Utileco de MemTrax kaj Maŝinlernado-Modelado en Klasifiko de Milda Kognitiva Kripliĝo

Esplora Artikolo

Aŭtoroj: 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

Revuo: Revuo de Alzheimer-malsano, vol. 77, ne. 4, pp 1545-1558, 2020

abstrakta

fono:

La ĝeneraligita incidenco kaj tropezo de Malsano de Alzheimer kaj milda kogna difekto (MCI) instigis urĝan alvokon por esplorado por validigi fruan detektan kognan ekzamenadon kaj taksadon.

celo:

Nia ĉefa esplora celo estis determini ĉu elektitaj MemTrax-efikecmetrioj kaj rilataj demografioj kaj sanoprofilaj trajtoj povas esti efike utiligitaj en prognozaj modeloj evoluigitaj kun maŝinlernado por klasifiki kognan sanon (normala kontraŭ MCI), kiel estus indikita de la Montreala Kogna Takso (MoCA).

Metodoj:

Ni faris transsekcan studon pri 259 neŭrologio, memorkliniko, kaj interna medicino plenkreskaj pacientoj rekrutitaj el du hospitaloj en Ĉinio. Ĉiu paciento ricevis la ĉinlingvan MoCA kaj mem-administris la daŭran rekonon MemTrax interretan epizodon memortesto interrete en la sama tago. Prognozaj klasifikmodeloj estis konstruitaj uzante maŝinlernadon kun 10-obla krucvalidumado, kaj modelefikeco estis mezurita per Areo Sub la Ricevilo-Operacia Karakteriza Kurbo (AUC). Modeloj estis konstruitaj uzante du MemTrax-efikecmetrikojn (procento ĝusta, respondtempo), kune kun la ok oftaj demografiaj kaj personaj historiaj trajtoj.

rezultoj:

Komparante la lernantojn tra elektitaj kombinaĵoj de MoCA-poentoj kaj sojloj, Naïve Bayes estis ĝenerale la plej altnivela lernanto kun totala klasifika efikeco de 0.9093. Plue, inter la plej bonaj tri lernantoj, MemTrax-bazita klasifiko entute estis supera uzante nur la plej rangigitajn kvar funkciojn (0.9119) kompare kun uzado de ĉiuj 10 komunaj trajtoj (0.8999).

konkludo:

MemTrax-efikeco povas esti efike utiligita en maŝinlernada klasifika prognoza modelo kribra aplikaĵo por detektado de frua faza kogna kripliĝo.

ENKONDUKO

La agnoskita (kvankam subdiagnozita) ĝeneraligita incidenco kaj tropezo kaj paralela pliiĝanta medicina, socia kaj publika sano kostoj kaj ŝarĝo de Alzheimer-malsano (AD) kaj milda kogna difekto (MCI) estas ĉiam pli streĉaj por ĉiuj koncernatoj [1, 2]. Ĉi tiu ĝena kaj burĝa scenaro instigis urĝan alvokon por esplori validigi frua detekto kogna kribrado kaj taksaj instrumentoj por regula praktika utileco en personaj kaj klinikaj agordoj por pli maljunaj pacientoj tra diversaj regionoj kaj loĝantaroj [3]. Tiuj instrumentoj ankaŭ devas zorgi pri senjunta traduko de informaj rezultoj en elektronikajn sanarkivojn. La avantaĝoj realiĝos informante pacientojn kaj helpante kuracistojn rekoni signifajn ŝanĝojn pli frue kaj tiel ebligi pli rapidan kaj ĝustatempan tavoliĝon, efektivigon kaj spuradon de taŭga individuigita kaj pli kostefika traktado kaj pacienca prizorgado por tiuj, kiuj komencas sperti. kognitiva malkresko [3, 4].

La komputilizita MemTrax-ilo (https://memtrax.com) estas simpla kaj mallonga kontinua rekontakso kiu povas esti mem-administrita interrete por mezuri malfacilan tempigitan epizodan memorefikecon kie la uzanto respondas al ripetaj bildoj kaj ne al komenca prezento [5, 6]. Lastatempaj esploroj kaj rezultaj praktikaj implicoj komencas iom post iom kaj kolektive pruvi la klinikan efikecon de MemTrax en frua AD kaj MCI-rastrumo [5-7]. Tamen, rekta komparo de klinika utileco al ekzistanta kogna sano taksado kaj konvenciaj normoj estas garantiitaj por informi profesian perspektivon kaj konfirmi MemTrax-servaĵon en frua detekto kaj diagnoza subteno. van der Hoek et al. [8] komparis elektitajn MemTrax-efikecmetrikojn (reaga rapideco kaj procento ĝusta) al kogna statuso kiel determinite fare de la Montrealo Kogna Takso (MoCA). Tamen, ĉi tiu studo estis limigita al asociado de ĉi tiuj agado-metrikoj kun karakterizado de kogna statuso (kiel determinite de MoCA) kaj difini la relativajn intervalojn kaj detranĉajn valorojn. Sekve, por pligrandigi ĉi tiun esploron kaj plibonigi klasifikan efikecon kaj efikecon, nia ĉefa esplora demando estis:

  • Ĉu la elektitaj agado-metrikoj de MemTrax de individuo kaj koncernaj demografioj kaj sano povas profilo karakterizaĵoj estu efike utiligitaj en prognoza modelo evoluigita kun maŝinlernado por klasifiki kognan sanon dikotomie (normala kontraŭ MCI), kiel estus indikita per onies MoCA-poentaro?

Malĉefa al ĉi tio, ni volis scii:

  • Inkluzive de la samaj trajtoj, ĉu MemTrax-bazita maŝino-lernado-modelo povas esti efike aplikita al paciento por antaŭdiri severecon (milda kontraŭ severa) ene de elektitaj kategorioj de kogna difekto kiel estus determinita de sendependa klinika diagnozo?

La apero kaj evoluanta praktika apliko de artefarita inteligenteco kaj maŝinlernado en kribrado/detekto jam montris apartajn praktikajn avantaĝojn, kun prognoza modeligado efike gvidanta klinikistojn en la defia taksado de kogna/cerba sano kaj pacienca administrado. En nia studo, ni elektis similan aliron en MCI-klasifikmodelado kaj kogna difekto-graveca diskriminacio kiel konfirmite per klinika diagnozo de tri datumaroj reprezentantaj elektitajn volontulajn enpacientojn kaj ambulatoriajn pacientojn de du hospitaloj en Ĉinio. Uzante maŝinlernadon de prognoza modelado, ni identigis la plej bonajn lernantojn el la diversaj kombinaĵoj de datumaroj/lernantoj kaj vicigis la funkciojn por gvidi nin en la difino de la plej klinike praktikaj modelaplikoj.

Niaj hipotezoj estis ke validigita MemTrax-bazita modelo povas esti utiligita por klasifiki kognan sanon dikotomie (normala aŭ MCI) surbaze de la MoCA entuta poentara sojla kriterio, kaj ke simila MemTrax prognoza modelo povas esti efike utiligita en diskriminacio de severeco en elektitaj kategorioj de. klinike diagnozita detekto cognitivo. Demonstri la antaŭviditajn rezultojn estus instrumenta por subteni la efikecon de MemTrax kiel frua detekta ekrano por kogna malkresko kaj klasifiko de kogna difekto. Favora komparo al industrio laŭdira normo kompletigita per multe pli granda facileco kaj rapideco de utileco estus influa por helpi klinikistojn adopti ĉi tiun simplan, fidindan kaj alireblan ilon kiel komencan ekranon en detektado de fruaj (inkluzive de prodromaj) etapaj kognaj deficitoj. Tia aliro kaj utileco povus tiel instigi pli ĝustatempan kaj pli bone tavoligitan pacientan prizorgon kaj intervenon. Ĉi tiuj antaŭpensaj komprenoj kaj plibonigitaj metrikoj kaj modeloj ankaŭ povus esti helpemaj por mildigi aŭ ĉesigi progresadon de demenco, inkluzive de AD kaj AD-rilataj demencoj (ADRD).

MATERIALOJ KAJ METODOJ

Studi populacion

Inter januaro 2018 kaj aŭgusto 2019, transsekca esplorado estis kompletigita pri pacientoj rekrutitaj el du hospitaloj en Ĉinio. La administrado de MemTrax [5] al individuoj en aĝo de 21 jaroj kaj pli kaj la kolekto kaj analizo de tiuj datenoj estis reviziitaj kaj aprobitaj per kaj administritaj laŭ la etikaj normoj de la homa Subjekta Protekta Komitato de Universitato Stanford. MemTrax kaj ĉiuj aliaj provoj por ĉi tiu ĝenerala studo estis faritaj laŭ la Helsinka deklaracio de 1975 kaj aprobitaj de la Institucia Revizia Estraro de la Unua Filiigita Hospitalo de Kunming Medicina Universitato en Kunming, Yunnan, Ĉinio. Ĉiu uzanto ricevis an informita konsento formularon por legi/revizii kaj poste libervole konsenti partopreni.

