হালকা জ্ঞানীয় প্রতিবন্ধকতার শ্রেণীবিভাগে মেমট্র্যাক্স এবং মেশিন লার্নিং মডেলিংয়ের উপযোগিতা
গবেষণা প্রবন্ধ
লেখক: বার্গেরন, মাইকেল এফ. | ল্যান্ডসেট, সারা | Zhou, Xianbo | ডিঙ, টাও | খোশগফতার, তাঘী এম. | ঝাও, ফেং | ডু, বো | চেন, জিঞ্জি | ওয়াং, জুয়ান | ঝং, লিয়ানমেই | লিউ, জিয়াওলি | অ্যাশফোর্ড, জে. ওয়েসন
DOI: 10.3233/JAD-191340
জার্নাল: জার্নাল অফ আলঝেইমার রোগ, ভোল। 77, না। 4, পিপি। 1545-1558, 2020
বিমূর্ত
পটভূমি:
এর ব্যাপকতা এবং ব্যাপকতা আলঝেইমার রোগ এবং হালকা জ্ঞানীয় প্রতিবন্ধকতা (MCI) প্রাথমিক সনাক্তকরণ জ্ঞানীয় স্ক্রীনিং এবং মূল্যায়ন যাচাই করার জন্য গবেষণার জন্য একটি জরুরি আহ্বান জানিয়েছে।
উদ্দেশ্য:
আমাদের প্রাথমিক গবেষণার লক্ষ্য ছিল নির্বাচিত মেমট্র্যাক্স কর্মক্ষমতা মেট্রিক্স এবং প্রাসঙ্গিক জনসংখ্যা এবং স্বাস্থ্য প্রোফাইল বৈশিষ্ট্যগুলিকে জ্ঞানীয় স্বাস্থ্য (স্বাভাবিক বনাম MCI) শ্রেণীবদ্ধ করার জন্য মেশিন লার্নিং দিয়ে তৈরি ভবিষ্যদ্বাণীমূলক মডেলগুলিতে কার্যকরভাবে ব্যবহার করা যেতে পারে কিনা তা নির্ধারণ করা, যেমনটি দ্বারা নির্দেশিত হবে। মন্ট্রিল জ্ঞানীয় মূল্যায়ন (MoCA)।
পদ্ধতি:
আমরা 259 জন নিউরোলজি, মেমরি ক্লিনিক এবং অভ্যন্তরীণ ওষুধ প্রাপ্তবয়স্ক রোগীদের উপর একটি ক্রস-বিভাগীয় গবেষণা পরিচালনা করেছি। চীনে হাসপাতাল. প্রতিটি রোগীকে চীনা-ভাষা MoCA দেওয়া হয়েছিল এবং মেমট্র্যাক্স অনলাইন এপিসোডিক ক্রমাগত স্বীকৃতি স্ব-পরিচালিত হয়েছিল মেমরি পরীক্ষা অনলাইন একই দিনে. ভবিষ্যদ্বাণীমূলক শ্রেণিবিন্যাস মডেলগুলি 10-গুণ ক্রস বৈধকরণ সহ মেশিন লার্নিং ব্যবহার করে তৈরি করা হয়েছিল এবং রিসিভার অপারেটিং চারিত্রিক কার্ভ (AUC) এর অধীনে এরিয়া ব্যবহার করে মডেলের কার্যকারিতা পরিমাপ করা হয়েছিল। আটটি সাধারণ জনসংখ্যাগত এবং ব্যক্তিগত ইতিহাস বৈশিষ্ট্য সহ দুটি MemTrax কর্মক্ষমতা মেট্রিক (শতাংশ সঠিক, প্রতিক্রিয়া সময়) ব্যবহার করে মডেলগুলি তৈরি করা হয়েছিল।
ফলাফল:
MoCA স্কোর এবং থ্রেশহোল্ডের নির্বাচিত সংমিশ্রণ জুড়ে শিক্ষার্থীদের তুলনা করে, Naïve Bayes সাধারণত 0.9093 এর সামগ্রিক শ্রেণীবিভাগের পারফরম্যান্সের সাথে শীর্ষ-সম্পাদক শিক্ষার্থী ছিল। আরও, শীর্ষ তিনজন শিক্ষার্থীর মধ্যে, সমস্ত 0.9119টি সাধারণ বৈশিষ্ট্য (10) ব্যবহারের তুলনায় শুধুমাত্র শীর্ষস্থানীয় চারটি বৈশিষ্ট্য (0.8999) ব্যবহার করে সামগ্রিকভাবে MemTrax-ভিত্তিক শ্রেণিবিন্যাস কর্মক্ষমতা উন্নত ছিল।
উপসংহার:
মেমট্র্যাক্স কর্মক্ষমতা একটি মেশিন লার্নিং ক্লাসিফিকেশন ভবিষ্যদ্বাণীমূলক মডেলে কার্যকরভাবে ব্যবহার করা যেতে পারে প্রাথমিক পর্যায়ে জ্ঞানীয় বৈকল্য সনাক্তকরণের জন্য স্ক্রীনিং অ্যাপ্লিকেশন.
সূচনা
স্বীকৃত (যদিও নির্ণয় না করা হয়) ব্যাপক-বিস্তৃত ঘটনা এবং ব্যাপকতা এবং সমান্তরাল ক্রমবর্ধমান চিকিৎসা, সামাজিক এবং জনসাধারণের স্বাস্থ্য আল্জ্হেইমার্স ডিজিজ (AD) এবং হালকা জ্ঞানীয় বৈকল্য (MCI) এর খরচ এবং বোঝা সমস্ত স্টেকহোল্ডারদের জন্য ক্রমবর্ধমানভাবে চাপ সৃষ্টি করছে [1, 2]। এই দুর্দশাজনক এবং বুর্জনিং দৃশ্যকল্পটি যাচাই করার জন্য গবেষণার জন্য জরুরি আহ্বান জানিয়েছে প্রাথমিক সনাক্তকরণ বিভিন্ন অঞ্চল এবং জনসংখ্যা জুড়ে বয়স্ক রোগীদের জন্য ব্যক্তিগত এবং ক্লিনিকাল সেটিংসে নিয়মিত ব্যবহারিক উপযোগের জন্য জ্ঞানীয় স্ক্রীনিং এবং মূল্যায়ন যন্ত্রগুলি [3]। এই যন্ত্রগুলিকে অবশ্যই ইলেকট্রনিক স্বাস্থ্য রেকর্ডে তথ্যপূর্ণ ফলাফলের নির্বিঘ্ন অনুবাদের ব্যবস্থা করতে হবে। রোগীদের জানানোর মাধ্যমে এবং চিকিত্সকদেরকে উল্লেখযোগ্য পরিবর্তনগুলি আগে স্বীকৃতি দিতে সহায়তা করার মাধ্যমে সুবিধাগুলি উপলব্ধি করা হবে এবং এইভাবে আরও দ্রুত এবং সময়োপযোগী স্তরবিন্যাস, বাস্তবায়ন, এবং উপযুক্ত ব্যক্তিকেন্দ্রিক এবং আরও ব্যয়-কার্যকর চিকিত্সা এবং রোগীদের যত্নের ট্র্যাকিং সক্ষম করবে যারা অভিজ্ঞতা শুরু করতে শুরু করবে। জ্ঞানীয় অবক্ষয় [৩, ৪]।
কম্পিউটারাইজড মেমট্র্যাক্স টুল (https://memtrax.com) হল একটি সহজ এবং সংক্ষিপ্ত ক্রমাগত স্বীকৃতি মূল্যায়ন যা চ্যালেঞ্জিং টাইমড এপিসোডিক মেমরি পারফরম্যান্স পরিমাপ করার জন্য অনলাইনে স্ব-প্রশাসিত হতে পারে যেখানে ব্যবহারকারী পুনরাবৃত্ত চিত্রগুলিতে সাড়া দেয় এবং প্রাথমিক উপস্থাপনায় নয় [5, 6]। সাম্প্রতিক গবেষণা এবং ফলস্বরূপ ব্যবহারিক প্রভাবগুলি ধীরে ধীরে এবং সম্মিলিতভাবে AD এবং MCI স্ক্রীনিং [5-7] এর প্রথম দিকে মেমট্র্যাক্সের ক্লিনিকাল কার্যকারিতা প্রদর্শন করতে শুরু করেছে। যাইহোক, বিদ্যমান থেকে ক্লিনিকাল ইউটিলিটির সরাসরি তুলনা জ্ঞানীয় স্বাস্থ্য মূল্যায়ন এবং প্রচলিত মানগুলি পেশাদার দৃষ্টিকোণ জানাতে এবং প্রাথমিক সনাক্তকরণ এবং ডায়াগনস্টিক সহায়তায় মেমট্র্যাক্স ইউটিলিটিকে সমর্থন করার জন্য নিশ্চিত করা হয়। ভ্যান ডের হোয়েক এট আল। [৮] মন্ট্রিল দ্বারা নির্ধারিত জ্ঞানীয় অবস্থার সাথে নির্বাচিত মেমট্র্যাক্স কর্মক্ষমতা মেট্রিক্স (প্রতিক্রিয়া গতি এবং শতাংশ সঠিক) তুলনা করে জ্ঞানীয় মূল্যায়ন (MoCA)। যাইহোক, এই অধ্যয়নটি জ্ঞানীয় অবস্থার বৈশিষ্ট্যের সাথে এই কর্মক্ষমতা মেট্রিক্সকে যুক্ত করার মধ্যে সীমাবদ্ধ ছিল (এমওসিএ দ্বারা নির্ধারিত) এবং আপেক্ষিক পরিসর এবং কাটঅফ মানগুলি সংজ্ঞায়িত করা। তদনুসারে, এই তদন্তকে প্রসারিত করতে এবং শ্রেণিবিন্যাস কর্মক্ষমতা এবং কার্যকারিতা উন্নত করতে, আমাদের প্রাথমিক গবেষণা প্রশ্ন ছিল:
- একজন ব্যক্তির নির্বাচিত MemTrax কর্মক্ষমতা মেট্রিক্স এবং প্রাসঙ্গিক জনসংখ্যা এবং স্বাস্থ্য প্রোফাইলে জ্ঞানীয় স্বাস্থ্য ডিকোটোমাসলি (সাধারণ বনাম এমসিআই) শ্রেণীবদ্ধ করার জন্য মেশিন লার্নিং দিয়ে তৈরি একটি ভবিষ্যদ্বাণীমূলক মডেলে বৈশিষ্ট্যগুলি কার্যকরভাবে ব্যবহার করা হবে, যেমনটি একজনের MoCA স্কোর দ্বারা নির্দেশিত হবে?
এর গৌণ, আমরা জানতে চেয়েছিলাম:
- একই বৈশিষ্ট্য সহ, একটি মেমট্র্যাক্স কর্মক্ষমতা-ভিত্তিক মেশিন লার্নিং মডেল কার্যকরভাবে একজন রোগীর উপর প্রয়োগ করা যেতে পারে যাতে একটি স্বাধীন ক্লিনিকাল রোগ নির্ণয়ের দ্বারা নির্ধারিত জ্ঞানীয় বৈকল্যের নির্বাচিত বিভাগের মধ্যে তীব্রতা (হালকা বনাম গুরুতর) পূর্বাভাস দেওয়া যায়?
স্ক্রীনিং/ডিটেকশনে কৃত্রিম বুদ্ধিমত্তা এবং মেশিন লার্নিংয়ের আবির্ভাব এবং বিকশিত ব্যবহারিক প্রয়োগ ইতিমধ্যেই স্বতন্ত্র ব্যবহারিক সুবিধাগুলি প্রদর্শন করেছে, ভবিষ্যদ্বাণীমূলক মডেলিং কার্যকরভাবে চিকিত্সকদের জ্ঞানীয়/মস্তিষ্কের স্বাস্থ্য এবং রোগী ব্যবস্থাপনার চ্যালেঞ্জিং মূল্যায়নে গাইড করে। আমাদের গবেষণায়, আমরা এমসিআই শ্রেণীবিন্যাস মডেলিং এবং জ্ঞানীয় দুর্বলতা তীব্রতা বৈষম্যের ক্ষেত্রে একটি অনুরূপ পদ্ধতি বেছে নিয়েছি যা চীনের দুটি হাসপাতাল থেকে নির্বাচিত স্বেচ্ছাসেবক ইনপেশেন্ট এবং বহিরাগত রোগীদের প্রতিনিধিত্বকারী তিনটি ডেটাসেট থেকে ক্লিনিকাল নির্ণয়ের দ্বারা নিশ্চিত করা হয়েছে। মেশিন লার্নিং ভবিষ্যদ্বাণীমূলক মডেলিং ব্যবহার করে, আমরা বিভিন্ন ডেটাসেট/শিক্ষার্থী সংমিশ্রণ থেকে শীর্ষ-সম্পাদক শিক্ষার্থীদের চিহ্নিত করেছি এবং সবচেয়ে ক্লিনিক্যালি ব্যবহারিক মডেল অ্যাপ্লিকেশনগুলিকে সংজ্ঞায়িত করার জন্য আমাদের গাইড করার জন্য বৈশিষ্ট্যগুলিকে র্যাঙ্ক করেছি।
আমাদের অনুমানগুলি ছিল যে একটি বৈধ MemTrax-ভিত্তিক মডেলটি MoCA সমষ্টিগত স্কোর থ্রেশহোল্ড মানদণ্ডের উপর ভিত্তি করে জ্ঞানীয় স্বাস্থ্য দ্বিধাবিভক্তভাবে (স্বাভাবিক বা MCI) শ্রেণীবদ্ধ করতে ব্যবহার করা যেতে পারে, এবং একটি অনুরূপ MemTrax ভবিষ্যদ্বাণীমূলক মডেলটি নির্বাচিত গুরুতরতার বৈষম্যের ক্ষেত্রে কার্যকরভাবে নিযুক্ত করা যেতে পারে। ক্লিনিক্যালি নির্ণয় করা হয়েছে জ্ঞানীয় দুর্বলতা. প্রত্যাশিত ফলাফল প্রদর্শন করা জ্ঞানীয় পতন এবং জ্ঞানীয় দুর্বলতা শ্রেণীবিভাগের জন্য একটি প্রাথমিক সনাক্তকরণ স্ক্রীন হিসাবে MemTrax এর কার্যকারিতা সমর্থন করার জন্য সহায়ক হবে। একটি শিল্প কথিত স্ট্যান্ডার্ডের সাথে অনুকূল তুলনা অনেক বেশি সহজলভ্যতা এবং ইউটিলিটির দ্রুততার দ্বারা পরিপূরক, প্রাথমিক পর্যায়ে (প্রোড্রোমাল সহ) পর্যায়ের জ্ঞানীয় ঘাটতি সনাক্ত করতে প্রাথমিক স্ক্রীন হিসাবে এই সহজ, নির্ভরযোগ্য এবং অ্যাক্সেসযোগ্য টুলটি গ্রহণ করতে চিকিত্সকদের সাহায্য করতে প্রভাবশালী হবে। এই ধরনের একটি পদ্ধতি এবং উপযোগিতা এইভাবে আরও সময়োপযোগী এবং আরও ভাল স্তরিত রোগীর যত্ন এবং হস্তক্ষেপের জন্য অনুরোধ করতে পারে। এই অগ্রগামী-চিন্তামূলক অন্তর্দৃষ্টি এবং উন্নত মেট্রিক্স এবং মডেলগুলি AD এবং AD-সম্পর্কিত ডিমেনশিয়া (ADRD) সহ ডিমেনশিয়া অগ্রগতি হ্রাস বা বন্ধ করতে সহায়ক হতে পারে।
উপকরণ এবং পদ্ধতিসমূহ
অধ্যয়ন জনসংখ্যা
জানুয়ারী 2018 এবং আগস্ট 2019 এর মধ্যে, চীনের দুটি হাসপাতাল থেকে নিয়োগকৃত রোগীদের উপর ক্রস-বিভাগীয় গবেষণা সম্পন্ন হয়েছিল। মেমট্র্যাক্সের প্রশাসন [৫] 5 বছর বা তার বেশি বয়সী ব্যক্তিদের জন্য এবং সেই তথ্যগুলির সংগ্রহ ও বিশ্লেষণ পর্যালোচনা করা হয়েছিল এবং অনুমোদিত হয়েছিল এবং এর নৈতিক মান অনুসারে পরিচালিত হয়েছিল। মানবীয় স্ট্যানফোর্ড বিশ্ববিদ্যালয়ের বিষয় সুরক্ষা কমিটি। মেমট্র্যাক্স এবং এই সামগ্রিক অধ্যয়নের জন্য অন্যান্য সমস্ত পরীক্ষা 1975 সালের হেলসিঙ্কি ঘোষণা অনুসারে সঞ্চালিত হয়েছিল এবং চীনের ইউনান, কুনমিং মেডিক্যাল ইউনিভার্সিটির প্রথম অনুমোদিত হাসপাতালের ইনস্টিটিউশনাল রিভিউ বোর্ড দ্বারা অনুমোদিত হয়েছিল। প্রতিটি ব্যবহারকারী একটি প্রদান করা হয়েছে অবহিত সম্মতি পড়তে/পর্যালোচনার জন্য ফর্ম এবং তারপর স্বেচ্ছায় অংশগ্রহণ করতে সম্মত হন।
ইয়ানহুয়া হাসপাতালের নিউরোলজি ক্লিনিকে (ওয়াইএইচ সাব-ডেটাসেট) বহিরাগত রোগীদের পুল থেকে অংশগ্রহণকারীদের নিয়োগ করা হয়েছিল এবং কুনমিং মেডিকেলের প্রথম অনুমোদিত হাসপাতালে মেমরি ক্লিনিক ইউনিভার্সিটি (এক্সএল সাব-ডেটাসেট) বেইজিং, চীন। কুনমিং মেডিকেল ইউনিভার্সিটির প্রথম অধিভুক্ত হাসপাতালে নিউরোলজি (এক্সএল সাব-ডেটাসেট) এবং ইন্টারনাল মেডিসিন (কেএম সাব-ডেটাসেট) রোগীদের থেকেও অংশগ্রহণকারীদের নিয়োগ করা হয়েছিল। অন্তর্ভুক্তির মানদণ্ডের মধ্যে রয়েছে 1) কমপক্ষে 21 বছর বয়সী পুরুষ এবং মহিলা, 2) চীনা (ম্যান্ডারিন) কথা বলার ক্ষমতা এবং 3) মৌখিক এবং লিখিত দিকনির্দেশ বোঝার ক্ষমতা। বর্জনের মানদণ্ড ছিল দৃষ্টি এবং মোটর দুর্বলতা যা অংশগ্রহণকারীদের সম্পূর্ণ করতে বাধা দেয় মেমট্র্যাক্স পরীক্ষা, সেইসাথে নির্দিষ্ট পরীক্ষার নির্দেশাবলী বুঝতে অক্ষমতা।
