Utilità di MemTrax è Modelling Machine Learning in Classificazione di Impairment Cognitive Lieve

Articulu di ricerca

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

Journal: Journal of Alzheimer's Disease, vol. 77, no. 4, pp. 1545-1558, 2020

astrattu

sciffri:

L'incidenza è a prevalenza diffusa di k d'Alzheimer è a deficienza cognitiva ligera (MCI) hà incitatu una chjama urgente per a ricerca per validà u screening cognitivu è a valutazione precoce.

Objettiv:

U nostru scopu primariu di ricerca era di determinà se i metrici di rendiment MemTrax selezziunati è e demografiche pertinenti è e caratteristiche di u prufilu di salute ponu esse aduprati in modu efficace in mudelli predittivi sviluppati cù l'apprendimentu automaticu per classificà a salute cognitiva (normale versus MCI), cum'è indicatu da u Valutazione Cognitiva di Montreal (MoCA).

Metodi:

Avemu realizatu un studiu trasversale nantu à 259 pazienti adulti di neurologia, clinica di memoria è medicina interna reclutati da dui ospedali in Cina. Ogni paziente hè statu datu u MoCA in lingua chinesa è si autoamministrava a ricunniscenza cuntinua MemTrax episodica in linea. prova di memoria in linea u listessu ghjornu. I mudelli di classificazione predittiva sò stati custruiti cù l'apprendimentu di machine cù validazione incruciata di 10 volte, è a prestazione di u mudellu hè stata misurata utilizendu l'Area Under the Receiver Operating Characteristic Curve (AUC). I mudelli sò stati custruiti aduprendu duie metriche di rendiment MemTrax (percentu currettu, tempu di risposta), inseme cù l'ottu funzioni cumuni di a storia demografica è persunale.

Risposte alla lingua:

Paragunendu i studienti in combinazioni selezziunate di punteggi MoCA è soglie, Naïve Bayes era in generale l'apprendista più altu cù un rendimentu generale di classificazione di 0.9093. In più, trà i primi trè studienti, a prestazione generale di classificazione basata in MemTrax hè stata superiore cù solu e quattru funzioni più classificate (0.9119) cumparatu cù tutte e 10 funzioni cumuni (0.8999).

cunclusioni:

A prestazione di MemTrax pò esse aduprata in modu efficace in un mudellu preditivu di classificazione di apprendimentu automaticu applicazione di screening per a rilevazione di l'insufficienza cognitiva in prima fase.

A lingua

L'incidenza è a prevalenza generalizata ricunnisciuta (anche se sottodiagnosticata) è una escalazione parallela medica, suciale è publica salute I costi è u pesu di a malatia di Alzheimer (AD) è di l'impurtanza cognitiva ligera (MCI) sò sempre più stressanti per tutti i stakeholder [1, 2]. Stu scenariu distressing è bourgeoning hà incitatu una chjama urgente per a ricerca per cunvalidà rilevazione precoce Strumenti di screening cognitivu è valutazione per una utilità pratica regulare in ambienti persunali è clinichi per i pazienti anziani in diverse regioni è populazioni [3]. Questi strumenti devenu ancu furnisce una traduzzione senza saldatura di risultati informativi in ​​registri di salute elettronica. I benefici seranu realizati informendu i pazienti è assistendu i medichi à ricunnosce i cambiamenti significativi prima è cusì permettenu una stratificazione, implementazione è seguimentu più rapida è puntuale di trattamentu individualizatu è più costu-efficace è cura di i pazienti per quelli chì cumincianu à sperimentà. decadenza cognitiva [3, 4].

U strumentu informatizzatu MemTrax (https://memtrax.com) hè una valutazione di ricunniscenza cuntinuu simplice è breve chì pò esse auto-amministrata in linea per misurà un rendimentu di memoria episodica di sfida à u tempu induve l'utilizatore risponde à l'imaghjini ripetuti è micca à una presentazione iniziale [5, 6]. A ricerca recente è l'implicazioni pratiche risultanti cumincianu à dimustrà progressivamente è cullettivamente l'efficacità clinica di MemTrax in u screening iniziale di AD è MCI [5-7]. Tuttavia, paragone direttu di utilità clinica à esistenti salute cugnitiva A valutazione è i standard cunvinziunali sò garantiti per informà a perspettiva prufessiunale è corroborate l'utilità MemTrax in a rilevazione precoce è u supportu diagnosticu. van der Hoek et al. [8] hà paragunatu i metrici di rendiment MemTrax selezziunati (velocità di reazione è per centu currettu) à u statu cognitivu determinatu da u Montreal. Valutazione Cognitiva (MoCA). Tuttavia, stu studiu hè statu limitatu à associà queste metriche di prestazione cù a carattarizazione di u statu cognitivu (cum'è determinatu da MoCA) è a definizione di intervalli relativi è valori di cutoff. In cunsiquenza, per allargà sta investigazione è migliurà u rendiment di classificazione è l'efficacità, a nostra quistione di ricerca primaria era:

  • Puderanu e metriche di rendiment MemTrax selezziunate da un individuu è a demografia è a salute pertinenti Profile e caratteristiche esse utilizzate in modu efficace in un mudellu predittivu sviluppatu cù l'apprendimentu macchina per classificà a salute cognitiva dicotomica (normale versus MCI), cum'è indicatu da u puntu MoCA di unu?

Sicundariu à questu, vulemu sapè:

  • Cumprendu e stesse caratteristiche, un mudellu di apprendimentu automaticu basatu in performance MemTrax pò esse applicatu in modu efficace à un paziente per predichendu a gravità (ligeru versus severu) in categurie selezziunate di deteriorazione cognitiva cum'è esse determinata da un diagnosticu clinicu indipendente?

L'avventu è l'evoluzione di l'applicazione pratica di l'intelligenza artificiale è l'apprendimentu automaticu in u screening / rilevazione anu digià dimustratu vantaghji pratichi distinti, cù un mudellu predittivu chì guida in modu efficace i clinichi in a valutazione sfida di a salute cognitiva / cerebrale è a gestione di i pazienti. In u nostru studiu, avemu sceltu un approcciu simili in a modellazione di classificazione MCI è a discriminazione di gravità di l'impurtanza cognitiva cum'è cunfirmata da u diagnosticu clinicu da trè datasets chì rapprisentanu inpatients vuluntarii selezziunati è ambulatori di dui ospedali in Cina. Utilizendu a modellazione predittiva di l'apprendimentu automaticu, avemu identificatu i studienti più performanti da e diverse combinazioni di dataset / studiente è classificatu e caratteristiche per guidàci in a definizione di l'applicazioni di mudelli più clinicamente pratichi.

I nostri ipotesi eranu chì un mudellu cunvalidatu basatu in MemTrax pò esse utilizatu per classificà a salute cognitiva dicotomica (normale o MCI) basatu annantu à u criteriu di soglia di puntuazione aggregata MoCA, è chì un mudellu predittivu MemTrax simili pò esse impiegatu in modu efficace in discriminazione di gravità in categurie selezziunate di diagnosticatu clinicamente impairment cugnitiva. Dimustrà i risultati anticipati seria strumentale à sustene l'efficacità di MemTrax cum'è una schermata di rilevazione precoce per u decadimentu cognitivu è a classificazione di deterioramentu cognitivu. Un paragone favurevule à un standard di l'industria cumplementatu da una facilità assai più grande è una rapidità di utilità seria influente per aiutà i clinichi à aduttà stu strumentu simplice, affidabile è accessibile cum'è una schermata iniziale in a rilevazione di deficit cognitivi in ​​fase iniziale (inclusi prodromali). Un tali approcciu è utilità puderia cusì induce una cura è intervenzione di u paziente più puntuale è stratificata. Queste intuizioni avanzate è metriche è mudelli migliurati puderanu ancu esse utili per mitigà o piantà a progressione di a demenza, cumprese l'AD è a demenza ligata à l'AD (ADRD).

MATERIELI E METODI

Studiu di pupulazione

Trà ghjennaghju 2018 è aostu 2019, a ricerca trasversale hè stata finita nantu à i pazienti recrutati da dui ospedali in Cina. L'amministrazione di MemTrax [5] à e persone di età 21 anni è più, è a cullizzioni è l'analisi di sti dati sò stati riveduti è appruvati da è amministrati in cunfurmità cù i normi etichi di u Human Cumitatu di Prutezzione di Sughjetti di l'Università di Stanford. MemTrax è tutti l'altri prucessi per stu studiu generale sò stati realizati secondu a dichjarazione di Helsinki di 1975 è appruvati da u Cunsigliu di Revisione Istituziunale di u Primu Hospital Affiliatu di l'Università Medica di Kunming in Kunming, Yunnan, Cina. Ogni utilizatore hè statu furnitu un cunvenimentu informatu forma per leghje / riviseghjà è dopu accettà volontariamente di participà.

