Utility sa MemTrax ug Machine Learning Modeling sa Klasipikasyon sa Mild Cognitive Impairment
Artikulo sa Panukiduki
Mga awtor: 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
Journal: Journal sa Alzheimer's Disease, vol. 77, dili. 4, pp. 1545-1558, 2020
abstract
background:
Ang kaylap nga insidente ug pagkaylap sa Sakit nga Alzheimer ug mild cognitive impairment (MCI) nag-aghat sa dinalian nga panawagan alang sa panukiduki aron ma-validate ang sayo nga pagtuki sa cognitive screening ug assessment.
Tumong:
Ang among panguna nga katuyoan sa panukiduki mao ang pagtino kung ang gipili nga mga sukatan sa pasundayag sa MemTrax ug may kalabutan nga mga demograpiko ug mga kinaiya sa profile sa kahimsog mahimong epektibo nga magamit sa mga predictive nga modelo nga gihimo uban ang pagkat-on sa makina aron maklasipikar ang kahimsog sa pangisip (normal kumpara sa MCI), ingon nga gipakita sa Pagsusi sa Cognitive sa Montreal (MoCA).
Pamaagi:
Naghimo kami usa ka cross-sectional nga pagtuon sa 259 nga neurology, memory clinic, ug internal nga medisina nga mga hamtong nga pasyente nga gi-recruit gikan sa duha. mga ospital sa China. Ang matag pasyente gihatagan sa Chinese-language nga MoCA ug gidumala sa kaugalingon ang padayon nga pag-ila sa MemTrax online episodic pagsulay sa memorya online sa samang adlaw. Ang predictive classification models gihimo gamit ang machine learning nga adunay 10-fold cross validation, ug ang performance sa modelo gisukod gamit ang Area Under the Receiver Operating Characteristic Curve (AUC). Gitukod ang mga modelo gamit ang duha ka sukatan sa performance sa MemTrax (porsiyento nga husto, oras sa pagtubag), kauban ang walo ka sagad nga bahin sa demograpiko ug personal nga kasaysayan.
Results:
Ang pagtandi sa mga estudyante sa mga pinili nga kombinasyon sa MoCA scores ug thresholds, ang Naïve Bayes sa kasagaran mao ang top-performing learner nga adunay kinatibuk-ang klasipikasyon nga performance nga 0.9093. Dugang pa, taliwala sa nag-una nga tulo ka mga estudyante, ang performance sa klasipikasyon nga nakabase sa MemTrax sa kinatibuk-an mas labaw gamit lamang ang top-ranked nga upat ka mga feature (0.9119) kumpara sa paggamit sa tanang 10 ka komon nga feature (0.8999).
Panapos:
Ang pasundayag sa MemTrax mahimong epektibong magamit sa usa ka makina nga pagkat-on sa klasipikasyon sa prediktibo nga modelo aplikasyon sa screening alang sa pag-ila sa sayo nga yugto sa pagkadaot sa panghunahuna.
PASIUNA
Ang giila (bisan wala madayagnos) kaylap nga mikaylap nga insidente ug pagkaylap ug susama nga nagkadaghan nga medikal, sosyal, ug publiko sa panglawas Ang mga gasto ug palas-anon sa Alzheimer's disease (AD) ug mild cognitive impairment (MCI) nagkagrabe alang sa tanang stakeholders [1, 2]. Kini nga makapaguol ug burges nga senaryo nag-aghat sa usa ka dinalian nga panawagan alang sa panukiduki aron mapamatud-an sayo nga nakita cognitive screening ug mga instrumento sa pagtasa alang sa regular nga praktikal nga gamit sa personal ug klinikal nga mga setting alang sa mga tigulang nga pasyente sa lainlaing mga rehiyon ug populasyon [3]. Kini nga mga instrumento kinahanglan usab nga maghatag alang sa hapsay nga paghubad sa mga resulta sa kasayuran ngadto sa mga rekord sa kahimsog sa elektroniko. Ang mga benepisyo matuman pinaagi sa pagpahibalo sa mga pasyente ug pagtabang sa mga doktor sa pag-ila sa mahinungdanong mga pagbag-o sa sayo pa ug sa ingon makahimo sa mas dali ug tukma sa panahon nga stratification, pagpatuman, ug pagsubay sa angay nga indibidwal ug mas epektibo nga gasto sa pagtambal ug pag-atiman sa pasyente alang niadtong nagsugod sa pagsinati. pagkawala sa panghunahuna [3, 4].
Ang computerized MemTrax tool (https://memtrax.com) mao ang usa ka yano ug mubo nga padayon nga pag-ila sa pagtasa nga mahimong ipangalagad sa kaugalingon online aron masukod ang mahagiton nga gitakdang panahon nga episodic memory performance diin ang user motubag sa balik-balik nga mga hulagway ug dili sa usa ka inisyal nga presentasyon [5, 6]. Ang bag-o nga panukiduki ug miresulta nga praktikal nga mga implikasyon nagsugod sa progresibo ug kolektibong pagpakita sa klinikal nga kaepektibo sa MemTrax sa sayo nga AD ug MCI screening [5-7]. Bisan pa, direkta nga pagtandi sa klinikal nga gamit sa naa na kahimsog sa panghunahuna Ang pagtasa ug naandan nga mga sumbanan gikinahanglan aron mapahibalo ang propesyonal nga panan-aw ug pamatud-an ang utility sa MemTrax sa sayo nga pag-ila ug suporta sa diagnostic. van der Hoek ug uban pa. [8] gitandi ang pinili nga mga sukatan sa pasundayag sa MemTrax (katulin sa reaksyon ug porsyento nga husto) sa kahimtang sa panghunahuna nga gitino sa Montreal Pagsusi sa Cognitive (MoCA). Bisan pa, kini nga pagtuon limitado sa pag-asoy sa kini nga mga sukatan sa pasundayag nga adunay pagkilala sa kahimtang sa panghunahuna (ingon nga gitino sa MoCA) ug pagtino sa mga paryente nga gilay-on ug mga kantidad sa cutoff. Tungod niini, aron mapalapad kini nga imbestigasyon ug mapaayo ang pasundayag sa klasipikasyon ug kaepektibo, ang among panguna nga pangutana sa panukiduki mao ang:
- Mahimo ba nga gipili sa usa ka indibidwal ang mga sukatan sa performance sa MemTrax ug may kalabutan nga demograpiko ug kahimsog profile ang mga kinaiya epektibong magamit sa usa ka predictive nga modelo nga gihimo uban sa machine learning aron sa pagklasipikar sa cognitive health nga dichotomously (normal versus MCI), ingon sa gipakita sa usa ka MoCA score?
Ikaduha niini, gusto namon mahibal-an:
- Lakip ang parehas nga mga bahin, mahimo ba nga epektibo nga magamit ang usa ka modelo sa pagkat-on sa makina nga nakabase sa pasundayag sa MemTrax sa usa ka pasyente aron matagna ang kagrabe (banay batok sa grabe) sa sulod sa mga pinili nga kategorya sa pagkadaot sa panghunahuna nga matino sa usa ka independente nga diagnosis sa klinika?
Ang pag-abut ug nagbag-o nga praktikal nga aplikasyon sa artificial intelligence ug machine learning sa screening/detection nagpakita na og lahi nga praktikal nga mga bentaha, uban ang predictive modeling nga epektibong naggiya sa mga clinician sa mahagitong assessment sa cognitive/brain health ug pasyente nga pagdumala. Sa among pagtuon, gipili namo ang susamang pamaagi sa MCI classification modeling ug cognitive impairment severity discrimination nga gikumpirma sa clinical diagnosis gikan sa tulo ka datasets nga nagrepresentar sa piniling volunteer inpatient ug outpatients gikan sa duha ka ospital sa China. Gamit ang machine learning predictive modeling, among giila ang top-performing learners gikan sa lain-laing dataset/leaner combinations ug niranggo ang mga feature aron mogiya kanamo sa pagdeterminar sa labing praktikal nga clinically model applications.
Ang among mga pangagpas mao nga ang usa ka balido nga MemTrax-based nga modelo mahimong magamit sa pagklasipikar sa cognitive health dichotomously (normal o MCI) base sa MoCA aggregate score threshold criterion, ug nga ang susama nga MemTrax predictive model mahimong epektibong magamit sa pagpihig sa kagrabe sa pinili nga mga kategoriya sa clinically nadayagnos igpaila danyos. Ang pagpakita sa gipaabot nga mga resulta mahimong instrumento sa pagsuporta sa kaepektibo sa MemTrax isip usa ka sayo nga detection screen alang sa pagkunhod sa panghunahuna ug klasipikasyon sa pagkadaot sa panghunahuna. Ang paborableng pagtandi sa usa ka industriya nga giingong standard nga gisuportahan sa mas dako nga kasayon ug kadali sa utility mahimong maimpluwensyahan sa pagtabang sa mga clinician sa pagsagop niining yano, kasaligan, ug accessible nga himan isip usa ka inisyal nga screen sa pag-ila sa sayo (lakip ang prodromal) nga stage cognitive deficits. Ang ingon nga pamaagi ug gamit mahimo nga mag-aghat sa mas tukma sa panahon ug mas maayo nga stratified nga pag-atiman ug interbensyon sa pasyente. Kini nga mga panabut nga naghunahuna sa unahan ug gipaayo nga mga sukatan ug modelo mahimo usab nga makatabang sa pagpagaan o paghunong sa pag-uswag sa dementia, lakip ang AD ug AD-related nga dementias (ADRD).
MGA MATERIALS AND METHODS
Pagtuon sa populasyon
Tali sa Enero 2018 ug Agosto 2019, ang cross-sectional nga panukiduki nahuman sa mga pasyente nga gi-recruit gikan sa duha ka ospital sa China. Ang pagdumala sa MemTrax [5] ngadto sa mga indibidwal nga nag-edad og 21 ka tuig pataas ug ang pagkolekta ug pagtuki sa mga datos gisusi ug giaprobahan ug gipangalagad subay sa etikal nga mga sumbanan sa sa tawo Komite sa Pagpanalipod sa Subject sa Stanford University. Ang MemTrax ug ang tanan nga uban pang pagsulay alang niining kinatibuk-ang pagtuon gihimo sumala sa deklarasyon sa Helsinki sa 1975 ug giaprobahan sa Institutional Review Board sa First Affiliated Hospital sa Kunming Medical University sa Kunming, Yunnan, China. Ang matag user gihatagan og usa ka gipahibalo nga pagtugot porma sa pagbasa/pagrepaso ug dayon boluntaryong mouyon sa pag-apil.