মেমট্র্যাক্সের চীনা সংস্করণ
অনলাইন MemTrax পরীক্ষা প্ল্যাটফর্ম অনুবাদ করা হয়েছে চীনা ভাষায় (URL: https://www.memtrax.com.cn) এবং স্ব-প্রশাসনের জন্য WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) এর মাধ্যমে ব্যবহার করার জন্য আরও অভিযোজিত। ডেটা চীনে অবস্থিত একটি ক্লাউড সার্ভারে (আলি ক্লাউড) সংরক্ষণ করা হয়েছিল এবং SJN Biomed LTD (Kunming, Yunnan, China) দ্বারা Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, China) থেকে লাইসেন্স করা হয়েছিল৷ এখানে ব্যবহৃত MemTrax এবং পরীক্ষার বৈধতার মানদণ্ডের নির্দিষ্ট বিবরণ পূর্বে বর্ণনা করা হয়েছে [6]। রোগীদের কোন চার্জ ছাড়াই পরীক্ষা করা হয়েছিল।
অধ্যয়ন পদ্ধতি
অভ্যন্তরীণ রোগী এবং বহিরাগত রোগীদের জন্য, জনসংখ্যা সংক্রান্ত এবং ব্যক্তিগত তথ্য যেমন বয়স, লিঙ্গ, শিক্ষার বছর, পেশা, সংগ্রহের জন্য একটি সাধারণ কাগজের প্রশ্নপত্র। একা থাকা অথবা পরিবারের সাথে, এবং চিকিৎসা ইতিহাস অধ্যয়ন দলের একজন সদস্য দ্বারা পরিচালিত হয়েছিল। প্রশ্নাবলীর সমাপ্তির পরে, MoCA [12] এবং MemTrax পরীক্ষাগুলি পরিচালনা করা হয়েছিল (MoCA প্রথমে) পরীক্ষার মধ্যে 20 মিনিটের বেশি নয়। MemTrax শতাংশ সঠিক (MTx-% C), গড় প্রতিক্রিয়া সময় (MTx-RT), এবং পরীক্ষার তারিখ এবং সময় পরীক্ষা করা প্রতিটি অংশগ্রহণকারীর জন্য অধ্যয়ন দলের একজন সদস্য দ্বারা কাগজে রেকর্ড করা হয়েছিল। সম্পূর্ণ করা প্রশ্নাবলী এবং MoCA এর ফলাফলগুলি একটি এক্সেল স্প্রেডশীটে আপলোড করা হয়েছিল গবেষক দ্বারা যিনি পরীক্ষাগুলি পরিচালনা করেছিলেন এবং এক্সেল ফাইলগুলি বিশ্লেষণের জন্য সংরক্ষণ করার আগে একজন সহকর্মী দ্বারা যাচাই করা হয়েছিল৷
মেমট্র্যাক্স পরীক্ষা
মেমট্র্যাক্স অনলাইন পরীক্ষায় 50টি ছবি (25টি অনন্য এবং 25টি পুনরাবৃত্তি; সাধারণ দৃশ্য বা বস্তুর 5টি চিত্রের 5 সেট) একটি নির্দিষ্ট ছদ্ম-এলোমেলো ক্রমে দেখানো হয়েছে। অংশগ্রহণকারী (নির্দেশ অনুসারে) পরীক্ষা শুরু করার জন্য স্ক্রিনের স্টার্ট বোতামটি স্পর্শ করবে এবং চিত্র সিরিজটি দেখা শুরু করবে এবং যখনই পুনরাবৃত্তি ছবি প্রদর্শিত হবে তখনই যত তাড়াতাড়ি সম্ভব পর্দায় ছবিটি স্পর্শ করবে। প্রতিটি ছবি 3 সেকেন্ডের জন্য বা স্ক্রীনের ছবিটি স্পর্শ না হওয়া পর্যন্ত প্রদর্শিত হয়েছিল, যা পরবর্তী ছবির অবিলম্বে উপস্থাপনাকে অনুরোধ করে। স্থানীয় ডিভাইসের অভ্যন্তরীণ ঘড়ি ব্যবহার করে, প্রতিটি ছবির জন্য এমটিএক্স-আরটি চিত্রের উপস্থাপনা থেকে স্ক্রীনটি স্পর্শ করার সময় পর্যন্ত সময় দ্বারা নির্ধারিত হয়েছিল যেটি ইতিমধ্যে দেখানো হয়েছে এমন চিত্রটিকে স্বীকৃতি দেওয়ার প্রতিক্রিয়া হিসাবে। পরীক্ষার সময়। MTx-RT প্রতিটি ছবির জন্য রেকর্ড করা হয়েছে, একটি সম্পূর্ণ 3 সেকেন্ড রেকর্ড করা হয়েছে যাতে কোনো প্রতিক্রিয়া নেই। MTx-% C গণনা করা হয়েছিল পুনরাবৃত্তি এবং প্রাথমিক চিত্রগুলির শতাংশ যা ব্যবহারকারী সঠিকভাবে প্রতিক্রিয়া জানিয়েছেন (সত্য ইতিবাচক + সত্য নেতিবাচক 50 দ্বারা বিভক্ত)। মেমট্র্যাক্স প্রশাসন এবং বাস্তবায়নের অতিরিক্ত বিবরণ, ডেটা হ্রাস, অবৈধ বা "কোন প্রতিক্রিয়া নেই" ডেটা, এবং প্রাথমিক ডেটা বিশ্লেষণগুলি অন্যত্র বর্ণনা করা হয়েছে [6]।
মেমট্র্যাক্স পরীক্ষাটি বিস্তারিতভাবে ব্যাখ্যা করা হয়েছিল এবং হাসপাতালের সেটিংয়ে অংশগ্রহণকারীদের জন্য একটি অনুশীলন পরীক্ষা (ফলাফল রেকর্ড করার জন্য পরীক্ষায় ব্যবহৃত চিত্রগুলি ছাড়া অন্য অনন্য চিত্র সহ) প্রদান করা হয়েছিল। YH এবং KM সাব-ডেটাসেটের অংশগ্রহণকারীরা একটি স্মার্টফোনে MemTrax পরীক্ষা দিয়েছে যা WeChat-এ অ্যাপ্লিকেশনের সাথে লোড করা হয়েছিল; যেখানে XL সাব-ডেটাসেটের সীমিত সংখ্যক রোগী একটি আইপ্যাড ব্যবহার করেন এবং বাকিরা একটি স্মার্টফোন ব্যবহার করেন। সমস্ত অংশগ্রহণকারীরা মেমট্র্যাক্স পরীক্ষা দিয়েছিলেন একজন গবেষণা তদন্তকারীর সাথে নির্বিঘ্নে পর্যবেক্ষণ করে।
মন্ট্রিল জ্ঞানীয় মূল্যায়ন
চীনা MoCA (MoCA-BC) এর বেইজিং সংস্করণ [১৩] প্রশিক্ষিত গবেষকদের দ্বারা প্রশাসিত এবং স্কোর করা হয়েছিল অফিসিয়াল পরীক্ষার নির্দেশনা অনুযায়ী। উপযুক্তভাবে, MoCA-BC একটি নির্ভরযোগ্য হিসাবে দেখানো হয়েছে জ্ঞানীয় জন্য পরীক্ষা চীনা বয়স্ক প্রাপ্তবয়স্কদের সমস্ত শিক্ষার স্তর জুড়ে স্ক্রীনিং [14]। প্রতিটি পরীক্ষা সংশ্লিষ্ট অংশগ্রহণকারীর জ্ঞানীয় ক্ষমতার উপর ভিত্তি করে পরিচালনা করতে প্রায় 10 থেকে 30 মিনিট সময় নেয়।
MoCA শ্রেণীবিভাগ মডেলিং
দুটি মেমট্র্যাক্স সহ মোট 29টি ব্যবহারযোগ্য বৈশিষ্ট্য ছিল পরীক্ষা কর্মক্ষমতা মেট্রিক্স এবং জনসংখ্যা এবং স্বাস্থ্য সম্পর্কিত 27 বৈশিষ্ট্য প্রতিটি অংশগ্রহণকারীর জন্য তথ্য। প্রতিটি রোগীর MoCA সমষ্টিগত পরীক্ষার স্কোর হিসাবে ব্যবহার করা হয়েছিল জ্ঞানীয় স্ক্রীনিং আমাদের ভবিষ্যদ্বাণীমূলক মডেল প্রশিক্ষণের জন্য "বেঞ্চমার্ক"। তদনুসারে, যেহেতু MoCA ক্লাস লেবেল তৈরি করতে ব্যবহার করা হয়েছিল, তাই আমরা একটি স্বাধীন বৈশিষ্ট্য হিসাবে সমষ্টিগত স্কোর (বা MoCA উপসেট স্কোরগুলির কোনটি) ব্যবহার করতে পারিনি। আমরা প্রাথমিক পরীক্ষা-নিরীক্ষা করেছি যেখানে আমরা মডেল করেছি (MoCA দ্বারা সংজ্ঞায়িত জ্ঞানীয় স্বাস্থ্যের শ্রেণিবিন্যাস) মূল তিনটি হাসপাতাল/ক্লিনিক(গুলি) উপ-ডেটাসেট পৃথকভাবে এবং তারপরে সমস্ত বৈশিষ্ট্য ব্যবহার করে একত্রিত করেছি। যাইহোক, তিনটি উপ-ডেটাসেটের প্রতিনিধিত্বকারী চারটি ক্লিনিকের প্রতিটিতে সমস্ত একই ডেটা উপাদান সংগ্রহ করা হয়নি; এইভাবে, সম্মিলিত ডেটাসেটে আমাদের অনেক বৈশিষ্ট্যে (সব বৈশিষ্ট্য ব্যবহার করার সময়) মান হারিয়ে যাওয়ার উচ্চ ঘটনা ছিল। তারপরে আমরা কেবলমাত্র সাধারণ বৈশিষ্ট্যগুলি ব্যবহার করে সম্মিলিত ডেটাসেটের সাথে মডেলগুলি তৈরি করেছি যার ফলে উন্নত শ্রেণিবিন্যাস কর্মক্ষমতা হয়েছে৷ এটি সম্ভবত তিনটি রোগীর উপ-ডেটাসেট এবং অনুপস্থিত মানগুলির অযাচিত প্রচলন সহ কোনও বৈশিষ্ট্য না নিয়ে কাজ করার জন্য আরও দৃষ্টান্ত থাকার সংমিশ্রণ দ্বারা ব্যাখ্যা করা হয়েছিল (সম্মিলিত ডেটাসেটে শুধুমাত্র একটি বৈশিষ্ট্য, কাজের ধরন, কোনও অনুপস্থিত মান ছিল, যা প্রভাবিত করে শুধুমাত্র তিনটি রোগীর দৃষ্টান্ত), কারণ তিনটি সাইটে রেকর্ড করা সাধারণ বৈশিষ্ট্যগুলি অন্তর্ভুক্ত ছিল। উল্লেখযোগ্যভাবে, আমাদের কাছে প্রতিটি বৈশিষ্ট্যের জন্য একটি নির্দিষ্ট প্রত্যাখ্যানের মানদণ্ড ছিল না যা শেষ পর্যন্ত সম্মিলিত ডেটাসেটে অন্তর্ভুক্ত ছিল না। যাইহোক, আমাদের প্রাথমিক সম্মিলিত ডেটাসেট মডেলিং-এ, আমরা প্রথমে তিনটি পৃথক রোগীর উপ-ডেটাসেটের প্রতিটি থেকে সমস্ত বৈশিষ্ট্য ব্যবহার করেছি। এটি ব্যাপকভাবে মডেলের কর্মক্ষমতার ফলে হয়েছে যা প্রতিটি পৃথক উপ-ডেটাসেটের প্রাথমিক প্রাথমিক মডেলিংয়ের চেয়ে পরিমাপকভাবে কম ছিল। অধিকন্তু, যেখানে সমস্ত বৈশিষ্ট্য ব্যবহার করে নির্মিত মডেলগুলির শ্রেণীবিভাগ কর্মক্ষমতা উত্সাহজনক ছিল, সমস্ত শিক্ষার্থী এবং শ্রেণীবিভাগ স্কিম জুড়ে, শুধুমাত্র সাধারণ বৈশিষ্ট্যগুলি ব্যবহার করার সময় কর্মক্ষমতা দ্বিগুণ মডেলের জন্য উন্নত হয়েছে৷ প্রকৃতপক্ষে, আমাদের শীর্ষ শিক্ষানবিসদের মধ্যে যা শেষ হয়েছে, তার মধ্যে একটি মডেল বাদে সবগুলি অ-সাধারণ বৈশিষ্ট্যগুলিকে বাদ দিয়ে উন্নত হয়েছে৷
চূড়ান্ত সমষ্টিগত ডেটাসেটে (YH, XL, এবং KM মিলিত) 259টি দৃষ্টান্ত অন্তর্ভুক্ত করে, প্রতিটি একটি অনন্য অংশগ্রহণকারীর প্রতিনিধিত্ব করে যারা MemTrax এবং MoCA উভয় পরীক্ষাই নিয়েছিল। 10টি ভাগ করা স্বাধীন বৈশিষ্ট্য ছিল: MemTrax কর্মক্ষমতা মেট্রিক্স: MTx-% C এবং গড় MTx-RT; জনসংখ্যা এবং চিকিৎসা ইতিহাসের তথ্য: বয়স, লিঙ্গ, শিক্ষার বছর, কাজের ধরন (নীল কলার/হোয়াইট কলার), সামাজিক সহায়তা (পরীক্ষাকারী একা থাকেন বা পরিবারের সাথে), এবং ব্যবহারকারীর কাছে একটি ছিল কিনা তার হ্যাঁ/না উত্তর ডায়াবেটিস, হাইপারলিপিডেমিয়া, বা আঘাতমূলক মস্তিষ্কের আঘাতের ইতিহাস। দুটি অতিরিক্ত মেট্রিক্স, MoCA সমষ্টিগত স্কোর এবং MoCA সামগ্রিক স্কোর বছরের শিক্ষার জন্য সামঞ্জস্য করা [12], নির্ভরশীল শ্রেণিবিন্যাস লেবেলগুলি বিকাশের জন্য আলাদাভাবে ব্যবহার করা হয়েছিল, এইভাবে আমাদের সম্মিলিত ডেটাসেটে প্রয়োগ করার জন্য দুটি স্বতন্ত্র মডেলিং স্কিম তৈরি করা হয়েছিল। MoCA স্কোরের প্রতিটি সংস্করণের (সামঞ্জস্য এবং সমন্বয়হীন) জন্য, ডেটা আবার আলাদাভাবে দুটি ভিন্ন মাপকাঠির থ্রেশহোল্ড ব্যবহার করে বাইনারি শ্রেণিবিন্যাসের জন্য মডেল করা হয়েছিল - প্রাথমিকভাবে প্রস্তাবিত একটি [12] এবং অন্যদের দ্বারা ব্যবহৃত এবং প্রচারিত একটি বিকল্প মান [8, 15]। বিকল্প থ্রেশহোল্ড ক্লাসিফিকেশন স্কিমে, একজন রোগীর স্বাভাবিক জ্ঞানীয় স্বাস্থ্য আছে বলে মনে করা হত যদি সে/সে MoCA পরীক্ষায় ≥23 স্কোর করে এবং স্কোর 22 বা তার কম হলে MCI থাকে; যদিও, প্রাথমিক সুপারিশকৃত শ্রেণীবিন্যাস বিন্যাসে, রোগীকে স্বাভাবিক জ্ঞানীয় স্বাস্থ্য আছে বলে চিহ্নিত করার জন্য MoCA-তে 26 বা তার চেয়ে ভাল স্কোর করতে হয়েছিল।
MoCA শ্রেণীবিভাগ মডেলিংয়ের জন্য ফিল্টার করা ডেটা
আমরা আরও চারটি সাধারণভাবে ব্যবহৃত বৈশিষ্ট্য র্যাঙ্কিং কৌশল ব্যবহার করে MoCA শ্রেণীবিভাগ পরীক্ষা করেছি: চি-স্কোয়ার্ড, গেইন রেশিও, ইনফরমেশন গেইন, এবং সিমেট্রিকাল অনিশ্চয়তা। অন্তর্বর্তী পরিপ্রেক্ষিতের জন্য, আমরা আমাদের চারটি মডেলিং স্কিম ব্যবহার করে সমগ্র সম্মিলিত ডেটাসেটে র্যাঙ্কার প্রয়োগ করেছি। সমস্ত র্যাঙ্কার একই শীর্ষ বৈশিষ্ট্য, যেমন, বয়স, শিক্ষার বছর সংখ্যা, এবং উভয় মেমট্র্যাক্স কর্মক্ষমতা মেট্রিক্স (MTx-% C, মানে MTx-RT) বিষয়ে একমত। তারপরে আমরা মডেলগুলিকে শুধুমাত্র শীর্ষ চারটি বৈশিষ্ট্যের উপর প্রশিক্ষণ দেওয়ার জন্য প্রতিটি বৈশিষ্ট্য নির্বাচন কৌশল ব্যবহার করে মডেলগুলিকে পুনর্নির্মাণ করি (দেখুন বৈশিষ্ট্য নির্বাচন নিচে).
