Korisnost MemTrax-a i modeliranja mašinskog učenja u klasifikaciji blagog kognitivnog oštećenja

Članak o istraživanju

Autori: Bergeron, Michael F. | Landset, Sara | Zhou, Xianbo | Ding, Tao | Khoshgoftaar, Taghi M. | Zhao, Feng | Du, Bo | Chen, Xinjie | Wang, Xuan | Zhong, Lianmei | Liu, Xiaolei| Ashford, J. Wesson

DOI: 10.3233/JAD-191340

Časopis: Journal of Alzheimerova bolest, vol. 77, ne. 4, str. 1545-1558, 2020

sažetak

Pozadina:

Široko rasprostranjena incidencija i prevalencija Alzheimerova bolest i blago kognitivno oštećenje (MCI) izazvalo je hitan poziv za istraživanje kako bi se potvrdio kognitivni skrining i procjena ranog otkrivanja.

Cilj:

Naš primarni cilj istraživanja bio je da utvrdimo da li se odabrana metrika učinka MemTrax-a i relevantne demografske karakteristike i karakteristike zdravstvenog profila mogu efikasno koristiti u prediktivnim modelima razvijenim uz pomoć mašinskog učenja za klasifikaciju kognitivnog zdravlja (normalno naspram MCI), kao što bi ukazivalo Montrealska kognitivna procjena (MoCA).

Metode:

Proveli smo studiju poprečnog presjeka na 259 odraslih pacijenata iz neurologije, klinike za pamćenje i interne medicine regrutovanih iz dva bolnice u Kini. Svaki pacijent je dobio MoCA na kineskom jeziku i sam sebi je dao kontinuirano prepoznavanje MemTrax online epizodu online test memorije istog dana. Prediktivni modeli klasifikacije su napravljeni korišćenjem mašinskog učenja sa 10-strukom unakrsnom validacijom, a performanse modela su merene korišćenjem Area Under the Receiver Operating Characteristic Curve (AUC). Modeli su napravljeni korišćenjem dve MemTrax metrike performansi (procenat tačnosti, vreme odziva), zajedno sa osam uobičajenih demografskih i ličnih karakteristika istorije.

Rezultati:

Upoređujući učenike u odabranim kombinacijama MoCA rezultata i pragova, Naive Bayes je općenito bio učenik s najboljim učinkom s ukupnom klasifikacijom od 0.9093. Nadalje, među tri najbolja učenika, učinak klasifikacije zasnovan na MemTraxu bio je superioran koristeći samo četiri najbolje rangirane karakteristike (0.9119) u poređenju sa korištenjem svih 10 zajedničkih karakteristika (0.8999).

Zaključak:

MemTrax performanse se mogu efikasno koristiti u modelu predviđanja klasifikacije mašinskog učenja aplikacija za skrining za otkrivanje ranog kognitivnog oštećenja.

UVOD

Priznata (iako nedovoljno dijagnosticirana) široko rasprostranjena incidencija i prevalencija i paralelno eskalirajuća medicinska, socijalna i javna zdravlje Troškovi i teret Alchajmerove bolesti (AD) i blagog kognitivnog oštećenja (MCI) sve više opterećuju sve zainteresovane strane [1, 2]. Ovaj uznemirujući i rastući scenario podstakao je hitan poziv na istraživanje za validaciju rano otkrivanje kognitivni instrumenti za skrining i procenu za redovnu praktičnu upotrebu u ličnim i kliničkim okruženjima za starije pacijente u različitim regionima i populacijama [3]. Ovi instrumenti takođe moraju da obezbede neometano prevođenje informativnih rezultata u elektronske zdravstvene kartone. Prednosti će se ostvariti informiranjem pacijenata i pomoći liječnicima da ranije prepoznaju značajne promjene i na taj način omogućiti bržu i pravovremenu stratifikaciju, implementaciju i praćenje odgovarajućeg individualiziranog i isplativijeg liječenja i njege pacijenata za one koji počinju doživljavati kognitivni pad [3, 4].

Kompjuterizovani alat MemTrax (https://memtrax.com) je jednostavna i kratka kontinuirana procjena prepoznavanja koja se može samostalno upravljati na mreži za mjerenje izazovnih vremenskih epizodnih performansi pamćenja gdje korisnik odgovara na ponovljene slike, a ne na početnu prezentaciju [5, 6]. Nedavna istraživanja i rezultirajuće praktične implikacije počinju da progresivno i kolektivno pokazuju kliničku efikasnost MemTraxa u ranom AD i MCI skriningu [5–7]. Međutim, direktno poređenje kliničke korisnosti sa postojećim kognitivno zdravlje Procjena i konvencionalni standardi su zagarantovani da informišu profesionalnu perspektivu i potkrepe uslužni program MemTrax u ranom otkrivanju i dijagnostičkoj podršci. van der Hoek i dr. [8] uporedio je odabranu metriku performansi MemTrax-a (brzina reakcije i postotak tačan) sa kognitivnim statusom koji je odredio Montreal Kognitivna procjena (MoCA). Međutim, ova studija je bila ograničena na povezivanje ovih metrika učinka sa karakterizacijom kognitivnog statusa (kako je utvrđeno od strane MoCA) i definisanjem relativnih raspona i graničnih vrijednosti. Shodno tome, da bismo proširili ovo istraživanje i poboljšali performanse i efikasnost klasifikacije, naše primarno istraživačko pitanje je bilo:

  • Može li pojedinac odabrati MemTrax metriku učinka i relevantne demografske podatke i zdravlje profil karakteristike efikasno koristiti u prediktivnom modelu razvijenom uz mašinsko učenje kako bi se kognitivno zdravlje dihotomno klasifikovalo (normalno naspram MCI), kao što bi bilo naznačeno nečijim MoCA rezultatom?

Posljedično ovome, htjeli smo znati:

  • Uključujući iste karakteristike, može li se model mašinskog učenja zasnovanog na performansama MemTrax efektivno primijeniti na pacijenta da se predvidi ozbiljnost (blaga naspram teškog) unutar odabranih kategorija kognitivnog oštećenja kako bi se utvrdilo nezavisnom kliničkom dijagnozom?

Pojava i razvoj praktične primjene vještačke inteligencije i mašinskog učenja u skriningu/detekciji već su pokazali jasne praktične prednosti, s prediktivnim modeliranjem koje efikasno vodi kliničare u izazovnoj procjeni kognitivnog zdravlja/zdravlja mozga i upravljanja pacijentima. U našoj studiji odabrali smo sličan pristup u modeliranju MCI klasifikacije i diskriminaciji ozbiljnosti kognitivnih oštećenja što je potvrđeno kliničkom dijagnozom iz tri skupa podataka koji predstavljaju odabrane dobrovoljne pacijente i ambulantne pacijente iz dvije bolnice u Kini. Koristeći prediktivno modeliranje mašinskog učenja, identifikovali smo učenike sa najboljim učinkom iz različitih kombinacija skupa podataka/učenika i rangirali karakteristike koje će nas voditi u definisanju klinički najpraktičnijih aplikacija modela.

Naše hipoteze su bile da se validirani model zasnovan na MemTraxu može koristiti za dihotomno klasifikovanje kognitivnog zdravlja (normalno ili MCI) na osnovu kriterijuma praga agregatnog rezultata MoCA, i da se sličan prediktivni model MemTraxa može efikasno koristiti u diskriminaciji težine u odabranim kategorijama klinički dijagnosticiran kognitivno oštećenje. Demonstracija očekivanih ishoda bila bi ključna za podršku efikasnosti MemTrax-a kao ekrana za rano otkrivanje kognitivnog pada i klasifikacije kognitivnih oštećenja. Povoljno poređenje sa industrijskim navodnim standardom upotpunjenom daleko većom lakoćom i brzinom upotrebe bilo bi od uticaja na pomoć kliničarima da usvoje ovaj jednostavan, pouzdan i pristupačan alat kao početni ekran u otkrivanju kognitivnih deficita u ranoj (uključujući prodromalnu) fazu. Takav pristup i korisnost bi stoga mogli potaknuti pravovremenu i bolje stratificiranu skrb i intervenciju pacijenata. Ovi napredni uvidi i poboljšana metrika i modeli također mogu biti od pomoći u ublažavanju ili zaustavljanju progresije demencije, uključujući AD i demencije povezane s AD (ADRD).

MATERIJALI I METODE

Studija stanovništva

Između januara 2018. i avgusta 2019. završeno je istraživanje poprečnog presjeka na pacijentima regrutiranim iz dvije bolnice u Kini. Davanje MemTrax-a [5] osobama starijim od 21 godine i prikupljanje i analizu tih podataka pregledali su i odobreni od strane i administrirani u skladu sa etičkim standardima ljudski Komitet za zaštitu predmeta Univerziteta Stanford. MemTrax i sva druga ispitivanja za ovu cjelokupnu studiju obavljena su prema Helsinškoj deklaraciji iz 1975. godine i odobrena od strane Institucionalnog odbora za reviziju prve pridružene bolnice Medicinskog univerziteta Kunming u Kunmingu, Yunnan, Kina. Svaki korisnik je dobio informirani pristanak obrazac da pročitate/pregledate i zatim dobrovoljno pristanete na učešće.