I participanti sò stati recrutati da u gruppu di ambulatori in a clinica di neurologia in l'Hospital Yanhua (sub-dataset YH) è u clinica di memoria à u Primu Hospital Affiliatu di Kunming Medical Università (sub-dataset XL) in Pechino, Cina. I participanti sò stati ancu reclutati da neurologia (sub-dataset XL) è medicina interna (sub-dataset KM) inpatients in u Primu Hospital Affiliatu di Kunming Medical University. I criterii d'inclusione includenu 1) omi è donne di almenu 21 anni, 2) capacità di parlà cinese (mandarin), è 3) capacità di capisce e direzzione verbale è scritta. I criterii d'esclusione eranu i disfunzioni di a vista è di u mutore chì impediscenu à i participanti di cumpiendu u Test MemTrax, è ancu l'incapacità di capisce l'istruzzioni di teste specifiche.

Versione cinese di MemTrax

In ligna A piattaforma di prova MemTrax hè stata tradutta in cinese (URL: https://www.memtrax.com.cn) è più adattatu per esse utilizatu attraversu WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Cina) per l'auto-amministrazione. I dati sò stati guardati in un servitore nuvola (Ali Cloud) situatu in Cina è licenziatu da Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, China) da SJN Biomed LTD (Kunming, Yunnan, China). Detaglii specifichi nantu à MemTrax è i criteri di validità di teste utilizati quì sò stati descritti prima [6]. A prova hè stata furnita senza costu à i pazienti.

Prucedure di studiu

Per l'inpatients è l'ambulatori, un questionnaire di carta generale per a cullizzioni di infurmazioni demografiche è persunali cum'è età, sessu, anni d'educazione, occupazione, Vivi solu o cù a famiglia, è a storia medica hè stata amministrata da un membru di a squadra di studiu. Dopu à u cumpletu di u questionnaire, i testi MoCA [12] è MemTrax sò stati amministrati (MoCA prima) senza più di 20 minuti trà e teste. MemTrax percentu currettu (MTx-% C), u tempu di risposta mediu (MTx-RT), è a data è l'ora di a prova sò stati registrati nantu à carta da un membru di a squadra di studiu per ogni participante pruvatu. U questionnaire cumpletu è i risultati di u MoCA sò stati caricati in una foglia di calculu Excel da u ricercatore chì hà amministratu e teste è verificatu da un cullegu prima chì i schedari Excel sò stati salvati per l'analisi.

Test MemTrax

A prova in linea MemTrax includeva 50 images (25 uniche è 25 ripetizioni; 5 sette di 5 imagine di sceni cumuni o oggetti) mostrati in un ordine pseudo-aleatoriu specificu. U participante (per istruzioni) toccu u buttone Start in u screnu per inizià a prova è cumincià à vede a serie di l'imaghjini è torna toccu l'imaghjini nantu à u screnu u più prestu pussibule ogni volta chì una stampa ripetuta apparsu. Ogni maghjina apparsu per 3 s o finu à chì l'imaghjini nantu à a pantalla hè stata toccu, chì pruvucò a presentazione immediata di a prossima stampa. Utilizendu u clock internu di u dispusitivu lucale, MTx-RT per ogni maghjina hè stata determinata da u tempu passatu da a presentazione di l'imaghjini à quandu u screnu hè statu toccu da u participante in risposta à indicà u ricunniscenza di l'imaghjini cum'è quellu chì era digià statu mostratu. durante a prova. MTx-RT hè stata arregistrata per ogni imaghjina, cù un pienu 3 s registratu chì indicanu nisuna risposta. MTx-% C hè statu calculatu per indicà u percentualità di ripetizioni è imagine iniziali à quale l'utilizatore hà rispostu currettamente (veru pusitivu + veru negativu divisu da 50). Ulteriori dettagli di l'amministrazione è l'implementazione di MemTrax, a riduzzione di dati, dati invalidi o "senza risposta", è analisi di dati primari sò descritti in altrò [6].

A prova di MemTrax hè stata spiegata in dettagliu è una prova di pratica (cù imaghjini unichi altri ch'è quelli utilizati in a prova per a registrazione di i risultati) hè stata furnita à i participanti in l'ospitale. I participanti in i sub-datasets YH è KM anu pigliatu a prova MemTrax in un smartphone chì hè stata caricata cù l'applicazione in WeChat; mentre chì un numeru limitatu di i pazienti XL sub-dataset anu utilizatu un iPad è u restu hà utilizatu un smartphone. Tutti i participanti anu pigliatu a prova di MemTrax cun un investigatore di studiu chì osservava discretamente.

Valutazione cognitiva di Montreal

A versione di Pechino di u MoCA Chinese (MoCA-BC) [13] hè stata amministrata è puntuata da circadori furmati secondu l'istruzzioni di teste ufficiali. Adupratu, u MoCA-BC hè statu dimustratu per esse un affidabile prova per a cognitiva screening in tutti i livelli di educazione in adulti anziani cinesi [14]. Ogni prova hà pigliatu circa 10 à 30 minuti per amministrà basatu annantu à e capacità cognitive di i participanti rispettivi.

Modellu di classificazione MoCA

Ci era un totale di 29 funziunalità utilizable, cumprese dui MemTrax metriche di prestazione di teste è 27 funzioni ligati à a demografia è a salute infurmazione per ogni participante. A puntuazione di a prova aggregata MoCA di ogni paziente hè stata utilizata cum'è screening cognitivu "benchmark" per furmà i nostri mudelli predittivi. In cunsiquenza, perchè MoCA hè stata utilizata per creà l'etichetta di classa, ùn pudemu micca usà a partitura aggregata (o qualcunu di i punteggi di u subset MoCA) cum'è una funzione indipendente. Avemu realizatu esperimenti preliminari in quale avemu modellatu (classificà a salute cognitiva definita da MoCA) i trè sub-datasets originali di l'ospedale / clinica (s) individualmente è poi cumminati cù tutte e funzioni. Tuttavia, tutti i listessi elementi di dati ùn sò micca stati cullati in ognuna di e quattru cliniche chì rapprisentanu i trè sub-datasets; cusì, assai di e nostre funziunalità in u dataset cumminatu (quandu si usanu tutte e funziunalità) anu avutu una alta incidenza di valori mancanti. Dopu avemu custruitu mudelli cù u dataset cumminatu utilizendu solu caratteristiche cumuni chì anu risultatu in un rendimentu di classificazione migliuratu. Questu hè statu prubabilmente spiegatu da una cumminazione di avè più istanze per travaglià cumminendu i trè sub-datasets di pazienti è senza caratteristiche cù una prevalenza indebita di valori mancanti (solu una funzione in u dataset cumminatu, tipu di travagliu, hà avutu qualchì valore mancante, chì affetta). solu trè casi di pazienti), perchè solu e caratteristiche cumuni registrate in tutti i trè siti sò stati inclusi. In particulare, ùn avemu micca avutu un criteriu di rifiutu specificu per ogni funzione chì era ultimamente micca inclusa in u dataset cumminatu. In ogni casu, in u nostru modellu di dataset cumminatu preliminare, avemu prima utilizatu tutte e caratteristiche di ognuna di i trè sub-dataset di pazienti separati. Questu hà assai risultatu in un rendimentu di mudellu chì era misurabile più bassu di u mudellu preliminariu iniziale nantu à ogni sub-dataset individuale. Inoltre, mentre chì a prestazione di classificazione di i mudelli custruiti cù tutte e funzioni era incuragisce, in tutti i studienti è i schemi di classificazione, u rendiment hà migliuratu per duie volte più mudelli quandu si usanu solu funzioni cumuni. In fatti, trà ciò chì hè finitu per esse i nostri primi studienti, tutti, tranne un mudellu, anu migliuratu cù l'eliminazione di e funzioni micca cumuni.

U dataset aggregatu finali (YH, XL, è KM cumminati) includeu 259 istanze, ognuna chì rapprisenta un participante unicu chì hà pigliatu i testi MemTrax è MoCA. Ci era 10 funziunalità indipendenti spartuti: MemTrax performance metrics: MTx-% C è mean MTx-RT; infurmazione demografica è di storia medica: età, sessu, anni di educazione, tipu di travagliu (collare blu / collu biancu), supportu suciale (sia chì u testatore vive solu o cù a famiglia), è risposti iè / no per sapè se l'utilizatore avia un storia di diabete, iperlipidemia o ferita cerebrale traumatica. Dui metrichi supplementari, MoCA aggregate score è MoCA aggregate score adjusted for years of education [12], sò stati usati separatamente per sviluppà etichette di classificazione dipendente, creendu cusì dui schemi di modellazione distinti per esse applicati à u nostru dataset cumminatu. Per ogni versione (aggiustata è micca aghjustata) di u puntu MoCA, i dati sò stati di novu modellati separatamente per a classificazione binaria utilizendu dui soglia di criteri differenti - quellu inizialmente cunsigliatu [12] è un valore alternativu utilizatu è prumuvutu da altri [8, 15]. In u schema di classificazione di u sogliu alternativu, un paci hè cunsideratu chì hà una salute cognitiva normale se ellu hà puntuatu ≥23 nantu à a prova MoCA è avè MCI se u puntuatu era 22 o più bassu; mentri, in u formatu di classificazione iniziale cunsigliata, u paziente avia da puntuà un 26 o megliu nantu à u MoCA per esse etichettatu cum'è una salute cognitiva normale.

