MemTrax eta Machine Learning Modeling-en erabilgarritasuna urritasun kognitibo arinaren sailkapenean
Ikerketa artikulua
Egileak: 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
Aldizkaria: Aldizkaria Alzheimer gaixotasuna, vol. 77, ez. 4, pp. 1545-1558, 2020
Laburpena
Aurrekariak:
Intzidentzia eta prebalentzia hedatua Alzheimerra eta narriadura kognitibo arina (MCI) detekzio goiztiarreko baheketa eta ebaluazio kognitiboa baliozkotzeko ikerketarako premiazko deia bultzatu du.
Helburua:
Gure ikerketaren lehen helburua zen zehaztea hautatutako MemTrax-en errendimendu-neurriak eta demografia garrantzitsuak eta osasun-profilaren ezaugarriak modu eraginkorrean erabil daitezkeen makina ikaskuntzarekin osasun kognitiboa sailkatzeko (normala versus MCI) garatutako eredu prediktiboetan, Montrealgo Ebaluazio Kognitiboa (MoCA).
Metodoak:
Zeharkako azterketa bat egin genuen biren artean erreklutatutako 259 neurologia, memoria klinika eta barne medikuntzako paziente helduei buruz. Txinako ospitaleak. Paziente bakoitzari txinatar hizkuntzako MoCA eman zitzaion eta MemTrax lineako aitorpen etengabea autoadministratu zuen. memoria proba sarean egun berean. Sailkapen iragarle-ereduak ikaskuntza automatikoa erabiliz eraiki ziren 10 aldiz baliozkotze gurutzatuarekin, eta ereduaren errendimendua neurtu zen Hargailuaren Ezaugarri Operatiboaren Kurba (AUC) erabiliz. Ereduak MemTrax-en bi errendimendu-neurri erabiliz eraiki ziren (ehuneko zuzena, erantzun-denbora), demografia eta historia pertsonaleko zortzi ezaugarri arruntekin batera.
Emaitzak:
MoCA puntuazioen eta atalaseen konbinazio hautatuen artean ikasleak alderatuz, Naïve Bayes izan zen, oro har, errendimendurik handiena duen ikaslea 0.9093ko sailkapen orokorreko errendimenduarekin. Gainera, hiru ikasle nagusien artean, MemTrax-en oinarritutako sailkapen-errendimendua, orokorrean, goi-mailako lau ezaugarriak (0.9119) erabilita, 10 ezaugarri komunak (0.8999) erabiltzearekin alderatuta, hobeak izan ziren.
Ondorioa:
MemTrax errendimendua modu eraginkorrean erabil daiteke ikaskuntza automatikoko sailkapenaren aurreikuspen-eredu batean Hasierako faseko narriadura kognitiboa detektatzeko baheketa aplikazioa.
AURKEZPENA
Intzidentzia eta prebalentzia oso hedatua (nahiz eta azpidiagnostikatua bada ere) eta areagotzen ari diren mediku, gizarte eta publiko osasuna Alzheimer gaixotasunaren (AD) eta narriadura kognitibo arina (MCI) kostuak eta zama gero eta estuagoak dira eragile guztientzat [1, 2]. Eszenatoki larrigarri eta burges honek baliozkotzeko ikerketarako premiazko deia eragin du detekzio goiztiarra baheketa kognitiboa eta ebaluazio tresnak ohiko erabilgarritasun praktikorako ingurune pertsonal eta klinikoetan paziente adinekoentzat hainbat eskualde eta populaziotan [3]. Tresna horiek informazio-emaitzak osasun-erregistro elektronikoetara itzultzeko aukera ere eman behar dute. Onurak pazienteei jakinaraziz eta medikuei aldaketa esanguratsuak lehenago antzematen lagunduz lortuko dira eta horrela estratifikazio, ezarpen eta jarraipen azkarrago eta puntualagoa ahalbidetuko dute tratamendu eta pazienteen arreta pertsonalizatu eta errentagarriagoa eta gaixoaren arreta esperimentatzen hasten direnentzat. kezka kognitiboa [3, 4].