Učesnici su regrutovani iz grupe ambulantnih pacijenata u neurološkoj klinici u bolnici Yanhua (YH pod-skup podataka) i klinika za pamćenje u prvoj pridruženoj bolnici Kunming Medical Univerzitet (XL pod-skup podataka) u Pekingu, Kina. Učesnici su također regrutovani iz neuroloških (XL pod-podataka) i interne medicine (KM pod-podataka) pacijenata u Prvoj pridruženoj bolnici Medicinskog univerziteta u Kunmingu. Kriterijumi za uključivanje uključivali su 1) muškarce i žene koji imaju najmanje 21 godinu, 2) sposobnost da govore kineski (mandarinski) i 3) sposobnost razumijevanja usmenih i pismenih uputstava. Kriterijumi za isključenje bili su oštećenje vida i motorike koji sprečavaju učesnike da završe MemTrax test, kao i nemogućnost razumijevanja specifičnih uputa za testiranje.

Kineska verzija MemTraxa

Online MemTrax test platforma je prevedena na kineski (URL: https://www.memtrax.com.cn) i dalje prilagođen za korištenje putem WeChat-a (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Kina) za samoupravljanje. Podaci su pohranjeni na cloud serveru (Ali Cloud) koji se nalazi u Kini i licenciran od Alibabe (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, Kina) od strane SJN Biomed LTD (Kunming, Yunnan, Kina). Specifični detalji o MemTrax-u i kriterijima valjanosti testa koji se ovdje koriste su opisani ranije [6]. Test je pacijentima davan besplatno.

Postupci studija

Za stacionarne i ambulantne pacijente, opšti papirni upitnik za prikupljanje demografskih i ličnih podataka kao što su starost, pol, godine obrazovanja, zanimanje, živi sam ili sa porodicom, a anamnezu je vodio član istraživačkog tima. Nakon popunjavanja upitnika, primijenjeni su MoCA [12] i MemTrax testovi (MoCA prvo) sa ne više od 20 minuta između testova. MemTrax postotak tačan (MTx-% C), srednje vrijeme odgovora (MTx-RT) i datum i vrijeme testiranja zabilježeni su na papiru od strane člana studijskog tima za svakog testiranog učesnika. Popunjeni upitnik i rezultate MoCA-e učitao je istraživač koji je administrirao testove u Excel tabelu i verifikovao ih je kolega prije nego što su Excel datoteke sačuvane za analizu.

MemTrax test

MemTrax online test uključivao je 50 slika (25 jedinstvenih i 25 ponavljanja; 5 setova od 5 slika uobičajenih scena ili objekata) prikazanih u određenom pseudo-slučajnom redoslijedu. Učesnik bi (prema uputstvima) dodirnuo dugme Start na ekranu da bi započeo test i počeo da gleda seriju slika i ponovo dodirnuo sliku na ekranu što je brže moguće kad god bi se pojavila ponovljena slika. Svaka slika se pojavljivala 3 s ili dok se slika na ekranu ne dodirne, što je podstaklo trenutnu prezentaciju sljedeće slike. Koristeći interni sat lokalnog uređaja, MTx-RT za svaku sliku je određen proteklim vremenom od prezentacije slike do trenutka kada je sudionik dodirnuo ekran kao odgovor na indikaciju prepoznavanja slike kao one koja je već bila prikazana. tokom testa. MTx-RT je snimljen za svaku sliku, pri čemu su snimljene pune 3 s što ukazuje da nema odgovora. MTx-% C je izračunat kako bi ukazao na postotak ponovljenih i početnih slika na koje je korisnik ispravno odgovorio (istinski pozitivan + pravi negativan podijeljen sa 50). Dodatni detalji o administraciji i implementaciji MemTrax-a, smanjenju podataka, nevažećim podacima ili podacima „bez odgovora” i primarnim analizama podataka opisani su na drugom mjestu [6].

MemTrax test je detaljno objašnjen, a učesnicima je u bolničkom okruženju dostavljen praktični test (sa jedinstvenim slikama koje nisu korištene u testu za snimanje rezultata). Učesnici u podsetovima YH i KM polagali su MemTrax test na pametnom telefonu koji je bio učitan sa aplikacijom na WeChat-u; dok je ograničen broj pacijenata iz XL podskupa podataka koristio iPad, a ostali su koristili pametni telefon. Svi učesnici su polagali MemTrax test sa istraživačem koji je nenametljivo posmatrao.

Montrealska kognitivna procjena

Pekinšku verziju kineskog MoCA (MoCA-BC) [13] administrirali su i ocijenili obučeni istraživači prema službenim uputama za testiranje. Prikladno, MoCA-BC se pokazao kao pouzdan test za kognitivni skrining na svim nivoima obrazovanja kod kineskih starijih odraslih [14]. Svaki test je trajao oko 10 do 30 minuta za sprovođenje na osnovu kognitivnih sposobnosti dotičnog učesnika.

Modeliranje klasifikacije MoCA

Bilo je ukupno 29 upotrebljivih funkcija, uključujući dva MemTrax-a metrika performansi testiranja i 27 karakteristika koje se odnose na demografiju i zdravlje informacije za svakog učesnika. Kao rezultat korišten je zbirni rezultat MoCA testa svakog pacijenta kognitivni probir “benchmark” za obuku naših prediktivnih modela. Shodno tome, pošto je MoCA korišten za kreiranje oznake klase, nismo mogli koristiti zbirni rezultat (ili bilo koji od rezultata podskupa MoCA) kao nezavisnu karakteristiku. Izveli smo preliminarne eksperimente u kojima smo modelirali (klasificirajući kognitivno zdravlje definirano od strane MoCA) originalna tri podseta bolnica/klinika(e) pojedinačno, a zatim ih kombinirali koristeći sve karakteristike. Međutim, svi isti elementi podataka nisu prikupljeni u svakoj od četiri klinike koje predstavljaju tri podskupa podataka; stoga su mnoge naše karakteristike u kombinovanom skupu podataka (kada se koriste sve karakteristike) imale visoku učestalost nedostajućih vrednosti. Zatim smo izgradili modele sa kombinovanim skupom podataka koristeći samo zajedničke karakteristike što je rezultiralo poboljšanim performansama klasifikacije. Ovo je vjerovatno objašnjeno kombinacijom više instanci za rad kombinacijom tri podskupa podataka o pacijentima i bez karakteristika s neopravdanom prevalencijom nedostajućih vrijednosti (samo jedna karakteristika u kombinovanom skupu podataka, tip rada, imala je vrijednosti koje nedostaju, što je uticalo na samo tri slučaja pacijenata), jer su uključene samo zajedničke karakteristike zabilježene na sva tri mjesta. Značajno je da nismo imali specifičan kriterijum odbijanja za svaku karakteristiku koja na kraju nije bila uključena u kombinovani skup podataka. Međutim, u našem preliminarnom kombinovanom modeliranju skupa podataka, prvo smo koristili sve karakteristike iz svakog od tri odvojena podskupa podataka o pacijentima. Ovo je u velikoj mjeri rezultiralo performansama modela koje su bile mjerljivo niže od početnog preliminarnog modeliranja na svakom pojedinačnom podskupu podataka. Štaviše, dok su performanse klasifikacije modela napravljenih korišćenjem svih karakteristika bile ohrabrujuće, za sve učenike i klasifikacione šeme, performanse su poboljšane za duplo više modela kada se koriste samo zajedničke karakteristike. Zapravo, među onima koji su na kraju bili naši najbolji učenici, svi osim jednog modela poboljšali su se eliminacijom neobičnih karakteristika.

Konačni skup podataka (YH, XL i KM zajedno) uključivao je 259 instanci, od kojih je svaka predstavljala jedinstvenog učesnika koji je polagao i MemTrax i MoCA testove. Bilo je 10 zajedničkih nezavisnih karakteristika: MemTrax metrika performansi: MTx-% C i srednji MTx-RT; demografski podaci i podaci iz anamneze: godine, spol, godine obrazovanja, vrsta posla (plavi/bijeli okovratnik), socijalna podrška (da li ispitanik živi sam ili sa porodicom) i da/ne odgovori da li je korisnik imao povijest dijabetesa, hiperlipidemije ili traumatske ozljede mozga. Dvije dodatne metrike, MoCA agregatni rezultat i MoCA agregatni rezultat prilagođen godinama obrazovanja [12], korištene su odvojeno za razvoj zavisnih klasifikacijskih oznaka, stvarajući tako dvije različite sheme modeliranja koje će se primijeniti na naš kombinirani skup podataka. Za svaku verziju (prilagođenu i neprilagođenu) MoCA skora, podaci su ponovo odvojeno modelirani za binarnu klasifikaciju koristeći dva različita praga kriterija — prvobitno preporučeni [12] i alternativnu vrijednost koju koriste i promoviraju drugi [8, 15]. U alternativnoj klasifikacionoj shemi praga, smatralo se da pacijent ima normalno kognitivno zdravlje ako je postigao ≥23 na MoCA testu i da ima MCI ako je rezultat bio 22 ili niži; dok je, u početnom preporučenom formatu klasifikacije, pacijent morao postići 26 ili više na MoCA da bi bio označen kao da ima normalno kognitivno zdravlje.