Ang mga partisipante gi-recruit gikan sa pool sa mga outpatient sa neurology clinic sa Yanhua Hospital (YH sub-dataset) ug ang memory clinic sa First Affiliated Hospital sa Kunming Medical Unibersidad (XL sub-dataset) sa Beijing, China. Ang mga partisipante gi-recruit usab gikan sa neurology (XL sub-dataset) ug internal medicine (KM sub-dataset) nga mga inpatient sa First Affiliated Hospital sa Kunming Medical University. Ang mga kriterya sa paglakip naglakip sa 1) mga lalaki ug babaye labing menos 21 ka tuig ang edad, 2) abilidad sa pagsulti sa Intsik (Mandarin), ug 3) abilidad sa pagsabut sa binaba ug sinulat nga mga direksyon. Ang mga kriterya sa eksklusibo mao ang mga kapansanan sa panan-aw ug motor nga nagpugong sa mga partisipante sa pagkompleto sa Pagsulay sa MemTrax, ingon man ang kawalay katakus sa pagsabut sa piho nga mga panudlo sa pagsulay.
Intsik nga bersyon sa MemTrax
Ang online Ang plataporma sa pagsulay sa MemTrax gihubad ngadto sa Intsik (URL: https://www.memtrax.com.cn) ug dugang nga gipahaom aron magamit pinaagi sa WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) para sa kaugalingong pagdumala. Ang datos gitipigan sa cloud server (Ali Cloud) nga nahimutang sa China ug lisensyado gikan sa Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, China) sa SJN Biomed LTD (Kunming, Yunnan, China). Ang piho nga mga detalye sa MemTrax ug pagsulay validity criteria nga gigamit dinhi gihulagway na kaniadto [6]. Ang pagsulay gihatag nga walay bayad sa mga pasyente.
Mga pamaagi sa pagtuon
Para sa mga inpatient ug outpatient, usa ka kinatibuk-ang papel nga pangutana alang sa pagkolekta sa demograpiko ug personal nga impormasyon sama sa edad, sekso, tuig sa edukasyon, trabaho, nagpuyo nga nag-inusara o uban sa pamilya, ug medikal nga kasaysayan gipangalagad sa usa ka sakop sa grupo sa pagtuon. Human sa pagkompleto sa pangutana, ang MoCA [12] ug MemTrax nga mga pagsulay gipangalagad (MoCA una) nga dili molapas sa 20 ka minuto tali sa mga pagsulay. Ang porsyento sa MemTrax nga husto (MTx-% C), mean response time (MTx-RT), ug petsa ug oras sa pagsulay girekord sa papel sa usa ka sakop sa grupo sa pagtuon alang sa matag partisipante nga gisulayan. Ang nahuman nga pangutana ug ang mga resulta sa MoCA gi-upload sa usa ka Excel spreadsheet sa tigdukiduki nga nagdumala sa mga pagsulay ug gipamatud-an sa usa ka kauban sa wala pa ang mga file sa Excel gitipigan alang sa pag-analisar.
Pagsulay sa MemTrax
Ang MemTrax online nga pagsulay naglakip sa 50 ka mga hulagway (25 nga talagsaon ug 25 nga gisubli; 5 ka set sa 5 ka mga hulagway sa komon nga mga talan-awon o mga butang) nga gipakita sa usa ka piho nga pseudo-random nga han-ay. Ang partisipante (matag instruksyon) mohikap sa Start button sa screen aron masugdan ang pagsulay ug magsugod sa pagtan-aw sa serye sa hulagway ug pag-usab sa paghikap sa hulagway sa screen sa labing madali nga panahon sa matag higayon nga adunay balik-balik nga hulagway nga makita. Ang matag hulagway nagpakita sulod sa 3 s o hangtud nga ang hulagway sa screen natandog, nga nag-aghat sa diha-diha nga presentasyon sa sunod nga hulagway. Gamit ang internal nga orasan sa lokal nga aparato, ang MTx-RT alang sa matag imahe gitino sa milabay nga oras gikan sa pagpresentar sa imahe hangtod kung ang screen gihikap sa partisipante agig tubag sa pag-ila sa imahe ingon usa nga gipakita na. atol sa pagsulay. Ang MTx-RT girekord alang sa matag hulagway, nga adunay bug-os nga 3 s nga natala nga nagpakita nga walay tubag. Ang MTx-% C gikalkulo aron ipakita ang porsyento sa pag-usab ug inisyal nga mga hulagway diin ang user mitubag sa husto (tinuod nga positibo + tinuod nga negatibo gibahin sa 50). Ang dugang nga mga detalye sa administrasyon ug pagpatuman sa MemTrax, pagkunhod sa datos, dili balido o "walay tubag" nga datos, ug mga pag-analisar sa panguna nga datos gihulagway sa ubang dapit [6].
Ang pagsulay sa MemTrax gipatin-aw sa detalye ug usa ka pagsulay sa praktis (nga adunay talagsaon nga mga imahe gawas sa gigamit sa pagsulay alang sa mga resulta sa pagrekord) gihatag sa mga partisipante sa kahimtang sa ospital. Ang mga partisipante sa YH ug KM sub-datasets mikuha sa MemTrax test sa usa ka smartphone nga puno sa aplikasyon sa WeChat; samtang ang limitado nga gidaghanon sa XL sub-dataset nga mga pasyente migamit ug iPad ug ang uban migamit ug smartphone. Ang tanan nga mga partisipante mikuha sa MemTrax nga pagsulay uban sa usa ka imbestigador sa pagtuon nga walay pagtagad nga nag-obserbar.
Pagsusi sa panghunahuna sa Montreal
Ang bersyon sa Beijing sa Chinese MoCA (MoCA-BC) [13] gidumala ug gi-iskor sa mga nabansay nga tigdukiduki sumala sa opisyal nga instruksyon sa pagsulay. Angay, ang MoCA-BC gipakita nga kasaligan pagsulay alang sa cognitive screening sa tanang lebel sa edukasyon sa mga tigulang nga Chinese [14]. Ang matag pagsulay mokabat sa 10 ngadto sa 30 ka minuto aron ipangalagad base sa tagsa-tagsa ka partisipante nga mga abilidad sa panghunahuna.
Pagmodelo sa klasipikasyon sa MoCA
Adunay kinatibuk-an nga 29 nga magamit nga mga bahin, lakip ang duha nga MemTrax test performance metrics ug 27 ka feature nga may kalabutan sa demograpiko ug panglawas impormasyon alang sa matag partisipante. Ang matag pasyente sa MoCA aggregate nga marka sa pagsulay gigamit ingon nga cognitive screening "benchmark" aron mabansay ang among predictive nga mga modelo. Subay niini, tungod kay gigamit ang MoCA sa paghimo sa label sa klase, dili namo magamit ang aggregate score (o bisan unsa sa MoCA subset score) isip independente nga feature. Naghimo kami og pasiuna nga mga eksperimento diin among gimodelo (pagklasipikar ang kahimsog sa pangisip nga gihubit sa MoCA) ang orihinal nga tulo nga mga sub-dataset sa ospital / klinika nga tinagsa ug dayon gihiusa gamit ang tanan nga mga bahin. Bisan pa, ang tanan nga parehas nga mga elemento sa datos wala nakolekta sa matag usa sa upat nga mga klinika nga nagrepresentar sa tulo nga mga sub-dataset; sa ingon, daghan sa among mga bahin sa hiniusa nga dataset (kung gigamit ang tanan nga mga bahin) adunay taas nga insidente sa nawala nga mga kantidad. Naghimo kami dayon og mga modelo nga adunay hiniusa nga dataset gamit lamang ang mga komon nga bahin nga miresulta sa mas maayo nga performance sa klasipikasyon. Kini lagmit gipatin-aw pinaagi sa usa ka kombinasyon nga adunay daghang mga higayon nga magamit pinaagi sa paghiusa sa tulo nga mga sub-dataset sa pasyente ug wala’y mga bahin nga adunay dili angay nga pagkaylap sa nawala nga mga kantidad (usa ra ka bahin sa hiniusa nga dataset, tipo sa trabaho, adunay nawala nga mga kantidad, nakaapekto tulo ra nga mga kaso sa pasyente), tungod kay ang kasagaran nga mga bahin nga natala sa tanan nga tulo nga mga site ang gilakip. Ilabi na, wala kami usa ka piho nga sukdanan sa pagsalikway alang sa matag bahin nga sa katapusan wala maapil sa hiniusa nga dataset. Apan, sa among preliminary combined dataset modeling, una namong gigamit ang tanang feature gikan sa matag usa sa tulo ka separado nga pasyente nga sub-datasets. Kini kaylap nga miresulta sa performance sa modelo nga mas ubos kay sa inisyal nga preliminary modeling sa matag indibidwal nga sub-dataset. Dugang pa, samtang ang performance sa klasipikasyon sa mga modelo nga gitukod gamit ang tanan nga mga bahin makapadasig, sa tanan nga mga estudyante ug mga laraw sa klasipikasyon, ang pasundayag miuswag sa doble sa daghang mga modelo kung gigamit lamang ang mga sagad nga bahin. Sa tinuud, taliwala sa kung unsa ang nahimo nga among nanguna nga mga tigkat-on, ang tanan gawas sa usa ka modelo milambo sa pagwagtang sa dili kasagaran nga mga bahin.
Ang katapusan nga aggregate dataset (YH, XL, ug KM gihiusa) naglakip sa 259 ka mga higayon, ang matag usa nagrepresentar sa usa ka talagsaon nga partisipante nga mikuha sa MemTrax ug sa MoCA nga mga pagsulay. Adunay 10 ka gipaambit nga independente nga mga bahin: MemTrax performance metrics: MTx-% C ug mean MTx-RT; impormasyon sa demograpiko ug medikal nga kasaysayan: edad, sekso, mga tuig sa edukasyon, matang sa trabaho (asul nga kwelyo/puting kwelyo), sosyal nga suporta (kon ang nagkuha sa pagsulay nagpuyo nga nag-inusara o uban sa pamilya), ug oo/dili mga tubag kon ang tiggamit adunay kasaysayan sa diabetes, hyperlipidemia, o traumatic brain injury. Duha ka dugang nga metrics, MoCA aggregate score ug MoCA aggregate score nga gi-adjust alang sa mga tuig sa edukasyon [12], gigamit nga gilain aron sa pagpalambo sa nagsalig nga mga label sa klasipikasyon, sa ingon naghimo og duha ka managlahi nga modelo nga mga laraw nga magamit sa among hiniusa nga dataset. Alang sa matag bersyon (gipasibo ug wala gibag-o) sa marka sa MoCA, ang datos gilain pag-usab nga gi-modelo alang sa binary nga klasipikasyon gamit ang duha ka lainlaing sukaranan nga sukaranan-ang una nga girekomenda [12] ug usa ka alternatibo nga kantidad nga gigamit ug gipasiugda sa uban [8, 15]. Sa alternatibong pamaagi sa klasipikasyon sa threshold, ang usa ka pasyente giisip nga adunay normal nga kahimsog sa pangisip kung s / siya naka-iskor og ≥23 sa pagsulay sa MoCA ug adunay MCI kung ang marka 22 o mas ubos; samtang, sa inisyal nga girekomendar nga pormat sa klasipikasyon, ang pasyente kinahanglang moiskor og 26 o mas maayo sa MoCA aron mamarkahan nga adunay normal nga kahimsog sa pangisip.
