Χρησιμότητα του MemTrax και της μοντελοποίησης μηχανικής μάθησης στην ταξινόμηση της ήπιας γνωστικής έκπτωσης
Ερευνητικό άρθρο
Συγγραφείς: Bergeron, Michael F. | Landset, Sara | Zhou, Xianbo | Ντινγκ, Τάο | 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 Η ασθένεια Αλτσχάϊμερ, τομ. 77, όχι. 4, σελ. 1545-1558, 2020
Περίληψη
Ιστορικό:
Η ευρεία επίπτωση και επικράτηση του Της νόσου του Alzheimer και η ήπια γνωστική εξασθένηση (MCI) έχει προκαλέσει μια επείγουσα έκκληση για έρευνα για την επικύρωση της έγκαιρης ανίχνευσης γνωστικού ελέγχου και αξιολόγησης.
Στόχος:
Ο κύριος στόχος της έρευνάς μας ήταν να προσδιορίσουμε εάν επιλεγμένες μετρήσεις απόδοσης MemTrax και σχετικά δημογραφικά στοιχεία και χαρακτηριστικά προφίλ υγείας μπορούν να χρησιμοποιηθούν αποτελεσματικά σε προγνωστικά μοντέλα που αναπτύχθηκαν με τη μηχανική μάθηση για την ταξινόμηση της γνωστικής υγείας (κανονική έναντι MCI), όπως υποδεικνύεται από το Γνωστική αξιολόγηση του Μόντρεαλ (MoCA).
Μέθοδοι:
Πραγματοποιήσαμε μια συγχρονική μελέτη σε 259 ενήλικες ασθενείς νευρολογίας, κλινικής μνήμης και εσωτερικής ιατρικής που προσλήφθηκαν από δύο νοσοκομεία στην Κίνα. Σε κάθε ασθενή δόθηκε το MoCA στην κινεζική γλώσσα και αυτοχορηγήθηκε το διαδικτυακό επεισόδιο συνεχούς αναγνώρισης MemTrax τεστ μνήμης online την ίδια μέρα. Τα μοντέλα προγνωστικής ταξινόμησης κατασκευάστηκαν χρησιμοποιώντας μηχανική εκμάθηση με 10-πλάσια διασταυρούμενη επικύρωση και η απόδοση του μοντέλου μετρήθηκε χρησιμοποιώντας την περιοχή κάτω από την καμπύλη χαρακτηριστικών λειτουργίας του δέκτη (AUC). Τα μοντέλα κατασκευάστηκαν χρησιμοποιώντας δύο μετρήσεις απόδοσης MemTrax (το ποσοστό σωστό, χρόνος απόκρισης), μαζί με τα οκτώ κοινά χαρακτηριστικά δημογραφικής και προσωπικής ιστορίας.
Αποτελέσματα:
Συγκρίνοντας τους μαθητές σε επιλεγμένους συνδυασμούς βαθμολογιών και κατωφλίων MoCA, ο Naïve Bayes ήταν γενικά ο εκπαιδευόμενος με τις καλύτερες επιδόσεις με συνολική απόδοση ταξινόμησης 0.9093. Επιπλέον, μεταξύ των τριών κορυφαίων μαθητών, η απόδοση ταξινόμησης με βάση το MemTrax ήταν συνολικά ανώτερη χρησιμοποιώντας μόνο τα τέσσερα χαρακτηριστικά στην κορυφή (0.9119) σε σύγκριση με τη χρήση και των 10 κοινών χαρακτηριστικών (0.8999).
Συμπέρασμα:
Η απόδοση του MemTrax μπορεί να χρησιμοποιηθεί αποτελεσματικά σε ένα μοντέλο πρόβλεψης ταξινόμησης μηχανικής μάθησης εφαρμογή προσυμπτωματικού ελέγχου για την ανίχνευση πρώιμου σταδίου γνωστικής εξασθένησης.
ΕΙΣΑΓΩΓΗ
Η αναγνωρισμένη (αν και υποδιαγνωσμένη) ευρέως διαδεδομένη επίπτωση και επικράτηση και παράλληλη κλιμακούμενη ιατρική, κοινωνική και δημόσια υγεία Το κόστος και η επιβάρυνση της νόσου του Alzheimer (AD) και της ήπιας γνωστικής εξασθένησης (MCI) επιβαρύνουν ολοένα και περισσότερο όλους τους ενδιαφερόμενους [1, 2]. Αυτό το οδυνηρό και εκρηκτικό σενάριο έχει προκαλέσει μια επείγουσα έκκληση για έρευνα για επικύρωση έγκαιρη ανίχνευση γνωστικά όργανα προσυμπτωματικού ελέγχου και αξιολόγησης για τακτική πρακτική χρησιμότητα σε προσωπικά και κλινικά περιβάλλοντα για ηλικιωμένους ασθενείς σε διάφορες περιοχές και πληθυσμούς [3]. Αυτά τα όργανα πρέπει επίσης να παρέχουν απρόσκοπτη μετάφραση των ενημερωτικών αποτελεσμάτων σε ηλεκτρονικά αρχεία υγείας. Τα οφέλη θα πραγματοποιηθούν με την ενημέρωση των ασθενών και την παροχή βοήθειας στους γιατρούς ώστε να αναγνωρίζουν σημαντικές αλλαγές νωρίτερα και έτσι να επιτραπεί πιο γρήγορη και έγκαιρη διαστρωμάτωση, εφαρμογή και παρακολούθηση της κατάλληλης εξατομικευμένης και πιο οικονομικής θεραπείας και φροντίδας ασθενών για όσους αρχίζουν να αντιμετωπίζουν γνωστική εξασθένηση [3, 4].
Το μηχανογραφημένο εργαλείο MemTrax (https://memtrax.com) είναι μια απλή και σύντομη αξιολόγηση συνεχούς αναγνώρισης που μπορεί να χορηγηθεί από μόνος του στο Διαδίκτυο για τη μέτρηση της προκλητικής χρονομετρημένης απόδοσης επεισοδιακής μνήμης όπου ο χρήστης ανταποκρίνεται σε επαναλαμβανόμενες εικόνες και όχι σε μια αρχική παρουσίαση [5, 6]. Η πρόσφατη έρευνα και οι προκύπτουσες πρακτικές επιπτώσεις αρχίζουν να καταδεικνύουν προοδευτικά και συλλογικά την κλινική αποτελεσματικότητα του MemTrax στον έλεγχο πρώιμης AD και MCI [5-7]. Ωστόσο, άμεση σύγκριση της κλινικής χρησιμότητας με την υπάρχουσα γνωστική υγεία η αξιολόγηση και τα συμβατικά πρότυπα είναι εγγυημένη για την ενημέρωση της επαγγελματικής προοπτικής και την επιβεβαίωση της χρησιμότητας MemTrax στην έγκαιρη ανίχνευση και διαγνωστική υποστήριξη. van der Hoek et al. [8] συνέκρινε επιλεγμένες μετρήσεις απόδοσης MemTrax (ταχύτητα αντίδρασης και ποσοστό σωστό) με τη γνωστική κατάσταση όπως προσδιορίζεται από το Μόντρεαλ Γνωστική Αξιολόγηση (MoCA). Ωστόσο, αυτή η μελέτη περιορίστηκε στη συσχέτιση αυτών των μετρήσεων απόδοσης με τον χαρακτηρισμό της γνωστικής κατάστασης (όπως καθορίζεται από το MoCA) και στον καθορισμό των σχετικών περιοχών και τιμών αποκοπής. Συνεπώς, για να επεκταθούμε σε αυτήν την έρευνα και να βελτιώσουμε την απόδοση και την αποτελεσματικότητα της ταξινόμησης, το κύριο ερευνητικό μας ερώτημα ήταν:
- Μπορεί οι επιλεγμένες μετρήσεις απόδοσης MemTrax ενός ατόμου και σχετικά δημογραφικά στοιχεία και υγεία λογαριασμό σας Τα χαρακτηριστικά θα χρησιμοποιηθούν αποτελεσματικά σε ένα προγνωστικό μοντέλο που αναπτύχθηκε με τη μηχανική μάθηση για να ταξινομήσει τη γνωστική υγεία διχοτομικά (κανονική έναντι MCI), όπως θα υποδεικνύεται από τη βαθμολογία του MoCA;
Δευτερεύοντα σε αυτό, θέλαμε να μάθουμε:
- Συμπεριλαμβανομένων των ίδιων χαρακτηριστικών, μπορεί ένα μοντέλο μηχανικής μάθησης που βασίζεται στην απόδοση MemTrax να εφαρμοστεί αποτελεσματικά σε έναν ασθενή για την πρόβλεψη της βαρύτητας (ήπιας έναντι σοβαρής) εντός επιλεγμένων κατηγοριών γνωστικής έκπτωσης, όπως θα καθοριζόταν από μια ανεξάρτητη κλινική διάγνωση;
Η έλευση και η εξελισσόμενη πρακτική εφαρμογή της τεχνητής νοημοσύνης και της μηχανικής μάθησης στον προσυμπτωματικό έλεγχο/ανίχνευση έχουν ήδη επιδείξει διακριτά πρακτικά πλεονεκτήματα, με τα προγνωστικά μοντέλα να καθοδηγούν αποτελεσματικά τους κλινικούς ιατρούς στην προκλητική αξιολόγηση της γνωστικής/εγκεφαλικής υγείας και της διαχείρισης ασθενών. Στη μελέτη μας, επιλέξαμε μια παρόμοια προσέγγιση στη μοντελοποίηση ταξινόμησης MCI και στη διάκριση της σοβαρότητας της γνωστικής έκπτωσης, όπως επιβεβαιώθηκε από την κλινική διάγνωση από τρία σύνολα δεδομένων που αντιπροσωπεύουν επιλεγμένους εθελοντές εσωτερικούς και εξωτερικούς ασθενείς από δύο νοσοκομεία στην Κίνα. Χρησιμοποιώντας τη μοντελοποίηση πρόβλεψης μηχανικής μάθησης, εντοπίσαμε τους μαθητές με τις καλύτερες επιδόσεις από τους διάφορους συνδυασμούς δεδομένων/μαθητή και κατατάξαμε τα χαρακτηριστικά για να μας καθοδηγήσουν στον ορισμό των πιο κλινικά πρακτικών εφαρμογών μοντέλων.
Οι υποθέσεις μας ήταν ότι ένα επικυρωμένο μοντέλο που βασίζεται στο MemTrax μπορεί να χρησιμοποιηθεί για να ταξινομήσει τη γνωστική υγεία διχοτομικά (κανονική ή MCI) με βάση το κριτήριο του ορίου συνολικής βαθμολογίας του MoCA και ότι ένα παρόμοιο μοντέλο πρόβλεψης MemTrax μπορεί να χρησιμοποιηθεί αποτελεσματικά για τη διάκριση της σοβαρότητας σε επιλεγμένες κατηγορίες κλινικά διαγνωσθεί γνωστική δυσλειτουργία. Η επίδειξη των αναμενόμενων αποτελεσμάτων θα ήταν αποφασιστικής σημασίας για την υποστήριξη της αποτελεσματικότητας του MemTrax ως εξέτασης έγκαιρης ανίχνευσης για την ταξινόμηση της γνωστικής έκπτωσης και της γνωστικής εξασθένησης. Η ευνοϊκή σύγκριση με ένα υποτιθέμενο πρότυπο του κλάδου που συμπληρώνεται με πολύ μεγαλύτερη ευκολία και ταχύτητα χρησιμότητας θα είχε επιρροή στο να βοηθήσουν τους κλινικούς γιατρούς να υιοθετήσουν αυτό το απλό, αξιόπιστο και προσιτό εργαλείο ως αρχική οθόνη για τον εντοπισμό γνωστικών ελλειμμάτων πρώιμου (συμπεριλαμβανομένου του πρόδρομου) σταδίου. Μια τέτοια προσέγγιση και χρησιμότητα θα μπορούσε επομένως να οδηγήσει σε πιο έγκαιρη και καλύτερα διαστρωματοποιημένη φροντίδα και παρέμβαση των ασθενών. Αυτές οι μελλοντικές πληροφορίες και οι βελτιωμένες μετρήσεις και μοντέλα θα μπορούσαν επίσης να είναι χρήσιμες για τον μετριασμό ή την αναστολή της εξέλιξης της άνοιας, συμπεριλαμβανομένων των άνοιών που σχετίζονται με την AD και τη ADRD (ADRD).
ΥΛΙΚΑ ΚΑΙ ΜΕΘΟΔΟΙ
Μελετήστε τον πληθυσμό
Μεταξύ Ιανουαρίου 2018 και Αυγούστου 2019, ολοκληρώθηκε η συγχρονική έρευνα σε ασθενείς που προσλήφθηκαν από δύο νοσοκομεία στην Κίνα. Η χορήγηση του MemTrax [5] σε άτομα ηλικίας 21 ετών και άνω και η συλλογή και ανάλυση αυτών των δεδομένων εξετάστηκαν και εγκρίθηκαν από και χορηγήθηκαν σύμφωνα με τα πρότυπα δεοντολογίας του Ανθρώπινος Επιτροπή Προστασίας Θεμάτων του Πανεπιστημίου Στάνφορντ. Το MemTrax και όλες οι άλλες δοκιμές για αυτή τη συνολική μελέτη διεξήχθησαν σύμφωνα με τη δήλωση του Ελσίνκι του 1975 και εγκρίθηκαν από το Συμβούλιο Θεσμικής Αναθεώρησης του Πρώτου Συνεργαζόμενου Νοσοκομείου του Ιατρικού Πανεπιστημίου Kunming στο Kunming, Yunnan, Κίνα. Σε κάθε χρήστη δόθηκε ένα εν επιγνώσει συναίνεση φόρμα για ανάγνωση/αναθεώρηση και κατόπιν οικειοθελώς συμφωνήστε να συμμετάσχετε.