Filtrirani podaci za modeliranje klasifikacije MoCA

Dalje smo ispitali MoCA klasifikaciju koristeći četiri najčešće korišćene tehnike rangiranja karakteristika: hi-kvadrat, omjer pojačanja, dobivanje informacija i simetrična nesigurnost. Za privremenu perspektivu, primijenili smo rangere na cijeli kombinovani skup podataka koristeći svaku od naše četiri šeme modeliranja. Svi rangirani su se složili oko istih vrhunskih karakteristika, tj. starosti, broja godina obrazovanja i oba MemTrax metrika učinka (MTx-% C, srednja vrijednost MTx-RT). Zatim smo ponovo izgradili modele koristeći svaku tehniku ​​odabira karakteristika kako bismo obučili modele samo za četiri najbolja svojstva (vidi Izbor mogućnosti ispod).

Konačnih osam varijacija šema za modeliranje klasifikacije rezultata MoCA prikazano je u Tabeli 1.

Tabela 1

Sažetak varijacija sheme modeliranja korištenih za klasifikaciju MoCA (Normalno Kognitivno zdravlje u odnosu na MCI)

Shema modeliranjaNormalno kognitivno zdravlje (negativna klasa)MCI (pozitivna klasa)
Prilagođeno-23 Nefiltrirano/filtrirano101 (39.0%)158 (61.0%)
Prilagođeno-26 Nefiltrirano/filtrirano49 (18.9%)210 (81.1%)
Neprilagođeno-23 Nefiltrirano/filtrirano92 (35.5%)167 (64.5%)
Neprilagođeno-26 Nefiltrirano/filtrirano42 (16.2%)217 (83.8%)

Odgovarajući broj i postotak ukupnih pacijenata u svakoj klasi se razlikuju prilagođavanjem rezultata za obrazovanje (prilagođeno ili neprilagođeno) i klasifikacijskim pragom (23 ili 26), primijenjeno na oba skupa karakteristika (nefiltrirano i filtrirano).

Modeliranje kliničke evaluacije zasnovano na MemTraxu

Od naša tri originalna podskupa podataka (YH, XL, KM), samo pacijentima sa XL podskupom podataka je nezavisno klinički dijagnosticirano kognitivno oštećenje (tj. njihovi odgovarajući MoCA rezultati nisu korišteni u uspostavljanju klasifikacije normalnih naspram oštećenih). Konkretno, pacijentima sa XL dijagnoza je bila oba Test za Alchajmerovu bolest (AD) ili vaskularna demencija (VaD). Unutar svake od ovih primarnih kategorija dijagnoze, postojala je daljnja oznaka za MCI. Dijagnoze MCI, demencije, vaskularnog neurokognitivnog poremećaja i neurokognitivnog poremećaja zbog AD zasnovane su na specifičnim i karakterističnim dijagnostičkim kriterijumima navedenim u Dijagnostičkom i statističkom priručniku za mentalne poremećaje: DSM-5 [16]. Uzimajući u obzir ove precizne dijagnoze, dvije šeme klasifikacijskog modeliranja su odvojeno primijenjene na XL podskup podataka kako bi se razlikovao nivo ozbiljnosti (stepen oštećenja) za svaku kategoriju primarne dijagnoze. Podaci korišćeni u svakoj od ovih šema dijagnostičkog modeliranja (AD i VaD) uključivali su demografske podatke i podatke o istoriji pacijenta, kao i MemTrax performanse (MTx-% C, srednja vrednost MTx-RT). Svaka dijagnoza je označena kao blaga ako je označena kao MCI; inače se smatralo teškim. Prvobitno smo razmatrali uključivanje MoCA skora u modele dijagnoze (blage naspram teške); ali smo utvrdili da bi to poništilo svrhu naše sekundarne sheme prediktivnog modeliranja. Ovdje bi učenici bili obučeni koristeći druge karakteristike pacijenta koje su lako dostupne pružaocu i metriku performansi jednostavnijeg MemTrax testa (umjesto MoCA) u odnosu na referentni „zlatni standard“, nezavisnu kliničku dijagnozu. Bilo je 69 instanci u skupu podataka za dijagnozu AD i 76 instanci VaD (tabela 2). U oba skupa podataka bilo je 12 nezavisnih karakteristika. Pored 10 karakteristika uključenih u klasifikaciju MoCA bodova, anamneza pacijenata je takođe uključivala informacije o istoriji hipertenzije i moždanog udara.

Tabela 2

Sažetak varijacija sheme modeliranja korištenih za klasifikaciju ozbiljnosti dijagnoze (blage naspram teške)

Shema modeliranjaBlaga (negativna klasa)Teška (pozitivna klasa)
MCI-AD naspram AD12 (17.4%)57 (82.6%)
MCI-VaD protiv VaD38 (50.0%)38 (50.0%)

Odgovarajući broj i postotak ukupnih pacijenata u svakoj klasi se diferenciraju prema kategoriji primarne dijagnoze (AD ili VaD).

statistika

Poređenje karakteristika učesnika i drugih numeričkih karakteristika između podskupova podataka za svaku strategiju klasifikacije modela (za predviđanje MoCA kognitivnog zdravlja i ozbiljnosti dijagnoze) izvršeno je korištenjem programskog jezika Python (verzija 2.7.1) [17]. Razlike u performansama modela su inicijalno određene korištenjem jedno- ili dvofaktorske (po potrebi) ANOVA-e sa intervalom pouzdanosti od 95% i Tukey testom značajne razlike (HSD) za poređenje srednjih vrijednosti performansi. Ovo ispitivanje razlika između performansi modela izvedeno je upotrebom kombinacije Pythona i R (verzija 3.5.1) [18]. Koristili smo ovaj (iako, nedvojbeno manje od optimalnog) pristup samo kao heurističku pomoć u ovom rana faza za početna poređenja performansi modela u predviđanju potencijalne kliničke primjene. Zatim smo koristili Bayesian test rangiranja koristeći aposteriornu distribuciju da odredimo vjerovatnoću razlika u performansama modela [19]. Za ove analize koristili smo interval –0.01, 0.01, što znači da ako su dvije grupe imale razliku u učinku manju od 0.01, smatrale su se istim (unutar područja praktične ekvivalencije), ili su u suprotnom bile različite (jedna bolja od drugi). Da bismo izvršili Bayesovo poređenje klasifikatora i izračunali ove vjerovatnoće, koristili smo baycomp biblioteku (verzija 1.0.2) za Python 3.6.4.

Prediktivno modeliranje

Izgradili smo prediktivne modele koristeći deset ukupnih varijacija naših shema modeliranja kako bismo predvidjeli (klasificirali) ishod MoCA testa svakog pacijenta ili težinu kliničke dijagnoze. Svi učenici su primijenjeni i modeli su napravljeni korištenjem softverske platforme otvorenog koda Weka [20]. Za našu preliminarnu analizu, koristili smo 10 najčešće korištenih algoritama za učenje: 5-najbližih susjeda, dvije verzije C4.5 stabla odlučivanja, logistička regresija, višeslojni perceptron, naivni Bayes, dvije verzije slučajne šume, mreža radijalne bazične funkcije i vektor podrške Mašina. Ključni atributi i kontrasti ovih algoritama opisani su na drugom mjestu [21] (vidjeti odgovarajući Dodatak). Oni su odabrani jer predstavljaju niz različitih tipova učenika i zato što smo pokazali uspjeh koristeći ih u prethodnim analizama na sličnim podacima. Postavke hiperparametara odabrane su iz našeg prethodnog istraživanja što ukazuje da su robusne na nizu različitih podataka [22]. Na osnovu rezultata naše preliminarne analize koristeći isti kombinovani skup podataka sa zajedničkim karakteristikama koje su kasnije korišćene u punoj analizi, identifikovali smo tri učenika koji su dali dosledno jake performanse u svim klasifikacijama: logistička regresija, naivni Bayes i mašina podrške vektorima.

Unakrsna validacija i metrika performansi modela

Za svo prediktivno modeliranje (uključujući preliminarne analize), svaki model je izgrađen korištenjem 10-struke unakrsne validacije, a performanse modela mjerene su korištenjem Area Under the Receiver Operating Characteristic Curve (AUC). Unakrsna validacija je počela nasumično dijeljenjem svakog od 10 skupova podataka sheme modeliranja u 10 jednakih segmenata (preklopa), koristeći devet od ovih odgovarajućih segmenata za obuku modela, a preostali segment za testiranje. Ovaj postupak je ponovljen 10 puta, koristeći drugi segment kao testni skup u svakoj iteraciji. Rezultati su zatim kombinovani da bi se izračunao konačni rezultat/performanse modela. Za svaku kombinaciju učenika/skupa podataka, cijeli ovaj proces je ponovljen 10 puta s tim da su podaci svaki put različito podijeljeni. Ovaj posljednji korak smanjio je pristrasnost, osigurao replikaciju i pomogao u određivanju ukupne performanse modela. Ukupno (za MoCA rezultat i šeme klasifikacije ozbiljnosti dijagnoze zajedno), napravljeno je 6,600 modela. Ovo je uključivalo 1,800 nefiltriranih modela (6 shema modeliranja primijenjenih na skup podataka×3 učenika×10 pokreta×10 puta = 1,800 modela) i 4,800 filtriranih modela (4 šeme modeliranja primijenjene na skup podataka×3 učenika×4 tehnike odabira karakteristika×10 pokreta× 10 preklopa = 4,800 modela).