Dati filtrati per u mudellu di classificazione MoCA

Avemu esaminatu in più a classificazione MoCA utilizendu quattru tecniche di classificazione di funzioni cumuni: Chi-Squared, Gain Ratio, Information Gain, è Symmetrical Uncertainty. Per una perspettiva interim, avemu applicatu i rankers à l'inseme di dati cumminatu sanu utilizendu ognuna di i nostri quattru schemi di mudellu. Tutti i rankers accunsenu nantu à e stesse caratteristiche principali, vale à dì l'età, u numeru d'anni di educazione, è e duie metriche di rendiment MemTrax (MTx-% C, media MTx-RT). Dopu avemu ricustruitu i mudelli utilizendu ogni tecnica di selezzione di funzioni per furmà i mudelli solu nantu à e prime quattru funzioni (vede Selezione di funzioni sottu).

L'ultime ottu variazioni risultanti di i schemi di mudellu di classificazione MoCA sò presentati in a Tabella 1.

Table 1

Riassuntu di e variazioni di schema di mudellu utilizatu per a classificazione MoCA (Normale Salute Cognitiva versus MCI)

Schema di mudelluSalute Cognitiva Normale (Classe Negativa)MCI (classe positiva)
Adjusted-23 Unfiltered/Filtered101 (39.0%)158 (61.0%)
Adjusted-26 Unfiltered/Filtered49 (18.9%)210 (81.1%)
Unajusted-23 Unfiltered/Filtered92 (35.5%)167 (64.5%)
Unajusted-26 Unfiltered/Filtered42 (16.2%)217 (83.8%)

U numeru rispettu è u percentualità di i pazienti totali in ogni classa sò differenziati da l'aghjustamentu di u punteghju per l'educazione (Adjusted or Unajusted) è u sogliu di classificazione (23 o 26), cum'è applicatu à i dui setti di caratteristiche (Unfiltered è Filtered).

Modellu di valutazione clinica basatu in MemTrax

Di i nostri trè sub-datasets originali (YH, XL, KM), solu i pazienti sub-dataset XL sò stati diagnosticati clinicamente indipindentamente per l'incapacità cognitiva (vale à dì, i so rispettivi punteggi MoCA ùn sò micca stati utilizati per stabilisce una classificazione di normale versus impaird). In particulare, i pazienti XL sò stati diagnosticati cun o Test di a malatia di Alzheimer (AD) o demenza vascular (VaD). In ognuna di queste categurie di diagnosticu primariu, ci era una altra designazione per MCI. Diagnosi di MCI, demenza, disordine neurocognitivu vascular, è disordine neurocognitivu per l'AD sò basati nantu à criteri di diagnostichi specifichi è distintivi delineati in u Manual Diagnostic and Statistical of Mental Disorders: DSM-5 [16]. In cunsiderà questi diagnostichi raffinati, dui schemi di mudellu di classificazione sò stati applicati separatamente à u sub-dataset XL per distingue u livellu di gravità (gradu di disfunzione) per ogni categuria di diagnosi primaria. I dati utilizati in ognuna di sti schemi di modellazione diagnostica (AD è VaD) includenu infurmazione demografica è di storia di i pazienti, è ancu u rendiment MemTrax (MTx-% C, media MTx-RT). Ogni diagnosi hè stata tichjata ligera se designatu MCI; altrimenti, era cunsideratu severu. In principiu, avemu cunsideratu cum'è a puntuazione MoCA in i mudelli di diagnosi (ligeru versus severu); ma avemu determinatu chì scunfighja u scopu di u nostru schema di mudellu predittivu secundariu. Quì i studienti seranu furmati utilizendu altre caratteristiche di i pazienti prontamente dispunibuli per u fornitore è e metriche di prestazione di a prova MemTrax più simplice (invece di u MoCA) contr'à a riferenza "standard d'oru", u diagnosticu clinicu indipendente. Ci era 69 casi in u set di dati di diagnosi AD è 76 casi di VaD (Table 2). In i dui datasets, ci era 12 funzioni indipendenti. In più di e caratteristiche 10 incluse in a classificazione di u puntu MoCA, a storia di u paci include ancu infurmazioni nantu à a storia di l'ipertensione è l'ictus.

Table 2

Riassuntu di e variazioni di schema di mudellu utilizatu per a classificazione di gravità di diagnosi (Lieve versus Severu)

Schema di mudelluLieve (classe negativa)Grave (classe pusitiva)
MCI-AD versus AD12 (17.4%)57 (82.6%)
MCI-VaD versus VaD38 (50.0%)38 (50.0%)

U numeru rispittivu è u percentualità di i pazienti totali in ogni classa sò differenziati da categuria di diagnosi primaria (AD o VaD).

statistiche

A comparazione di e caratteristiche di i participanti è altre caratteristiche numeriche trà i sub-datasets per ogni strategia di classificazione di mudellu (per predichendu a salute cognitiva MoCA è a gravità di diagnosi) hè stata realizata utilizendu a lingua di prugrammazione Python (versione 2.7.1) [17]. E differenze di prestazione di u mudellu sò state inizialmente determinate utilizendu un ANOVA à un o dui fattori (se apprupriatu) cù un intervallu di cunfidenza di 95% è a prova di differenza significativa significativa (HSD) di Tukey per paragunà i mezi di rendiment. Questu esaminazione di e differenze trà e prestazioni di u mudellu hè stata realizata cù una cumminazione di Python è R (versione 3.5.1) [18]. Avemu impiegatu questu approcciu (anche se, forse, menu di l'ottimu) solu cum'è un aiutu heuristicu à questu. prima tappa per paraguni di prestazione di mudelli iniziali in anticipazione di l'applicazione clinica potenziale. Dopu avemu utilizatu a prova Bayesian signed-rank utilizendu una distribuzione posteriore per determinà a probabilità di differenze di prestazione di mudelli [19]. Per queste analisi, avemu usatu l'intervallu -0.01, 0.01, chì significheghja chì si dui gruppi avianu una differenza di prestazione di menu di 0.01, sò stati cunsiderati uguali (in a regione di l'equivalenza pratica), o altrimenti eranu diffirenti (unu megliu cà. l'altru). Per fà a comparazione Bayesiana di classificatori è calculà queste probabilità, avemu usatu a biblioteca baycomp (versione 1.0.2) per Python 3.6.4.

Modellazione predittiva

Avemu custruitu mudelli predittivi utilizendu e dece variazioni totali di i nostri schemi di modellazione per predichendu (classificà) u risultatu di a prova MoCA di ogni paziente o a gravità di u diagnosticu clinicu. Tutti i studienti sò stati applicati è i mudelli sò stati custruiti cù a piattaforma di software open source Weka [20]. Per a nostra analisi preliminare, avemu impiegatu 10 algoritmi di apprendimentu cumunimenti usati: 5-Nearest Neighbors, duie versioni di l'arbre di decisione C4.5, Regression Logistic, Multilayer Perceptron, Naïve Bayes, duie versioni di Random Forest, Radial Basis Function Network, è Support Vector. Macchina. L'attributi chjave è i cuntrasti di sti algoritmi sò stati descritti in altrò [21] (vede l'Appendice rispettivu). Quessi sò stati scelti perchè rapprisentanu una varietà di diversi tipi di studienti è perchè avemu dimustratu u successu utilizendu in analisi precedenti nantu à dati simili. I paràmetri di iper-parametri sò stati scelti da a nostra ricerca precedente chì indicanu chì sò robusti nantu à una varietà di dati diffirenti [22]. Basatu nantu à i risultati di a nostra analisi preliminare utilizendu u stessu set di dati cumminatu cù caratteristiche cumuni chì sò stati aduprati successivamente in l'analisi completa, avemu identificatu trè studianti chì furnianu un rendimentu consistente forte in tutte e classificazioni: Regressione Logistica, Naïve Bayes è Support Vector Machine.

Validazione incruciata è metrica di rendiment di mudellu

Per tutti i mudelli predittivi (cumprese l'analisi preliminari), ogni mudellu hè statu custruitu cù a validazione incruciata di 10 volte, è u rendiment di u mudellu hè statu misuratu cù l'Area Under the Receiver Operating Characteristic Curve (AUC). A validazione incrociata hà iniziatu cù a divisione aleatoria di ognuna di i 10 set di dati di schema di modellazione in 10 segmenti uguali (pieghe), utilizendu nove di sti segmenti rispettivi per furmà u mudellu è u segmentu restante per a prova. Sta prucedura hè stata ripetuta 10 volte, utilizendu un segmentu sfarente cum'è a prova stabilita in ogni iterazione. I risultati sò stati cumminati per calculà u risultatu / prestazione di u mudellu finali. Per ogni cumminazione di studiente / dataset, stu prucessu tutale hè statu ripetutu 10 volte cù e dati chì sò spartuti in modu diversu ogni volta. Questu ultimu passu hà riduciutu u preghjudiziu, hà assicuratu a replicabilità, è hà aiutatu à determinà u rendiment generale di u mudellu. In totale (per i schemi di classificazione di gravità di u puntu MoCA è di diagnosi cumminati), 6,600 mudelli sò stati custruiti. Questu includeva 1,800 mudelli senza filtru (6 schemi di modellazione applicati à u dataset × 3 studianti × 10 run × 10 folds = 1,800 mudelli) è 4,800 mudelli filtrati (4 schemi di modellazione applicati à u dataset × 3 studienti × 4 tecniche di selezzione di funzioni × 10 run × 10 pieghe = 4,800 mudelli).