Οι συμμετέχοντες στρατολογήθηκαν από την ομάδα εξωτερικών ασθενών στη νευρολογική κλινική στο Νοσοκομείο Yanhua (υποσύνολο δεδομένων YH) και το κλινική μνήμης στο First Affiliated Hospital of Kunming Medical Πανεπιστήμιο (υποσύνολο δεδομένων XL) στο Πεκίνο, Κίνα. Οι συμμετέχοντες προσλήφθηκαν επίσης από νοσηλευόμενους ασθενείς νευρολογίας (υπο-σύνολο δεδομένων XL) και εσωτερικής ιατρικής (υπο-σύνολο δεδομένων KM) στο Πρώτο Συνεργαζόμενο Νοσοκομείο του Ιατρικού Πανεπιστημίου Κουνμίνγκ. Τα κριτήρια συμπερίληψης περιελάμβαναν 1) άνδρες και γυναίκες ηλικίας τουλάχιστον 21 ετών, 2) ικανότητα να μιλούν κινέζικα (μανταρίνια) και 3) ικανότητα κατανόησης προφορικών και γραπτών οδηγιών. Κριτήρια αποκλεισμού ήταν τα προβλήματα όρασης και κινητικότητας που εμπόδιζαν τους συμμετέχοντες να ολοκληρώσουν το Δοκιμή MemTrax, καθώς και η αδυναμία κατανόησης των συγκεκριμένων οδηγιών του τεστ.
Κινεζική έκδοση του MemTrax
Το online Η πλατφόρμα δοκιμών MemTrax μεταφράστηκε στα κινέζικα (URL: https://www.memtrax.com.cn) και προσαρμόστηκε περαιτέρω για χρήση μέσω του WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Κίνα) για αυτοδιαχείριση. Τα δεδομένα αποθηκεύτηκαν σε διακομιστή cloud (Ali Cloud) που βρίσκεται στην Κίνα και αδειοδοτήθηκε από την Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, Κίνα) από την SJN Biomed LTD (Kunming, Yunnan, Κίνα). Συγκεκριμένες λεπτομέρειες για το MemTrax και τα κριτήρια εγκυρότητας δοκιμής που χρησιμοποιούνται εδώ έχουν περιγραφεί προηγουμένως [6]. Το τεστ παρασχέθηκε δωρεάν στους ασθενείς.
Διαδικασίες μελέτης
Για τους εσωτερικούς και εξωτερικούς ασθενείς, ένα γενικό έντυπο ερωτηματολόγιο για τη συλλογή δημογραφικών και προσωπικών πληροφοριών όπως ηλικία, φύλο, έτη εκπαίδευσης, επάγγελμα, ζώντας μόνος ή με την οικογένεια, και το ιατρικό ιστορικό χορηγήθηκε από ένα μέλος της ομάδας μελέτης. Μετά τη συμπλήρωση του ερωτηματολογίου, τα τεστ MoCA [12] και MemTrax χορηγήθηκαν (το MoCA πρώτα) με όχι περισσότερα από 20 λεπτά μεταξύ των δοκιμών. Το ποσοστό MemTrax σωστό (MTx-% C), ο μέσος χρόνος απόκρισης (MTx-RT) και η ημερομηνία και η ώρα της δοκιμής καταγράφηκαν σε χαρτί από ένα μέλος της ομάδας μελέτης για κάθε συμμετέχοντα που δοκιμάστηκε. Το συμπληρωμένο ερωτηματολόγιο και τα αποτελέσματα του MoCA μεταφορτώθηκαν σε ένα υπολογιστικό φύλλο Excel από τον ερευνητή που διεξήγαγε τις δοκιμές και επαληθεύτηκαν από έναν συνάδελφο πριν αποθηκευτούν τα αρχεία Excel για αναλύσεις.
Δοκιμή MemTrax
Η διαδικτυακή δοκιμή MemTrax περιελάμβανε 50 εικόνες (25 μοναδικές και 25 επαναλήψεις, 5 σετ 5 εικόνων κοινών σκηνών ή αντικειμένων) που εμφανίζονται με συγκεκριμένη ψευδοτυχαία σειρά. Ο συμμετέχων θα αγγίξει (ανά οδηγίες) το κουμπί Έναρξη στην οθόνη για να ξεκινήσει η δοκιμή και να αρχίσει να βλέπει τη σειρά εικόνων και να αγγίξει ξανά την εικόνα στην οθόνη όσο το δυνατόν γρηγορότερα όποτε εμφανιζόταν μια επαναλαμβανόμενη εικόνα. Κάθε εικόνα εμφανιζόταν για 3 δευτερόλεπτα ή μέχρι να αγγίξετε την εικόνα στην οθόνη, γεγονός που προκάλεσε την άμεση παρουσίαση της επόμενης εικόνας. Χρησιμοποιώντας το εσωτερικό ρολόι της τοπικής συσκευής, το MTx-RT για κάθε εικόνα προσδιορίστηκε από τον χρόνο που παρήλθε από την παρουσίαση της εικόνας μέχρι το άγγιγμα της οθόνης από τον συμμετέχοντα ως απάντηση στην ένδειξη αναγνώρισης της εικόνας ως εικόνας που είχε ήδη εμφανιστεί κατά τη διάρκεια της δοκιμής. Το MTx-RT καταγράφηκε για κάθε εικόνα, με 3 ολόκληρα δευτερόλεπτα που καταγράφηκαν υποδεικνύοντας καμία απόκριση. Το MTx-% C υπολογίστηκε για να υποδείξει το ποσοστό των επαναλαμβανόμενων και των αρχικών εικόνων στις οποίες ο χρήστης απάντησε σωστά (αληθινό θετικό + αληθινό αρνητικό διαιρούμενο με 50). Πρόσθετες λεπτομέρειες σχετικά με τη διαχείριση και την υλοποίηση του MemTrax, τη μείωση δεδομένων, τα μη έγκυρα ή "καμία απόκριση" δεδομένων και τις πρωτογενείς αναλύσεις δεδομένων περιγράφονται αλλού [6].
Το τεστ MemTrax εξηγήθηκε λεπτομερώς και ένα τεστ πρακτικής (με μοναδικές εικόνες άλλες από αυτές που χρησιμοποιήθηκαν στο τεστ για την καταγραφή των αποτελεσμάτων) παρασχέθηκε στους συμμετέχοντες στο νοσοκομειακό περιβάλλον. Οι συμμετέχοντες στα υποσύνολα δεδομένων YH και KM έκαναν τη δοκιμή MemTrax σε ένα smartphone που φορτώθηκε με την εφαρμογή στο WeChat. ενώ ένας περιορισμένος αριθμός ασθενών του υποσυνόλου δεδομένων XL χρησιμοποιούσε iPad και οι υπόλοιποι smartphone. Όλοι οι συμμετέχοντες έκαναν το τεστ MemTrax με έναν ερευνητή της μελέτης να παρατηρεί διακριτικά.
Γνωστική αξιολόγηση του Μόντρεαλ
Η έκδοση του Πεκίνου του κινεζικού MoCA (MoCA-BC) [13] χορηγήθηκε και βαθμολογήθηκε από εκπαιδευμένους ερευνητές σύμφωνα με τις επίσημες οδηγίες δοκιμής. Κατάλληλα, το MoCA-BC έχει αποδειχθεί αξιόπιστο τεστ για τη γνωστική προσυμπτωματικός έλεγχος σε όλα τα επίπεδα εκπαίδευσης σε Κινέζους ηλικιωμένους ενήλικες [14]. Κάθε τεστ χρειάστηκε περίπου 10 έως 30 λεπτά για να χορηγηθεί με βάση τις γνωστικές ικανότητες του εκάστοτε συμμετέχοντος.
Μοντελοποίηση ταξινόμησης MoCA
Υπήρχαν συνολικά 29 χρήσιμα χαρακτηριστικά, συμπεριλαμβανομένων δύο MemTrax μετρήσεις απόδοσης δοκιμών και 27 χαρακτηριστικά που σχετίζονται με τα δημογραφικά στοιχεία και την υγεία πληροφορίες για κάθε συμμετέχοντα. Η συνολική βαθμολογία της δοκιμασίας MoCA κάθε ασθενή χρησιμοποιήθηκε ως η γνωστικός έλεγχος «σημείο αναφοράς» για την εκπαίδευση των προγνωστικών μας μοντέλων. Συνεπώς, επειδή το MoCA χρησιμοποιήθηκε για τη δημιουργία της ετικέτας κλάσης, δεν μπορούσαμε να χρησιμοποιήσουμε τη συνολική βαθμολογία (ή οποιαδήποτε από τις βαθμολογίες υποσυνόλου MoCA) ως ανεξάρτητο χαρακτηριστικό. Πραγματοποιήσαμε προκαταρκτικά πειράματα στα οποία μοντελοποιήσαμε (ταξινόμηση της γνωστικής υγείας που ορίζεται από το MoCA) τα αρχικά τρία υποσύνολα δεδομένων νοσοκομείων/κλινικών ξεχωριστά και στη συνέχεια συνδυάσαμε χρησιμοποιώντας όλα τα χαρακτηριστικά. Ωστόσο, δεν συλλέχθηκαν όλα τα ίδια στοιχεία δεδομένων σε καθεμία από τις τέσσερις κλινικές που αντιπροσωπεύουν τα τρία υποσύνολα δεδομένων. Έτσι, πολλά από τα χαρακτηριστικά μας στο συνδυασμένο σύνολο δεδομένων (όταν χρησιμοποιούνται όλα τα χαρακτηριστικά) είχαν υψηλή συχνότητα χαμένων τιμών. Στη συνέχεια, δημιουργήσαμε μοντέλα με το συνδυασμένο σύνολο δεδομένων χρησιμοποιώντας μόνο κοινά χαρακτηριστικά που είχαν ως αποτέλεσμα βελτιωμένη απόδοση ταξινόμησης. Αυτό πιθανότατα εξηγήθηκε από τον συνδυασμό περισσότερων περιπτώσεων για εργασία, συνδυάζοντας τα τρία υποσύνολα δεδομένων ασθενών και κανένα χαρακτηριστικό με αδικαιολόγητο επιπολασμό τιμών που λείπουν (μόνο ένα χαρακτηριστικό στο συνδυασμένο σύνολο δεδομένων, τύπος εργασίας, είχε τιμές που λείπουν, επηρεάζοντας μόνο τρεις περιπτώσεις ασθενών), επειδή συμπεριλήφθηκαν μόνο κοινά χαρακτηριστικά που καταγράφηκαν και στις τρεις θέσεις. Συγκεκριμένα, δεν είχαμε συγκεκριμένο κριτήριο απόρριψης για κάθε χαρακτηριστικό που τελικά δεν συμπεριλήφθηκε στο συνδυασμένο σύνολο δεδομένων. Ωστόσο, στην προκαταρκτική συνδυασμένη μοντελοποίηση δεδομένων μας, χρησιμοποιήσαμε πρώτα όλα τα χαρακτηριστικά από καθένα από τα τρία ξεχωριστά υποσύνολα δεδομένων ασθενών. Αυτό είχε ευρέως ως αποτέλεσμα την απόδοση του μοντέλου που ήταν μετρήσιμα χαμηλότερη από την αρχική προκαταρκτική μοντελοποίηση σε κάθε μεμονωμένο υποσύνολο δεδομένων. Επιπλέον, ενώ η απόδοση ταξινόμησης των μοντέλων που κατασκευάστηκαν με χρήση όλων των χαρακτηριστικών ήταν ενθαρρυντική, σε όλους τους μαθητές και τα σχήματα ταξινόμησης, η απόδοση βελτιώθηκε για διπλάσια μοντέλα όταν χρησιμοποιούν μόνο κοινά χαρακτηριστικά. Στην πραγματικότητα, μεταξύ αυτών που κατέληξαν να είναι οι κορυφαίοι μαθητές μας, όλα τα μοντέλα εκτός από ένα βελτιώθηκαν με την εξάλειψη των μη κοινών χαρακτηριστικών.