MoCA স্কোর শ্রেণীবিভাগ মডেলিং স্কিমগুলির ফলস্বরূপ চূড়ান্ত আটটি বৈচিত্র সারণী 1 এ উপস্থাপিত হয়েছে।
1 নং টেবিল
MoCA শ্রেণীবিভাগের জন্য ব্যবহৃত মডেলিং স্কিমের ভিন্নতার সারাংশ (স্বাভাবিক জ্ঞানীয় স্বাস্থ্য বনাম MCI)
| মডেলিং স্কিম | সাধারণ জ্ঞানীয় স্বাস্থ্য (নেতিবাচক শ্রেণী) | এমসিআই (পজিটিভ ক্লাস) |
| সামঞ্জস্য করা -23 আনফিল্টারড/ফিল্টার করা | 101 (39.0%) | 158 (61.0%) |
| সামঞ্জস্য করা -26 আনফিল্টারড/ফিল্টার করা | 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%) |
প্রতিটি শ্রেণীর মোট রোগীর সংখ্যা এবং শতাংশ শিক্ষার জন্য স্কোরের সমন্বয় (সামঞ্জস্য বা সামঞ্জস্যহীন) এবং শ্রেণিবিন্যাস থ্রেশহোল্ড (23 বা 26), উভয় বৈশিষ্ট্য সেটে (আনফিল্টারড এবং ফিল্টারড) প্রয়োগ করে আলাদা করা হয়।
মেমট্র্যাক্স-ভিত্তিক ক্লিনিকাল মূল্যায়ন মডেলিং
আমাদের তিনটি মূল সাব-ডেটাসেটের (YH, XL, KM), শুধুমাত্র XL সাব-ডেটাসেট রোগীদের জ্ঞানীয় বৈকল্যের জন্য স্বাধীনভাবে ক্লিনিক্যালি নির্ণয় করা হয়েছিল (অর্থাৎ, তাদের নিজ নিজ এমওসিএ স্কোরগুলি স্বাভাবিক বনাম প্রতিবন্ধীদের শ্রেণীবিভাগ স্থাপনে ব্যবহার করা হয়নি)। বিশেষত, এক্সএল রোগীদের হয় নির্ণয় করা হয়েছিল আলঝাইমার রোগের পরীক্ষা (AD) বা ভাস্কুলার ডিমেনশিয়া (VaD)। এই প্রাথমিক রোগ নির্ণয়ের প্রতিটি বিভাগের মধ্যে, এমসিআই-এর জন্য আরও একটি উপাধি ছিল। AD এর কারণে MCI, ডিমেনশিয়া, ভাস্কুলার নিউরোকগনিটিভ ডিসঅর্ডার এবং নিউরোকগনিটিভ ডিসঅর্ডারের নির্ণয়গুলি মানসিক ব্যাধিগুলির ডায়াগনস্টিক এবং স্ট্যাটিস্টিক্যাল ম্যানুয়ালে বর্ণিত নির্দিষ্ট এবং স্বতন্ত্র ডায়গনিস্টিক মানদণ্ডের উপর ভিত্তি করে ছিল: DSM-5 [16]। এই পরিমার্জিত নির্ণয়গুলি বিবেচনা করে, প্রতিটি প্রাথমিক নির্ণয়ের বিভাগের জন্য তীব্রতার মাত্রা (বৈকল্যের ডিগ্রি) আলাদা করতে XL সাব-ডেটাসেটে দুটি শ্রেণীবিভাগ মডেলিং স্কিম আলাদাভাবে প্রয়োগ করা হয়েছিল। এই ডায়াগনস্টিক মডেলিং স্কিমগুলির (AD এবং VaD) প্রতিটিতে ব্যবহৃত ডেটাতে জনসংখ্যাগত এবং রোগীর ইতিহাসের তথ্য, সেইসাথে মেমট্র্যাক্স কর্মক্ষমতা (MTx-% C, মানে MTx-RT) অন্তর্ভুক্ত রয়েছে। MCI মনোনীত হলে প্রতিটি নির্ণয়ের মৃদু লেবেল করা হয়েছিল; অন্যথায়, এটি গুরুতর বলে বিবেচিত হত। আমরা প্রাথমিকভাবে নির্ণয়ের মডেলগুলিতে এমওসিএ স্কোর সহ বিবেচনা করেছি (হালকা বনাম গুরুতর); কিন্তু আমরা স্থির করেছি যে এটি আমাদের সেকেন্ডারি ভবিষ্যদ্বাণীমূলক মডেলিং প্রকল্পের উদ্দেশ্যকে পরাজিত করবে। এখানে শিক্ষানবিসদেরকে প্রদানকারীর কাছে সহজলভ্য অন্যান্য রোগীর বৈশিষ্ট্য এবং সহজতর মেমট্র্যাক্স পরীক্ষার (MoCA এর পরিবর্তে) রেফারেন্স "গোল্ড স্ট্যান্ডার্ড", স্বাধীন ক্লিনিকাল রোগ নির্ণয়ের পারফরম্যান্স মেট্রিক্স ব্যবহার করে প্রশিক্ষণ দেওয়া হবে। AD নির্ণয়ের ডেটাসেটে 69টি এবং ভিএডির 76টি উদাহরণ ছিল (সারণী 2) উভয় ডেটাসেটে, 12টি স্বাধীন বৈশিষ্ট্য ছিল। MoCA স্কোর শ্রেণীবিভাগে অন্তর্ভুক্ত 10টি বৈশিষ্ট্য ছাড়াও, রোগীর ইতিহাসে উচ্চ রক্তচাপ এবং স্ট্রোকের ইতিহাসের তথ্যও অন্তর্ভুক্ত রয়েছে।
2 নং টেবিল
নির্ণয়ের তীব্রতা শ্রেণীবিভাগের জন্য ব্যবহৃত মডেলিং স্কিমের বৈচিত্রের সারাংশ (হালকা বনাম গুরুতর)
| মডেলিং স্কিম | হালকা (নেতিবাচক ক্লাস) | গুরুতর (পজিটিভ ক্লাস) |
| MCI-AD বনাম AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD বনাম VaD | 38 (50.0%) | 38 (50.0%) |
প্রতিটি শ্রেণীর মোট রোগীর সংখ্যা এবং শতাংশ প্রাথমিক রোগ নির্ণয়ের বিভাগ (AD বা VaD) দ্বারা পৃথক করা হয়।
পরিসংখ্যান
প্রতিটি মডেল শ্রেণীবিভাগ কৌশলের জন্য সাব-ডেটাসেটের মধ্যে অংশগ্রহণকারীর বৈশিষ্ট্য এবং অন্যান্য সংখ্যাগত বৈশিষ্ট্যের তুলনা (MoCA জ্ঞানীয় স্বাস্থ্য এবং রোগ নির্ণয়ের তীব্রতার পূর্বাভাস দিতে) পাইথন প্রোগ্রামিং ভাষা (সংস্করণ 2.7.1) ব্যবহার করে সঞ্চালিত হয়েছিল [17]। মডেল পারফরম্যান্সের পার্থক্যগুলি প্রাথমিকভাবে 95% আত্মবিশ্বাসের ব্যবধান সহ একটি একক- বা দুই-ফ্যাক্টর (যথাযথ হিসাবে) ANOVA ব্যবহার করে এবং পারফরম্যান্সের উপায়গুলির তুলনা করার জন্য Tukey সৎ উল্লেখযোগ্য পার্থক্য (HSD) পরীক্ষা ব্যবহার করে নির্ধারণ করা হয়েছিল। মডেল পারফরম্যান্সের মধ্যে পার্থক্যের এই পরীক্ষাটি পাইথন এবং আর (সংস্করণ 3.5.1) [18] এর সংমিশ্রণ ব্যবহার করে সম্পাদিত হয়েছিল। আমরা এটিকে নিযুক্ত করেছি (যদিও, যুক্তিযুক্তভাবে সর্বোত্তম থেকে কম) পদ্ধতিটি শুধুমাত্র একটি হিউরিস্টিক সহায়তা হিসাবে প্রাথমিক পর্যায়ে সম্ভাব্য ক্লিনিকাল অ্যাপ্লিকেশনের প্রত্যাশায় প্রাথমিক মডেল কর্মক্ষমতা তুলনার জন্য। আমরা তারপরে মডেল পারফরম্যান্সের পার্থক্যের সম্ভাব্যতা নির্ধারণের জন্য একটি পশ্চাদবর্তী বন্টন ব্যবহার করে বায়েসিয়ান স্বাক্ষরিত-র্যাঙ্ক পরীক্ষাটি ব্যবহার করেছি [19]। এই বিশ্লেষণগুলির জন্য, আমরা ব্যবধান -0.01, 0.01 ব্যবহার করেছি, যা বোঝায় যে যদি দুটি গ্রুপের কর্মক্ষমতা 0.01-এর কম থাকে, তবে তাদের একই (ব্যবহারিক সমতা অঞ্চলের মধ্যে) হিসাবে বিবেচিত হত, বা অন্যথায় তারা আলাদা ছিল (একটি এর চেয়ে ভাল অন্যটি). ক্লাসিফায়ারগুলির বেয়েসিয়ান তুলনা করতে এবং এই সম্ভাব্যতাগুলি গণনা করতে, আমরা পাইথন 1.0.2 এর জন্য বেকম লাইব্রেরি (সংস্করণ 3.6.4) ব্যবহার করেছি।
ভবিষ্যদ্বাণীমূলক মডেলিং
আমরা প্রতিটি রোগীর এমওসিএ পরীক্ষার ফলাফল বা ক্লিনিকাল রোগ নির্ণয়ের তীব্রতা ভবিষ্যদ্বাণী করার জন্য আমাদের মডেলিং স্কিমগুলির মোট দশটি বৈচিত্র ব্যবহার করে ভবিষ্যদ্বাণীমূলক মডেল তৈরি করেছি। সমস্ত শিক্ষার্থীকে প্রয়োগ করা হয়েছিল এবং মডেলগুলি ওপেন সোর্স সফ্টওয়্যার প্ল্যাটফর্ম Weka ব্যবহার করে তৈরি করা হয়েছিল [20]। আমাদের প্রাথমিক বিশ্লেষণের জন্য, আমরা 10টি সাধারণভাবে ব্যবহৃত শেখার অ্যালগরিদম নিযুক্ত করেছি: 5-নিকটবর্তী প্রতিবেশী, C4.5 সিদ্ধান্ত গাছের দুটি সংস্করণ, লজিস্টিক রিগ্রেশন, মাল্টিলেয়ার পারসেপ্ট্রন, নেভ বেইস, র্যান্ডম ফরেস্টের দুটি সংস্করণ, রেডিয়াল বেসিস ফাংশন নেটওয়ার্ক এবং সমর্থন ভেক্টর। মেশিন। এই অ্যালগরিদমগুলির মূল বৈশিষ্ট্য এবং বৈপরীত্যগুলি অন্যত্র বর্ণনা করা হয়েছে [২১] (সংশ্লিষ্ট পরিশিষ্ট দেখুন)। এগুলিকে বেছে নেওয়া হয়েছিল কারণ তারা বিভিন্ন ধরণের শিক্ষার্থীর প্রতিনিধিত্ব করে এবং আমরা একই ধরণের ডেটার পূর্ববর্তী বিশ্লেষণে তাদের ব্যবহার করে সাফল্য প্রদর্শন করেছি৷ হাইপার-প্যারামিটার সেটিংস আমাদের পূর্ববর্তী গবেষণা থেকে বেছে নেওয়া হয়েছিল যা বিভিন্ন ধরণের ডেটাতে শক্তিশালী হওয়ার ইঙ্গিত দেয় [21]। পরবর্তীতে সম্পূর্ণ বিশ্লেষণে ব্যবহৃত সাধারণ বৈশিষ্ট্যগুলির সাথে একই সম্মিলিত ডেটাসেট ব্যবহার করে আমাদের প্রাথমিক বিশ্লেষণের ফলাফলের উপর ভিত্তি করে, আমরা তিনজন শিক্ষার্থীকে চিহ্নিত করেছি যারা সমস্ত শ্রেণিবিন্যাস জুড়ে ধারাবাহিকভাবে শক্তিশালী কর্মক্ষমতা প্রদান করেছে: লজিস্টিক রিগ্রেশন, নেভ বেইস এবং সমর্থন ভেক্টর মেশিন।
ক্রস-ভ্যালিডেশন এবং মডেল পারফরম্যান্স মেট্রিক
সমস্ত ভবিষ্যদ্বাণীমূলক মডেলিংয়ের জন্য (প্রাথমিক বিশ্লেষণ সহ), প্রতিটি মডেল 10-গুণ ক্রস বৈধতা ব্যবহার করে তৈরি করা হয়েছিল, এবং রিসিভার অপারেটিং চারিত্রিক বক্ররেখা (AUC) এর অধীনে এরিয়া ব্যবহার করে মডেলের কার্যকারিতা পরিমাপ করা হয়েছিল। 10টি মডেলিং স্কিম ডেটাসেটের প্রতিটিকে 10টি সমান সেগমেন্টে (ভাঁজ) এলোমেলোভাবে ভাগ করার মাধ্যমে ক্রস-ভ্যালিডেশন শুরু হয়েছে, মডেল প্রশিক্ষণের জন্য এই সংশ্লিষ্ট বিভাগগুলির মধ্যে নয়টি ব্যবহার করে এবং বাকি অংশকে পরীক্ষার জন্য। এই পদ্ধতিটি 10 বার পুনরাবৃত্তি করা হয়েছিল, প্রতিটি পুনরাবৃত্তিতে পরীক্ষার সেট হিসাবে একটি ভিন্ন সেগমেন্ট ব্যবহার করে। ফলাফলগুলি তারপর চূড়ান্ত মডেলের ফলাফল/কর্মক্ষমতা গণনা করতে একত্রিত হয়েছিল। প্রতিটি শিক্ষার্থী/ডেটাসেট সংমিশ্রণের জন্য, এই সম্পূর্ণ প্রক্রিয়াটি 10 বার পুনরাবৃত্তি হয়েছিল এবং প্রতিবার ডেটা আলাদাভাবে বিভক্ত হয়েছিল। এই শেষ ধাপটি পক্ষপাত কমিয়েছে, প্রতিলিপিযোগ্যতা নিশ্চিত করেছে এবং সামগ্রিক মডেলের কর্মক্ষমতা নির্ধারণে সাহায্য করেছে। মোট (এমওসিএ স্কোর এবং রোগ নির্ণয়ের তীব্রতা শ্রেণিবিন্যাস প্রকল্পের জন্য) 6,600টি মডেল তৈরি করা হয়েছিল। এর মধ্যে রয়েছে 1,800টি আনফিল্টার করা মডেল (6 মডেলিং স্কিম ডেটাসেটে প্রয়োগ করা হয়েছে×3 লার্নার×10 রান × 10টি ভাঁজ = 1,800 মডেল) এবং 4,800টি ফিল্টার করা মডেল (4টি মডেলিং স্কিম ডেটাসেটে প্রয়োগ করা হয়েছে×3 লার্নার×4 বৈশিষ্ট্য নির্বাচন কৌশল×10 রান× 10 ভাঁজ = 4,800 মডেল)।
বৈশিষ্ট্য নির্বাচন
ফিল্টার করা মডেলগুলির জন্য, বৈশিষ্ট্য নির্বাচন (চারটি বৈশিষ্ট্য র্যাঙ্কিং পদ্ধতি ব্যবহার করে) ক্রস-ভ্যালিডেশনের মধ্যে সম্পাদিত হয়েছিল। 10টি ভাঁজের প্রতিটির জন্য, ডেটাসেটের ভিন্ন 10% পরীক্ষার ডেটা হিসাবে, প্রতিটি প্রশিক্ষণ ডেটাসেটের জন্য শুধুমাত্র শীর্ষ চারটি নির্বাচিত বৈশিষ্ট্য (অর্থাৎ, অন্য নয়টি ভাঁজ, বা পুরো ডেটাসেটের অবশিষ্ট 90%) ব্যবহার করা হয়েছিল৷ মডেল তৈরি করতে। প্রতিটি মডেলে কোন চারটি বৈশিষ্ট্য ব্যবহার করা হয়েছে তা আমরা নিশ্চিত করতে পারিনি, কারণ সেই তথ্যটি আমরা যে মডেলিং প্ল্যাটফর্ম ব্যবহার করেছি তার মধ্যে সংরক্ষণ করা বা উপলব্ধ করা হয়নি (ওয়েকা)। যাইহোক, যখন র্যাঙ্কারগুলি সম্পূর্ণ সম্মিলিত ডেটাসেটে প্রয়োগ করা হয়েছিল এবং মডেলিং পারফরম্যান্সে পরবর্তী সাদৃশ্য রয়েছে তখন আমাদের শীর্ষ বৈশিষ্ট্যগুলির প্রাথমিক নির্বাচনের ধারাবাহিকতা দেওয়া হয়েছে, এই একই বৈশিষ্ট্যগুলি (বয়স, শিক্ষার বছর, MTx-% C, এবং মানে MTx-RT ) সম্ভবত ক্রস-ভ্যালিডেশন প্রক্রিয়ার মধ্যে বৈশিষ্ট্য নির্বাচনের সাথে সর্বাধিক প্রচলিত শীর্ষ চারটি ব্যবহার করা হয়।
ফলাফল
MoCA- নির্দেশিত জ্ঞানীয় স্বাস্থ্য (সাধারণ বনাম MCI) এবং রোগ নির্ণয়ের তীব্রতা (হালকা বনাম গুরুতর) ভবিষ্যদ্বাণী করার জন্য প্রতিটি মডেল শ্রেণীবিভাগের কৌশলগুলির জন্য সংশ্লিষ্ট ডেটাসেটের অংশগ্রহণকারীর সংখ্যাগত বৈশিষ্ট্য (MoCA স্কোর এবং MemTrax পারফরম্যান্স মেট্রিক্স সহ) সারণি 3 এ দেখানো হয়েছে।