Nasala nga datos para sa pagmodelo sa klasipikasyon sa MoCA
Gisusi pa namo ang klasipikasyon sa MoCA gamit ang upat ka kasagarang gigamit nga feature ranking techniques: Chi-Squared, Gain Ratio, Information Gain, ug Symmetrical Uncertainty. Alang sa interim nga panan-aw, among gipadapat ang mga ranggo sa tibuuk nga hiniusa nga dataset gamit ang matag usa sa among upat nga mga laraw sa pagmodelo. Ang tanan nga mga ranggo nag-uyon sa parehas nga nanguna nga mga bahin, ie, edad, gidaghanon sa mga tuig sa edukasyon, ug pareho nga mga sukatan sa pasundayag sa MemTrax (MTx-% C, nagpasabut nga MTx-RT). Gitukod namo pag-usab ang mga modelo gamit ang matag teknik sa pagpili sa feature aron mabansay ang mga modelo sa ibabaw lamang sa upat ka feature (tan-awa Pinili nga kapilian sa ubos).
Ang resulta nga katapusang walo ka mga variation sa MoCA score classification modeling schemes gipresentar sa Table 1.
Talaan 1
Katingbanan sa mga kalainan sa pamaagi sa pagmodelo nga gigamit alang sa klasipikasyon sa MoCA (Normal Pangisip nga Panglawas batok sa MCI)
Modeling Scheme | Normal nga Pangisip nga Panglawas (Negatibo nga Klase) | MCI (Positibo nga Klase) |
Gipahiangay-23 Wala Nasala/Nasala | 101 (39.0%) | 158 (61.0%) |
Gipahiangay-26 Wala Nasala/Nasala | 49 (18.9%) | 210 (81.1%) |
Wala Mapasibo-23 Wala Nasala/Nasala | 92 (35.5%) | 167 (64.5%) |
Wala Mapasibo-26 Wala Nasala/Nasala | 42 (16.2%) | 217 (83.8%) |
Ang tagsa-tagsa nga gidaghanon ug porsyento sa kinatibuk-ang mga pasyente sa matag klase gipalahi pinaagi sa pag-adjust sa iskor alang sa edukasyon (Gipasibo o Wala Nabag-o) ug klasipikasyon nga threshold (23 o 26), ingon nga gipadapat sa duha ka feature set (Wala Nasala ug Nasala).
Pagmodelo sa klinikal nga pagsusi nga nakabase sa MemTrax
Sa among tulo ka orihinal nga sub-datasets (YH, XL, KM), ang XL sub-dataset nga mga pasyente lamang ang independente nga clinically diagnosed alang sa cognitive impairment (ie, ang ilang tagsa-tagsa nga MoCA scores wala gigamit sa pag-establisar sa usa ka klasipikasyon sa normal versus impaired). Sa piho, ang mga pasyente sa XL nadayagnos nga adunay bisan asa Pagsulay sa sakit sa Alzheimer (AD) o vascular dementia (VaD). Sulod sa matag usa niining mga panguna nga kategorya sa pagdayagnos, adunay dugang nga pagtawag alang sa MCI. Ang mga diagnosis sa MCI, dementia, vascular neurocognitive disorder, ug neurocognitive disorder tungod sa AD gibase sa espesipiko ug talagsaon nga diagnostic criteria nga gilatid sa Diagnostic ug Statistical Manual of Mental Disorders: DSM-5 [16]. Gikonsiderar kini nga mga dalisay nga pagdayagnos, duha ka mga laraw sa pagmodelo sa klasipikasyon ang gilain nga gigamit sa sub-dataset sa XL aron mailhan ang lebel sa kagrabe (degree sa pagkadaot) alang sa matag panguna nga kategorya sa diagnosis. Ang datos nga gigamit sa matag usa niini nga diagnostic modeling schemes (AD ug VaD) naglakip sa impormasyon sa demograpiko ug kasaysayan sa pasyente, ingon man ang performance sa MemTrax (MTx-% C, mean MTx-RT). Ang matag diagnosis gimarkahan nga malumo kung gitudlo nga MCI; kon dili, kini giisip nga grabe. Sa sinugdan among gikonsiderar ang paglakip sa marka sa MoCA sa mga modelo sa diagnosis (mild versus grabe); apan among determinado nga mapildi ang katuyoan sa among sekondaryang predictive modeling scheme. Dinhi ang mga estudyante pagabansayon gamit ang ubang mga kinaiya sa pasyente nga daling makuha sa provider ug mga sukatan sa performance sa mas simple nga pagsulay sa MemTrax (puli sa MoCA) batok sa reference nga "gold standard", ang independent clinical diagnosis. Adunay 69 ka mga higayon sa AD diagnosis dataset ug 76 ka mga higayon sa VaD (Table 2). Sa duha ka mga dataset, adunay 12 ka independente nga mga bahin. Dugang sa 10 ka bahin nga gilakip sa klasipikasyon sa marka sa MoCA, ang kasaysayan sa pasyente naglakip usab sa impormasyon sa kasaysayan sa hypertension ug stroke.
Talaan 2
Katingbanan sa mga kalainan sa pamaagi sa pagmodelo nga gigamit alang sa klasipikasyon sa kagrabe sa pagdayagnos (Mild versus Severe)
Modeling Scheme | Malumo (Negatibo nga Klase) | Grabe (Positibo nga Klase) |
MCI-AD batok sa AD | 12 (17.4%) | 57 (82.6%) |
MCI-VaD batok sa VaD | 38 (50.0%) | 38 (50.0%) |
Ang tagsa-tagsa nga gidaghanon ug porsyento sa kinatibuk-ang mga pasyente sa matag klase gipalahi sa primary diagnosis category (AD o VaD).
Statistics
Ang pagtandi sa mga kinaiya sa partisipante ug uban pang mga numerical features tali sa mga sub-datasets alang sa matag modelo nga estratehiya sa klasipikasyon (aron pagtagna sa MoCA cognitive health ug diagnostic severity) gihimo gamit ang Python programming language (bersyon 2.7.1) [17]. Ang mga kalainan sa pasundayag sa modelo sa sinugdan gitino gamit ang usa o duha nga hinungdan (kung angay) ANOVA nga adunay 95% nga agwat sa pagsalig ug ang Tukey honest significant difference (HSD) nga pagsulay aron itandi ang mga paagi sa pasundayag. Kini nga pagsusi sa mga kalainan tali sa mga pasundayag sa modelo gihimo gamit ang kombinasyon sa Python ug R (bersyon 3.5.1) [18]. Gigamit namo kini (bisan pa, dili kaayo maayo) nga pamaagi isip usa ka heuristic nga tabang niini sayo nga yugto alang sa inisyal nga mga pagtandi sa pasundayag sa modelo sa pagpaabut sa potensyal nga klinikal nga aplikasyon. Dayon among gigamit ang Bayesian sign-rank test gamit ang posterior distribution aron mahibal-an ang posibilidad sa mga kalainan sa performance sa modelo [19]. Alang sa kini nga mga pag-analisar, gigamit namon ang agwat -0.01, 0.01, nga nagpasabut nga kung ang duha ka grupo adunay kalainan sa pasundayag nga wala’y 0.01, sila giisip nga parehas (sa sulod sa rehiyon nga praktikal nga katumbas), o kung dili sila lahi (usa nga mas maayo kaysa usa. ang lain). Aron mahimo ang Bayesian nga pagtandi sa mga classifier ug kuwentahon kini nga mga probabilities, gigamit namo ang baycomp library (bersyon 1.0.2) para sa Python 3.6.4.
Predictive nga pagmodelo
Nagtukod kami og mga predictive nga modelo gamit ang napulo ka kinatibuk-ang variation sa among modeling schemes aron matagna (classify) ang resulta sa MoCA test sa matag pasyente o kagrabe sa clinical diagnosis. Ang tanan nga mga estudyante gipadapat ug ang mga modelo gitukod gamit ang open source software platform nga Weka [20]. Para sa among pasiuna nga pagtuki, migamit kami ug 10 ka kasagarang gigamit nga mga algorithm sa pagkat-on: 5-Pinaduol nga mga Silingan, duha ka bersyon sa C4.5 decision tree, Logistic Regression, Multilayer Perceptron, Naïve Bayes, duha ka bersyon sa Random Forest, Radial Basis Function Network, ug Support Vector Makina. Ang mahinungdanong mga hiyas ug mga kalainan niini nga mga algoritmo gihulagway sa ubang dapit [21] (tan-awa ang tagsa-tagsa nga Apendise). Gipili kini tungod kay kini nagrepresentar sa lain-laing mga lahi sa mga estudyante ug tungod kay gipakita namon ang kalampusan gamit kini sa miaging mga pag-analisar sa parehas nga datos. Gipili ang mga setting sa hyper-parameter gikan sa among miaging panukiduki nga nagpakita nga kini lig-on sa lainlaing lainlaing datos [22]. Base sa mga resulta sa among pasiuna nga pag-analisa gamit ang parehas nga hiniusang dataset nga adunay komon nga mga feature nga gigamit sunod sa bug-os nga pagtuki, among giila ang tulo ka mga estudyante nga naghatag ug makanunayon nga lig-on nga performance sa tanang klasipikasyon: Logistic Regression, Naïve Bayes, ug Support Vector Machine.
Cross-validation ug modelo performance metric
Para sa tanang predictive modeling (lakip na ang preliminary analysis), ang matag modelo gihimo gamit ang 10-fold cross validation, ug ang performance sa modelo gisukod gamit ang Area Under the Receiver Operating Characteristic Curve (AUC). Ang cross-validation nagsugod sa random nga pagbahin sa matag usa sa 10 modeling scheme datasets ngadto sa 10 equal segments (folds), gamit ang siyam niini nga mga segment aron sa pagbansay sa modelo ug ang nahabilin nga bahin para sa pagsulay. Kini nga pamaagi gisubli 10 ka beses, gamit ang usa ka lahi nga bahin ingon ang pagsulay nga gitakda sa matag pag-uli. Gihiusa dayon ang mga resulta aron makalkulo ang resulta/performance sa kataposang modelo. Alang sa matag kombinasyon sa tigkat-on/dataset, kining tibuok nga proseso gisubli 10 ka beses uban ang datos nga gibahin sa lahi nga paagi matag higayon. Kining katapusang lakang nagpamenos sa bias, nagsiguro sa pagkasundog, ug nakatabang sa pagtino sa kinatibuk-ang pasundayag sa modelo. Sa kinatibuk-an (alang sa MoCA score ug diagnosis severity classification schemes gikombinar), 6,600 ka mga modelo ang natukod. Naglakip kini sa 1,800 nga wala nasala nga mga modelo (6 nga modelo nga mga laraw nga gipadapat sa dataset × 3 nga mga estudyante × 10 nga nagdagan × 10 nga mga pilo = 1,800 nga mga modelo) ug 4,800 nga nasala nga mga modelo (4 nga mga pamaagi sa pagmodelo nga gigamit sa dataset × 3 nga mga estudyante × 4 nga mga teknik sa pagpili sa bahin × 10 nga mga dagan × 10 ka pilo = 4,800 ka modelo).
