MemTraxi ja masinõppe modelleerimise kasulikkus kerge kognitiivse kahjustuse klassifitseerimisel
Teadusartikkel
Autorid: 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
Ajakiri: Journal of Alzheimeri tõbivol. 77, ei. 4, lk 1545-1558, 2020
Abstraktne
Taust:
Laialt levinud esinemissagedus ja levimus Alzheimeri tõbi ja kerge kognitiivne kahjustus (MCI) on kutsunud esile kiireloomulise üleskutse teha uuringuid varajase avastamise kognitiivse sõeluuringu ja hindamise valideerimiseks.
Eesmärk:
Meie peamine uurimiseesmärk oli kindlaks teha, kas valitud MemTraxi jõudlusmõõdikuid ning asjakohaseid demograafilisi ja terviseprofiili omadusi saab tõhusalt kasutada ennustavates mudelites, mis on välja töötatud masinõppega kognitiivse tervise klassifitseerimiseks (normaalne versus MCI), nagu näitab Montreali tunnetuslik hindamine (MoCA).
Meetodid:
Viisime läbi ristlõikeuuringu 259 neuroloogia, mälukliiniku ja sisehaiguste täiskasvanud patsiendiga, kes võeti tööle kahest haiglad Hiinas. Igale patsiendile anti hiinakeelne MoCA ja ta manustati ise pidevat tuvastust MemTrax online episoodiline mälu test võrgus samal päeval. Ennustavad klassifitseerimismudelid ehitati masinõppe abil koos 10-kordse ristvalideerimisega ja mudeli jõudlust mõõdeti vastuvõtja tööomaduste kõvera all oleva ala (AUC) abil. Mudelite loomisel kasutati kahte MemTraxi jõudlusmõõdikut (õige protsent, reageerimisaeg) koos kaheksa ühise demograafilise ja isikliku ajaloo funktsiooniga.
Tulemused:
Võrreldes õppijaid MoCA skooride ja lävendite valitud kombinatsioonide lõikes, oli Naïve Bayes üldiselt kõige edukam õppija, kelle üldine klassifikatsioonitulemus oli 0.9093. Veelgi enam, kolme parima õppija hulgas oli MemTraxi-põhine klassifitseerimise jõudlus üldiselt parem, kui kasutati ainult nelja parimat funktsiooni (0.9119), võrreldes kõigi 10 ühise funktsiooni kasutamisega (0.8999).
Järeldus:
MemTraxi jõudlust saab tõhusalt kasutada masinõppe klassifikatsiooni ennustavas mudelis sõeluuringurakendus varajases staadiumis kognitiivsete häirete tuvastamiseks.
SISSEJUHATUS
Tunnustatud (kuigi aladiagnoositud) laialt levinud esinemissagedus ja levimus ning paralleelselt suurenev meditsiiniline, sotsiaalne ja avalik tervis Alzheimeri tõve (AD) ja kerge kognitiivse kahjustuse (MCI) kulud ja koormus koormavad üha enam kõiki sidusrühmi [1, 2]. See murettekitav ja vohav stsenaarium on ajendanud kiireloomulist üleskutset kinnitada teadusuuringuid varane avastamine kognitiivsed sõeluuringud ja hindamisinstrumendid, mis on regulaarseks praktiliseks kasutamiseks isiklikus ja kliinilises keskkonnas vanemate patsientide jaoks erinevates piirkondades ja elanikkonnarühmades [3]. Need vahendid peavad võimaldama ka informatiivsete tulemuste sujuva tõlkimise elektroonilistesse tervisekaartidesse. Kasu saavutatakse patsientide teavitamisest ja arstide abistamisest oluliste muutuste varasemal äratundmisel ning seeläbi võimaldab kiiremat ja õigeaegsemat kihistamist, rakendamist ja sobivat individuaalset ja kuluefektiivsemat ravi ja patsiendihooldust nende jaoks, kes hakkavad kogema. kognitiivsete [3, 4].
Arvutipõhine MemTraxi tööriist (https://memtrax.com) on lihtne ja lühike pidev tuvastamise hindamine, mida saab veebis ise manustada, et mõõta ajastatud episoodilise mälu toimivust, kus kasutaja reageerib korduvatele piltidele, mitte esialgsele esitlusele [5, 6]. Hiljutised uuringud ja sellest tulenevad praktilised tagajärjed hakkavad järk-järgult ja ühiselt näitama MemTraxi kliinilist efektiivsust varases AD ja MCI sõeluuringus [5–7]. Kliinilise kasulikkuse otsene võrdlus olemasolevaga tunnetuslik tervis hindamine ja tavapärased standardid on õigustatud, et teavitada professionaalsest vaatenurgast ja kinnitada MemTraxi utiliiti varajases tuvastamises ja diagnostilises toes. van der Hoek et al. [8] võrdles valitud MemTraxi toimivusmõõdikuid (reaktsioonikiirus ja õige protsent) Montreali poolt määratud kognitiivse seisundiga. Kognitiivne hindamine (MoCA). See uuring piirdus aga nende jõudlusnäitajate seostamisega kognitiivse seisundi iseloomustusega (nagu on kindlaks määratud MoCA-ga) ning suhteliste vahemike ja piirväärtuste määratlemisega. Sellest tulenevalt oli selle uurimise laiendamiseks ja klassifitseerimise toimivuse ja tõhususe parandamiseks meie peamine uurimisküsimus:
- Kas üksikisiku valitud MemTraxi toimivusmõõdikud ning asjakohased demograafilised andmed ja tervislik seisund profiil omadusi saab tõhusalt kasutada masinõppega välja töötatud ennustavas mudelis, et klassifitseerida kognitiivne tervis dihhotoomiliselt (normaalne versus MCI), nagu näitab MoCA skoor?
Teiseks soovisime teada:
- Kas MemTraxi jõudluspõhist masinõppemudelit, sealhulgas samu funktsioone, saab patsiendile tõhusalt rakendada, et ennustada raskusastet (kerge või raske) valitud kognitiivsete häirete kategooriates, mis määratakse kindlaks sõltumatu kliinilise diagnoosiga?
Tehisintellekti ja masinõppe tulek ja arenev praktiline rakendamine sõelumisel/tuvastamisel on juba näidanud selgeid praktilisi eeliseid, kusjuures ennustav modelleerimine juhendab arste tõhusalt kognitiivse/aju tervise ja patsientide juhtimise keerulisel hindamisel. Meie uuringus valisime sarnase lähenemisviisi MCI klassifikatsiooni modelleerimisel ja kognitiivsete häirete raskusastme diskrimineerimisel, mida kinnitas kliiniline diagnoos kolmest andmekogumist, mis esindasid valitud vabatahtlikke statsionaarseid patsiente ja ambulatoorseid patsiente kahest Hiina haiglast. Masinõppe ennustavat modelleerimist kasutades tuvastasime erinevatest andmekogumitest/õppija kombinatsioonidest parimad õppijad ja järjestasime funktsioonid, mis aitavad meil määratleda kliiniliselt kõige praktilisemad mudelirakendused.
Meie hüpoteesid olid, et valideeritud MemTrax-põhist mudelit saab kasutada kognitiivse tervise dihhotoomiliseks klassifitseerimiseks (normaalne või MCI) MoCA koondskoori läve kriteeriumi alusel ja et sarnast MemTraxi ennustusmudelit saab tõhusalt kasutada raskusastme eristamiseks valitud kategooriates. kliiniliselt diagnoositud kognitiivne häire. Eeldatavate tulemuste näitamine aitaks toetada MemTraxi kui kognitiivse languse ja kognitiivsete häirete klassifikatsiooni varajase avastamise ekraanina tõhusust. Soodne võrdlus tööstusharu väidetava standardiga, mida täiendab palju suurem kasutuslihtsus ja -kiirus, aitaks arstidel seda lihtsat, usaldusväärset ja juurdepääsetavat tööriista kasutusele võtta algse ekraanina varajase (sealhulgas prodromaalse) staadiumi kognitiivsete puudujääkide tuvastamisel. Selline lähenemine ja kasulikkus võiks seega soodustada õigeaegsemat ja paremini kihistunud patsiendihooldust ja sekkumist. Need tulevikku suunatud arusaamad ning täiustatud mõõdikud ja mudelid võivad samuti olla abiks dementsuse, sealhulgas AD ja AD-ga seotud dementsuse (ADRD) progresseerumise leevendamisel või peatamisel.
MATERJALID JA MEETODID
Uuring populatsioon
Jaanuarist 2018 kuni augustini 2019 viidi läbi ristlõikeuuringud patsientide kohta, kes värvati kahest Hiina haiglast. MemTraxi [5] manustamise 21-aastastele ja vanematele isikutele ning nende andmete kogumise ja analüüsi vaatasid üle ja kiitsid heaks ning neid manustati kooskõlas eetikastandarditega. Inimene Stanfordi ülikooli ainekaitsekomitee. MemTrax ja kõik muud selle üldise uuringu testid viidi läbi vastavalt 1975. aasta Helsingi deklaratsioonile ja need on heaks kiidetud Kunmingi Meditsiiniülikooli esimese sidushaigla institutsionaalse ülevaatenõukogu poolt Kunmingis, Yunnanis, Hiinas. Igale kasutajale anti teadlik nõustumine vormi lugemiseks/ülevaatamiseks ja seejärel vabatahtlikult osalema.