Selezione di funzioni

Per i mudelli filtrati, a selezzione di e caratteristiche (utilizandu i quattru metudi di classificazione di e caratteristiche) hè stata realizata in a validazione incruciata. Per ognuna di i 10 folds, cum'è un 10% differente di u dataset era i dati di prova, solu i primi quattru funziunalità selezziunati per ogni dataset di furmazione (vale à dì, l'altri novi folds, o u restu 90% di tuttu u dataset) sò stati utilizati. per custruisce i mudelli. Ùn pudemu micca cunfirmà quali quattru caratteristiche sò state aduprate in ogni mudellu, postu chì quella informazione ùn hè micca almacenata o dispunibile in a piattaforma di modellazione chì avemu utilizatu (Weka). In ogni casu, datu a coherenza in a nostra selezzione iniziale di e caratteristiche principali quandu i rankers sò stati applicati à l'inseme di dati cumminatu sanu è a similitudine sussegwente in e prestazioni di modellazione, sti stessi caratteristiche (età, anni di educazione, MTx-% C, è MTx-RT media). ) sò prubabilmente i primi quattru più prevalenti utilizati cuncomitante cù a selezzione di funziunalità in u prucessu di validazione incruciata.

RESULTU

E caratteristiche numeriche di i participanti (inclusi i punteggi MoCA è e metriche di performance MemTrax) di i rispettivi datasets per ogni strategia di classificazione di mudelli per predichendu a salute cognitiva indicata da MoCA (normale versus MCI) è a gravità di diagnostica (ligeru versus severu) sò mostrati in a Tabella 3.

Table 3

Caratteristiche di i participanti, punteggi MoCA è prestazioni MemTrax per ogni strategia di classificazione di mudelli

Strategia di classificazioneAgeEducationMoCA AjustatuMoCA non ajustéMTx-% CMTx-RT
Categoria MoCA61.9 anni (13.1)9.6 anni (4.6)19.2 (6.5)18.4 (6.7)74.8% (15.0)1.4 s (0.3)
Diagnosi Gravità65.6 anni (12.1)8.6 anni (4.4)16.7 (6.2)15.8 (6.3)68.3% (13.8)1.5 s (0.3)

I valori mostrati (media, SD) differenziati da e strategie di classificazione di modellazione sò rapprisentanti di u dataset cumminatu utilizatu per predichendu a salute cognitiva indicata da MoCA (MCI versus normale) è u sub-dataset XL utilizatu solu per predichendu a gravità di diagnosi (ligeru versus severu).

Per ogni cumminazione di puntuazione MoCA (aggiustata/non aggiustata) è soglia (26/23), ci era una differenza statistica (p = 0.000) in ogni paraguni per pari (salute cognitiva normale versus MCI) per età, educazione è performance MemTrax (MTx-% C è MTx-RT). Ogni sub-dataset di u paziente in a rispettiva classa MCI per ogni cumminazione era in media di circa 9 à 15 anni più vechja, hà riportatu circa cinque anni di educazione, è hà avutu un rendimentu MemTrax menu favurevule per e duie metriche.

I risultati di prestazione di modellazione predittiva per i classificazioni di punteggi MoCA chì utilizanu i primi trè studianti, Regressione Logistica, Naïve Bayes è Support Vector Machine, sò mostrati in a Tabella 4. Questi trè sò stati scelti basatu annantu à a prestazione assoluta assoluta più consistente in tutti i diversi mudelli. applicata à i datasets per tutti i schemi di mudeli. Per l'inseme di dati senza filtrazione è u mudellu, ognuna di i valori di dati in a Tabella 4 indica a prestazione di u mudellu basatu annantu à a media rispettiva AUC derivata da i 100 mudelli (10 run × 10 folds) custruitu per ogni cumminazione di schema di studiente / mudellu, cù u rispettivu più altu. l'apprendimentu performante indicatu in grassu. Mentre chì per a modellazione di dataset filtrata, i risultati riportati in a Tabella 4 riflettenu e prestazioni medie di u mudellu generale da 400 mudelli per ogni studiente utilizendu ognuna di i metudi di classificazione di funzioni (4 metudi di classificazione di funzioni × 10 run × 10 volte).

Table 4

I risultati di classificazione MoCA dicotomica (AUC; 0.0–1.0) risultati per ognuna di i trè studienti più performanti per tutti i schemi di modellazione rispettivi

Set di funziunalità AdupratuScore MoCASoglia di cutoffRegressione LogisticaNaïve BayesSupport Vector Machine
Senza filtru (10 funzioni)Aghjustatu230.88620.89130.8695
260.89710.92210.9161
Inadattatu230.91030.90850.8995
260.88340.91530.8994
Filtratu (4 funzioni)Aghjustatu230.89290.89540.8948
260.91880.92470.9201
Inadattatu230.91350.91340.9122
260.91590.92360.9177

Utilizendu variazioni di set di funzioni, puntuazione MoCA è soglia di cutoff di puntuazione MoCA, u più altu rendimentu per ogni schema di mudellu hè mostratu in foglio (micca necessariamente statisticamente sfarente di tutti l'altri micca in foglio per u mudellu rispettivu).

Paragunendu i studienti in tutte e cumminazzioni di versioni è soglie di puntuazione MoCA (aghjustatu / micca aghjustatu è 23/26, rispettivamente) in l'insieme di dati cumminatu senza filtrazione (vale à dì, utilizendu e 10 caratteristiche cumuni), Naïve Bayes era in generale l'apprendista più performante cun un generale. prestazione di classificazione di 0.9093. In cunsiderà i primi trè studienti, i testi di gradu di signu correlati à Bayesian indicanu chì a probabilità (Pr) di Naïve Bayes superendu a Regressione Logistica era 99.9%. Inoltre, trà Naïve Bayes è Support Vector Machine, una probabilità di 21.0% di equivalenza pratica in u rendimentu di l'apprendista (cusì, una probabilità di 79.0% di Naïve Bayes supera a Support Vector Machine), accumpagnata da a probabilità di 0.0% di Support Vector Machine rende megliu, misurabile. rinforza u vantaghju di prestazione per Naïve Bayes. Un paragone ulteriore di a versione di punteggio MoCA in tutti i studienti / soglia suggerisce un ligeru vantaghju di rendiment utilizendu punteggi MoCA micca aghjustatu versus aghjustatu (0.9027 versus 0.8971, rispettivamente); Pr (ùn aghjustatu > aghjustatu) = 0.988). In listessu modu, una comparazione di u sogliu di cutoff in tutti i studienti è e versioni di puntuazione MoCA hà indicatu un picculu vantaghju di rendiment di classificazione utilizendu 26 cum'è u limitu di classificazione versus 23 (0.9056 versus 0.8942, rispettivamente); Pr (26 > 23) = 0.999). Infine, esaminendu a prestazione di classificazione per i mudelli chì utilizanu solu i risultati filtrati (vale à dì, solu quattru funzioni classificate), Naïve Bayes (0.9143) era numericamente u studiente più performante in tutte e versioni / soglie di punteggio MoCA. Tuttavia, in tutte e tecniche di classificazione di e funzioni cumminate, tutti i studienti più performanti anu fattu u listessu. I testi Bayesiani firmati anu mostratu 100% di probabilità di equivalenza pratica trà ogni coppia di studenti filtrati. Cum'è cù i dati micca filtrati (aduprendu tutte e 10 funzioni cumuni), ci era novu un vantaghju di rendiment per a versione micca aghjustata di u puntu MoCA (Pr (non ajustatu > aghjustatu) = 1.000), è ancu un vantaghju distintu simile per u limitu di classificazione di 26 (Pr (26 > 23) = 1.000). In particulare, a prestazione media di ognuna di i primi trè studianti in tutte e versioni / soglie di punteggi MoCA chì utilizanu solu e quattru funzioni di prima classifica superava a prestazione media di qualsiasi studiente nantu à i dati senza filtrazione. Ùn hè micca surprisante, a prestazione di classificazione di i mudelli filtrati (aduprendu i quattru funzioni di prima classificazione) in generale era superiore (0.9119) à i mudelli senza filtrazione (0.8999), indipendentemente da i mudelli di metudu di classificazione di caratteristiche chì sò stati paragunati à quelli mudelli rispettivi chì utilizanu tutti i 10 cumuni. caratteristiche. Per ogni metudu di selezzione di funziunalità, ci era una probabilità di 100% di un vantaghju di prestazione annantu à i mudelli senza filtrazione.