Το τελικό συγκεντρωτικό σύνολο δεδομένων (YH, XL και KM συνδυαστικά) περιλάμβανε 259 περιπτώσεις, καθεμία από τις οποίες αντιπροσώπευε έναν μοναδικό συμμετέχοντα που έκανε και τις δοκιμές MemTrax και MoCA. Υπήρχαν 10 κοινά ανεξάρτητα χαρακτηριστικά: Μετρήσεις απόδοσης MemTrax: MTx-% C και μέσος όρος MTx-RT. πληροφορίες δημογραφικού και ιατρικού ιστορικού: ηλικία, φύλο, χρόνια εκπαίδευσης, τύπος εργασίας (μπλε κολάρο/λευκό κολάρο), κοινωνική υποστήριξη (αν ο εξεταζόμενος ζει μόνος του ή με την οικογένειά του) και απαντήσεις ναι/όχι για το αν ο χρήστης είχε ιστορικό διαβήτη, υπερλιπιδαιμία ή τραυματική εγκεφαλική βλάβη. Δύο πρόσθετες μετρήσεις, η συνολική βαθμολογία MoCA και η συνολική βαθμολογία MoCA προσαρμοσμένη για χρόνια εκπαίδευσης [12], χρησιμοποιήθηκαν ξεχωριστά για την ανάπτυξη εξαρτημένων ετικετών ταξινόμησης, δημιουργώντας έτσι δύο διαφορετικά σχήματα μοντελοποίησης που θα εφαρμοστούν στο συνδυασμένο σύνολο δεδομένων μας. Για κάθε έκδοση (προσαρμοσμένη και μη προσαρμοσμένη) της βαθμολογίας MoCA, τα δεδομένα μοντελοποιήθηκαν και πάλι ξεχωριστά για δυαδική ταξινόμηση χρησιμοποιώντας δύο διαφορετικά όρια κριτηρίου - το αρχικά προτεινόμενο [12] και μια εναλλακτική τιμή που χρησιμοποιήθηκε και προωθήθηκε από άλλους [8, 15]. Στο εναλλακτικό σύστημα ταξινόμησης κατωφλίου, ένας ασθενής θεωρήθηκε ότι είχε φυσιολογική γνωστική υγεία εάν είχε βαθμολογία ≥23 στο τεστ MoCA και είχε MCI εάν η βαθμολογία ήταν 22 ή χαμηλότερη. λαμβάνοντας υπόψη ότι, στην αρχική συνιστώμενη μορφή ταξινόμησης, ο ασθενής έπρεπε να βαθμολογηθεί με 26 ή καλύτερα στο MoCA για να επισημανθεί ότι έχει φυσιολογική γνωστική υγεία.
Φιλτραρισμένα δεδομένα για μοντελοποίηση ταξινόμησης MoCA
Εξετάσαμε περαιτέρω την ταξινόμηση MoCA χρησιμοποιώντας τέσσερις κοινώς χρησιμοποιούμενες τεχνικές κατάταξης χαρακτηριστικών: Chi-Squared, Gain Ratio, Information Gain και Symmetrical Uncertainty. Για ενδιάμεση προοπτική, εφαρμόσαμε τους ταξινομητές σε ολόκληρο το συνδυασμένο σύνολο δεδομένων χρησιμοποιώντας καθένα από τα τέσσερα σχήματα μοντελοποίησης μας. Όλοι οι βαθμολογητές συμφώνησαν στα ίδια κορυφαία χαρακτηριστικά, π.χ. ηλικία, αριθμό ετών εκπαίδευσης και μετρήσεις απόδοσης MemTrax (MTx-% C, μέση τιμή MTx-RT). Στη συνέχεια, ξαναχτίσαμε τα μοντέλα χρησιμοποιώντας κάθε τεχνική επιλογής χαρακτηριστικών για να εκπαιδεύσουμε τα μοντέλα μόνο στα τέσσερα κορυφαία χαρακτηριστικά (βλ. Επιλογή χαρακτηριστικών παρακάτω).
Οι προκύπτουσες τελευταίες οκτώ παραλλαγές των σχημάτων μοντελοποίησης ταξινόμησης βαθμολογίας MoCA παρουσιάζονται στον Πίνακα 1.
Τραπέζι 1
Σύνοψη των παραλλαγών του σχήματος μοντελοποίησης που χρησιμοποιούνται για την ταξινόμηση MoCA (Normal Γνωστική Υγεία έναντι MCI)
Σχέδιο Μοντελοποίησης | Κανονική Γνωσιακή Υγεία (Αρνητική τάξη) | MCI (Θετική Κατηγορία) |
Προσαρμοσμένο-23 Μη φιλτραρισμένο/φιλτραρισμένο | 101 (39.0%) | 158 (61.0%) |
Προσαρμοσμένο-26 Μη φιλτραρισμένο/φιλτραρισμένο | 49 (18.9%) | 210 (81.1%) |
Unadjusted-23 Unfiltered/Filtered | 92 (35.5%) | 167 (64.5%) |
Unadjusted-26 Unfiltered/Filtered | 42 (16.2%) | 217 (83.8%) |
Ο αντίστοιχος αριθμός και το ποσοστό των συνολικών ασθενών σε κάθε τάξη διαφοροποιείται με την προσαρμογή της βαθμολογίας για την εκπαίδευση (Προσαρμοσμένη ή Μη προσαρμοσμένη) και το όριο ταξινόμησης (23 ή 26), όπως εφαρμόζεται και στα δύο σύνολα χαρακτηριστικών (Μη φιλτραρισμένα και φιλτραρισμένα).
Μοντελοποίηση κλινικής αξιολόγησης με βάση το MemTrax
Από τα τρία αρχικά υποσύνολα δεδομένων μας (YH, XL, KM), μόνο οι ασθενείς με υποσύνολα δεδομένων XL διαγνώστηκαν ανεξάρτητα κλινικά για γνωστική εξασθένηση (δηλαδή, οι αντίστοιχες βαθμολογίες MoCA τους δεν χρησιμοποιήθηκαν για τον καθορισμό μιας ταξινόμησης φυσιολογικού έναντι εξασθενημένου). Συγκεκριμένα, οι ασθενείς XL διαγνώστηκαν με ένα από τα δύο τεστ νόσου Αλτσχάιμερ (AD) ή αγγειακή άνοια (VaD). Σε καθεμία από αυτές τις κατηγορίες πρωτογενούς διάγνωσης, υπήρχε ένας περαιτέρω προσδιορισμός για MCI. Οι διαγνώσεις MCI, άνοιας, αγγειακής νευρογνωστικής διαταραχής και νευρογνωστικής διαταραχής λόγω AD βασίστηκαν σε συγκεκριμένα και διακριτά διαγνωστικά κριτήρια που περιγράφονται στο Diagnostic and Statistical Manual of Mental Disorders: DSM-5 [16]. Λαμβάνοντας υπόψη αυτές τις εκλεπτυσμένες διαγνώσεις, δύο σχήματα μοντελοποίησης ταξινόμησης εφαρμόστηκαν χωριστά στο υποσύνολο δεδομένων XL για να γίνει διάκριση του επιπέδου σοβαρότητας (βαθμός βλάβης) για κάθε κατηγορία πρωτογενούς διάγνωσης. Τα δεδομένα που χρησιμοποιήθηκαν σε καθένα από αυτά τα σχήματα διαγνωστικής μοντελοποίησης (AD και VaD) περιλάμβαναν πληροφορίες δημογραφικού και ιστορικού ασθενούς, καθώς και απόδοση MemTrax (MTx-% C, μέση τιμή MTx-RT). Κάθε διάγνωση χαρακτηρίστηκε ήπια εάν ονομαζόταν MCI. διαφορετικά, θεωρήθηκε σοβαρή. Αρχικά σκεφτήκαμε να συμπεριλάβουμε τη βαθμολογία MoCA στα μοντέλα διάγνωσης (ήπια έναντι σοβαρής). αλλά προσδιορίσαμε ότι αυτό θα ανατρέψει τον σκοπό του δευτερεύοντος προγνωστικού μας σχήματος μοντελοποίησης. Εδώ οι εκπαιδευόμενοι θα εκπαιδευτούν χρησιμοποιώντας άλλα χαρακτηριστικά ασθενών που είναι άμεσα διαθέσιμα στον πάροχο και μετρήσεις απόδοσης του απλούστερου τεστ MemTrax (αντί του MoCA) έναντι του «χρυσού προτύπου» αναφοράς, της ανεξάρτητης κλινικής διάγνωσης. Υπήρχαν 69 περιπτώσεις στο σύνολο δεδομένων διάγνωσης AD και 76 περιπτώσεις VaD (Πίνακας 2). Και στα δύο σύνολα δεδομένων, υπήρχαν 12 ανεξάρτητα χαρακτηριστικά. Εκτός από τα 10 χαρακτηριστικά που περιλαμβάνονται στην ταξινόμηση βαθμολογίας MoCA, το ιστορικό του ασθενούς περιλάμβανε επίσης πληροφορίες για το ιστορικό υπέρτασης και εγκεφαλικού επεισοδίου.
Τραπέζι 2
Σύνοψη των παραλλαγών του σχήματος μοντελοποίησης που χρησιμοποιούνται για την ταξινόμηση της σοβαρότητας της διάγνωσης (Ήπια έναντι Σοβαρής)
Σχέδιο Μοντελοποίησης | Ήπια (αρνητική τάξη) | Σοβαρή (Θετική Κατηγορία) |
MCI-AD έναντι AD | 12 (17.4%) | 57 (82.6%) |
MCI-VaD έναντι VaD | 38 (50.0%) | 38 (50.0%) |
Ο αντίστοιχος αριθμός και το ποσοστό των συνολικών ασθενών σε κάθε κατηγορία διαφοροποιούνται ανά κατηγορία πρωτογενούς διάγνωσης (AD ή VaD).
Σε Πραγματικό Χρόνο
Η σύγκριση των χαρακτηριστικών των συμμετεχόντων και άλλων αριθμητικών χαρακτηριστικών μεταξύ υποσυνόλων δεδομένων για κάθε στρατηγική ταξινόμησης μοντέλου (για την πρόβλεψη της γνωστικής υγείας και της σοβαρότητας της διάγνωσης του MoCA) πραγματοποιήθηκε χρησιμοποιώντας γλώσσα προγραμματισμού Python (έκδοση 2.7.1) [17]. Οι διαφορές απόδοσης του μοντέλου προσδιορίστηκαν αρχικά χρησιμοποιώντας μια ANOVA ενός ή δύο παραγόντων (ανάλογα με την περίπτωση) με διάστημα εμπιστοσύνης 95% και τη δοκιμή ειλικρινούς σημαντικής διαφοράς Tukey (HSD) για τη σύγκριση των μέσων απόδοσης. Αυτή η εξέταση των διαφορών μεταξύ των επιδόσεων των μοντέλων πραγματοποιήθηκε χρησιμοποιώντας έναν συνδυασμό Python και R (έκδοση 3.5.1) [18]. Χρησιμοποιήσαμε αυτήν την (αν και αναμφισβήτητα λιγότερο από τη βέλτιστη) προσέγγιση μόνο ως ευρετική βοήθεια σε αυτό πρώιμο στάδιο για αρχικές συγκρίσεις απόδοσης μοντέλων στην πρόβλεψη πιθανής κλινικής εφαρμογής. Στη συνέχεια χρησιμοποιήσαμε τη δοκιμή Bayesian signed-rank χρησιμοποιώντας μια μεταγενέστερη κατανομή για να προσδιορίσουμε την πιθανότητα διαφορών απόδοσης του μοντέλου [19]. Για αυτές τις αναλύσεις, χρησιμοποιήσαμε το διάστημα –0.01, 0.01, που σημαίνει ότι αν δύο ομάδες είχαν διαφορά απόδοσης μικρότερη από 0.01, θεωρούνταν ίδιες (εντός της περιοχής πρακτικής ισοδυναμίας) ή διαφορετικά ήταν διαφορετικές (μία καλύτερη από το άλλο). Για να εκτελέσουμε την Bayesian σύγκριση των ταξινομητών και να υπολογίσουμε αυτές τις πιθανότητες, χρησιμοποιήσαμε τη βιβλιοθήκη baycomp (έκδοση 1.0.2) για την Python 3.6.4.
Προγνωστική μοντελοποίηση
Κατασκευάσαμε προγνωστικά μοντέλα χρησιμοποιώντας τις δέκα συνολικές παραλλαγές των σχημάτων μοντελοποίησης μας για να προβλέψουμε (ταξινομήσουμε) το αποτέλεσμα της δοκιμασίας MoCA κάθε ασθενή ή τη σοβαρότητα της κλινικής διάγνωσης. Όλοι οι μαθητές εφαρμόστηκαν και τα μοντέλα κατασκευάστηκαν χρησιμοποιώντας την πλατφόρμα λογισμικού ανοιχτού κώδικα Weka [20]. Για την προκαταρκτική μας ανάλυση, χρησιμοποιήσαμε 10 αλγόριθμους μάθησης που χρησιμοποιούνται συνήθως: 5-Πλησιότεροι γείτονες, δύο εκδόσεις του δέντρου αποφάσεων C4.5, Logistic Regression, Multilayer Perceptron, Naïve Bayes, δύο εκδόσεις Random Forest, Radial Bass Function Network και Support Vector Μηχανή. Τα βασικά χαρακτηριστικά και οι αντιθέσεις αυτών των αλγορίθμων έχουν περιγραφεί αλλού [21] (βλ. αντίστοιχο Παράρτημα). Αυτά επιλέχθηκαν επειδή αντιπροσωπεύουν μια ποικιλία διαφορετικών τύπων μαθητών και επειδή έχουμε αποδείξει επιτυχία χρησιμοποιώντας τα σε προηγούμενες αναλύσεις σχετικά με παρόμοια δεδομένα. Οι ρυθμίσεις υπερπαραμέτρων επιλέχθηκαν από την προηγούμενη έρευνά μας, υποδεικνύοντας ότι είναι ισχυρές σε μια ποικιλία διαφορετικών δεδομένων [22]. Με βάση τα αποτελέσματα της προκαταρκτικής ανάλυσής μας χρησιμοποιώντας το ίδιο συνδυασμένο σύνολο δεδομένων με κοινά χαρακτηριστικά που χρησιμοποιήθηκαν στη συνέχεια στην πλήρη ανάλυση, εντοπίσαμε τρεις μαθητές που παρείχαν σταθερά ισχυρή απόδοση σε όλες τις ταξινομήσεις: Logistic Regression, Naïve Bayes και Support Vector Machine.