Osalejad värvati Yanhua haigla neuroloogiakliiniku ambulatoorsete patsientide hulgast (YH alamandmekogum) ja mälukliinik Kunming Medicali esimeses sidushaiglas Ülikool (XL alamandmekogum) Pekingis, Hiinas. Osalejad värvati ka Kunmingi Meditsiiniülikooli esimese sidushaigla neuroloogia (XL-i alamandmekogum) ja sisehaiguste (KM-i alamandmekogum) statsionaarsetest patsientidest. Kaasamise kriteeriumid hõlmasid 1) vähemalt 21-aastaseid mehi ja naisi, 2) hiina keele (mandariini) keele oskust ja 3) suuliste ja kirjalike juhiste mõistmist. Välistamiskriteeriumid olid nägemine ja motoorsed häired, mis takistasid osalejatel uuringut lõpetamast MemTraxi test, samuti võimetus aru saada konkreetsetest testijuhistest.
MemTraxi hiina versioon
Internetis MemTraxi testplatvorm tõlgiti hiina keelde (URL: https://www.memtrax.com.cn) ja kohandatud edasi kasutamiseks WeChati (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Hiina) kaudu isehaldamiseks. Andmed salvestati Hiinas asuvasse pilveserverisse (Ali Cloud), mille SJN Biomed LTD (Kunming, Yunnan, Hiina) litsentsis Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, Hiina). Siin kasutatud MemTraxi ja testi kehtivuse kriteeriumide üksikasju on eelnevalt kirjeldatud [6]. Patsientidele anti test tasuta.
Õppeprotseduurid
Statsionaarsete ja ambulatoorsete patsientide jaoks üldine paberküsimustik demograafilise ja isikuandmete kogumiseks, nagu vanus, sugu, haridusaastad, amet, üksi elavad või perekonnaga ja haiguslugu manustati uuringurühma liige. Pärast küsimustiku täitmist viidi läbi MoCA [12] ja MemTraxi testid (MoCA esmalt), testide vaheline intervall ei olnud üle 20 minuti. MemTrax protsent õige (MTx-% C), keskmine reaktsiooniaeg (MTx-RT) ning testimise kuupäev ja kellaaeg registreeriti iga testitud osaleja kohta paberile. Täidetud küsimustiku ja MoCA tulemused laadis teste administreerinud teadlane Exceli tabelisse ja kontrollis kolleeg enne Exceli failide analüüside jaoks salvestamist.
MemTraxi test
MemTraxi veebitest sisaldas 50 pilti (25 unikaalset ja 25 korduvat; 5 komplekti 5 kujutist tavalistest stseenidest või objektidest), mis olid näidatud kindlas pseudojuhuslikus järjekorras. Osaleja puudutab (vastavalt juhistele) ekraanil nuppu Start, et alustada testi ja alustada pildiseeria vaatamist ning uuesti puudutada pilti ekraanil nii kiiresti kui võimalik, kui ilmub korduv pilt. Iga pilt ilmus 3 sekundiks või seni, kuni ekraanil olevat pilti puudutati, mis ajendas kohe järgmise pildi esitamist. Kasutades kohaliku seadme sisemist kella, määrati iga pildi jaoks MTx-RT aja järgi, mis kulus pildi esitamisest kuni ekraani puudutamiseni vastuseks pildi tuvastamisele juba näidatud kujul. testi ajal. MTx-RT registreeriti iga pildi jaoks, 3 sekundit registreeriti, mis näitab, et vastust ei olnud. Arvutati MTx-% C, et näidata korduste ja esialgsete piltide protsenti, millele kasutaja vastas õigesti (tõeline positiivne + tõeline negatiivne jagatud 50-ga). Täiendavad üksikasjad MemTraxi halduse ja rakendamise, andmete vähendamise, kehtetute või vastuseta andmete ja esmaste andmete analüüside kohta on kirjeldatud mujal [6].
MemTraxi testi selgitati üksikasjalikult ja haiglas osalejatele pakuti praktikatesti (muude ainulaadsete piltidega, mida testis tulemuste salvestamiseks kasutati). YH ja KM alamandmekogumites osalejad tegid MemTraxi testi nutitelefoniga, mis oli laaditud rakendusega WeChatis; arvestades, et piiratud arv XL alamandmestiku patsiente kasutas iPadi ja ülejäänud nutitelefoni. Kõik osalejad sooritasid MemTraxi testi, kusjuures uurija jälgis märkamatult.
Montreali kognitiivne hindamine
Hiina MoCA (MoCA-BC) [13] Pekingi versiooni haldasid ja hindasid koolitatud teadlased vastavalt ametlikele testijuhistele. Sobivalt on MoCA-BC osutunud usaldusväärseks kognitiivsete võimete test sõeluuring Hiina eakatel täiskasvanutel kõigil haridustasemetel [14]. Iga testi läbiviimiseks kulus vastava osaleja kognitiivsete võimete põhjal umbes 10–30 minutit.
MoCA klassifikatsiooni modelleerimine
Kokku oli 29 kasutatavat funktsiooni, sealhulgas kaks MemTraxi testi tulemuslikkuse mõõdikud ja 27 demograafilise ja tervisega seotud funktsiooni teave iga osaleja kohta. Iga patsiendi MoCA koondtesti skoori kasutati kognitiivne skriining "etalon", et koolitada meie ennustavaid mudeleid. Seetõttu, kuna klassisildi loomiseks kasutati MoCA-d, ei saanud me kasutada koondskoori (ega ühtegi MoCA alamhulga hinnet) sõltumatu funktsioonina. Tegime esialgsed katsed, milles modelleerisime (MoCA poolt määratletud kognitiivse tervise klassifitseerimine) kolm algset haigla/kliiniku(de) alamandmekogumit eraldi ja kombineerisime seejärel kõiki funktsioone kasutades. Siiski ei kogutud kõiki samu andmeelemente kõigis neljas kliinikus, mis esindasid kolme alamandmekogumit; seega oli paljudel meie kombineeritud andmestiku funktsioonidel (kõikide funktsioonide kasutamisel) suur puuduvate väärtuste esinemissagedus. Seejärel ehitasime kombineeritud andmekogumiga mudeleid, kasutades ainult ühiseid funktsioone, mille tulemuseks oli parem klassifitseerimise jõudlus. Tõenäoliselt seletati seda sellega, et kolme patsiendi alamandmekogumi kombineerimisel oli rohkem tööjuhtumeid ja puuduvad funktsioonid, millel oli puuduvate väärtuste ülemäärane levimus (ainult ühel funktsioonil kombineeritud andmekogumis, töötüübil, olid puuduvad väärtused, mis mõjutasid ainult kolm patsiendijuhtumit), kuna kaasati ainult kõigis kolmes kohas registreeritud ühised tunnused. Eelkõige ei olnud meil konkreetset tagasilükkamiskriteeriumi iga funktsiooni jaoks, mida lõpuks kombineeritud andmekogumisse ei lisatud. Kuid oma esialgses kombineeritud andmekogumi modelleerimises kasutasime esmalt kõiki kolme eraldi patsiendi alamandmestiku funktsioone. Selle tulemuseks oli laialdaselt mudeli jõudlus, mis oli mõõdetavalt madalam kui iga üksiku alamandmestiku esialgne modelleerimine. Veelgi enam, kuigi kõiki funktsioone kasutades loodud mudelite klassifitseerimise jõudlus oli julgustav, paranes jõudlus kõigi õppijate ja klassifitseerimisskeemide puhul kaks korda suurema arvu mudelite puhul, kui kasutati ainult ühiseid funktsioone. Tegelikult paranesid kõik mudelid peale ühe meie parimateks õppijateks ebatavaliste funktsioonide kõrvaldamiseks.
Lõplik koondandmekogum (YH, XL ja KM kokku) sisaldas 259 eksemplari, millest igaüks esindas ainulaadset osalejat, kes tegi nii MemTraxi kui ka MoCA testid. Seal oli 10 jagatud sõltumatut funktsiooni: MemTraxi jõudlusnäitajad: MTx-% C ja keskmine MTx-RT; demograafilised ja haigusloo andmed: vanus, sugu, haridusaastad, töötüüp (sinikrae/valgekrae), sotsiaalne toetus (kas testi sooritaja elab üksi või perega) ja jah/ei vastused selle kohta, kas kasutajal oli anamneesis diabeet, hüperlipideemia või traumaatiline ajukahjustus. Sõltuvate klassifikatsioonisiltide väljatöötamiseks kasutati eraldi kahte täiendavat mõõdikut, MoCA koondskoori ja MoCA koondskoori, mis on kohandatud õppeaastatele [12], luues seega kaks erinevat modelleerimisskeemi, mida meie kombineeritud andmekogumile rakendada. MoCA skoori iga versiooni (kohandatud ja kohandamata) jaoks modelleeriti andmed binaarseks klassifitseerimiseks uuesti eraldi, kasutades kahte erinevat kriteeriumi künnist – algselt soovitatavat [12] ja alternatiivset väärtust, mida kasutasid ja reklaamisid teised [8, 15]. Alternatiivses läve klassifitseerimisskeemis loeti patsiendi kognitiivne tervis normaalseks, kui ta sai MoCA testis ≥23 ja MCI, kui skoor oli 22 või madalam; samas kui esialgses soovitatud klassifikatsioonivormingus pidi patsient normaalse kognitiivse tervisega märgistuse saamiseks MoCA-s saama 26 või parema tulemuse.