Partoprenantoj estis rekrutitaj el la aro de ambulatoripacientoj en la neŭrologia kliniko ĉe la Yanhua Hospitalo (YH-sub-datumaro) kaj la memorkliniko ĉe la Unua Filia Hospitalo de Kunming Medical Universitato (XL-sub-datumaro) en Pekino, Ĉinio. Partoprenantoj ankaŭ estis rekrutitaj de neŭrologio (XL-sub-datumaro) kaj interna medicino (KM-sub-datumaro) malsanuloj ĉe la Unua Filiigita Hospitalo de Kunming Medicina Universitato. Inkludkriterioj inkludis 1) virojn kaj virinojn almenaŭ 21 jarojn aĝajn, 2) kapablon paroli la ĉinan (mandarenan), kaj 3) kapablon kompreni vortajn kaj skribajn indikojn. Ekskludkriterioj estis vizio kaj movaj kripliĝoj malhelpantaj partoprenantojn kompletigi la MemTrax-testo, same la malkapablo kompreni la specifajn testajn instrukciojn.

Ĉina versio de MemTrax

La interreto MemTrax-testplatformo estis tradukita en la ĉinan (URL: https://www.memtrax.com.cn) kaj plue adaptita por esti utiligita per WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Ĉinio) por memadministrado. Datumoj estis stokitaj sur nuba servilo (Ali Cloud) situanta en Ĉinio kaj licencita de Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, Ĉinio) fare de SJN Biomed LTD (Kunming, Yunnan, Ĉinio). Specifaj detaloj pri MemTrax kaj testaj valideckriterioj uzataj ĉi tie estis priskribitaj antaŭe [6]. La testo estis disponigita senpage al la pacientoj.

Studaj proceduroj

Por la litpacientoj kaj ambulatoripacientoj, ĝenerala papera demandaro por kolekti demografiajn kaj personajn informojn kiel aĝo, sekso, jaroj de edukado, okupo, vivanta sole aŭ kun familio, kaj medicina historio estis administrita de membro de la studteamo. Post kompletigo de la demandaro, la MoCA [12] kaj MemTrax-testoj estis administritaj (MoCA unue) kun ne pli ol 20 minutoj inter testoj. MemTrax procento ĝusta (MTx-% C), averaĝa responda tempo (MTx-RT), kaj dato kaj horo de la testado estis registritaj sur papero de membro de la studteamo por ĉiu partoprenanto testita. La kompletigita demandaro kaj la rezultoj de la MoCA estis alŝutitaj en Excel-kalkultabelon de la esploristo, kiu administris la testojn kaj kontrolitaj de kolego antaŭ ol la Excel-dosieroj estis konservitaj por analizoj.

MemTrax-testo

La interreta testo MemTrax inkludis 50 bildojn (25 unikaj kaj 25 ripetoj; 5 aroj de 5 bildoj de oftaj scenoj aŭ objektoj) montritaj en specifa pseŭd-hazarda ordo. La partoprenanto (laŭ instrukcioj) tuŝus la Startbutonon sur la ekrano por komenci la teston kaj komenci vidi la bildserion kaj denove tuŝus la bildon sur la ekrano kiel eble plej rapide kiam ajn ripeta bildo aperis. Ĉiu bildo aperis dum 3 s aŭ ĝis la bildo sur la ekrano estis tuŝita, kio instigis tujan prezenton de la sekva bildo. Uzante la internan horloĝon de la loka aparato, MTx-RT por ĉiu bildo estis determinita de la pasinta tempo de prezento de la bildo ĝis kiam la ekrano estis tuŝita de la partoprenanto en respondo al indikado de rekono de la bildo kiel unu kiu jam estis montrita. dum la provo. MTx-RT estis registrita por ĉiu bildo, kun plenaj 3 s registritaj indikante neniun respondon. MTx-% C estis kalkulita por indiki la procenton de ripetaj kaj komencaj bildoj al kiuj la uzanto respondis ĝuste (vera pozitiva + vera negativo dividita per 50). Pliaj detaloj pri la administrado kaj efektivigo de MemTrax, datumredukto, nevalidaj aŭ "senrespondaj" datumoj kaj primaraj datumaj analizoj estas priskribitaj aliloke [6].

La MemTrax-testo estis klarigita detale kaj praktika testo (kun unikaj bildoj krom tiuj uzataj en la testo por registri rezultojn) estis disponigita al la partoprenantoj en la hospitala medio. Partoprenantoj en la YH kaj KM-sub-datumoj faris la MemTrax-teston sur inteligenta telefono, kiu estis ŝarĝita per la aplikaĵo sur WeChat; dum limigita nombro da la XL-sub-datumseriopacientoj uzis iPad kaj la resto uzis inteligentan telefonon. Ĉiuj partoprenantoj faris la MemTrax-teston kun esploristo de studo netrude observante.

Montreala Kogna Takso

La Pekina versio de la ĉina MoCA (MoCA-BC) [13] estis administrita kaj gajnita fare de edukitaj esploristoj laŭ la oficialaj testinstrukcioj. Taŭge, la MoCA-BC pruviĝis esti fidinda testo por kogna ekzamenado trans ĉiuj edukaj niveloj en ĉinaj maljunaj plenkreskuloj [14]. Ĉiu testo daŭris ĉirkaŭ 10 ĝis 30 minutojn por administri surbaze de la kognaj kapabloj de la respektiva partoprenanto.

MoCA-klasifikmodelado

Estis entute 29 uzeblaj funkcioj, inkluzive de du MemTrax testaj agado-metrikoj kaj 27 funkcioj rilataj al demografia kaj sano informoj por ĉiu partoprenanto. La entuta testpoentaro de MoCA de ĉiu paciento estis utiligita kiel la kogna ekzameno "komparnormo" por trejni niajn prognozajn modelojn. Sekve, ĉar MoCA estis uzita por krei la klasetikedon, ni ne povis uzi la entuta poentaron (aŭ iun ajn el la MoCA-subaroj) kiel sendependa trajto. Ni faris preparajn eksperimentojn, en kiuj ni modeligis (klasifikante kognan sanon difinitan de MoCA) la originalajn tri sub-datumojn de hospitalo/kliniko(j) individue kaj poste kombinis uzante ĉiujn funkciojn. Tamen, ĉiuj samaj datenelementoj ne estis kolektitaj en ĉiu el la kvar klinikoj reprezentantaj la tri sub-datumserojn; tiel, multaj el niaj trajtoj en la kombinita datumaro (dum uzado de ĉiuj funkcioj) havis altan efikon de mankantaj valoroj. Ni tiam konstruis modelojn kun la kombinita datumaro uzante nur komunajn trajtojn, kiuj rezultigis plibonigitan klasifikan rendimenton. Ĉi tio verŝajne estis klarigita per kombinaĵo de havado de pli da okazoj kun kiuj labori kombinante la tri paciencajn sub-datumaron kaj neniujn funkciojn kun troa tropezo de mankantaj valoroj (nur unu trajto en la kombinita datumaro, laborspeco, havis iujn mankantajn valorojn, influante. nur tri paciencaj kazoj), ĉar nur komunaj trajtoj registritaj ĉe ĉiuj tri lokoj estis inkluditaj. Precipe, ni ne havis specifan malakceptan kriterion por ĉiu funkcio, kiu finfine ne estis inkluzivita en la kombinita datumaro. Tamen, en nia prepara kombinita datumaro-modelado, ni unue uzis ĉiujn funkciojn de ĉiu el la tri apartaj paciencaj sub-datumaro. Tio vaste rezultigis modelefikecon kiu estis mezureble pli malalta ol la komenca prepara modeligado sur ĉiu individua sub-datumaro. Krome, dum la klasifika agado de la modeloj konstruitaj uzante ĉiujn funkciojn estis kuraĝiga, tra ĉiuj lernantoj kaj klasifikkabaloj, efikeco pliboniĝis por duoble pli multaj modeloj kiam oni uzis nur komunajn trajtojn. Fakte, inter tio, kio estis niaj plej bonaj lernantoj, ĉiuj krom unu modelo pliboniĝis pro forigo de ne-komunaj trajtoj.

La fina entuta datumaro (YH, XL, kaj KM kombinitaj) inkludis 259 kazojn, ĉiu reprezentante unikan partoprenanton kiu prenis kaj la MemTrax kaj la MoCA-testojn. Estis 10 komunaj sendependaj ecoj: MemTrax-efikecmetriko: MTx-% C kaj averaĝa MTx-RT; demografiaj kaj medicina historio informoj: aĝo, sekso, jaroj de edukado, tipo de laboro (blua kolumo/blanka kolumo), socia subteno (ĉu la ekzamenanto vivas sola aŭ kun familio), kaj jes/ne respondoj ĉu la uzanto havis historio de diabeto, hiperlipidemio aŭ traŭmata cerbolezo. Du kromaj metrikoj, MoCA entuta poentaro kaj MoCA entuta poentaro alĝustigita por jaroj da edukado [12], estis uzataj aparte por evoluigi dependajn klasifikajn etikedojn, tiel kreante du apartajn modeladskemojn por esti aplikitaj al nia kombinita datumaro. Por ĉiu versio (ĝustigita kaj neĝustigita) de la MoCA-poentaro, la datumoj denove estis aparte modeligitaj por binara klasifiko uzante du malsamajn kriteriajn sojlojn - la komence rekomenditan [12] kaj alternan valoron uzatan kaj antaŭenigitan de aliaj [8, 15]. En la alterna sojla klasifikskemo, paciento estis konsiderita havi normalan kognan sanon se li/li gajnis ≥23 en la MoCA-testo kaj havanta MCI se la poentaro estis 22 aŭ pli malalta; dum, en la komenca rekomendita klasifikformato, la paciento devis gajni 26 aŭ pli bone sur la MoCA por esti etikedita kiel havanta normalan kognan sanon.