MemTrax tresna informatizatua (https://memtrax.com) etengabeko errekonozimenduaren ebaluazio sinple eta labur bat da, autoadministratu daitekeena linean, denborazko memoria episodikoaren errendimendu erronka neurtzeko, non erabiltzaileak errepikatutako irudiei erantzuten dien eta ez hasierako aurkezpen bati [5, 6]. Azken ikerketak eta ondoriozko ondorio praktikoak progresiboki eta kolektiboki MemTrax-en eraginkortasun klinikoa AD eta MCI baheketa goiztiarrean frogatzen hasi dira [5-7]. Hala ere, erabilgarritasun klinikoaren zuzeneko alderaketa lehendik dagoenarekin osasun kognitiboa ebaluazioa eta estandar konbentzionalak bermatuta dago ikuspegi profesionalaren berri emateko eta MemTrax erabilgarritasuna berresteko detekzio goiztiar eta diagnostikorako laguntzan. van der Hoek et al. [8] hautatutako MemTrax-en errendimendu-neurriak (erreakzio-abiadura eta ehuneko zuzena) egoera kognitiboarekin alderatu zituen Montrealek zehaztutakoaren arabera. Ebaluazio Kognitiboa (MoCA). Hala ere, azterketa hau errendimendu-neurri hauek egoera kognitiboaren karakterizazioarekin lotzera mugatu zen (MoCAk zehazten duen moduan) eta tarte erlatiboak eta ebaki-balioak definitzera mugatu zen. Horren arabera, ikerketa hau zabaltzeko eta sailkapenaren errendimendua eta eraginkortasuna hobetzeko, gure ikerketa-galdera nagusia hauxe izan zen:
- Pertsona batek hautatutako MemTrax-en errendimendu-neurriak eta demografia eta osasun garrantzitsuak izan ditzake profila ezaugarriak modu eraginkorrean erabili al dira ikaskuntza automatikoarekin garatutako eredu iragarle batean osasun kognitiboa dikotomikoki sailkatzeko (normala versus MCI), norberaren MoCA puntuazioak adieraziko lukeen bezala?
Horren bigarren mailan, jakin nahi genuen:
- Ezaugarri berdinak barne, MemTrax errendimenduan oinarritutako ikaskuntza automatikoko eredu bat eraginkortasunez aplikatu al daiteke paziente bati larritasuna (aruna versus larria) diagnostiko kliniko independente batek zehaztuko lukeen narriadura kognitiboen kategoria hautatuen barruan iragartzeko?
Baheketa/detekzioan adimen artifizialaren eta ikaskuntza automatikoaren sorrerak eta aplikazio praktikoak aurrera egin izanak abantaila praktiko desberdinak erakutsi ditu dagoeneko, eredu prediktiboak modu eraginkorrean gidatzen dituela medikuak osasun kognitibo/garunaren eta pazienteen kudeaketaren ebaluazio erronkan. Gure azterketan, MCI sailkapenaren modelizazioan eta narriadura kognitiboaren larritasunaren diskriminazioan antzeko ikuspegi bat aukeratu dugu Txinako bi ospitaletako boluntario ospitale eta anbulatorioetako hiru datu-multzoen diagnostiko klinikoak baieztatu duenez. Ikaskuntza automatikoko eredu prediktiboa erabiliz, datu-multzo/ikasle konbinazio ezberdinetatik errendimendurik handiena duten ikasleak identifikatu ditugu eta ezaugarriak sailkatu ditugu eredu klinikoki praktikoenak diren aplikazioak zehazten gidatzeko.
Gure hipotesiak ziren MemTrax-en oinarritutako eredu balioztatu bat erabil daitekeela osasun kognitiboa dikotomikoki sailkatzeko (normala edo MCI) MoCA puntuazio agregatuaren atalasearen irizpidearen arabera, eta MemTrax eredu iragarle antzeko bat modu eraginkorrean erabil daitekeela aukeratutako kategorietan larritasuna bereizteko. klinikoki diagnostikatuta narriadura kognitiboa. Aurreikusitako emaitzak frogatzea funtsezkoa izango litzateke MemTrax-en eraginkortasuna babesteko, gainbehera kognitiboaren eta narriadura kognitiboaren sailkapenerako detekzio goiztiarreko pantaila gisa. Industria ustezko estandar batekin alderatuz gero, erraztasun eta erabilgarritasun bizkortasun handiagoz osatuta, medikuei tresna sinple, fidagarri eta eskuragarri hau hasierako pantaila gisa hartzen laguntzeko eragingarria izango litzateke (prodromoa barne) defizit kognitiboak detektatzeko. Horrelako ikuspegi eta erabilgarritasun batek pazientearen arreta eta esku-hartze puntualagoak eta estratifikatuagoak eragin ditzake. Aurrera begirako ikuspegi hauek eta neurri eta eredu hobetuak ere lagungarriak izan daitezke dementziaren progresioa arintzeko edo geldiarazteko, AD eta ADrekin lotutako dementziak (ADRD) barne.