Filtreeritud andmed MoCA klassifikatsiooni modelleerimiseks
Lisaks uurisime MoCA klassifikatsiooni, kasutades nelja sageli kasutatavat funktsioonide järjestamise tehnikat: hii-ruut, võimendussuhe, teabe võimendus ja sümmeetriline määramatus. Vahepealse perspektiivi jaoks rakendasime järjestajaid kogu kombineeritud andmekogumile, kasutades iga nelja modelleerimisskeemi. Kõik järjestajad nõustusid samade peamiste omadustega, st vanus, haridusaastate arv ja mõlemad MemTraxi jõudlusnäitajad (MTx-% C, keskmine MTx-RT). Seejärel ehitasime mudelid ümber, kasutades iga funktsioonivaliku tehnikat, et koolitada mudeleid ainult nelja peamise funktsiooni osas (vt Funktsioonide valik allpool).
MoCA skoori klassifitseerimise modelleerimisskeemide kaheksa viimast variatsiooni on esitatud tabelis 1.
Tabel 1
MoCA klassifitseerimisel kasutatud modelleerimisskeemi variatsioonide kokkuvõte (tavaline Kognitiivne tervis versus MCI)
| Modelleerimisskeem | Normaalne kognitiivne tervis (negatiivne klass) | MCI (positiivne klass) |
| Kohandatud – 23 filtreerimata/filtreeritud | 101 (39.0%) | 158 (61.0%) |
| Kohandatud – 26 filtreerimata/filtreeritud | 49 (18.9%) | 210 (81.1%) |
| Reguleerimata – 23 filtreerimata/filtreeritud | 92 (35.5%) | 167 (64.5%) |
| Reguleerimata – 26 filtreerimata/filtreeritud | 42 (16.2%) | 217 (83.8%) |
Vastav arv ja protsent patsientidest igas klassis eristatakse hariduse (kohandatud või kohandamata) skoori ja klassifikatsiooniläve (23 või 26) kohandamise järgi, mida rakendatakse mõlemale funktsioonikomplektile (filtreerimata ja filtreeritud).
MemTraxi-põhine kliinilise hindamise modelleerimine
Meie kolmest algsest alamandmestikust (YH, XL, KM) diagnoositi ainult XL-i alamandmestiku patsientidel iseseisvalt kognitiivsed häired (st nende vastavaid MoCA skoori ei kasutatud normaalse ja kahjustusega patsientide klassifikatsiooni koostamisel). Täpsemalt, XL-i patsientidel diagnoositi kumbki Alzheimeri tõve test (AD) või vaskulaarne dementsus (VaD). Kõigis nendes esmaste diagnooside kategooriates oli MCI täiendav määramine. MCI, dementsuse, vaskulaarse neurokognitiivse häire ja AD-st tingitud neurokognitiivse häire diagnoosid põhinesid spetsiifilistel ja eristatavatel diagnostilistel kriteeriumidel, mis on kirjeldatud vaimsete häirete diagnostika ja statistilises käsiraamatus: DSM-5 [16]. Võttes arvesse neid täpsustatud diagnoose, rakendati XL-i alamandmestikule eraldi kahte klassifitseerimise modelleerimisskeemi, et eristada iga esmase diagnoosikategooria raskusastet (kahjustuse astet). Kõigis neis diagnostilistes modelleerimisskeemides (AD ja VaD) kasutatud andmed hõlmasid demograafilist ja patsiendi ajaloo teavet, samuti MemTraxi jõudlust (MTx-% C, keskmine MTx-RT). Iga diagnoos märgiti kergeks, kui sellele määrati MCI; muidu peeti seda raskeks. Algselt kaalusime MoCA skoori kaasamist diagnoosimudelitesse (kerge versus raske); kuid otsustasime, et see kaotaks meie sekundaarse ennustava modelleerimisskeemi eesmärgi. Siin koolitatakse õppijaid, kasutades teenusepakkujale hõlpsasti kättesaadavaid muid patsiendi omadusi ja lihtsama MemTraxi testi (MoCA asemel) tulemuslikkuse mõõdikuid võrdluse "kuldstandardiga", sõltumatu kliinilise diagnoosiga. AD diagnoosi andmekogus oli 69 ja VaD 76 juhtumit (tabel 2). Mõlemas andmekogumis oli 12 sõltumatut funktsiooni. Lisaks MoCA skoori klassifikatsioonis sisalduvale kümnele tunnusele sisaldas patsiendi ajalugu ka teavet hüpertensiooni ja insuldi ajaloo kohta.
Tabel 2
Diagnoosi raskusastme klassifitseerimisel kasutatud modelleerimisskeemi variatsioonide kokkuvõte (kerge versus raske)
| Modelleerimisskeem | Kerge (negatiivne klass) | Raske (positiivne klass) |
| MCI-AD versus AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD versus VaD | 38 (50.0%) | 38 (50.0%) |
Vastav arv ja protsent patsientidest igas klassis eristatakse esmase diagnoosikategooria (AD või VaD) järgi.
Statistika
Iga mudeli klassifitseerimisstrateegia alamandmekogumite (MoCA kognitiivse tervise ja diagnoosi raskusastme prognoosimiseks) osalejate omaduste ja muude numbriliste tunnuste võrdlus viidi läbi Pythoni programmeerimiskeele (versioon 2.7.1) abil [17]. Mudeli jõudluse erinevused määrati algselt ühe- või kahefaktorilise (vastavalt vajadusele) ANOVA-ga 95% usaldusvahemikuga ja Tukey ausa olulise erinevuse (HSD) testi abil, et võrrelda jõudluse keskmisi. See mudeli jõudluse erinevuste uurimine viidi läbi Pythoni ja R-i (versioon 3.5.1) kombinatsiooniga [18]. Me kasutasime seda (ehkki vaieldamatult optimaalsest vähem) lähenemisviisi ainult heuristilise abivahendina varajases staadiumis mudeli jõudluse esialgseks võrdluseks potentsiaalse kliinilise rakenduse ennetamiseks. Seejärel kasutasime mudeli jõudluse erinevuste tõenäosuse määramiseks Bayesi märgistatud järjestuse testi, kasutades tagumist jaotust [19]. Nende analüüside jaoks kasutasime intervalli –0.01, 0.01, mis tähendab, et kui kahe rühma jõudluse erinevus oli väiksem kui 0.01, loeti need samadeks (praktilise samaväärsuse piires) või muul juhul olid need erinevad (üks parem kui 1.0.2). teine). Klassifikaatorite Bayesi võrdluse tegemiseks ja nende tõenäosuste arvutamiseks kasutasime Python 3.6.4 jaoks baycompi teeki (versioon XNUMX).
Ennustav modelleerimine
Ehitasime ennustavad mudelid, kasutades meie modelleerimisskeemide kümmet variatsiooni, et ennustada (klassifitseerida) iga patsiendi MoCA testi tulemus või kliinilise diagnoosi raskusaste. Kõik õppijad rakendati ja mudelid ehitati avatud lähtekoodiga tarkvaraplatvormi Weka [20] abil. Esialgse analüüsi jaoks kasutasime 10 tavaliselt kasutatavat õppealgoritmi: 5 lähinaabrit, C4.5 otsustuspuu kaks versiooni, logistiline regressioon, mitmekihiline perceptron, naiivne Bayes, kaks Random Foresti versiooni, radiaalpõhiste funktsioonide võrk ja tugivektor. Masin. Nende algoritmide põhiatribuute ja kontraste on kirjeldatud mujal [21] (vt vastavat lisa). Need valiti seetõttu, et need esindavad mitmesuguseid erinevat tüüpi õppijaid ja kuna oleme näidanud edu nende kasutamisel sarnaste andmete varasemates analüüsides. Hüperparameetrite sätted valiti meie varasemate uuringute põhjal, mis näitasid, et need on paljude erinevate andmete põhjal tugevad [22]. Tuginedes meie esialgse analüüsi tulemustele, milles kasutati sama kombineeritud andmekomplekti, millel on ühised tunnused, mida hiljem kasutati täielikus analüüsis, tuvastasime kolm õppijat, kes andsid kõigis klassifikatsioonides püsivalt tugeva jõudluse: logistiline regressioon, naiivne Bayes ja tugivektori masin.
Ristvalideerimise ja mudeli toimivuse mõõdik
Kõigi ennustavate modelleerimiste jaoks (kaasa arvatud esialgsed analüüsid) koostati iga mudel 10-kordse ristvalideerimise abil ja mudeli jõudlust mõõdeti vastuvõtja tööomaduste kõvera all oleva ala (AUC) abil. Ristvalideerimine algas sellega, et kõik 10 modelleerimisskeemi andmestikku jagati juhuslikult 10 võrdseks segmendiks (voldid), kasutades üheksat neist vastavatest segmentidest mudeli koolitamiseks ja ülejäänud segmenti testimiseks. Seda protseduuri korrati 10 korda, kasutades igas iteratsioonis testikomplektina erinevat segmenti. Seejärel ühendati tulemused lõpliku mudeli tulemuse/jõudluse arvutamiseks. Iga õppija/andmestiku kombinatsiooni puhul korrati kogu seda protsessi 10 korda, kusjuures andmed jagati iga kord erinevalt. See viimane samm vähendas kallutatust, tagas reprodutseeritavuse ja aitas määrata mudeli üldist jõudlust. Kokku (MoCA skoori ja diagnoosi raskusastme klassifitseerimisskeemide jaoks kokku) ehitati 6,600 mudelit. See hõlmas 1,800 filtreerimata mudelit (6 modelleerimisskeemi rakendati andmestikule × 3 õppijat × 10 käitamist × 10 voltimist = 1,800 mudelit) ja 4,800 filtreeritud mudelit (4 modelleerimisskeemi rakendati andmekogumile × 3 õppijat × 4 funktsioonide valiku tehnikat × 10 käitamist × 10 volti = 4,800 mudelit).