Izbor mogućnosti

Za filtrirane modele, odabir karakteristika (koristeći četiri metode rangiranja karakteristika) izvršen je u okviru unakrsnog provjere. Za svaki od 10 nabora, budući da su različiti 10% skupa podataka bili podaci testa, korištene su samo četiri najbolje odabrane karakteristike za svaki skup podataka za obuku (tj. ostalih devet nabora ili preostalih 90% cjelokupnog skupa podataka). za izradu modela. Nismo bili u mogućnosti potvrditi koje su četiri karakteristike korištene u svakom modelu, jer se te informacije ne pohranjuju niti su dostupne u okviru platforme za modeliranje koju smo koristili (Weka). Međutim, s obzirom na konzistentnost u našem početnom odabiru najboljih karakteristika kada su rangeri primijenjeni na cijeli kombinovani skup podataka i kasniju sličnost u performansama modeliranja, te iste karakteristike (starost, godine obrazovanja, MTx-% C i srednji MTx-RT ) su vjerovatno najčešća četiri najčešća korišćena uporedo sa izborom karakteristika u procesu unakrsnog provjere.

REZULTATI

Numeričke karakteristike učesnika (uključujući MoCA rezultate i MemTrax performanse metrike) odgovarajućih skupova podataka za svaku strategiju klasifikacije modela za predviđanje kognitivnog zdravlja indiciranog MoCA (normalno naspram MCI) i ozbiljnosti dijagnoze (blage naspram teške) prikazane su u Tabeli 3.

Tabela 3

Karakteristike učesnika, MoCA rezultati i MemTrax performanse za svaku strategiju klasifikacije modela

Strategija klasifikacijestarostobrazovanjeMoCA AdjustedMoCA UnadjustedMTx-% CMTx-RT
MoCA kategorija61.9 g (13.1)9.6 g (4.6)19.2 (6.5)18.4 (6.7)74.8% (15.0)1.4 s (0.3)
Ozbiljnost dijagnoze65.6 g (12.1)8.6 g (4.4)16.7 (6.2)15.8 (6.3)68.3% (13.8)1.5 s (0.3)

Prikazane vrijednosti (srednja vrijednost, SD) diferencirane strategijama klasifikacije modeliranja reprezentativne su za kombinovani skup podataka koji se koristi za predviđanje kognitivnog zdravlja indiciranog MoCA (MCI naspram normalnog) i XL podskup podataka koji se koristi samo za predviđanje težine dijagnoze (blage naspram teške).

Za svaku kombinaciju rezultata MoCA (prilagođeno/neprilagođeno) i praga (26/23), postojala je statistička razlika (p = 0.000) u svakom poređenju u parovima (normalno kognitivno zdravlje naspram MCI) za godine, obrazovanje i MemTrax performanse (MTx-% C i MTx-RT). Svaki podskup podataka o pacijentu u odgovarajućoj MCI klasi za svaku kombinaciju bio je u prosjeku oko 9 do 15 godina stariji, prijavio je oko pet godina manje obrazovanja i imao je manje povoljne performanse MemTrax-a za obje metrike.

Rezultati prediktivnog modeliranja za klasifikaciju rezultata MoCA koristeći tri najbolja učenika, logističku regresiju, naivnu Bayesovu mašinu i pomoćni vektorski stroj, prikazani su u tabeli 4. Ova tri su odabrana na osnovu najkonzistentnije visoke apsolutne performanse učenika u svim različitim modelima primijenjen na skupove podataka za sve šeme modeliranja. Za nefiltrirani skup podataka i modeliranje, svaka od vrijednosti podataka u Tabeli 4 ukazuje na performanse modela na osnovu odgovarajuće srednje vrijednosti AUC izvedene iz 100 modela (10 pokreta × 10 puta) napravljenih za svaku kombinaciju učenika/šeme modeliranja, sa odgovarajućim najvišim učenik sa performansama označen podebljanim slovima. Dok za modeliranje filtriranog skupa podataka, rezultati prikazani u Tabeli 4 odražavaju ukupne prosječne performanse modela iz 400 modela za svakog učenika koji koristi svaku od metoda rangiranja karakteristika (4 metode rangiranja karakteristika×10 pokreta×10 puta).

Tabela 4

Dihotomni rezultati klasifikacije rezultata MoCA rezultata (AUC; 0.0–1.0) za svakog od tri učenika s najboljim učinkom za sve odgovarajuće sheme modeliranja

Korišteni skup funkcijaMoCA rezultatCutoff ThresholdLogistička regresijaNaive BayesSupport Vector Machine
Nefiltrirano (10 funkcija)Prilagođeno230.88620.89130.8695
260.89710.92210.9161
Neprilagođeno230.91030.90850.8995
260.88340.91530.8994
Filtrirano (4 funkcije)Prilagođeno230.89290.89540.8948
260.91880.92470.9201
Neprilagođeno230.91350.91340.9122
260.91590.92360.9177

Koristeći varijacije skupa karakteristika, MoCA rezultata i graničnog praga MoCA rezultata, najveće performanse za svaku šemu modeliranja prikazane su u odvažan (ne nužno statistički drugačije od svih ostalih koji nisu u odvažan za odgovarajući model).

Uspoređujući učenike u svim kombinacijama verzija i pragova MoCA rezultata (prilagođenih/neprilagođenih i 23/26) u kombinovanom nefiltriranom skupu podataka (tj. koristeći 10 zajedničkih karakteristika), Naivni Bayes je općenito bio učenik s najboljim učinkom s ukupnim učinak klasifikacije 0.9093. Uzimajući u obzir tri najbolja učenika, Bayesian korelirani testovi predznaka pokazuju da je vjerovatnoća (Pr) naivnog Bayesa koji je nadmašio logističku regresiju bio je 99.9%. Štaviše, između naivnog Bayesa i mašine za podršku vektorima, 21.0% vjerovatnoće praktične ekvivalencije u performansama učenika (dakle, 79.0% vjerovatnoće da će naivni Bayes nadmašiti podršku vektorske mašine), zajedno sa 0.0% vjerovatnoće da će mašina podrške vektorima raditi bolje, mjerljivo pojačava prednost u performansama za Naive Bayesa. Dalje poređenje verzije MoCA rezultata za sve učenike/pragove sugerira blagu prednost u performansama korištenjem neprilagođenih MoCA rezultata u odnosu na prilagođene (0.9027 naspram 0.8971, respektivno; Pr (neprilagođeno > prilagođeno) = 0.988). Slično, poređenje graničnog praga za sve učenike i verzije MoCA rezultata ukazalo je na malu prednost u performansama klasifikacije koristeći 26 kao klasifikacijski prag u odnosu na 23 (0.9056 naspram 0.8942, respektivno; Pr (26 > 23) = 0.999). Na kraju, ispitujući performanse klasifikacije za modele koji koriste samo filtrirane rezultate (tj. samo četiri najbolje rangirane karakteristike), Naive Bayes (0.9143) je numerički bio najbolji učenik u svim verzijama/pragovima MoCA rezultata. Međutim, u svim tehnikama rangiranja karakteristika zajedno, svi učenici s najboljim performansama imali su sličan učinak. Bayesian test-rang sa predznakom pokazao je 100% vjerovatnoću praktične ekvivalencije između svakog para filtriranih učenika. Kao i kod nefiltriranih podataka (koristeći svih 10 zajedničkih karakteristika), opet je postojala prednost u performansama za neprilagođenu verziju MoCA rezultata (Pr (neprilagođeno > prilagođeno) = 1.000), kao i slično izraženu prednost za klasifikacijski prag od 26 (Pr (26 > 23) = 1.000). Primjetno je da je prosječan učinak svakog od tri najbolja učenika u svim verzijama/pragovima MoCA rezultata koristeći samo četiri najbolje rangirane karakteristike premašio prosječan učinak bilo kojeg učenika na nefiltriranim podacima. Nije iznenađujuće, performanse klasifikacije filtriranih modela (koristeći četiri najbolje rangirane karakteristike) ukupno su bile superiornije (0.9119) u odnosu na nefiltrirane modele (0.8999), bez obzira na modele metode rangiranja karakteristika koji su upoređeni s tim odgovarajućim modelima koji koriste svih 10 uobičajenih karakteristike. Za svaku metodu odabira karakteristika, postojala je 100% vjerovatnoća prednosti u performansama u odnosu na nefiltrirane modele.

Kod pacijenata koji se razmatraju za klasifikaciju težine dijagnoze AD, razlike između grupa (MCI-AD naspram AD) za dob (p = 0.004), obrazovanje (p = 0.028), MoCA rezultat prilagođen/neprilagođen (p = 0.000), i MTx-% C (p = 0.008) bili su statistički značajni; dok za MTx-RT nije (p = 0.097). Kod onih pacijenata koji se uzimaju u obzir za klasifikaciju težine dijagnoze VaD, razlike između grupa (MCI-VaD naspram VaD) za MoCA rezultat prilagođen/neprilagođen (p = 0.007) i MTx-% C (p = 0.026) i MTx-RT (p = 0.001) bili su statistički značajni; dok za godine (p = 0.511) i obrazovanje (p = 0.157) nije bilo značajnih razlika između grupa.