Διασταυρούμενη επικύρωση και μέτρηση απόδοσης μοντέλου
Για όλα τα προγνωστικά μοντέλα (συμπεριλαμβανομένων των προκαταρκτικών αναλύσεων), κάθε μοντέλο κατασκευάστηκε χρησιμοποιώντας 10-πλάσια διασταυρούμενη επικύρωση και η απόδοση του μοντέλου μετρήθηκε χρησιμοποιώντας την περιοχή κάτω από την καμπύλη χαρακτηριστικών λειτουργίας του δέκτη (AUC). Η διασταυρούμενη επικύρωση ξεκίνησε με την τυχαία διαίρεση καθενός από τα 10 σύνολα δεδομένων σχημάτων μοντελοποίησης σε 10 ίσα τμήματα (πτυχές), χρησιμοποιώντας εννέα από αυτά τα αντίστοιχα τμήματα για την εκπαίδευση του μοντέλου και το υπόλοιπο τμήμα για δοκιμή. Αυτή η διαδικασία επαναλήφθηκε 10 φορές, χρησιμοποιώντας ένα διαφορετικό τμήμα ως σύνολο δοκιμής σε κάθε επανάληψη. Τα αποτελέσματα στη συνέχεια συνδυάστηκαν για να υπολογιστεί το αποτέλεσμα/απόδοση του τελικού μοντέλου. Για κάθε συνδυασμό μαθητή/συνόλου δεδομένων, ολόκληρη αυτή η διαδικασία επαναλήφθηκε 10 φορές με τα δεδομένα να χωρίζονται διαφορετικά κάθε φορά. Αυτό το τελευταίο βήμα μείωσε την προκατάληψη, εξασφάλισε δυνατότητα αναπαραγωγής και βοήθησε στον προσδιορισμό της συνολικής απόδοσης του μοντέλου. Συνολικά (για τη βαθμολογία MoCA και τα σχήματα ταξινόμησης σοβαρότητας διάγνωσης σε συνδυασμό), κατασκευάστηκαν 6,600 μοντέλα. Αυτό περιελάμβανε 1,800 μη φιλτραρισμένα μοντέλα (6 σχήματα μοντελοποίησης που εφαρμόστηκαν στο σύνολο δεδομένων×3 μαθητές×10 εκτελέσεις×10 φορές = 1,800 μοντέλα) και 4,800 φιλτραρισμένα μοντέλα (4 σχήματα μοντελοποίησης που εφαρμόστηκαν στο σύνολο δεδομένων×3 μαθητές×4 τεχνικές επιλογής χαρακτηριστικών×10 εκτελέσεις× 10 πτυχώσεις = 4,800 μοντέλα).
Επιλογή χαρακτηριστικών
Για τα φιλτραρισμένα μοντέλα, η επιλογή χαρακτηριστικών (χρησιμοποιώντας τις τέσσερις μεθόδους κατάταξης χαρακτηριστικών) πραγματοποιήθηκε στο πλαίσιο της διασταυρούμενης επικύρωσης. Για καθεμία από τις 10 πτυχές, καθώς ένα διαφορετικό 10% του συνόλου δεδομένων ήταν τα δεδομένα δοκιμής, χρησιμοποιήθηκαν μόνο τα τέσσερα κορυφαία επιλεγμένα χαρακτηριστικά για κάθε σύνολο δεδομένων εκπαίδευσης (δηλαδή, οι άλλες εννέα πτυχές ή το υπόλοιπο 90% του συνόλου των δεδομένων) για την κατασκευή των μοντέλων. Δεν μπορέσαμε να επιβεβαιώσουμε ποιες τέσσερις λειτουργίες χρησιμοποιήθηκαν σε κάθε μοντέλο, καθώς αυτές οι πληροφορίες δεν αποθηκεύονται ούτε διατίθενται στην πλατφόρμα μοντελοποίησης που χρησιμοποιήσαμε (Weka). Ωστόσο, δεδομένης της συνέπειας στην αρχική μας επιλογή των κορυφαίων χαρακτηριστικών όταν εφαρμόστηκαν οι βαθμολογίες σε ολόκληρο το συνδυασμένο σύνολο δεδομένων και της επακόλουθης ομοιότητας στις επιδόσεις μοντελοποίησης, αυτά τα ίδια χαρακτηριστικά (ηλικία, έτη εκπαίδευσης, MTx-% C και μέσος όρος MTx-RT ) είναι πιθανώς οι πιο διαδεδομένες πρώτες τέσσερις που χρησιμοποιούνται ταυτόχρονα με την επιλογή χαρακτηριστικών στη διαδικασία διασταυρούμενης επικύρωσης.
ΑΠΟΤΕΛΕΣΜΑΤΑ
Τα αριθμητικά χαρακτηριστικά των συμμετεχόντων (συμπεριλαμβανομένων των βαθμολογιών MoCA και των μετρήσεων απόδοσης MemTrax) των αντίστοιχων συνόλων δεδομένων για κάθε στρατηγική ταξινόμησης μοντέλων για την πρόβλεψη της γνωστικής υγείας που υποδεικνύεται από το MoCA (κανονική έναντι MCI) και τη σοβαρότητα της διάγνωσης (ήπια έναντι σοβαρής) φαίνονται στον Πίνακα 3.
Τραπέζι 3
Χαρακτηριστικά συμμετεχόντων, βαθμολογίες MoCA και απόδοση MemTrax για κάθε στρατηγική ταξινόμησης μοντέλων
Στρατηγική Ταξινόμησης | Ηλικία | Εκπαίδευση | MoCA Adjusted | MoCA Unadjusted | MTx-% C | MTx-RT |
Κατηγορία 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 δευτ. (0.3) |
Σοβαρότητα διάγνωσης | 65.6 y (12.1) | 8.6 y (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 δευτ. (0.3) |
Οι τιμές που εμφανίζονται (μέσος όρος, SD) που διαφοροποιούνται από τις στρατηγικές ταξινόμησης μοντελοποίησης είναι αντιπροσωπευτικές του συνδυασμένου δεδομένων που χρησιμοποιείται για την πρόβλεψη της γνωστικής υγείας που υποδεικνύεται από το MoCA (MCI έναντι του φυσιολογικού) και το υποσύνολο δεδομένων XL που χρησιμοποιείται μόνο για την πρόβλεψη της σοβαρότητας της διάγνωσης (ήπια έναντι σοβαρής).
Για κάθε συνδυασμό βαθμολογίας MoCA (προσαρμοσμένη/μη προσαρμοσμένη) και κατωφλίου (26/23), υπήρχε μια στατιστική διαφορά (p = 0.000) σε κάθε ζεύγη σύγκριση (φυσιολογική γνωστική υγεία έναντι MCI) για την ηλικία, την εκπαίδευση και την απόδοση του MemTrax (MTx-% C και MTx-RT). Κάθε υποσύνολο δεδομένων ασθενών στην αντίστοιχη τάξη MCI για κάθε συνδυασμό ήταν κατά μέσο όρο περίπου 9 έως 15 χρόνια μεγαλύτερο, ανέφερε περίπου πέντε λιγότερα χρόνια εκπαίδευσης και είχε λιγότερο ευνοϊκή απόδοση MemTrax και για τις δύο μετρήσεις.
Τα αποτελέσματα προγνωστικής απόδοσης μοντελοποίησης για τις ταξινομήσεις βαθμολογίας MoCA χρησιμοποιώντας τους τρεις κορυφαίους μαθητές, Logistic Regression, Naïve Bayes και Support Vector Machine, εμφανίζονται στον Πίνακα 4. Αυτά τα τρία επιλέχθηκαν με βάση την πιο σταθερά υψηλή απόλυτη απόδοση μαθητή σε όλα τα διάφορα μοντέλα εφαρμόζεται στα σύνολα δεδομένων για όλα τα σχήματα μοντελοποίησης. Για το μη φιλτραρισμένο σύνολο δεδομένων και τη μοντελοποίηση, καθεμία από τις τιμές δεδομένων στον Πίνακα 4 υποδεικνύει την απόδοση του μοντέλου με βάση τον αντίστοιχο μέσο όρο AUC που προέρχεται από τα 100 μοντέλα (10 εκτελέσεις×10 φορές) που δημιουργήθηκαν για κάθε συνδυασμό μαθητή/σχημάτων μοντελοποίησης, με το αντίστοιχο υψηλότερο Εκπαιδευτής που κάνει απόδοση που υποδεικνύεται με έντονους χαρακτήρες. Ενώ για τη φιλτραρισμένη μοντελοποίηση δεδομένων, τα αποτελέσματα που αναφέρονται στον Πίνακα 4 αντικατοπτρίζουν τις συνολικές μέσες επιδόσεις του μοντέλου από 400 μοντέλα για κάθε εκπαιδευόμενο χρησιμοποιώντας καθεμία από τις μεθόδους κατάταξης χαρακτηριστικών (4 μέθοδοι κατάταξης χαρακτηριστικών x 10 εκτελέσεις x 10 φορές).
Τραπέζι 4
Αποτελέσματα διχοτομικής ταξινόμησης βαθμολογίας MoCA (AUC; 0.0–1.0) για καθέναν από τους τρεις μαθητές με κορυφαίες επιδόσεις για όλα τα αντίστοιχα σχήματα μοντελοποίησης
Χρησιμοποιείται σετ χαρακτηριστικών | Βαθμολογία MoCA | Κατώφλι αποκοπής | Λογιστική παλινδρόμηση | Ο αφελής Bayes | Υποστήριξη μηχανής διάνυσμα |
Χωρίς φιλτράρισμα (10 χαρακτηριστικά) | ρυθμίζεται | 23 | 0.8862 | 0.8913 | 0.8695 |
26 | 0.8971 | 0.9221 | 0.9161 | ||
Μη προσαρμοσμένο | 23 | 0.9103 | 0.9085 | 0.8995 | |
26 | 0.8834 | 0.9153 | 0.8994 | ||
Φιλτραρισμένο (4 χαρακτηριστικά) | ρυθμίζεται | 23 | 0.8929 | 0.8954 | 0.8948 |
26 | 0.9188 | 0.9247 | 0.9201 | ||
Μη προσαρμοσμένο | 23 | 0.9135 | 0.9134 | 0.9122 | |
26 | 0.9159 | 0.9236 | 0.9177 |
Χρησιμοποιώντας παραλλαγές του συνόλου χαρακτηριστικών, της βαθμολογίας MoCA και του ορίου αποκοπής βαθμολογίας MoCA, η υψηλότερη απόδοση για κάθε σχήμα μοντελοποίησης εμφανίζεται στο (όχι απαραίτητα στατιστικά διαφορετικό από όλα τα άλλα εκτός για το αντίστοιχο μοντέλο).
Συγκρίνοντας τους μαθητές σε όλους τους συνδυασμούς εκδόσεων και ορίων βαθμολογίας MoCA (προσαρμοσμένες/μη προσαρμοσμένες και 23/26, αντίστοιχα) στο συνδυασμένο μη φιλτραρισμένο σύνολο δεδομένων (δηλαδή, χρησιμοποιώντας τα 10 κοινά χαρακτηριστικά), ο Naïve Bayes ήταν γενικά ο μαθητής με τις καλύτερες επιδόσεις με συνολική απόδοση ταξινόμησης 0.9093. Λαμβάνοντας υπόψη τους τρεις πρώτους μαθητές, τα τεστ υπογεγραμμένης κατάταξης συσχετισμένα με Bayesian έδειξαν ότι η πιθανότητα (Pr) της Naïve Bayes που ξεπέρασε την Logistic Regression ήταν 99.9%. Επιπλέον, μεταξύ του Naïve Bayes και του Support Vector Machine, 21.0% πιθανότητα πρακτικής ισοδυναμίας στην απόδοση του μαθητή (άρα, 79.0% πιθανότητα η Naïve Bayes να ξεπεράσει το Support Vector Machine), σε συνδυασμό με την πιθανότητα 0.0% να έχει καλύτερη απόδοση, μετρήσιμα ενισχύει το πλεονέκτημα απόδοσης για τον Naïve Bayes. Περαιτέρω σύγκριση της έκδοσης βαθμολογίας MoCA σε όλους τους μαθητές/κατώφλια πρότεινε ένα μικρό πλεονέκτημα απόδοσης χρησιμοποιώντας μη προσαρμοσμένες βαθμολογίες MoCA έναντι προσαρμοσμένων (0.9027 έναντι 0.8971, αντίστοιχα. Pr (μη προσαρμοσμένο > προσαρμοσμένο) = 0.988). Ομοίως, μια σύγκριση του ορίου αποκοπής σε όλους τους μαθητές και τις εκδόσεις βαθμολογίας του MoCA έδειξε ένα μικρό πλεονέκτημα απόδοσης ταξινόμησης χρησιμοποιώντας το 26 ως όριο ταξινόμησης έναντι 23 (0.9056 έναντι 0.8942, αντίστοιχα. Pr (26 > 23) = 0.999). Τέλος, εξετάζοντας την απόδοση ταξινόμησης για τα μοντέλα που χρησιμοποιούν μόνο τα φιλτραρισμένα αποτελέσματα (δηλαδή, μόνο με τέσσερα χαρακτηριστικά στην πρώτη θέση), ο Naïve Bayes (0.9143) ήταν αριθμητικά ο εκπαιδευόμενος με τις καλύτερες επιδόσεις σε όλες τις εκδόσεις/κατώφλια βαθμολογίας MoCA. Ωστόσο, σε όλες τις τεχνικές κατάταξης χαρακτηριστικών συνδυαστικά, όλοι οι μαθητές με τις κορυφαίες επιδόσεις είχαν παρόμοια απόδοση. Οι δοκιμές Bayesian signed-rank έδειξαν 100% πιθανότητα πρακτικής ισοδυναμίας μεταξύ κάθε ζεύγους φιλτραρισμένων μαθητών. Όπως και με τα μη φιλτραρισμένα δεδομένα (χρησιμοποιώντας και τα 10 κοινά χαρακτηριστικά), υπήρχε και πάλι πλεονέκτημα απόδοσης για την μη προσαρμοσμένη έκδοση της βαθμολογίας MoCA (Pr (μη προσαρμοσμένο > προσαρμοσμένο) = 1.000), καθώς και ένα παρόμοιο ευδιάκριτο πλεονέκτημα για το όριο ταξινόμησης 26 (Pr (26 > 23) = 1.000). Σημειωτέον, η μέση επίδοση καθενός από τους τρεις κορυφαίους εκπαιδευόμενους σε όλες τις εκδόσεις/κατώφλια βαθμολογίας του MoCA χρησιμοποιώντας μόνο τις τέσσερις κορυφαίες δυνατότητες ξεπέρασε τη μέση απόδοση οποιουδήποτε εκπαιδευόμενου στα μη φιλτραρισμένα δεδομένα. Δεν αποτελεί έκπληξη το γεγονός ότι η απόδοση ταξινόμησης των φιλτραρισμένων μοντέλων (χρησιμοποιώντας τα τέσσερα χαρακτηριστικά της κορυφαίας κατάταξης) ήταν συνολικά ανώτερη (0.9119) από τα μη φιλτραρισμένα μοντέλα (0.8999), ανεξάρτητα από τα μοντέλα μεθόδων κατάταξης χαρακτηριστικών που συγκρίθηκαν με τα αντίστοιχα μοντέλα που χρησιμοποιούν και τα 10 κοινά χαρακτηριστικά. Για κάθε μέθοδο επιλογής χαρακτηριστικών, υπήρχε 100% πιθανότητα πλεονέκτημα απόδοσης σε σχέση με τα μη φιλτραρισμένα μοντέλα.