3 নং টেবিল
অংশগ্রহণকারীদের বৈশিষ্ট্য, MoCA স্কোর, এবং প্রতিটি মডেলের শ্রেণীবিন্যাস কৌশলের জন্য MemTrax কর্মক্ষমতা
| শ্রেণিবিন্যাস কৌশল | বয়স | প্রশিক্ষণ | MoCA সামঞ্জস্য করা হয়েছে | MoCA সমন্বয়হীন | MTx-% C | MTx-RT |
| MoCA বিভাগ | 61.9 y (13.1) | 9.6 y (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 সেকেন্ড (0.3) |
| রোগ নির্ণয়ের তীব্রতা | 65.6 y (12.1) | 8.6 y (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 সেকেন্ড (0.3) |
মডেলিং শ্রেণীবিন্যাস কৌশল দ্বারা পৃথক দেখানো মানগুলি (মানে, SD) MoCA- নির্দেশিত জ্ঞানীয় স্বাস্থ্য (MCI বনাম স্বাভাবিক) এবং XL উপ-ডেটাসেট শুধুমাত্র রোগ নির্ণয়ের তীব্রতা (হালকা বনাম গুরুতর) ভবিষ্যদ্বাণী করতে ব্যবহৃত সম্মিলিত ডেটাসেটের প্রতিনিধি।
MoCA স্কোর (অ্যাডজাস্টেড/অ্যাডজাস্টেড) এবং থ্রেশহোল্ড (26/23) এর প্রতিটি সংমিশ্রণের জন্য একটি পরিসংখ্যানগত পার্থক্য ছিল (p = 0.000) বয়স, শিক্ষা এবং মেমট্র্যাক্স কর্মক্ষমতা (MTx-% C এবং MTx-RT) এর জন্য প্রতিটি যুগলভিত্তিক তুলনা (সাধারণ জ্ঞানীয় স্বাস্থ্য বনাম MCI)। প্রতিটি সংমিশ্রণের জন্য সংশ্লিষ্ট MCI শ্রেণীতে প্রতিটি রোগীর উপ-ডেটাসেট গড়ে প্রায় 9 থেকে 15 বছরের বেশি বয়সী, প্রায় পাঁচ বছরের কম শিক্ষার রিপোর্ট করা হয়েছে এবং উভয় মেট্রিকের জন্য কম অনুকূল মেমট্র্যাক্স কর্মক্ষমতা ছিল।
শীর্ষস্থানীয় তিনজন শিক্ষার্থী, লজিস্টিক রিগ্রেশন, নেভ বেইস এবং সাপোর্ট ভেক্টর মেশিন ব্যবহার করে MoCA স্কোর শ্রেণীবিভাগের জন্য ভবিষ্যদ্বাণীমূলক মডেলিং কর্মক্ষমতা ফলাফল সারণি 4-এ দেখানো হয়েছে। এই তিনটি বিভিন্ন মডেলের মধ্যে সবচেয়ে ধারাবাহিকভাবে উচ্চ পরম শিক্ষার্থীর পারফরম্যান্সের ভিত্তিতে বেছে নেওয়া হয়েছে। সমস্ত মডেলিং স্কিমের জন্য ডেটাসেটে প্রয়োগ করা হয়েছে। আনফিল্টারড ডেটাসেট এবং মডেলিংয়ের জন্য, সারণি 4-এর প্রতিটি ডেটা মান প্রতিটি শিক্ষার্থী/মডেলিং স্কিমের সংমিশ্রণের জন্য নির্মিত 100টি মডেল (10 রান × 10 ভাঁজ) থেকে প্রাপ্ত AUC সম্পর্কিত গড়ের উপর ভিত্তি করে মডেল পারফরম্যান্স নির্দেশ করে, সংশ্লিষ্ট সর্বোচ্চ সহ পারফর্মিং লার্নার বোল্ডে নির্দেশিত। যেখানে ফিল্টার করা ডেটাসেট মডেলিংয়ের জন্য, সারণি 4-তে রিপোর্ট করা ফলাফলগুলি প্রতিটি শিক্ষার্থীর জন্য 400 মডেলের সামগ্রিক গড় মডেল পারফরম্যান্সকে প্রতিফলিত করে প্রতিটি বৈশিষ্ট্য র্যাঙ্কিং পদ্ধতি ব্যবহার করে (4 বৈশিষ্ট্য র্যাঙ্কিং পদ্ধতি × 10 রান × 10 ভাঁজ)।
4 নং টেবিল
ডিকোটোমাস এমওসিএ স্কোর ক্লাসিফিকেশন পারফরম্যান্স (AUC; 0.0-1.0) সমস্ত সংশ্লিষ্ট মডেলিং স্কিমের জন্য তিনজন শীর্ষ-কার্যকারি শিক্ষার্থীর প্রত্যেকের জন্য ফলাফল
| ফিচার সেট ব্যবহার করা হয়েছে | MoCA স্কোর | কাটঅফ থ্রেশহোল্ড | পণ্য সরবরাহ সংশ্লেষণ | ন্যাভ বেইস | ভেক্টর মেশিনকে সাপর্ট কর |
| আনফিল্টার (10 বৈশিষ্ট্য) | স্থায়ী | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| অযৌক্তিক | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| ফিল্টার করা (4 বৈশিষ্ট্য) | স্থায়ী | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| অযৌক্তিক | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
বৈশিষ্ট্য সেট, MoCA স্কোর, এবং MoCA স্কোর কাটঅফ থ্রেশহোল্ডের বৈচিত্র ব্যবহার করে, প্রতিটি মডেলিং স্কিমের জন্য সর্বোচ্চ কর্মক্ষমতা দেখানো হয়েছে সাহসী (অবশ্যই পরিসংখ্যানগতভাবে অন্য সকলের চেয়ে আলাদা নয় সাহসী সংশ্লিষ্ট মডেলের জন্য)।
সম্মিলিত আনফিল্টারড ডেটাসেটে (অর্থাৎ, 23টি সাধারণ বৈশিষ্ট্য ব্যবহার করে) MoCA স্কোর সংস্করণ এবং থ্রেশহোল্ডের (যথাক্রমে সামঞ্জস্য করা/অনিয়ন্ত্রিত এবং 26/10) সমস্ত সংমিশ্রণ জুড়ে শিক্ষার্থীদের তুলনা করে, Naïve Bayes সাধারণভাবে সামগ্রিকভাবে শীর্ষ-কর্মক্ষমতা সম্পন্ন শিক্ষার্থী ছিলেন। 0.9093 এর শ্রেণীবিভাগ কর্মক্ষমতা। শীর্ষ তিনজন শিক্ষার্থীকে বিবেচনা করে, বায়েসিয়ান-সম্পর্কিত স্বাক্ষরিত-র্যাঙ্ক পরীক্ষাগুলি নির্দেশ করে যে সম্ভাব্যতা (Prলজিস্টিক রিগ্রেশনকে ছাড়িয়ে যাওয়া নেভ বেইসের 99.9% ছিল। অধিকন্তু, Naïve Bayes এবং Support Vector Machine এর মধ্যে, লার্নারের পারফরম্যান্সে ব্যবহারিক সমতার 21.0% সম্ভাবনা (এভাবে, সাপোর্ট ভেক্টর মেশিনের 79.0% সম্ভাবনার সাথে মিলিত, সাপোর্ট ভেক্টর মেশিনের ভাল পারফরমেন্স করার 0.0% সম্ভাবনা), Naïve Bayes-এর কর্মক্ষমতা সুবিধাকে শক্তিশালী করে। সমস্ত শিক্ষার্থী/থ্রেশহোল্ড জুড়ে MoCA স্কোর সংস্করণের আরও তুলনা সামঞ্জস্যহীন MoCA স্কোর বনাম সামঞ্জস্য (যথাক্রমে 0.9027 বনাম 0.8971) ব্যবহার করে সামান্য কর্মক্ষমতা সুবিধার পরামর্শ দিয়েছে; Pr (অনিয়ন্ত্রিত > সমন্বয় করা) = 0.988)। একইভাবে, সমস্ত শিক্ষার্থী এবং MoCA স্কোর সংস্করণ জুড়ে কাটঅফ থ্রেশহোল্ডের তুলনা 26 (যথাক্রমে 23 বনাম 0.9056) শ্রেণীবিন্যাস থ্রেশহোল্ড হিসাবে 0.8942 ব্যবহার করে একটি ছোট শ্রেণীবিভাগ কর্মক্ষমতা সুবিধা নির্দেশ করে। Pr (26 > 23) = 0.999)। সবশেষে, শুধুমাত্র ফিল্টার করা ফলাফল (অর্থাৎ, শুধুমাত্র শীর্ষস্থানীয় চারটি বৈশিষ্ট্য) ব্যবহার করে মডেলগুলির জন্য শ্রেণিবিন্যাস কর্মক্ষমতা পরীক্ষা করে, Naïve Bayes (0.9143) সমস্ত MoCA স্কোর সংস্করণ/থ্রেশহোল্ড জুড়ে সংখ্যাগতভাবে শীর্ষ-কর্মক্ষমতা সম্পন্ন শিক্ষার্থী ছিল। যাইহোক, সমস্ত বৈশিষ্ট্য র্যাঙ্কিং কৌশল মিলিয়ে, সমস্ত শীর্ষ-কর্মক্ষমতা সম্পন্ন শিক্ষার্থী একইভাবে পারফর্ম করেছে। বায়েসিয়ান স্বাক্ষরিত-র্যাঙ্ক পরীক্ষাগুলি ফিল্টার করা শিক্ষার্থীদের প্রতিটি জোড়ার মধ্যে ব্যবহারিক সমতার 100% সম্ভাবনা দেখায়। আনফিল্টার করা ডেটার মতো (সমস্ত 10টি সাধারণ বৈশিষ্ট্য ব্যবহার করে), আবারও এমওসিএ স্কোরের অসংযত সংস্করণের জন্য একটি কর্মক্ষমতা সুবিধা ছিল (Pr (অনিয়ন্ত্রিত > সমন্বয় করা) = 1.000), পাশাপাশি 26 (Pr (26 > 23) = 1.000)। উল্লেখযোগ্যভাবে, শুধুমাত্র শীর্ষস্থানীয় চারটি বৈশিষ্ট্য ব্যবহার করে সমস্ত MoCA স্কোর সংস্করণ/থ্রেশহোল্ড জুড়ে শীর্ষ তিনজন শিক্ষার্থীর প্রত্যেকের গড় পারফরম্যান্স অনফিল্টার করা ডেটাতে যেকোনো শিক্ষার্থীর গড় পারফরম্যান্সকে ছাড়িয়ে গেছে। আশ্চর্যের বিষয় নয়, ফিল্টার করা মডেলগুলির (শীর্ষ-র্যাঙ্কযুক্ত চারটি বৈশিষ্ট্য ব্যবহার করে) শ্রেণীবিন্যাস কর্মক্ষমতা সামগ্রিকভাবে অনফিল্টার করা মডেলগুলির (0.9119) থেকে উচ্চতর (0.8999) ছিল, বৈশিষ্ট্য র্যাঙ্কিং পদ্ধতির মডেলগুলি নির্বিশেষে যে সমস্ত 10টি সাধারণ ব্যবহার করে সংশ্লিষ্ট মডেলগুলির সাথে তুলনা করা হয়েছিল। বৈশিষ্ট্য প্রতিটি বৈশিষ্ট্য নির্বাচন পদ্ধতির জন্য, ফিল্টার না করা মডেলগুলির তুলনায় কার্যক্ষমতা সুবিধার 100% সম্ভাবনা ছিল।
AD নির্ণয়ের তীব্রতা শ্রেণীবিভাগের জন্য বিবেচিত রোগীদের সাথে, বয়সের জন্য গ্রুপের মধ্যে (MCI-AD বনাম AD) পার্থক্য (p = 0.004), শিক্ষা (p = 0.028), MoCA স্কোর সামঞ্জস্য/অনিয়ন্ত্রিত (p = 0.000), এবং MTx-% C (p = 0.008) পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ ছিল; যেখানে MTx-RT এর জন্য এটি ছিল না (p = ০.০৯৭)। VaD নির্ণয়ের তীব্রতা শ্রেণীবিভাগের জন্য বিবেচনা করা রোগীদের সাথে, MoCA স্কোরের জন্য গ্রুপের মধ্যে পার্থক্য (MCI-VaD বনাম VaD) সামঞ্জস্য করা/অনিয়ন্ত্রিত (p = 0.007) এবং MTx-% C (p = 0.026) এবং MTx-RT (p = 0.001) পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ ছিল; যদিও বয়সের জন্য (p = 0.511) এবং শিক্ষা (p = 0.157) গ্রুপের মধ্যে কোন উল্লেখযোগ্য পার্থক্য ছিল না।
পূর্বে নির্বাচিত তিনটি শিক্ষার্থী, লজিস্টিক রিগ্রেশন, নেভ বেইস এবং সাপোর্ট ভেক্টর মেশিন ব্যবহার করে নির্ণয়ের তীব্রতার শ্রেণীবিভাগের জন্য ভবিষ্যদ্বাণীমূলক মডেলিং কর্মক্ষমতা ফলাফল সারণী 5 এ দেখানো হয়েছে। যেখানে অতিরিক্ত পরীক্ষিত শিক্ষার্থীরা পৃথকভাবে দুটি ক্লিনিকাল ডায়াগনসিস ক্যাটাগরির একটির সাথে কিছুটা শক্তিশালী পারফরম্যান্স প্রদর্শন করেছে। , আমাদের পূর্ববর্তী মডেলিং-এ আমরা যে তিনজন শিক্ষার্থীকে সবচেয়ে অনুকূল হিসাবে চিহ্নিত করেছি তারা উভয় নতুন মডেলিং স্কিমের সাথে সবচেয়ে সামঞ্জস্যপূর্ণ পারফরম্যান্স প্রদান করেছে। প্রাথমিক নির্ণয়ের প্রতিটি বিভাগ (AD এবং VaD) জুড়ে শিক্ষার্থীদের তুলনা করে, MCI-VaD বনাম VaD-এর জন্য শিক্ষার্থীদের মধ্যে সামঞ্জস্যপূর্ণ শ্রেণীবিভাগ কর্মক্ষমতা পার্থক্য ছিল না, যদিও সাপোর্ট ভেক্টর মেশিন সাধারণত আরও বিশিষ্টভাবে সঞ্চালিত হয়। একইভাবে, MCI-AD বনাম AD শ্রেণীবিভাগের জন্য শিক্ষার্থীদের মধ্যে কোন উল্লেখযোগ্য পার্থক্য ছিল না, যদিও ন্যাভ বেইস (NB) এর লজিস্টিক রিগ্রেশন (LR) এর তুলনায় সামান্য পারফরম্যান্স সুবিধা ছিল এবং সমর্থন ভেক্টর মেশিনের তুলনায় শুধুমাত্র একটি নগণ্য বহুত্ব ছিল, যার সম্ভাবনা 61.4% এবং যথাক্রমে 41.7%। উভয় ডেটাসেট জুড়ে, সাপোর্ট ভেক্টর মেশিন (SVM) এর জন্য সামগ্রিক কর্মক্ষমতা সুবিধা ছিল Pr (SVM > LR) = 0.819 এবং Pr (SVM > NB) = 0.934। XL সাব-ডেটাসেটে রোগ নির্ণয়ের তীব্রতা ভবিষ্যদ্বাণী করার জন্য সমস্ত শিক্ষার্থীর মধ্যে আমাদের সামগ্রিক শ্রেণিবিন্যাস কর্মক্ষমতা ভিএডি ডায়াগনসিস বিভাগে AD (Pr (VAD > AD) = 0.998)।
5 নং টেবিল
ডিকোটোমাস ক্লিনিকাল ডায়াগনসিস সেভিরিটি ক্লাসিফিকেশন পারফরম্যান্স (AUC; 0.0–1.0) উভয় সংশ্লিষ্ট মডেলিং স্কিমগুলির জন্য তিনজন শীর্ষ-কর্মক্ষমতা সম্পন্ন শিক্ষার্থীদের প্রত্যেকের জন্য ফলাফল
| মডেলিং স্কিম | পণ্য সরবরাহ সংশ্লেষণ | ন্যাভ বেইস | ভেক্টর মেশিনকে সাপর্ট কর |
| MCI-AD বনাম AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD বনাম VaD | 0.8033 | 0.8044 | 0.8338 |
প্রতিটি মডেলিং স্কিমের জন্য সর্বোচ্চ কর্মক্ষমতা দেখানো হয়েছে সাহসী (অবশ্যই পরিসংখ্যানগতভাবে অন্যদের তুলনায় আলাদা নয় সাহসী).