Funktsioonide valik
Filtreeritud mudelite puhul tehti funktsioonide valik (kasutades nelja funktsioonide järjestamise meetodit) ristvalideerimise käigus. Kuna iga 10 voldi puhul moodustasid testandmed erinevad 10% andmekogumist, kasutati iga treeningu andmestiku jaoks ainult nelja parimat valitud funktsiooni (st ülejäänud üheksa volti või ülejäänud 90% kogu andmekogumist). mudelite ehitamiseks. Me ei saanud kinnitada, milliseid nelja funktsiooni igas mudelis kasutati, kuna seda teavet ei salvestata ega tehta kättesaadavaks meie kasutatud modelleerimisplatvormis (Weka). Arvestades aga meie esialgse parimate funktsioonide valiku järjepidevust, kui järjestajaid rakendati kogu kombineeritud andmekogumile ja sellele järgnenud sarnasust modelleerimise tulemuslikkuses, on need samad omadused (vanus, haridusaastad, MTx-% C ja keskmine MTx-RT ) on tõenäoliselt neli kõige levinumat, mida kasutatakse ristvalideerimisprotsessis koos funktsioonide valikuga.
TULEMUSED
Tabelis 3 on näidatud iga mudeli klassifitseerimisstrateegia vastavate andmekogumite osalejate numbrilised karakteristikud (sealhulgas MoCA skoorid ja MemTraxi jõudlusnäitajad), et ennustada MoCA-ga näidatud kognitiivset tervist (normaalne versus MCI) ja diagnoosi raskusastet (kerge versus raske).
Tabel 3
Iga mudeli klassifitseerimisstrateegia osalejate omadused, MoCA skoorid ja MemTraxi jõudlus
| Klassifitseerimisstrateegia | vanus | Käsitöö | MoCA kohandatud | MoCA korrigeerimata | MTx-% C | MTx-RT |
| MoCA kategooria | 61.9 aastat (13.1) | 9.6 aastat (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 s (0.3) |
| Diagnoosi raskusaste | 65.6 aastat (12.1) | 8.6 aastat (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 s (0.3) |
Näidatud väärtused (keskmine, SD), mis on diferentseeritud modelleerivate klassifitseerimisstrateegiate järgi, esindavad kombineeritud andmekogumit, mida kasutatakse MoCA-näidatud kognitiivse tervise (MCI versus normaalne) ennustamiseks, ja XL-i alamandmekogumit, mida kasutatakse ainult diagnoosi raskusastme (kerge versus raske) ennustamiseks.
Iga MoCA skoori (kohandatud/korrigeerimata) ja läve (26/23) kombinatsiooni puhul oli statistiline erinevus (p = 0.000) igas paaripõhises võrdluses (normaalne kognitiivne tervis versus MCI) vanuse, hariduse ja MemTraxi jõudluse (MTx-% C ja MTx-RT) osas. Iga patsiendi alamandmekogum vastavas MCI klassis iga kombinatsiooni puhul oli keskmiselt umbes 9–15 aastat vanem, neil oli umbes viis aastat vähem haridust ja nende MemTraxi jõudlus oli mõlema mõõdiku puhul vähem soodne.
Ennustavad modelleerimise tulemused MoCA skoori klassifikatsioonide jaoks, kasutades kolme parimat õppijat, logistilist regressiooni, naiivset Bayesi ja tugivektori masinat, on näidatud tabelis 4. Need kolm valiti kõigi erinevate mudelite kõige ühtlasemalt kõrge absoluutse õppija jõudluse põhjal. rakendatakse kõigi modelleerimisskeemide andmekogumitele. Filtreerimata andmestiku ja modelleerimise puhul näitavad kõik tabelis 4 olevad andmeväärtused mudeli jõudlust, mis põhineb AUC vastaval keskmisel, mis on tuletatud 100 mudelist (10 käitamist × 10 voltimist), mis on ehitatud iga õppija/modelleerimisskeemi kombinatsiooni jaoks, kusjuures vastav kõrgeim väärtus on esinev õppija on märgitud paksus kirjas. Kui filtreeritud andmekogumi modelleerimisel kajastavad tabelis 4 esitatud tulemused mudelite üldist keskmist jõudlust 400 mudelist iga õppija kohta, kasutades iga funktsioonide järjestamise meetodit (4 funktsioonide järjestamise meetodit × 10 käitamist × 10 voltimist).
Tabel 4
Dihhotoomsed MoCA skoori klassifitseerimise tulemused (AUC; 0.0–1.0) kõigi kolme parima tulemuslikkusega õppija kohta kõigi vastavate modelleerimisskeemide puhul
| Kasutatud funktsioonide komplekt | MoCA skoor | Lõikelävi | Logistiline regressioon | Naiivne Bayes | Toetage vektormasinat |
| Filtreerimata (10 funktsiooni) | Kohandatud | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Korrigeerimata | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Filtreeritud (4 funktsiooni) | Kohandatud | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Korrigeerimata | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Kasutades funktsioonide komplekti, MoCA skoori ja MoCA skoori piirläve variatsioone, on iga modelleerimisskeemi kõrgeim jõudlus näidatud julge (mitte tingimata statistiliselt erinev kõigist teistest, mis ei ole julge vastava mudeli jaoks).
Võrreldes õppijaid kõigi MoCA skoori versioonide ja lävede (vastavalt kohandatud/korrigeerimata ja 23/26) kombinatsioonis kombineeritud filtreerimata andmekogumis (st kasutades 10 ühist tunnust), oli Naive Bayes üldiselt kõige paremini toimiv õppija. klassifikatsiooni jõudlus 0.9093. Arvestades kolme parimat õppijat, näitasid Bayesi korrelatsiooniga märgistatud auastme testid, et tõenäosus (Pr). Lisaks on Naive Bayesi ja Support Vector Machine'i vahel 99.9% tõenäosus, et õppija jõudluses on praktiline samaväärsus (seega 21.0% tõenäosus, et Naive Bayes ületab tugivektori masina), koos 79.0% tõenäosusega, et tugivektormasin toimib paremini ja mõõdetavalt. tugevdab Naive Bayesi jõudluse eelist. MoCA skoori versiooni edasine võrdlemine kõigi õppijate/lävendite lõikes näitas, et korrigeerimata MoCA skooride kasutamisel saavutatakse kerge tulemuslikkuse eelis võrreldes korrigeeritud tulemustega (vastavalt 0.0 versus 0.9027; Pr (korrigeerimata > korrigeeritud) = 0.988). Samamoodi näitas kõigi õppijate ja MoCA skoori versioonide piirläve võrdlus väikest klassifikatsiooni tulemuslikkuse eelist, kasutades klassifitseerimislävena 26 võrreldes 23-ga (vastavalt 0.9056 versus 0.8942; Pr (26 > 23) = 0.999). Lõpuks, uurides ainult filtreeritud tulemusi kasutavate mudelite klassifikatsiooni (st ainult nelja parimat funktsiooni), oli Naïve Bayes (0.9143) arvuliselt kõige edukam õppija kõigi MoCA skoori versioonide/lävede lõikes. Kuid kõigi funktsioonide järjestamise tehnikate puhul toimisid kõik parima tulemusega õppijad sarnaselt. Bayesi märgistatud auaste testid näitasid 100% tõenäosust, et iga filtreeritud õppijate paari vahel on praktiline samaväärsus. Nagu ka filtreerimata andmete puhul (kasutades kõiki 10 ühist funktsiooni), oli MoCA skoori korrigeerimata versioonil taas jõudluse eelis (Pr (korrigeerimata > korrigeeritud) = 1.000), samuti sama selge eelis klassifikatsiooniläve 26 (Pr (26 > 23) = 1.000). Eelkõige ületas kolme parima õppija keskmine jõudlus kõigis MoCA skoori versioonides/lävendites, kasutades ainult nelja parimat funktsiooni, mis tahes õppija keskmist sooritust filtreerimata andmete puhul. Pole üllatav, et filtreeritud mudelite (kasutades nelja parimat funktsiooni) klassifikatsiooni jõudlus oli üldiselt parem (0.9119) kui filtreerimata mudelitel (0.8999), sõltumata funktsioonide järjestamise meetodi mudelitest, mida võrreldi nende vastavate mudelitega, kasutades kõiki 10 tavalist. Funktsioonid. Iga funktsiooni valimise meetodi puhul oli 100% tõenäosus jõudluse eelise filtreerimata mudelite ees.