Με τους ασθενείς που εξετάζονται για ταξινόμηση βαρύτητας διάγνωσης AD, διαφορές μεταξύ ομάδων (MCI-AD έναντι AD) για την ηλικία (p = 0.004), εκπαίδευση (p = 0.028), προσαρμοσμένη/μη προσαρμοσμένη βαθμολογία MoCA (p = 0.000) και MTx-% C (p = 0.008) ήταν στατιστικά σημαντικές. ενώ για το MTx-RT δεν ήταν (p = 0.097). Με αυτούς τους ασθενείς που εξετάζονται για ταξινόμηση σοβαρότητας διάγνωσης VaD, διαφορές μεταξύ ομάδων (MCI-VaD έναντι VaD) για τη βαθμολογία MoCA προσαρμοσμένες/μη προσαρμοσμένες (p = 0.007) και MTx-% C (p = 0.026) και MTx-RT (p = 0.001) ήταν στατιστικά σημαντικές. ενώ για την ηλικία (p = 0.511) και εκπαίδευση (p = 0.157) δεν υπήρχαν σημαντικές διαφορές μεταξύ των ομάδων.
Αποτελέσματα απόδοσης προγνωστικής μοντελοποίησης για τις ταξινομήσεις σοβαρότητας διάγνωσης χρησιμοποιώντας τους τρεις προηγουμένως επιλεγμένους μαθητές, Logistic Regression, Naïve Bayes και Support Vector Machine, παρουσιάζονται στον Πίνακα 5. Ενώ επιπλέον εξετασθέντες εκπαιδευόμενοι επέδειξαν ελαφρώς ισχυρότερες επιδόσεις μεμονωμένα με μία από τις δύο κατηγορίες κλινικής διάγνωσης , οι τρεις μαθητές που είχαμε προσδιορίσει ως τους πιο ευνοϊκούς στην προηγούμενη μοντελοποίησή μας προσέφεραν την πιο συνεπή απόδοση και με τα δύο νέα σχήματα μοντελοποίησης. Συγκρίνοντας τους μαθητές σε κάθε μία από τις κύριες κατηγορίες διάγνωσης (AD και VaD), δεν υπήρχε σταθερή διαφορά απόδοσης ταξινόμησης μεταξύ των εκπαιδευόμενων για το MCI-VaD έναντι του VaD, αν και το Support Vector Machine είχε γενικά πιο εμφανή απόδοση. Ομοίως, δεν υπήρχαν σημαντικές διαφορές μεταξύ των μαθητών για την ταξινόμηση MCI-AD έναντι AD, αν και ο Naïve Bayes (NB) είχε ένα ελαφρύ πλεονέκτημα απόδοσης έναντι της Logistic Regression (LR) και απλώς μια αμελητέα πληθώρα έναντι του Support Vector Machine, με πιθανότητες 61.4%. και 41.7% αντίστοιχα. Και στα δύο σύνολα δεδομένων, υπήρχε ένα συνολικό πλεονέκτημα απόδοσης για το Support Vector Machine (SVM), με Pr (SVM > LR) = 0.819 και Pr (SVM > NB) = 0.934. Η συνολική μας απόδοση ταξινόμησης σε όλους τους μαθητές στην πρόβλεψη της σοβαρότητας της διάγνωσης στο υποσύνολο δεδομένων XL ήταν καλύτερη στην κατηγορία διάγνωσης VaD έναντι AD (Pr (VAD > AD) = 0.998).
Τραπέζι 5
Αποτελέσματα διχοτομικής κλινικής διάγνωσης κατάταξης σοβαρότητας (AUC; 0.0–1.0) για καθέναν από τους τρεις μαθητές με κορυφαίες επιδόσεις και για τα δύο αντίστοιχα σχήματα μοντελοποίησης
Σχέδιο Μοντελοποίησης | Λογιστική παλινδρόμηση | Ο αφελής Bayes | Υποστήριξη μηχανής διάνυσμα |
MCI-AD έναντι AD | 0.7465 | 0.7810 | 0.7443 |
MCI-VaD έναντι VaD | 0.8033 | 0.8044 | 0.8338 |
Η υψηλότερη απόδοση για κάθε σχήμα μοντελοποίησης εμφανίζεται στο (όχι απαραίτητα στατιστικά διαφορετικό από άλλα που δεν υπάρχουν ).
ΣΥΖΗΤΗΣΗ
Η έγκαιρη ανίχνευση αλλαγών στη γνωστική υγεία είναι σημαντική πρακτική χρησιμότητα τόσο στη διαχείριση της προσωπικής υγείας όσο και στη δημόσια υγεία. Πράγματι, είναι επίσης πολύ υψηλή προτεραιότητα σε κλινικά περιβάλλοντα για ασθενείς σε όλο τον κόσμο. Ο κοινός στόχος είναι η ενημέρωση των ασθενών, των φροντιστών και των παρόχων και η έγκαιρη έγκαιρη παροχή κατάλληλης και οικονομικά αποδοτικής θεραπείας και διαχρονικής φροντίδας για όσους αρχίζουν να παρουσιάζουν γνωστική έκπτωση. Συγχωνεύοντας τα τρία υποσύνολα δεδομένων νοσοκομείων/κλινικών μας, εντοπίσαμε τρεις ιδιαίτερα προτιμητέους μαθητές (με έναν αξιοσημείωτο ξεχωρισμό -Naïve Bayes) για να δημιουργήσουμε προγνωστικά μοντέλα χρησιμοποιώντας Μετρήσεις απόδοσης MemTrax που θα μπορούσαν να ταξινομήσουν αξιόπιστα την κατάσταση της γνωστικής υγείας διχοτομικά (φυσιολογική γνωστική υγεία ή MCI) όπως θα υποδεικνυόταν από μια συνολική βαθμολογία MoCA. Συγκεκριμένα, η συνολική απόδοση ταξινόμησης και για τους τρεις μαθητές βελτιώθηκε όταν τα μοντέλα μας χρησιμοποίησαν μόνο τις τέσσερις κορυφαίες δυνατότητες που περιλάμβαναν κυρίως αυτές τις μετρήσεις απόδοσης του MemTrax. Επιπλέον, αποκαλύψαμε την τεκμηριωμένη δυνατότητα χρήσης των ίδιων μετρήσεων απόδοσης μαθητών και MemTrax σε ένα σχήμα μοντελοποίησης ταξινόμησης διαγνωστικής υποστήριξης για τη διάκριση της σοβαρότητας δύο κατηγοριών διάγνωσης άνοιας: AD και VaD.
Δοκιμή μνήμης είναι κεντρικής σημασίας για την έγκαιρη ανίχνευση της AD [23, 24]. Επομένως, είναι σκόπιμο το MemTrax να είναι ένα αποδεκτό, συναρπαστικό και εύκολο στην εφαρμογή του στο διαδίκτυο τεστ προσυμπτωματικού ελέγχου για επεισοδιακή μνήμη στο γενικό πληθυσμό [6]. Η ακρίβεια αναγνώρισης και οι χρόνοι απόκρισης από αυτήν την εργασία συνεχούς απόδοσης είναι ιδιαίτερα αποκαλυπτικοί στον εντοπισμό της πρώιμης και εξελισσόμενης επιδείνωσης και των επακόλουθων ελλειμμάτων στις νευροπλαστικές διεργασίες που σχετίζονται με τη μάθηση, τη μνήμη και τη γνώση. Δηλαδή, τα μοντέλα εδώ που βασίζονται σε μεγάλο βαθμό σε μετρήσεις απόδοσης MemTrax είναι ευαίσθητα και είναι πιο πιθανό να αποκαλύψουν εύκολα και με ελάχιστο κόστος βιολογικά νευροπαθολογικά ελλείμματα κατά το μεταβατικό ασυμπτωματικό στάδιο πολύ πριν από πιο σημαντική λειτουργική απώλεια [25]. Οι Ashford et al. εξέτασε προσεκτικά τα πρότυπα και τις συμπεριφορές της ακρίβειας της μνήμης αναγνώρισης και του χρόνου απόκρισης σε διαδικτυακούς χρήστες που συμμετείχαν μόνοι τους με το MemTrax [6]. Σεβόμενοι ότι αυτές οι κατανομές είναι κρίσιμες για τη βέλτιστη μοντελοποίηση και την ανάπτυξη έγκυρων και αποτελεσματικών εφαρμογών φροντίδας ασθενών, ο καθορισμός κλινικά εφαρμόσιμων προφίλ αναγνώρισης και χρόνου απόκρισης είναι απαραίτητος για τη δημιουργία μιας πολύτιμης θεμελιώδους αναφοράς για κλινική και ερευνητική χρησιμότητα. Η πρακτική αξία του MemTrax στον προσυμπτωματικό έλεγχο AD για γνωστική εξασθένηση πρώιμου σταδίου και διαφορική διαγνωστική υποστήριξη πρέπει στη συνέχεια να εξεταστεί πιο προσεκτικά στο πλαίσιο ενός κλινικού περιβάλλοντος όπου μπορούν να ληφθούν υπόψη συννοσηρότητες και γνωστικές, αισθητηριακές και κινητικές ικανότητες που επηρεάζουν την απόδοση του τεστ. Και για να ενημερωθεί η επαγγελματική προοπτική και να ενθαρρυνθεί η πρακτική κλινική χρησιμότητα, είναι καταρχήν επιτακτική ανάγκη να αποδειχθεί σύγκριση με ένα καθιερωμένο τεστ αξιολόγησης γνωστικής υγείας, παρόλο που το τελευταίο μπορεί να περιορίζεται αισθητά από δυσκίνητα τεστ υλικοτεχνικής υποστήριξης, εκπαιδευτικούς και γλωσσικούς αποτρεπτικούς παράγοντες και πολιτισμικές επιρροές [26] . Από αυτή την άποψη, η ευνοϊκή σύγκριση του MemTrax στην κλινική αποτελεσματικότητα με το MoCA που συνήθως υποτίθεται ως βιομηχανικό πρότυπο είναι σημαντική, ειδικά όταν σταθμίζεται η μεγαλύτερη ευκολία χρησιμότητας και η αποδοχή από τον ασθενή του MemTrax.
Προηγούμενη εξερεύνηση που συγκρίνει το MemTrax με το MoCA υπογραμμίζει τη λογική και τα προκαταρκτικά στοιχεία που δικαιολογούν την έρευνά μας για τη μοντελοποίηση [8]. Ωστόσο, αυτή η προηγούμενη σύγκριση συνέδεσε απλώς τις δύο βασικές μετρήσεις απόδοσης του MemTrax που εξετάσαμε με τη γνωστική κατάσταση όπως προσδιορίστηκε από το MoCA και όρισε τα αντίστοιχα εύρη και τιμές αποκοπής. Εμβαθύναμε την αξιολόγηση κλινικής χρησιμότητας του MemTrax διερευνώντας μια προσέγγιση βασισμένη σε προγνωστικά μοντέλα που θα παρείχε μια πιο εξατομικευμένη εξέταση άλλων δυνητικά σχετικών παραμέτρων για συγκεκριμένους ασθενείς. Σε αντίθεση με άλλους, δεν βρήκαμε πλεονέκτημα στην απόδοση του μοντέλου χρησιμοποιώντας διόρθωση εκπαίδευσης (προσαρμογή) στη βαθμολογία MoCA ή στη μεταβολή του ορίου συνολικής βαθμολογίας MoCA που διακρίνει τη γνωστική υγεία από το αρχικά συνιστώμενο 26 σε 23 [12, 15]. Στην πραγματικότητα, το πλεονέκτημα απόδοσης ταξινόμησης ευνόησε τη χρήση της μη προσαρμοσμένης βαθμολογίας MoCA και του υψηλότερου ορίου.