Cù i pazienti cunsiderati per a classificazione di gravità di u diagnosticu di l'AD, differenze trà i gruppi (MCI-AD versus AD) per età (p = 0.004), educazione (p = 0.028), score MoCA ajusté/non ajusté (p = 0.000), è MTx-% C (p = 0.008) eranu statisticamente significati; mentre chì per MTx-RT ùn era micca (p = 0.097). Cù quelli pazienti cunsiderati per a classificazione di gravità di u diagnosticu VaD, differenze trà i gruppi (MCI-VaD versus VaD) per u puntu MoCA aghjustatu / micca adattatu (p = 0.007) è MTx-% C (p = 0.026) è MTx-RT (p = 0.001) eranu statisticamente significati; mentre chì per età (p = 0.511) è l'educazione (p = 0.157) ùn ci era micca differenze significative trà i gruppi.

I risultati di prestazione di modellazione predittiva per e classificazioni di gravità di diagnosi chì utilizanu i trè studianti previamente selezziunati, Regressione Logistica, Naïve Bayes è Support Vector Machine, sò mostrati in a Tabella 5. Mentre chì i studienti esaminati supplementari anu dimustratu prestazioni ligeramente più forte individualmente cù una di e duie categurie di diagnosi clinica. , i trè studianti chì avemu avutu identificatu cum'è i più favurevuli in u nostru modellu precedente offrenu a prestazione più consistente cù i dui novi schemi di mudellu. Paragunendu i studienti in ognuna di e categurie di diagnosi primaria (AD è VaD), ùn ci era micca una differenza di prestazione di classificazione coherente trà i studienti per MCI-VaD versus VaD, anche se Support Vector Machine hà generalmente realizatu più prominente. In listessu modu, ùn ci era micca differenze significative trà i studienti per a classificazione MCI-AD versus AD, ancu s'è Naïve Bayes (NB) avia un ligeru vantaghju di rendimentu annantu à a Regressione Logistica (LR) è solu una pluralità insignificante annantu à Support Vector Machine, cù probabilità di 61.4% è 41.7% rispettivamente. In i dui set di dati, ci era un vantaghju di rendiment generale per Support Vector Machine (SVM), cù Pr (SVM > LR) = 0.819 è Pr (SVM > NB) = 0.934. U nostru rendimentu generale di classificazione in tutti i studienti in prediczione di gravità di diagnosi in u sub-dataset XL era megliu in a categuria di diagnosi VaD versus AD (Pr (VAD > AD) = 0.998).

Table 5

I risultati di classificazione di gravità di diagnosi clinica dicotomica (AUC; 0.0-1.0) risultati per ognuna di i trè studienti più performanti per i dui schemi di modellazione rispettivi

Schema di mudelluRegressione LogisticaNaïve BayesSupport Vector Machine
MCI-AD versus AD0.74650.78100.7443
MCI-VaD versus VaD0.80330.80440.8338

U più altu rendimentu per ogni schema di mudellu hè mostratu in foglio (micca necessariamente statisticamente sfarente da altri micca in foglio).

DISCUSSION

A rilevazione precoce di cambiamenti in a salute cognitiva hè impurtante utilità pratica in a gestione di a salute persunale è a salute publica. In verità, hè ancu assai una priorità alta in i paràmetri clinichi per i pazienti in u mondu. L'obiettivu cumunu hè di avvisà i pazienti, i caregivers, è i fornituri è invià un trattamentu adattatu è costu-efficace prima è una cura longitudinale per quelli chì cumincianu à sperimentà un decadimentu cognitivu. Unendu i nostri trè sottogruppi di dati di l'ospedale / clinica (s), avemu identificatu trè studienti distintamente preferibili (cun ​​​​un notevole standout - Naïve Bayes) per custruisce mudelli predittivi utilizendu Metriche di rendiment MemTrax chì puderanu classificà in modu affidabile u statu di salute cognitiva dicotomica (salute cognitiva normale o MCI) cum'è indicatu da un puntu aggregatu MoCA. In particulare, a prestazione generale di classificazione per tutti i trè studienti hà migliuratu quandu i nostri mudelli anu utilizatu solu e quattru funzioni di prima classificazione chì includenu principalmente queste metriche di rendiment MemTrax. Inoltre, avemu revelatu u putenziale sustinutu per aduprà i stessi studianti è e metriche di prestazione MemTrax in un schema di modellazione di classificazione di supportu diagnosticu per distingue a gravità di duie categurie di diagnosi di demenza: AD è VaD.

Test di memoria hè centrale per a deteczione precoce di AD [23, 24]. Cusì, hè opportunu chì MemTrax hè una linea accettabile, attraente è faciule da implementà. prova di screening per a memoria episodica in a pupulazione generale [6]. A precisione di ricunniscenza è i tempi di risposta da questa attività di rendiment cuntinuu sò particularmente rivelatori in l'identificazione di u deterioramentu precoce è in evoluzione è i cunsequenti deficit in i prucessi neuroplastici ligati à l'apprendimentu, a memoria è a cognizione. Vale à dì, i mudelli quì chì sò basati largamente nantu à e metriche di prestazione di MemTrax sò sensibili è sò più probabili di prontamente è cun un costu minimu rivelanu deficit neuropatologichi biologichi durante a fase asintomatica transitoria assai prima di una perdita funziunale più sostanziale [25]. Ashford et al. esaminatu attentamente i mudelli è i cumpurtamenti di l'accuratezza di a memoria di ricunniscenza è u tempu di risposta in l'utilizatori in linea chì anu participatu per sè stessu cù MemTrax [6]. Rispettendu chì queste distribuzioni sò critiche in a modellazione ottimale è in u sviluppu di applicazioni valide è efficaci di cura di i pazienti, a definizione di profili di ricunniscenza clinicamente applicabile è di tempu di risposta hè essenziale per stabilisce un riferimentu fundamentu preziosu per l'utilità clinica è di ricerca. U valore praticu di MemTrax in u screening di AD per a disfunzione cognitiva iniziale è u supportu diagnosticu differenziale deve esse esaminatu più attentamente in u cuntestu di un ambiente clinicu induve e comorbidità è e capacità cognitive, sensoriali è motorie chì affettanu u rendiment di a prova ponu esse cunsiderate. È per informà a perspettiva prufessiunale è incuragisce l'utilità clinica pratica, hè primu imperativu di dimustrà a paragone cù una prova di valutazione di a salute cognitiva stabilita, ancu s'ellu l'ultime pò esse ricunnisciutu da limitazione di testing ingombrante di logistica, educazione è deterrenti di lingua, è influenze culturali [26] . In questu riguardu, a comparazione favurevule di MemTrax in l'efficacità clinica à MoCA chì hè comunmente presunta cum'è standard di l'industria hè significativa, soprattuttu quandu pesa a più grande facilità di utilità è accettazione di i pazienti di MemTrax.

L'esplorazione precedente paragunendu MemTrax à MoCA mette in risaltu a logica è l'evidenza preliminare chì justifica a nostra investigazione di modellazione [8]. Tuttavia, sta comparazione precedente hà assuciatu solu e duie metriche chjave di rendiment MemTrax chì avemu esaminatu cù u statu cognitivu determinatu da MoCA è definitu intervalli rispettivi è valori di cutoff. Avemu approfonditu a valutazione di l'utilità clinica di MemTrax esplorendu un approcciu basatu in mudelli predittivi chì furnisce una cunsiderazione più individualizzata di altri parametri specifichi di u paziente potenzialmente pertinenti. In cuntrastu à l'altri, ùn avemu micca truvatu un vantaghju in u rendiment di u mudellu utilizendu una correzione di l'educazione (aggiustamentu) à u puntu MoCA o in varià u sogliu di puntuazione aggregata MoCA discriminante per a salute cognitiva da u 26 à 23 inizialmente cunsigliatu [12, 15]. In fattu, u vantaghju di u rendimentu di classificazione favurizeghja l'usu di u puntu MoCA micca aghjustatu è u sogliu più altu.

Punti chjave in a pratica clinica

L'apprendimentu di a macchina hè spessu megliu utilizatu è più efficace in u modellu predittivu quandu i dati sò estensi è multidimensionali, vale à dì quandu ci sò numerosi osservazioni è una larga gamma concomitante di attributi (cuntribuenti) di altu valore. Eppuru, cù questi dati attuali, i mudelli filtrati cù solu quattru funzioni selezziunate eseguite megliu cà quelli chì utilizanu tutte e 10 funzioni cumuni. Questu suggerisce chì u nostru dataset di l'ospitale aggregatu ùn hà micca avutu e caratteristiche più clinicamente adattate (di valore elevatu) per classificà in modu ottimale i pazienti in questu modu. Tuttavia, l'enfasi di a classificazione di e caratteristiche chjave di MemTrax - MTx-% C è MTx-RT - sustene fermamente a creazione di mudelli di screening di deficit cognitivi in ​​fasi iniziali intornu à sta prova chì hè simplice, faciule d'amministrari, low-cost, è appiccicatamente rivelante in quantu à prestazioni di memoria, almenu avà cum'è una schermata iniziale per una classificazione binaria di u statu di salute cognitiva. Data a tensione sempre crescente nantu à i fornitori è i sistemi di assistenza sanitaria, i prucessi di screening di i pazienti è l'applicazioni cliniche duveranu esse sviluppati in modu adattatu cun un enfasi in a cullizzioni, u seguimentu è a modellazione di e caratteristiche di i pazienti è e metriche di teste chì sò più utili, vantaghji è pruvati efficaci in u diagnosticu. è supportu di gestione di i pazienti.