আলোচনা
জ্ঞানীয় স্বাস্থ্যের পরিবর্তনগুলির প্রাথমিক সনাক্তকরণ গুরুত্বপূর্ণ ব্যক্তিগত স্বাস্থ্য ব্যবস্থাপনা এবং জনস্বাস্থ্যের ক্ষেত্রে ব্যবহারিক উপযোগ। প্রকৃতপক্ষে, বিশ্বব্যাপী রোগীদের জন্য ক্লিনিকাল সেটিংসেও এটি একটি উচ্চ অগ্রাধিকার। ভাগ করা লক্ষ্য হ'ল রোগী, যত্নশীল এবং প্রদানকারীদের সতর্ক করা এবং জ্ঞানীয় পতনের অভিজ্ঞতা শুরু করা ব্যক্তিদের জন্য পূর্বে উপযুক্ত এবং ব্যয়-কার্যকর চিকিত্সা এবং অনুদৈর্ঘ্য যত্নের জন্য প্রম্পট করা। আমাদের তিনটি হাসপাতাল/ক্লিনিক(গুলি) ডেটা সাবসেট একত্রিত করে, আমরা ব্যবহার করে ভবিষ্যদ্বাণীমূলক মডেলগুলি তৈরি করতে তিনটি স্বতন্ত্রভাবে পছন্দের শিক্ষার্থী (একটি উল্লেখযোগ্য স্ট্যান্ডআউট – নেভ বেয়েস সহ) চিহ্নিত করেছি MemTrax কর্মক্ষমতা মেট্রিক যা নির্ভরযোগ্যভাবে জ্ঞানীয় স্বাস্থ্য স্থিতি শ্রেণীবদ্ধ করতে পারে দ্বিমুখীভাবে (স্বাভাবিক জ্ঞানীয় স্বাস্থ্য বা MCI) একটি MoCA সমষ্টি স্কোর দ্বারা নির্দেশিত হবে। উল্লেখযোগ্যভাবে, তিনজন শিক্ষার্থীর জন্য সামগ্রিক শ্রেণিবিন্যাস কর্মক্ষমতা উন্নত হয়েছে যখন আমাদের মডেলগুলি শুধুমাত্র শীর্ষস্থানীয় চারটি বৈশিষ্ট্য ব্যবহার করেছে যা মূলত এই MemTrax কর্মক্ষমতা মেট্রিক্সকে অন্তর্ভুক্ত করে। তদুপরি, আমরা ডিমেনশিয়া রোগ নির্ণয়ের দুটি বিভাগের তীব্রতার পার্থক্য করার জন্য একটি ডায়াগনস্টিক সমর্থন শ্রেণীবিভাগ মডেলিং স্কিমে একই শিক্ষার্থী এবং মেমট্র্যাক্স কর্মক্ষমতা মেট্রিক্স ব্যবহার করার জন্য প্রমাণিত সম্ভাব্যতা প্রকাশ করেছি: AD এবং VaD।
মেমরি পরীক্ষা AD [23, 24] এর প্রাথমিক সনাক্তকরণের কেন্দ্রবিন্দু। সুতরাং, এটি উপযুক্ত যে মেমট্র্যাক্স একটি গ্রহণযোগ্য, আকর্ষক এবং অনলাইনে সহজে প্রয়োগ করা যায়। এপিসোডিক মেমরির জন্য স্ক্রীনিং পরীক্ষা সাধারণ জনগণের মধ্যে [6]। এই ক্রমাগত পারফরম্যান্স টাস্ক থেকে স্বীকৃতির নির্ভুলতা এবং প্রতিক্রিয়ার সময়গুলি বিশেষত শিক্ষা, স্মৃতি এবং জ্ঞানের সাথে সম্পর্কিত নিউরোপ্লাস্টিক প্রক্রিয়াগুলির প্রাথমিক এবং ক্রমবর্ধমান অবনতি এবং ফলস্বরূপ ঘাটতিগুলি সনাক্ত করতে প্রকাশ করে। অর্থাৎ, এখানকার মডেলগুলি যেগুলি মূলত মেমট্র্যাক্স কর্মক্ষমতা মেট্রিক্সের উপর ভিত্তি করে তৈরি করা হয়েছে সেগুলির প্রতি সংবেদনশীল এবং সহজেই এবং ন্যূনতম খরচের সাথে আরও উল্লেখযোগ্য কার্যকরী ক্ষতির আগে ট্রানজিশনাল অ্যাসিম্পটোম্যাটিক পর্যায়ে জৈবিক নিউরোপ্যাথলজিক ঘাটতি প্রকাশ করার সম্ভাবনা বেশি [25]। অ্যাশফোর্ড এট আল। মেমট্র্যাক্স [6] এর সাথে নিজেরাই অংশগ্রহণকারী অনলাইন ব্যবহারকারীদের স্বীকৃতি মেমরির নির্ভুলতা এবং প্রতিক্রিয়া সময়ের নিদর্শন এবং আচরণগুলি ঘনিষ্ঠভাবে পরীক্ষা করে। এই বন্টনগুলি সর্বোত্তম মডেলিং এবং বৈধ এবং কার্যকর রোগীর যত্ন অ্যাপ্লিকেশন বিকাশের ক্ষেত্রে গুরুত্বপূর্ণ বলে সম্মান করে, ক্লিনিকাল এবং গবেষণা ইউটিলিটির জন্য একটি মূল্যবান ভিত্তিগত রেফারেন্স প্রতিষ্ঠার জন্য ক্লিনিকালভাবে প্রযোজ্য স্বীকৃতি এবং প্রতিক্রিয়া সময় প্রোফাইলগুলি সংজ্ঞায়িত করা অপরিহার্য। প্রাথমিক পর্যায়ে জ্ঞানীয় বৈকল্য এবং ডিফারেনশিয়াল ডায়াগনস্টিক সহায়তার জন্য AD স্ক্রীনিং-এ MemTrax-এর ব্যবহারিক মূল্য তারপরে একটি ক্লিনিকাল সেটিং এর প্রেক্ষাপটে আরও ঘনিষ্ঠভাবে পরীক্ষা করা দরকার যেখানে পরীক্ষার কার্যকারিতাকে প্রভাবিত করে কমরবিডিটি এবং জ্ঞানীয়, সংবেদনশীল এবং মোটর ক্ষমতা বিবেচনা করা যেতে পারে। এবং পেশাদার দৃষ্টিকোণকে অবহিত করতে এবং ব্যবহারিক ক্লিনিকাল ইউটিলিটি উত্সাহিত করার জন্য, এটি একটি প্রতিষ্ঠিত জ্ঞানীয় স্বাস্থ্য মূল্যায়ন পরীক্ষার সাথে তুলনা প্রদর্শন করা প্রথম অপরিহার্য, যদিও পরবর্তীটি জটিল পরীক্ষার সরবরাহ, শিক্ষা এবং ভাষা প্রতিবন্ধকতা এবং সাংস্কৃতিক প্রভাব দ্বারা স্বীকৃতভাবে সীমাবদ্ধ হতে পারে [২৬] . এই বিষয়ে, MoCA-এর সাথে ক্লিনিকাল কার্যকারিতার ক্ষেত্রে MemTrax-এর অনুকূল তুলনা যা সাধারণত শিল্পের মান হিসাবে অভিহিত করা হয় তা তাৎপর্যপূর্ণ, বিশেষ করে যখন মেমট্র্যাক্স-এর উপযোগিতা এবং রোগীর গ্রহণযোগ্যতার বৃহত্তর স্বাচ্ছন্দ্যের ওজন করা হয়।
এমওসিএর সাথে মেমট্র্যাক্সের তুলনা করার পূর্ববর্তী অনুসন্ধান আমাদের মডেলিং তদন্তের জন্য যুক্তি এবং প্রাথমিক প্রমাণগুলিকে হাইলাইট করে [৮]। যাইহোক, এই পূর্বের তুলনাটি কেবলমাত্র দুটি মূল মেমট্র্যাক্স কর্মক্ষমতা মেট্রিক্সের সাথে জড়িত যা আমরা MoCA দ্বারা নির্ধারিত জ্ঞানীয় অবস্থার সাথে পরীক্ষা করেছি এবং সংশ্লিষ্ট রেঞ্জ এবং কাটঅফ মানগুলিকে সংজ্ঞায়িত করেছি। আমরা একটি ভবিষ্যদ্বাণীমূলক মডেলিং-ভিত্তিক পদ্ধতির অন্বেষণ করে মেমট্র্যাক্সের ক্লিনিকাল ইউটিলিটি মূল্যায়নকে আরও গভীর করেছি যা অন্যান্য সম্ভাব্য প্রাসঙ্গিক রোগী-নির্দিষ্ট পরামিতিগুলির আরও স্বতন্ত্র বিবেচনা প্রদান করবে। অন্যদের বিপরীতে, আমরা MoCA স্কোরের সাথে শিক্ষা সংশোধন (সামঞ্জস্য) ব্যবহার করে বা প্রাথমিকভাবে প্রস্তাবিত 8 থেকে 26 [23, 12] থেকে MoCA সমষ্টিগত স্কোর থ্রেশহোল্ডের বৈষম্যমূলক জ্ঞানীয় স্বাস্থ্যের বৈষম্য ব্যবহার করে মডেল পারফরম্যান্সে একটি সুবিধা খুঁজে পাইনি। প্রকৃতপক্ষে, শ্রেণীবিন্যাস কর্মক্ষমতা সুবিধা অপরিবর্তিত MoCA স্কোর এবং উচ্চ থ্রেশহোল্ড ব্যবহার করে অনুকূল।
ক্লিনিকাল অনুশীলনের মূল পয়েন্ট
মেশিন লার্নিং প্রায়শই ভবিষ্যদ্বাণীমূলক মডেলিংয়ে সর্বোত্তমভাবে ব্যবহার করা হয় এবং সবচেয়ে কার্যকরী হয় যখন ডেটা ব্যাপক এবং বহুমাত্রিক হয়, অর্থাৎ, যখন অসংখ্য পর্যবেক্ষণ এবং উচ্চ-মূল্যের (অবদানকারী) বৈশিষ্ট্যগুলির একটি সহগামী বিস্তৃত অ্যারে থাকে। তবুও, এই বর্তমান ডেটার সাথে, শুধুমাত্র চারটি নির্বাচিত বৈশিষ্ট্য সহ ফিল্টার করা মডেলগুলি 10টি সাধারণ বৈশিষ্ট্যগুলি ব্যবহার করে তাদের থেকে ভাল পারফর্ম করেছে৷ এটি পরামর্শ দেয় যে আমাদের সামগ্রিক হাসপাতালের ডেটাসেটে এইভাবে রোগীদের সর্বোত্তমভাবে শ্রেণিবদ্ধ করার জন্য সবচেয়ে ক্লিনিকভাবে উপযুক্ত (উচ্চ মান) বৈশিষ্ট্য ছিল না। তা সত্ত্বেও, মূল মেমট্র্যাক্স পারফরম্যান্স মেট্রিক্স-এমটিএক্স-% সি এবং এমটিএক্স-আরটি-এর উপর বৈশিষ্ট্য র্যাঙ্কিংয়ের জোর-এই পরীক্ষার চারপাশে প্রাথমিক পর্যায়ের জ্ঞানীয় ঘাটতি স্ক্রীনিং মডেলগুলি তৈরি করতে দৃঢ়ভাবে সমর্থন করে যা সহজ, পরিচালনা করা সহজ, কম খরচে এবং যথাযথভাবে প্রকাশ করে। মেমরি কর্মক্ষমতা, অন্তত এই মুহূর্তে জ্ঞানীয় স্বাস্থ্য অবস্থার একটি বাইনারি শ্রেণীবিভাগের জন্য একটি প্রাথমিক স্ক্রীন হিসাবে। প্রদানকারী এবং স্বাস্থ্যসেবা ব্যবস্থার উপর ক্রমাগত চাপের পরিপ্রেক্ষিতে, রোগীর স্ক্রীনিং প্রক্রিয়া এবং ক্লিনিকাল অ্যাপ্লিকেশনগুলি রোগীর বৈশিষ্ট্যগুলি এবং পরীক্ষার মেট্রিকগুলি সংগ্রহ, ট্র্যাকিং এবং মডেলিংয়ের উপর জোর দিয়ে উপযুক্তভাবে বিকাশ করা উচিত যা ডায়াগনস্টিক ক্ষেত্রে সবচেয়ে দরকারী, সুবিধাজনক এবং প্রমাণিত কার্যকর। এবং রোগী ব্যবস্থাপনা সমর্থন।
দুটি মূল মেমট্র্যাক্স মেট্রিক্স MCI শ্রেণীবিভাগের কেন্দ্রবিন্দুতে থাকায়, আমাদের টপ-পারফর্মিং লার্নার (Naïve Bayes) বেশিরভাগ মডেলে (AUC 0.90 এর বেশি) একটি সত্য-ইতিবাচক থেকে মিথ্যা-ইতিবাচক অনুপাত 4 এর কাছাকাছি বা কিছুটা ছাড়িয়ে যাওয়ার সাথে খুব উচ্চ ভবিষ্যদ্বাণীমূলক কর্মক্ষমতা ছিল। : 1. এই শিক্ষার্থীকে ব্যবহার করে একটি অনুবাদমূলক ক্লিনিকাল অ্যাপ্লিকেশন এইভাবে জ্ঞানীয় ঘাটতিযুক্ত ব্যক্তিদের বেশিরভাগকে ক্যাপচার করবে (সঠিকভাবে শ্রেণীবদ্ধ করবে), যখন সাধারণ জ্ঞানীয় স্বাস্থ্য সহ কাউকে ভুলভাবে জ্ঞানীয় ঘাটতি (মিথ্যা ইতিবাচক) বা শ্রেণীবদ্ধ করার সাথে সম্পর্কিত খরচ কমিয়ে দেবে। যাদের জ্ঞানীয় ঘাটতি (মিথ্যা নেতিবাচক) আছে তাদের মধ্যে সেই শ্রেণীবিভাগ অনুপস্থিত। ভুল শ্রেণিবিন্যাসের এই পরিস্থিতিগুলির যে কোনও একটি রোগী এবং যত্নশীলদের জন্য একটি অযাচিত মানসিক-সামাজিক বোঝা চাপিয়ে দিতে পারে।