Βασικά σημεία στην κλινική πράξη
Η μηχανική μάθηση χρησιμοποιείται συχνά καλύτερα και πιο αποτελεσματική στην προγνωστική μοντελοποίηση όταν τα δεδομένα είναι εκτεταμένα και πολυδιάστατα, δηλαδή όταν υπάρχουν πολυάριθμες παρατηρήσεις και μια συνακόλουθη ευρεία γκάμα χαρακτηριστικών υψηλής αξίας (συνεισφέρουσες). Ωστόσο, με αυτά τα τρέχοντα δεδομένα, τα φιλτραρισμένα μοντέλα με μόνο τέσσερις επιλεγμένες λειτουργίες απέδωσαν καλύτερα από εκείνα που χρησιμοποιούν και τα 10 κοινά χαρακτηριστικά. Αυτό υποδηλώνει ότι το συνολικό μας σύνολο δεδομένων νοσοκομείων δεν είχε τα πιο κατάλληλα κλινικά χαρακτηριστικά (υψηλής αξίας) για τη βέλτιστη ταξινόμηση των ασθενών με αυτόν τον τρόπο. Ωστόσο, η έμφαση στην κατάταξη χαρακτηριστικών στις βασικές μετρήσεις απόδοσης MemTrax—MTx-% C και MTx-RT—υποστηρίζει σθεναρά τη δημιουργία μοντέλων ελέγχου πρώιμου σταδίου γνωστικού ελλείμματος γύρω από αυτό το τεστ που είναι απλό, εύκολο στη διαχείριση, χαμηλού κόστους και εύστοχα αποκαλυπτικό όσον αφορά απόδοση μνήμης, τουλάχιστον αυτή τη στιγμή ως αρχική οθόνη για μια δυαδική ταξινόμηση της κατάστασης της γνωστικής υγείας. Δεδομένης της ολοένα αυξανόμενης πίεσης στους παρόχους και τα συστήματα υγειονομικής περίθαλψης, οι διαδικασίες προσυμπτωματικού ελέγχου ασθενών και οι κλινικές εφαρμογές θα πρέπει να αναπτυχθούν κατάλληλα με έμφαση στη συλλογή, παρακολούθηση και μοντελοποίηση εκείνων των χαρακτηριστικών και μετρήσεων των ασθενών που είναι πιο χρήσιμα, συμφέροντα και αποδεδειγμένα αποτελεσματικά στη διάγνωση. και υποστήριξη διαχείρισης ασθενών.
Με τις δύο βασικές μετρήσεις MemTrax να είναι κεντρικές στην ταξινόμηση MCI, ο εκπαιδευόμενος μας με κορυφαίες επιδόσεις (Naïve Bayes) είχε πολύ υψηλή προγνωστική απόδοση στα περισσότερα μοντέλα (AUC πάνω από 0.90) με αναλογία αληθινού θετικού προς ψευδώς θετικού πλησιάζει ή ξεπερνάει κάπως το 4 : 1. Μια μεταφραστική κλινική εφαρμογή που χρησιμοποιεί αυτόν τον εκπαιδευόμενο θα συλλάβει (ταξινόμησε σωστά) κατά πολύ τα περισσότερα άτομα με γνωστικό έλλειμμα, ενώ θα ελαχιστοποιούσε το κόστος που σχετίζεται με την εσφαλμένη ταξινόμηση κάποιου με φυσιολογική γνωστική υγεία ως γνωστικού ελλείμματος (ψευδώς θετικό) ή λείπει αυτή η ταξινόμηση σε όσους έχουν γνωστικό έλλειμμα (ψευδώς αρνητικό). Οποιοδήποτε από αυτά τα σενάρια εσφαλμένης ταξινόμησης θα μπορούσε να επιβάλει αδικαιολόγητη ψυχοκοινωνική επιβάρυνση στον ασθενή και στους φροντιστές.
Ενώ στις προκαταρκτικές και πλήρεις αναλύσεις χρησιμοποιήσαμε και τους δέκα μαθητές σε κάθε σχήμα μοντελοποίησης, εστιάσαμε τα αποτελέσματά μας στους τρεις ταξινομητές που δείχνουν την πιο σταθερή ισχυρή απόδοση. Αυτό ήταν επίσης για να τονίσει, με βάση αυτά τα δεδομένα, τους μαθητές που αναμενόταν να έχουν αξιόπιστη απόδοση σε υψηλό επίπεδο σε μια πρακτική κλινική εφαρμογή στον προσδιορισμό της ταξινόμησης της γνωστικής κατάστασης. Επιπλέον, επειδή αυτή η μελέτη προοριζόταν ως μια εισαγωγική έρευνα σχετικά με τη χρησιμότητα της μηχανικής μάθησης στον γνωστικό έλεγχο και αυτές τις έγκαιρες κλινικές προκλήσεις, αποφασίσαμε να διατηρήσουμε τις τεχνικές μάθησης απλές και γενικευμένες, με ελάχιστο συντονισμό παραμέτρων. Εκτιμούμε ότι αυτή η προσέγγιση μπορεί να έχει περιορίσει τις δυνατότητες για πιο στενά καθορισμένες προγνωστικές ικανότητες για συγκεκριμένους ασθενείς. Ομοίως, ενώ η εκπαίδευση των μοντέλων χρησιμοποιώντας μόνο τα κορυφαία χαρακτηριστικά (φιλτραρισμένη προσέγγιση) μας ενημερώνει περαιτέρω σχετικά με αυτά τα δεδομένα (συγκεκριμένα για τις ελλείψεις στα δεδομένα που συλλέγονται και τονίζοντας την αξία στη βελτιστοποίηση πολύτιμου κλινικού χρόνου και πόρων), αναγνωρίζουμε ότι είναι πρόωρο να περιοριστούν το εύρος των μοντέλων και, επομένως, όλα (και άλλα χαρακτηριστικά) θα πρέπει να ληφθούν υπόψη με μελλοντική έρευνα μέχρι να έχουμε ένα πιο οριστικό προφίλ χαρακτηριστικών προτεραιότητας που θα μπορούσαν να εφαρμοστούν στον ευρύ πληθυσμό. Έτσι, αναγνωρίζουμε επίσης πλήρως ότι θα ήταν απαραίτητα περισσότερα περιεκτικά και ευρέως αντιπροσωπευτικά δεδομένα και βελτιστοποίηση αυτών και άλλων μοντέλων πριν από την ενσωμάτωσή τους σε μια αποτελεσματική κλινική εφαρμογή, ειδικά για την αντιμετώπιση συννοσηροτήτων που επηρεάζουν τη γνωστική απόδοση που θα πρέπει να ληφθούν υπόψη σε περαιτέρω κλινική αξιολόγηση.
Η χρησιμότητα του MemTrax βελτιώθηκε περαιτέρω με τη μοντελοποίηση της σοβαρότητας της νόσου με βάση ξεχωριστή κλινική διάγνωση. Καλύτερη συνολική απόδοση ταξινόμησης στην πρόβλεψη της σοβαρότητας της VaD (σε σύγκριση με την AD) δεν ήταν αποτελεί έκπληξη δεδομένων των χαρακτηριστικών του προφίλ του ασθενούς στα μοντέλα ειδικά για την αγγειακή υγεία και τον κίνδυνο εγκεφαλικού, δηλαδή υπέρταση, υπερλιπιδαιμία, διαβήτη και (φυσικά) ιστορικό εγκεφαλικού. Αν και θα ήταν πιο επιθυμητό και κατάλληλο να διενεργηθεί η ίδια κλινική αξιολόγηση σε ταιριαστούς ασθενείς με φυσιολογική γνωστική υγεία για την εκπαίδευση των μαθητών με αυτά τα πιο περιεκτικά δεδομένα. Αυτό δικαιολογείται ιδιαίτερα, καθώς το MemTrax προορίζεται να χρησιμοποιηθεί κυρίως για την ανίχνευση πρώιμου σταδίου ενός γνωστικού ελλείμματος και την επακόλουθη παρακολούθηση της ατομικής αλλαγής. Είναι επίσης εύλογο ότι η πιο επιθυμητή κατανομή δεδομένων στο σύνολο δεδομένων VaD συνέβαλε εν μέρει στη συγκριτικά καλύτερη απόδοση μοντελοποίησης. Το σύνολο δεδομένων VaD ήταν καλά ισορροπημένο μεταξύ των δύο τάξεων, ενώ το σύνολο δεδομένων AD με πολύ λιγότερους ασθενείς MCI δεν ήταν. Ιδιαίτερα σε μικρά σύνολα δεδομένων, ακόμη και μερικές επιπλέον περιπτώσεις μπορούν να κάνουν μετρήσιμη διαφορά. Και οι δύο προοπτικές είναι εύλογα επιχειρήματα στα οποία βασίζονται οι διαφορές στην απόδοση μοντελοποίησης της σοβαρότητας της νόσου. Ωστόσο, η αναλογική απόδοση βελτιωμένης απόδοσης στα αριθμητικά χαρακτηριστικά του συνόλου ή στα εγγενή χαρακτηριστικά της κλινικής παρουσίασης που εξετάζουμε είναι πρόωρη. Ωστόσο, αυτό το νέο αποδεικνύεται η χρησιμότητα ενός προγνωστικού μοντέλου ταξινόμησης MemTrax στο ρόλο της κλινικής διαγνωστικής υποστήριξης παρέχει πολύτιμη προοπτική και επιβεβαιώνει την επιδίωξη για πρόσθετη εξέταση με ασθενείς σε όλη τη συνέχεια της MCI.
Η εφαρμογή και η αποδεδειγμένη χρησιμότητα του MemTrax και αυτών των μοντέλων στην Κίνα, όπου η γλώσσα και ο πολιτισμός διαφέρουν δραστικά από άλλες περιοχές με καθιερωμένη χρησιμότητα (π.χ. Γαλλία, Ολλανδία και Ηνωμένες Πολιτείες) [7, 8, 27], υπογραμμίζει περαιτέρω τις δυνατότητες για ευρεία παγκόσμια αποδοχή και κλινική αξία μιας πλατφόρμας που βασίζεται στο MemTrax. Αυτό είναι ένα αποδεδειγμένο παράδειγμα στην προσπάθεια για εναρμόνιση δεδομένων και την ανάπτυξη πρακτικών διεθνών κανόνων και πηγών μοντελοποίησης για γνωστικό έλεγχο που είναι τυποποιημένοι και εύκολα προσαρμοσμένοι για χρήση σε όλο τον κόσμο.
Επόμενα βήματα στη μοντελοποίηση και εφαρμογή της γνωστικής παρακμής
Η γνωστική δυσλειτουργία στη ΝΑ συμβαίνει πράγματι σε ένα συνεχές, όχι σε διακριτά στάδια ή βήματα [28, 29]. Ωστόσο, σε αυτήν την πρώιμη φάση, ο στόχος μας ήταν πρώτα να εδραιώσουμε την ικανότητά μας να δημιουργήσουμε ένα μοντέλο που να ενσωματώνει το MemTrax που να μπορεί να διακρίνει θεμελιωδώς το "κανονικό" από το "μη κανονικό". Πιο περιεκτικά εμπειρικά δεδομένα (π.χ. απεικόνιση εγκεφάλου, γενετικά χαρακτηριστικά, βιοδείκτες, συννοσηρότητες και λειτουργικοί δείκτες πολύπλοκων δραστηριότητες που απαιτούν γνωστικές έλεγχος) [30] σε διάφορες παγκόσμιες περιοχές, πληθυσμούς και ηλικιακές ομάδες για εκπαίδευση και ανάπτυξη πιο εξελιγμένων (συμπεριλαμβανομένων εύστοχων συνόλων) μοντέλων μηχανικής μάθησης θα υποστηρίζουν μεγαλύτερο βαθμό βελτιωμένης ταξινόμησης, δηλαδή την ικανότητα κατηγοριοποίησης ομάδων ασθενών με Το MCI σε μικρότερα και πιο οριστικά υποσύνολα κατά μήκος του συνεχούς της γνωστικής παρακμής. Επιπλέον, είναι απαραίτητες οι ταυτόχρονες κλινικές διαγνώσεις για άτομα σε διαφορετικούς τοπικά διαφορετικούς πληθυσμούς ασθενών εκπαιδεύστε αποτελεσματικά αυτά τα πιο περιεκτικά και αναμενόμενα στιβαρά μοντέλα. Αυτό θα διευκολύνει πιο συγκεκριμένη στρωματοποιημένη διαχείριση περιπτώσεων για άτομα με παρόμοιο υπόβαθρο, επιρροές και πιο στενά καθορισμένα χαρακτηριστικά γνωστικά προφίλ και έτσι θα βελτιστοποιήσει την υποστήριξη κλινικών αποφάσεων και τη φροντίδα των ασθενών.