Cù e duie metriche chjave di MemTrax essendu centrali à a classificazione MCI, u nostru studiente più altu (Naïve Bayes) hà avutu una prestazione predittiva assai alta in a maiò parte di i mudelli (AUC più di 0.90) cù un rapportu veru-pusitivu à falsu-pusitivu vicinu o un pocu più di 4. : 1. Una applicazione clinica di traduzzione chì utilizeghja stu studiente catturaria cusì (classificà currettamente) di granu a maiò parte di quelli chì anu un deficit cognitivu, mentre minimizeghja u costu assuciatu à classificà erroneamente à qualcunu cù una salute cognitiva normale cum'è avè un deficit cognitivu (falsi pusitivu) o manca quella classificazione in quelli chì anu un deficit cognitivu (falsu negativu). Ognunu di sti scenarii di classificazione sbagliata puderia impone una carica psicosociale indebita à u paziente è à i caregivers.

Mentre chì in l'analisi preliminari è cumplete avemu utilizatu tutti i dece studienti in ogni schema di modellazione, avemu focalizatu i nostri risultati nantu à i trè classificatori chì mostranu a prestazione forte più consistente. Questu era ancu di mette in risaltu, basatu annantu à questi dati, i studienti chì anticipavanu esse realizatu in modu affidabile à un altu livellu in una applicazione clinica pratica in a determinazione di a classificazione di u statu cognitivu. Inoltre, perchè stu studiu hè statu intesu cum'è una investigazione introduttiva in l'utilità di l'apprendimentu automaticu nantu à u screening cognitivu è queste sfide cliniche puntuali, avemu pigliatu a decisione di mantene e tecniche di apprendimentu simplici è generalizate, cù sintonizazione minima di parametri. Apprezzemu chì questu approcciu pò avè limitatu u potenziale per capacità predittive specifiche per i pazienti più ristrette. In listessu modu, mentri a furmazione di i mudelli chì utilizanu solu e funzioni di punta (approcciu filtratu) ci informa più in quantu à queste dati (specificu à e carenze in i dati raccolti è chì mette in risaltu u valore in l'ottimisazione di tempu è risorse clinichi preziosi), ricunnoscemu chì hè prematuru di restringere. u scopu di i mudelli è, per quessa, tutti (è altre caratteristiche) deve esse cunsideratu cù a ricerca futura finu à avè un prufilu più definitu di e funziunalità priurità chì saria applicabile à a populazione larga. Cusì, ricunnoscemu ancu chì e dati più inclusivi è largamente rapprisentanti è l'ottimisazione di questi è altri mudelli seranu necessarii prima di integralli in una applicazione clinica efficace, in particulare per accodà e comorbidità chì affettanu a prestazione cognitiva chì deve esse cunsiderata in una valutazione clinica ulteriore.

L'utilità di MemTrax hè stata ulteriormente edificata da a modellazione di a gravità di a malatia basatu annantu à un diagnosticu clinicu separatu. Un rendimentu di classificazione generale megliu in a prediczione di a gravità di VaD (paragunatu à AD) ùn era micca surprising data u prufilu di u paziente caratteristiche in i mudelli specifichi per a salute vascular è u risicu di l'ictus, vale à dì, ipertensione, iperlipidemia, diabete, è (di sicuru) storia d'ictus. Ancu s'ellu saria statu più desideratu è adattatu per avè a listessa valutazione clinica realizata nantu à i pazienti cuncordati cù una salute cognitiva normale per furmà i studienti cù questi dati più inclusivi. Questu hè soprattuttu garantitu, postu chì MemTrax hè destinatu à esse utilizatu principalmente per a rilevazione di u stadiu iniziale di un deficit cognitivu è u seguimentu sussegwenti di u cambiamentu individuale. Hè ancu plausibile chì a distribuzione più desiderata di dati in u set di dati VaD hà cuntribuitu in parte à u rendiment di mudellu comparativamente megliu. U dataset VaD era ben equilibratu trà e duie classi, mentri l'AD dataset cù assai menu pazienti MCI ùn era micca. In particulare in picculi datasets, ancu uni pochi di casi supplementari ponu fà una differenza misurabile. E duie prospettive sò argumenti ragiunate sottumessi à e differenze in u rendiment di mudellu di gravità di a malatia. Tuttavia, attribuì proporzionalmente un rendimentu migliuratu à e caratteristiche numeriche di dataset o e caratteristiche inerenti specifiche à a presentazione clinica in cunsiderazione hè prematura. Tuttavia, stu rumanzu hà dimustratu l'utilità di un mudellu di classificazione predittiva MemTrax in u rolu di supportu diagnosticu clinicu furnisce una perspettiva preziosa è affirma a ricerca per un esame supplementu cù i pazienti in u continuum di MCI.

L'implementazione è l'utilità dimustrata di MemTrax è questi mudelli in Cina, induve a lingua è a cultura sò drasticamente sfarente da altre regioni di utilità stabilita (per esempiu, Francia, Paesi Bassi è Stati Uniti) [7, 8, 27], sottolinea ancu u putenziale. per l'accettazione globale generale è u valore clinicu di una piattaforma basata in MemTrax. Questu hè un esempiu dimustrabile in striving versu l'armonizazione di dati è u sviluppu di normi internaziunali pratichi è risorse di mudellu per u screening cognitivu chì sò standardizati è facilmente adattati per l'usu in u mondu.

I prossimi passi in a modellazione è l'applicazione di u declinu cognitivu

A disfunzione cognitiva in AD si verifica in un continuum, micca in tappe o passi discreti [28, 29]. In ogni casu, in questa fase iniziale, u nostru scopu era di stabilisce prima a nostra capacità di custruisce un mudellu chì incorpora MemTrax chì pò distingue fundamentalmente "normale" da "micca normale". Dati empirici più inclusivi (per esempiu, imaging di u cervellu, caratteristiche genetiche, biomarcatori, comorbidità è marcatori funzionali di cumplessu). attività chì necessitanu cognitive cuntrollu) [30] in diverse regioni glubale, pupulazioni è gruppi d'età per furmà è sviluppà mudelli di apprendimentu automaticu più sofisticati (cumpresu l'insieme ponderatu apttamente) susteneranu un più grande gradu di classificazione avanzata, vale à dì a capacità di categurizà gruppi di pazienti cù MCI in sottogruppi più chjuchi è più definitivi longu u continuu di decadenza cognittiva. Inoltre, i diagnostichi clinichi concomitanti per individui in pupulazioni di pazienti righjunali diverse sò essenziali per furmà in modu efficace sti mudelli più inclusivi è previsiblemente robusti. Questu faciliterà a gestione di casu stratificata più specifica per quelli chì anu sfondate simili, influenze è profili cognitivi caratteristici più ristretti è cusì ottimisà u sustegnu di decisione clinica è a cura di i pazienti.

A maiò parte di a ricerca clinica pertinenti à a data hà indirizzatu i pazienti cù almenu demenza ligera; è, in pràtica, troppu spessu l'intervenzione di i pazienti hè pruvata solu in stadi avanzati. Tuttavia, perchè u decadimentu cognitivu principia assai prima chì i criterii clinichi per a demenza sò scontri, un schermu precoce basatu in MemTrax applicatu in modu efficace puderia incuragisce l'educazione adatta di l'individui nantu à a malatia è e so progressioni è incitarà intervenzioni prima è più puntuali. Cusì, a rilevazione precoce puderia sustene l'implicazioni adattate chì varieghja da l'eserciziu, a dieta, u supportu emutivu, è a socializazione mejorata à l'intervenzione farmacologica è rinfurzà i cambiamenti in u cumpurtamentu è a percepzione in relazione à i pazienti chì singolarmente o in aggregatu puderanu mitigà o potenzalmentu piantà a progressione di demenza [31, 32] . Inoltre, cù efficace screening precoce, l'individui è e so famiglie ponu esse incuraghjiti à cunsiderà prucessi clinichi o uttene cunsiglii è altri supporti di servizii suciali per aiutà à chjarificà l'aspettattivi è l'intenzioni è gestisce i travaglii di ogni ghjornu. Ulteriori validazione è utilità pratica diffusa in questi modi puderanu esse strumentali per mitigà o piantà a progressione di MCI, AD è ADRD per parechje persone.