Filtritaj datenoj por MoCA-klasifikmodelado

Ni plue ekzamenis MoCA-klasifikon uzante kvar ofte uzatajn karakterizajn rangoteknikojn: Chi-Kvadrato, Gajno-Ratio, Informo-Gajno kaj Simetria Necerteco. Por provizora perspektivo, ni aplikis la rangulojn al la tuta kombinita datumaro uzante ĉiun el niaj kvar modelaj skemoj. Ĉiuj rangistoj konsentis pri la samaj ĉefaj trajtoj, te, aĝo, nombro da jaroj da edukado, kaj ambaŭ MemTrax-efikecmetrioj (MTx-% C, signifas MTx-RT). Ni tiam rekonstruis la modelojn uzante ĉiun karakterizan elektan teknikon por trejni la modelojn nur pri la plej bonaj kvar funkcioj (vidu Ebla elekto sube).

La rezultaj finaj ok varioj de la modelaj skemoj de klasifiko de MoCA estas prezentitaj en Tabelo 1.

Tabelo 1

Resumo de modeligaj skemvarioj uzitaj por MoCA-klasifiko (Normala Kogna Sano kontraŭ MCI)

Modeliga SkemoNormala Kogna Sano (Negativa Klaso)MCI (Pozitiva Klaso)
Alĝustigita-23 Nefiltrita/Filtrita101 (39.0%)158 (61.0%)
Alĝustigita-26 Nefiltrita/Filtrita49 (18.9%)210 (81.1%)
Neĝustigita-23 Nefiltrita/Filtrita92 (35.5%)167 (64.5%)
Neĝustigita-26 Nefiltrita/Filtrita42 (16.2%)217 (83.8%)

Respektiva nombro kaj procento de totalaj pacientoj en ĉiu klaso estas diferencigitaj per alĝustigo de poentaro por edukado (Alĝustigita aŭ Neĝustigita) kaj klasifika sojlo (23 aŭ 26), kiel aplikite al ambaŭ funkcioj (Nefiltrita kaj Filtrita).

MemTrax-bazita klinika taksadmodeligado

El niaj tri originalaj sub-datumoj (YH, XL, KM), nur la XL-sub-datumserio-pacientoj estis sendepende klinike diagnozitaj por kogna difekto (te, iliaj respektivaj MoCA-poentoj ne estis uzataj por establi klasifikon de normala kontraŭ difektita). Specife, la XL-pacientoj estis diagnozitaj kun ambaŭ Testo pri Alzheimer-malsano (AD) aŭ angia demenco (VaD). Ene de ĉiu el tiuj primaraj diagnozaj kategorioj, ekzistis plia nomo por MCI. Diagnozoj de MCI, demenco, vaskula neŭrokogna malordo kaj neŭrokogna malordo pro AD baziĝis sur specifaj kaj karakterizaj diagnozaj kriterioj skizitaj en la Diagnoza kaj Statistika Manlibro de Mensaj Malordoj: DSM-5 [16]. Konsiderante ĉi tiujn rafinitajn diagnozojn, du klasifikaj modeladkabaloj estis aparte aplikitaj al la XL-sub-datumaro por distingi nivelon de severeco (grado de difekto) por ĉiu primara diagnoza kategorio. Datenoj utiligitaj en ĉiu el ĉi tiuj diagnozaj modeladkabaloj (AD kaj VaD) inkludis demografiajn kaj pacienthistoriajn informojn, same kiel MemTrax-efikecon (MTx-% C, signifas MTx-RT). Ĉiu diagnozo estis etikedita milda se nomumite MCI; alie, ĝi estis konsiderita severa. Ni komence konsideris inkluzivi la MoCA-poentaron en la diagnozaj modeloj (mildaj kontraŭ severaj); sed ni determinis ke tio venkus la celon de nia sekundara prognoza modeliga skemo. Ĉi tie la lernantoj estus trejnitaj uzante aliajn paciencajn trajtojn facile haveblajn al la provizanto kaj agado-metrikon de la pli simpla MemTrax-testo (anstataŭ la MoCA) kontraŭ la referenco "ora normo", la sendependa klinika diagnozo. Ekzistis 69 kazoj en la AD-diagnoza datumaro kaj 76 kazoj de VaD (Tablo 2). En ambaŭ datumaroj, estis 12 sendependaj ecoj. Krom la 10 ecoj inkluzivitaj en la MoCA-poentaro-klasifiko, pacienca historio ankaŭ inkludis informojn pri historio de hipertensio kaj bato.

Tabelo 2

Resumo de modeligaj skemvarioj uzataj por diagnoza severecklasifiko (Milda kontraŭ Severa)

Modeliga SkemoMilda (Negativa Klaso)Severa (Pozitiva Klaso)
MCI-AD kontraŭ AD12 (17.4%)57 (82.6%)
MCI-VaD kontraŭ VaD38 (50.0%)38 (50.0%)

Respektiva nombro kaj procento de totalaj pacientoj en ĉiu klaso estas diferencitaj per primara diagnoza kategorio (AD aŭ VaD).

statistikoj

Komparo de partoprenantaj trajtoj kaj aliaj nombraj trajtoj inter sub-datumoj por ĉiu modela klasifikstrategio (por antaŭdiri MoCA-kognan sanon kaj diagnozan severecon) estis farita per Python programlingvo (versio 2.7.1) [17]. La modelaj agadodiferencoj estis komence determinitaj uzante unu- aŭ du-faktoran (laŭ konvene) ANOVA kun 95% konfida intervalo kaj la Tukey honesta signifa diferenco (HSD) testo por kompari la rendimentajn rimedojn. Ĉi tiu ekzameno de diferencoj inter modelaj prezentoj estis farita uzante kombinaĵon de Python kaj R (versio 3.5.1) [18]. Ni uzis ĉi tiun (kvankam, verŝajne malpli ol optimuman) aliron nur kiel heŭristikan helpon ĉe ĉi tio. frua stadio por komencaj modelefikeckoparoj en antaŭvidado de ebla klinika apliko. Ni tiam uzis la Bayesian sign-rangan teston uzante malantaŭan distribuon por determini la probablecon de modelaj agado-diferencoj [19]. Por ĉi tiuj analizoj, ni uzis la intervalon –0.01, 0.01, signifante ke se du grupoj havis rendimentodiferencon de malpli ol 0.01, ili estis konsideritaj la samaj (ene de la regiono de praktika ekvivalenteco), aŭ alie ili estis malsamaj (unu pli bona ol la alia). Por plenumi la Bajezan komparon de klasigiloj kaj kalkuli ĉi tiujn verŝajnecojn, ni uzis la baycomp-bibliotekon (versio 1.0.2) por Python 3.6.4.

Antaŭdira modelado

Ni konstruis prognozajn modelojn uzante la dek totalajn variojn de niaj modelaj skemoj por antaŭdiri (klasifiki) la rezulton de la MoCA-testo de ĉiu paciento aŭ severeco de la klinika diagnozo. Ĉiuj lernantoj estis aplikitaj kaj la modeloj estis konstruitaj uzante la malfermfontecan programplatformon Weka [20]. Por nia prepara analizo, ni uzis 10 ofte uzatajn lernalgoritmojn: 5-Plej Proksimaj Najbaroj, du versioj de C4.5 decida arbo, Loĝistika Regreso, Plurtavola Perceptron, Naïve Bayes, du versioj de Hazarda Arbaro, Radial Basis Function Network kaj Subtena Vektoro. Maŝino. Ŝlosilaj atributoj kaj kontrastoj de ĉi tiuj algoritmoj estis priskribitaj aliloke [21] (vidu respektivan Apendicon). Ĉi tiuj estis elektitaj ĉar ili reprezentas diversajn malsamajn specojn de lernantoj kaj ĉar ni pruvis sukceson uzante ilin en antaŭaj analizoj pri similaj datumoj. Hiper-parametraj agordoj estis elektitaj el nia antaŭa esplorado indikante ilin esti fortikaj en diversaj malsamaj datumoj [22]. Surbaze de la rezultoj de nia prepara analizo uzante la saman kombinitan datumaron kun komunaj trajtoj kiuj estis uzitaj poste en la plena analizo, ni identigis tri lernantojn, kiuj disponigis konstante fortan agadon tra ĉiuj klasifikoj: Loĝistika Regreso, Naïve Bayes kaj Subtena Vektora Maŝino.

Krucvalidado kaj modela agado-metriko

Por ĉiu prognoza modeligado (inkluzive de la preparaj analizoj), ĉiu modelo estis konstruita uzante 10-oblan krucvalidigon, kaj modelefikeco estis mezurita uzante Areon Sub la Ricevilo-Operacia Karakteriza Kurbo (AUC). Krucvalidado komenciĝis kun hazarde dividado de ĉiu el la 10 modelaj skemaj datumaroj en 10 egalajn segmentojn (faldoj), uzante naŭ el ĉi tiuj respektivaj segmentoj por trejni la modelon kaj la restantan segmenton por testado. Ĉi tiu proceduro estis ripetita 10 fojojn, uzante malsaman segmenton kiel la testaron en ĉiu ripeto. La rezultoj tiam estis kombinitaj por kalkuli la rezulton/efikecon de la fina modelo. Por ĉiu kombinaĵo de lernanto/datumaro, ĉi tiu tuta procezo estis ripetita 10 fojojn kun la datumoj disigitaj malsame ĉiufoje. Tiu lasta paŝo reduktis antaŭjuĝon, certigis reprodukteblecon, kaj helpis en determinado de la totala modelefikeco. En totalo (por MoCA-poentaro kaj diagnozaj severecaj klasifikkabaloj kombinitaj), 6,600 modeloj estis konstruitaj. Tio inkludis 1,800 nefiltritajn modelojn (6 modeligaj kabaloj aplikitaj al la datumaro×3 lernantoj×10 kuroj×10 faldoj = 1,800 modeloj) kaj 4,800 filtritajn modelojn (4 modeligaj kabaloj aplikitaj al la datumaro×3 lernantoj×4 trajto-elektoteknikoj×10 kuroj× 10 faldoj = 4,800 modeloj).