Μεγάλο μέρος της σχετικής κλινικής έρευνας μέχρι σήμερα έχει απευθυνθεί σε ασθενείς με τουλάχιστον ήπια άνοια. και, στην πράξη, πολύ συχνά η παρέμβαση του ασθενούς επιχειρείται μόνο σε προχωρημένα στάδια. Ωστόσο, επειδή η γνωστική έκπτωση ξεκινά πολύ πριν ικανοποιηθούν τα κλινικά κριτήρια για την άνοια, μια αποτελεσματικά εφαρμοσμένη έγκαιρη εξέταση με βάση το MemTrax θα μπορούσε να ενθαρρύνει την κατάλληλη εκπαίδευση των ατόμων σχετικά με τη νόσο και την εξέλιξή της και να προτρέψει πρώιμες και πιο έγκαιρες παρεμβάσεις. Έτσι, η έγκαιρη ανίχνευση θα μπορούσε να υποστηρίξει κατάλληλες εμπλοκές που κυμαίνονται από την άσκηση, τη διατροφή, τη συναισθηματική υποστήριξη και τη βελτιωμένη κοινωνικοποίηση έως τη φαρμακολογική παρέμβαση και να ενισχύσει τις αλλαγές στη συμπεριφορά και την αντίληψη που σχετίζονται με τον ασθενή ότι μεμονωμένα ή συνολικά θα μπορούσαν να μετριάσουν ή δυνητικά να σταματήσουν την εξέλιξη της άνοιας [31, 32] . Επιπλέον, με αποτελεσματικό πρώιμο έλεγχο, τα άτομα και οι οικογένειές τους μπορεί να ωθηθούν να εξετάσουν το ενδεχόμενο κλινικών δοκιμών ή να λάβουν συμβουλευτική υποστήριξη και άλλες κοινωνικές υπηρεσίες για να διευκρινιστούν οι προσδοκίες και οι προθέσεις τους και να διαχειριστούν τις καθημερινές εργασίες. Περαιτέρω επικύρωση και ευρεία πρακτική χρησιμότητα με αυτούς τους τρόπους θα μπορούσε να είναι καθοριστική για τον μετριασμό ή τη διακοπή της εξέλιξης των MCI, AD και ADRD για πολλά άτομα.
Πράγματι, το χαμηλό όριο του ηλικιακού εύρους των ασθενών στη μελέτη μας δεν αντιπροσωπεύει τον πληθυσμό του παραδοσιακού ενδιαφέροντος με AD. Ωστόσο, ο μέσος όρος ηλικίας για κάθε ομάδα που χρησιμοποιείται στα σχήματα μοντελοποίησης ταξινόμησης με βάση τη βαθμολογία/κατώφλι MoCA και τη σοβαρότητα της διάγνωσης (Πίνακας 3) υπογραμμίζει ότι η σαφής πλειοψηφία (πάνω από 80%) είναι τουλάχιστον 50 ετών. Αυτή η κατανομή είναι επομένως πολύ κατάλληλη για γενίκευση, υποστηρίζοντας τη χρησιμότητα αυτών των μοντέλων στον πληθυσμό που χαρακτηρίζει εκείνους που συνήθως επηρεάζονται από πρώιμη έναρξη και εξελισσόμενη νευρογνωστική ασθένεια λόγω AD και VaD. Επίσης, τα πρόσφατα στοιχεία και η προοπτική τονίζουν αυτούς τους αναγνωρισμένους παράγοντες (π.χ. υπέρταση, παχυσαρκία, διαβήτης και κάπνισμα) που δυνητικά συμβάλλουν στην υψηλότερη πρώιμη βαθμολογίες αγγειακού κινδύνου ενηλίκων και μέσης ηλικίας και επακόλουθη ανεπαίσθητη αγγειακή εγκεφαλική βλάβη που αναπτύσσεται ύπουλα με εμφανή αποτελέσματα ακόμη και σε νεαρά άτομα ενήλικες [33-35]. Αντίστοιχα, η βέλτιστη ευκαιρία αρχικής εξέτασης για έγκαιρη ανίχνευση σταδιοποίηση γνωστικών ελλειμμάτων και έναρξη αποτελεσματικών στρατηγικών πρόληψης και παρέμβασης για την επιτυχή αντιμετώπιση της άνοιας θα προκύψουν από την εξέταση των παραγόντων που συμβάλλουν και των προηγούμενων δεικτών σε όλο το ηλικιακό φάσμα, συμπεριλαμβανομένης της πρώιμης ενηλικίωσης και ενδεχομένως ακόμη και της παιδικής ηλικίας (σημειώνοντας τη σημασία γενετικών παραγόντων όπως η απολιποπρωτεΐνη Ε από την πρώιμη κύηση).
Στην πράξη, έγκυρες κλινικές διαγνώσεις και δαπανηρές διαδικασίες για προηγμένη απεικόνιση, γενετικό προφίλ και μέτρηση υποσχόμενων βιοδεικτών δεν είναι πάντα άμεσα διαθέσιμες ή ακόμη και εφικτές για πολλούς παρόχους. Έτσι, σε πολλές περιπτώσεις, η αρχική ταξινόμηση της συνολικής κατάστασης της γνωστικής υγείας μπορεί να πρέπει να προέρχεται από μοντέλα που χρησιμοποιούν άλλες απλές μετρήσεις που παρέχονται από τον ασθενή (π.χ. αυτοαναφορά προβλήματα μνήμης, τρέχοντα φάρμακα και περιορισμοί δραστηριότητας ρουτίνας) και κοινά δημογραφικά χαρακτηριστικά [7]. Μητρώα όπως το Πανεπιστήμιο της Καλιφόρνια Brain Υγείας Μητρώο (https://www.brainhealthregistry.org/) [27] και άλλα με εγγενή μεγαλύτερο εύρος αυτοαναφερόμενων συμπτωμάτων, ποιοτικών μέτρων (π.χ. ύπνος και καθημερινής γνώσης), φάρμακα, κατάσταση υγείας και ιστορικό, και Τα πιο λεπτομερή δημογραφικά στοιχεία θα είναι καθοριστικά για την ανάπτυξη και την επικύρωση της πρακτικής εφαρμογής αυτών των πιο πρωτόγονων μοντέλων στην κλινική. Επιπλέον, ένα τεστ όπως το MemTrax, το οποίο έχει αποδείξει χρησιμότητα στην αξιολόγηση της λειτουργίας της μνήμης, μπορεί στην πραγματικότητα να παρέχει μια ουσιαστικά καλύτερη εκτίμηση της παθολογίας της AD από τους βιολογικούς δείκτες. Δεδομένου ότι το βασικό χαρακτηριστικό της παθολογίας της AD είναι η διαταραχή της νευροπλαστικότητας και μια συντριπτικά πολύπλοκη απώλεια συνάψεων, η οποία εκδηλώνεται ως επεισοδιακή δυσλειτουργία μνήμης, ένα μέτρο που αξιολογεί την επεισοδιακή μνήμη μπορεί στην πραγματικότητα παρέχουν καλύτερη εκτίμηση της παθολογικής επιβάρυνσης της AD από τους βιολογικούς δείκτες στον ζωντανό ασθενή [36].
Με όλα τα μοντέλα πρόβλεψης —είτε συμπληρώνονται από σύνθετα και περιεκτικά δεδομένα από τεχνολογία αιχμής και εκλεπτυσμένες κλινικές γνώσεις σε πολλούς τομείς είτε περιορίζονται σε πιο βασικές και άμεσα διαθέσιμες πληροφορίες που χαρακτηρίζουν τα υφιστάμενα προφίλ ασθενών—το αναγνωρισμένο πλεονέκτημα της τεχνητής νοημοσύνης Και η μηχανική μάθηση είναι ότι τα προκύπτοντα μοντέλα μπορούν να συνθέσουν και επαγωγικά να «μάθουν» από σχετικά νέα δεδομένα και προοπτική που παρέχονται από τη συνεχή χρήση εφαρμογών. Μετά την πρακτική μεταφορά τεχνολογίας, καθώς τα μοντέλα εδώ (και πρόκειται να αναπτυχθούν) εφαρμόζονται και εμπλουτίζονται με περισσότερες περιπτώσεις και σχετικά δεδομένα (συμπεριλαμβανομένων ασθενών με συννοσηρότητες που θα μπορούσαν να εμφανιστούν με επακόλουθη γνωστική έκπτωση), η απόδοση πρόβλεψης και η ταξινόμηση της γνωστικής υγείας θα είναι πιο ισχυρή. με αποτέλεσμα πιο αποτελεσματική χρησιμότητα υποστήριξης κλινικών αποφάσεων. Αυτή η εξέλιξη θα πραγματοποιηθεί πληρέστερα και πρακτικά με την ενσωμάτωση του MemTrax σε προσαρμοσμένες (στοχευμένες στις διαθέσιμες δυνατότητες) πλατφόρμες που οι πάροχοι υγειονομικής περίθαλψης θα μπορούσαν να χρησιμοποιήσουν σε πραγματικό χρόνο στην κλινική.
Επιτακτική ανάγκη για την επικύρωση και τη χρησιμότητα του μοντέλου MemTrax για διαγνωστική υποστήριξη και περίθαλψη ασθενών είναι ιδιαίτερα περιζήτητα σημαντικά διαχρονικά δεδομένα. Παρατηρώντας και καταγράφοντας τις συνακόλουθες αλλαγές (αν υπάρχουν) στην κλινική κατάσταση σε ένα επαρκές εύρος φυσιολογικών έως πρώιμων σταδίων MCI, τα μοντέλα για την κατάλληλη συνεχή αξιολόγηση και ταξινόμηση μπορούν να εκπαιδευτούν και να τροποποιηθούν καθώς οι ασθενείς γερνούν και αντιμετωπίζονται. Δηλαδή, η επαναλαμβανόμενη χρησιμότητα μπορεί να βοηθήσει με τη διαχρονική παρακολούθηση ήπιων γνωστικών αλλαγών, την αποτελεσματικότητα της παρέμβασης και τη διατήρηση ενημερωμένης στρωματοποιημένης φροντίδας. Αυτή η προσέγγιση ευθυγραμμίζεται περισσότερο με την κλινική πρακτική και τη διαχείριση ασθενών και περιπτώσεων.
Περιορισμοί
Εκτιμούμε την πρόκληση και την αξία της συλλογής καθαρών κλινικών δεδομένων σε ένα ελεγχόμενο περιβάλλον κλινικής/νοσοκομείου. Ωστόσο, θα είχε ενισχύσει τη μοντελοποίησή μας εάν τα σύνολα δεδομένων μας περιελάμβαναν περισσότερους ασθενείς με κοινά χαρακτηριστικά. Επιπλέον, ειδικά για τη διαγνωστική μας μοντελοποίηση, θα ήταν πιο επιθυμητό και πιο κατάλληλο να διενεργηθεί η ίδια κλινική αξιολόγηση σε αντίστοιχους ασθενείς με φυσιολογική γνωστική υγεία για την εκπαίδευση των μαθητών. Και όπως υπογραμμίζεται από την υψηλότερη απόδοση ταξινόμησης που χρησιμοποιεί το φιλτραρισμένο σύνολο δεδομένων (μόνο τα τέσσερα χαρακτηριστικά που κατατάσσονται στην κορυφή), πιο γενικά και μέτρα/δείκτες γνωστικής υγείας πιθανότατα θα είχαν βελτιωθεί απόδοση μοντελοποίησης με μεγαλύτερο αριθμό κοινών χαρακτηριστικών σε όλους τους ασθενείς.
Ορισμένοι συμμετέχοντες μπορεί να εμφάνιζαν ταυτόχρονα άλλες ασθένειες που θα μπορούσαν να προκαλέσουν παροδικές ή χρόνιες γνωστικές ελλείψεις. Εκτός από το υποσύνολο δεδομένων XL όπου οι ασθενείς ταξινομήθηκαν διαγνωστικά ότι είχαν είτε AD είτε VaD, δεδομένα συννοσηρότητας δεν συλλέχθηκαν/αναφέρθηκαν στη δεξαμενή ασθενών YH και η κυρίαρχη αναφερόμενη συννοσηρότητα με μεγάλη διαφορά στο υποσύνολο δεδομένων KM ήταν ο διαβήτης. Ωστόσο, είναι αμφισβητήσιμο ότι η συμπερίληψη ασθενών στα σχήματα μοντελοποίησης μας με συννοσηρότητες που θα μπορούσαν να προκαλέσουν ή να επιδεινώσουν ένα επίπεδο γνωστικής ανεπάρκειας και συνακόλουθη χαμηλότερη απόδοση του MemTrax θα ήταν πιο αντιπροσωπευτικό του στοχευόμενου πληθυσμού ασθενών στον πραγματικό κόσμο για αυτόν τον πιο γενικευμένο πρώιμο γνωστικό έλεγχο και προσέγγιση μοντελοποίησης. Προχωρώντας προς τα εμπρός, η ακριβής διάγνωση των συννοσηροτήτων που δυνητικά επηρεάζουν τη γνωστική απόδοση είναι σε γενικές γραμμές επωφελής για τη βελτιστοποίηση των μοντέλων και των εφαρμογών φροντίδας ασθενών που προκύπτουν.
Τέλος, οι ασθενείς του υποσυνόλου δεδομένων YH και KM χρησιμοποίησαν smartphone για να κάνουν το τεστ MemTrax, ενώ ένας περιορισμένος αριθμός ασθενών υποσυνόλου δεδομένων XL χρησιμοποιούσε iPad και οι υπόλοιποι smartphone. Αυτό θα μπορούσε να έχει εισαγάγει μια μικρή διαφορά που σχετίζεται με τη συσκευή στην απόδοση του MemTrax για τη μοντελοποίηση ταξινόμησης MoCA. Ωστόσο, οι διαφορές (αν υπάρχουν) στο MTx-RT, για παράδειγμα, μεταξύ συσκευών θα ήταν πιθανότατα αμελητέες, ειδικά με κάθε συμμετέχοντα να λαμβάνει ένα τεστ «εξάσκησης» ακριβώς πριν από την καταγεγραμμένη απόδοση δοκιμής. Ωστόσο, η χρησιμότητα αυτών των δύο φορητών συσκευών δυνητικά υπονομεύει την άμεση σύγκριση και/ή την ενσωμάτωση με άλλα αποτελέσματα MemTrax όπου οι χρήστες ανταποκρίνονταν σε επαναλαμβανόμενες εικόνες αγγίζοντας το πλήκτρο διαστήματος σε ένα πληκτρολόγιο υπολογιστή.