Patsientide puhul, keda kaaluti AD diagnoosi raskusastme klassifikatsioonis, on rühmadevahelised (MCI-AD versus AD) erinevused vanuse järgi (p = 0.004), haridus (p = 0.028), MoCA skoor korrigeeritud/korrigeerimata (p = 0.000) ja MTx-% C (p = 0.008) olid statistiliselt olulised; samas kui MTx-RT puhul see ei olnud (p = 0.097). Nende patsientide puhul, keda vaadeldi VaD-diagnoosi raskusastme klassifitseerimisel, on rühmadevahelised (MCI-VaD versus VaD) erinevused MoCA skoori korrigeeritud/korrigeerimata (p = 0.007) ja MTx-% C (p = 0.026) ja MTx-RT (p = 0.001) olid statistiliselt olulised; arvestades vanusega (p = 0.511) ja haridus (p = 0.157) olulisi erinevusi rühmade vahel ei olnud.
Ennustavad modelleerimise tulemused diagnoosi raskusastme klassifikatsioonide jaoks, kasutades kolme eelnevalt valitud õppijat, logistilist regressiooni, naiivset Bayesi ja tugivektori masinat, on näidatud tabelis 5. Kui täiendavad uuritud õppijad näitasid individuaalselt veidi paremaid tulemusi ühega kahest kliinilise diagnoosi kategooriast. , pakkusid kolm õppijat, kelle olime oma eelmises modelleerimises kõige soodsamad, mõlema uue modelleerimisskeemi puhul kõige ühtlasemat tulemust. Võrreldes õppijaid kõigis esmaste diagnoosikategooriates (AD ja VaD), ei ilmnenud MCI-VaD ja VaD õppijate klassifikatsiooni tulemuslikkuse erinevust, kuigi tugivektormasin toimis üldiselt paremini. Samamoodi ei olnud õppijate vahel olulisi erinevusi MCI-AD ja AD klassifikatsioonis, kuigi Naive Bayesil (NB) oli logistilise regressiooni (LR) ees kerge jõudluse eelis ja tugivektormasinaga võrreldes vaid tühine paljusus, tõenäosusega 61.4%. ja vastavalt 41.7%. Mõlemas andmekogumis oli tugivektori masina (SVM) üldine jõudluse eelis Pr (SVM > LR) = 0.819 ja Pr (SVM > NB) = 0.934. Meie üldine klassifikatsioonitulemus kõigi õppijate lõikes diagnoosi raskuse prognoosimisel XL-i alamandmekogus oli VaD-diagnooside kategoorias parem kui AD (Pr (VAD > AD) = 0.998).
Tabel 5
Dihhotoomsete kliiniliste diagnooside raskusastme klassifikatsiooni tulemused (AUC; 0.0–1.0) kõigi kolme parima tulemuslikkusega õppija kohta mõlema vastava modelleerimisskeemi puhul
| Modelleerimisskeem | Logistiline regressioon | Naiivne Bayes | Toetage vektormasinat |
| MCI-AD versus AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD versus VaD | 0.8033 | 0.8044 | 0.8338 |
Iga modelleerimisskeemi suurim jõudlus on näidatud all julge (ei pruugi statistiliselt erineda teistest, mis ei kuulu julge).
ARUTLUS
Kognitiivse tervise muutuste varajane avastamine on oluline praktiline kasulikkus nii isikliku tervise juhtimises kui ka rahvatervises. Tõepoolest, see on kogu maailmas patsientide kliinilistes tingimustes väga oluline. Ühine eesmärk on hoiatada patsiente, hooldajaid ja teenuseosutajaid ning suunata varem sobivat ja kulutõhusat ravi ning pikaajalist ravi neile, kes hakkavad kogema kognitiivset langust. Ühendades oma kolme haigla/kliiniku(de) andmete alamhulka, tuvastasime kolm selgelt eelistatavat õppijat (ühe silmapaistva silmapaistvaga – Naive Bayes), et luua ennustavaid mudeleid kasutades MemTraxi jõudlusnäitajad, mis võivad kognitiivset tervislikku seisundit usaldusväärselt klassifitseerida dihhotoomiliselt (normaalne kognitiivne tervis või MCI), nagu näitab MoCA koondskoor. Eelkõige paranes kõigi kolme õppija üldine klassifitseerimise tulemuslikkus, kui meie mudelid kasutasid ainult nelja parimat funktsiooni, mis hõlmasid peamiselt neid MemTraxi toimivusmõõdikuid. Lisaks näitasime põhjendatud potentsiaali kasutada samu õppijaid ja MemTraxi jõudlusmõõdikuid diagnostilise toe klassifitseerimise modelleerimisskeemis, et eristada kahe dementsuse diagnoosimise kategooria raskusastet: AD ja VaD.
Mälu testimine on AD varases avastamises kesksel kohal [23, 24]. Seega on õige, et MemTrax on vastuvõetav, kaasahaarav ja hõlpsasti rakendatav veebis episoodilise mälu sõeluuring üldpopulatsioonis [6]. Selle pideva täitmisülesande tuvastamise täpsus ja reageerimisajad on eriti paljastavad õppimise, mälu ja tunnetusega seotud neuroplastiliste protsesside varase ja areneva halvenemise ja sellest tulenevate puudujääkide tuvastamisel. See tähendab, et siin olevad mudelid, mis põhinevad suures osas MemTraxi jõudlusnäitajatel, on tundlikud ja tõenäolisemalt paljastavad bioloogilisi neuropatoloogilisi puudujääke ülemineku-asümptomaatilises staadiumis palju enne suuremat funktsionaalset kaotust [25]. Ashford et al. uuris tähelepanelikult äratundmismälu täpsuse ja reageerimisaja mustreid ja käitumist veebikasutajatel, kes osalesid üksinda MemTraxis [6]. Võttes arvesse, et need jaotused on optimaalse modelleerimise ning kehtivate ja tõhusate patsiendihooldusrakenduste väljatöötamisel kriitilise tähtsusega, on kliiniliselt rakendatavate tuvastamis- ja reageerimisaja profiilide määratlemine oluline kliinilise ja uurimistöö kasulikkuse väärtusliku alusviite loomisel. MemTraxi praktilist väärtust AD sõeluuringus varajases staadiumis kognitiivsete häirete ja diferentsiaaldiagnostilise toe puhul tuleb seejärel täpsemalt uurida kliinilise keskkonna kontekstis, kus saab kaaluda kaasuvaid haigusi ning testi tulemuslikkust mõjutavaid kognitiivseid, sensoorseid ja motoorseid võimeid. Professionaalse vaatenurga teavitamiseks ja praktilise kliinilise kasulikkuse soodustamiseks on esmalt hädavajalik näidata võrdlust väljakujunenud kognitiivse tervisehindamise testiga, kuigi viimast võivad tuntavalt piirata tülikas testimislogistika, haridus- ja keeletõkked ning kultuurilised mõjud [26]. . Sellega seoses on märkimisväärne MemTraxi kliinilise efektiivsuse soodne võrdlus MoCA-ga, mida tavaliselt peetakse tööstusstandardiks, eriti kui kaalutakse MemTraxi suuremat kasutusmugavust ja patsiendi aktsepteerimist.
Eelmine uurimine, milles võrreldi MemTraxi ja MoCA-d, tõstab esile loogilised ja esialgsed tõendid, mis õigustavad meie modelleerimisuuringut [8]. Kuid see eelnev võrdlus seostas ainult kahte peamist MemTraxi jõudlusnäitajat, mida me uurisime, kognitiivse olekuga, mille määras MoCA ning määratles vastavad vahemikud ja piirväärtused. Süvendasime MemTraxi kliinilise kasulikkuse hindamist, uurides ennustaval modelleerimisel põhinevat lähenemisviisi, mis võimaldaks teiste potentsiaalselt asjakohaste patsiendispetsiifiliste parameetrite individuaalsemat arvessevõtmist. Erinevalt teistest ei leidnud me eelist mudeli jõudluses, kasutades MoCA skoori hariduse korrigeerimist (kohandamist) ega kognitiivset tervist diskrimineerivat MoCA koondskoori läve algselt soovitatud 26-lt 23-le [12, 15]. Tegelikult eelistas klassifikatsiooni jõudluse eelis korrigeerimata MoCA skoori ja kõrgema läve kasutamist.
Kliinilise praktika põhipunktid
Masinõpe on sageli kõige paremini kasutatav ja kõige tõhusam ennustavas modelleerimises, kui andmed on ulatuslikud ja mitmemõõtmelised, st kui on palju tähelepanekuid ja sellega kaasneb suur hulk suure väärtusega (panustavaid) atribuute. Kuid nende praeguste andmete põhjal toimisid ainult nelja valitud funktsiooniga filtreeritud mudelid paremini kui need, mis kasutasid kõiki 10 ühist funktsiooni. See viitab sellele, et meie haigla koondandmestikul ei olnud kliiniliselt kõige sobivamaid (kõrge väärtusega) omadusi patsientide optimaalseks klassifitseerimiseks sel viisil. Sellegipoolest toetab funktsioonide järjestamise rõhk peamistele MemTraxi jõudlusnäitajatel – MTx-% C ja MTx-RT – tugevalt selle testi ümber varajases staadiumis kognitiivse defitsiidi sõeluuringu mudelite loomist, mis on lihtsad, hõlpsasti hallatavad, madalad ja asjakohaselt paljastavad. mälu jõudlust, vähemalt praegu kognitiivse tervisliku seisundi binaarse klassifikatsiooni esialgse kuvana. Arvestades teenuseosutajate ja tervishoiusüsteemide üha suurenevat pinget, tuleks patsientide sõeluuringuprotsesse ja kliinilisi rakendusi sobivalt välja töötada, keskendudes nende patsientide omaduste ja testimõõdikute kogumisele, jälgimisele ja modelleerimisele, mis on diagnostikas kõige kasulikumad, soodsamad ja tõestatult tõhusad. ja patsientide juhtimise tugi.