Infatti, a fine bassa di l'età di i pazienti in u nostru studiu ùn rapprisenta micca a pupulazione di preoccupazione tradiziunale cù AD. Tuttavia, l'età media per ogni gruppu utilizatu in i schemi di modellazione di classificazione basati nantu à u puntuazione / soglia MoCA è a gravità di u diagnosticu (Tabella 3) mette in risaltu una chiara maiuranza (più di 80%) chì hè almenu 50 anni. Questa distribuzione hè dunque assai appruvata per a generalizazione, sustene l'utilità di sti mudelli in a pupulazione chì caratterizeghja quelli tipicamente affettati da iniziu precoce è a malatia neurocognitiva in crescita per l'AD è VaD. Inoltre, l'evidenza recenti è a prospettiva sottolineanu quelli fattori ricunnisciuti (per esempiu, ipertensione, obesità, diabete è fumà) chì potenzialmente cuntribuiscenu à più altu precoce. punteggi di risicu vascular di l'adulti è di a mezza età è a cunseguenza sottile ferita cerebrale vascular chì si sviluppa insidiosu cù effetti evidenti ancu in i ghjovani. adulti [33-35]. In cunsiquenza, l'opportunità di screening iniziale più ottima per a rilevazione precoce stadiu di deficit cognitivi è avviendu strategie di prevenzione è intervenzione efficace per affruntà cù successu a demenza Emergerà da esaminà i fatturi cuntributori è l'indicatori antecedenti in tuttu u spettru di l'età, cumprese l'età adulta precoce è potenzalmentu ancu a zitiddina (nutendu a rilevanza di fatturi genetichi cum'è l'apolipoproteina E da a prima gestazione).

In pratica, i diagnostichi clinichi validi è e prucedure costose per l'imaghjini avanzati, u prufilu geneticu è a misurazione di biomarcatori promettenti ùn sò micca sempre prontu dispunibili o ancu fattibili per parechji fornituri. Cusì, in parechji casi, a classificazione iniziale di l'estatus di salute cognitiva generale pò esse derivata da mudelli chì utilizanu altre metriche simplici furnite da u paziente (per esempiu, l'autore rapportatu). problemi di memoria, i medicazione attuale è e limitazioni di l'attività di rutina) è e caratteristiche demografiche cumuni [7]. Registri cum'è l'Università di California Brain Salute Registru (https://www.brainhealthregistry.org/) [27] è altri cù una larghezza inerente più grande di sintomi auto-riportati, misure qualitative (per esempiu, u sonnu è a cognizione di ogni ghjornu), i medicazione, u statu di salute è a storia, è a demografia più dettagliata serà strumentale in u sviluppu è a validazione di l'applicazione pratica di questi mudelli più primitivi in ​​a clinica. In più, una prova cum'è MemTrax, chì hà dimustratu l'utilità in a valutazione di a funzione di memoria, pò in fatti furnisce una stima sostanzialmente megliu di a patologia AD cà i marcatori biologichi. Dapoi chì a caratteristica principale di a patologia AD hè a disrupzione di a neuroplasticità è una perdita eccessivamente cumplessa di sinapsi, chì si manifesta cum'è episodica. disfunzione di memoria, una misura chì valuta a memoria episodica pò in fattu furnisce una stima megliu di a carica patologica di l'AD cà i marcatori biologichi in u paci vivente [36].

Cù tutti i mudelli predittivi - sia cumplementati da dati cumplessi è inclusivi da tecnulugia di punta è insights clinichi raffinati in più duminii o quelli limitati à l'infurmazioni più basi è facilmente dispunibili caratteristiche di i profili di pazienti esistenti - u vantaghju ricunnisciutu di l'intelligenza artificiale è l'apprendimentu automaticu hè chì i mudelli risultanti ponu sintetizà è "impara" in modu induttivu da novi dati è perspettiva pertinenti furniti da l'utilizazione di l'applicazione in corso. Dopu à u trasferimentu tecnologicu praticu, cum'è i mudelli quì (è per esse sviluppati) sò applicati è arricchiti cù più casi è dati pertinenti (cumpresi i pazienti cun comorbidità chì puderanu presentà cun decadenza cognitiva conseguente), a prestazione di prediczione è a classificazione di a salute cognitiva seranu più robuste. risultatu in una utilità di supportu di decisione clinica più efficace. Questa evoluzione serà più cumpletamente è praticamente realizata cù l'incrustazione di MemTrax in e piattaforme persunalizate (destinate à e capacità dispunibili) chì i fornitori di assistenza sanitaria puderanu aduprà in tempu reale in a clinica.

Imperativu per a validazione è l'utilità di u mudellu MemTrax per u supportu diagnosticu è a cura di i pazienti sò assai ricercati dati longitudinali significativi. Osservendu è registrendu i cambiamenti concomitanti (s'ellu ci hè) in u statu clinicu in un intervallu adattatu di normale per mezu di MCI in prima fase, i mudelli per una valutazione è una classificazione in corso adatti ponu esse furmatu è mudificate cum'è l'età di i pazienti è sò trattati. Vale à dì, l'utilità ripetuta pò aiutà cù u seguimentu longitudinale di cambiamenti cognitivi leve, l'efficacità di l'intervenzione, è mantene a cura stratificata infurmata. Stu approcciu allinea più strettamente cù a pratica clinica è a gestione di i pazienti è di i casi.

Limitazioni

Apprezzemu a sfida è u valore in a cullizzioni di dati clinichi puliti in una clinica / ospedale cuntrullata. Tuttavia, avissi rinfurzatu u nostru mudellu se i nostri dataset includenu più pazienti cù caratteristiche cumuni. Inoltre, specificu à u nostru mudellu di diagnosi, saria statu più desideratu è adattatu per avè a listessa valutazione clinica realizata nantu à i pazienti cuncordati cù una salute cognitiva normale per furmà i studienti. È cum'è sottolineatu da a prestazione di classificazione più altu utilizendu u set di dati filtrati (solu i quattru funzioni di prima classifica), più generale è e misure / indicatori di salute cognitiva anu prubabilmente migliuratu u rendiment di mudellu cù un numeru più grande di caratteristiche cumuni in tutti i pazienti.

Certi participanti puderianu avè avutu cuncomitantemente altre malatie chì anu pussutu pruvucà carenze cognitive transitorie o croniche. Oltre à u sub-dataset XL induve i pazienti sò stati diagnosticamente classificati cum'è AD o VaD, i dati di comorbidità ùn sò micca stati raccolti / rappurtati in u gruppu di pazienti YH, è a comorbidità predominante rappurtata in u sub-dataset KM era diabete. Hè discutibile, però, chì l'inclusione di i pazienti in i nostri schemi di modellazione cù comorbidità chì puderanu pruvucà o aggravà un livellu di carenza cognitiva è un rendimentu MemTrax cunsequente più bassu seria più rappresentativu di a pupulazione di pazienti mirati in u mondu reale per questu screening cognitivu precoce più generalizatu. è l'approcciu di mudellu. Avanzate, a diagnosi precisa di e comorbidità chì ponu affettà u rendiment cognitivu hè largamente benefica per ottimisà i mudelli è l'applicazioni di cura di i pazienti risultanti.

Infine, i pazienti di sub-dataset YH è KM anu utilizatu un smartphone per piglià a prova MemTrax, mentri un numeru limitatu di i pazienti sub-dataset XL anu utilizatu un iPad è u restu hà utilizatu un smartphone. Questu puderia avè introduttu una differenza minore legata à u dispositivu in u rendiment MemTrax per u mudellu di classificazione MoCA. Tuttavia, e differenze (s'ellu ci hè) in MTx-RT, per esempiu, trà i dispositi seranu prubabilmente insignificanti, soprattuttu cù ogni participante chì riceve una prova di "pratica" appena prima di a prestazione di prova registrata. Tuttavia, l'utilità di questi dui dispositi portatili potenzialmente compromette u paragone direttu è / o l'integrazione cù altri risultati MemTrax induve l'utilizatori rispundenu à ripetiri l'imaghjini toccu a barra spaziatrice di u teclatu di l'urdinatore.

Punti chjave nantu à l'utilità di modellazione predittiva MemTrax

  • • I nostri mudelli predittivi più performanti chì includenu e metriche di prestazione di MemTrax selezziunate puderanu classificà in modu affidabile u statu di salute cognitiva (salute cognitiva normale o MCI) cum'è indicatu da a prova MoCA largamente ricunnisciuta.
  • • Questi risultati supportanu l'integrazione di e metriche di prestazione MemTrax selezziunate in una applicazione di screening di mudelli predittivi di classificazione per a disfunzione cognitiva iniziale.
  • • U nostru mudellu di classificazione hà ancu revelatu u putenziale di utilizà a prestazione di MemTrax in applicazioni per distinguerà a gravità di u diagnosticu di demenza.

Questi novi risultati stabiliscenu evidenza definitiva chì sustene l'utilità di l'apprendimentu di a macchina in a custruzzione di mudelli di classificazione robusti basati in MemTrax per un supportu diagnosticu in una gestione efficace di casi clinichi è cura di i pazienti per l'individui chì soffrenu di disabilità cognitiva.