Pinili nga kapilian
Para sa nasala nga mga modelo, ang pagpili sa feature (gamit ang upat ka feature ranking method) gihimo sulod sa cross-validation. Para sa matag usa sa 10 ka pilo, kay lainlain nga 10% sa dataset ang test data, ang nag-unang upat lang ka piniling feature para sa matag training dataset (ie, ang laing siyam ka pilo, o ang nahibiling 90% sa tibuok dataset) ang gigamit sa pagtukod sa mga modelo. Wala kami makumpirma kung unsang upat ka bahin ang gigamit sa matag modelo, tungod kay kana nga kasayuran wala gitipigan o magamit sa sulod sa platform sa pagmodelo nga among gigamit (Weka). Bisan pa, gihatagan ang pagkamakanunayon sa among una nga pagpili sa mga nanguna nga bahin kung ang mga ranggo gipadapat sa tibuuk nga hiniusa nga dataset ug ang sunod nga pagkaparehas sa mga pasundayag sa pagmodelo, kini nga parehas nga mga bahin (edad, tuig sa edukasyon, MTx-% C, ug gipasabut nga MTx-RT ) lagmit ang labing kaylap nga nag-una nga upat nga gigamit dungan sa pagpili sa bahin sa sulod sa proseso sa cross-validation.
MGA RESULTA
Ang mga partisipante nga numerical nga mga kinaiya (lakip ang MoCA scores ug MemTrax performance metrics) sa tagsa-tagsa nga mga datasets alang sa matag modelo nga klasipikasyon nga estratehiya aron matagna ang MoCA-indicated cognitive health (normal versus MCI) ug diagnosis severity (mild versus grabe) gipakita sa Table 3.
Talaan 3
Mga kinaiya sa partisipante, mga marka sa MoCA, ug pasundayag sa MemTrax alang sa matag estratehiya sa klasipikasyon sa modelo
Estratehiya sa Klasipikasyon | Age | Education | Gi-adjust ang MoCA | Ang MoCA Wala Gibag-o | MTx-% C | MTx-RT |
Kategorya sa MoCA | 61.9 y (13.1) | 9.6 y (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 s (0.3) |
Pagkagrabe sa Diagnosis | 65.6 y (12.1) | 8.6 y (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 s (0.3) |
Ang mga kantidad nga gipakita (mean, SD) nga gipalahi sa mga estratehiya sa pag-uuri sa modelo mao ang representante sa hiniusa nga dataset nga gigamit sa pagtagna sa MoCA-indicated cognitive health (MCI versus normal) ug ang XL sub-dataset nga gigamit lamang sa pagtagna sa kagrabe sa diagnosis (mild versus grabe).
Para sa matag kombinasyon sa MoCA score (adjust/unadjusted) ug threshold (26/23), naay statistical difference (p = 0.000) sa matag pares nga pagtandi (normal nga kahimsog sa panghunahuna kumpara sa MCI) alang sa edad, edukasyon, ug pasundayag sa MemTrax (MTx-% C ug MTx-RT). Ang matag pasyente nga sub-dataset sa tagsa-tagsa nga MCI nga klase alang sa matag kombinasyon anaa sa aberids nga mga 9 ngadto sa 15 ka tuig ang panuigon, gitaho mga lima ka gamay nga tuig sa edukasyon, ug adunay dili kaayo paborable nga MemTrax nga performance alang sa duha ka metrics.
Ang predictive modeling performance nga mga resulta alang sa MoCA score classifications gamit ang top three learners, Logistic Regression, Naïve Bayes, ug Support Vector Machine, gipakita sa Table 4. Kining tulo gipili base sa labing makanunayon nga taas nga absolute nga performance sa tigkat-on sa tanang lain-laing mga modelo. gipadapat sa mga dataset para sa tanan nga mga laraw sa pagmodelo. Para sa wala ma-filter nga dataset ug modeling, ang matag usa sa data values sa Table 4 nagpakita sa model performance base sa AUC nga tagsa-tagsa nga mean nga nakuha gikan sa 100 nga mga modelo (10 runs × 10 folds) nga gitukod alang sa matag learner/modeling scheme combination, nga adunay tagsa-tagsa nga pinakataas performing learner nga gipakita sa bold. Samtang alang sa nasala nga dataset modeling, ang mga resulta nga gitaho sa Talaan 4 nagpakita sa kinatibuk-ang kasagaran nga mga pasundayag sa modelo gikan sa 400 nga mga modelo alang sa matag estudyante gamit ang matag usa sa mga pamaagi sa pagranggo sa feature (4 nga feature ranking nga mga pamaagi × 10 run × 10 folds).
Talaan 4
Dichotomous MoCA score classification performance (AUC; 0.0–1.0) nga mga resulta alang sa matag usa sa tulo ka top-performing nga mga tigkat-on alang sa tanang tagsa-tagsa nga modelo nga mga laraw
Gigamit ang Feature Set | MoCA Score | Cutoff Threshold | Logistic Regression | Naive Bayes | Pagsuporta sa Vector Machine |
Wala masala (10 ka bahin) | Gibag-o | 23 | 0.8862 | 0.8913 | 0.8695 |
26 | 0.8971 | 0.9221 | 0.9161 | ||
Wala’y pag-ayo | 23 | 0.9103 | 0.9085 | 0.8995 | |
26 | 0.8834 | 0.9153 | 0.8994 | ||
Nasala (4 ka bahin) | Gibag-o | 23 | 0.8929 | 0.8954 | 0.8948 |
26 | 0.9188 | 0.9247 | 0.9201 | ||
Wala’y pag-ayo | 23 | 0.9135 | 0.9134 | 0.9122 | |
26 | 0.9159 | 0.9236 | 0.9177 |
Ang paggamit sa mga variation sa feature set, MoCA score, ug MoCA score cutoff threshold, ang pinakataas nga performance alang sa matag modeling scheme gipakita sa maisugon (dili kinahanglan nga lahi sa istatistika kaysa sa tanan nga wala sa maisugon alang sa tagsa-tagsa nga modelo).
Ang pagtandi sa mga estudyante sa tanang kombinasyon sa MoCA score versions ug thresholds (adjust/unadjusted ug 23/26, sa tinagsa) sa hiniusa nga unfiltered dataset (ie, gamit ang 10 ka komon nga feature), ang Naïve Bayes sa kasagaran mao ang top-performing learner nga adunay kinatibuk-an. klasipikasyon nga pasundayag sa 0.9093. Sa pagkonsiderar sa nag-unang tulo ka mga estudyante, ang Bayesian-correlated signed-rank nga mga pagsulay nagpakita nga ang kalagmitan (Pr) sa Naïve Bayes nga milabaw sa Logistic Regression kay 99.9%. Dugang pa, tali sa Naïve Bayes ug Support Vector Machine, usa ka 21.0% nga posibilidad sa praktikal nga pagkaparehas sa pasundayag sa estudyante (sa ingon, usa ka 79.0% nga posibilidad sa Naïve Bayes nga labaw sa Support Vector Machine), inubanan sa 0.0% nga posibilidad nga ang Support Vector Machine nga molihok nga mas maayo, masukod. nagpalig-on sa performance advantage alang sa Naïve Bayes. Ang dugang nga pagtandi sa bersyon sa marka sa MoCA sa tanan nga mga estudyante / threshold nagsugyot usa ka gamay nga bentaha sa pasundayag gamit ang wala mabag-o nga mga marka sa MoCA kumpara sa nabag-o (0.9027 kumpara sa 0.8971, matag usa; Pr (wala gipahiangay > gipasibo) = 0.988). Sa susama, ang pagtandi sa cutoff threshold sa tanang estudyante ug MoCA score versions nagpakita sa gamay nga classification performance advantage gamit ang 26 isip classification threshold versus 23 (0.9056 versus 0.8942, matag usa; Pr (26 > 23) = 0.999). Katapusan, ang pagsusi sa klasipikasyon nga pasundayag alang sa mga modelo nga naggamit lamang sa nasala nga mga resulta (ie, ang pinakataas nga ranggo nga upat ka bahin lamang), ang Naïve Bayes (0.9143) mao ang numero nga top-performing nga tigkat-on sa tanang MoCA score versions/thresholds. Bisan pa, sa tanan nga mga teknik sa pagranggo nga gihiusa, ang tanan nga labing maayo nga mga tigkat-on nagpahigayon parehas. Ang Bayesian signed-rank nga mga pagsulay nagpakita sa 100% nga posibilidad sa praktikal nga pagkaparehas tali sa matag parisan sa nasala nga mga estudyante. Sama sa wala ma-filter nga datos (gamit ang tanan nga 10 ka komon nga mga bahin), adunay pag-usab sa usa ka performance bentaha alang sa wala adjust nga bersyon sa MoCA score (Pr (wala gibag-o > gipahiangay) = 1.000), ingon man usa ka parehas nga lahi nga bentaha alang sa klasipikasyon nga threshold sa 26 (Pr (26 > 23) = 1.000). Talagsaon, ang kasagaran nga pasundayag sa matag usa sa nag-una nga tulo ka mga estudyante sa tanan nga mga bersyon sa marka sa MoCA / mga sukaranan gamit lamang ang labing taas nga ranggo nga upat nga mga bahin milabaw sa kasagaran nga nahimo sa bisan kinsa nga nagkat-on sa wala nasala nga datos. Dili ikatingala, ang klasipikasyon sa performance sa nasala nga mga modelo (gamit ang top-ranked nga upat ka feature) sa kinatibuk-an mas labaw (0.9119) sa unfiltered nga mga modelo (0.8999), walay sapayan sa feature ranking method models nga gitandi niadtong mga modelo gamit ang tanang 10 ka komon. mga bahin. Alang sa matag pamaagi sa pagpili sa feature, adunay 100% nga posibilidad sa usa ka bentaha sa performance sa mga wala nasala nga mga modelo.
Uban sa mga pasyente nga gikonsiderar alang sa AD diagnosis severity classification, between-group (MCI-AD versus AD) mga kalainan alang sa edad (p = 0.004), edukasyon (p = 0.028), ang marka sa MoCA gi-adjust/wala gi-adjust (p = 0.000), ug MTx-% C (p = 0.008) mahinungdanon sa istatistika; samtang alang sa MTx-RT dili kini (p = 0.097). Sa mga pasyente nga gikonsiderar alang sa VaD diagnosis severity classification, between-group (MCI-VaD versus VaD) mga kalainan alang sa MoCA score adjusted/unadjusted (p = 0.007) ug MTx-% C (p = 0.026) ug MTx-RT (p = 0.001) mga mahinungdanon sa istatistika; samtang sa edad (p = 0.511) ug edukasyon (p = 0.157) walay mahinungdanong kalainan tali sa grupo.