Kuna kaks peamist MemTraxi mõõdikut on MCI klassifikatsioonis kesksel kohal, oli meie parima sooritusega õppija (Naive Bayes) enamiku mudelite puhul väga hea ennustav jõudlus (AUC üle 0.90), kusjuures tõe-positiivsete ja valepositiivsete suhe lähenes 4-le või ületas seda mõnevõrra. : 1. Seda õppijat kasutav translatiivne kliiniline rakendus hõlmaks (õigesti klassifitseeriks) enamiku kognitiivse puudulikkusega inimestest, vähendades samal ajal kulusid, mis on seotud normaalse kognitiivse tervisega inimese ekslikult kognitiivse puudujäägiga (valepositiivseks) liigitamisega või see klassifikatsioon puudub neil, kellel on kognitiivne defitsiit (valenegatiivne). Kumbki neist valesti klassifitseerimise stsenaariumidest võib põhjustada patsiendile ja hooldajatele liigse psühhosotsiaalse koormuse.
Kui esialgsetes ja täielikes analüüsides kasutasime igas modelleerimisskeemis kõiki kümmet õppijat, siis keskendusime oma tulemustes kolmele klassifikaatorile, mis näitasid kõige ühtlasemat tugevat tulemust. Selle eesmärk oli ka nende andmete põhjal esile tõsta õppijaid, kes peaksid eeldatavasti kognitiivse seisundi klassifikatsiooni määramisel praktilises kliinilises rakenduses usaldusväärselt kõrgel tasemel hakkama. Veelgi enam, kuna see uuring oli mõeldud sissejuhatavaks uuringuks masinõppe kasulikkuse kohta kognitiivse sõeluuringu ja nende õigeaegsete kliiniliste väljakutsete kohta, otsustasime hoida õppemeetodid lihtsana ja üldistatuna minimaalse parameetrite häälestamisega. Mõistame, et see lähenemisviis võis piirata kitsamalt määratletud patsiendispetsiifiliste ennustusvõimete potentsiaali. Samamoodi, kuigi mudelite koolitamine, kasutades ainult tippfunktsioone (filtreeritud lähenemine), annab meile nendest andmetest rohkem teavet (spetsiifiline kogutud andmete puudujääkide tõttu ning tõstab esile väärtusliku kliinilise aja ja ressursside optimeerimise väärtust), tunnistame, et on ennatlik kitsendada. mudelite ulatust ja seega kõiki (ja muid tunnuseid) tuleks tulevaste uuringute käigus arvesse võtta, kuni meil on prioriteetsemate tunnuste profiil, mis oleks rakendatav laiale elanikkonnale. Seega tunnistame täielikult, et enne nende integreerimist tõhusasse kliinilisse rakendusse on vaja kaasavamaid ja laiemalt esindavaid andmeid ning nende ja teiste mudelite optimeerimist, eriti selleks, et võtta arvesse kognitiivset jõudlust mõjutavaid kaasuvaid haigusi, mida tuleks edasises kliinilises hindamises arvesse võtta.
MemTraxi kasulikkust suurendas veelgi haiguse raskuse modelleerimine eraldi kliinilise diagnoosi põhjal. Parem üldine klassifikatsiooni jõudlus VaD raskusastme ennustamisel (võrreldes AD-ga) ei olnud üllatav, arvestades veresoonte tervisele spetsiifiliste mudelite patsiendi profiili omadusi ja insuldirisk, st hüpertensioon, hüperlipideemia, diabeet ja (muidugi) insuldi ajalugu. Kuigi oleks olnud soovitavam ja sobivam viia sama kliiniline hindamine läbi vastavate normaalse kognitiivse tervisega patsientide kohta, et koolitada õppijaid nende kaasavamate andmetega. See on eriti õigustatud, kuna MemTrax on mõeldud kasutamiseks peamiselt kognitiivse defitsiidi varajases staadiumis tuvastamiseks ja individuaalsete muutuste järgnevaks jälgimiseks. Samuti on usutav, et andmete soovitavam jaotus VaD-andmestikus aitas osaliselt kaasa suhteliselt paremale modelleerimisele. VaD-andmestik oli kahe klassi vahel hästi tasakaalustatud, samas kui AD-andmestik, kus oli palju vähem MCI-patsiente, ei olnud. Eriti väikestes andmekogumites võivad isegi mõned täiendavad eksemplarid olla mõõdetavad. Mõlemad vaatenurgad on mõistlikud argumendid haiguse tõsiduse modelleerimise tulemuslikkuse erinevuste aluseks. Parema jõudluse proportsionaalne omistamine andmekogumi numbrilistele omadustele või vaadeldavale kliinilisele esitlusele omastele tunnustele on siiski ennatlik. Sellegipoolest näitas see romaan MemTraxi ennustava klassifikatsiooni mudeli kasulikkust kliinilise diagnostilise toe rollis, mis pakub väärtuslikku perspektiivi ja kinnitab patsientide täiendavat uurimist kogu MCI kontiinumi ulatuses.
MemTraxi ja nende mudelite rakendamine ja tõestatud kasulikkus Hiinas, kus keel ja kultuur erinevad oluliselt teistest väljakujunenud kasulikest piirkondadest (nt Prantsusmaa, Holland ja Ameerika Ühendriigid) [7, 8, 27], rõhutab veelgi potentsiaali. MemTraxil põhineva platvormi laialdaseks ülemaailmseks tunnustamiseks ja kliiniliseks väärtuseks. See on näitlik näide püüdlustes andmete ühtlustamise poole ning kognitiivse skriinimise praktiliste rahvusvaheliste normide ja modelleerimisressursside väljatöötamisel, mis on standarditud ja hõlpsasti kohandatavad kasutamiseks kogu maailmas.
Järgmised sammud kognitiivse languse modelleerimisel ja rakendamisel
Kognitiivne düsfunktsioon AD korral esineb tõepoolest pidevalt, mitte diskreetsete etappide või etappidena [28, 29]. Kuid selles varases faasis oli meie eesmärk kõigepealt kindlaks teha oma võime luua MemTraxi sisaldav mudel, mis suudab põhimõtteliselt eristada "normaalset" ja "mittenormaalset". Kaasamad empiirilised andmed (nt aju kujutised, geneetilised omadused, biomarkerid, kaasuvad haigused ja kompleksi funktsionaalsed markerid kognitiivset aktiivsust nõudvad tegevused kontroll) [30] erinevates globaalsetes piirkondades, populatsioonides ja vanuserühmades, et treenida ja arendada keerukamaid (sealhulgas sobivalt kaalutud ansamblilisi) masinõppemudeleid, toetab suuremal määral täiustatud klassifitseerimist, st võimet kategoriseerida patsientide rühmi, kellel on MCI väiksemateks ja kindlamateks alamhulkadeks piki kognitiivset langust. Lisaks on oluline samaaegne kliiniline diagnoos erinevatele piirkondlikele patsientide populatsioonidele tõhusalt treenida need kaasavamad ja prognoositavalt tugevad mudelid. See hõlbustab spetsiifilisemat kihistunud juhtumikorraldust neile, kellel on sarnane taust, mõjud ja kitsamalt määratletud iseloomulikud kognitiivsed profiilid, ning optimeerib seega kliiniliste otsuste tuge ja patsientide hooldust.
Suur osa asjakohastest kliinilistest uuringutest on siiani käsitlenud vähemalt kerge dementsusega patsiente; ja praktikas püütakse liiga sageli patsiendi sekkumist ainult kaugelearenenud staadiumis. Kuna kognitiivne langus algab aga palju enne dementsuse kliiniliste kriteeriumide täitmist, võib tõhusalt rakendatud MemTraxi-põhine varajane sõeluuring julgustada inimesi haiguse ja selle progresseerumise kohta asjakohaselt koolitama ning kiirendada varasemaid ja õigeaegsemaid sekkumisi. Seega võib varajane avastamine toetada sobivat kaasamist alates treeningust, dieedist, emotsionaalsest toest ja paremast sotsialiseerumisest kuni farmakoloogilise sekkumiseni ning tugevdada patsiendiga seotud muutusi käitumises ja tajudes, mis üksikult või kokku võivad dementsuse progresseerumist leevendada või potentsiaalselt peatada [31, 32]. . Pealegi koos tõhusa varajane sõelumine, võivad üksikisikud ja nende perekonnad olla sunnitud kaaluma kliinilisi uuringuid või saama nõustamist ja muud sotsiaalteenuste tuge, et aidata selgitada ootusi ja kavatsusi ning hallata igapäevaseid ülesandeid. Nendel viisidel täiendav valideerimine ja laialdane praktiline kasulikkus võivad olla abiks MCI, AD ja ADRD progresseerumise leevendamisel või peatamisel paljudel inimestel.