যেখানে প্রাথমিক এবং সম্পূর্ণ বিশ্লেষণে আমরা প্রতিটি মডেলিং স্কিমে দশজন শিক্ষার্থীকে ব্যবহার করেছি, আমরা আমাদের ফলাফলগুলিকে সবচেয়ে ধারাবাহিক শক্তিশালী কর্মক্ষমতা প্রদর্শনকারী তিনটি শ্রেণিবিভাগের উপর ফোকাস করেছি। এটি হাইলাইট করার জন্যও ছিল, এই তথ্যগুলির উপর ভিত্তি করে, জ্ঞানীয় স্থিতি শ্রেণীবিভাগ নির্ধারণের ক্ষেত্রে একটি ব্যবহারিক ক্লিনিকাল অ্যাপ্লিকেশনে উচ্চ স্তরে প্রত্যাশিতভাবে নির্ভরযোগ্যভাবে পারফর্ম করবে। অধিকন্তু, যেহেতু এই অধ্যয়নটি জ্ঞানীয় স্ক্রীনিং এবং এই সময়োপযোগী ক্লিনিকাল চ্যালেঞ্জগুলির উপর মেশিন লার্নিংয়ের উপযোগিতার একটি প্রাথমিক তদন্ত হিসাবে উদ্দেশ্য ছিল, আমরা ন্যূনতম প্যারামিটার টিউনিং সহ শেখার কৌশলগুলিকে সহজ এবং সাধারণীকরণ করার সিদ্ধান্ত নিয়েছি। আমরা প্রশংসা করি যে এই পদ্ধতির আরও সংকীর্ণভাবে সংজ্ঞায়িত রোগী-নির্দিষ্ট ভবিষ্যদ্বাণী করার ক্ষমতার সম্ভাবনা সীমিত হতে পারে। একইভাবে, যেখানে শুধুমাত্র শীর্ষ বৈশিষ্ট্যগুলি (ফিল্টার করা পদ্ধতি) ব্যবহার করে মডেলগুলিকে প্রশিক্ষণ দেওয়া আমাদেরকে এই ডেটা সম্পর্কে আরও জানায় (সংগৃহীত ডেটার ত্রুটিগুলির জন্য এবং মূল্যবান ক্লিনিকাল সময় এবং সংস্থানগুলিকে অপ্টিমাইজ করার মান হাইলাইট করার জন্য নির্দিষ্ট), আমরা স্বীকার করি যে এটি সংকীর্ণ করা অকাল। মডেলগুলির সুযোগ এবং তাই, সমস্ত (এবং অন্যান্য বৈশিষ্ট্যগুলি) ভবিষ্যতের গবেষণার সাথে বিবেচনা করা উচিত যতক্ষণ না আমাদের কাছে অগ্রাধিকার বৈশিষ্ট্যগুলির আরও নির্দিষ্ট প্রোফাইল রয়েছে যা বিস্তৃত জনসংখ্যার জন্য প্রযোজ্য হবে। এইভাবে, আমরা এটিও সম্পূর্ণরূপে স্বীকার করি যে একটি কার্যকর ক্লিনিকাল অ্যাপ্লিকেশনে একীভূত করার আগে এইগুলি এবং অন্যান্য মডেলগুলির আরও অন্তর্ভুক্ত এবং বিস্তৃতভাবে প্রতিনিধিত্বমূলক ডেটা এবং অপ্টিমাইজেশন প্রয়োজনীয় হবে, বিশেষত জ্ঞানীয় কার্যকারিতাকে প্রভাবিত করে এমন সহজাততাগুলিকে মিটমাট করার জন্য যা আরও ক্লিনিকাল মূল্যায়নে বিবেচনা করা প্রয়োজন।
পৃথক ক্লিনিকাল নির্ণয়ের উপর ভিত্তি করে রোগের তীব্রতার মডেলিং দ্বারা মেমট্র্যাক্সের উপযোগিতা আরও উন্নত করা হয়েছিল। ভিএডি (AD এর তুলনায়) এর তীব্রতার পূর্বাভাস দেওয়ার ক্ষেত্রে একটি ভাল সামগ্রিক শ্রেণিবিন্যাস কর্মক্ষমতা ছিল না ভাস্কুলার স্বাস্থ্যের জন্য নির্দিষ্ট মডেলগুলিতে রোগীর প্রোফাইল বৈশিষ্ট্যগুলি দেওয়া আশ্চর্যজনক এবং স্ট্রোকের ঝুঁকি, যেমন, উচ্চ রক্তচাপ, হাইপারলিপিডেমিয়া, ডায়াবেটিস এবং (অবশ্যই) স্ট্রোকের ইতিহাস। যদিও সাধারণ জ্ঞানীয় স্বাস্থ্যের সাথে মিলিত রোগীদের উপর একই ধরনের ক্লিনিকাল মূল্যায়ন করাটা আরও বাঞ্ছনীয় এবং মানানসই হত যাতে এই আরও অন্তর্ভুক্ত ডেটা দিয়ে শিক্ষার্থীদের প্রশিক্ষণ দেওয়া যায়। এটি বিশেষভাবে নিশ্চিত, কারণ মেমট্র্যাক্স প্রাথমিকভাবে একটি জ্ঞানীয় ঘাটতি সনাক্তকরণ এবং স্বতন্ত্র পরিবর্তনের পরবর্তী ট্র্যাকিংয়ের জন্য প্রাথমিকভাবে ব্যবহার করার উদ্দেশ্যে। এটিও প্রশংসনীয় যে ভিএডি ডেটাসেটে ডেটার আরও আকাঙ্খিত বিতরণ তুলনামূলকভাবে ভাল মডেলিং পারফরম্যান্সের অংশে অবদান রেখেছে। ভিএডি ডেটাসেট দুটি শ্রেণীর মধ্যে ভালভাবে ভারসাম্যপূর্ণ ছিল, যেখানে অনেক কম এমসিআই রোগীর সাথে AD ডেটাসেট ছিল না। বিশেষ করে ছোট ডেটাসেটে, এমনকি কয়েকটি অতিরিক্ত উদাহরণ পরিমাপযোগ্য পার্থক্য করতে পারে। উভয় দৃষ্টিকোণ রোগের তীব্রতা মডেলিং কর্মক্ষমতা মধ্যে পার্থক্য অন্তর্নিহিত যুক্তিসঙ্গত যুক্তি. যাইহোক, আনুপাতিকভাবে ডেটাসেটের সংখ্যাগত বৈশিষ্ট্য বা বিবেচনাধীন ক্লিনিকাল উপস্থাপনার জন্য নির্দিষ্ট অন্তর্নিহিত বৈশিষ্ট্যগুলির জন্য উন্নত কর্মক্ষমতাকে দায়ী করা অকাল। তবুও, এই উপন্যাসটি ক্লিনিকাল ডায়াগনস্টিক সহায়তার ভূমিকায় একটি মেমট্র্যাক্স ভবিষ্যদ্বাণীমূলক শ্রেণিবিন্যাস মডেলের উপযোগিতা প্রদর্শন করে মূল্যবান দৃষ্টিভঙ্গি প্রদান করে এবং এমসিআই-এর ধারাবাহিকতা জুড়ে রোগীদের সাথে অতিরিক্ত পরীক্ষার জন্য সাধনা নিশ্চিত করে।
চীনে মেমট্র্যাক্স এবং এই মডেলগুলির বাস্তবায়ন এবং প্রদর্শিত উপযোগিতা, যেখানে ভাষা এবং সংস্কৃতি প্রতিষ্ঠিত ইউটিলিটির অন্যান্য অঞ্চলের (যেমন, ফ্রান্স, নেদারল্যান্ডস এবং মার্কিন যুক্তরাষ্ট্র) [7, 8, 27] থেকে ব্যাপকভাবে ভিন্ন, সম্ভাব্যতাকে আরও আন্ডারস্কোর করে মেমট্র্যাক্স-ভিত্তিক প্ল্যাটফর্মের ব্যাপক বিশ্বব্যাপী গ্রহণযোগ্যতা এবং ক্লিনিকাল মূল্যের জন্য। ডেটা সামঞ্জস্যের দিকে প্রয়াস এবং জ্ঞানীয় স্ক্রীনিংয়ের জন্য ব্যবহারিক আন্তর্জাতিক নিয়ম এবং মডেলিং সংস্থানগুলি বিকাশের ক্ষেত্রে এটি একটি প্রমাণযোগ্য উদাহরণ যা বিশ্বব্যাপী ব্যবহারের জন্য প্রমিত এবং সহজেই অভিযোজিত।
জ্ঞানীয় পতন মডেলিং এবং প্রয়োগের পরবর্তী পদক্ষেপ
AD-তে জ্ঞানীয় কর্মহীনতা প্রকৃতপক্ষে একটি ধারাবাহিকতায় ঘটে, বিচ্ছিন্ন পর্যায় বা ধাপে নয় [২৮, ২৯]। যাইহোক, এই প্রাথমিক পর্যায়ে, আমাদের লক্ষ্য ছিল প্রথমে মেমট্র্যাক্সকে অন্তর্ভুক্ত করে এমন একটি মডেল তৈরি করার ক্ষমতা তৈরি করা যা মৌলিকভাবে "স্বাভাবিক" থেকে "স্বাভাবিক নয়" পার্থক্য করতে পারে। আরও অন্তর্ভুক্ত অভিজ্ঞতামূলক ডেটা (যেমন, মস্তিষ্কের ইমেজিং, জেনেটিক বৈশিষ্ট্য, বায়োমার্কার, কমরবিডিটি, এবং জটিলতার কার্যকরী মার্কার জ্ঞানীয় প্রয়োজন কার্যকলাপ নিয়ন্ত্রণ) [৩০] বৈচিত্র্যময় বৈশ্বিক অঞ্চল, জনসংখ্যা এবং বয়স গোষ্ঠী জুড়ে প্রশিক্ষণ এবং আরও পরিশীলিত (যথাযথভাবে ওজনযুক্ত এনসেম্বল সহ) মেশিন লার্নিং মডেলগুলি উন্নত শ্রেণীবিভাগকে সমর্থন করবে, অর্থাৎ রোগীদের গোষ্ঠীগুলিকে শ্রেণীবদ্ধ করার ক্ষমতা। জ্ঞানীয় পতনের ধারাবাহিকতায় MCI আরও ছোট এবং আরও নির্দিষ্ট উপসেটে পরিণত হয়। অধিকন্তু, আঞ্চলিকভাবে বিভিন্ন রোগীর জনসংখ্যা জুড়ে ব্যক্তিদের জন্য সহগামী ক্লিনিকাল রোগ নির্ণয় অপরিহার্য। কার্যকরভাবে প্রশিক্ষণ এই আরও অন্তর্ভুক্তিমূলক এবং অনুমানযোগ্যভাবে শক্তিশালী মডেল। এটি অনুরূপ ব্যাকগ্রাউন্ড, প্রভাব এবং আরও সংকীর্ণভাবে সংজ্ঞায়িত চারিত্রিক জ্ঞানীয় প্রোফাইল যাদের জন্য আরও সুনির্দিষ্ট স্তরীকৃত কেস পরিচালনার সুবিধা দেবে এবং এইভাবে ক্লিনিকাল সিদ্ধান্ত সমর্থন এবং রোগীর যত্নকে অপ্টিমাইজ করবে।
এখন পর্যন্ত প্রাসঙ্গিক ক্লিনিকাল গবেষণার বেশিরভাগই অন্তত হালকা ডিমেনশিয়া রোগীদের সম্বোধন করেছে; এবং, বাস্তবে, প্রায়শই রোগীর হস্তক্ষেপ শুধুমাত্র উন্নত পর্যায়ে চেষ্টা করা হয়। যাইহোক, যেহেতু স্মৃতিভ্রংশের জন্য ক্লিনিকাল মানদণ্ড পূরণ হওয়ার আগেই জ্ঞানীয় পতন শুরু হয়, একটি কার্যকরভাবে প্রয়োগ করা মেমট্র্যাক্স-ভিত্তিক প্রাথমিক স্ক্রীন রোগ এবং এর অগ্রগতি সম্পর্কে ব্যক্তিদের উপযুক্ত শিক্ষাকে উত্সাহিত করতে পারে এবং দ্রুত এবং আরও সময়োপযোগী হস্তক্ষেপ করতে পারে। এইভাবে, প্রাথমিক সনাক্তকরণ ব্যায়াম, ডায়েট, মানসিক সমর্থন, এবং উন্নত সামাজিকীকরণ থেকে ফার্মাকোলজিকাল হস্তক্ষেপ পর্যন্ত উপযুক্ত জড়িতদের সমর্থন করতে পারে এবং আচরণ এবং উপলব্ধিতে রোগী-সম্পর্কিত পরিবর্তনগুলিকে শক্তিশালী করতে পারে যে একক বা সামগ্রিকভাবে ডিমেনশিয়া অগ্রগতি হ্রাস বা সম্ভাব্যভাবে বন্ধ করতে পারে [31, 32] . তদুপরি, কার্যকরী সহ প্রাথমিক স্ক্রীনিং, ব্যক্তি এবং তাদের পরিবারগুলিকে ক্লিনিকাল ট্রায়ালগুলি বিবেচনা করতে বা প্রত্যাশা এবং উদ্দেশ্যগুলিকে স্পষ্ট করতে এবং দৈনন্দিন কাজগুলি পরিচালনা করতে সাহায্য করার জন্য পরামর্শ এবং অন্যান্য সামাজিক পরিষেবাগুলির সহায়তা পেতে অনুরোধ করা হতে পারে৷ এই উপায়ে আরও বৈধতা এবং ব্যাপক ব্যবহারিক উপযোগিতা অনেক ব্যক্তির জন্য MCI, AD, এবং ADRD-এর অগ্রগতি হ্রাস বা বন্ধ করতে সহায়ক হতে পারে।
প্রকৃতপক্ষে, আমাদের গবেষণায় রোগীর বয়স সীমার নিম্ন প্রান্তটি AD এর সাথে ঐতিহ্যগত উদ্বেগের জনসংখ্যাকে প্রতিনিধিত্ব করে না। তা সত্ত্বেও, MoCA স্কোর/থ্রেশহোল্ড এবং রোগ নির্ণয়ের তীব্রতা (টেবিল 3) এর উপর ভিত্তি করে শ্রেণীবিভাগ মডেলিং স্কিমগুলিতে ব্যবহৃত প্রতিটি গোষ্ঠীর গড় বয়স কমপক্ষে 80 বছর বয়সী হওয়ার স্পষ্ট সংখ্যাগরিষ্ঠতা (50% এর বেশি) আন্ডারস্কোর করে। এইভাবে এই বন্টনটি সাধারণীকরণের জন্য খুবই উপযুক্ত, জনসংখ্যার মধ্যে এই মডেলগুলির উপযোগিতাকে সমর্থন করে যা সাধারণত প্রভাবিত হয় প্রথম সূত্রপাত এবং AD এবং VaD এর কারণে স্নায়ু জ্ঞানীয় অসুস্থতা বৃদ্ধি পাচ্ছে। এছাড়াও, সাম্প্রতিক প্রমাণ এবং দৃষ্টিভঙ্গি সেই স্বীকৃত কারণগুলিকে চাপ দেয় (যেমন, উচ্চ রক্তচাপ, স্থূলতা, ডায়াবেটিস এবং ধূমপান) সম্ভাব্যভাবে উচ্চতর প্রথম দিকে অবদান রাখে প্রাপ্তবয়স্ক এবং মধ্যজীবনের ভাস্কুলার রিস্ক স্কোর এবং এর ফলে সূক্ষ্ম ভাস্কুলার ব্রেইন ইনজুরি যা অল্পবয়স্কদের মধ্যেও স্পষ্ট প্রভাব সহ প্রতারণামূলকভাবে বিকশিত হয় প্রাপ্তবয়স্ক [৩৩-৩৫]। তদনুসারে, প্রথম দিকে সনাক্তকরণের জন্য সবচেয়ে অনুকূল প্রাথমিক স্ক্রীনিং সুযোগ পর্যায় জ্ঞানীয় ঘাটতি এবং সফলভাবে ডিমেনশিয়া মোকাবেলায় কার্যকর প্রতিরোধ এবং হস্তক্ষেপ কৌশল শুরু করা প্রারম্ভিক প্রাপ্তবয়স্কতা এবং সম্ভাব্য এমনকি শৈশব (প্রাথমিক গর্ভাবস্থা থেকে এপোলিপোপ্রোটিন ই-এর মতো জেনেটিক কারণগুলির প্রাসঙ্গিকতা লক্ষ্য করে) সহ বয়সের স্পেকট্রাম জুড়ে অবদানকারী কারণগুলি এবং পূর্ববর্তী সূচকগুলি পরীক্ষা করে আবির্ভূত হবে।