Ang mga resulta sa predictive modeling performance alang sa diagnosis severity classification gamit ang tulo ka nauna nga gipili nga mga estudyante, Logistic Regression, Naïve Bayes, ug Support Vector Machine, gipakita sa Table 5. Samtang ang dugang nga gisusi nga mga estudyante nagpakita og gamay nga mas lig-on nga mga pasundayag nga tagsa-tagsa sa usa sa duha ka clinical diagnosis nga mga kategoriya , ang tulo ka mga tigkat-on nga among giila nga labing paborable sa among miaging pagmodelo nagtanyag sa labing makanunayon nga pasundayag sa duha ka bag-ong mga laraw sa pagmodelo. Ang pagtandi sa mga estudyante sa matag usa sa mga nag-unang mga kategorya sa diagnosis (AD ug VaD), wala’y makanunayon nga klasipikasyon nga kalainan sa performance tali sa mga estudyante alang sa MCI-VaD kumpara sa VaD, bisan kung ang Support Vector Machine sa kasagaran naglihok nga labi ka prominente. Sa susama, wala'y mahinungdanong mga kalainan tali sa mga estudyante alang sa MCI-AD versus AD nga klasipikasyon, bisan pa ang Naïve Bayes (NB) adunay gamay nga performance advantage sa Logistic Regression (LR) ug usa lamang ka negligible plurality sa Support Vector Machine, nga adunay posibilidad nga 61.4% ug 41.7% matag usa. Sa parehas nga mga dataset, adunay usa ka kinatibuk-ang bentaha sa performance alang sa Support Vector Machine (SVM), nga adunay Pr (SVM > LR) = 0.819 ug Pr (SVM > NB) = 0.934. Ang among kinatibuk-ang klasipikasyon nga pasundayag sa tanan nga mga estudyante sa pagtagna sa kagrabe sa diagnosis sa XL sub-dataset mas maayo sa VaD diagnosis nga kategorya kumpara sa AD (Pr (VAD > AD) = 0.998).
Talaan 5
Dichotomous clinical diagnosis severity classification performance (AUC; 0.0-1.0) nga mga resulta alang sa matag usa sa tulo ka top-performing nga mga estudyante alang sa duha ka tagsa-tagsa nga modelo nga mga laraw
Modeling Scheme | Logistic Regression | Naive Bayes | Pagsuporta sa Vector Machine |
MCI-AD batok sa AD | 0.7465 | 0.7810 | 0.7443 |
MCI-VaD batok sa VaD | 0.8033 | 0.8044 | 0.8338 |
Ang labing kataas nga pasundayag alang sa matag laraw sa pagmodelo gipakita sa maisugon (dili kinahanglan nga lahi sa istatistika kaysa sa uban nga wala sa maisugon).
PANAGHISGOT
Ang sayo nga pagkakita sa mga pagbag-o sa kahimsog sa pangisip hinungdanon praktikal nga gamit sa pagdumala sa personal nga kahimsog ug kahimsog sa publiko parehas. Sa tinuud, kini usab usa ka taas nga prayoridad sa mga setting sa klinika alang sa mga pasyente sa tibuuk kalibutan. Ang gipaambit nga katuyoan mao ang pag-alerto sa mga pasyente, tig-atiman, ug mga tighatag ug pag-aghat sa sayo nga angay ug epektibo nga pagtambal ug taas nga pag-atiman alang sa mga nagsugod nga makasinati og pagkunhod sa panghunahuna. Ang paghiusa sa among tulo ka hospital/clinic(s) data subsets, among giila ang tulo ka pinalabi nga gusto nga mga estudyante (nga adunay usa ka bantog nga standout -Naïve Bayes) aron makahimo mga predictive nga mga modelo gamit ang Ang mga sukatan sa pasundayag sa MemTrax nga kasaligan nga makaklasipikar sa kahimtang sa kahimsog sa pangisip dichotomously (normal nga kahimsog sa pangisip o MCI) ingon nga gipakita sa usa ka aggregate nga marka sa MoCA. Ilabi na, ang kinatibuk-ang klasipikasyon nga pasundayag alang sa tanan nga tulo ka mga estudyante milambo kung ang among mga modelo migamit lamang sa labing taas nga ranggo nga upat ka mga bahin nga panguna nga naglangkob sa kini nga mga sukatan sa pasundayag sa MemTrax. Dugang pa, gipadayag namo ang lig-on nga potensyal alang sa paggamit sa parehas nga mga estudyante ug mga sukatan sa performance sa MemTrax sa usa ka pamaagi sa pagmodelo sa klasipikasyon sa suporta sa diagnostic aron mailhan ang kagrabe sa duha ka mga kategorya sa diagnosis sa dementia: AD ug VaD.
Pagsulay sa memorya mao ang sentro sa sayo nga pagkakita sa AD [23, 24]. Sa ingon, kini nahiangay nga ang MemTrax usa ka madawat, madanihon, ug dali nga ipatuman online screening test alang sa episodic memory sa kinatibuk-ang populasyon [6]. Ang katukma sa pag-ila ug mga oras sa pagtubag gikan niining padayon nga buluhaton sa paghimo labi nga gipadayag sa pag-ila sa sayo ug nag-uswag nga pagkadaot ug sangputanan nga mga kakulangan sa mga proseso sa neuroplastic nga may kalabutan sa pagkat-on, panumduman, ug pag-ila. Kana mao, ang mga modelo dinhi nga gibase sa kadaghanan sa MemTrax performance metrics sensitibo sa ug mas lagmit nga dali ug adunay gamay nga gasto nagpadayag sa biological neuropathologic deficits sa panahon sa transitional asymptomatic stage nga maayo sa wala pa ang mas dakong pagkawala sa pag-andar [25]. Ashford ug uban pa. Gisusi pag-ayo ang mga sumbanan ug pamatasan sa katukma sa memorya sa pag-ila ug oras sa pagtubag sa mga online nga tiggamit nga miapil sa ilang kaugalingon sa MemTrax [6]. Ang pagtahud nga kini nga mga pag-apod-apod kritikal sa labing maayo nga pagmodelo ug pagpalambo sa balido ug epektibo nga mga aplikasyon sa pag-atiman sa pasyente, ang paghubit sa magamit sa klinika nga pag-ila ug mga profile sa oras sa pagtubag hinungdanon sa pag-establisar sa usa ka bililhon nga sukaranan nga reperensiya alang sa gamit sa klinika ug panukiduki. Ang praktikal nga bili sa MemTrax sa AD screening alang sa sayo nga yugto sa cognitive impairment ug differential diagnostic support kinahanglan nga mas masusi pag-ayo sa konteksto sa usa ka clinical setting diin ang mga komorbididad ug cognitive, sensory, ug motor nga kapabilidad nga makaapekto sa performance sa pagsulay mahimong makonsiderar. Ug aron ipahibalo ang propesyonal nga panan-aw ug pagdasig sa praktikal nga klinikal nga gamit, kinahanglan una nga ipakita ang pagtandi sa usa ka natukod nga pagsulay sa pagsusi sa kahimsog sa pangisip, bisan kung ang naulahi mahimong mailhan nga gipugngan sa lisud nga pagsulay sa logistik, edukasyon ug mga pagpugong sa pinulongan, ug mga impluwensya sa kultura [26] . Niining bahina, ang paborableng pagtandi sa MemTrax sa clinical efficacy ngadto sa MoCA nga kasagarang gituohan nga usa ka standard sa industriya mahinungdanon, ilabi na kung gitimbang ang mas kasayon sa utility ug pagdawat sa pasyente sa MemTrax.
Ang miaging eksplorasyon nga nagtandi sa MemTrax sa MoCA nagpasiugda sa katarungan ug pasiuna nga ebidensya nga naggarantiya sa among modelo nga imbestigasyon [8]. Bisan pa, kini nga nauna nga pagtandi nalangkit lamang ang duha ka yawe nga sukatan sa pasundayag sa MemTrax nga among gisusi nga adunay kahimtang sa panghunahuna nga gitino sa MoCA ug gihubit ang tagsa-tagsa nga mga sakup ug mga kantidad sa cutoff. Among gipalawom ang clinical utility assessment sa MemTrax pinaagi sa pagsuhid sa predictive modeling-based approach nga maghatag ug mas indibidwal nga konsiderasyon sa ubang posibleng may kalabutan nga mga parameter nga espesipiko sa pasyente. Sukwahi sa uban, wala kami nakit-an nga bentaha sa pasundayag sa modelo gamit ang pagtul-id sa edukasyon (pag-adjust) sa marka sa MoCA o sa pag-iba-iba sa kahimsog sa pangisip nga nagpihig sa MoCA aggregate score threshold gikan sa orihinal nga girekomenda nga 26 hangtod 23 [12, 15]. Sa tinuud, ang bentaha sa pasundayag sa klasipikasyon gipaboran gamit ang wala mabag-o nga marka sa MoCA ug ang mas taas nga threshold.
Pangunang mga punto sa klinikal nga praktis
Ang pagkat-on sa makina kasagaran labing maayo nga gamiton ug labing epektibo sa predictive modeling kung ang datos kay halapad ug multi-dimensional, sa ato pa, kung adunay daghan nga mga obserbasyon ug usa ka dungan nga halapad nga han-ay sa mga high-value (nag-amot) nga mga hiyas. Bisan pa, sa kini nga mga karon nga datos, ang mga nasala nga mga modelo nga adunay upat lamang nga pinili nga mga bahin nga nahimo nga labi ka maayo kaysa sa nagamit ang tanan nga 10 nga sagad nga mga bahin. Kini nagsugyot nga ang among aggregate nga dataset sa ospital walay pinakahaom sa klinika (taas nga bili) nga mga bahin aron maayo nga pagklasipikar sa mga pasyente niining paagiha. Bisan pa niana, ang feature ranking emphasis sa yawe nga MemTrax performance metrics—MTx-% C ug MTx-RT—kusganon nga nagsuporta sa pagtukod og mga modelo sa pag-screening sa depisit sa cognitive sa sayo nga yugto palibot niini nga pagsulay nga yano, sayon ipangalagad, barato, ug haom nga pagpadayag mahitungod sa pasundayag sa memorya, labing menos karon isip usa ka inisyal nga screen alang sa binary nga klasipikasyon sa kahimtang sa kahimsog sa pangisip. Tungod sa kanunay nga pagtaas sa strain sa mga provider ug mga sistema sa pag-atiman sa panglawas, ang mga proseso sa screening sa pasyente ug mga aplikasyon sa klinika kinahanglan nga angay nga mapalambo nga adunay gibug-aton sa pagkolekta, pagsubay, ug pagmodelo sa mga kinaiya sa pasyente ug mga sukatan sa pagsulay nga labing mapuslanon, mapuslanon, ug napamatud-an nga epektibo sa diagnostic. ug suporta sa pagdumala sa pasyente.