Ebla elekto

Por la filtritaj modeloj, trajtoselektado (uzante la kvar trajtajn rangigmetodojn) estis farita ene de la krucvalidado. Por ĉiu el la 10 faldoj, ĉar malsama 10% de la datumaro estis la testaj datumoj, nur la supraj kvar elektitaj ecoj por ĉiu trejna datumaro (te, la aliaj naŭ faldoj, aŭ la ceteraj 90% de la tuta datumaro) estis uzataj. konstrui la modelojn. Ni ne povis konfirmi, kiuj kvar funkcioj estis uzataj en ĉiu modelo, ĉar tiuj informoj ne estas konservitaj aŭ disponeblaj ene de la modeliga platformo, kiun ni uzis (Weka). Tamen, konsiderante la konsistencon en nia komenca elekto de ĉefaj funkcioj kiam la rangistoj estis aplikitaj al la tuta kombinita datumaro kaj la posta simileco en modelaj prezentoj, ĉi tiuj samaj trajtoj (aĝo, jaroj da edukado, MTx-% C, kaj meza MTx-RT). ) estas verŝajne la plej ĝeneralaj supraj kvar uzitaj samtempaj kun la trajtoselektado ene de la krucvalidadprocezo.

REZULTO

Partoprenantaj nombraj trajtoj (inkluzive de MoCA-poentoj kaj MemTrax-agado-metriko) de la respektivaj datumaroj por ĉiu modela klasifika strategio por antaŭdiri MoCA-indikitan kognan sanon (normala kontraŭ MCI) kaj diagnozan severecon (milda kontraŭ severa) estas montritaj en Tabelo 3.

Tabelo 3

Partoprenantaj trajtoj, MoCA-poentoj kaj MemTrax-agado por ĉiu modela klasifikstrategio

Klasifika StrategioaĝoedukadoMoCA AlĝustigitaMoCA NeĝustigitaMTx-% CMTx-RT
MoCA Kategorio61.9 y (13.1)9.6 y (4.6)19.2 (6.5)18.4 (6.7)74.8% (15.0)1.4 s (0.3)
Graveco de Diagnozo65.6 y (12.1)8.6 y (4.4)16.7 (6.2)15.8 (6.3)68.3% (13.8)1.5 s (0.3)

Valoroj montritaj (meznombro, SD) diferencigitaj per modeligado de klasifikstrategioj estas reprezentaj de la kombinita datumaro uzata por antaŭdiri MoCA-indikitan kognan sanon (MCI kontraŭ normala) kaj la XL-sub-datumaro nur uzata por antaŭdiri diagnozan severecon (milda kontraŭ severa).

Por ĉiu kombinaĵo de MoCA-poentaro (ĝustigita/neĝustigita) kaj sojlo (26/23), estis statistika diferenco (p = 0.000) en ĉiu duopa komparo (normala kogna sano kontraŭ MCI) por aĝo, edukado kaj MemTrax-efikeco (MTx-% C kaj MTx-RT). Ĉiu pacienca sub-datumaro en la respektiva MCI-klaso por ĉiu kombinaĵo estis averaĝe ĉirkaŭ 9 ĝis 15 jarojn pli aĝa, raportis proksimume kvin malpli da jaroj de edukado kaj havis malpli favoran MemTrax-agadon por ambaŭ metrikoj.

Prognozaj modelaj agadorezultoj por la MoCA-poentarklasifikoj uzantaj la plej bonajn tri lernantojn, Logistic Regression, Naïve Bayes kaj Support Vector Machine, estas montritaj en Tabelo 4. Tiuj tri estis elektitaj surbaze de la plej konstante alta absoluta lernanto-rendimento tra ĉiuj diversaj modeloj. aplikite al la datumaroj por ĉiuj modelaj skemoj. Por la nefiltrita datumaro kaj modeligado, ĉiu el la datenvaloroj en Tabelo 4 indikas la modelefikecon bazitan sur la AUC respektiva meznombro derivita de la 100 modeloj (10 kuroj × 10 faldoj) konstruitaj por ĉiu lernanto/modeliga skemkombinaĵo, kun la respektiva plej alta. plenumanta lernanto indikita en grasa skribo. Dum por la filtrita datumaromodelado, la rezultoj raportitaj en Tabelo 4 reflektas la totalajn averaĝajn modelajn prezentojn de 400 modeloj por ĉiu lernanto uzante ĉiun el la karakterizaj rangaj metodoj (4 trajtorangaj metodoj × 10 kuroj × 10 faldoj).

Tabelo 4

Dikotoma MoCA-poentaro-klasifikefikeco (AUC; 0.0-1.0) rezultoj por ĉiu el la tri plej altfarantaj lernantoj por ĉiuj respektivaj modeladkabaloj

Karakterizaĵo Aro UzitaMoCA-PoentaroDetranĉa SojloLoĝista RegresoNaiva BayesSubteno Vektora Maŝino
Nefiltrita (10 funkcioj)Alĝustigita230.88620.89130.8695
260.89710.92210.9161
Neadaptita230.91030.90850.8995
260.88340.91530.8994
Filtrita (4 funkcioj)Alĝustigita230.89290.89540.8948
260.91880.92470.9201
Neadaptita230.91350.91340.9122
260.91590.92360.9177

Utiligante variojn de trajto-aro, MoCA-poentaro, kaj MoCA-poentara detranĉa sojlo, la plej alta rendimento por ĉiu modeliga skemo estas montrita en aŭdaca (ne nepre statistike malsama ol ĉiuj aliaj ne en aŭdaca por la respektiva modelo).

Komparante la lernantojn tra ĉiuj kombinaĵoj de MoCA-poentaraj versioj kaj sojloj (ĝustigitaj/nealĝustigitaj kaj 23/26, respektive) en la kombinita nefiltrita datumaro (t.e., uzante la 10 komunajn trajtojn), Naïve Bayes estis ĝenerale la plej rendimenta lernanto kun entute. klasifika agado de 0.9093. Konsiderante la tri plej bonajn lernantojn, la Bajez-korelaciaj sign-rangaj testoj indikis ke la probablo (Pr) de Naïve Bayes superanta Logistic Regression estis 99.9%. Plie, inter Naïve Bayes kaj Support Vector Machine, 21.0% probableco de praktika ekvivalenteco en lernanto-efikeco (tiel, 79.0% probablo de Naïve Bayes superforta Support Vector Machine), kunligita kun la 0.0% probableco de Support Vector Machine rezultanta pli bone, mezureble. plifortikigas la spektaklovantaĝon por Naïve Bayes. Plia komparo de MoCA-poentara versio tra ĉiuj lernantoj/sojloj sugestis malpezan rendimentan avantaĝon uzante neĝustigitajn MoCA-poentarojn kontraŭ alĝustigitaj (0.9027 kontraŭ 0.8971, respektive); Pr (neĝustigita > alĝustigita) = 0.988). Simile, komparo de detranĉa sojlo tra ĉiuj lernantoj kaj MoCA-poentaraj versioj indikis malgrandan klasifik-avantaĝon uzante 26 kiel la klasifikan sojlon kontraŭ 23 (0.9056 kontraŭ 0.8942, respektive); Pr (26 > 23) = 0.999). Finfine, ekzamenante la klasifikan agadon por la modeloj utiligantaj nur la filtritajn rezultojn (t.e., plej rangigitajn kvar funkciojn nur), Naïve Bayes (0.9143) estis nombre la plej aperanta lernanto trans ĉiuj MoCA-poentaro versioj/sojloj. Tamen, tra ĉiuj karakterizaj rangoteknikoj kombinitaj, ĉiuj plej farantaj lernantoj rezultis simile. Bajezaj subskribitaj testoj montris 100% probablon de praktika ekvivalenteco inter ĉiu paro de filtritaj lernantoj. Kiel ĉe la nefiltritaj datumoj (uzante ĉiujn 10 komunajn trajtojn), denove estis rendimenta avantaĝo por la nealĝustigita versio de la MoCA-poentaro (Pr (neĝustigita > ĝustigita) = 1.000), same kiel simile klaran avantaĝon por la klasifika sojlo de 26 (Pr (26 > 23) = 1.000). Precipe, la averaĝa agado de ĉiu el la plej bonaj tri lernantoj tra ĉiuj MoCA-poentaraj versioj/sojloj uzantaj nur la plej rangigitajn kvar funkciojn superis la averaĝan agadon de iu lernanto sur la nefiltritaj datumoj. Ne surprize, klasifika efikeco de la filtritaj modeloj (uzantaj la plej rangigitajn kvar ecojn) entute estis pli bona (0.9119) al la nefiltritaj modeloj (0.8999), sendepende de la trajtaj rangigmetodaj modeloj kiuj estis komparitaj al tiuj respektivaj modeloj uzantaj ĉiujn 10 komunajn. Trajtoj. Por ĉiu trajto-elekta metodo, ekzistis 100% probablo de rendimentavantaĝo super la nefiltritaj modeloj.