অনুশীলনে, উন্নত ইমেজিং, জেনেটিক প্রোফাইলিং, এবং প্রতিশ্রুতিশীল বায়োমার্কার পরিমাপের জন্য বৈধ ক্লিনিকাল রোগ নির্ণয় এবং ব্যয়বহুল পদ্ধতিগুলি সর্বদা সহজলভ্য নয় বা এমনকি অনেক প্রদানকারীদের জন্য সম্ভবপর নয়। এইভাবে, অনেক ক্ষেত্রে, প্রাথমিক সামগ্রিক জ্ঞানীয় স্বাস্থ্য অবস্থার শ্রেণীবিভাগ রোগীর দ্বারা প্রদত্ত অন্যান্য সাধারণ মেট্রিক্স ব্যবহার করে মডেলগুলি থেকে প্রাপ্ত হতে হতে পারে (যেমন, স্ব-প্রতিবেদিত মেমরি সমস্যা, বর্তমান ওষুধ, এবং রুটিন কার্যকলাপ সীমাবদ্ধতা) এবং সাধারণ জনসংখ্যাগত বৈশিষ্ট্য [7]। রেজিস্ট্রি যেমন ক্যালিফোর্নিয়া বিশ্ববিদ্যালয় মস্তিষ্ক স্বাস্থ্য রেজিস্ট্রি (https://www.brainhealthregistry.org/) [27] এবং অন্যদের সাথে স্ব-প্রতিবেদিত লক্ষণগুলির অন্তর্নিহিত বৃহত্তর প্রশস্ততা, গুণগত ব্যবস্থা (যেমন, ঘুম এবং প্রতিদিনের জ্ঞান), ওষুধ, স্বাস্থ্যের অবস্থা, এবং ইতিহাস, এবং ক্লিনিকে এই আরও আদিম মডেলগুলির ব্যবহারিক প্রয়োগের বিকাশ এবং যাচাইকরণে আরও বিস্তারিত জনসংখ্যার সহায়ক হবে। আরও, মেমট্র্যাক্সের মতো একটি পরীক্ষা, যা মেমরি ফাংশন মূল্যায়নে উপযোগিতা প্রদর্শন করেছে, বাস্তবে জৈবিক মার্কারগুলির তুলনায় AD প্যাথলজির যথেষ্ট ভাল অনুমান প্রদান করতে পারে। প্রদত্ত যে AD প্যাথলজির মূল বৈশিষ্ট্য হল নিউরোপ্লাস্টিসিটির ব্যাঘাত এবং সিন্যাপসের একটি অত্যধিক জটিল ক্ষতি, যা এপিসোডিক হিসাবে প্রকাশ পায়। মেমরি ডিসফাংশন, একটি পরিমাপ যা এপিসোডিক মেমরির মূল্যায়ন করে জীবিত রোগীর জৈবিক মার্কারগুলির তুলনায় এডি প্যাথলজিকাল বোঝার একটি ভাল অনুমান সরবরাহ করুন [36]।
সমস্ত ভবিষ্যদ্বাণীমূলক মডেলের সাথে - অত্যাধুনিক প্রযুক্তি থেকে জটিল এবং অন্তর্ভুক্তিমূলক ডেটা এবং একাধিক ডোমেন জুড়ে পরিমার্জিত ক্লিনিকাল অন্তর্দৃষ্টি দ্বারা পরিপূরক হোক বা বিদ্যমান রোগীর প্রোফাইলগুলির বৈশিষ্ট্যযুক্ত আরও মৌলিক এবং সহজে উপলব্ধ তথ্যের মধ্যে সীমাবদ্ধ - কৃত্রিম বুদ্ধিমত্তার স্বীকৃত সুবিধা এবং মেশিন লার্নিং হল যে ফলস্বরূপ মডেলগুলি চলমান অ্যাপ্লিকেশন ব্যবহার দ্বারা প্রদত্ত প্রাসঙ্গিক নতুন ডেটা এবং দৃষ্টিকোণ থেকে সংশ্লেষিত এবং প্রবর্তকভাবে "শিখতে" পারে। ব্যবহারিক প্রযুক্তি স্থানান্তর অনুসরণ করে, যেহেতু এখানে মডেলগুলি (এবং বিকাশ করা হবে) প্রয়োগ করা হয়েছে এবং আরও বেশি কেস এবং প্রাসঙ্গিক ডেটা দিয়ে সমৃদ্ধ করা হয়েছে (আগামী জ্ঞানীয় পতনের সাথে উপস্থিত হতে পারে এমন রোগীদের সহ), ভবিষ্যদ্বাণী কার্যক্ষমতা এবং জ্ঞানীয় স্বাস্থ্য শ্রেণীবিভাগ আরও শক্তিশালী হবে, আরো কার্যকর ক্লিনিকাল সিদ্ধান্ত সমর্থন ইউটিলিটি ফলে. মেমট্র্যাক্সকে কাস্টম (উপলব্ধ ক্ষমতার জন্য লক্ষ্যযুক্ত) প্ল্যাটফর্মগুলিতে এম্বেড করার মাধ্যমে এই বিবর্তনটি আরও সম্পূর্ণ এবং কার্যত উপলব্ধি করা হবে যা স্বাস্থ্যসেবা প্রদানকারীরা ক্লিনিকে রিয়েল-টাইমে ব্যবহার করতে পারে।
ডায়াগনস্টিক সহায়তা এবং রোগীর যত্নের জন্য মেমট্র্যাক্স মডেলের বৈধতা এবং উপযোগের জন্য প্রয়োজনীয় অর্থপূর্ণ অনুদৈর্ঘ্য ডেটার জন্য অত্যন্ত প্রয়োজন। প্রাথমিক পর্যায়ে এমসিআই-এর মাধ্যমে স্বাভাবিকের পর্যাপ্ত পরিসর জুড়ে ক্লিনিকাল অবস্থার সহগামী পরিবর্তনগুলি (যদি থাকে) পর্যবেক্ষণ এবং রেকর্ড করার মাধ্যমে, উপযুক্ত চলমান মূল্যায়ন এবং শ্রেণীবিভাগের মডেলগুলিকে প্রশিক্ষিত করা যেতে পারে এবং রোগীর বয়স হিসাবে সংশোধন করা যেতে পারে এবং চিকিত্সা করা হয়। অর্থাৎ, বারবার ইউটিলিটি হালকা জ্ঞানীয় পরিবর্তনের অনুদৈর্ঘ্য ট্র্যাকিং, হস্তক্ষেপের কার্যকারিতা এবং অবহিত স্তরিত যত্ন বজায় রাখতে সহায়তা করতে পারে। এই পদ্ধতিটি ক্লিনিকাল অনুশীলন এবং রোগী এবং কেস ব্যবস্থাপনার সাথে আরও ঘনিষ্ঠভাবে সারিবদ্ধ।
সীমাবদ্ধতা
আমরা একটি নিয়ন্ত্রিত ক্লিনিক/হাসপাতাল সেটিংয়ে পরিষ্কার ক্লিনিকাল ডেটা সংগ্রহ করার চ্যালেঞ্জ এবং মূল্যের প্রশংসা করি। তা সত্ত্বেও, যদি আমাদের ডেটাসেটে সাধারণ বৈশিষ্ট্য সহ আরও রোগী অন্তর্ভুক্ত থাকে তবে এটি আমাদের মডেলিংকে শক্তিশালী করত। অধিকন্তু, আমাদের ডায়াগনসিস মডেলিংয়ের জন্য নির্দিষ্ট, শিক্ষার্থীদের প্রশিক্ষণ দেওয়ার জন্য স্বাভাবিক জ্ঞানীয় স্বাস্থ্যের সাথে মিলিত রোগীদের উপর একই ক্লিনিকাল মূল্যায়ন করা আরও বাঞ্ছনীয় এবং উপযুক্ত হবে। এবং ফিল্টার করা ডেটাসেট ব্যবহার করে উচ্চ শ্রেণীবিভাগ কর্মক্ষমতা দ্বারা আন্ডারস্কোর করা হয়েছে (শুধুমাত্র শীর্ষস্থানীয় চারটি বৈশিষ্ট্য), আরও সাধারণ এবং জ্ঞানীয় স্বাস্থ্য ব্যবস্থা/সূচকগুলি সম্ভবত উন্নত হবে সমস্ত রোগীদের মধ্যে বৃহত্তর সংখ্যক সাধারণ বৈশিষ্ট্য সহ মডেলিং কর্মক্ষমতা।
কিছু অংশগ্রহণকারী একযোগে অন্যান্য অসুস্থতার সম্মুখীন হতে পারে যা ক্ষণস্থায়ী বা দীর্ঘস্থায়ী জ্ঞানীয় ঘাটতিকে প্ররোচিত করতে পারে। XL সাব-ডেটাসেট ব্যতীত যেখানে রোগীদের নির্ণয়েরভাবে AD বা VaD হিসাবে শ্রেণীবদ্ধ করা হয়েছিল, YH রোগীর পুলে কমোর্বিডিটি ডেটা সংগ্রহ করা হয়নি/রিপোর্ট করা হয়নি, এবং KM সাব-ডেটাসেটের মধ্যে সর্বাধিক রিপোর্ট করা কমোর্বিডিটি ছিল ডায়াবেটিস। তবে এটা তর্কযোগ্য যে, আমাদের মডেলিং স্কিমগুলিতে কমরবিডিটি সহ রোগীদের অন্তর্ভুক্ত করে যা জ্ঞানীয় ঘাটতির স্তরকে প্রম্পট বা বাড়িয়ে তুলতে পারে এবং ফলস্বরূপ নিম্ন MemTrax কর্মক্ষমতা এই আরও সাধারণীকৃত প্রাথমিক জ্ঞানীয় স্ক্রীনিংয়ের জন্য বাস্তব-বিশ্বের লক্ষ্যযুক্ত রোগীর জনসংখ্যার আরও প্রতিনিধি হবে। এবং মডেলিং পদ্ধতি। সামনের দিকে অগ্রসর হওয়া, সম্ভাব্যভাবে জ্ঞানীয় কর্মক্ষমতাকে প্রভাবিত করে কমরবিডিটিগুলির সঠিক নির্ণয় মডেলগুলি এবং ফলস্বরূপ রোগীর যত্নের অ্যাপ্লিকেশনগুলিকে অপ্টিমাইজ করার জন্য ব্যাপকভাবে উপকারী।
সবশেষে, YH এবং KM সাব-ডেটাসেট রোগীরা মেমট্র্যাক্স পরীক্ষা নেওয়ার জন্য একটি স্মার্টফোন ব্যবহার করেন, যেখানে XL উপ-ডেটাসেটের সীমিত সংখ্যক রোগী একটি আইপ্যাড ব্যবহার করেন এবং বাকিরা একটি স্মার্টফোন ব্যবহার করেন। এটি MoCA শ্রেণীবিভাগের মডেলিংয়ের জন্য MemTrax কর্মক্ষমতাতে একটি ছোট ডিভাইস-সম্পর্কিত পার্থক্য চালু করতে পারে। যাইহোক, MTx-RT-তে পার্থক্য (যদি থাকে), উদাহরণস্বরূপ, ডিভাইসগুলির মধ্যে সম্ভবত নগণ্য হবে, বিশেষ করে প্রতিটি অংশগ্রহণকারীকে রেকর্ড করা পরীক্ষার পারফরম্যান্সের ঠিক আগে একটি "অনুশীলন" পরীক্ষা দেওয়া হবে। তবুও, এই দুটি হ্যান্ডহেল্ড ডিভাইসের ইউটিলিটি সম্ভাব্যভাবে অন্যান্য মেমট্র্যাক্স ফলাফলের সাথে সরাসরি তুলনা এবং/অথবা একীকরণের সাথে আপস করে যেখানে ব্যবহারকারীরা কম্পিউটার কীবোর্ডে স্পেসবার স্পর্শ করে ছবি পুনরাবৃত্তি করার প্রতিক্রিয়া জানায়।
মেমট্র্যাক্স ভবিষ্যদ্বাণীমূলক মডেলিং ইউটিলিটির মূল পয়েন্ট
- • নির্বাচিত MemTrax পারফরম্যান্স মেট্রিক্সকে অন্তর্ভুক্ত করে আমাদের শীর্ষ-সম্পাদনা ভবিষ্যদ্বাণীমূলক মডেলগুলি বিশ্বস্তভাবে জ্ঞানীয় স্বাস্থ্যের অবস্থা (স্বাভাবিক জ্ঞানীয় স্বাস্থ্য বা MCI) শ্রেণীবদ্ধ করতে পারে যা ব্যাপকভাবে স্বীকৃত MoCA পরীক্ষার দ্বারা নির্দেশিত হবে।
- • এই ফলাফল প্রাথমিক পর্যায়ে জ্ঞানীয় বৈকল্যের জন্য একটি শ্রেণীবিভাগ ভবিষ্যদ্বাণীমূলক মডেল স্ক্রীনিং অ্যাপ্লিকেশনে নির্বাচিত MemTrax কর্মক্ষমতা মেট্রিক্সের একীকরণ সমর্থন করে।
- • আমাদের শ্রেণীবিভাগ মডেলিং ডিমেনশিয়া রোগ নির্ণয়ের তীব্রতা আলাদা করার জন্য অ্যাপ্লিকেশনগুলিতে মেমট্র্যাক্স কর্মক্ষমতা ব্যবহারের সম্ভাবনাও প্রকাশ করেছে।
এই অভিনব অনুসন্ধানগুলি জ্ঞানীয় বৈকল্যের সম্মুখীন ব্যক্তিদের জন্য কার্যকর ক্লিনিকাল কেস ম্যানেজমেন্ট এবং রোগীর যত্নে ডায়াগনস্টিক সহায়তার জন্য উন্নত শক্তিশালী মেমট্র্যাক্স-ভিত্তিক শ্রেণিবিন্যাস মডেল তৈরিতে মেশিন লার্নিংয়ের উপযোগীতাকে সমর্থন করে নিশ্চিত প্রমাণ স্থাপন করে।
স্বীকার
আমরা জে. ওয়েসন অ্যাশফোর্ড, কার্টিস বি. অ্যাশফোর্ড এবং এখানে ব্যবহৃত অনলাইন ক্রমাগত স্বীকৃতি টাস্ক এবং টুল (MemTrax) বিকাশ ও যাচাই করার জন্য সহকর্মীদের কাজকে স্বীকৃতি দিই এবং আমরা কৃতজ্ঞ ডিমেনশিয়া আক্রান্ত অসংখ্য রোগীর কাছে যারা সমালোচনামূলক মৌলিক গবেষণায় অবদান রেখেছেন। . আমরা Xianbo Zhou এবং SJN Biomed LTD-এর তার সহকর্মী, হাসপাতাল/ক্লিনিক সাইটগুলিতে তার সহকর্মী এবং সহযোগীদের, বিশেষ করে Drs-কে ধন্যবাদ জানাই। এম. লুও এবং এম. ঝং, যারা অংশগ্রহণকারীদের নিয়োগ, পরীক্ষার সময় নির্ধারণ, এবং তথ্য সংগ্রহ, রেকর্ডিং এবং ফ্রন্ট-এন্ড পরিচালনায় সহায়তা করেছিলেন এবং স্বেচ্ছাসেবক অংশগ্রহণকারীরা যারা তাদের মূল্যবান সময় দান করেছিলেন এবং পরীক্ষা নেওয়ার প্রতিশ্রুতি দিয়েছিলেন এবং প্রদান করেছিলেন এই গবেষণায় মূল্যায়ন করার জন্য মূল্যবান ডেটা। এই অধ্যয়নটি এমডি সায়েন্টিফিক রিসার্চ দ্বারা আংশিকভাবে সমর্থিত ছিল কুনমিং মেডিকেল ইউনিভার্সিটির প্রোগ্রাম (অনুদান নং 2017BS028 থেকে XL) এবং ইউনান বিজ্ঞান ও প্রযুক্তি বিভাগের গবেষণা কার্যক্রম (অনুদান নং 2019FE001 (-222) থেকে XL)।
জে. ওয়েসন অ্যাশফোর্ড সাধারণের জন্য এই কাগজে বর্ণিত নির্দিষ্ট ক্রমাগত স্বীকৃতি দৃষ্টান্ত ব্যবহারের জন্য একটি পেটেন্ট আবেদন দায়ের করেছেন মেমরি পরীক্ষা.