Uban sa duha ka yawe nga MemTrax metrics nga sentro sa klasipikasyon sa MCI, ang among top-performing learner (Naïve Bayes) adunay taas kaayo nga predictive performance sa kadaghanang mga modelo (AUC over 0.90) nga adunay true-positive to false-positive ratio nga nagkaduol o medyo milapas sa 4 : 1. Ang usa ka paghubad nga klinikal nga aplikasyon nga naggamit niini nga tigkat-on sa ingon makakuha (sa husto nga pagklasipikar) sa kadaghanan sa mga adunay kakulangan sa panghunahuna, samtang gipamubu ang gasto nga nalangkit sa sayup nga pagklasipikar sa usa ka tawo nga adunay normal nga kahimsog sa pangisip ingon nga adunay kakulangan sa panghunahuna (sayup nga positibo) o nawala kana nga klasipikasyon sa mga adunay kakulangan sa panghunahuna (sayup nga negatibo). Ang bisan usa niini nga mga senaryo sa sayop nga pagklasipikar mahimong magpahamtang ug dili angay nga psycho-social nga palas-anon sa pasyente ug mga tig-atiman.
Samtang sa pasiuna ug bug-os nga pag-analisar among gigamit ang tanan nga napulo ka mga estudyante sa matag modelo nga laraw, among gipunting ang among mga resulta sa tulo nga mga klasipikasyon nga nagpakita sa labing makanunayon nga kusog nga pasundayag. Kini usab aron ipasiugda, base sa kini nga mga datos, ang mga estudyante nga gilauman nga makahimo nga kasaligan sa taas nga lebel sa usa ka praktikal nga aplikasyon sa klinika sa pagtino sa klasipikasyon sa kahimtang sa panghunahuna. Dugang pa, tungod kay kini nga pagtuon gituyo ingon usa ka pasiuna nga imbestigasyon sa kapuslanan sa pagkat-on sa makina sa pag-screen sa cognitive ug kini nga tukma sa panahon nga mga hagit sa klinika, naghimo kami og desisyon nga ipadayon ang mga pamaagi sa pagkat-on nga yano ug kasagaran, nga adunay gamay nga pag-tune sa parameter. Gipabilhan namo nga kini nga pamaagi mahimo nga limitado ang potensyal alang sa mas hiktin nga gihubit nga mga kapabilidad sa pagtagna nga piho sa pasyente. Ingon usab, samtang ang pagbansay sa mga modelo nga naggamit lamang sa mga nanguna nga bahin (gisala nga pamaagi) nagpahibalo kanamo sa dugang bahin sa kini nga mga datos (espesipiko sa mga kakulangan sa datos nga nakolekta ug gipasiugda ang kantidad sa pag-optimize sa bililhon nga oras sa klinika ug mga kahinguhaan), nahibal-an namon nga wala pa sa panahon nga makitid. ang kasangkaran sa mga modelo ug, busa, ang tanan (ug uban pang mga bahin) kinahanglan nga tagdon sa umaabot nga panukiduki hangtod nga kita adunay usa ka labi ka tino nga profile sa mga prayoridad nga bahin nga magamit sa halapad nga populasyon. Busa, hingpit usab namo nga giila nga ang mas inklusibo ug lapad nga representatibo nga datos ug ang pag-optimize niini ug uban pang mga modelo gikinahanglan sa dili pa kini i-integrate ngadto sa usa ka epektibo nga klinikal nga aplikasyon, ilabi na sa pag-accommodate sa mga komorbididad nga nakaapekto sa pasundayag sa panghunahuna nga kinahanglan nga ikonsiderar sa dugang nga clinical evaluation.
Ang paggamit sa MemTrax dugang nga gipalig-on pinaagi sa pagmodelo sa kagrabe sa sakit base sa bulag nga klinikal nga diagnosis. Ang usa ka mas maayo nga kinatibuk-ang klasipikasyon nga pasundayag sa pagtagna sa kagrabe sa VaD (itandi sa AD) dili katingad-an nga gihatag ang mga bahin sa profile sa pasyente sa mga modelo nga piho sa kahimsog sa vascular ug risgo sa stroke, ie, hypertension, hyperlipidemia, diabetes, ug (siyempre) stroke history. Bisan kung kini labi nga gitinguha ug angay nga adunay parehas nga pagsusi sa klinika nga gihimo sa mga gipares nga mga pasyente nga adunay normal nga kahimsog sa pangisip aron mabansay ang mga nagkat-on nga adunay kini nga labi ka inklusibo nga datos. Kini ilabi na nga gikinahanglan, tungod kay ang MemTrax gituyo nga gamiton sa panguna alang sa sayo nga yugto sa pag-ila sa usa ka kakulangan sa panghunahuna ug sa sunod nga pagsubay sa indibidwal nga pagbag-o. Katuohan usab nga ang labi nga gitinguha nga pag-apod-apod sa datos sa VaD dataset nakatampo sa usa ka bahin sa labi ka maayo nga pasundayag sa pagmodelo. Ang VaD dataset maayo nga balanse tali sa duha ka mga klase, samtang ang AD dataset nga adunay mas gamay nga mga pasyente sa MCI dili. Ilabi na sa gagmay nga mga dataset, bisan ang pipila ka dugang nga mga higayon makahimo og usa ka masukod nga kalainan. Ang duha nga mga panan-aw mao ang makatarunganon nga mga argumento nga nagpahipi sa mga kalainan sa kagrabe sa sakit nga pagmodelo sa performance. Bisan pa, ang katimbang nga pag-asoy sa gipaayo nga pasundayag sa mga datos sa numero nga mga kinaiya o ang mga kinaiyanhon nga bahin nga espesipiko sa klinikal nga presentasyon nga gikonsiderar nga wala pa sa panahon. Bisan pa, kini nga nobela nagpakita sa gamit sa usa ka MemTrax predictive classification model sa papel sa clinical diagnostic support naghatag og bililhong panglantaw ug nagpamatuod sa pagpangita alang sa dugang nga eksaminasyon sa mga pasyente sa tibuok continuum sa MCI.
Ang pagpatuman ug gipakita nga gamit sa MemTrax ug kini nga mga modelo sa China, diin ang lengguwahe ug kultura lahi kaayo sa ubang mga rehiyon sa natukod nga gamit (pananglitan, France, Netherlands, ug Estados Unidos) [7, 8, 27], dugang nga nagpasiugda sa potensyal alang sa kaylap nga global nga pagdawat ug klinikal nga bili sa usa ka MemTrax-based nga plataporma. Kini usa ka mapakita nga panig-ingnan sa pagpaningkamot sa pagkaharmonya sa datos ug pagpalambo sa praktikal nga internasyonal nga mga lagda ug pagmodelo sa mga kahinguhaan alang sa cognitive screening nga gi-standardize ug dali nga gipahiangay alang sa paggamit sa tibuok kalibutan.
Sunod nga mga lakang sa pag-modelo ug aplikasyon sa pagkunhod sa panghunahuna
Ang cognitive dysfunction sa AD sa tinuud mahitabo sa usa ka continuum, dili sa discrete nga mga yugto o mga lakang [28, 29]. Bisan pa, niining sayong bahin, ang among tumong mao ang una nga pag-establisar sa among abilidad sa paghimo og usa ka modelo nga naglakip sa MemTrax nga mahimong batakan nga makaila sa "normal" gikan sa "dili normal". Mas inklusibo nga empirical data (eg, brain imaging, genetic features, biomarker, comorbidities, ug functional marker sa complex mga kalihokan nga nanginahanglan sa panghunahuna kontrol) [30] sa lain-laing mga global nga rehiyon, populasyon, ug mga grupo sa edad aron sa pagbansay ug pagpalambo sa mas sopistikado (lakip ang tukma nga gibug-aton nga ensemble) nga mga modelo sa pagkat-on sa makina mosuporta sa usa ka mas dako nga ang-ang sa gipauswag nga klasipikasyon, nga mao, ang kapasidad sa pagkategorya sa mga grupo sa mga pasyente nga adunay MCI ngadto sa mas gamay ug mas definitive subsets sa daplin sa cognitive pagkunhod continuum. Dugang pa, ang managsama nga klinikal nga pagdayagnos alang sa mga indibidwal sa lainlaing rehiyonal nga populasyon sa pasyente hinungdanon epektibo nga pagbansay kining mas inklusibo ug matag-an nga lig-on nga mga modelo. Makapadali kini sa mas espesipikong stratified case management alang niadtong adunay susama nga background, impluwensya, ug mas hiktin nga gihubit nga kinaiya nga mga profile sa panghunahuna ug sa ingon ma-optimize ang suporta sa klinikal nga desisyon ug pag-atiman sa pasyente.
Kadaghanan sa mga may kalabutan nga klinikal nga panukiduki hangtod karon nakatubag sa mga pasyente nga adunay labing menos malumo nga dementia; ug, sa praktis, sa kasagaran ang interbensyon sa pasyente gisulayan lamang sa mga advanced nga yugto. Bisan pa, tungod kay ang pagkunhod sa panghunahuna nagsugod sa wala pa matuman ang klinikal nga pamatasan alang sa dementia, ang usa ka epektibo nga gipadapat nga sayo nga screen nga nakabase sa MemTrax mahimo’g makadasig sa angay nga edukasyon sa mga indibidwal bahin sa sakit ug mga pag-uswag niini ug mag-aghat sa sayo ug mas tukma nga mga interbensyon. Sa ingon, ang sayo nga pag-ila makasuporta sa angay nga mga pag-apil gikan sa ehersisyo, pagkaon, emosyonal nga suporta, ug gipaayo nga sosyalisasyon hangtod sa interbensyon sa pharmacological ug pagpalig-on sa mga pagbag-o nga may kalabotan sa pasyente sa pamatasan ug panan-aw nga ang usa o managsama nga mahimo’g makunhuran o mahimo’g mapahunong ang pag-uswag sa dementia [31, 32] . Dugang pa, uban sa epektibo sayo nga screening, ang mga indibidwal ug ilang mga pamilya mahimong maaghat sa pagkonsiderar sa mga klinikal nga pagsulay o pagkuha sa pagtambag ug uban pang suporta sa serbisyong sosyal aron makatabang sa pagpatin-aw sa mga gilauman ug mga intensyon ug pagdumala sa adlaw-adlaw nga mga buluhaton. Ang dugang nga pag-validate ug kaylap nga praktikal nga gamit niining mga paagiha mahimong instrumento sa pagpagaan o pagpahunong sa pag-uswag sa MCI, AD, ug ADRD alang sa daghang mga indibidwal.