Kun la pacientoj konsiderataj por AD-diagnoza severecklasifiko, intergrupaj (MCI-AD kontraŭ AD) diferencoj por aĝo (p = 0.004), edukado (p = 0.028), MoCA-poentaro alĝustigita/neĝustigita (p = 0.000), kaj MTx-% C (p = 0.008) estis statistike signifaj; dum por MTx-RT ĝi ne estis (p = 0.097). Kun tiuj pacientoj pripensitaj por VaD-diagnoza severecklasifiko, intergrupaj (MCI-VaD kontraŭ VaD) diferencoj por MoCA-poentaro alĝustigitaj/neĝustigitaj (p = 0.007) kaj MTx-% C (p = 0.026) kaj MTx-RT (p = 0.001) estis statistike signifaj; dum por aĝo (p = 0.511) kaj edukado (p = 0.157) ne estis signifaj intergrupaj diferencoj.

Prognozaj modelaj agadorezultoj por la diagnozaj severecklasifikoj uzantaj la tri antaŭe elektitajn lernantojn, Logistic Regression, Naïve Bayes kaj Support Vector Machine, estas montritaj en Tabelo 5. Dum pliaj ekzamenitaj lernantoj montris iomete pli fortajn prezentojn individue kun unu el la du klinikaj diagnozaj kategorioj. , la tri lernantoj kiujn ni identigis kiel la plej favoraj en nia antaŭa modeligado ofertis la plej konsekvencan agadon kun ambaŭ novaj modeladskemoj. Komparante la lernantojn tra ĉiu el la primaraj diagnozaj kategorioj (AD kaj VaD), ekzistis neniu konsekvenca klasifika rendimentodiferenco inter lernantoj por MCI-VaD kontraŭ VaD, kvankam Support Vector Machine ĝenerale rezultis pli elstare. Simile, ekzistis neniuj signifaj diferencoj inter lernantoj por la MCI-AD kontraŭ AD-klasifiko, kvankam Naïve Bayes (NB) havis iometan rendimentan avantaĝon super Logistic Regression (LR) kaj nur nekonsiderinda pluropo super Support Vector Machine, kun verŝajnecoj de 61.4% kaj 41.7% respektive. Tra ambaŭ datumaroj, estis ĝenerala rendimenta avantaĝo por Support Vector Machine (SVM), kun Pr (SVM > LR) = 0.819 kaj Pr (SVM > NB) = 0.934. Nia ĝenerala klasifika agado tra ĉiuj lernantoj en antaŭdiro de severeco de diagnozo en la XL-sub-datumaro estis pli bona en la VaD-diagnoza kategorio kontraŭ AD (Pr (VAD > AD) = 0.998).

Tabelo 5

Dikotoma klinika diagnozo severeca klasifika efikeco (AUC; 0.0-1.0) rezultoj por ĉiu el la tri plej elfarantaj lernantoj por ambaŭ respektivaj modeladkabaloj

Modeliga SkemoLoĝista RegresoNaiva BayesSubteno Vektora Maŝino
MCI-AD kontraŭ AD0.74650.78100.7443
MCI-VaD kontraŭ VaD0.80330.80440.8338

La plej alta rendimento por ĉiu modeliga skemo estas montrita en aŭdaca (ne nepre statistike malsama ol aliaj ne en aŭdaca).

DISCUSO

Frua detekto de ŝanĝoj en kogna sano gravas praktika utileco en persona sanadministrado kaj publika sano egale. Efektive, ĝi ankaŭ estas tre alta prioritato en klinikaj agordoj por pacientoj tutmonde. La komuna celo estas atentigi pacientojn, flegistojn kaj provizantojn kaj instigi pli frue taŭgan kaj kostefikan traktadon kaj longitudan prizorgon por tiuj, kiuj komencas sperti kognan malkreskon. Kunfandante niajn tri datumajn subarojn de hospitalo/kliniko(j), ni identigis tri klare preferindajn lernantojn (kun unu rimarkinda elstara - Naïve Bayes) por konstrui prognozajn modelojn utiligante MemTrax-agado-metrikoj, kiuj povus fidinde klasifiki kognan sanstaton dikotomie (normala kogna sano aŭ MCI) kiel estus indikita per MoCA entuta poentaro. Precipe, entuta klasifika rendimento por ĉiuj tri lernantoj pliboniĝis kiam niaj modeloj utiligis nur la plej rangigitajn kvar funkciojn, kiuj ĉefe ampleksis ĉi tiujn MemTrax-efikecajn metrikojn. Plie, ni malkaŝis la pruvitan potencialon por utiligi la samajn lernantojn kaj MemTrax-efikecajn metrikojn en diagnoza subtena klasifika modeliga skemo por distingi severecon de du kategorioj de demenca diagnozo: AD kaj VaD.

Memortestado estas centra por frua detekto de AD [23, 24]. Tiel, estas oportune, ke MemTrax estas akceptebla, alloga kaj facile efektivigebla interreta ekzamena testo por epizoda memoro en la ĝenerala loĝantaro [6]. Rekoprecizeco kaj respondaj tempoj de ĉi tiu kontinua agado estas precipe malkaŝaj en identigado de frua kaj evoluanta difekto kaj sekvaj deficitoj en la neŭroplastaj procezoj rilatigitaj al lernado, memoro kaj ekkono. Tio estas, la modeloj ĉi tie, kiuj baziĝas plejparte sur MemTrax-agado-metrikoj, estas sentemaj al kaj pli verŝajne facile kaj kun minimuma kosto malkaŝas biologiajn neuropatologiajn deficitojn dum la transira sensimptoma stadio bone antaŭ pli granda funkcia perdo [25]. Ashford et al. atente ekzamenis la ŝablonojn kaj kondutojn de rekona memoroprecizeco kaj responda tempo en interretaj uzantoj, kiuj partoprenis memstare kun MemTrax [6]. Respektante, ke ĉi tiuj distribuoj estas kritikaj en optimuma modeligado kaj evoluigado de validaj kaj efikaj paciencaj prizorgaj aplikoj, difini klinike aplikeblajn rekonajn kaj respondtempajn profilojn estas esenca por establi valoran fundamentan referencon por klinika kaj esplora utileco. La praktika valoro de MemTrax en AD-rastrumo por frua etapo kogna difekto kaj diferenciga diagnoza subteno devas tiam esti pli proksime ekzamenita en la kunteksto de klinika medio kie komorbidecoj kaj kognaj, sensaj, kaj movaj kapabloj influantaj testan efikecon povas esti konsideritaj. Kaj por informi profesian perspektivon kaj kuraĝigi praktikan klinikan utilon, unue estas necese montri komparon al establita kogna santakso-testo, kvankam ĉi-lasta povas esti rekoneble limigita per maloportuna testado de loĝistiko, edukado kaj lingvaj malkuraĝigoj kaj kulturaj influoj [26] . Ĉi-rilate, la favora komparo de MemTrax en klinika efikeco al MoCA, kiu estas kutime supozata kiel industria normo, estas signifa, precipe kiam oni pesas la pli grandan facilecon de utileco kaj pacienca akcepto de MemTrax.

Antaŭa esplorado komparanta MemTrax al MoCA elstarigas la raciojn kaj antaŭajn pruvojn garantiantajn nian modeligan esploron [8]. Tamen, ĉi tiu antaŭa komparo simple asociis la du ŝlosilajn rendimentajn metrikojn de MemTrax, kiujn ni ekzamenis kun kogna statuso kiel determinite de MoCA kaj difinis respektivajn intervalojn kaj detranĉajn valorojn. Ni profundigis la klinikan utilan taksadon de MemTrax esplorante prognozan modeligan aliron, kiu donus pli individuigitan konsideron de aliaj eble gravaj pacientaj specifaj parametroj. Kontraste al aliaj, ni ne trovis avantaĝon en modela agado uzante edukan korekton (ĝustigo) al la MoCA-poentaro aŭ en varii la kognan sanon diskriminacian MoCA-entuta poentaron sojlon de la origine rekomendita 26 ĝis 23 [12, 15]. Fakte, la klasifika rendimenta avantaĝo preferis uzi la neĝustigitan MoCA-poentaron kaj la pli altan sojlon.

Ĉefaj punktoj en klinika praktiko

Maŝinlernado ofte estas plej bone utiligita kaj plej efika en prognoza modeligado kiam la datenoj estas ampleksaj kaj plurdimensiaj, tio estas, kiam ekzistas multaj observaĵoj kaj akompana larĝa aro de altvaloraj (kontribuaj) atributoj. Tamen, kun ĉi tiuj nunaj datumoj, la filtritaj modeloj kun nur kvar elektitaj funkcioj rezultis pli bone ol tiuj utiligantaj ĉiujn 10 komunajn trajtojn. Ĉi tio sugestas, ke nia entuta hospitala datumaro ne havis la plej klinike taŭgajn (altajn) trajtojn por optimume klasifiki la pacientojn tiamaniere. Tamen, la ĉefrangiga emfazo de la ŝlosilaj MemTrax-agado-metrikoj - MTx-% C kaj MTx-RT - forte subtenas konstrui fruajn etapajn kognajn deficitajn ekzamenajn modelojn ĉirkaŭ ĉi tiu testo, kiu estas simpla, facile administrebla, malmultekosta kaj trafe malkaŝa pri ĉi tiu provo. memorefikeco, almenaŭ nun kiel komenca ekrano por binara klasifiko de kogna sanstato. Konsiderante la ĉiam kreskantan streĉon sur provizantoj kaj sansistemoj, paciencaj ekzamenaj procezoj kaj klinikaj aplikoj devus esti taŭge evoluigitaj kun emfazo pri kolektado, spurado kaj modeligado de tiuj pacientaj trajtoj kaj testaj metrikoj kiuj estas plej utilaj, avantaĝaj kaj pruvitaj efikaj en diagnozo. kaj pacienca administrado-subteno.