Βασικά σημεία για τη χρησιμότητα προγνωστικής μοντελοποίησης MemTrax
- • Τα κορυφαία προγνωστικά μας μοντέλα που περιλαμβάνουν επιλεγμένες μετρήσεις απόδοσης MemTrax θα μπορούσαν να ταξινομήσουν αξιόπιστα την κατάσταση της γνωστικής υγείας (κανονική γνωστική υγεία ή MCI) όπως υποδεικνύεται από το ευρέως αναγνωρισμένο τεστ MoCA.
- • Αυτά τα αποτελέσματα υποστηρίζουν την ενσωμάτωση επιλεγμένων μετρήσεων απόδοσης MemTrax σε μια εφαρμογή διαλογής προγνωστικού μοντέλου ταξινόμησης για γνωστική εξασθένηση πρώιμου σταδίου.
- • Η μοντελοποίηση ταξινόμησης μας αποκάλυψε επίσης τη δυνατότητα χρήσης της απόδοσης του MemTrax σε εφαρμογές για τη διάκριση της σοβαρότητας της διάγνωσης της άνοιας.
Αυτά τα νέα ευρήματα δημιουργούν οριστικά στοιχεία που υποστηρίζουν τη χρησιμότητα της μηχανικής μάθησης στη δημιουργία βελτιωμένων ισχυρών μοντέλων ταξινόμησης με βάση το MemTrax για διαγνωστική υποστήριξη στην αποτελεσματική διαχείριση κλινικών περιπτώσεων και φροντίδα ασθενών για άτομα που αντιμετωπίζουν γνωστική εξασθένηση.
ΕΥΧΑΡΙΣΤΙΕΣ
Αναγνωρίζουμε το έργο του J. Wesson Ashford, του Curtis B. Ashford και των συναδέλφων του για την ανάπτυξη και επικύρωση της διαδικτυακής εργασίας και εργαλείου συνεχούς αναγνώρισης (MemTrax) που χρησιμοποιείται εδώ και είμαστε ευγνώμονες στους πολυάριθμους ασθενείς με άνοια που συνέβαλαν στην κρίσιμη θεμελιώδη έρευνα . Ευχαριστούμε επίσης τον Xianbo Zhou και τους συναδέλφους του στην SJN Biomed LTD, τους συναδέλφους και τους συνεργάτες του στα νοσοκομεία/κλινικές, ιδιαίτερα τους Dr. M. Luo και M. Zhong, οι οποίοι βοήθησαν στη στρατολόγηση των συμμετεχόντων, στον προγραμματισμό δοκιμών και στη συλλογή, καταγραφή και διαχείριση των δεδομένων, καθώς και στους εθελοντές συμμετέχοντες που πρόσφεραν τον πολύτιμο χρόνο τους και ανέλαβαν τη δέσμευση να κάνουν τα τεστ και να παρέχουν τα πολύτιμα δεδομένα που πρέπει να αξιολογήσουμε σε αυτή τη μελέτη. Αυτό Η μελέτη υποστηρίχθηκε εν μέρει από το MD Scientific Research Πρόγραμμα του Ιατρικού Πανεπιστημίου Κουνμίνγκ (Αρ. επιχορήγησης 2017BS028 έως XL) και του Ερευνητικού Προγράμματος του Τμήματος Επιστήμης και Τεχνολογίας του Γιουνάν (Αρ. επιχορήγησης 2019FE001 (-222) έως XL).
Ο J. Wesson Ashford έχει καταθέσει αίτηση για δίπλωμα ευρεσιτεχνίας για τη χρήση του συγκεκριμένου παραδείγματος συνεχούς αναγνώρισης που περιγράφεται σε αυτό το έγγραφο για γενικές δοκιμή της μνήμης.
Η MemTrax, LLC είναι μια εταιρεία που ανήκει στον Curtis Ashford και αυτή η εταιρεία διαχειρίζεται το δοκιμή μνήμης σύστημα που περιγράφεται σε αυτό το έγγραφο.
Οι αποκαλύψεις των συγγραφέων είναι διαθέσιμες στο διαδίκτυο (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
Αναφορές
[1] Alzheimer's Association (2016) 2016 Στοιχεία για τη νόσο του Alzheimer και φιγούρες. Alzheimers Dement 12, 459–509. | |
[2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) Επίδραση πρώιμου σταδίου Της νόσου του Alzheimer για τα οικονομικά αποτελέσματα των νοικοκυριών. 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) Βελτίωση ποιότητας σε νευρολογία: Σετ μετρήσεων ποιότητας ήπιας γνωστικής βλάβης. Neurology 93, 705-713. |
[4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) Κόστος αποτελεσματικότητας χρήσης γνωστικά τεστ προσυμπτωματικού ελέγχου για την ανίχνευση άνοιας και ήπιας γνωστικής έκπτωσης στην πρωτοβάθμια περίθαλψη. Int J Geriatr Psychiatry 32, 1392–1400. | |
[5] Ashford JW , Gere E , Bayley PJ (2011) Μέτρηση μνήμης σε ρυθμίσεις μεγάλης ομάδας χρησιμοποιώντας μια δοκιμή συνεχούς αναγνώρισης. J Alzheimers Dis 27, 885–895. | |
[6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Μια εργασία συνεχούς αναγνώρισης μέσω υπολογιστή για τη μέτρηση της επεισοδιακής μνήμης. J Alzheimers Dis 69, 385–399. |
[7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) Επίδοση επεισοδιακής μνήμης στη μοντελοποίηση μηχανικής μάθησης για την πρόβλεψη ταξινόμησης της κατάστασης της γνωστικής υγείας. J Alzheimers Dis 70, 277–286. |
[8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The Δοκιμή MemTrax σε σύγκριση με την εκτίμηση της γνωστικής αξιολόγησης του Μόντρεαλ για την ήπια γνωστική εξασθένηση. J Alzheimers Dis 67, 1045–1054. | |
[9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Χρήση απομονωμένων φωνηέντων για ταξινόμηση ήπιας τραυματικής εγκεφαλικής βλάβης. Το 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, Vancouver, BC, σελ. 7577–7581. |
[10] | Dabek F, Caban JJ (2015) Μόχλευση μεγάλων δεδομένων για τη μοντελοποίηση της πιθανότητας εμφάνισης ψυχολογικών καταστάσεων μετά από διάσειση. Procedia Comput Sci 53, 265–273. |
[11] | Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) Δέντρο αποφάσεων για έγκαιρη ανίχνευση γνωστικής εξασθένησης από κοινοτικούς φαρμακοποιούς. 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: Ένα σύντομο εργαλείο ελέγχου για ήπια γνωστική εξασθένηση. J Am Geriatr Soc 53, 695–699. |
[13] | Yu J, Li J, Huang X (2012) Η έκδοση του Πεκίνου της γνωστικής αξιολόγησης του Μόντρεαλ ως εργαλείο σύντομου ελέγχου για ήπια γνωστική εξασθένηση: Μια μελέτη που βασίζεται στην κοινότητα. 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) Επικύρωση της κινεζικής έκδοσης της βασικής γνωστικής αξιολόγησης του Μόντρεαλ για τον έλεγχο της ήπιας γνωστικής εξασθένησης. 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] | American Psychiatric Association (2013) Task Force Διαγνωστικό και στατιστικό εγχειρίδιο ψυχικών διαταραχών: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC. |
[17] | Πύθων. Python Software Foundation, http://www.python.org, Πρόσβαση στις 15 Νοεμβρίου 2019. |
[18] | R Core Group, R: Γλώσσα και περιβάλλον για στατιστικούς υπολογισμούς R Foundation for Statistical Computing, Βιέννη, Αυστρία. https://www.R-project.org/, 2018, Πρόσβαση στις 15 Νοεμβρίου 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) The WEKA Workbench. Σε Εξόρυξη δεδομένων: Πρακτικά εργαλεία και τεχνικές μηχανικής εκμάθησης, 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) Μηχανική μάθηση στη μοντελοποίηση των συμπτωμάτων διάσεισης του αθλητισμού γυμνασίου. Med Sci Sports Exerc 51, 1362–1371. |
[22] | Van Hulse J , Khoshgoftaar TM , Napolitano A (2007) Πειραματικές προοπτικές για τη μάθηση από μη ισορροπημένα δεδομένα. Σε Πρακτικά 24ου Διεθνούς Συνεδρίου Μηχανικής Μάθησης, Corvalis, Όρεγκον, ΗΠΑ, σσ. 935-942. |
[23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) αξιολόγηση ασθενών με Alzheimer και η mini-mental state: Item characteristic curve analysis.P. J Gerontol 44, 139–146. |
[24] Ashford JW, Jarvik L (1985) Η ασθένεια Αλτσχάϊμερ: Η πλαστικότητα του νευρώνα προδιαθέτει για εκφύλιση νευραξονικών νευροϊνιδίων; 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 CGL , Gun , Rocca WA, Petersen RC (2019) Επικράτηση βιολογικά έναντι κλινικά καθορισμένων οντοτήτων του φάσματος Alzheimer χρησιμοποιώντας το Εθνικό Ινστιτούτο για τη Γήρανση-Alzheimer Έρευνα του Συλλόγου δομή. JAMA Neurol 76, 1174–1183. | |
[26] Zhou X , Ashford JW (2019) Πρόοδοι στα όργανα ελέγχου για Της νόσου του 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 Υγείας Μητρώο: Μια πλατφόρμα που βασίζεται στο Διαδίκτυο για πρόσληψη, αξιολόγηση και διαχρονική παρακολούθηση συμμετεχόντων για μελέτες νευροεπιστήμης. Alzheimers Dement 14, 1063–1076. | |
[28] Ashford JW , Schmitt FA (2001) Modeling the time-course of Άνοια Αλτσχάιμερ. 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): Πρωτόκολλο για μια κινεζική διαχρονική μελέτη παρατήρησης για την ανάπτυξη μοντέλων πρόβλεψης κινδύνου μετατροπής σε ήπια γνωστική εξασθένηση σε άτομα με υποκειμενική γνωστική πτώση. BMJ Open 9, e028188. |
[30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) Πενταετής μεταβλητότητα προόδου βιοδείκτη για άνοια της νόσου του Αλτσχάιμερ πρόβλεψη: Μπορεί μια σύνθετη οργανική δραστηριότητα της καθημερινής ζωής να καλύψει τα κενά; Alzheimers Dement (Amst) 1, 521–532. | |
[31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) Πρόληψη και θεραπεία της νόσου του Αλτσχάιμερ: Βιολογικοί μηχανισμοί άσκησης. J Alzheimers Dis 69, 311–338. | |
[32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Therapies for πρόληψη και θεραπεία της νόσου του Αλτσχάιμερ. 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) Συσχετίσεις μεταξύ αγγειακού κινδύνου κατά την ενήλικη ζωή και παθολογίας του εγκεφάλου στα τέλη της ζωής: Στοιχεία από μια βρετανική κοόρτη γέννησης. JAMA Neurol 77, 175–183. |
[34] | Seshadri S (2020) Πρόληψη της σκέψης άνοιας πέρα από την ηλικία και τα κουτιά αμυλοειδούς. 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) Επιδράσεις της συστολικής αρτηριακής πίεσης στην ακεραιότητα της λευκής ουσίας σε νεαρούς ενήλικες στη μελέτη Καρδιάς Framingham: A cross -τομεακή μελέτη. 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) Ακρίβεια της δοκιμής βιοδεικτών για νευροπαθολογικά καθορισμένη Νόσος Αλτσχάιμερ σε ηλικιωμένους με άνοια. Ann Intern Med 172, 669–677. |
Συνεργασίες: [a] SIVOTEC Analytics, Boca Raton, FL, ΗΠΑ | [b] Τμήμα Υπολογιστών και Ηλεκτρολόγων Μηχανικών και Επιστήμης Υπολογιστών, Florida Atlantic University, Boca Raton, FL, ΗΠΑ | [c] SJN Biomed LTD, Kunming, Yunnan, Κίνα | [δ] Κέντρο για Έρευνα για το Αλτσχάιμερ, Washington Institute of Clinical Research, Washington, DC, ΗΠΑ | [e] Τμήμα Ιατρικής Αποκατάστασης, Το Πρώτο Συνεργαζόμενο Νοσοκομείο του Ιατρικού Πανεπιστημίου Kunming, Kunming, Yunnan, Κίνα | [στ] Νευρολογικό Τμήμα, Λαϊκό Νοσοκομείο Dehong, Dehong, Yunnan, Κίνα | [g] Τμήμα Νευρολογίας, το Πρώτο Συνεργαζόμενο Νοσοκομείο του Ιατρικού Πανεπιστημίου Κουνμίνγκ, Περιφέρεια Γουούα, Κουνμίνγκ, επαρχία Γιουνάν, Κίνα | [η] Κέντρο Μελέτης Ασθενειών και Τραυματισμών που σχετίζονται με τον πόλεμο, VA Palo Alto Φροντίδα Υγείας System, Palo Alto, CA, ΗΠΑ | [i] Department of Psychiatry & Behavioral Sciences, Stanford University School of Medicine, Palo Alto, CA, USA
Αλληλογραφία: [*] Αλληλογραφία με: 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, Τμήμα Νευρολογίας, First Affiliated Hospital of Kunming Medical University, 295 Xichang Road, Wuhua District, Kunming, Yunnan Province 650032, China. E-mail: ring@vip.163.com.
Λέξεις κλειδιά: γήρανση, Της νόσου του Alzheimer, άνοια, μαζικός έλεγχος