Rezultati prediktivnog modeliranja za klasifikaciju ozbiljnosti dijagnoze koristeći tri prethodno odabrana učenika, logističku regresiju, naivnu Bayesovu mašinu i mašinu potpornog vektora, prikazani su u tabeli 5. Dok su dodatni ispitani učenici pokazali nešto bolje performanse pojedinačno s jednom od dvije kategorije kliničke dijagnoze , tri učenika koje smo identificirali kao najpovoljnije u našem prethodnom modeliranju ponudili su najdosljednije performanse s obje nove šeme modeliranja. Upoređujući učenike u svakoj od primarnih kategorija dijagnoze (AD i VaD), nije bilo konzistentne razlike u performansama klasifikacije između učenika za MCI-VaD u odnosu na VaD, iako je Support Vector Machine generalno imao značajnije rezultate. Slično, nije bilo značajnih razlika između učenika za MCI-AD u odnosu na AD klasifikaciju, iako je naivni Bayes (NB) imao blagu prednost u performansama u odnosu na logističku regresiju (LR) i samo zanemarljiv pluralitet u odnosu na mašinu za podršku vektorima, sa vjerovatnoćom od 61.4% i 41.7% respektivno. U oba skupa podataka, postojala je ukupna prednost performansi za Support Vector Machine (SVM), sa Pr (SVM > LR) = 0.819 i Pr (SVM > NB) = 0.934. Naš ukupni učinak klasifikacije za sve učenike u predviđanju ozbiljnosti dijagnoze u XL podskupu podataka bio je bolji u kategoriji VaD dijagnoze u odnosu na AD (Pr (VAD > AD) = 0.998).

Tabela 5

Učinak klasifikacije ozbiljnosti dihotomne kliničke dijagnoze (AUC; 0.0–1.0) rezultati za svakog od tri učenika s najboljim učinkom za obje odgovarajuće sheme modeliranja

Shema modeliranjaLogistička regresijaNaive BayesSupport Vector Machine
MCI-AD naspram AD0.74650.78100.7443
MCI-VaD protiv VaD0.80330.80440.8338

Najveće performanse za svaku shemu modeliranja prikazane su u odvažan (ne nužno statistički drugačije od ostalih koji nisu u odvažan).

DISKUSIJA

Važno je rano otkrivanje promjena u kognitivnom zdravlju praktična korist u upravljanju ličnim zdravljem i javnom zdravlju. Zaista, to je također veliki prioritet u kliničkim okruženjima za pacijente širom svijeta. Zajednički cilj je upozoriti pacijente, njegovatelje i pružaoce usluga i potaknuti ranije odgovarajuće i isplativo liječenje i longitudinalnu njegu za one koji počinju da doživljavaju kognitivni pad. Spajajući naša tri podskupa podataka iz bolnice/klinike, identifikovali smo tri izrazito poželjna učenika (s jednim istaknutim – Naivni Bayes) za izgradnju prediktivnih modela koristeći MemTrax metrika performansi koja bi mogla pouzdano klasificirati kognitivni zdravstveni status dihotomno (normalno kognitivno zdravlje ili MCI) na što bi ukazao agregatni rezultat MoCA. Značajno, ukupna izvedba klasifikacije za sva tri učenika poboljšana je kada su naši modeli koristili samo četiri najbolje rangirane karakteristike koje su uglavnom obuhvatale ove MemTrax metrike učinka. Štaviše, otkrili smo potkrijepljen potencijal za korištenje istih učenika i MemTrax metrike učinka u shemi za modeliranje klasifikacije dijagnostičke podrške kako bismo razlikovali ozbiljnost dvije kategorije dijagnoze demencije: AD i VaD.

Testiranje memorije je ključno za rano otkrivanje AD [23, 24]. Stoga je prikladno da je MemTrax prihvatljiv, zanimljiv i jednostavan za implementaciju online skrining test za epizodno pamćenje u općoj populaciji [6]. Preciznost prepoznavanja i vremena odgovora iz ovog kontinuiranog zadatka performansi posebno otkrivaju u prepoznavanju ranog i evoluirajućeg pogoršanja i posljedičnih deficita u neuroplastičnim procesima koji se odnose na učenje, pamćenje i kogniciju. Odnosno, modeli koji su ovdje bazirani uglavnom na MemTrax metrici performansi su osjetljivi i vjerovatnije je da će lako i uz minimalne troškove otkriti biološke neuropatološke deficite tokom prijelaznog asimptomatskog stadijuma mnogo prije značajnijeg funkcionalnog gubitka [25]. Ashford et al. pomno su ispitali obrasce i ponašanja tačnosti memorije prepoznavanja i vremena odziva kod online korisnika koji su sami učestvovali u MemTraxu [6]. Poštujući da su ove distribucije kritične za optimalno modeliranje i razvoj valjanih i efikasnih aplikacija za njegu pacijenata, definisanje klinički primjenjivih profila prepoznavanja i vremena odgovora je od suštinskog značaja za uspostavljanje vrijedne temeljne reference za kliničku i istraživačku korisnost. Praktična vrijednost MemTrax-a u skriningu AD za ranu fazu kognitivnog oštećenja i diferencijalnu dijagnostičku podršku treba zatim detaljnije ispitati u kontekstu kliničkog okruženja gdje se mogu uzeti u obzir komorbiditeti i kognitivne, senzorne i motoričke sposobnosti koje utiču na performanse testa. A da bi se informirala profesionalna perspektiva i ohrabrila praktična klinička korisnost, prvo je imperativ demonstrirati poređenje s utvrđenim testom za procjenu kognitivnog zdravlja, iako potonji može biti prepoznatljivo ograničen glomaznom logistikom testiranja, obrazovanjem i jezičkim odvraćanjem, te kulturnim utjecajima [26] . S tim u vezi, značajno je poređenje MemTrax-a u kliničkoj efikasnosti sa MoCA-om koje se obično smatra industrijskim standardom, posebno kada se odmjeri veća lakoća upotrebe i prihvaćanje MemTrax-a od strane pacijenata.

Prethodno istraživanje koje je upoređivalo MemTrax i MoCA naglašava obrazloženje i preliminarne dokaze koji opravdavaju naše istraživanje modeliranja [8]. Međutim, ovo prethodno poređenje samo je povezivalo dvije ključne metrike performansi MemTrax-a koje smo ispitali sa kognitivnim statusom koji je odredio MoCA i definiranim odgovarajućim rasponima i graničnim vrijednostima. Produbili smo procjenu kliničke korisnosti MemTraxa istraživanjem pristupa zasnovanog na prediktivnom modeliranju koji bi omogućio individualiziranije razmatranje drugih potencijalno relevantnih parametara specifičnih za pacijente. Za razliku od drugih, nismo pronašli prednost u performansama modela koristeći korekciju obrazovanja (prilagođavanje) na MoCA rezultat ili u variranju praga skupnog rezultata MoCA diskriminirajući kognitivno zdravlje od prvobitno preporučenih 26 do 23 [12, 15]. U stvari, prednost u izvedbi klasifikacije favorizirala je korištenje neprilagođenog MoCA rezultata i višeg praga.

Ključne tačke u kliničkoj praksi

Strojno učenje se često najbolje koristi i najefikasnije u prediktivnom modeliranju kada su podaci opsežni i višedimenzionalni, odnosno kada postoje brojna zapažanja i popratni široki niz atributa visoke vrijednosti (koji doprinose). Ipak, s ovim trenutnim podacima, filtrirani modeli sa samo četiri odabrana svojstva imali su bolji učinak od onih koji koriste svih 10 uobičajenih karakteristika. Ovo sugerira da naš zbirni skup bolničkih podataka nije imao klinički najprikladnije karakteristike (visoke vrijednosti) za optimalnu klasifikaciju pacijenata na ovaj način. Ipak, naglasak na rangiranju karakteristika na ključnim metrikama performansi MemTrax-a—MTx-% C i MTx-RT—snažno podržava izgradnju modela skrininga kognitivnog deficita u ranoj fazi oko ovog testa koji je jednostavan, lak za primjenu, jeftin i primjereno otkriva u performanse memorije, barem trenutno kao početni ekran za binarnu klasifikaciju kognitivnog zdravstvenog statusa. S obzirom na sve veći pritisak na pružaoce usluga i zdravstvene sisteme, procese skrininga pacijenata i kliničke aplikacije treba na odgovarajući način razviti s naglaskom na prikupljanju, praćenju i modeliranju onih karakteristika i testnih metrika pacijenata koji su najkorisniji, najpovoljniji i dokazano učinkoviti u dijagnostici. i podršku u upravljanju pacijentima.

S obzirom da su dvije ključne MemTrax metrike bile centralne za MCI klasifikaciju, naš učenik s najboljim učinkom (Naivni Bayes) imao je vrlo visoke prediktivne performanse u većini modela (AUC preko 0.90) s omjerom istinito pozitivnih i lažno pozitivnih koji se približavao ili nešto veći od 4 : 1. Translacijska klinička aplikacija koja koristi ovog učenika bi tako obuhvatila (ispravno klasificirala) daleko većinu onih sa kognitivnim deficitom, dok bi minimizirala troškove povezane s pogrešnom klasifikacijom nekoga s normalnim kognitivnim zdravljem kao osoba s kognitivnim deficitom (lažno pozitivno) ili nedostaje ta klasifikacija kod onih koji imaju kognitivni deficit (lažno negativan). Bilo koji od ovih scenarija pogrešne klasifikacije mogao bi nametnuti neopravdano psihosocijalno opterećenje za pacijenta i njegovatelje.