Kun la du ŝlosilaj MemTrax-metrikoj estas centraj al MCI-klasifiko, nia plej elstara lernanto (Naïve Bayes) havis tre altan prognozan agadon en la plej multaj modeloj (AUC super 0.90) kun vera-pozitiva al malvere-pozitiva rilatumo proksimiĝanta aŭ iom superanta 4. : 1. Traduka klinika aplikaĵo uzanta ĉi tiun lernanton tiel kaptus (ĝuste klasifikus) senkompare la plej multajn el tiuj kun kogna deficito, dum minimumigante la koston asociitan kun erare klasifikado de iu kun normala kogna sano kiel havanta kognan deficiton (malvere pozitiva) aŭ mankas tiu klasifiko ĉe tiuj, kiuj ja havas kognan deficiton (malvera negativa). Ĉiu el ĉi tiuj scenaroj de misklasifiko povus trudi nepravigan psiko-socian ŝarĝon al la paciento kaj flegistoj.

Dum en la preparaj kaj plenaj analizoj ni uzis ĉiujn dek lernantojn en ĉiu modela skemo, ni enfokusigis niajn rezultojn sur la tri klasigiloj montrantaj la plej konsekvencan fortan agadon. Ĉi tio ankaŭ estis reliefigi, surbaze de ĉi tiuj datumoj, la lernantojn, kiuj antaŭvide plenumus fidinde sur alta nivelo en praktika klinika apliko por determini kognan statusan klasifikon. Plie, ĉar ĉi tiu studo estis celita kiel enkonduka esploro pri la utileco de maŝina lernado pri kogna kribrado kaj ĉi tiuj ĝustatempaj klinikaj defioj, ni faris la decidon konservi la lernteknikojn simplaj kaj ĝeneraligitaj, kun minimuma parametro-agordado. Ni aprezas, ke ĉi tiu aliro eble limigis la potencialon por pli mallarĝe difinitaj pacientaj specifaj antaŭdiraj kapabloj. Same, dum trejnado de la modeloj uzante nur la ĉefajn funkciojn (filtrita aliro) informas nin plu pri ĉi tiuj datumoj (specifaj al la mankoj en datumoj kolektitaj kaj elstarigante la valoron en optimumigo de altvalora klinika tempo kaj rimedoj), ni rekonas, ke estas tro frue mallarĝigi. la amplekso de la modeloj kaj, tial, ĉiuj (kaj aliaj trajtoj) devus esti pripensitaj kun estonta esplorado ĝis ni havos pli definitivan profilon de prioritataj trajtoj kiuj estus aplikeblaj al la larĝa populacio. Tiel, ni ankaŭ plene rekonas, ke pli inkluzivaj kaj larĝe reprezentaj datumoj kaj optimumigo de ĉi tiuj kaj aliaj modeloj estus necesaj antaŭ ol integri ilin en efikan klinikan aplikon, precipe por akomodi komorbidaĵojn influantajn kognan agadon, kiuj devus esti konsiderataj en plia klinika taksado.

Utileco de MemTrax estis plue konstruata per la modeligado de malsangraveco bazita sur aparta klinika diagnozo. Pli bona totala klasifika efikeco en antaŭdiro de severeco de VaD (kompare kun AD) ne estis surprize donitaj la paciencaj profilaj trajtoj en la modeloj specifaj por angia sano kaj apopleksio, t.e., hipertensio, hiperlipidemio, diabeto, kaj (kompreneble) apopleksio-historio. Kvankam estus pli dezirinde kaj konvene havi la saman klinikan taksadon faritan sur egalitaj pacientoj kun normala kogna sano por trejni la lernantojn kun ĉi tiuj pli inkluzivaj datumoj. Ĉi tio estas speciale garantiita, ĉar MemTrax estas intencita por esti uzita ĉefe por frua faza detekto de kogna deficito kaj posta spurado de individua ŝanĝo. Estas ankaŭ kredinde ke la pli dezirinda distribuado de datenoj en la VaD-datumserio kontribuis delvis al la relative pli bona modeliga efikeco. La VaD-datumserio estis bone ekvilibra inter la du klasoj, dum la AD-datumserio kun multe malpli da MCI-pacientoj ne estis. Precipe en malgrandaj datumaroj, eĉ kelkaj pliaj okazoj povas fari mezureblan diferencon. Ambaŭ perspektivoj estas akcepteblaj argumentoj subestaj la diferencoj en malsangraveca modeliga efikeco. Tamen, proporcie atribui plibonigitan efikecon al datumaraj nombraj trajtoj aŭ la enecaj trajtoj specifaj por la klinika prezento konsiderata estas trofrua. Tamen, ĉi tiu romano pruvis utilecon de MemTrax prognoza klasifikmodelo en la rolo de klinika diagnoza subteno provizas valoran perspektivon kaj asertas serĉadon por plia ekzameno kun pacientoj tra la kontinuumo de MCI.

La efektivigo kaj pruvita utileco de MemTrax kaj ĉi tiuj modeloj en Ĉinio, kie la lingvo kaj kulturo estas draste diferencaj de aliaj regionoj de establita utileco (ekz., Francio, Nederlando, kaj Usono) [7, 8, 27], plue substrekas la potencialon. por ĝeneraligita tutmonda akcepto kaj klinika valoro de MemTrax-bazita platformo. Ĉi tio estas pruvebla ekzemplo por klopodi al harmoniigo de datumoj kaj disvolvi praktikajn internaciajn normojn kaj modeligajn rimedojn por kogna ekzamenado, kiuj estas normigitaj kaj facile adapteblaj por uzo tutmonde.

Venontaj paŝoj en modeligado kaj aplikado de kogna malkresko

Kogna misfunkcio en AD ja okazas sur kontinuumo, ne en diskretaj stadioj aŭ paŝoj [28, 29]. Tamen, ĉe ĉi tiu frua fazo, nia celo estis unue establi nian kapablon konstrui modelon enkorpigantan MemTrax, kiu povas fundamente distingi "normala" de "ne normala". Pli inkluzivaj empiriaj datenoj (ekz., cerba bildigo, genetikaj trajtoj, biosignoj, komorbidecoj kaj funkciaj signoj de komplekso. agadoj postulantaj kognajn kontrolo) [30] trans diversaj tutmondaj regionoj, populacioj, kaj aĝoklasoj por trejni kaj evoluigi pli sofistikajn (inkluzive de trafe pezbalancitaj ensembloj) maŝinlernado-modeloj apogos pli grandan gradon da plifortigita klasifiko, t.e., la kapablon kategoriigi grupojn de pacientoj kun MCI en pli malgrandajn kaj pli definitivajn subarojn laŭ la kogna malkreskokontinuumo. Krome, samtempaj klinikaj diagnozoj por individuoj trans regione diversspecaj paciencaj populacioj estas esencaj efike trejni ĉi tiuj pli inkluzivaj kaj antaŭvideble fortikaj modeloj. Ĉi tio faciligos pli specifan tavoligitan administradon por tiuj kun similaj fonoj, influoj kaj pli mallarĝe difinitaj karakterizaj kognaj profiloj kaj tiel optimumigos klinikan decidan subtenon kaj paciencan prizorgadon.

Multo de la koncerna klinika esplorado ĝis nun alparolis pacientojn kun almenaŭ milda demenco; kaj, en praktiko, tro ofte pacienca interveno estas nur provita en progresintaj stadioj. Tamen, ĉar kogna malkresko komenciĝas multe antaŭ ol klinikaj kriterioj por demenco estas renkontitaj, efike aplikata MemTrax-bazita frua ekrano povus instigi taŭgan edukadon de individuoj pri la malsano kaj ĝiaj progresoj kaj instigi pli fruajn kaj pli ĝustatempajn intervenojn. Tiel, frua detekto povus subteni taŭgajn engaĝiĝojn de ekzercado, dieto, emocia subteno kaj plibonigita socianiĝo ĝis farmakologia interveno kaj plifortigi pacientajn ŝanĝojn en konduto kaj percepto, kiuj unuope aŭ entute povus mildigi aŭ eble ĉesigi la progresadon de demenco [31, 32] . Krome, kun efika frua rastrumo, individuoj kaj iliaj familioj povas esti instigitaj pripensi klinikajn provojn aŭ ricevi konsiladon kaj aliajn sociajn servojn subtenon por helpi klarigi atendojn kaj intencojn kaj administri ĉiutagajn taskojn. Plia validumado kaj ĝeneraligita praktika utileco laŭ tiuj manieroj povus esti instrumentaj por mildigi aŭ ĉesigi la progresadon de MCI, AD, kaj ADRD por multaj individuoj.