ACKNOWLEDGMENTS

Ricunnoscemu u travagliu di J. Wesson Ashford, Curtis B. Ashford, è i culleghi per u sviluppu è a validazione di u travagliu di ricunniscenza cuntinuu in linea è l'uttellu (MemTrax) utilizatu quì è simu grati à i numerosi pazienti cù demenza chì anu cuntribuitu à a ricerca fundamentale critica. . Ringraziemu ancu Xianbo Zhou è i so culleghi di SJN Biomed LTD, i so culleghi è i cullaburatori in i siti di ospedali / cliniche, in particulare i Dr. M. Luo è M. Zhong, chì anu aiutatu cù u reclutamentu di i participanti, a pianificazione di e teste, è a cullizzioni, a registrazione è a gestione front-end di e dati, è i participanti vuluntarii chì anu donatu u so tempu preziosu è hà fattu l'impegnu à piglià e teste è furnisce. i dati valutati per noi per valutà in stu studiu. Questu studiu hè statu sustinutu in parte da u MD Scientific Research U prugramma di l'Università Medica di Kunming (Brant no. 2017BS028 à XL) è u Programma di Ricerca di u Dipartimentu di Scienza è Tecnulugia di Yunnan (Brant no. 2019FE001 (-222) à XL).

J. Wesson Ashford hà presentatu una dumanda di patente per l'usu di u paradigmu specificu di ricunniscenza cuntinuu descritta in questu documentu per generale. prova di memoria.

MemTrax, LLC hè una cumpagnia di Curtis Ashford, è sta cumpagnia gestisce u prova di memoria sistema descrittu in stu documentu.

Divulgazioni di l'autori dispunibili in linea (https://www.j-alz.com/manuscript-disclosures/19-1340r2).

prova di memoria prova di demenza prova di perdita di memoria test di perdita di memoria à breve termine prova ram a dieta di a mente varietà di libri test cognitivu in linea
Curtis Ashford - Coordinatore di a Ricerca Cognitiva

Vede ancu

[1] Associazione di Alzheimer (2016) 2016 fatti di a malatia di Alzheimer e figure. Alzheimers Dement 12, 459-509.
[2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Effettu di a prima fase k d'Alzheimer nantu à i risultati finanziarii di a famiglia. Salute 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) Neurologia: Set di misurazione di qualità di deteriorazione cognitiva lieve. Neurologia 93, 705-713.
[4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) Efficacia di u costu di usu Testi di screening cognitivu per a rilevazione di a demenza è di disfunzione cognitiva ligera in l'assistenza primaria. Int J Geriatr Psychiatry 32, 1392-1400.
[5] Ashford JW, Gere E, Bayley PJ (2011) Misurà a memoria in paràmetri di grande gruppu utilizendu una prova di ricunniscenza cuntinua. J Alzheimers Dis 27, 885–895.
[6] Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Un compitu informaticu di ricunniscenza cuntinuu per a misurazione di a memoria episodica. J Alzheimers Dis 69, 385–399.
[7] Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Prestazione di memoria episodica in u modellu di l'apprendimentu automaticu per predichendu a classificazione di u statu di salute cognitiva. J Alzheimers Dis 70, 277-286.
[8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The Test MemTrax paragunatu à l'estimazione di a valutazione cognitiva di montréal di a disfunzione cognitiva lieve. J Alzheimers Dis 67, 1045–1054.
[9] Falcone M , Yadav N , Poellabauer C , Flynn P (2013) Utilizendu i soni di vucali isolati per a classificazione di ferita cerebrale traumatica ligera. In 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, Vancouver, BC, pp. 7577-7581.
[10] Dabek F, Caban JJ (2015) Leveraging big data per mudificà a probabilità di sviluppà e cundizioni psicologichi dopu una cuncussione. Procedia Comput Sci 53, 265-273.
[11] Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Arbulu di decisione per a deteczione precoce di disfunzioni cognitive da i farmacisti di a cumunità. Front Pharmacol 9, 1232.
[12] Nasreddine ZS, Phillips NA, Bedirian V, Charbonneau S, Whitehead V, Collin I, Cummings JL, Chertkow H (2005) The Montreal Cognitive Assessment, MoCA: Un brevi strumentu di screening per lieve impairment cognitive. J Am Geriatr Soc 53, 695–699.
[13] Yu J, Li J, Huang X (2012) A versione di Pechino di l'evaluazione cognitiva montreal cum'è un strumentu di screening brevi per a disfunzione cognitiva ligera: Un studiu basatu in a cumunità. BMC Psichiatria 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 of the Chinese version of Montreal cognitive assessment basic for screening leve cognitive impairment. J Am Geriatr Soc 64, e285–e290.
[15] Carson N , Leach L , Murphy KJ (2018) A re-examination of Montreal Cognitive Assessment (MoCA) cutoff scores. Int J Geriatr Psychiatry 33, 379-388.
[16] Associazione Psichiatrica Americana (2013) Task Force Manuale Diagnosticu è statisticu di i disordini mentali: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC.
[17] Python. Python Software Foundation, http://www.python.org, Accessed November 15, 2019.
[18] R Core Group, R: A lingua è ambiente per l'informatica statistica R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/, 2018, Accessed November 15, 2019.
[19] Benavoli A , Corani G , Demšar J , Zaffalon M (2017) Time for a change: A tutorial for comparing multiple classifiers through Bayesian analysis. J Mach Learn Res 18, 1-36.
[20] Frank E, Hall MA, Witten IH (2016) U Workbench WEKA. In Data Mining: Strumenti pratichi di Machine Learning è Tecniche, 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 in modeling high school sport concussion symptom resolve. Med Sci Sports Exercice 51, 1362–1371.
[22] Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Perspettivi sperimentali nantu à l'apprendimentu da dati sbilanciati. In Proceedings of the 24th International Conference on Machine Learning, Corvalis, Oregon, USA, pp. 935-942.
[23] Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Evaluazione di u paci d'Alzheimer è u statu mini-mentale: Analisi di curva caratteristica di l'elementu.P. J Gerontol 44, 139-146.
[24] Ashford JW, Jarvik L (1985) Alzheimer: La plasticità neuronale predispone alla degenerazione neurofibrillare assonale? 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 JL , , Rocca WA , Petersen RC (2019) Prevalenza di entità di spettru di Alzheimer biologicu versus clinicamente definite utilizendu l'Istitutu Naziunale di Aging-Alzheimer Ricerca di l'Associazione quadru. JAMA Neurol 76, 1174-1183.
[26] Zhou X , Ashford JW (2019) Avanzate in strumenti di screening per k d'Alzheimer. 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 Salute Registru: Una piattaforma basata in Internet per u reclutamentu, a valutazione è u monitoraghju longitudinale di i participanti per i studii di neuroscienza. Alzheimers Dement 14, 1063-1076.
[28] Ashford JW, Schmitt FA (2001) Modeling the time-course of demenza di Alzheimer. 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): Protokollu per un studiu d'osservazione longitudinale cinese per sviluppà mudelli di predizione di risichi di cunversione à una disfunzione cognitiva lieve in individui cù cognitive subjective. decadenza. BMJ Open 9, e028188.
[30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) Variabilità di progressione di biomarcatori di cinque anni per demenza di a malatia di Alzheimer Previsione: Una attività strumentale cumplessa di u marcatore di a vita di ogni ghjornu pò riempie i lacune? Alzheimers Dement (Amst) 1, 521-532.
[31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) Prevenzione è trattamentu di a malatia di Alzheimer: Meccanismi biologichi di l'esercitu. J Alzheimers Dis 69, 311-338.
[32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Therapies for prevenzione è trattamentu di a malatia di 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) Associazioni trà u risicu vascular in l'adultu è a patologia cerebrale in a vita tarda: Evidenza da una cohorte di nascita britannica. JAMA Neurol 77, 175-183.
[34] Seshadri S (2020) Prevenzione di u pensamentu di demenza oltre l'età è i scatuli amiloidi. 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) Effetti di a pressione sanguigna sistolica nantu à l'integrità di a materia bianca in i ghjovani adulti in u Framingham Heart Study: A cross. - studiu seccionale. 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) Accuracy of biomarker testing for neuropathologically defined A malatia di Alzheimer in adulti anziani cù demenza. Ann Intern Med 172, 669-677.

Affiliazioni: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] Dipartimentu di Computer è Ingegneria Elettrica è Informatica, Florida Atlantic University, Boca Raton, FL, USA | [c] SJN Biomed LTD, Kunming, Yunnan, China | [d] Centru per Ricerca di Alzheimer, Washington Institute of Clinical Research, Washington, DC, USA | [e] Dipartimentu di Medicina di Riabilitazione, U Primu Ospedale Affiliatu di Kunming Medical University, Kunming, Yunnan, China | [f] Dipartimentu di Neurologia, Dehong People's Hospital, Dehong, Yunnan, China | [g] Dipartimentu di Neurologia, u Primu Hospital Affiliatu di Kunming Medical University, Wuhua District, Kunming, Yunnan Province, China | [h] Centru di Studiu di Malattie è Preghjudizii di Guerra, VA Palo Alto Sanità System, Palo Alto, CA, USA | [i] Dipartimentu di Psichiatria è Scienze Comportamentali, Stanford University School of Medicine, Palo Alto, CA, USA

Correspondance: [*] Correspondance to: 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, Dipartimentu di Neurologia, Primu Hospital Affiliatu di Kunming Medical University, 295 Xichang Road, Wuhua District, Kunming, Yunnan Province 650032, China. E-mail: ring@vip.163.com.

Parole chjave: invechje, k d'Alzheimer, demenza, screening di massa