Tõepoolest, meie uuringu patsientide vanusevahemiku madal ots ei esinda traditsioonilist AD-ga seotud elanikkonnarühma. Sellegipoolest rõhutab iga rühma keskmine vanus, mida kasutati MoCA skoori / läve ja diagnoosi raskusastmel põhinevates klassifikatsiooni modelleerimisskeemides (tabel 3), selge enamuse (üle 80%) vähemalt 50-aastased. See jaotus on seega väga sobiv üldistamiseks, toetades nende mudelite kasulikkust populatsioonis, mis iseloomustab neid, keda haigus tavaliselt mõjutab. varajane algus ja AD ja VaD tõttu tekkiv neurokognitiivne haigus. Hiljutised tõendid ja perspektiiv rõhutavad ka neid tunnustatud tegureid (nt hüpertensioon, rasvumine, diabeet ja suitsetamine), mis võivad kaasa aidata kõrgemale varajases staadiumis. täiskasvanud ja keskmise eluea vaskulaarsed riskiskoorid ja sellest tulenev peen vaskulaarne ajukahjustus, mis areneb salakavalalt ja millel on ilmne mõju isegi noortele täiskasvanud [33–35]. Seetõttu on kõige optimaalsem esmase sõeluuringu võimalus varajaseks avastamiseks kognitiivsete puudujääkide staadiumis ning tõhusate ennetus- ja sekkumisstrateegiate algatamine dementsuse edukaks lahendamiseks ilmneb soodustavate tegurite ja eelnevate näitajate uurimisel kogu vanusevahemikus, sealhulgas varases täiskasvanueas ja potentsiaalselt isegi lapsepõlves (märkides geneetiliste tegurite, nagu apolipoproteiin E, tähtsust varasest rasedusajast).
Praktikas ei ole kehtivad kliinilised diagnoosid ja kulukad protseduurid täiustatud pildistamise, geneetilise profiili koostamise ja paljutõotavate biomarkerite mõõtmise jaoks paljudele pakkujatele alati hõlpsasti kättesaadavad või isegi teostatavad. Seega võib paljudel juhtudel olla vajalik esialgne üldine kognitiivse tervisliku seisundi klassifikatsioon tuletada mudelitest, kasutades muid lihtsaid mõõdikuid, mille patsient pakub (nt mäluprobleemid, praegused ravimid ja rutiinse tegevuse piirangud) ja levinud demograafilised tunnused [7]. Registrid nagu California Ülikool Aju tervise Register (https://www.brainhealthregistry.org/) [27] ja teised, millele on omane suurem hulk enesest teatatud sümptomeid, kvalitatiivseid meetmeid (nt uni ja igapäevane tunnetus), ravimid, tervislik seisund ja ajalugu ning üksikasjalikum demograafia on oluline nende primitiivsemate mudelite praktilise rakendamise väljatöötamisel ja kinnitamisel kliinikus. Lisaks võib selline test nagu MemTrax, mis on näidanud kasulikkust mälufunktsiooni hindamisel, anda tegelikult oluliselt parema hinnangu AD patoloogiale kui bioloogilised markerid. Arvestades, et AD patoloogia põhitunnuseks on neuroplastilisuse katkemine ja sünapside valdavalt keeruline kadu, mis avaldub episoodilisena. mälu düsfunktsioon, episoodilist mälu hindav meede võib tegelikult olla annavad parema hinnangu AD patoloogilisele koormusele kui eluspatsiendi bioloogilised markerid [36].
Tehisintellekti tunnustatud eelis on tehisintellekti tunnustatud eelis koos kõigi ennustavate mudelitega – olenemata sellest, kas neid täiendavad keerukad ja kõikehõlmavad andmed tipptehnoloogiast ja rafineeritud kliinilised ülevaated mitme valdkonna kohta või need, mis piirduvad olemasolevale patsiendiprofiilile iseloomuliku elementaarsema ja hõlpsamini kättesaadava teabega. ja masinõpe on see, et saadud mudelid saavad sünteesida ja induktiivselt "õppida" asjakohastest uutest andmetest ja perspektiivist, mida pakub pidev rakenduste kasutamine. Pärast praktilist tehnosiiret, kuna siinseid (ja väljatöötatavaid) mudeleid rakendatakse ja rikastatakse rohkemate juhtumite ja asjakohaste andmetega (sealhulgas patsiendid, kellel on kaasuvad haigused, mis võivad kaasneda kognitiivse langusega), on ennustusjõudlus ja kognitiivse tervise klassifikatsioon tugevamad, mille tulemuseks on tõhusam kliiniliste otsuste toetamise kasulikkus. See areng saavutatakse täielikumalt ja praktilisemalt MemTraxi manustamisel kohandatud (saadaolevatele võimalustele suunatud) platvormidele, mida tervishoiuteenuse osutajad saaksid kliinikus reaalajas kasutada.
MemTraxi mudeli valideerimise ja kasulikkuse jaoks diagnostilise toe ja patsiendihoolduse jaoks on väga ihaldatud tähenduslikud pikisuunalised andmed. Vaadeldes ja registreerides kaasnevaid muutusi (kui neid on) kliinilises seisundis piisavas normaalses vahemikus kuni varajase staadiumi MCI-ni, saab sobiva pideva hindamise ja klassifitseerimise mudeleid koolitada ja muuta vastavalt patsientide vanusele ja ravile. See tähendab, et korduv kasutamine võib aidata kergete kognitiivsete muutuste pikisuunalise jälgimise, sekkumise tõhususe ja teadliku kihilise hoolduse säilitamisel. See lähenemisviis on paremini kooskõlas kliinilise praktika ning patsientide ja juhtumite haldamisega.
Piirangud
Hindame väljakutset ja väärtust puhaste kliiniliste andmete kogumisel kontrollitud kliinikus/haiglas. Sellegipoolest oleks see meie modelleerimist tugevdanud, kui meie andmekogumid hõlmaksid rohkem ühiste tunnustega patsiente. Lisaks oleks meie diagnooside modelleerimisest lähtuvalt olnud soovitavam ja sobivam, et õppijate koolitamiseks oleks sama kliiniline hindamine läbi viidud normaalse kognitiivse tervisega sobivatel patsientidel. Ja nagu rõhutab kõrgem klassifitseerimise jõudlus filtreeritud andmestiku (ainult neli parimat funktsiooni), on üldisem ja kognitiivse tervise meetmed/näitajad oleksid tõenäoliselt paranenud tulemuslikkuse modelleerimine suurema hulga ühiste tunnustega kõigi patsientide puhul.
Teatud osalejad võisid samaaegselt kogeda muid haigusi, mis võisid põhjustada ajutisi või kroonilisi kognitiivseid häireid. Peale XL-i alamandmestiku, kus patsiendid olid diagnostiliselt klassifitseeritud kas AD või VaD-ga, ei kogutud/esitatud YH patsientide kogus kaasuvate haiguste andmeid ja KM-i alamandmekogus oli ülekaalukas teatatud kaasuv haigus diabeet. Siiski on vaieldav, et nende patsientide kaasamine meie modelleerimisskeemidesse, kellel on kaasuvad haigused, mis võivad esile kutsuda või süvendada kognitiivse puudulikkuse taset ja sellest tulenevalt madalamat MemTraxi jõudlust, esindaks selle üldisema varajase kognitiivse sõeluuringu jaoks paremini tegelikku patsientide populatsiooni. ja modelleeriv lähenemine. Edasi liikudes on kognitiivset jõudlust potentsiaalselt mõjutavate kaasuvate haiguste täpne diagnoosimine üldiselt kasulik mudelite ja sellest tulenevate patsiendihooldusrakenduste optimeerimiseks.
Lõpuks kasutasid YH ja KM alamandmekogumi patsiendid MemTraxi testi tegemiseks nutitelefoni, samas kui piiratud arv XL alamandmekogumi patsiente kasutas iPadi ja ülejäänud nutitelefoni. See oleks võinud tekitada väikese seadmega seotud erinevuse MemTraxi jõudluses MoCA klassifikatsiooni modelleerimisel. Siiski on erinevused (kui neid on) näiteks seadmete vahel MTx-RT-s tõenäoliselt tühised, eriti kui igale osalejale tehakse "praktikatest" vahetult enne salvestatud testi sooritamist. Sellegipoolest ohustab nende kahe pihuseadme kasulikkus otsest võrdlemist ja/või integreerimist teiste MemTraxi tulemustega, kus kasutajad vastasid korduvatele piltidele arvuti klaviatuuri tühikuklahvi puudutades.
MemTraxi ennustava modelleerimise utiliidi põhipunktid
- • Meie parima jõudlusega ennustamismudelid, mis hõlmavad valitud MemTraxi jõudlusmõõdikuid, võivad usaldusväärselt klassifitseerida kognitiivset tervislikku seisundit (normaalne kognitiivne tervis või MCI), nagu näitab laialt tunnustatud MoCA test.
- • Need tulemused toetavad valitud MemTraxi jõudlusnäitajate integreerimist varajases staadiumis kognitiivsete häirete klassifitseerimise ennustava mudeli sõelumisrakendusse.
- • Meie klassifikatsiooni modelleerimine näitas ka potentsiaali kasutada MemTraxi jõudlust rakendustes dementsuse diagnoosi raskusastme eristamiseks.
Need uudsed leiud loovad lõplikke tõendeid, mis toetavad masinõppe kasulikkust täiustatud tugeva MemTraxi-põhiste klassifikatsioonimudelite loomisel, et pakkuda diagnostilist tuge tõhusas kliinilises juhtumikorralduses ja kognitiivsete häiretega patsientide ravis.