MATERIALAK ETA METODOAK
Ikasketa biztanleria
2018ko urtarrila eta 2019ko abuztua bitartean, Txinako bi ospitaletatik kontratatutako pazienteen zeharkako ikerketa burutu zen. MemTrax [5] 21 urte edo gehiagoko pertsonei administratzea eta datu horien bilketa eta analisia berrikusi eta onartu eta administratu ziren, eta arau etikoen arabera. Giza Stanford Unibertsitateko Gaien Babeserako Batzordea. MemTrax eta azterketa orokor honetarako gainerako proba guztiak 1975eko Helsinkiko deklarazioaren arabera egin ziren eta Kunming Unibertsitate Medikuntzako Lehen Afiliatu Ospitaleko Institutional Review Board-ek onartu zuen Kunming, Yunnan, Txina. Erabiltzaile bakoitzari bat eman zitzaion baimen informatua irakurtzeko/berrikusteko formularioa eta gero borondatez parte hartzea onartu.
Parte-hartzaileak Yanhua Ospitaleko neurologia klinikan (YH azpi-datu multzoa) eta anbulatorioen multzotik kontratatu ziren. memoria klinika Kunming Medical-eko Lehen Ospitale Afiliatuan Unibertsitatea (XL azpidatu multzoa) Pekinen, Txinan. Parte hartzaileak neurologia (XL azpi-datu multzoa) eta barne-medikuntza (KM azpi-datu-multzoa) ospitaleetako pazienteetatik ere kontratatu ziren Kunming Unibertsitate Medikuntzako Lehen Afiliatu Ospitalean. Inklusio-irizpideak honako hauek izan ziren: 1) gutxienez 21 urte dituzten gizon-emakumeak, 2) txinera (mandarinera) hitz egiteko gaitasuna eta 3) hitzezko eta idatzizko jarraibideak ulertzeko gaitasuna. Bazterketa-irizpideak ikusmen- eta motor-urritasunak izan ziren, parte-hartzaileek betetzea eragozten zutenak MemTrax proba, baita probaren jarraibide zehatzak ulertzeko ezintasuna ere.
MemTrax-en txinatar bertsioa
Linea MemTrax proba plataforma itzuli zen txineraz (URL: https://www.memtrax.com.cn) eta gehiago egokitu da WeChat-en bidez erabiltzeko (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Txina) autoadministraziorako. Datuak Txinan kokatutako hodeiko zerbitzari batean (Ali Cloud) gorde ziren eta Alibaba-ren lizentzia (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, Txina) SJN Biomed LTD-k (Kunming, Yunnan, Txina). Hemen erabilitako MemTrax-en eta probaren baliozkotasun-irizpideei buruzko xehetasun zehatzak aurretik deskribatu dira [6]. Proba ordaindu gabe eman zitzaien pazienteei.
Ikasketa prozedurak
Ospitaleentzat eta anbulatorioentzat, informazio demografikoa eta pertsonala biltzeko paperezko galdetegi orokorra, hala nola adina, sexua, ikasketa urteak, lanbidea, bakarrik bizi edo familiarekin, eta historia medikoa ikerketa-taldeko kide batek administratu zuen. Galdetegia bete ondoren, MoCA [12] eta MemTrax probak egin ziren (MoCA lehenik) proben artean 20 minutu baino gehiago egon gabe. MemTrax ehuneko zuzena (MTx-% C), batez besteko erantzun-denbora (MTx-RT) eta probaren data eta ordua paperean erregistratu zituen azterketa-taldeko kide batek probatutako parte-hartzaile bakoitzeko. Osatutako galdetegia eta MoCAren emaitzak Excel kalkulu orri batera igo zituen probak egin zituen ikertzaileak eta lankide batek egiaztatu zituen Excel fitxategiak analisietarako gorde aurretik.
MemTrax proba
MemTrax lineako probak 50 irudi (25 bakarra eta 25 errepikapen; 5 eszena edo objektu arrunten 5 irudi multzo) barne hartu zituen sasi-ausazko ordena zehatz batean. Parte hartzaileak (argibideen arabera) pantailako Hasi botoia ukituko luke proba hasteko eta irudi-seriea ikusten hasteko eta berriro pantailako irudia ukitu ahal bezain azkar irudi errepikatu bat agertzen den bakoitzean. Irudi bakoitza 3 s-tan agertzen zen edo pantailako irudia ukitu arte, eta horrek hurrengo argazkia berehala aurkeztea eragin zuen. