'яўлялася на працягу 3 секунд або пакуль не дакраналіся да выявы на экране, што выклікала неадкладнае прадстаўленне наступнай карцінкі. З дапамогай унутранага гадзінніка лакальнай прылады MTx-RT для кожнай выявы вызначаўся па часе, які прайшоў ад прадстаўлення выявы да моманту, калі ўдзельнік дакрануўся да экрана ў адказ на распазнаванне выявы як ужо паказанай падчас тэсту. MTx-RT быў запісаны для кожнага відарыса, пры гэтым запісваліся поўныя 3 с, што сведчыць аб адсутнасці адказу. MTx-% C быў разлічаны, каб паказаць працэнт паўторных і пачатковых малюнкаў, на якія карыстальнік адрэагаваў правільна (сапраўдны станоўчы + сапраўдны адмоўны, падзеленыя на 50). Дадатковыя падрабязнасці адміністравання і ўкаранення MemTrax, скарачэння даных, несапраўдных даных або даных «адсутнасці адказу» і першаснага аналізу даных апісаны ў іншым месцы [6].
Тэст MemTrax быў падрабязна растлумачаны, і ўдзельнікам у стацыянары быў прадастаўлены практычны тэст (з унікальнымі выявамі, акрамя тых, што выкарыстоўваюцца ў тэсце для запісу вынікаў). Удзельнікі паднабораў даных YH і KM прайшлі тэст MemTrax на смартфоне, які быў загружаны з дадаткам у WeChat; у той час як абмежаваная колькасць пацыентаў з суб-наборам дадзеных XL карысталася iPad, а астатнія - смартфонам. Усе ўдзельнікі прайшлі тэст MemTrax пад ненадакучлівым назіраннем даследчыка.
Манрэальская кагнітыўная ацэнка
Пекінская версія кітайскага MoCA (MoCA-BC) [13] праводзілася і ацэньвалася падрыхтаванымі даследчыкамі ў адпаведнасці з афіцыйнымі інструкцыямі па тэставанні. Адпаведна, MoCA-BC паказала сваю надзейнасць тэст на пазнав скрынінг на ўсіх узроўнях адукацыі кітайскіх пажылых людзей [14]. Правядзенне кожнага тэсту займала ад 10 да 30 хвілін у залежнасці ад кагнітыўных здольнасцей адпаведнага ўдзельніка.
Мадэляванне класіфікацыі MoCA
Усяго было 29 даступных функцый, у тым ліку дзве MemTrax праверце паказчыкі прадукцыйнасці і 27 функцый, звязаных з дэмаграфіяй і здароўем інфармацыя для кожнага ўдзельніка. У якасці сумарнага бала тэсту MoCA кожнага пацыента выкарыстоўваўся кагнітыўны скрынінг "арыенцір" для навучання нашых мадэляў прагназавання. Адпаведна, паколькі MoCA быў выкарыстаны для стварэння меткі класа, мы не змаглі выкарыстоўваць сукупную ацэнку (або любы з балаў падмноства MoCA) у якасці незалежнай функцыі. Мы правялі папярэднія эксперыменты, у якіх змадэлявалі (класіфікуючы кагнітыўнае здароўе, вызначанае MoCA) зыходныя тры паднаборы даных бальніц/клінік паасобку, а затым аб'ядналі з выкарыстаннем усіх функцый. Тым не менш, усе тыя ж элементы дадзеных не былі сабраны ў кожнай з чатырох клінік, якія прадстаўляюць тры паднаборы дадзеных; такім чынам, многія з нашых функцый у аб'яднаным наборы даных (пры выкарыстанні ўсіх функцый) мелі высокую частату адсутных значэнняў. Затым мы стварылі мадэлі з аб'яднаным наборам даных, выкарыстоўваючы толькі агульныя характарыстыкі, што прывяло да павышэння эфектыўнасці класіфікацыі. Верагодна, гэта тлумачыцца спалучэннем большай колькасці экзэмпляраў для працы шляхам аб'яднання трох паднабораў даных аб пацыентах і адсутнасці функцый з неапраўданай перавагай адсутных значэнняў (толькі адна функцыя ў аб'яднаным наборы даных, тып працы, мела адсутныя значэнні, што ўплывала на толькі тры пацыенты), таму што былі ўключаны толькі агульныя прыкметы, запісаныя на ўсіх трох сайтах. Характэрна, што ў нас не было канкрэтнага крытэрыю адхілення для кожнай функцыі, якая ў выніку не была ўключана ў аб'яднаны набор даных. Аднак у нашым папярэднім мадэляванні аб'яднанага набору даных мы спачатку выкарысталі ўсе характарыстыкі кожнага з трох асобных паднабораў даных пацыентаў. Гэта ў цэлым прывяло да прадукцыйнасці мадэлі, якая была прыкметна ніжэйшай, чым першапачатковае папярэдняе мадэляванне для кожнага асобнага паднабору даных. Больш за тое, хаця прадукцыйнасць класіфікацыі мадэляў, створаных з выкарыстаннем усіх функцый, была абнадзейлівай, для ўсіх навучэнцаў і схем класіфікацыі прадукцыйнасць палепшылася для ўдвая большай колькасці мадэляў пры выкарыстанні толькі агульных функцый. Фактычна, сярод тых, хто ў канчатковым выніку стаў нашым лепшым навучэнцам, усе мадэлі, акрамя адной, былі палепшаны за кошт ліквідацыі незвычайных функцый.
Канчатковы зводны набор даных (у сукупнасці YH, XL і KM) уключаў 259 асобнікаў, кожны з якіх прадстаўляў унікальнага ўдзельніка, які праходзіў тэсты MemTrax і MoCA. Было 10 агульных незалежных функцый: паказчыкі прадукцыйнасці MemTrax: MTx-% C і сярэдняе MTx-RT; дэмаграфічная і медыцынская інфармацыя: узрост, пол, гады навучання, тып працы (блакітныя каўнерыкі/белыя каўнерыкі), сацыяльная падтрымка (ці жыве ўдзельнік тэсту адзін або з сям'ёй) і адказы так/не на тое, ці меў карыстальнік цукровы дыябет, гіперліпідемія або чэрапна-мазгавая траўма ў анамнезе. Дзве дадатковыя метрыкі, сукупная ацэнка MoCA і сукупная ацэнка MoCA, скарэкціраваная на гады навучання [12], выкарыстоўваліся асобна для распрацоўкі залежных класіфікацыйных цэтлікаў, ствараючы такім чынам дзве розныя схемы мадэлявання, якія будуць прымяняцца да нашага аб'яднанага набору даных. Для кожнай версіі (скарэкціраванай і нескарэкціраванай) ацэнкі MoCA даныя былі асобна змадэляваны для бінарнай класіфікацыі з выкарыстаннем двух розных парогавых значэнняў крытэрыю — першапачаткова рэкамендаванага [12] і альтэрнатыўнага значэння, якое выкарыстоўвалася і прасоўвалася іншымі [8, 15]. У альтэрнатыўнай схеме парогавай класіфікацыі лічылася, што пацыент мае нармальнае кагнітыўнае здароўе, калі ён/яна набраў ≥23 па тэсце MoCA і мае MCI, калі бал быў 22 або ніжэй; у той час як у першапачатковым рэкамендаваным фармаце класіфікацыі пацыент павінен быў набраць 26 або вышэй па MoCA, каб яго пазначылі як чалавека з нармальным кагнітыўным здароўем.
Адфільтраваныя даныя для мадэлявання класіфікацыі MoCA
Далей мы вывучылі класіфікацыю MoCA, выкарыстоўваючы чатыры часта выкарыстоўваюцца метады ранжыравання функцый: хі-квадрат, каэфіцыент узмацнення, узмацненне інфармацыі і сіметрычная нявызначанасць. Для прамежкавай перспектывы мы прымянілі рэйтынгі да ўсяго аб'яднанага набору даных, выкарыстоўваючы кожную з нашых чатырох схем мадэлявання. Усе рэйтынгі пагадзіліся з аднолькавымі галоўнымі характарыстыкамі, напрыклад, узростам, колькасцю гадоў адукацыі і абодвума паказчыкамі эфектыўнасці MemTrax (MTx-% C, сярэдняе MTx-RT). Затым мы аднавілі мадэлі, выкарыстоўваючы кожную тэхніку выбару функцый, каб навучыць мадэлі толькі па чатырох асноўных функцыях (гл. выбар прыкмет ніжэй).
Атрыманыя апошнія восем варыянтаў схем мадэлявання класіфікацыі адзнак MoCA прадстаўлены ў табліцы 1.
Табліца 1
Рэзюмэ варыяцый схемы мадэлявання, якія выкарыстоўваюцца для класіфікацыі MoCA (Нармальны Кагнітыўнае здароўе супраць MCI)
| Схема мадэлявання | Нармальнае кагнітыўнае здароўе (адмоўны клас) | MCI (станоўчы клас) |
| Адкарэктаваны-23 нефільтраваны/фільтраваны | 101 (39.0%) | 158 (61.0%) |
| Адкарэктаваны-26 нефільтраваны/фільтраваны | 49 (18.9%) | 210 (81.1%) |
| Unadjusted-23 Unfiltered/Filtered | 92 (35.5%) | 167 (64.5%) |
| Unadjusted-26 Unfiltered/Filtered | 42 (16.2%) | 217 (83.8%) |
Адпаведная колькасць і адсотак ад агульнай колькасці пацыентаў у кожным класе адрозніваюцца па карэкціроўцы ацэнкі для адукацыі (адкарэкціраванай або нескарэкціраванай) і парогавага значэння класіфікацыі (23 або 26), у дачыненні да абодвух набораў функцый (нефільтраванага і адфільтраванага).
Мадэляванне клінічнай ацэнкі на аснове MemTrax
З нашых трох зыходных суб-набораў даных (YH, XL, KM) толькі ў пацыентаў з суб-данымі XL быў пастаўлены незалежна клінічны дыягназ кагнітыўных парушэнняў (г.зн. іх адпаведныя ацэнкі па MoCA не выкарыстоўваліся пры ўстанаўленні класіфікацыі нармальных і парушаных). У прыватнасці, пацыентам XL быў пастаўлены дыягназ альбо Тэст на хваробу Альцгеймера (AD) або судзінкавая дэменцыя (VaD). У кожнай з гэтых катэгорый першаснага дыягназу існавала далейшае абазначэнне MCI. Дыягназы MCI, дэменцыі, сасудзістых нейрокогнитивных расстройстваў і нейрокогнитивных расстройстваў з-за AD былі заснаваныя на спецыфічных і адметных дыягнастычных крытэрыях, выкладзеных у Дыягнастычным і статыстычным кіраўніцтве псіхічных расстройстваў: DSM-5 [16]. Улічваючы гэтыя ўдакладненыя дыягназы, дзве схемы мадэлявання класіфікацыі былі асобна прыменены да паднабору даных XL, каб адрозніць узровень цяжкасці (ступень парушэння) для кожнай катэгорыі асноўнага дыягназу. Дадзеныя, выкарыстаныя ў кожнай з гэтых схем дыягнастычнага мадэлявання (AD і VaD), уключалі дэмаграфічную інфармацыю і інфармацыю пра гісторыю пацыента, а таксама прадукцыйнасць MemTrax (MTx-% C, сярэдняе MTx-RT). Кожны дыягназ быў пазначаны як лёгкі, калі пазначаны MCI; у адваротным выпадку гэта лічылася суровым. Першапачаткова мы разглядалі магчымасць уключэння ацэнкі MoCA у дыягнастычныя мадэлі (лёгкая супраць цяжкай); але мы вызначылі, што гэта перакрэсліць мэту нашай другаснай схемы прагнастычнага мадэлявання. Тут навучэнцы будуць навучацца з выкарыстаннем іншых характарыстык пацыента, даступных пастаўшчыку, і паказчыкаў прадукцыйнасці больш простага тэсту MemTrax (замест MoCA) у параўнанні з эталонным «залатым стандартам», незалежным клінічным дыягназам. У наборы дадзеных дыягностыкі AD было 69 выпадкаў і 76 выпадкаў VaD (табл 2). У абодвух наборах дадзеных было 12 незалежных функцый. У дадатак да 10 прыкмет, уключаных у класіфікацыю балаў MoCA, гісторыя пацыента таксама ўключала інфармацыю аб гісторыі гіпертаніі і інсульту.
Табліца 2
Рэзюмэ варыяцый схемы мадэлявання, якія выкарыстоўваюцца для класіфікацыі ступені цяжкасці дыягназу (лёгкая супраць цяжкай)
| Схема мадэлявання | Мяккі (адмоўны клас) | Цяжкая (станоўчая кляса) |
| MCI-AD супраць AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD супраць VaD | 38 (50.0%) | 38 (50.0%) |
Адпаведная колькасць і працэнт ад агульнай колькасці пацыентаў у кожным класе дыферэнцуюцца па катэгорыі першаснага дыягназу (AD або VaD).
статыстыка
Параўнанне характарыстык удзельнікаў і іншых лікавых функцый паміж паднаборамі дадзеных для кожнай стратэгіі класіфікацыі мадэлі (для прагназавання кагнітыўнага здароўя MoCA і сур'ёзнасці дыягназу) было праведзена з выкарыстаннем мовы праграмавання Python (версія 2.7.1) [17]. Адрозненні ў прадукцыйнасці мадэлі першапачаткова вызначаліся з дапамогай адна- або двухфактарнага (у залежнасці ад выпадку) ANOVA з 95% даверным інтэрвалам і тэсту сумленнай значнай розніцы (HSD) Тьюкі для параўнання сярэдніх паказчыкаў. Гэтая праверка адрозненняў паміж прадукцыйнасцю мадэляў была праведзена з выкарыстаннем камбінацыі Python і R (версія 3.5.1) [18]. Мы выкарыстоўвалі гэты (хоць, магчыма, менш аптымальны) падыход толькі ў якасці эўрыстычнай дапамогі ў гэтым ранняя стадыя для першапачатковага параўнання прадукцыйнасці мадэлі ў чаканні патэнцыйнага клінічнага прымянення. Затым мы выкарысталі байесовский тэст рангу са знакам з выкарыстаннем апостэрыёрнага размеркавання для вызначэння верагоднасці адрозненняў у прадукцыйнасці мадэлі [19]. Для гэтага аналізу мы выкарыстоўвалі інтэрвал -0.01, 0.01, што азначае, што калі дзве групы мелі розніцу ў прадукцыйнасці менш за 0.01, яны лічыліся аднолькавымі (у межах практычнай эквівалентнасці), або ў адваротным выпадку яны адрозніваліся (адна лепшая, чым другі). Для выканання байесаўскага параўнання класіфікатараў і разліку гэтых верагоднасцей мы выкарыстоўвалі бібліятэку baycomp (версія 1.0.2) для Python 3.6.4.
Прагнастычнае мадэляванне
Мы стварылі прагнастычныя мадэлі, выкарыстоўваючы дзесяць варыяцый нашых схем мадэлявання, каб прагназаваць (класіфікаваць) вынікі тэсту MoCA кожнага пацыента або сур'ёзнасць клінічнага дыягназу. Усе навучэнцы былі прыменены, і мадэлі былі пабудаваны з выкарыстаннем платформы праграмнага забеспячэння з адкрытым зыходным кодам Weka [20]. Для нашага папярэдняга аналізу мы выкарысталі 10 часта выкарыстоўваных алгарытмаў навучання: 5 найбліжэйшых суседзяў, дзве версіі дрэва рашэнняў C4.5, лагістычную рэгрэсію, шматслаёвы персептрон, наіўны Байес, дзве версіі выпадковага лесу, радыяльна-базісную сетку функцый і апорны вектар машына. Ключавыя атрыбуты і адрозненні гэтых алгарытмаў былі апісаны ў іншым месцы [21] (гл. адпаведнае Дадатак). Яны былі выбраны таму, што яны прадстаўляюць мноства розных тыпаў навучэнцаў і таму, што мы прадэманстравалі поспех, выкарыстоўваючы іх у папярэднім аналізе падобных даных. Налады гіперпараметраў былі выбраны з нашых папярэдніх даследаванняў, якія паказваюць, што яны ўстойлівыя да мноства розных даных [22]. На падставе вынікаў нашага папярэдняга аналізу з выкарыстаннем таго ж аб'яднанага набору даных з агульнымі характарыстыкамі, якія выкарыстоўваліся пазней у поўным аналізе, мы вызначылі трох навучэнцаў, якія забяспечвалі нязменна высокую прадукцыйнасць па ўсіх класіфікацыях: лагістычная рэгрэсія, наіўная Байеса і машына апорнага вектара.
Перакрыжаваная праверка і паказчык прадукцыйнасці мадэлі
Для ўсяго прагнастычнага мадэлявання (уключаючы папярэдні аналіз) кожная мадэль была пабудавана з выкарыстаннем 10-кратнай перакрыжаванай праверкі, а прадукцыйнасць мадэлі вымяралася з дапамогай плошчы пад крывой працоўных характарыстык прымача (AUC). Перакрыжаваная праверка пачалася з выпадковага падзелу кожнага з 10 набораў даных схемы мадэлявання на 10 роўных сегментаў (згортак), з выкарыстаннем дзевяці з гэтых адпаведных сегментаў для навучання мадэлі і астатняга сегмента для тэставання. Гэтую працэдуру паўтаралі 10 разоў, выкарыстоўваючы іншы сегмент у якасці тэставага набору ў кожнай ітэрацыі. Затым вынікі былі аб'яднаны для разліку выніку/прадукцыйнасці канчатковай мадэлі. Для кожнай камбінацыі навучэнца/набору даных увесь гэты працэс паўтараўся 10 разоў, і кожны раз даныя разбіваліся па-рознаму. Гэты апошні крок знізіў зрушэнне, забяспечыў тыражаванне і дапамог у вызначэнні агульнай прадукцыйнасці мадэлі. У агульнай складанасці (для ацэнкі MoCA і схем класіфікацыі сур'ёзнасці дыягназу разам) было пабудавана 6,600 мадэляў. Гэта ўключала 1,800 нефільтраваных мадэляў (6 схем мадэлявання, якія прымяняюцца да набору даных × 3 навучэнцы × 10 прагонаў × 10 згінаў = 1,800 мадэляў) і 4,800 адфільтраваных мадэляў (4 схемы мадэлявання, якія прымяняюцца да набору даных × 3 навучэнцы × 4 метады выбару прыкмет × 10 прагонаў × 10 зморшчын = 4,800 мадэляў).
выбар прыкмет
Для адфільтраваных мадэляў выбар функцый (з выкарыстаннем чатырох метадаў ранжыравання функцый) выконваўся ў рамках перакрыжаванай праверкі. Для кожнага з 10 згінанняў, паколькі розныя 10% набору даных складалі тэставыя даныя, выкарыстоўваліся толькі чатыры лепшыя выбраныя функцыі для кожнага навучальнага набору даных (г.зн. астатнія дзевяць згінанняў або астатнія 90% усяго набору даных). будаваць мадэлі. Мы не змаглі пацвердзіць, якія чатыры функцыі выкарыстоўваліся ў кожнай мадэлі, паколькі гэтая інфармацыя не захоўваецца і не становіцца даступнай на платформе мадэлявання, якую мы выкарыстоўвалі (Weka). Аднак, улічваючы ўзгодненасць нашага першапачатковага выбару галоўных функцый, калі рэйтынгі былі ўжытыя да ўсяго аб'яднанага набору даных, і наступнае падабенства ў характарыстыках мадэлявання, гэтыя ж характарыстыкі (узрост, гады адукацыі, MTx-% C і сярэдняе MTx-RT ), верагодна, з'яўляюцца найбольш распаўсюджанымі чатырма лепшымі, якія выкарыстоўваюцца адначасова з выбарам функцый у працэсе перакрыжаванай праверкі.
ВЫНІКІ
Лічбавыя характарыстыкі ўдзельнікаў (у тым ліку балы па MoCA і паказчыкі прадукцыйнасці MemTrax) адпаведных набораў даных для кожнай стратэгіі класіфікацыі мадэлі для прагназавання кагнітыўнага здароўя па MoCA (нармальнае ў параўнанні з MCI) і сур'ёзнасці дыягназу (лёгкая ў параўнанні з цяжкай) паказаны ў табліцы 3.
Табліца 3
Характарыстыкі ўдзельнікаў, балы MoCA і прадукцыйнасць MemTrax для кожнай стратэгіі класіфікацыі мадэляў
| Стратэгія класіфікацыі | ўзрост | адукацыя | MoCA адрэгулявана | MoCA без карэкціроўкі | MTx-% C | MTx-RT |
| Катэгорыя MoCA | 61.9 г (13.1) | 9.6 г (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 с (0.3) |
| Цяжар дыягназу | 65.6 г (12.1) | 8.6 г (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 с (0.3) |
Паказаныя значэнні (сярэдняе, SD), дыферэнцыраваныя стратэгіямі класіфікацыі мадэлявання, з'яўляюцца рэпрэзентатыўнымі для аб'яднанага набору даных, які выкарыстоўваецца для прагназавання кагнітыўнага здароўя, паказанага MoCA (MCI у параўнанні з нармальным), і суб-набору даных XL, які выкарыстоўваецца толькі для прагназавання сур'ёзнасці дыягназу (лёгкі супраць цяжкага).
Для кожнай камбінацыі ацэнкі MoCA (скарэкціраванай/нескарэкціраванай) і парогавага значэння (26/23) была статыстычная розніца (p = 0.000) у кожным парным параўнанні (нармальнае кагнітыўнае здароўе ў параўнанні з MCI) для ўзросту, адукацыі і прадукцыйнасці MemTrax (MTx-% C і MTx-RT). Кожны суб-набор дадзеных аб пацыентах у адпаведным класе MCI для кожнай камбінацыі быў у сярэднім на 9-15 гадоў старэйшы, паведамляў пра адукацыю на пяць гадоў менш і меў менш спрыяльныя характарыстыкі MemTrax для абодвух паказчыкаў.
Вынікі прагназуючага мадэлявання для класіфікацый паказчыкаў MoCA з выкарыстаннем трох найлепшых навучэнцаў, лагістычнай рэгрэсіі, наіўнага Байеса і машыны апорнага вектара, паказаны ў табліцы 4. Гэтыя тры былі выбраны на аснове найбольш стабільна высокіх абсалютных паказчыкаў навучэнцаў ва ўсіх розных мадэлях прымяняецца да набораў даных для ўсіх схем мадэлявання. Для нефільтраванага набору даных і мадэлявання кожнае са значэнняў даных у табліцы 4 паказвае прадукцыйнасць мадэлі на аснове адпаведнага сярэдняга значэння AUC, атрыманага з 100 мадэляў (10 прагонаў × 10 згортванняў), створаных для кожнай камбінацыі навучэнца/схемы мадэлявання, з адпаведным самым высокім паспяховы навучэнец пазначаны тлустым шрыфтам. У той час як для мадэлявання адфільтраванага набору даных вынікі, прыведзеныя ў табліцы 4, адлюстроўваюць агульную сярэднюю прадукцыйнасць мадэлі з 400 мадэляў для кожнага навучэнца з выкарыстаннем кожнага з метадаў ранжыравання функцый (4 метады ранжыравання функцый × 10 прагонаў × 10 згортванняў).
Табліца 4
Дыхатамічныя вынікі класіфікацыі балаў MoCA (AUC; 0.0–1.0) для кожнага з трох навучэнцаў з найбольшай прадукцыйнасцю для ўсіх адпаведных схем мадэлявання
| Выкарыстаны набор функцый | Ацэнка MoCA | Парог адсячэння | Лагістычная рэгрэсія | Наіўны Байес | Апорная вектарная машына |
| Нефільтраваны (10 функцый) | скарэкціраваны | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Ненастроены | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Адфільтраваны (4 функцыі) | скарэкціраваны | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Ненастроены | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
З выкарыстаннем варыяцый набору функцый, ацэнкі MoCA і парогавага значэння ацэнкі MoCA найвышэйшая прадукцыйнасць для кожнай схемы мадэлявання паказана ў смелы (неабавязкова статыстычна адрозніваецца ад усіх астатніх, якія не ўваходзяць смелы для адпаведнай мадэлі).
Параўноўваючы навучэнцаў па ўсіх камбінацыях версій балаў і парогаў MoCA (скарэкціраваных/нескарэкціраваных і 23/26 адпаведна) у камбінаваным нефільтраваным наборы даных (г.зн. з выкарыстаннем 10 агульных характарыстык), Наіўны Байес у цэлым быў самым эфектыўным вучнем з агульным балам класіфікацыйны паказчык 0.9093. Улічваючы трох найлепшых навучэнцаў, байесаўскі карэляваны тэст рангу са знакам паказаў, што верагоднасць (Pr) наіўнага Байеса, які перавышае лагістычную рэгрэсію, склаў 99.9%. Больш за тое, паміж Naive Bayes і Support Vector Machine 21.0% верагоднасць практычнай эквівалентнасці ў прадукцыйнасці навучэнца (такім чынам, 79.0% верагоднасць таго, што Naive Bayes пераўзыходзіць Support Vector Machine), у спалучэнні з 0.0% верагоднасцю Support Vector Machine працаваць лепш, вымерна узмацняе перавагу ў прадукцыйнасці Naive Bayes. Далейшае параўнанне версіі ацэнкі MoCA для ўсіх навучэнцаў/парогавых значэнняў паказала невялікую перавагу ў прадукцыйнасці пры выкарыстанні няскарэкціраваных ацэнак MoCA у параўнанні са скарэкціраванымі (0.9027 супраць 0.8971 адпаведна; Pr (без скарэкціроўкі > скарэкціраваны) = 0.988). Аналагічным чынам параўнанне парогавага значэння для ўсіх навучэнцаў і версій ацэнкі MoCA паказала невялікую перавагу ў прадукцыйнасці класіфікацыі пры выкарыстанні 26 у якасці парога класіфікацыі ў параўнанні з 23 (0.9056 супраць 0.8942 адпаведна; Pr (26 > 23) = 0.999). І, нарэшце, пры вывучэнні эфектыўнасці класіфікацыі для мадэляў, якія выкарыстоўваюць толькі адфільтраваныя вынікі (г.зн. толькі чатыры найвышэйшыя функцыі), Наіўны Байес (0.9143) быў найбольш эфектыўным навучэнцам па ўсіх версіях/парогах адзнак MoCA. Тым не менш, усе найлепшыя навучэнцы паказалі аднолькавыя вынікі па ўсіх метадах ранжыравання функцый. Тэсты Байеса са знакавым рангам паказалі 100% верагоднасць практычнай эквівалентнасці паміж кожнай парай адфільтраваных навучэнцаў. Як і ў выпадку з нефільтраванымі дадзенымі (з выкарыстаннем усіх 10 агульных функцый), зноў была перавага прадукцыйнасці для нескарэкціраванай версіі ацэнкі MoCA (Pr (нескарэкціраваны > скарэкціраваны) = 1.000), а таксама аналагічную відавочную перавагу для класіфікацыйнага парога ў 26 (Pr (26 > 23) = 1.000). Характэрна, што сярэдняя прадукцыйнасць кожнага з трох найлепшых навучэнцаў па ўсіх версіях/парогавых значэннях балаў MoCA з выкарыстаннем толькі чатырох найвышэйшых функцый перавышае сярэднюю прадукцыйнасць любога навучэнца па нефільтраваных даных. Нядзіўна, што эфектыўнасць класіфікацыі адфільтраваных мадэляў (з выкарыстаннем чатырох найвышэйшых функцый) у цэлым была лепшай (0.9119) у параўнанні з нефільтраванымі мадэлямі (0.8999), незалежна ад мадэляў метаду ранжыравання функцый, якія параўноўваліся з адпаведнымі мадэлямі з выкарыстаннем усіх 10 агульных Асаблівасці. Для кожнага метаду выбару функцый існавала 100% верагоднасць перавагі прадукцыйнасці ў параўнанні з мадэлямі без фільтраў.