Dok smo u preliminarnim i potpunim analizama koristili svih deset učenika u svakoj šemi modeliranja, fokusirali smo naše rezultate na tri klasifikatora koji pokazuju najdosljednije snažne performanse. Ovo je takođe trebalo da istakne, na osnovu ovih podataka, učenike koji će očekivano imati pouzdan rad na visokom nivou u praktičnoj kliničkoj primeni u određivanju klasifikacije kognitivnog statusa. Štaviše, budući da je ova studija zamišljena kao uvodno istraživanje o korisnosti mašinskog učenja na kognitivnom skriningu i ovih pravovremenih kliničkih izazova, doneli smo odluku da tehnike učenja ostanu jednostavne i generalizovane, uz minimalno podešavanje parametara. Cijenimo da je ovaj pristup možda ograničio potencijal za uže definirane prediktivne sposobnosti specifične za pacijenta. Isto tako, dok nas obuka modela koristeći samo vrhunske karakteristike (filtrirani pristup) dodatno informiše o ovim podacima (specifičnim za nedostatke u prikupljenim podacima i naglašavajući vrijednost u optimizaciji dragocjenog kliničkog vremena i resursa), prepoznajemo da je prerano suziti opseg modela i, prema tome, sve (i druge karakteristike) treba uzeti u obzir u budućim istraživanjima dok ne dobijemo definitivniji profil prioritetnih karakteristika koje bi bile primjenjive na širu populaciju. Stoga, također u potpunosti prepoznajemo da bi inkluzivniji i šire reprezentativniji podaci i optimizacija ovih i drugih modela bili neophodni prije nego što se integriraju u efikasnu kliničku primjenu, posebno za prilagođavanje komorbiditeta koji utječu na kognitivne performanse koje bi trebalo uzeti u obzir u daljoj kliničkoj evaluaciji.

Korisnost MemTraxa dodatno je poboljšana modeliranjem težine bolesti zasnovanom na odvojenoj kliničkoj dijagnozi. Bolja ukupna izvedba klasifikacije u predviđanju težine VaD (u poređenju sa AD) nije bila iznenađujuće s obzirom na karakteristike profila pacijenata u modelima specifičnim za vaskularno zdravlje i rizik od moždanog udara, tj. hipertenzija, hiperlipidemija, dijabetes i (naravno) povijest moždanog udara. Iako bi bilo poželjnije i prikladnije da se ista klinička procjena provede na odgovarajućim pacijentima s normalnim kognitivnim zdravljem kako bi se učenici obučili s ovim inkluzivnijim podacima. Ovo je posebno opravdano, jer je MemTrax namijenjen prvenstveno korištenju za rano otkrivanje kognitivnog deficita i naknadno praćenje pojedinačnih promjena. Također je moguće da je poželjnija distribucija podataka u VaD skupu podataka djelomično doprinijela relativno boljoj performansi modeliranja. VaD skup podataka bio je dobro izbalansiran između ove dvije klase, dok AD skup podataka sa mnogo manje pacijenata s MCI nije. Naročito u malim skupovima podataka, čak i nekoliko dodatnih instanci može napraviti mjerljivu razliku. Obje perspektive su razumni argumenti koji leže u osnovi razlika u performansama modeliranja težine bolesti. Međutim, proporcionalno pripisivanje poboljšane performanse numeričkim karakteristikama skupa podataka ili inherentnim karakteristikama specifičnim za kliničku prezentaciju koja se razmatra je preuranjeno. Bez obzira na to, ova nova demonstrirana korisnost MemTrax modela prediktivne klasifikacije u ulozi kliničke dijagnostičke podrške pruža vrijednu perspektivu i potvrđuje težnju za dodatnim pregledom pacijenata u cijelom kontinuumu MCI.

Implementacija i demonstrirana korisnost MemTrax-a i ovih modela u Kini, gdje se jezik i kultura drastično razlikuju od drugih regija etablirane upotrebe (npr. Francuska, Holandija i Sjedinjene Države) [7, 8, 27], dodatno naglašava potencijal za široko rasprostranjeno globalno prihvaćanje i kliničku vrijednost platforme zasnovane na MemTraxu. Ovo je uočljiv primjer u težnji ka harmonizaciji podataka i razvoju praktičnih međunarodnih normi i resursa za modeliranje za kognitivni skrining koji su standardizirani i lako prilagođeni za upotrebu širom svijeta.

Sljedeći koraci u modeliranju i primjeni kognitivnog pada

Kognitivna disfunkcija u AD zaista se javlja u kontinuumu, a ne u diskretnim fazama ili koracima [28, 29]. Međutim, u ovoj ranoj fazi, naš cilj je bio da prvo utvrdimo našu sposobnost da izgradimo model koji uključuje MemTrax koji može fundamentalno razlikovati “normalno” od “nenormalnog”. Inkluzivniji empirijski podaci (npr. snimanje mozga, genetske karakteristike, biomarkeri, komorbiditeti i funkcionalni markeri složenih aktivnosti koje zahtijevaju kognitivne kontrola) [30] u različitim globalnim regionima, populacijama i starosnim grupama kako bi se obučili i razvili sofisticiraniji (uključujući prikladno ponderisani ansambl) modeli mašinskog učenja podržaće veći stepen poboljšane klasifikacije, odnosno sposobnost kategorizacije grupa pacijenata sa MCI u manje i definitivnije podskupove duž kontinuuma kognitivnog pada. Štoviše, esencijalne su istovremene kliničke dijagnoze za pojedince u regionalno raznolikim populacijama pacijenata efikasno trenirati ovi inkluzivniji i predvidljivo robusni modeli. Ovo će olakšati specifičnije stratificirano upravljanje slučajevima za one sa sličnim pozadinom, utjecajima i uže definiranim karakterističnim kognitivnim profilima i na taj način optimizirati podršku pri donošenju kliničkih odluka i brigu o pacijentima.

Većina relevantnih kliničkih istraživanja do sada se bavila pacijentima s barem blagom demencijom; i, u praksi, prečesto se intervencija pacijenata pokušava samo u naprednim fazama. Međutim, budući da kognitivni pad počinje mnogo prije nego što se zadovolje klinički kriteriji za demenciju, djelotvorno primijenjen rani pregled zasnovan na MemTraxu mogao bi potaknuti odgovarajuću edukaciju pojedinaca o bolesti i njenom napredovanju i podstaći ranije i pravovremenije intervencije. Stoga bi rano otkrivanje moglo podržati odgovarajuće uključenosti u rasponu od vježbanja, prehrane, emocionalne podrške i poboljšane socijalizacije do farmakološke intervencije i pojačati promjene u ponašanju i percepciji koje se odnose na pacijente koje bi pojedinačno ili zajedno mogle ublažiti ili potencijalno zaustaviti progresiju demencije [31, 32]. . Štaviše, sa efektivnim rani skrining, pojedinci i njihove porodice mogu biti podstaknuti da razmotre klinička ispitivanja ili dobiju savjetovanje i podršku drugih socijalnih usluga kako bi pomogli u razjašnjavanju očekivanja i namjera i upravljanju svakodnevnim zadacima. Dalja validacija i široko rasprostranjena praktična upotreba na ove načine mogu biti od ključnog značaja za ublažavanje ili zaustavljanje progresije MCI, AD i ADRD za mnoge pojedince.

Zaista, donja granica starosnog raspona pacijenata u našoj studiji ne predstavlja populaciju tradicionalnog problema s AD. Bez obzira na to, prosječna starost za svaku grupu koja se koristi u šemama modeliranja klasifikacije na osnovu MoCA skora/praga i težine dijagnoze (Tabela 3) naglašava jasnu većinu (preko 80%) koja ima najmanje 50 godina. Ova distribucija je stoga vrlo prikladna za generalizaciju, podržavajući korisnost ovih modela u populaciji koja karakteriše one na koje tipično utiče rani početak i rastuće neurokognitivne bolesti zbog AD i VaD. Također, nedavni dokazi i perspektiva naglašavaju one prepoznate faktore (npr. hipertenzija, gojaznost, dijabetes i pušenje) koji potencijalno doprinose većem ranom ocjene vaskularnog rizika kod odraslih i srednjih godina i posljedične suptilne vaskularne ozljede mozga koje se razvijaju podmuklo s evidentnim posljedicama čak i kod mladih odrasli [33–35]. Shodno tome, najoptimalnija prilika za početni skrining za rano otkrivanje faza kognitivnih deficita i pokretanje učinkovitih strategija prevencije i intervencije u uspješnom rješavanju demencije će proizaći iz ispitivanja faktora koji doprinose i prethodnih pokazatelja u čitavom spektru godina, uključujući ranu odraslu dob i potencijalno čak i djetinjstvo (uz napomenu važnosti genetskih faktora kao što je apolipoprotein E od rane gestacije).