Efektive, la malalta fino de la pacienca aĝo en nia studo ne reprezentas la loĝantaron de tradicia zorgo pri AD. Tamen, la averaĝa aĝo por ĉiu grupo utiligita en la klasifikmodelkabaloj bazitaj sur la MoCA-poentaro/sojlo kaj diagnoza severeco (Tabelo 3) substrekas klaran plimulton (pli ol 80%) aĝanta almenaŭ 50 jarojn. Tiu distribuo estas tiel tre taŭga por ĝeneraligo, apogante la utilecon de tiuj modeloj en la populacio karakterizanta tiujn tipe trafitajn per frua komenco kaj burĝona neŭrokogna malsano pro AD kaj VaD. Ankaŭ, lastatempa indico kaj perspektivo emfazas tiujn agnoskitajn faktorojn (ekz., hipertensio, obezeco, diabeto kaj fumado) eble kontribuantaj al pli frue. plenkreskaj kaj mezvivaj angia riskopoentaroj kaj sekva subtila angia cerbolezo kiu evoluas insidioze kun evidentaj efikoj eĉ ĉe junaj plenkreskuloj [33–35]. Sekve, la plej optimuma komenca kribra ŝanco por detekti frue enscenigi kognajn deficitojn kaj iniciati efikajn preventajn kaj intervenajn strategiojn en sukcese trakti demencon aperos el ekzamenado de kontribuantaj faktoroj kaj antaŭaj indikiloj tra la aĝa spektro, inkluzive de frua plenaĝeco kaj eble eĉ infanaĝo (rimarkante la gravecon de genetikaj faktoroj kiel ekzemple apolipoproteino E de frua gravedeco).

En praktiko, validaj klinikaj diagnozoj kaj multekostaj proceduroj por progresinta bildigo, genetika profilado kaj mezurado de esperigaj biosignoj ne ĉiam estas facile haveblaj aŭ eĉ fareblaj por multaj provizantoj. Tiel, en multaj kazoj, komenca totala kogna sanstatoklasifiko eble devos esti derivita de modeloj uzantaj aliajn simplajn metrikojn disponigitajn fare de la paciento (ekz., mem-raportita problemoj pri memoro, nunaj medikamentoj, kaj rutinaj agadlimoj) kaj oftaj demografiaj trajtoj [7]. Registroj kiel la Universitato de Kalifornio Cerbo Sano Registro (https://www.brainhealthregistry.org/) [27] kaj aliaj kun eneca pli granda amplekso de mem-raportitaj simptomoj, kvalitaj mezuroj (ekz., dormo kaj ĉiutaga pensado), medikamentoj, sanstato, kaj historio, kaj pli detala demografio estos instrumenta por disvolvi kaj validigi la praktikan aplikon de ĉi tiuj pli primitivaj modeloj en la kliniko. Plue, testo kiel ekzemple MemTrax, kiu montris utilecon en taksado de memorfunkcio, povas fakte disponigi sufiĉe pli bonan takson de AD-patologio ol biologiaj signoj. Konsiderante ke la kerntrajto de AD-patologio estas interrompo de neŭroplastikeco kaj superforte kompleksa perdo de sinapsoj, kiu manifestiĝas kiel epizoda. memormisfunkcio, mezuro kiu taksas epizodan memoron povas fakte provizas pli bonan takson de AD-patologia ŝarĝo ol biologiaj signoj en la vivanta paciento [36].

Kun ĉiuj prognozaj modeloj - ĉu kompletigite per kompleksaj kaj inkluzivaj datumoj de pintnivela teknologio kaj rafinitaj klinikaj komprenoj trans multoblaj domajnoj aŭ tiuj limigitaj al pli bazaj kaj facile haveblaj informoj karakterizaj de ekzistantaj paciencaj profiloj - la agnoskita avantaĝo de artefarita inteligenteco. kaj maŝinlernado estas ke la rezultaj modeloj povas sintezi kaj indukte "lerni" de signifaj novaj datenoj kaj perspektivo disponigitaj per daŭranta aplikiĝutiligo. Sekvante praktikan teknologian translokigon, ĉar la modeloj ĉi tie (kaj evoluotaj) estas aplikataj kaj riĉigitaj per pli da kazoj kaj trafaj datumoj (inkluzive de pacientoj kun komorbidaĵoj kiuj povus prezentiĝi kun sekva kogna malkresko), prognoza efikeco kaj kogna sano-klasifiko estos pli fortika, rezultigante pli efikan klinikan decidsubtenan utilecon. Ĉi tiu evoluo estos pli plene kaj praktike realigita kun enkonstruado de MemTrax en kutimajn (celitajn al la disponeblaj kapabloj) platformoj, kiujn sanprovizantoj povus uzi en reala tempo en la kliniko.

Nepra al la validumado kaj utileco de la MemTrax-modelo por diagnoza subteno kaj pacienca prizorgado estas tre serĉataj signifaj longitudaj datumoj. Observante kaj registrante la samtempajn ŝanĝojn (se entute) en klinika statuso tra adekvata gamo de normalo tra frua stadio MCI, la modeloj por taŭga daŭra taksado kaj klasifiko povas esti trejnitaj kaj modifitaj kiam pacientoj maljuniĝas kaj estas traktitaj. Tio estas, ripeta utileco povas helpi kun longituda spurado de mildaj kognaj ŝanĝoj, intervenefikeco kaj konservado de informita tavoligita prizorgo. Ĉi tiu aliro akordiĝas pli proksime kun klinika praktiko kaj pacienca kaj kazadministrado.

Limigoj

Ni aprezas la defion kaj valoron kolekti purajn klinikajn datumojn en kontrolita kliniko/hospitala medio. Tamen, ĝi plifortigus nian modeladon se niaj datenoj inkluzivus pli da pacientoj kun komunaj trajtoj. Krome, specifa por nia diagnoza modelado, estus pli dezirinde kaj konvene havi la saman klinikan taksadon faritan sur egalitaj pacientoj kun normala kogna sano por trejni la lernantojn. Kaj kiel substrekita de la pli alta klasifika rendimento uzante la filtritan datumaron (nur la plej rangigitajn kvar funkciojn), pli ĝenerala kaj kognaj saniniciatoj/indikiloj verŝajne pliboniĝus modeligante efikecon kun pli granda nombro da komunaj trajtoj tra ĉiuj pacientoj.

Iuj partoprenantoj eble samtempe spertis aliajn malsanojn, kiuj povus kaŭzi provizorajn aŭ kronikajn kognajn mankojn. Krom la XL-sub-datumaro, kie la pacientoj estis diagnoze klasifikitaj kiel havantaj aŭ AD aŭ VaD, komorbidecdatenoj ne estis kolektitaj/raportitaj en la YH-pacienta naĝejo, kaj la superrega raportita komorbideco longe en la KM-sub-datumaro estis diabeto. Estas argumenteble, tamen, ke inkluzivi pacientojn en niaj modelaj kabaloj kun komorbidaĵoj kiuj povus instigi aŭ pliseverigi nivelon de kogna manko kaj konsekvenca pli malalta MemTrax-efikeco estus pli reprezenta de la real-monda celita pacienca populacio por tiu pli ĝeneraligita frua kogna kribrado. kaj modeliga aliro. Antaŭen, preciza diagnozo de komorbidaĵoj eble influantaj kognan efikecon estas larĝe utila por optimumigi la modelojn kaj rezultajn paciencajn prizorgajn aplikojn.

Finfine, la pacientoj de sub-datumaro de YH kaj KM uzis inteligentan telefonon por fari la MemTrax-teston, dum limigita nombro da la pacientoj de sub-datumaro de XL uzis iPad kaj la resto uzis inteligentan telefonon. Tio povus esti enkondukinta negravan aparat-rilatan diferencon en MemTrax-efikeco por la MoCA-klasifikmodelado. Tamen, diferencoj (se entute) en MTx-RT, ekzemple, inter aparatoj verŝajne estus nekonsiderindaj, precipe kun ĉiu partoprenanto ricevanta "praktikan" teston ĵus antaŭ la registrita testa efikeco. Tamen, utileco de ĉi tiuj du porteblaj aparatoj eble kompromitas rektan komparon al kaj/aŭ integriĝon kun aliaj MemTrax-rezultoj kie uzantoj reagis por ripeti bildojn tuŝante la spacbreton sur komputila klavaro.

Ŝlosilpunktoj pri MemTrax prognoza modeliga utileco

  • • Niaj plej altfaraj antaŭdiraj modeloj ampleksantaj elektitajn MemTrax-efikecajn metrikojn povus fidinde klasifiki kognan sanan staton (normala kogna sano aŭ MCI) kiel indikus la vaste agnoskita MoCA-testo.
  • • Ĉi tiuj rezultoj subtenas integriĝon de elektitaj MemTrax-efikecmetrioj en klasifikan prognozan modelan ekzamenantan aplikaĵon por frua etapo kogna difekto.
  • • Nia klasifika modelado ankaŭ malkaŝis la eblon uzi MemTrax-agadon en aplikoj por distingi severecon de diagnozo de demenco.

Ĉi tiuj novaj trovoj establas definitivan indicon subtenanta la utilecon de maŝinlernado en konstruado de plifortigitaj fortikaj klasifikmodeloj bazitaj en MemTrax por diagnoza subteno en efika klinika administrado de kazoj kaj pacienca prizorgado por individuoj spertas kognan kripliĝon.

Dankojn

Ni rekonas la laboron de J. Wesson Ashford, Curtis B. Ashford, kaj kolegoj por disvolvi kaj validigi la interretan daŭran rekonan taskon kaj ilon (MemTrax) uzatajn ĉi tie kaj ni dankas la multajn pacientojn kun demenco, kiuj kontribuis al la kritika fundamenta esplorado. . Ni ankaŭ dankas Xianbo Zhou kaj liajn kolegojn ĉe SJN Biomed LTD, liajn kolegojn kaj kunlaborantojn ĉe la hospitaloj/klinikoj, precipe Dr. M. Luo kaj M. Zhong, kiuj helpis kun varbado de partoprenantoj, planado de testoj kaj kolektado, registrado kaj front-end administrado de la datumoj, kaj la volontulaj partoprenantoj, kiuj donacis sian valoran tempon kaj faris la engaĝiĝon preni la testojn kaj provizi. la valorajn datumojn por ni taksi en ĉi tiu studo. Ĉi tio studo estis subtenata parte de la MD Scientific Research Programo de Kunming Medicina Universitato (Dono n-ro 2017BS028 al XL) kaj la Esplorprogramo de Junana Scienca kaj Teknologia Departemento (Dono n-ro 2019FE001 (-222) al XL).