Пацыенты, якія разглядаюцца для класіфікацыі дыягназу AD па ступені цяжкасці, адрозніваюць паміж групамі (MCI-AD супраць AD) па ўзросце (p = 0.004), адукацыя (p = 0.028), бал MoCA скарэкціраваны/нескарэкціраваны (p = 0.000), і MTx-% C (p = 0.008) былі статыстычна значнымі; тады як для MTx-RT гэтага не было (p = 0.097). У тых пацыентаў, якія разглядаюцца для класіфікацыі цяжару дыягназу VaD, адрозненні паміж групамі (MCI-VaD супраць VaD) для ацэнкі MoCA з папраўкай/нескарэкціроўкай (p = 0.007) і MTx-% C (p = 0.026) і MTx-RT (p = 0.001) былі статыстычна значнымі; а па ўзросту (p = 0.511) і адукацыя (p = 0.157) істотных адрозненняў паміж групамі не было.
Вынікі прагназуючага мадэлявання для класіфікацый сур'ёзнасці дыягназу з выкарыстаннем трох раней выбраных навучэнцаў, лагістычнай рэгрэсіі, наіўнай Байеса і машыны апорнага вектара, паказаны ў табліцы 5. У той час як дадатковыя абследаваныя навучэнцы прадэманстравалі крыху лепшыя паказчыкі індывідуальна з адной з дзвюх катэгорый клінічнага дыягназу , тры навучэнцы, якіх мы вызначылі як найбольш спрыяльныя ў нашым папярэднім мадэляванні, прапанавалі найбольш стабільную прадукцыйнасць з абедзвюма новымі схемамі мадэлявання. Параўноўваючы навучэнцаў па кожнай з асноўных катэгорый дыягностыкі (AD і VaD), не было паслядоўнай розніцы ў прадукцыйнасці класіфікацыі паміж навучэнцамі для MCI-VaD і VaD, хаця машына Support Vector Machine у цэлым мела больш прыкметныя вынікі. Аналагічным чынам не было істотных адрозненняў паміж навучэнцамі для класіфікацыі MCI-AD і AD, хаця Naive Bayes (NB) мела невялікую перавагу ў прадукцыйнасці перад лагістычнай рэгрэсіяй (LR) і зусім нязначную множнасць перад Support Vector Machine з верагоднасцю 61.4 % і 41.7% адпаведна. У абодвух наборах даных была агульная перавага прадукцыйнасці Support Vector Machine (SVM), з Pr (SVM> LR) = 0.819 і Pr (SVM > NB) = 0.934. Наша агульная класіфікацыйная эфектыўнасць усіх навучэнцаў у прагназаванні сур'ёзнасці дыягназу ў паднаборы даных XL была лепшай у катэгорыі дыягназу VaD у параўнанні з AD (Pr (VAD > AD) = 0.998).
Табліца 5
Дыхатамічныя вынікі класіфікацыі сур'ёзнасці клінічнага дыягназу (AUC; 0.0–1.0) для кожнага з трох навучэнцаў з найбольшай прадукцыйнасцю для абедзвюх адпаведных схем мадэлявання
| Схема мадэлявання | Лагістычная рэгрэсія | Наіўны Байес | Апорная вектарная машына |
| MCI-AD супраць AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD супраць VaD | 0.8033 | 0.8044 | 0.8338 |
Найбольшая прадукцыйнасць для кожнай схемы мадэлявання паказана ў смелы (неабавязкова статыстычна адрозніваецца ад іншых, якія не ўваходзяць смелы).
Абмеркаванне
Важнае значэнне мае ранняе выяўленне змяненняў у кагнітыўным стане практычная прымяненне як для асабістага аховы здароўя, так і для грамадскага аховы здароўя. Сапраўды, гэта таксама вельмі высокі прыярытэт у клінічных умовах для пацыентаў ва ўсім свеце. Агульная мэта складаецца ў тым, каб папярэдзіць пацыентаў, апекуноў і пастаўшчыкоў, а таксама прапанаваць раней адпаведнае і эканамічна эфектыўнае лячэнне і працяглы догляд для тых, хто пачынае адчуваць зніжэнне кагнітыўных функцый. Аб'яднаўшы падмноства даных нашых трох бальніц/клінік, мы вызначылі трох асобна пераважных навучэнцаў (з адным прыкметным выдатнікам - наіўным Байесам), каб пабудаваць прагнастычныя мадэлі з выкарыстаннем Паказчыкі прадукцыйнасці MemTrax, якія дазваляюць надзейна класіфікаваць стан кагнітыўнага здароўя дыхатамічна (нармальнае кагнітыўнае здароўе або MCI), як будзе паказана сукупным балам MoCA. Характэрна, што агульная класіфікацыйная прадукцыйнасць для ўсіх трох навучэнцаў палепшылася, калі нашы мадэлі выкарыстоўвалі толькі чатыры найвышэйшыя функцыі, якія ў асноўным ахоплівалі гэтыя паказчыкі прадукцыйнасці MemTrax. Больш за тое, мы выявілі абгрунтаваны патэнцыял выкарыстання адных і тых жа навучэнцаў і паказчыкаў прадукцыйнасці MemTrax у схеме мадэлявання класіфікацыі дыягнастычнай падтрымкі для адрознення ступені цяжкасці дзвюх катэгорый дыягназу дэменцыі: AD і VaD.
Праверка памяці з'яўляецца цэнтральным для ранняга выяўлення AD [23, 24]. Такім чынам, мэтазгодна, што MemTrax з'яўляецца прымальным, прывабным і простым ва ўкараненні онлайн скрынінгавы тэст на эпізадычную памяць у агульнай папуляцыі [6]. Дакладнасць распазнання і час водгуку ад гэтай бесперапыннай задачы асабліва паказальныя ў выяўленні ранняга і развіваецца пагаршэння і наступнага дэфіцыту нервова-пластычных працэсаў, звязаных з навучаннем, памяццю і пазнаннем. Гэта значыць, мадэлі тут, якія ў асноўным заснаваныя на паказчыках прадукцыйнасці MemTrax, адчувальныя да і, хутчэй за ўсё, лёгка і з мінімальнымі выдаткамі выявяць біялагічныя нейропатологические дэфіцыты падчас пераходнай бессімптомнай стадыі задоўга да больш істотнай функцыянальнай страты [25]. Эшфард і інш. уважліва вывучылі заканамернасці і паводзіны дакладнасці памяці распазнання і часу водгуку ў інтэрнэт-карыстальнікаў, якія ўдзельнічалі самастойна з MemTrax [6]. Паважаючы, што гэтыя размеркаванні маюць вырашальнае значэнне для аптымальнага мадэлявання і распрацоўкі сапраўдных і эфектыўных прыкладанняў для догляду за пацыентамі, вызначэнне клінічна прыдатных профіляў распазнавання і часу водгуку мае важнае значэнне для стварэння каштоўнай асновы для клінічнай і даследчай карысці. Практычнае значэнне MemTrax у скрынінгу БА на кагнітыўныя парушэнні на ранняй стадыі і падтрымку дыферэнцыяльнай дыягностыкі неабходна затым больш уважліва вывучыць у кантэксце клінічнай абстаноўкі, дзе можна ўлічваць спадарожныя захворванні і кагнітыўныя, сэнсарныя і маторныя магчымасці, якія ўплываюць на выкананне тэсту. І каб праінфармаваць прафесійную перспектыву і заахвоціць практычную клінічную карысць, перш за ўсё неабходна прадэманстраваць параўнанне з усталяваным тэстам ацэнкі кагнітыўнага здароўя, нават калі апошні можа быць відавочна абмежаваны грувасткай лагістыкай тэсціравання, адукацыяй і мовай, а таксама культурнымі ўплывамі [26] . У сувязі з гэтым спрыяльнае параўнанне клінічнай эфектыўнасці MemTrax з MoCA, які звычайна лічыцца галіновым стандартам, з'яўляецца значным, асабліва пры ўзважванні большай прастаты карыснасці і прыняцця MemTrax пацыентамі.
Папярэдняе даследаванне, якое параўноўвала MemTrax з MoCA, падкрэслівае абгрунтаванне і папярэднія доказы, якія апраўдваюць нашае мадэляванне [8]. Аднак гэтае папярэдняе параўнанне проста звязвала два ключавыя паказчыкі прадукцыйнасці MemTrax, якія мы даследавалі, з кагнітыўным статусам, вызначаным MoCA, і вызначыў адпаведныя дыяпазоны і гранічныя значэнні. Мы паглыбілі ацэнку клінічнай карыснасці MemTrax, даследуючы падыход, заснаваны на прагнастычным мадэляванні, які забяспечваў бы больш індывідуальны разгляд іншых патэнцыйна значных параметраў для канкрэтнага пацыента. У адрозненне ад іншых, мы не знайшлі перавагі ў прадукцыйнасці мадэлі з выкарыстаннем адукацыйнай карэкцыі (карэкціроўкі) адзнакі MoCA або ў вар'іраванні парогавага значэння сумарнага бала MoCA, які адрознівае кагнітыўнае здароўе, ад першапачаткова рэкамендаваных 26 да 23 [12, 15]. Фактычна перавага класіфікацыйных паказчыкаў аддаецца перавагам з выкарыстаннем нескарэкціраванага бала MoCA і больш высокага парога.
Ключавыя моманты ў клінічнай практыцы
Машыннае навучанне часта лепш за ўсё выкарыстоўваць і найбольш эфектыўна ў прагнастычным мадэляванні, калі даныя шырокія і шматмерныя, гэта значыць, калі існуе мноства назіранняў і спадарожны шырокі спектр высокакаштоўных (укладаючых) атрыбутаў. Тым не менш, з гэтымі бягучымі дадзенымі адфільтраваныя мадэлі толькі з чатырма выбранымі функцыямі паказалі лепшыя вынікі, чым тыя, якія выкарыстоўваюць усе 10 агульных функцый. Гэта сведчыць аб тым, што наш сукупны бальнічны набор даных не меў найбольш прыдатных з клінічнага пункту гледжання (высокага значэння) характарыстык для аптымальнай класіфікацыі пацыентаў такім чынам. Тым не менш, акцэнт у ранжыраванні функцый на ключавых паказчыках прадукцыйнасці MemTrax — MTx-% C і MTx-RT — настойліва падтрымлівае стварэнне мадэляў скрынінга кагнітыўнага дэфіцыту на ранняй стадыі на аснове гэтага тэсту, які з'яўляецца простым, простым у адміністраванні, недарагім і дакладна раскрывае прадукцыйнасць памяці, па меншай меры, зараз у якасці пачатковага экрана для бінарнай класіфікацыі стану кагнітыўнага здароўя. Улічваючы пастаянна ўзрастаючую нагрузку на пастаўшчыкоў паслуг і сістэмы аховы здароўя, працэсы скрынінга пацыентаў і клінічныя прыкладанні павінны быць адпаведным чынам распрацаваны з акцэнтам на збор, адсочванне і мадэляванне тых характарыстык пацыентаў і паказчыкаў тэстаў, якія найбольш карысныя, выгадныя і даказалі сваю эфектыўнасць у дыягностыцы і падтрымка лячэння пацыентаў.
З двума ключавымі паказчыкамі MemTrax, якія займаюць цэнтральнае месца ў класіфікацыі MCI, наш лепшы навучэнец (Наіўны Байес) меў вельмі высокую прагназавальную прадукцыйнасць у большасці мадэляў (AUC больш за 0.90) з суадносінамі праўдзіва-дадатных да ілжыва-дадатных, якія набліжаюцца да 4 або трохі перавышаюць яго. : 1. Трансляцыйнае клінічнае прымяненне з выкарыстаннем гэтага навучэнца, такім чынам, ахапіла б (правільна класіфікавала) значна большасць людзей з кагнітыўным дэфіцытам, мінімізуючы пры гэтым выдаткі, звязаныя з памылковай класіфікацыяй чалавека з нармальным кагнітыўным здароўем як чалавека з кагнітыўным дэфіцытам (ілжывададатны) або адсутнасць гэтай класіфікацыі ў тых, хто мае кагнітыўны дэфіцыт (ілжываадмоўныя). Любы з гэтых сцэнарыяў няправільнай класіфікацыі можа накласці празмерную псіха-сацыяльную нагрузку на пацыента і асоб, якія даглядаюць.
У той час як у папярэднім і поўным аналізе мы выкарыстоўвалі ўсіх дзесяць навучэнцаў у кожнай схеме мадэлявання, мы сканцэнтравалі нашы вынікі на трох класіфікатараў, якія дэманструюць найбольш паслядоўную высокую прадукцыйнасць. На падставе гэтых даных гэта было таксама зроблена для таго, каб вылучыць навучэнцаў, якія, як чакаецца, будуць надзейна працаваць на высокім узроўні ў практычным клінічным прымяненні пры вызначэнні класіфікацыі кагнітыўнага статусу. Больш за тое, паколькі гэта даследаванне было задумана як уводнае даследаванне карыснасці машыннага навучання для кагнітыўнага скрынінга і гэтых своечасовых клінічных праблем, мы прынялі рашэнне захаваць метады навучання простымі і абагульненымі з мінімальнай наладай параметраў. Мы разумеем, што гэты падыход, магчыма, абмежаваў патэнцыял для больш вузка вызначаных прагнастычных магчымасцей для канкрэтнага пацыента. Сапраўды гэтак жа, у той час як навучанне мадэляў з выкарыстаннем толькі асноўных функцый (адфільтраваны падыход) дадаткова інфармуе нас аб гэтых даных (характэрных для недахопаў у сабраных даных і падкрэсліваючы значэнне аптымізацыі каштоўнага клінічнага часу і рэсурсаў), мы прызнаем, што заўчасна звужаць аб'ём мадэляў і, такім чынам, усе (і іншыя асаблівасці) павінны быць разгледжаны ў будучых даследаваннях, пакуль мы не атрымаем больш канчатковы профіль прыярытэтных функцый, якія будуць дастасавальныя да шырокіх слаёў насельніцтва. Такім чынам, мы таксама цалкам прызнаем, што больш інклюзіўныя і шырока рэпрэзентатыўныя дадзеныя і аптымізацыя гэтых і іншых мадэляў будуць неабходны перад інтэграцыяй іх у эфектыўнае клінічнае прымяненне, асабліва для размяшчэння спадарожных захворванняў, якія ўплываюць на кагнітыўныя здольнасці, якія неабходна будзе ўлічваць у далейшай клінічнай ацэнцы.
Карыснасць MemTrax была дадаткова пашырана шляхам мадэлявання цяжару захворвання на аснове асобнага клінічнага дыягназу. Лепшай агульнай класіфікацыі ў прагназаванні цяжару VaD (у параўнанні з AD) не было дзіўна, улічваючы асаблівасці профілю пацыента ў мадэлях, характэрных для здароўя сасудаў і рызыка інсульту, то ёсць гіпертанія, гіперліпідемія, дыябет і (вядома) інсульт у анамнезе. Хаця было б больш пажадана і мэтазгодней правесці такую ж клінічную ацэнку на адпаведных пацыентах з нармальным кагнітыўным здароўем, каб навучыць навучэнцаў гэтым больш шырокім даным. Гэта асабліва апраўдана, паколькі MemTrax прызначаны ў першую чаргу для ранняга выяўлення кагнітыўнага дэфіцыту і наступнага адсочвання індывідуальных змен. Таксама верагодна, што больш пажаданае размеркаванне даных у наборы даных VaD часткова спрыяла параўнальна лепшай прадукцыйнасці мадэлявання. Набор даных VaD быў добра збалансаваны паміж двума класамі, у той час як набор даных AD з значна меншай колькасцю пацыентаў з MCI - не. У прыватнасці, у невялікіх наборах даных нават некалькі дадатковых асобнікаў могуць зрабіць вымерную розніцу. Абедзве пункту гледжання з'яўляюцца разумнымі аргументамі, якія ляжаць у аснове адрозненняў у прадукцыйнасці мадэлявання цяжару захворвання. Тым не менш, прапарцыянальна прыпісваць паляпшэнне прадукцыйнасці лікавым характарыстыкам набору дадзеных або ўласцівым асаблівасцям, характэрным для разгляданай клінічнай карціны, заўчасна. Тым не менш, гэты раман прадэманстраваў карыснасць прагнастычнай класіфікацыйнай мадэлі MemTrax у ролі клінічнай дыягнастычнай падтрымкі, якая забяспечвае каштоўную перспектыву і пацвярджае імкненне да дадатковага абследавання пацыентаў па ўсім кантынууме MCI.