MemTrax, LLC কার্টিস অ্যাশফোর্ডের মালিকানাধীন একটি কোম্পানি, এবং এই কোম্পানিটি পরিচালনা করছে মেমরি পরীক্ষা এই কাগজে বর্ণিত সিস্টেম।
লেখকদের প্রকাশ অনলাইনে উপলব্ধ (https://www.j-alz.com/manuscript-disclosures/19-1340r2)।
তথ্যসূত্র
| [1] আলঝাইমার অ্যাসোসিয়েশন (2016) 2016 আলঝেইমার রোগের তথ্য এবং পরিসংখ্যান। আলঝেইমার ডিমেন্ট 12, 459-509। | |
| [২] গ্রেসেঞ্জ সিআর, মিচেল জেএম, মাররোন জে, ফেদেরফ এইচজে (২০১৯) প্রাথমিক পর্যায়ের প্রভাব আলঝেইমার রোগ পরিবারের আর্থিক ফলাফলের উপর। স্বাস্থ্য অর্থনীতি 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) মানের উন্নতি নিউরোলজি: হালকা জ্ঞানীয় দুর্বলতা গুণমান পরিমাপ সেট। নিউরোলজি 93, 705-713। |
| [৪] টং টি , থোকালা পি , ম্যাকমিলান বি , ঘোষ আর , ব্রাজিয়ার জে (4) ব্যবহারের খরচ কার্যকারিতা প্রাথমিক যত্নে ডিমেনশিয়া এবং হালকা জ্ঞানীয় দুর্বলতা সনাক্ত করার জন্য জ্ঞানীয় স্ক্রীনিং পরীক্ষা. Int J Geriatr সাইকিয়াট্রি 32, 1392–1400। | |
| [৫] অ্যাশফোর্ড জেডব্লিউ, গেরে ই, বেলি পিজে (২০১১) মেমরি পরিমাপ একটি ক্রমাগত স্বীকৃতি পরীক্ষা ব্যবহার করে বড় গ্রুপ সেটিংসে। J Alzheimers Dis 27, 885–895. | |
| [6] | Ashford JW , Tarpin-Bernard F , Ashford CB , Ashford MT (2019) এপিসোডিক মেমরি পরিমাপের জন্য একটি কম্পিউটারাইজড ক্রমাগত-স্বীকৃতির কাজ। J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) জ্ঞানীয় স্বাস্থ্য অবস্থা শ্রেণীবিভাগের পূর্বাভাস দেওয়ার জন্য মেশিন লার্নিং মডেলিং-এ এপিসোডিক-মেমরি পারফরম্যান্স। J Alzheimers Dis 70, 277–286. |
| [৮] ভ্যান ডের হোয়েক এমডি, নিউয়েনহুইজেন এ, কেইজার জে, অ্যাশফোর্ড জেডব্লিউ (২০১৯) দ্য মেমট্র্যাক্স পরীক্ষা হালকা জ্ঞানীয় দুর্বলতার মন্ট্রিল জ্ঞানীয় মূল্যায়ন অনুমানের তুলনায়। জে আলঝেইমার ডিস 67, 1045-1054। | |
| [9] | Falcone M , Yadav N , Poellabauer C , Flynn P (2013) হালকা আঘাতমূলক মস্তিষ্কের আঘাতের শ্রেণীবিভাগের জন্য বিচ্ছিন্ন স্বরধ্বনি ব্যবহার করা। 2013 সালে ধ্বনিবিদ্যা, বক্তৃতা এবং সংকেত প্রক্রিয়াকরণের উপর IEEE আন্তর্জাতিক সম্মেলন, ভ্যাঙ্কুভার, BC, pp. 7577–7581। |
| [10] | Dabek F , Caban JJ (2015) একটি আঘাতের পরে মনস্তাত্ত্বিক অবস্থার বিকাশের সম্ভাবনা মডেল করার জন্য বড় ডেটা ব্যবহার করা। Procedia Comput Sci 53, 265–273. |
| [11] | ক্লাইমেন্ট এমটি , পারডো জে , মুনোজ-আলমারাজ এফজে , গুয়েরেরো এমডি , মোরেনো এল (2018) কমিউনিটি ফার্মাসিস্টদের দ্বারা জ্ঞানীয় বৈকল্যের প্রাথমিক সনাক্তকরণের জন্য সিদ্ধান্ত গাছ। ফ্রন্ট ফার্মাকোল 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: হালকা জ্ঞানীয় দুর্বলতার জন্য একটি সংক্ষিপ্ত স্ক্রীনিং টুল। J Am Geriatr Soc 53, 695–699। |
| [13] | ইউ জে , লি জে , হুয়াং এক্স (2012) হালকা জ্ঞানীয় দুর্বলতার জন্য একটি সংক্ষিপ্ত স্ক্রীনিং টুল হিসাবে মন্ট্রিল জ্ঞানীয় মূল্যায়নের বেইজিং সংস্করণ: একটি সম্প্রদায়-ভিত্তিক গবেষণা। বিএমসি সাইকিয়াট্রি 12, 156। |
| [14] | চেন KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) হালকা জ্ঞানীয় বৈকল্য স্ক্রীন করার জন্য মন্ট্রিল জ্ঞানীয় মূল্যায়ন মৌলিক এর চীনা সংস্করণের বৈধতা। J Am Geriatr Soc 64, e285–e290। |
| [15] | কারসন এন, লিচ এল, মারফি কেজে (2018) মন্ট্রিল কগনিটিভ অ্যাসেসমেন্ট (এমওসিএ) কাটঅফ স্কোরের পুনঃপরীক্ষা৷ Int J Geriatr সাইকিয়াট্রি 33, 379–388। |
| [16] | আমেরিকান সাইকিয়াট্রিক অ্যাসোসিয়েশন (2013) টাস্ক ফোর্স ডায়াগনস্টিক এবং মানসিক রোগের পরিসংখ্যান ম্যানুয়াল: DSM-5™, আমেরিকান সাইকিয়াট্রিক পাবলিশিং, ইনক., ওয়াশিংটন, ডিসি। |
| [17] | পাইথন। পাইথন সফটওয়্যার ফাউন্ডেশন, http://www.python.org, 15 নভেম্বর, 2019 এ অ্যাক্সেস করা হয়েছে। |
| [18] | আর কোর গ্রুপ, আর: পরিসংখ্যানগত কম্পিউটিং এর জন্য একটি ভাষা এবং পরিবেশ R ফাউন্ডেশন ফর স্ট্যাটিস্টিক্যাল কম্পিউটিং, ভিয়েনা, অস্ট্রিয়া। https://www.R-project.org/, 2018, 15 নভেম্বর, 2019 এ অ্যাক্সেস করা হয়েছে। |
| [19] | Benavoli A , Corani G , Demšar J , Zaffalon M (2017) পরিবর্তনের সময়: Bayesian বিশ্লেষণের মাধ্যমে একাধিক শ্রেণীবিভাগের তুলনা করার জন্য একটি টিউটোরিয়াল। জে মাচ রেস 18, 1-36 শিখুন। |
| [20] | ফ্র্যাঙ্ক ই, হল এমএ, উইটেন আইএইচ (2016) WEKA ওয়ার্কবেঞ্চ। ভিতরে ডেটা মাইনিং: প্রাকটিক্যাল মেশিন লার্নিংয়ের সরঞ্জাম এবং কৌশলগুলি, Frank E, Hall MA, Witten IH, Pal CJ, eds. মরগান কাউফম্যান 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) মেশিন লার্নিং ইন মডেলিং হাই স্কুল স্পোর্ট কনকশন লক্ষণ সমাধান। মেড সাই স্পোর্টস এক্সারক 51, 1362-1371। |
| [22] | ভ্যান হুলস জে, খোশগোফতার টিএম, নাপোলিটানো এ (2007) ভারসাম্যহীন ডেটা থেকে শেখার পরীক্ষামূলক দৃষ্টিকোণ। ভিতরে মেশিন লার্নিং সংক্রান্ত 24তম আন্তর্জাতিক সম্মেলনের কার্যক্রম, Corvalis, Oregon, USA, pp. 935-942. |
| [23] | অ্যাশফোর্ড জেডব্লিউ, কোলম পি, কলিভার জেএ, বেকিয়ান সি, এইচসু এলএন (1989) আলঝেইমার রোগীর মূল্যায়ন এবং ক্ষুদ্র মানসিক অবস্থা: আইটেম চরিত্রগত বক্ররেখা বিশ্লেষণ। জে জেরোন্টল 44, 139-146। |
| [২৪] অ্যাশফোর্ড জেডব্লিউ, জার্ভিক এল (১৯৮৫) আলঝেইমার রোগ: নিউরন প্লাস্টিসিটি কি অ্যাক্সোনাল নিউরোফাইব্রিলারি অবক্ষয়ের প্রবণতা দেখায়? N Engl J Med 313, 388–389. | |
| [২৫] জ্যাক সিআর জুনিয়র, থারনিউ টিএম, ওয়েইগ্যান্ড এসডি, উইস্ট এইচজে, নপম্যান ডিএস, ভেমুরি পি, লো ভিজে, মাইল্কে এমএম, রবার্টস আরও, মাচুলদা এমএম, গ্রাফ-র্যাডফোর্ড জে, জোন্স ডিটি, শোয়ার্জ সিজি, সেনজেএমএল। , Rocca WA , Petersen RC (25) ন্যাশনাল ইনস্টিটিউট অন এজিং-আলঝাইমারস ব্যবহার করে জৈবিকভাবে বনাম ক্লিনিক্যালি সংজ্ঞায়িত আলঝেইমার স্পেকট্রাম সত্তার প্রচলন সমিতি গবেষণা কাঠামো JAMA নিউরোল 76, 1174–1183। | |
| [26] Zhou X , Ashford JW (2019) এর জন্য স্ক্রিনিং যন্ত্রে অগ্রগতি আলঝেইমার রোগ. এজিং মেড 2, 88-93। | |
| [২৭] ওয়েইনার এমডব্লিউ, নোশেনি আর, ক্যামাচো এম, ট্রুরান-স্যাকরি ডি, ম্যাকিন আরএস, ফ্লেনিকেন ডি, উলব্রিচট এ, ইনসেল পি, ফিনলে এস, ফকলার জে, ভিইচ ডি (27) মস্তিষ্ক স্বাস্থ্য রেজিস্ট্রি: স্নায়ুবিজ্ঞান অধ্যয়নের জন্য অংশগ্রহণকারীদের নিয়োগ, মূল্যায়ন এবং অনুদৈর্ঘ্য পর্যবেক্ষণের জন্য একটি ইন্টারনেট-ভিত্তিক প্ল্যাটফর্ম। আলঝেইমার ডিমেন্ট 14, 1063-1076। | |
| [২৮] অ্যাশফোর্ড JW , Schmitt FA (28) মডেলিং দ্য টাইম কোর্স আলঝেইমার ডিমেনশিয়া. কার সাইকিয়াট্রি প্রতিনিধি 3, 20-28। | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Sino অনুদৈর্ঘ্য গবেষণা অন কগনিটিভ ডিক্লাইন (SILCODE): বিষয়গত জ্ঞানীয় ব্যক্তিদের মধ্যে হালকা জ্ঞানীয় দুর্বলতায় রূপান্তরের ঝুঁকি ভবিষ্যদ্বাণী মডেল বিকাশের জন্য একটি চীনা অনুদৈর্ঘ্য পর্যবেক্ষণমূলক গবেষণার প্রোটোকল হ্রাস BMJ Open 9, e028188. |
| [৩০] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (30) এর জন্য পাঁচ বছরের বায়োমার্কার অগ্রগতি পরিবর্তনশীলতা আলঝাইমার রোগ ডিমেনশিয়া ভবিষ্যদ্বাণী: দৈনন্দিন জীবনযাপনের একটি জটিল যন্ত্রমূলক ক্রিয়াকলাপ কি শূন্যস্থান পূরণ করতে পারে? আলঝেইমার ডিমেন্ট (Amst) 1, 521–532। | |
| [৩১] ম্যাকগুরান এইচ, গ্লেন জেএম, মাদেরো ইএন, বট এনটি (২০১৯) আল্জ্হেইমার রোগ প্রতিরোধ এবং চিকিত্সা: ব্যায়ামের জৈবিক প্রক্রিয়া। J Alzheimers Dis 69, 311–338. | |
| [৩২] মেন্ডিওলা-প্রিকোমা জে, বেরুমেন এলসি, প্যাডিলা কে, গার্সিয়া-অ্যালকোসার জি (32) এর জন্য থেরাপি আল্জ্হেইমের রোগ প্রতিরোধ এবং চিকিত্সা. Biomed Res Int 2016, 2589276। | |
| [33] | লেন সিএ, বার্নেস জে, নিকোলাস জেএম, সুদ্রে সিএইচ, ক্যাশ ডিএম, ম্যালোন আইবি, পার্কার টিডি, কেশভান এ, বুকানন এসএম, কেউস এসই, জেমস এসএন, লু কে, মারে-স্মিথ এইচ, ওয়াং এ, গর্ডন ই, কোথ ডব্লিউ, মোডাট এম, থমাস ডি, রিচার্ডস এম, ফক্স এনসি, স্কট জেএম (2020) প্রাপ্তবয়স্কতা জুড়ে ভাস্কুলার ঝুঁকি এবং শেষ জীবনে মস্তিষ্কের প্যাথলজির মধ্যে অ্যাসোসিয়েশন: একটি ব্রিটিশ জন্মের দল থেকে প্রমাণ। JAMA নিউরোল 77, 175-183। |
| [34] | Seshadri S (2020) বয়স ও অ্যামাইলয়েড বাক্সের বাইরে ডিমেনশিয়া-চিন্তা প্রতিরোধ। JAMA নিউরোল 77, 160-161। |
| [35] | Maillard P , Seshadri S , Beiser A , Himali JJ , Au R , Fletcher E , Carmichael O , Wolf PA , DeCarli C (2012) ফ্রেমিংহাম হার্ট স্টাডিতে তরুণ প্রাপ্তবয়স্কদের সাদা-বস্তুর অখণ্ডতার উপর সিস্টোলিক রক্তচাপের প্রভাব: একটি ক্রস - বিভাগীয় অধ্যয়ন। ল্যানসেট নিউরোল 11, 1039-1047। |
| [৩৬] ফিঙ্ক এইচএ , লিন্সকেন্স ইজে , সিলভারম্যান পিসি , ম্যাককার্টেন জেআর , হেমি এলএস , ওয়েলেট জেএম , গ্রিয়ার এনএল , উইল্ট টিজে , বাটলার এম (36) নিউরোপ্যাথোলজিক্যালভাবে সংজ্ঞায়িত করার জন্য বায়োমার্কার পরীক্ষার নির্ভুলতা ডিমেনশিয়া সহ বয়স্ক প্রাপ্তবয়স্কদের মধ্যে আলঝাইমার রোগ. অ্যান ইন্টার্ন মেড 172, 669-677। |
অধিভুক্তি: [ক] SIVOTEC অ্যানালিটিক্স, বোকা রাটন, FL, USA | [b] কম্পিউটার এবং ইলেকট্রিক্যাল ইঞ্জিনিয়ারিং এবং কম্পিউটার সায়েন্স বিভাগ, ফ্লোরিডা আটলান্টিক ইউনিভার্সিটি, বোকা রাটন, FL, USA | [c] SJN Biomed LTD, Kunming, Yunnan, China | জন্য কেন্দ্র আলঝাইমার গবেষণা, Washington Institute of Clinical Research, Washington, DC, USA | [e] পুনর্বাসন মেডিসিন বিভাগ, কুনমিং মেডিকেল বিশ্ববিদ্যালয়ের প্রথম অনুমোদিত হাসপাতাল, কুনমিং, ইউনান, চীন | [f] নিউরোলজি বিভাগ, ডিহং পিপলস হাসপাতাল, ডিহং, ইউনান, চীন | [g] নিউরোলজি বিভাগ, কুনমিং মেডিকেল বিশ্ববিদ্যালয়ের প্রথম অনুমোদিত হাসপাতাল, উহুয়া জেলা, কুনমিং, ইউনান প্রদেশ, চীন | [h] যুদ্ধ-সম্পর্কিত অসুস্থতা এবং আঘাত স্টাডি সেন্টার, ভিএ পালো আল্টো হেলথ কেয়ার সিস্টেম, পালো অল্টো, CA, USA | [i] মনোরোগবিদ্যা ও আচরণগত বিজ্ঞান বিভাগ, স্ট্যানফোর্ড ইউনিভার্সিটি স্কুল অফ মেডিসিন, পালো অল্টো, CA, USA
চিঠিপত্র: [*] চিঠিপত্র: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA। ই-মেইল: mbergeron@sivotecanalytics.com.; জিয়াওলেই লিউ, এমডি, নিউরোলজি বিভাগ, কুনমিং মেডিকেল বিশ্ববিদ্যালয়ের প্রথম অনুমোদিত হাসপাতাল, 295 জিচ্যাং রোড, উহুয়া জেলা, কুনমিং, ইউনান প্রদেশ 650032, চীন। ই-মেইল: ring@vip.163.com।
কীওয়ার্ড: বার্ধক্য, আলঝেইমার রোগ, ডিমেনশিয়া, গণ স্ক্রীনিং