Sa tinuud, ang ubos nga katapusan sa sakup sa edad sa pasyente sa among pagtuon wala magrepresentar sa populasyon sa tradisyonal nga kabalaka sa AD. Bisan pa, ang kasagaran nga edad alang sa matag grupo nga gigamit sa mga laraw sa pagmodelo sa klasipikasyon base sa marka sa MoCA / threshold ug kagrabe sa diagnosis (Table 3) nagpasiugda sa usa ka tin-aw nga kadaghanan (labaw sa 80%) nga labing menos 50 ka tuig ang edad. Kini nga pag-apod-apod haom kaayo alang sa generalization, pagsuporta sa kapuslanan niini nga mga modelo sa populasyon nga naghulagway niadtong kasagarang apektado sa sayo nga pagsugod ug nag-uswag nga sakit nga neurocognitive tungod sa AD ug VaD. Usab, ang bag-o nga ebidensya ug panglantaw nagpasiugda niadtong giila nga mga hinungdan (pananglitan, hypertension, sobra nga katambok, diabetes, ug pagpanigarilyo) nga posibleng makatampo sa mas taas nga sayo hamtong ug tunga-tunga sa kinabuhi nga mga marka sa risgo sa vascular ug sangputanan nga maliputon nga kadaot sa utok sa vascular nga nag-uswag nga maliputon nga adunay dayag nga mga epekto bisan sa mga batan-on. mga hamtong [33–35]. Tungod niini, ang labing kamalaumon nga pasiuna nga higayon sa pag-screen alang sa pag-ila sa sayo stage cognitive deficits ug pagsugod sa epektibong prevention ug intervention nga mga estratehiya sa malampusong pagsulbad sa dementia mugawas gikan sa pagsusi sa mga hinungdan nga hinungdan ug antecedent indicators sa tibuok edad, lakip na ang sayo nga pagkahamtong ug posibleng bisan sa pagkabata (namatikdan ang kalabutan sa genetic nga mga hinungdan sama sa apolipoprotein E gikan sa sayo nga pagmabdos).
Sa praktis, ang balido nga clinical diagnoses ug mahal nga mga pamaagi alang sa advanced imaging, genetic profiling, ug pagsukod sa mga promising biomarker dili kanunay nga magamit o mahimo pa gani alang sa daghang mga providers. Busa, sa daghang mga higayon, ang inisyal nga kinatibuk-ang klasipikasyon sa kahimtang sa kahimsog sa pangisip kinahanglan nga makuha gikan sa mga modelo nga naggamit sa ubang mga yano nga sukatan nga gihatag sa pasyente (pananglitan, gi-report sa kaugalingon. mga problema sa panumduman, kasamtangan nga mga tambal, ug naandan nga mga limitasyon sa kalihokan) ug komon nga mga bahin sa demograpiko [7]. Mga rehistro sama sa Unibersidad sa California Brain Health Registry (https://www.brainhealthregistry.org/) [27] ug uban pa nga adunay mas dako nga gilapdon sa gitaho sa kaugalingon nga mga sintomas, mga lakang sa kalidad (pananglitan, pagkatulog ug matag adlaw nga pag-ila), mga tambal, kahimtang sa kahimsog, ug kasaysayan, ug ang mas detalyado nga mga demograpiko mahimong instrumento sa pagpalambo ug pagbalido sa praktikal nga paggamit niining mas karaan nga mga modelo sa klinika. Dugang pa, ang usa ka pagsulay sama sa MemTrax, nga nagpakita sa kapuslanan sa pag-assess sa function sa panumduman, mahimo nga makahatag usa ka labi ka maayo nga pagtantiya sa patolohiya sa AD kaysa sa mga biological marker. Gihatag nga ang panguna nga bahin sa patolohiya sa AD mao ang pagkaguba sa neuroplasticity ug usa ka labi ka komplikado nga pagkawala sa mga synapses, nga gipakita ingon episodic. memory dysfunction, usa ka sukod nga nagsusi sa episodic memory sa tinuod naghatag og mas maayo nga banabana sa AD pathological nga palas-anon kay sa biological markers sa buhi nga pasyente [36].
Uban sa tanan nga predictive nga mga modelo-bisan nga gidugangan sa komplikado ug inklusibo nga datos gikan sa state-of-the-art nga teknolohiya ug dalisay nga clinical insights sa daghang mga dominyo o kadtong limitado sa mas batakan ug dali nga makuha nga impormasyon nga kinaiya sa kasamtangan nga mga profile sa pasyente-ang giila nga bentaha sa artipisyal nga paniktik. ug ang pagkat-on sa makina mao nga ang mga resulta nga mga modelo mahimong mag-synthesize ug induktibo nga "makat-on" gikan sa may kalabutan nga bag-ong datos ug panglantaw nga gihatag sa padayon nga paggamit sa aplikasyon. Pagsunod sa praktikal nga pagbalhin sa teknolohiya, ingon nga ang mga modelo dinhi (ug aron mapalambo) gipadapat ug gipadato sa daghang mga kaso ug may kalabotan nga datos (lakip ang mga pasyente nga adunay mga komorbididad nga mahimong magpakita sa nagsunod nga pagkunhod sa panghunahuna), ang pasundayag sa panagna ug klasipikasyon sa kahimsog sa pangisip mahimong labi ka lig-on, nga miresulta sa mas epektibo nga clinical decision support utility. Kini nga ebolusyon mahimong mas hingpit ug praktikal nga matuman pinaagi sa pag-embed sa MemTrax ngadto sa custom (target sa anaa nga kapabilidad) nga mga plataporma nga magamit sa mga healthcare providers sa real-time sa klinika.
Gikinahanglan sa pag-validate ug gamit sa MemTrax nga modelo alang sa diagnostic nga suporta ug pag-atiman sa pasyente kay gipangita pag-ayo ang makahuluganon nga longhitudinal data. Pinaagi sa pag-obserbar ug pagrekord sa dungan nga mga pagbag-o (kung naa) sa kahimtang sa klinika sa usa ka igo nga sakup sa normal pinaagi sa sayo nga yugto sa MCI, ang mga modelo alang sa angay nga padayon nga pagsusi ug klasipikasyon mahimong mabansay ug mabag-o sa edad sa mga pasyente ug gitambalan. Kana mao, ang gibalikbalik nga gamit makatabang sa longhitudinal nga pagsubay sa malumo nga mga pagbag-o sa panghunahuna, pagkaepektibo sa interbensyon, ug pagpadayon sa nahibal-an nga stratified nga pag-atiman. Kini nga pamaagi mas nahiuyon sa klinikal nga praktis ug pagdumala sa pasyente ug kaso.
limitasyon
Gipabilhan namo ang hagit ug bili sa pagkolekta sa limpyo nga klinikal nga datos sa usa ka kontrolado nga klinika/hospital nga kahimtang. Bisan pa, kini makapalig-on sa among pagmodelo kung ang among mga dataset naglakip sa daghang mga pasyente nga adunay komon nga mga bahin. Dugang pa, espesipiko sa among pag-modelo sa diagnosis, mas maayo ug angayan nga adunay parehas nga pagsusi sa klinika nga gihimo sa mga katugbang nga pasyente nga adunay normal nga kahimsog sa pangisip aron mabansay ang mga estudyante. Ug ingon nga gipasiugda sa mas taas nga pasundayag sa klasipikasyon gamit ang nasala nga dataset (lamang ang top-ranggo nga upat ka mga bahin), mas kinatibuk-an ug Ang mga lakang/indikator sa kahimsog sa pangisip lagmit nga mouswag pagmodelo sa pasundayag nga adunay mas daghang gidaghanon sa kasagarang mga bahin sa tanan nga mga pasyente.
Ang pipila nga mga partisipante mahimo’g dungan nga nakasinati sa ubang mga sakit nga mahimo’g nag-aghat sa lumalabay o laygay nga mga kakulangan sa panghunahuna. Gawas sa XL sub-dataset diin ang mga pasyente gi-diagnose nga giklasipikar nga adunay AD o VaD, ang comorbidity data wala makolekta / gitaho sa YH nga pasyente nga pool, ug ang nag-una nga gitaho nga komorbididad sa layo sa KM sub-dataset mao ang diabetes. Mahimong ipangatarungan, bisan pa, nga ang paglakip sa mga pasyente sa among mga laraw sa pagmodelo nga adunay mga komorbididad nga mahimo’g mag-aghat o makapasamot sa usa ka lebel sa kakulangan sa panghunahuna ug usa ka sangputanan nga ubos nga pasundayag sa MemTrax mahimong labi nga representante sa tinuud nga kalibutan nga gipunting nga populasyon sa pasyente alang sa labi ka kinatibuk-an nga sayo nga screening sa cognitive. ug modelling approach. Sa pag-uswag, ang tukma nga pagdayagnos sa mga komorbididad nga posibleng makaapekto sa pasundayag sa panghunahuna kaylap nga mapuslanon alang sa pag-optimize sa mga modelo ug resulta nga mga aplikasyon sa pag-atiman sa pasyente.
Sa kataposan, ang YH ug KM sub-dataset nga mga pasyente migamit ug smartphone sa pagkuha sa MemTrax test, samtang ang limitadong gidaghanon sa XL sub-dataset nga mga pasyente migamit ug iPad ug ang uban migamit ug smartphone. Mahimong gipaila niini ang gamay nga kalainan nga may kalabotan sa aparato sa pasundayag sa MemTrax alang sa pagmodelo sa klasipikasyon sa MoCA. Bisan pa, ang mga kalainan (kung naa) sa MTx-RT, pananglitan, tali sa mga aparato mahimo’g gamay ra, labi na sa matag partisipante gihatagan usa ka pagsulay nga "praktis" sa wala pa ang natala nga pasundayag sa pagsulay. Bisan pa niana, ang gamit niining duha ka handheld device posibleng makakompromiso sa direktang pagtandi sa ug/o integrasyon sa ubang mga resulta sa MemTrax diin ang mga user motubag sa pag-usab sa mga hulagway pinaagi sa paghikap sa spacebar sa keyboard sa kompyuter.
Pangunang mga punto sa MemTrax predictive modeling utility
- • Ang among top-performing predictive models nga naglangkob sa pinili nga MemTrax performance metrics mahimong kasaligang pagklasipikar sa cognitive health status (normal cognitive health o MCI) ingon sa gipakita sa kaylap nga giila nga MoCA test.
- • Kini nga mga resulta nagsuporta sa integrasyon sa pinili nga MemTrax performance metrics ngadto sa usa ka classification predictive model screening application alang sa sayo nga yugto sa cognitive impairment.
- • Ang among pagmodelo sa klasipikasyon nagpadayag usab sa potensyal sa paggamit sa performance sa MemTrax sa mga aplikasyon alang sa pag-ila sa kagrabe sa dementia diagnosis.