Укараненне і дэманстрацыя карыснасці MemTrax і гэтых мадэляў у Кітаі, дзе мова і культура рэзка адрозніваюцца ад іншых рэгіёнаў усталяванай карыснасці (напрыклад, Францыі, Нідэрландаў і ЗША) [7, 8, 27], яшчэ больш падкрэслівае патэнцыял за шырокае глабальнае прызнанне і клінічную каштоўнасць платформы на аснове MemTrax. Гэта наглядны прыклад імкнення да гарманізацыі даных і распрацоўкі практычных міжнародных норм і рэсурсаў мадэлявання для кагнітыўнага скрынінга, якія стандартызаваны і лёгка адаптаваны для выкарыстання ва ўсім свеце.
Наступныя крокі ў мадэляванні і прымяненні кагнітыўнага зніжэння
Кагнітыўная дысфункцыя пры БА сапраўды адбываецца ў кантынууме, а не ў асобных стадыях або этапах [28, 29]. Аднак на гэтай ранняй стадыі наша мэта складалася ў тым, каб спачатку вызначыць нашу здольнасць пабудаваць мадэль з уключэннем MemTrax, якая можа прынцыпова адрозніваць "нармальны" ад "ненармальнага". Больш шырокія эмпірычныя дадзеныя (напрыклад, візуалізацыя мозгу, генетычныя асаблівасці, біямаркеры, спадарожныя захворванні і функцыянальныя маркеры комплексу дзейнасці, якая патрабуе пазнав кантроль) [30] у розных глабальных рэгіёнах, папуляцыях і ўзроставых групах для навучання і распрацоўкі больш складаных (уключаючы дакладна ўзважаны ансамбль) мадэляў машыннага навучання будзе падтрымліваць большую ступень пашыранай класіфікацыі, гэта значыць здольнасць класіфікаваць групы пацыентаў з MCI на меншыя і больш дакладныя падгрупы ўздоўж кантынууму зніжэння кагнітыўных функцый. Больш за тое, неабходныя спадарожныя клінічныя дыягназы асобам з рэгіянальна розных груп пацыентаў эфектыўна трэніравацца гэтыя больш інклюзіўныя і прадказальна надзейныя мадэлі. Гэта будзе садзейнічаць больш канкрэтнаму стратыфікаванаму вядзенню выпадкаў для тых, хто мае аднолькавае паходжанне, уплывы і больш вузка вызначаныя характэрныя кагнітыўныя профілі, і такім чынам аптымізуе клінічную падтрымку прыняцця рашэнняў і догляд за пацыентамі.
Большая частка адпаведных клінічных даследаванняў на сённяшні дзень была прысвечана пацыентам з прынамсі лёгкай дэменцыяй; і, на практыцы, занадта часта ўмяшанне пацыента спрабуюць толькі на прасунутых стадыях. Аднак, паколькі зніжэнне кагнітыўных здольнасцей пачынаецца задоўга да дасягнення клінічных крытэраў дэменцыі, эфектыўнае прымяненне ранняга скрынінга на аснове MemTrax можа заахвоціць адпаведную інфармацыю людзей аб хваробе і яе прагрэсаванні і заахвоціць больш ранняе і своечасовае ўмяшанне. Такім чынам, ранняе выяўленне можа падтрымаць адпаведныя ўцягванні, пачынаючы ад фізічных практыкаванняў, дыеты, эмацыйнай падтрымкі і паляпшэння сацыялізацыі да фармакалагічнага ўмяшання і ўзмацняючы звязаныя з пацыентам змены ў паводзінах і ўспрыманні, якія паасобку або ў сукупнасці могуць змякчыць або патэнцыйна спыніць прагрэсаванне дэменцыі [31, 32] . Прычым, з эфектыўным ранні скрынінг, асобам і іх сем'ям можа быць прапанавана разгледзець пытанне аб правядзенні клінічных выпрабаванняў або атрымаць кансультацыю і падтрымку іншых сацыяльных службаў, якія дапамогуць высветліць чаканні і намеры і выканаць штодзённыя задачы. Далейшая праверка і шырокая практычная карыснасць гэтых спосабаў могуць дапамагчы многім людзям змякчыць або спыніць прагрэсаванне MCI, AD і ADRD.
Сапраўды, ніжні канец узроставага дыяпазону пацыентаў у нашым даследаванні не ўяўляе насельніцтва, якое традыцыйна хвалюе AD. Тым не менш, сярэдні ўзрост для кожнай групы, які выкарыстоўваецца ў схемах мадэлявання класіфікацыі на аснове ацэнкі/парога MoCA і сур'ёзнасці дыягназу (табліца 3), падкрэслівае, што відавочная большасць (больш за 80%) маюць узрост не менш за 50 гадоў. Такое размеркаванне вельмі падыходзіць для абагульнення, пацвярджаючы прымяненне гэтых мадэляў у папуляцыі, якая характарызуе тых, хто звычайна пакутуе ад ранняе пачатак і нарастаючае нейракагнітыўнае захворванне з-за AD і VaD. Акрамя таго, апошнія дадзеныя і перспектыва падкрэсліваюць тыя вядомыя фактары (напрыклад, гіпертанія, атлусценне, дыябет і курэнне), якія патэнцыйна спрыяюць павышэнню ранняга паказчыкі сасудзістай рызыкі дарослага і сярэдняга ўзросту і наступнае тонкае сасудзістае пашкоджанне галаўнога мозгу, якое развіваецца падступна з відавочнымі наступствамі нават у маладых дарослыя [33–35]. Адпаведна, самая аптымальная магчымасць пачатковага скрынінга для ранняга выяўлення стадыя кагнітыўных дэфіцытаў і ініцыяванне эфектыўных стратэгій прафілактыкі і ўмяшання ў паспяховым вырашэнні дэменцыі будзе вынікаць з вывучэння спрыяльных фактараў і папярэдніх паказчыкаў па ўсім узроставым спектры, уключаючы ранняе дарослае жыццё і патэнцыйна нават дзяцінства (адзначаючы значнасць генетычных фактараў, такіх як аполіпапратэін Е, з ранніх тэрмінаў цяжарнасці).
На практыцы сапраўдныя клінічныя дыягназы і дарагія працэдуры пашыранай візуалізацыі, генетычнага прафілявання і вымярэння перспектыўных біямаркераў не заўсёды даступныя або нават магчымыя для многіх пастаўшчыкоў. Такім чынам, у многіх выпадках першапачатковую агульную класіфікацыю кагнітыўнага стану здароўя можа быць атрымана з мадэляў з выкарыстаннем іншых простых паказчыкаў, прадстаўленых пацыентам (напрыклад, самаацэнка Праблемы з памяццю, бягучыя лекі і абмежаванні звычайнай актыўнасці) і агульныя дэмаграфічныя асаблівасці [7]. Рэестры, такія як Каліфарнійскі універсітэт Здароўе мозгу Рэестр (https://www.brainhealthregistry.org/) [27] і іншыя з уласцівай большай шырынёй самаацэнкі сімптомаў, якасных вымярэнняў (напрыклад, сон і штодзённае пазнанне), лекаў, стану здароўя і гісторыі і больш падрабязныя дэмаграфічныя дадзеныя будуць мець важнае значэнне для распрацоўкі і праверкі практычнага прымянення гэтых больш прымітыўных мадэляў у клініцы. Акрамя таго, такі тэст, як MemTrax, які прадэманстраваў прыдатнасць для ацэнкі функцыі памяці, можа на самай справе даць значна лепшую ацэнку паталогіі AD, чым біялагічныя маркеры. Улічваючы, што асноўнай асаблівасцю паталогіі AD з'яўляецца парушэнне нейропластичности і надзвычай складаная страта сінапсаў, якая выяўляецца як эпізадычная дысфункцыя памяці, мера, якая ацэньвае эпізадычную памяць можа на самай справе забяспечваюць лепшую ацэнку паталагічнай нагрузкі AD, чым біялагічныя маркеры ў жывых пацыентаў [36].
З усімі мадэлямі прагназавання - незалежна ад таго, дапаўняюцца яны складанымі і інклюзіўнымі дадзенымі, атрыманымі з самых сучасных тэхналогій і вытанчанымі клінічнымі ідэямі ў розных галінах, або мадэлямі, абмежаванымі больш базавай і даступнай інфармацыяй, характэрнай для існуючых профіляў пацыентаў - прызнаная перавага штучнага інтэлекту і машыннае навучанне заключаецца ў тым, што выніковыя мадэлі могуць сінтэзаваць і індуктыўна "вучыцца" на новых адпаведных дадзеных і перспектывах, якія забяспечваюцца пастаянным выкарыстаннем прыкладанняў. Пасля практычнай перадачы тэхналогій, па меры прымянення і ўзбагачэння прыведзеных тут мадэляў (якія будуць распрацоўвацца) і дапаўнення большай колькасцю выпадкаў і адпаведных даных (у тым ліку пацыентаў з спадарожнымі захворваннямі, якія могуць прывесці да наступнага кагнітыўнага зніжэння), эфектыўнасць прагназавання і класіфікацыя кагнітыўнага стану стануць больш надзейнымі, што прыводзіць да больш эфектыўнай падтрымкі прыняцця клінічных рашэнняў. Гэтая эвалюцыя будзе больш поўна і практычна рэалізавана з убудаваннем MemTrax у карыстальніцкія (арыентаваныя на даступныя магчымасці) платформы, якія пастаўшчыкі медыцынскіх паслуг могуць выкарыстоўваць у рэжыме рэальнага часу ў клініцы.
Неабходнымі для праверкі і карыснасці мадэлі MemTrax для дыягнастычнай падтрымкі і догляду за пацыентамі з'яўляюцца вельмі запатрабаваныя значныя падоўжныя даныя. Назіраючы і запісваючы спадарожныя змены (калі такія маюцца) у клінічным статусе ў адэкватным дыяпазоне нормы на ранняй стадыі MCI, мадэлі для адпаведнай пастаяннай ацэнкі і класіфікацыі можна навучаць і мадыфікаваць па меры старэння пацыентаў і іх лячэння. Гэта значыць, шматразовая карыснасць можа дапамагчы ў падоўжным адсочванні лёгкіх кагнітыўных змен, эфектыўнасці ўмяшання і падтрыманні інфармаванай стратыфікаванай дапамогі. Такі падыход у большай ступені адпавядае клінічнай практыцы і вядзенню пацыентаў і выпадку.
Недахопы
Мы цэнім складанасць і каштоўнасць збору дакладных клінічных даных у кантраляваных умовах клінікі/бальніцы. Тым не менш, гэта ўзмацніла б наша мадэляванне, калі б нашы наборы дадзеных уключалі больш пацыентаў з агульнымі прыкметамі. Больш за тое, для нашага мадэлявання дыягназу было б больш пажадана і мэтазгодней правесці тую ж клінічную ацэнку на адпаведных пацыентах з нармальным кагнітыўным здароўем для навучання навучэнцаў. І, як падкрэсліваецца больш высокай прадукцыйнасцю класіфікацыі з выкарыстаннем адфільтраванага набору даных (толькі чатыры найвышэйшыя функцыі), больш агульныя і меры/паказчыкі кагнітыўнага здароўя, верагодна, палепшыліся б мадэляванне прадукцыйнасці з большай колькасцю агульных прыкмет для ўсіх пацыентаў.
Некаторыя ўдзельнікі маглі адначасова адчуваць іншыя захворванні, якія маглі выклікаць часовыя або хранічныя кагнітыўныя дэфіцыты. За выключэннем паднабору даных XL, дзе пацыенты дыягнастычна класіфікаваліся як хворыя на AD або VaD, даныя аб спадарожных захворваннях не збіраліся/паведамляліся ў групе пацыентаў YH, і пераважнай спадарожнай паталогіяй у паднаборы даных KM быў дыябет. Аднак можна спрачацца, што ўключэнне ў нашы схемы мадэлявання пацыентаў з спадарожнымі захворваннямі, якія могуць выклікаць або пагоршыць узровень кагнітыўнага дэфіцыту і, як следства, больш нізкія характарыстыкі MemTrax, будзе больш рэпрэзентатыўным для мэтавай групы пацыентаў у рэальным свеце для гэтага больш абагульненага ранняга кагнітыўнага скрынінга і падыход да мадэлявання. У далейшым дакладная дыягностыка спадарожных захворванняў, якія патэнцыйна ўплываюць на кагнітыўныя здольнасці, у цэлым карысная для аптымізацыі мадэляў і выніковых прыкладанняў для догляду за пацыентамі.
Нарэшце, пацыенты з суб-наборамі даных YH і KM выкарыстоўвалі смартфон для праходжання тэсту MemTrax, у той час як абмежаваная колькасць пацыентаў з суб-наборам даных XL выкарыстоўвалі iPad, а астатнія выкарыстоўвалі смартфон. Гэта магло прывесці да нязначнай розніцы, звязанай з прыладай, у прадукцыйнасці MemTrax для мадэлявання класіфікацыі MoCA. Аднак адрозненні (калі такія маюцца) у MTx-RT, напрыклад, паміж прыладамі, хутчэй за ўсё, будуць нязначнымі, асабліва з улікам таго, што кожны ўдзельнік праходзіць «практычны» тэст непасрэдна перад запісаным тэстам. Тым не менш, карыснасць гэтых дзвюх партатыўных прылад патэнцыйна ставіць пад пагрозу прамое параўнанне і/або інтэграцыю з іншымі вынікамі MemTrax, калі карыстальнікі адказвалі на паўторныя выявы, дакранаючыся да прабелу на клавіятуры кампутара.
Ключавыя моманты ўтыліты для прагнастычнага мадэлявання MemTrax
- • Нашы найбольш эфектыўныя прагнастычныя мадэлі, якія ахопліваюць выбраныя паказчыкі прадукцыйнасці MemTrax, могуць надзейна класіфікаваць стан кагнітыўнага здароўя (нармальнае кагнітыўнае здароўе або MCI), як паказвае шырока прызнаны тэст MoCA.
- • Гэтыя вынікі падтрымліваюць інтэграцыю выбраных паказчыкаў прадукцыйнасці MemTrax у праграму прагназавання класіфікацыйнай мадэлі скрынінга на раннія стадыі кагнітыўных парушэнняў.
- • Наша класіфікацыйнае мадэляванне таксама паказала магчымасць выкарыстання прадукцыйнасці MemTrax у праграмах для вызначэння ступені цяжкасці дыягназу дэменцыі.
Гэтыя новыя высновы ўсталёўваюць канчатковыя доказы карыснасці машыннага навучання для стварэння пашыраных надзейных мадэляў класіфікацыі на аснове MemTrax для дыягнастычнай падтрымкі ў эфектыўным клінічным вядзенні выпадкаў і догляду за пацыентамі з кагнітыўнымі парушэннямі.
Аўтары
Мы прызнаем працу Дж. Уэсана Эшфарда, Керціса Б. Эшфарда і іх калег за распрацоўку і праверку онлайн-задачы бесперапыннага распазнавання і інструмента (MemTrax), якія выкарыстоўваюцца тут, і мы ўдзячныя шматлікім пацыентам з дэменцыяй, якія ўнеслі свой уклад у важныя фундаментальныя даследаванні . Мы таксама дзякуем Сяньбо Чжоу і яго калегам з SJN Biomed LTD, яго калегам і супрацоўнікам у бальніцах/клініках, асабліва доктару. М. Луо і М. Чжун, якія дапамагалі з наборам удзельнікаў, планаваннем тэстаў, зборам, запісам і кіраваннем дадзенымі, а таксама валанцёрамі, якія ахвяравалі свой каштоўны час і ўзялі на сябе абавязацельствы прайсці тэсты і забяспечыць каштоўныя даныя для ацэнкі ў гэтым даследаванні. гэта Даследаванне было часткова падтрымана MD Scientific Research Праграма Медыцынскага ўніверсітэта Куньміна (грант № 2017BS028 - XL) і Даследчая праграма дэпартамента навукі і тэхнікі Юньнані (грант № 2019FE001 (-222) - XL).
Дж. Уэсан Эшфард падаў заяўку на патэнт на выкарыстанне канкрэтнай парадыгмы бесперапыннага распазнавання, апісанай у гэтым артыкуле для агульнага праверка памяці.
MemTrax, LLC - гэта кампанія, якая належыць Керцісу Эшфарду, і гэтая кампанія кіруе праверка памяці сістэма, апісаная ў гэтым артыкуле.
Раскрыццё інфармацыі аўтараў даступна ў Інтэрнэце (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
Спасылкі
| [1] Асацыяцыя Альцгеймера (2016) 2016 Факты хваробы Альцгеймера і лічбы. Прыдуркаватасць Альцгеймера 12, 459–509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Эфект ранняй стадыі Хвароба Альцгеймера аб фінансавых выніках хатніх гаспадарак. 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) Паляпшэнне якасці ў неўралогія: набор для вымярэння якасці лёгкіх кагнітыўных парушэнняў. Неўралогія 93, 705-713. |
| [4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) Эканамічная эфектыўнасць выкарыстання кагнітыўныя скрынінгавыя тэсты для выяўлення дэменцыі і лёгкіх кагнітыўных парушэнняў у першаснай медыцынскай дапамозе. Int J Geriatr Psychiatry 32, 1392–1400. | |
| [5] Эшфард JW, Гір E, Bayley PJ (2011) Вымярэнне памяці у наладах вялікай групы з выкарыстаннем бесперапыннага тэсту на распазнаванне. J Alzheimers Dis 27, 885–895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Камп'ютэрызаваная задача бесперапыннага распазнавання для вымярэння эпізадычнай памяці. J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Прадукцыйнасць эпізадычнай памяці ў мадэляванні машыннага навучання для прагназавання класіфікацыі кагнітыўнага стану здароўя. J Alzheimers Dis 70, 277–286. |
| [8] ван дэр Хук, доктар медыцынскіх навук, Ньювенхойзен А, Кейер Дж, Эшфард Дж.В. (2019) Тэст MemTrax у параўнанні з манрэальскай кагнітыўнай ацэнкай лёгкага кагнітыўнага парушэння. J Alzheimers Dis 67, 1045–1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Выкарыстанне ізаляваных галосных гукаў для класіфікацыі лёгкай чэрапна-мазгавой траўмы. У 2013 г. Міжнародная канферэнцыя IEEE па акустыцы, маўленню і апрацоўцы сігналаў, Ванкувер, Брытанская Калумбія, стар. 7577–7581. |
| [10] | Dabek F, Caban JJ (2015) Выкарыстанне вялікіх дадзеных для мадэлявання верагоднасці развіцця псіхалагічных станаў пасля страсення мозгу. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Дрэва рашэнняў для ранняга выяўлення кагнітыўных парушэнняў грамадскімі фармацэўтамі. Front Pharmacol 9, 1232. |
| [12] | Nasreddine ZS, Phillips NA, Bedirian V, Charbonneau S, Whitehead V, Collin I, Cummings JL, Chertkow H (2005) Манрэальская кагнітыўная ацэнка, MoCA: Кароткі інструмент скрынінга лёгкіх кагнітыўных парушэнняў. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012) Пекінская версія манрэальскага ацэнкі кагнітыўных функцый як кароткі інструмент скрынінга лёгкіх кагнітыўных парушэнняў: даследаванне, заснаванае на супольнасці. BMC Psychiatry 12, 156. |
| [14] | Chen KL, Xu Y, Chu AQ, Ding D, Liang XN, Nasreddine ZS, Dong Q, Hong Z, Zhao QH, Guo QH (2016) Праверка кітайскай версіі асноўнай кагнітыўнай ацэнкі Манрэаля для скрынінга лёгкіх кагнітыўных парушэнняў. J Am Geriatr Soc 64, e285–e290. |
| [15] | Карсан Н., Ліч Л., Мэрфі К.Дж. (2018) Паўторная праверка гранічных балаў Манрэальскай кагнітыўнай ацэнкі (MoCA). Int J Geriatr Psychiatry 33, 379–388. |
| [16] | Амерыканская псіхіятрычная асацыяцыя (2013) Мэтавая група па дыягностыцы і статыстыцы псіхічных расстройстваў: DSM-5™, American Psychiatric Publishing, Inc., Вашынгтон, акруга Калумбія. |
| [17] | Python. Python Software Foundation, http://www.python.org, доступ 15 лістапада 2019 г. |
| [18] | R Core Group, R: мова і асяроддзе для статыстычных вылічэнняў R Foundation for Statistical Computing, Вена, Аўстрыя. https://www.R-project.org/, 2018 г., праверана 15 лістапада 2019 г. |
| [19] | Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Час пераменаў: Падручнік па параўнанні некалькіх класіфікатараў з дапамогай байесаўскага аналізу. J Mach Learn Res 18, 1–36. |
| [20] | Frank E, Hall MA, Witten IH (2016) The WEKA Workbench. У Інтэлектуальны аналіз дадзеных: практычныя інструменты і метады машыннага навучання, Frank E, Hall MA, Witten IH, Pal CJ, рэд. Морган Каўфман 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) Машыннае навучанне ў мадэляванні спартыўнага страсення мозгу ў сярэдняй школе. Med Sci Sports Exerc 51, 1362–1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Эксперыментальныя перспектывы навучання з незбалансаваных дадзеных. У Матэрыялы 24-й Міжнароднай канферэнцыі па машынным навучанні, Корваліс, Арэгон, ЗША, стар. 935-942. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Ацэнка пацыента з хваробай Альцгеймера і міні-псіхічны стан: аналіз крывой характарыстык пункта. J Gerontol 44, 139–146. |
| [24] Эшфард JW, Jarvik L (1985) хвароба Альцгеймера: Ці схіляе пластычнасць нейронаў да нейрофибриллярной дэгенерацыі аксонов? N Engl J Med 313, 388–389. | |
| [25] Джэк С.Р.-малодшы, Тэрно Т.М., Вейганд С.Д., Віст Х.Дж., Нопман Д.С., Вемуры П., Лоў В.Дж., Мілке М.М., Робертс Р.О., Мачулда М.М., Граф-Рэдфард Дж., Джонс Д.Т., Шварц К.Г., Гюнтэр Дж.Л., Сенджэм М.Л. , Rocca WA, Petersen RC (2019) Распаўсюджанасць біялагічна супраць клінічна вызначаных аб'ектаў спектру Альцгеймера з дапамогай Нацыянальнага інстытута старэння - хваробы Альцгеймера Асацыяцыя даследаванняў рамках. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X, Ashford JW (2019) Дасягненні ў інструментах скрынінга для Хвароба Альцгеймера. Старэнне Med 2, 88-93. | |
| [27] Вайнер М.В., Ношэні Р., Камача М., Труран-Сэйкры Д., Маккін Р.С., Фленікен Д., Ульбрыхт А., Інсель П., Фінлі С., Фоклер Дж., Вейтч Д. (2018) Здароўе мозгу Рэестр: Інтэрнэт-платформа для найму, ацэнкі і доўгага маніторынгу ўдзельнікаў для даследаванняў неўралогіі. Хвароба Альцгеймера 14, 1063–1076. | |
| [28] Ashford JW, Schmitt FA (2001) Мадэляванне ходу часу Дэменцыя Альцгеймера. Curr Psychiatry Rep 3, 20–28. | |
| [29] | Li X, Wang X, Su L, Hu X, Han Y (2019) Кітайскае падоўжнае даследаванне зніжэння кагнітыўных функцый (SILCODE): Пратакол кітайскага падоўжнага назіральнага даследавання для распрацоўкі мадэляў прагназавання рызыкі пераўтварэння ў лёгкія кагнітыўныя парушэнні ў асоб з суб'ектыўнымі кагнітыўнымі парушэннямі заняпад. BMJ Open 9, e028188. |
| [30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015) Пяцігадовая зменлівасць прагрэсавання біямаркераў для Дэменцыя пры хваробы Альцгеймера Прагноз: Ці можа складаная інструментальная дзейнасць у паўсядзённым жыцці запоўніць прабелы? Хвароба Альцгеймера (Amst) 1, 521–532. | |
| [31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) Прафілактыка і лячэнне хваробы Альцгеймера: Біялагічныя механізмы фізічных практыкаванняў. J Alzheimers Dis 69, 311–338. | |
| [32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) Тэрапія для прафілактыка і лячэнне хваробы Альцгеймера. 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) Асацыяцыі паміж сасудзістым рызыкай у дарослым узросце і паталогіяй мозгу ў познім узросце: дадзеныя брытанскай кагорты пры нараджэнні. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) Прафілактыка дэменцыі - мыслення за межамі ўзросту і амілаідных скрынак. 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) Уплыў сісталічнага артэрыяльнага ціску на цэласнасць белага рэчыва ў маладых людзей у Framingham Heart Study: A cross -секцыйнае даследаванне. Lancet Neurol 11, 1039–1047. |
| [36] Fink HA, Linskens EJ, Silverman PC, McCarten JR, Hemmy LS, Ouellette JM, Grier NL, Wilt TJ, Butler M (2020) Дакладнасць тэставання біямаркераў для неўрапаталагічна вызначаных Хвароба Альцгеймера ў пажылых людзей з дэменцыяй. Ann Intern Med 172, 669–677. |
Сувязь: [a] SIVOTEC Analytics, Бока-Ратан, Фларыда, ЗША | [b] Факультэт вылічальнай і электратэхнікі і інфарматыкі, Атлантычны універсітэт Фларыды, Бока-Ратан, штат Фларыда, ЗША | [c] SJN Biomed LTD, Куньмін, Юньнань, Кітай | [d] Цэнтр для Даследаванне хваробы Альцгеймера, Вашынгтонскі інстытут клінічных даследаванняў, Вашынгтон, акруга Калумбія, ЗША | [e] Аддзяленне рэабілітацыйнай медыцыны, Першая афіляваная бальніца Куньмінскага медыцынскага ўніверсітэта, Куньмін, Юньнань, Кітай | [f] Аддзяленне неўралогіі Народнай бальніцы Дэхун, Дэхун, Юньнань, Кітай | [g] Аддзяленне неўралогіі Першай даччынай бальніцы Куньмінскага медыцынскага ўніверсітэта, раён Ухуа, Куньмін, правінцыя Юньнань, Кітай | [h] Цэнтр вывучэння захворванняў і траўмаў, звязаных з вайной, штат Вірджынія, Пала-Альта Ахова здароўя System, Пала-Альта, Каліфорнія, Злучаныя Штаты Амерыкі | [i] Кафедра псіхіятрыі і паводніцкіх навук Медыцынскай школы Стэнфардскага універсітэта, Пала-Альта, Каліфорнія, ЗША
Карэспандэнцыя: [*] Карэспандэнцыя: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. Адрас электроннай пошты: mbergeron@sivotecanalytics.com.; Сяолей Лю, доктар медыцынскіх навук, аддзяленне неўралогіі Першай даччынай бальніцы Куньмінскага медыцынскага ўніверсітэта, 295 Xichang Road, раён Ухуа, Куньмін, правінцыя Юньнань 650032, Кітай. Адрас электроннай пошты: ring@vip.163.com.
Ключавыя словы: старэнне, Хвароба Альцгеймера, дэменцыя, масавы скрынінг