Tunnustused
Tunnustame J. Wesson Ashfordi, Curtis B. Ashfordi ja kolleegide tööd siin kasutatud pideva võrgutuvastuse ülesande ja tööriista (MemTrax) väljatöötamise ja valideerimise eest ning oleme tänulikud arvukatele dementsusega patsientidele, kes aitasid kaasa kriitilisele alusuuringule. . Samuti täname Xianbo Zhoud ja tema kolleege SJN Biomed LTD-st, tema kolleege ja kaastöötajaid haiglates/kliinikutes, eriti dr. M. Luo ja M. Zhong, kes aitasid osalejaid värbada, teste planeerida ning andmeid koguda, salvestada ja esiotsa hallata, ning vabatahtlikud osalejad, kes annetasid oma väärtuslikku aega ja võtsid kohustuse teste läbida ja pakkuda. väärtuslikke andmeid, mida selles uuringus hinnata. See uuringut toetas osaliselt MD Scientific Research Kunmingi meditsiiniülikooli programm (grant nr 2017BS028 kuni XL) ja Yunnani teaduse ja tehnoloogia osakonna uurimisprogramm (grant nr 2019FE001 (-222) kuni XL).
J. Wesson Ashford on esitanud patenditaotluse käesolevas töös kirjeldatud spetsiifilise pideva tuvastamise paradigma kasutamiseks üldiselt mälu testimine.
MemTrax, LLC on Curtis Ashfordile kuuluv ettevõte ja see ettevõte haldab mälu testimine selles artiklis kirjeldatud süsteem.
Autorite avalikustatud teave on saadaval veebis (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
VIITED
| [1] Alzheimeri ühingu (2016) 2016. aasta Alzheimeri tõve faktid ja arvud. Alzheimers Dement, 12, 459–509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Varajase staadiumi mõju Alzheimeri tõbi leibkonna finantstulemuste kohta. Tervisemajandus 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) Kvaliteedi parandamine neuroloogia: kerge kognitiivse kahjustuse kvaliteedi mõõtmise komplekt. Neurology 93, 705–713. |
| [4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) Kasutamise kuluefektiivsus kognitiivsed sõeluuringud dementsuse ja kergete kognitiivsete häirete tuvastamiseks esmatasandi arstiabis. Int J Geriatr Psychiatry 32, 1392–1400. | |
| [5] Ashford JW, Gere E, Bayley PJ (2011) Mälu mõõtmine suurtes rühmades, kasutades pidevat tuvastamistesti. J Alzheimers Dis 27, 885-895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Arvutipõhine pidevtuvastusülesanne episoodilise mälu mõõtmiseks. J Alzheimers Dis 69, 385-399. |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Episoodilise mälu jõudlus masinõppe modelleerimisel kognitiivse terviseseisundi klassifikatsiooni ennustamiseks. J Alzheimers Dis 70, 277–286. |
| [8] van der Hoek MD, Nieuwenhuizen A, Keijer J, Ashford JW (2019) MemTraxi test võrreldes montreali kognitiivse hinnangu hinnanguga kerge kognitiivse kahjustuse kohta. J Alzheimers Dis 67, 1045-1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Isoleeritud vokaalide kasutamine kerge traumaatilise ajukahjustuse klassifitseerimiseks. 2013. aastal IEEE rahvusvaheline akustika, kõne ja signaalitöötluse konverents, Vancouver, BC, lk 7577–7581. |
| [10] | Dabek F, Caban JJ (2015) Suurandmete kasutamine, et modelleerida pärast põrutust tekkinud psühholoogiliste seisundite tõenäosust. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Otsuste puu kognitiivsete häirete varajaseks tuvastamiseks kogukonna apteekrite poolt. 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: lühike sõeluuringu tööriist kergete kognitiivsete häirete korral. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012) Montreali kognitiivse hindamise Pekingi versioon kui kerge kognitiivse kahjustuse lühike sõelumisvahend: kogukonnapõhine uuring. 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) Montreali kognitiivse hindamise põhialuse hiinakeelse versiooni valideerimine kergete kognitiivsete häirete skriinimiseks. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N, Leach L, Murphy KJ (2018) Montreali kognitiivse hindamise (MoCA) piirväärtuste uuesti läbivaatamine. Int J Geriatr Psychiatry 33, 379–388. |
| [16] | American Psychiatric Association (2013) Task Force Psüühikahäirete diagnostika ja statistiline käsiraamat: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC. |
| [17] | Python. Python Software Foundation, http://www.python.org, juurdepääs 15. novembril 2019. |
| [18] | R Core Group, R: Keel ja keskkond statistilise andmetöötluse jaoks R Foundation for Statistical Computing, Viin, Austria. https://www.R-project.org/, 2018, vaadatud 15. novembril 2019. |
| [19] | Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Aeg muutusteks: õpetus mitme klassifikaatori võrdlemiseks Bayesi analüüsi kaudu. J Mach Learn Res 18, 1–36. |
| [20] | Frank E, Hall MA, Witten IH (2016) The WEKA Workbench. sisse Andmekaevandamine: praktilised masinõppe tööriistad ja tehnikad, Frank E, Hall MA, Witten IH, Pal CJ, toim. 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) Masinõpe keskkoolispordi ajupõrutuse sümptomite lahendamise modelleerimisel. Med Sci Sports Exerc 51, 1362–1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Tasakaalustamata andmete põhjal õppimise eksperimentaalsed vaatenurgad. sisse 24. rahvusvahelise masinõppe konverentsi materjalid, Corvalis, Oregon, USA, lk 935–942. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Alzheimeri patsiendi hindamine ja mini-vaimne seisund: Item character curve analysis.P. J Gerontol 44, 139–146. |
| [24] Ashford JW, Jarvik L (1985) Alzheimeri tõbi: Kas neuronite plastilisus soodustab aksonite neurofibrillaarset degeneratsiooni? 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 , Senje J ML , Rocca WA, Petersen RC (2019) Bioloogiliselt ja kliiniliselt määratletud Alzheimeri spektri üksuste levimus riikliku vananemisinstituudi ja Alzheimeri tõve uuringute põhjal Assotsiatsiooniuuringud raamistik. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X , Ashford JW (2019) Edusammud sõelumisinstrumentide vallas Alzheimeri tõbi. 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 Aju tervise Register: Interneti-põhine platvorm neuroteaduse uuringutes osalejate värbamiseks, hindamiseks ja pikisuunaliseks jälgimiseks. Alzheimers Dement, 14, 1063–1076. | |
| [28] Ashford JW, Schmitt FA (2001) Ajakulu modelleerimine Alzheimeri dementsus. 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): Hiina pikisuunalise vaatlusuuringu protokoll, mille eesmärk on töötada välja riskiennustusmudeleid kerge kognitiivse kahjustusega isikutel, kellel on subjektiivne kognitiivne häire. langus. BMJ Open 9, e028188. |
| [30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015) Viieaastane biomarkeri progresseerumise varieeruvus for Alzheimeri tõve dementsus ennustus: kas igapäevaelu keerulised instrumentaalsed tegevused võivad lüngad täita? Alzheimeri dement (Amst) 1, 521–532. | |
| [31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) Alzheimeri tõve ennetamine ja ravi: Treeningu bioloogilised mehhanismid. J Alzheimers Dis 69, 311-338. | |
| [32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) Ravid Alzheimeri tõve ennetamine ja ravi. 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) Seosed vaskulaarse riski vahel täiskasvanueas ja ajupatoloogia vahel hilises eas: tõendid Briti sünnikohordist. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) Dementsusest mõtlemise ennetamine väljaspool vanust ja amüloidikarbid. 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) Süstoolse vererõhu mõju valgeaine terviklikkusele noortel täiskasvanutel Framinghami südameuuringus: rist. -lõikuuring. 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) Biomarkeri testimise täpsus neuropatoloogiliselt määratletud jaoks Alzheimeri tõbi dementsusega vanematel täiskasvanutel. Ann Intern Med 172, 669–677. |
Sidusettevõtted: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] Florida Atlandi Ülikooli arvuti- ja elektrotehnika ning arvutiteaduse osakond, Boca Raton, FL, USA | [c] SJN Biomed LTD, Kunming, Yunnan, Hiina | [d] Keskend Alzheimeri tõve uurimine, Washingtoni kliiniliste uuringute instituut, Washington, DC, USA | [e] Taastusmeditsiini osakond, Kunmingi Meditsiiniülikooli esimene sidushaigla, Kunming, Yunnan, Hiina | [f] Dehongi rahvahaigla neuroloogiaosakond, Dehong, Yunnan, Hiina | [g] Kunmingi meditsiiniülikooli esimese sidushaigla neuroloogiaosakond, Wuhua piirkond, Kunming, Yunnani provints, Hiina | [h] Sõjaga seotud haiguste ja vigastuste uurimiskeskus, VA Palo Alto Tervishoiuamet System, Palo Alto, CA, USA | [i] Stanfordi ülikooli meditsiinikooli psühhiaatria ja käitumisteaduste osakond, Palo Alto, CA, USA
Kirjavahetus: [*] Kirjavahetus aadressil: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. E-post: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, neuroloogia osakond, Kunmingi meditsiiniülikooli esimene sidushaigla, 295 Xichang Road, Wuhua piirkond, Kunming, Yunnani provints 650032, Hiina. E-post: ring@vip.163.com.
Märksõnad: vananemine, Alzheimeri tõbi, dementsus, massiline sõeluuring