U praksi, validne kliničke dijagnoze i skupe procedure za napredno snimanje, genetsko profilisanje i merenje obećavajućih biomarkera nisu uvek lako dostupne ili čak izvodljive za mnoge pružaoce usluga. Stoga, u mnogim slučajevima, početna ukupna klasifikacija kognitivnog zdravstvenog statusa možda će morati biti izvedena iz modela koji koriste druge jednostavne metrike koje pruža pacijent (npr. memorijski problemi, trenutni lijekovi i ograničenja rutinske aktivnosti) i uobičajene demografske karakteristike [7]. Registri kao što je Univerzitet u Kaliforniji Brain zdravlja Registar (https://www.brainhealthregistry.org/) [27] i drugi sa inherentnom većom širinom simptoma koje su sami prijavili, kvalitativnim mjerama (npr. spavanje i svakodnevna spoznaja), lijekovima, zdravstvenim statusom i anamnezom, i detaljniji demografski podaci će biti od ključnog značaja za razvoj i validaciju praktične primene ovih primitivnijih modela u klinici. Nadalje, test kao što je MemTrax, koji je pokazao korisnost u procjeni funkcije pamćenja, može zapravo pružiti znatno bolju procjenu patologije AD od bioloških markera. S obzirom da je ključna karakteristika AD patologije poremećaj neuroplastičnosti i nadmoćno složen gubitak sinapsi, koji se manifestuje epizodično. disfunkcija pamćenja, mjera kojom se procjenjuje epizodično pamćenje može zapravo pružaju bolju procjenu patološkog opterećenja AD od bioloških markera kod živog pacijenta [36].

Sa svim prediktivnim modelima – bilo da su dopunjeni složenim i inkluzivnim podacima iz najsavremenije tehnologije i rafiniranim kliničkim uvidima u više domena ili onima koji su ograničeni na bazičnije i lako dostupne informacije karakteristične za postojeće profile pacijenata – prepoznata prednost umjetne inteligencije a mašinsko učenje je da rezultirajući modeli mogu sintetizirati i induktivno „učiti“ iz relevantnih novih podataka i perspektive koje pruža kontinuirano korištenje aplikacije. Nakon praktičnog transfera tehnologije, budući da se modeli ovdje (i koji će se razvijati) budu primjenjivani i obogaćeni s više slučajeva i relevantnim podacima (uključujući pacijente s komorbiditetima koji bi se mogli pojaviti s posljedičnim kognitivnim padom), performanse predviđanja i klasifikacija kognitivnog zdravlja bit će robusnije, što rezultira efikasnijim uslužnim programom za podršku kliničkom odlučivanju. Ova evolucija će se potpunije i praktičnije realizovati ugrađivanjem MemTrax-a u prilagođene (usmjerene prema dostupnim mogućnostima) platforme koje bi zdravstveni radnici mogli koristiti u realnom vremenu u klinici.

Imperativ za validaciju i korisnost MemTrax modela za dijagnostičku podršku i brigu o pacijentima su veoma traženi značajni longitudinalni podaci. Posmatranjem i bilježenjem pratećih promjena (ako ih ima) u kliničkom statusu u adekvatnom rasponu od normalnog do ranog stadijuma MCI, modeli za odgovarajuću tekuću procjenu i klasifikaciju mogu se obučiti i modificirati kako pacijenti stare i liječe se. To jest, ponovljena korisnost može pomoći u longitudinalnom praćenju blagih kognitivnih promjena, djelotvornosti intervencije i održavanju informirane stratificirane skrbi. Ovaj pristup je bliže kliničkoj praksi i upravljanju pacijentima i slučajevima.

ograničenja

Cijenimo izazov i vrijednost prikupljanja čistih kliničkih podataka u kontroliranoj klinici/bolnici. Ipak, ojačalo bi naše modeliranje da su naši skupovi podataka uključivali više pacijenata sa zajedničkim karakteristikama. Štaviše, specifično za naše modeliranje dijagnoze, bilo bi poželjnije i prikladnije da se ista klinička procjena provodi na odgovarajućim pacijentima s normalnim kognitivnim zdravljem za obuku učenika. I kao što je naglašeno većim performansama klasifikacije koristeći filtrirani skup podataka (samo četiri najbolje rangirane karakteristike), opštije i mjere/indikatori kognitivnog zdravlja bi se vjerovatno poboljšali modeliranje performansi sa većim brojem zajedničkih karakteristika kod svih pacijenata.

Određeni učesnici su mogli istovremeno imati i druge bolesti koje su mogle izazvati prolazne ili hronične kognitivne nedostatke. Osim XL podskupa podataka gdje su pacijenti dijagnostički klasificirani da imaju AD ili VaD, podaci o komorbiditetu nisu prikupljeni/prijavljeni u grupi pacijenata YH, a dominantni prijavljeni komorbiditet daleko u KM podskupu podataka bio je dijabetes. Međutim, može se raspravljati da bi uključivanje pacijenata u naše šeme modeliranja s komorbiditetima koji bi mogli potaknuti ili pogoršati nivo kognitivnog nedostatka i posljedično niže performanse MemTrax-a bilo reprezentativnije za ciljnu populaciju pacijenata u stvarnom svijetu za ovaj generaliziraniji rani kognitivni skrining i pristup modeliranju. Napredak, tačna dijagnoza komorbiditeta koji potencijalno utječu na kognitivne performanse je široko korisna za optimizaciju modela i rezultirajućih aplikacija za njegu pacijenata.

Na kraju, pacijenti YH i KM podseta podataka koristili su pametni telefon za polaganje MemTrax testa, dok je ograničen broj pacijenata sa XL podsetom podataka koristio iPad, a ostali su koristili pametni telefon. Ovo je moglo uvesti manju razliku u odnosu na uređaj u performansama MemTrax-a za modeliranje MoCA klasifikacije. Međutim, razlike (ako ih ima) u MTx-RT, na primjer, između uređaja bi vjerovatno bile zanemarljive, posebno ako se svakom učesniku da „vježbanje“ testa neposredno prije snimljenog testa. Ipak, korisnost ova dva ručna uređaja potencijalno kompromituje direktno poređenje i/ili integraciju sa drugim MemTrax rezultatima gde su korisnici odgovarali na ponovljene slike dodirivanjem razmaknice na tastaturi računara.

Ključne točke uslužnog programa za prediktivno modeliranje MemTrax

  • • Naši prediktivni modeli s najboljim učinkom koji obuhvataju odabrane metrike performansi MemTrax-a mogu pouzdano klasificirati kognitivni zdravstveni status (normalno kognitivno zdravlje ili MCI) kao što bi pokazalo široko priznati MoCA test.
  • • Ovi rezultati podržavaju integraciju odabranih metrika performansi MemTrax-a u aplikaciju za skrining prediktivnog modela klasifikacije za ranu fazu kognitivnog oštećenja.
  • • Naše modeliranje klasifikacije je također otkrilo potencijal za korištenje MemTrax performansi u aplikacijama za razlikovanje težine dijagnoze demencije.

Ovi novi nalazi uspostavljaju definitivne dokaze koji podržavaju korisnost mašinskog učenja u izgradnji poboljšanih robusnih modela klasifikacije zasnovanih na MemTrax-u za dijagnostičku podršku u efikasnom upravljanju kliničkim slučajevima i brizi o pacijentima za osobe sa kognitivnim oštećenjem.

PRIZNANJA

Prepoznajemo rad J. Wesson Ashforda, Curtisa B. Ashforda i kolega na razvoju i validaciji zadatka i alata za kontinuirano online prepoznavanje (MemTrax) koji se ovdje koristi i zahvalni smo brojnim pacijentima s demencijom koji su doprinijeli kritičkom temeljnom istraživanju . Također zahvaljujemo Xianbo Zhouu i njegovim kolegama u SJN Biomed LTD, njegovim kolegama i saradnicima u bolnicama/klinikama, posebno dr. M. Luo i M. Zhong, koji su pomogli u regrutovanju učesnika, zakazivanju testova i prikupljanju, snimanju i front-end upravljanju podacima, i učesnicima volonterima koji su donirali svoje dragoceno vreme i obavezali se da će polagati testove i obezbediti vrijedne podatke za procjenu u ovoj studiji. Ovo studija je dijelom podržana od strane MD Scientific Research Program Medicinskog univerziteta u Kunmingu (Grant br. 2017BS028 do XL) i Istraživački program Odeljenja za nauku i tehnologiju Yunnan (Grant br. 2019FE001 (-222) do XL).

J. Wesson Ashford je podnio patentnu prijavu za korištenje specifične paradigme kontinuiranog priznavanja opisane u ovom radu za opće testiranje memorije.

MemTrax, LLC je kompanija u vlasništvu Curtisa Ashforda, a ova kompanija upravlja testiranje memorije sistem opisan u ovom radu.