J. Wesson Ashford arkivis patentpeton por la uzo de la specifa kontinua rekonparadigmo priskribita en ĉi tiu artikolo por ĝenerala testado de memoro.

MemTrax, LLC estas kompanio posedata de Curtis Ashford, kaj ĉi tiu kompanio administras la testado de memoro sistemo priskribita en ĉi tiu artikolo.

La malkaŝoj de aŭtoroj haveblaj interrete (https://www.j-alz.com/manuscript-disclosures/19-1340r2).

memortesto demenco testo memorperdo testo mallongatempa memorperdo testo virŝafo testo la menso dieto vario de libroj kogna testo interrete
Curtis Ashford - Kogna Esplorkunordiganto

Referencoj

[1] Alzheimer's Association (2016) 2016 Faktoj pri Alzheimer-malsano kaj figuroj. Alzheimers Dement 12, 459-509.
[2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Efiko de frua etapo Malsano de Alzheimer pri hejmaj financaj rezultoj. Sano Ekon 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) Kvalita plibonigo en neŭrologio: Milda kogna difekto kvalita mezurado aro. Neŭrologio 93, 705-713.
[4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) Kostefikeco de uzado kognaj ekzamenaj testoj por detektado de demenco kaj milda kogna kripliĝo en primara prizorgo. Int J Geriatr Psikiatrio 32, 1392–1400.
[5] Ashford JW, Gere E, Bayley PJ (2011) Mezurante memoron en grandaj grupaj agordoj uzante kontinuan rekonteston. J Alzheimers Dis 27, 885–895.
[6] Ashford JW , Tarpin-Bernard F , Ashford CB , Ashford MT (2019) Komputiligita daŭra rekona tasko por mezurado de epizoda memoro. J Alzheimers Dis 69, 385–399.
[7] Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) Epizoda-memora agado en maŝinlernado-modelado por antaŭdiri kognan sanstatusan klasifikon. J Alzheimers Dis 70, 277–286.
[8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) La MemTrax-testo komparite kun la montra kogna taksa takso de milda kogna kripliĝo. J Alzheimers Dis 67, 1045–1054.
[9] Falcone M , Yadav N , Poellabauer C , Flynn P (2013) Uzante izolitajn vokalsonojn por klasifiko de milda traŭmata cerbolezo. En 2013 IEEE Internacia Konferenco pri Akustiko, Parolado kaj Signal Processing, Vankuvero, BC, pp 7577-7581.
[10] Dabek F, Caban JJ (2015) Utiligante grandajn datumojn por modeligi la verŝajnecon de evoluigado de psikologiaj kondiĉoj post cerbokomocio. Procedia Comput Sci 53, 265-273.
[11] Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Decida arbo por frua detekto de kogna difekto de komunumaj apotekistoj. 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: Mallonga ekzamena ilo por milda kogna kripliĝo. J Am Geriatr Soc 53, 695–699.
[13] Yu J, Li J, Huang X (2012) La Pekina versio de la montreala kogna takso kiel mallonga ekzamena ilo por milda kogna kripliĝo: komunum-bazita studo. BMC-Psikiatrio 12, 156.
[14] Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) Valido de la ĉina versio de Montreala kogna taksado baza por ekzamenado de milda kogna kripliĝo. J Am Geriatr Soc 64, e285–e290.
[15] Carson N , Leach L , Murphy KJ (2018) Reekzameno de Montreala Kogna Takso (MoCA) detranĉaj poentoj. Int J Geriatr Psikiatrio 33, 379–388.
[16] American Psychiatric Association (2013) Task Force Diagnostic kaj statistika manlibro de mensaj malordoj: DSM-5™, American Psychiatric Publishing, Inc., Vaŝingtono.
[17] Python. Python Software Foundation, http://www.python.org, Alirita la 15-an de novembro 2019.
[18] R Core Group, R: lingvo kaj medio por statistika komputado R Foundation for Statistical Computing, Vieno, Aŭstrio. https://www.R-project.org/, 2018, Alirita la 15-an de novembro 2019.
[19] Benavoli A , Corani G , Demšar J , Zaffalon M (2017) Tempo por ŝanĝo: lernilo por kompari plurajn klasigilojn per Bajeza analizo. J Mach Learn Res 18, 1–36.
[20] Frank E , Hall MA , Witten IH (2016) The WEKA Workbench. En Datuma Minado: Praktikaj Maŝinaj Lernado Iloj kaj Teknikoj, Frank E, Hall MA, Witten IH, Pal CJ, red. 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) Maŝina lernado en modeligado de mezlerneja sporta cerbokomocia simptomsolvo. Med Sci Sports Exerc 51, 1362-1371.
[22] Van Hulse J , Khoshgoftaar TM , Napolitano A (2007) Eksperimentaj perspektivoj pri lernado de malekvilibraj datenoj. En Aktoj de la 24-a Internacia Konferenco pri Maŝina Lernado, Corvalis, Oregono, Usono, pp 935-942.
[23] Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Alzheimer-pacienta taksado kaj la mini-mensa stato: Item karakteriza kurba analizo.P. J Gerontol 44, 139–146.
[24] Ashford JW , Jarvik L (1985) Alzheimer malsano: Ĉu neŭrona plastikeco predispozicias al aksona neŭrofibrila degenero? 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) Tropezo de biologie vs klinike difinitaj Alzheimer-spektraj entoj uzante la Nacian Instituton pri Maljuniĝo-Alzheimer Asocia Esplorado kadro. JAMA Neurol 76, 1174–1183.
[26] Zhou X , Ashford JW (2019) Progresoj en ekzamenaj instrumentoj por Malsano de 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) La Cerbo Sano Registro: Interreta platformo por rekrutado, taksado kaj longituda monitorado de partoprenantoj por neŭrosciencaj studoj. Alzheimers Dement 14, 1063-1076.
[28] Ashford JW, Schmitt FA (2001) Modeligante la tempokurson de Alzheimer demenco. 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): Protokolo por ĉina longituda observa studo por evoluigi riskajn prognozajn modelojn de konvertiĝo al milda kogna difekto en individuoj kun subjektiva kogna. malkresko. BMJ Malferma 9, e028188.
[30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) Kvinjara biosigno-progresŝanĝebleco por Alzheimer-malsano demenco prognozo: Ĉu kompleksa instrumenta aktiveco de ĉiutaga vivo povas plenigi la mankojn? Alzheimers Dement (Amst) 1, 521-532.
[31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) Antaŭzorgo kaj traktado de Alzheimer-malsano: Biologiaj mekanismoj de ekzerco. J Alzheimers Dis 69, 311–338.
[32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Terapioj por prevento kaj kuracado de Alzheimer-malsano. 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) Asocioj inter angia risko tra plenaĝeco kaj cerba patologio en malfrua vivo: Evidenteco de brita naskiĝkohorto. JAMA Neurol 77, 175-183.
[34] Seshadri S (2020) Antaŭzorgo de demenco-pensado preter la aĝo kaj amiloidaj skatoloj. 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) Efikoj de sistola sangopremo sur blanka-materia integreco en junaj plenkreskuloj en la Framingham Koro-Studo: kruco -sekcia studo. 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) Precizeco de biosigno-testado por neuropatologie difinita Alzheimer-malsano en pli maljunaj plenkreskuloj kun demenco. Ann Intern Med 172, 669–677.

Alligiĝoj: [a] SIVOTEC Analytics, Boca Raton, FL, Usono | [b] Sekcio de Komputilo kaj Elektrotekniko kaj Komputado, Florida Atlantic University, Boca Raton, FL, Usono | [c] SJN Biomed LTD, Kunming, Junano, Ĉinio | [d] Centro por Esplorado pri Alzheimer, Vaŝingtona Instituto pri Klinika Esplorado, Vaŝingtono, Usono | [e] Fako de Rehabilita Medicino, La Unua Filiigita Hospitalo de Kunming Medicina Universitato, Kunming, Yunnan, Ĉinio | [f] Sekcio de Neŭrologio, Popola Hospitalo Dehong, Dehong, Junano, Ĉinio | [g] Sekcio de Neŭrologio, la Unua Filiigita Hospitalo de Kunming Medicina Universitato, Wuhua Distrikto, Kunming, Yunnan Provinco, Ĉinio | [h] War-Related Illness and Injury Study Center, VA Palo Alto Sanzorgo System, Palo Alto, CA, Usono | [i] Sekcio de Psikiatrio & Kondutsciencoj, Universitato Stanforda Lernejo de Medicino, Palo Alto, CA, Usono

Korespondado: [*] Korespondado al: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, Usono. Retpoŝto: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Sekcio de Neŭrologio, Unua Filiigita Hospitalo de Kunming Medicina Universitato, 295 Xichang Road, Wuhua Distrikto, Kunming, Junana Provinco 650032, Ĉinio. Retpoŝto: ring@vip.163.com.

Ŝlosilvortoj: Maljuniĝo, Malsano de Alzheimer, demenco, amasa ekzamenado