Kini nga mga bag-ong nadiskobrehan nagtukod ug tino nga ebidensya nga nagsuporta sa kapuslanan sa pagkat-on sa makina sa pagtukod sa gipauswag nga lig-on nga mga modelo sa klasipikasyon nga nakabase sa MemTrax alang sa suporta sa diagnostic sa epektibo nga pagdumala sa klinikal nga kaso ug pag-atiman sa pasyente alang sa mga indibidwal nga nakasinati og kapansanan sa panghunahuna.
mga sakripisyo
Among giila ang buhat ni J. Wesson Ashford, Curtis B. Ashford, ug mga kaubanan alang sa pagpalambo ug pag-validate sa online nga padayon nga pag-ila nga buluhaton ug himan (MemTrax) nga gigamit dinhi ug kami mapasalamaton sa daghang mga pasyente nga adunay dementia nga nakatampo sa kritikal nga pundasyon nga panukiduki . Gipasalamatan usab namo si Xianbo Zhou ug ang iyang mga kauban sa SJN Biomed LTD, ang iyang mga kauban ug mga kolaborator sa mga hospital/clinics sites, ilabi na si Dr. M. Luo ug M. Zhong, kinsa mitabang sa pagrekrut sa mga partisipante, pag-iskedyul sa mga pagsulay, ug pagkolekta, pagrekord, ug front-end nga pagdumala sa datos, ug ang mga boluntaryong partisipante nga midonar sa ilang bililhong panahon ug mihimo sa pasalig sa pagkuha sa mga pagsulay ug paghatag. ang gipabilhan nga datos aron atong matimbangtimbang niini nga pagtuon. Kini Ang pagtuon gisuportahan sa bahin sa MD Scientific Research Programa sa Kunming Medical University (Grant no. 2017BS028 to XL) ug ang Research Program sa Yunnan Science and Technology Department (Grant no. 2019FE001 (-222) sa XL).
Si J. Wesson Ashford nagsang-at og aplikasyon sa patente para sa paggamit sa piho nga paradigm sa padayon nga pag-ila nga gihulagway niini nga papel para sa kinatibuk-an. pagsulay sa memorya.
Ang MemTrax, LLC usa ka kompanya nga gipanag-iya ni Curtis Ashford, ug kini nga kompanya ang nagdumala sa pagsulay sa memorya sistema nga gihulagway niini nga papel.
Ang mga pagbutyag sa mga tagsulat anaa sa internet (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
mga pakisayran
[1] Alzheimer's Association (2016) 2016 Alzheimer's disease kamatuoran ug mga numero. Alzheimers Dement 12, 459–509. | |
[2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) Epekto sa sayo nga yugto Sakit nga Alzheimer sa pinansyal nga mga resulta sa panimalay. 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) Pag-uswag sa kalidad sa neurology: Mild cognitive impairment quality measurement set. Neurology 93, 705–713. |
[4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) Pagka-epektibo sa gasto sa paggamit cognitive screening tests alang sa pag-ila sa dementia ug mild cognitive impairment sa primary care. Int J Geriatr Psychiatry 32, 1392–1400. | |
[5] Ashford JW , Gere E , Bayley PJ (2011) Pagsukod sa memorya sa dagkong mga setting sa grupo gamit ang padayon nga pag-ila sa pagsulay. J Alzheimers Dis 27, 885–895. | |
[6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Usa ka computerized nga padayon nga pag-ila nga buluhaton alang sa pagsukod sa episodic memory. J Alzheimers Dis 69, 385–399. |
[7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Episodic-memory performance sa machine learning modeling para sa pagtagna sa cognitive health status classification. J Alzheimers Dis 70, 277–286. |
[8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) Ang Pagsulay sa MemTrax itandi sa montreal cognitive assessment estimation sa mild cognitive impairment. J Alzheimers Dis 67, 1045–1054. | |
[9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Paggamit sa nahilit nga mga tingog sa bokales alang sa klasipikasyon sa malumo nga traumatic brain injury. Sa 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, Vancouver, BC, pp. 7577–7581. |
[10] | Dabek F , Caban JJ (2015) Pagpahimulos sa dagkong datos aron mamodelo ang posibilidad sa pagpalambo sa sikolohikal nga mga kondisyon human sa usa ka kaguliyang. Procedia Comput Sci 53, 265–273. |
[11] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Desisyon nga kahoy alang sa sayo nga pag-ila sa pagkadaot sa panghunahuna sa mga pharmacist sa komunidad. Front Pharmacol 9, 1232. |
[12] | Nasreddine ZS, Phillips NA, Bedirian V, Charbonneau S, Whitehead V, Collin I, Cummings JL, Chertkow H (2005) Ang Montreal Cognitive Assessment, MoCA: Usa ka mubo nga himan sa screening alang sa malumo nga pagkadaot sa panghunahuna. J Am Geriatr Soc 53, 695–699. |
[13] | Yu J, Li J, Huang X (2012) Ang bersyon sa Beijing sa montreal cognitive assessment isip usa ka mubo nga himan sa screening alang sa malumo nga pagkadaot sa panghunahuna: Usa ka pagtuon nga nakabase sa komunidad. BMC Psychiatry 12, 156. |
[14] | Chen KL, Xu Y, Chu AQ, Ding D, Liang XN, Nasreddine ZS, Dong Q, Hong Z, Zhao QH, Guo QH (2016) Validation sa Chinese nga bersyon sa Montreal cognitive assessment basic para sa screening mild cognitive impairment. J Am Geriatr Soc 64, e285–e290. |
[15] | Carson N, Leach L, Murphy KJ (2018) Usa ka pagsusi pag-usab sa mga marka sa cutoff sa Montreal Cognitive Assessment (MoCA). Int J Geriatr Psychiatry 33, 379–388. |
[16] | American Psychiatric Association (2013) Task Force Diagnostic ug statistical manual sa mental disorders: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC. |
[17] | Python. Python Software Foundation, http://www.python.org, Na-access Nobyembre 15, 2019. |
[18] | R Core Group, R: Usa ka pinulongan ug palibot alang sa statistical computing R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/, 2018, Na-access Nobyembre 15, 2019. |
[19] | Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Panahon sa pagbag-o: Usa ka panudlo alang sa pagtandi sa daghang mga klasipikasyon pinaagi sa pagtuki sa Bayesian. J Mach Pagkat-on Res 18, 1–36. |
[20] | Frank E, Hall MA, Witten IH (2016) Ang WEKA Workbench. Sa Data Mining: Praktikal nga Machine Learning Tools and Techniques, Frank E, Hall MA, Witten IH, Pal CJ, eds. 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) Machine learning sa pagmodelo sa high school sport concussion symptom nga masulbad. Med Sci Sports Exerc 51, 1362–1371. |
[22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Eksperimental nga mga panglantaw sa pagkat-on gikan sa dili balanse nga datos. Sa Mga Pamaagi sa 24th International Conference sa Machine Learning, Corvalis, Oregon, USA, pp. 935-942. |
[23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Alzheimer pasyente evaluation ug ang mini-mental nga kahimtang: Item kinaiya curve analysis.P. J Gerontol 44, 139–146. |
[24] Ashford JW , Jarvik L (1985) Sakit nga Alzheimer: Ang plasticity ba sa neuron nag-predispose sa axonal neurofibrillary degeneration? 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 CG , Gunter JL , Senjem . , Rocca WA, Petersen RC (2019) Prevalence sa biologically vs clinically define Alzheimer spectrum entities gamit ang National Institute on Aging-Alzheimer's Pagpanukiduki sa Asosasyon gambalay. JAMA Neurol 76, 1174–1183. | |
[26] Zhou X, Ashford JW (2019) Mga pag-uswag sa mga instrumento sa screening alang sa Sakit nga Alzheimer. Pagkatigulang 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) Ang Brain Health Registry: Usa ka internet-based nga plataporma alang sa recruitment, assessment, ug longhitudinal monitoring sa mga partisipante alang sa neuroscience studies. Alzheimers Dement 14, 1063–1076. | |
[28] Ashford JW , Schmitt FA (2001) Pagmodelo sa dagan sa panahon sa Alzheimer dementia. Curr Psychiatry Rep 3, 20–28. | |
[29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE): Protocol for a Chinese longitudinal observational study to develop risk prediction models of conversion to mild cognitive impairment sa mga indibidwal nga adunay suhetibong panghunahuna. pagkunhod. BMJ Open 9, e028188. |
[30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015) Lima ka tuig nga biomarker progression variability alang sa Alzheimer's disease dementia panagna: Makapuno ba sa mga kal-ang ang usa ka komplikadong instrumental nga mga kalihokan sa adlaw-adlaw nga pagkinabuhi? Alzheimers Dement (Amst) 1, 521–532. | |
[31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) Paglikay ug pagtambal sa Alzheimer's disease: Biological nga mekanismo sa ehersisyo. J Alzheimers Dis 69, 311–338. | |
[32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Therapies for paglikay ug pagtambal sa sakit nga Alzheimer. 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) Mga asosasyon tali sa risgo sa vascular sa tibuok pagkahamtong ug patolohiya sa utok sa ulahing bahin sa kinabuhi: Ebidensya gikan sa usa ka British birth cohort. JAMA Neurol 77, 175–183. |
[34] | Seshadri S (2020) Paglikay sa dementia-paghunahuna lapas sa edad ug mga kahon sa amyloid. 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) Mga epekto sa systolic nga presyon sa dugo sa white-matter nga integridad sa mga young adult sa Framingham Heart Study: Usa ka krus -sectional nga pagtuon. 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) Ang katukma sa pagsulay sa biomarker alang sa neuropathologically nga gipasabut Sakit sa Alzheimer sa mga tigulang nga adunay dementia. Ann Intern Med 172, 669–677. |
Mga Kauban: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] Departamento sa Computer ug Electrical Engineering ug Computer Science, Florida Atlantic University, Boca Raton, FL, USA | [c] SJN Biomed LTD, Kunming, Yunnan, China | [d] Sentro alang sa Pagpanukiduki sa Alzheimer, Washington Institute of Clinical Research, Washington, DC, USA | [e] Departamento sa Rehabilitasyon nga Medisina, Ang Unang Kaakibat nga Ospital sa Kunming Medical University, Kunming, Yunnan, China | [f] Departamento sa Neurology, Dehong People's Hospital, Dehong, Yunnan, China | [g] Departamento sa Neurology, ang Unang Kaakibat nga Ospital sa Kunming Medical University, Wuhua District, Kunming, Yunnan Province, China | [h] Sentro sa Pagtuon sa Sakit ug Kadaut nga Nalambigit sa Gubat, VA Palo Alto Health Care System, Palo Alto, CA, USA | [i] Department of Psychiatry & Behavioral Sciences, Stanford University School of Medicine, Palo Alto, CA, USA
Korespondensya: [*] Korespondensya sa: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. E-mail: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Departamento sa Neurology, First Affiliated Hospital sa Kunming Medical University, 295 Xichang Road, Wuhua District, Kunming, Yunnan Province 650032, China. E-mail: ring@vip.163.com.
Keyword: Pagkatigulang, Sakit nga Alzheimer, dementia, mass screening