Otkrivanja autora dostupna na internetu (https://www.j-alz.com/manuscript-disclosures/19-1340r2).

test memorije test demencije test gubitka pamćenja test gubitka kratkoročnog pamćenja test ram test um dijeta razne knjige kognitivni test online
Curtis Ashford – Koordinator kognitivnog istraživanja

REFERENCE

[1] Udruženje za Alchajmerovu bolest (2016) 2016 Činjenice o Alchajmerovoj bolesti i brojke. Alchajmerov dement 12, 459–509.
[2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Efekat ranog stadija Alzheimerova bolest na finansijske rezultate domaćinstva. 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) Poboljšanje kvaliteta u neurologija: set za mjerenje kvaliteta blagog kognitivnog oštećenja. Neurology 93, 705–713.
[4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) Isplativost korištenja kognitivni skrining testovi za otkrivanje demencije i blagog kognitivnog oštećenja u primarnoj zdravstvenoj zaštiti. Int J Geriatr Psychiatry 32, 1392–1400.
[5] Ashford JW, Gere E, Bayley PJ (2011) Merenje memorije u velikim grupama koristeći kontinuirani test prepoznavanja. J Alzheimer Dis 27, 885–895.
[6] Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Kompjuterizirani zadatak kontinuiranog prepoznavanja za mjerenje epizodne memorije. J Alzheimer Dis 69, 385–399.
[7] Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Performanse epizodne memorije u modeliranju mašinskog učenja za predviđanje klasifikacije kognitivnog zdravstvenog statusa. J Alzheimers Dis 70, 277–286.
[8] Van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The MemTrax test u poređenju sa montrealskom kognitivnom procjenom blagog kognitivnog oštećenja. J Alzheimer Dis 67, 1045–1054.
[9] Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Korištenje izoliranih samoglasnika za klasifikaciju blage traumatske ozljede mozga. 2013. IEEE Međunarodna konferencija o akustici, govoru i obradi signala, Vancouver, BC, str. 7577–7581.
[10] Dabek F, Caban JJ (2015) Korištenje velikih podataka za modeliranje vjerovatnoće razvoja psiholoških stanja nakon potresa mozga. Procedia Comput Sci 53, 265–273.
[11] Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Stablo odlučivanja za rano otkrivanje kognitivnih oštećenja od strane farmaceuta u zajednici. Front Pharmacol 9, 1232.
[12] Nasreddine ZS, Phillips NA, Bedirian V, Charbonneau S, Whitehead V, Collin I, Cummings JL, Chertkow H (2005) Montrealska kognitivna procjena, MoCA: Kratki alat za skrining za blago kognitivno oštećenje. J Am Geriatr Soc 53, 695–699.
[13] Yu J, Li J, Huang X (2012) Pekinška verzija montrealske kognitivne procjene kao kratka alatka za skrining za blago kognitivno oštećenje: studija u zajednici. BMC Psihijatrija 12, 156.
[14] Chen KL, Xu Y, Chu AQ, Ding D, Liang XN, Nasreddine ZS, Dong Q, Hong Z, Zhao QH, Guo QH (2016) Validacija kineske verzije Montrealske kognitivne procjene osnovne za skrining blagog kognitivnog oštećenja. J Am Geriatr Soc 64, e285–e290.
[15] Carson N, Leach L, Murphy KJ (2018) Ponovno ispitivanje graničnih rezultata Montrealske kognitivne procjene (MoCA). Int J Geriatr Psychiatry 33, 379–388.
[16] Američka psihijatrijska asocijacija (2013) Task Force Dijagnostički i statistički priručnik za mentalne poremećaje: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC.
[17] Python. Python Software Foundation, http://www.python.org, pristupljeno 15. novembra 2019.
[18] R Core Group, R: Jezik i okruženje za statističko računarstvo R Fondacija za statističko računarstvo, Beč, Austrija. https://www.R-project.org/, 2018, pristupljeno 15. novembra 2019.
[19] Benavoli A , Corani G , Demšar J , Zaffalon M (2017) Vrijeme za promjenu: Tutorijal za poređenje višestrukih klasifikatora kroz Bayesovu analizu. J Mach Learn Res 18, 1–36.
[20] Frank E, Hall MA, Witten IH (2016) WEKA Workbench. U Data Mining: praktični alati i tehnike mašinskog učenja, Frank E, Hall MA, Witten IH, Pal CJ, ur. Morgan Kaufmann https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf
[21] Bergeron MF, Landset S, Maugans TA, Williams VB, Collins CL, Wasserman EB, Khoshgoftaar TM (2019) Strojno učenje u modeliranju rješavanja simptoma potresa u srednjoškolskom sportu. Med Sci Sports Exerc 51, 1362–1371.
[22] Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Eksperimentalne perspektive učenja iz neuravnoteženih podataka. U Zbornik radova 24. međunarodne konferencije o mašinskom učenju, Corvalis, Oregon, SAD, str. 935-942.
[23] Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Procjena Alchajmerovog bolesnika i mini-mentalno stanje: Analiza karakteristične krive stavke.P. J Gerontol 44, 139–146.
[24] Ashford JW, Jarvik L (1985) Alzheimerova bolest: Da li plastičnost neurona predisponira aksonalnu neurofibrilarnu degeneraciju? N Engl J Med 313, 388–389.
[25] Jack CR Jr, Therneau TM, Weigand SD, Wiste HJ, Knopman DS, Vemuri P, Lowe VJ, Mielke MM, Roberts RO, Machulda MM, Graff-Radford J, Jones DT, Schwarz JMLCG, Gunterz CLCG, , Rocca WA , Petersen RC (2019.) Prevalencija biološki naspram klinički definiranih entiteta Alchajmerovog spektra koristeći Nacionalni institut za starenje-Alchajmerovu bolest Istraživanje udruženja okvir. JAMA Neurol 76, 1174–1183.
[26] Zhou X, Ashford JW (2019) Napredak u instrumentima za skrining za Alzheimerova bolest. Aging Med 2, 88–93.
[27] Weiner MW, Nosheny R, Camacho M, Truran-Sacrey D, Mackin RS, Flenniken D, Ulbricht A, Insel P, Finley S, Fockler J, Veitch D (2018) The Brain zdravlja Registar: Internet-bazirana platforma za regrutaciju, procjenu i longitudinalno praćenje učesnika za studije neuronauke. Alchajmerov dement 14, 1063–1076.
[28] Ashford JW, Schmitt FA (2001) Modeliranje vremenskog toka Alchajmerova demencija. Curr Psychiatry Rep 3, 20–28.
[29] Li X , Wang X , Su L , Hu X , Han Y (2019.) Kineska longitudinalna studija o kognitivnom opadanju (SILCODE): Protokol za kinesku longitudinalnu opservacionu studiju za razvoj modela predviđanja rizika konverzije u blago kognitivno oštećenje kod osoba sa subjektivnim kognitivnim odbiti. BMJ Open 9, e028188.
[30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015) Petogodišnja varijabilnost progresije biomarkera za Alchajmerova bolest demencija predviđanje: Može li kompleksna instrumentalna aktivnost svakodnevnog života popuniti praznine? Alchajmerov dement (Amst) 1, 521–532.
[31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) Prevencija i liječenje Alchajmerove bolesti: Biološki mehanizmi vježbanja. J Alzheimer Dis 69, 311–338.
[32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) Terapije za prevencija i liječenje Alchajmerove bolesti. 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) Asocijacije između vaskularnog rizika u odrasloj dobi i patologije mozga u kasnoj životnoj dobi: Dokazi iz britanske kohorte rođenja. JAMA Neurol 77, 175–183.
[34] Seshadri S (2020) Prevencija razmišljanja o demenciji izvan starosti i amiloidne kutije. 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) Efekti sistoličkog krvnog tlaka na integritet bijele tvari kod mladih odraslih osoba u Framinghamskoj studiji srca: križ -sekciona studija. Lancet Neurol 11, 1039–1047.
[36] Fink HA, Linskens EJ, Silverman PC, McCarten JR, Hemmy LS, Ouellette JM, Greer NL, Wilt TJ, Butler M (2020) Preciznost testiranja biomarkera za neuropatološki definirane Alchajmerova bolest kod starijih osoba sa demencijom. Ann Intern Med 172, 669–677.

Afilijacije: [a] SIVOTEC Analytics, Boca Raton, FL, SAD | [b] Odsjek za računarstvo i elektrotehniku ​​i računarske nauke, Florida Atlantic University, Boca Raton, FL, SAD | [c] SJN Biomed LTD, Kunming, Yunnan, Kina | [d] Centar za Alchajmerovo istraživanje, Washington Institute of Clinical Research, Washington, DC, SAD | [e] Odjel za rehabilitacijsku medicinu, Prva pridružena bolnica Medicinskog univerziteta Kunming, Kunming, Yunnan, Kina | [f] Odjel za neurologiju, Dehong People's Hospital, Dehong, Yunnan, Kina | [g] Odjel za neurologiju, prva pridružena bolnica Medicinskog univerziteta u Kunmingu, okrug Wuhua, Kunming, provincija Yunnan, Kina | [h] Centar za proučavanje bolesti i povreda vezanih za rat, VA Palo Alto zdravstvo System, Palo Alto, Kalifornija, SAD | [i] Odsjek za psihijatriju i bihevioralne nauke, Medicinski fakultet Univerziteta Stanford, Palo Alto, Kalifornija, SAD

Dopisivanje: [*] Dopisivanje sa: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, SAD. E-mail: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Odsjek za neurologiju, Prva pridružena bolnica Medicinskog univerziteta u Kunmingu, 295 Xichang Road, Wuhua District, Kunming, provincija Yunnan 650032, Kina. E-mail: ring@vip.163.com.

Ključne riječi: starenje, Alzheimerova bolest, demencija, masovni skrining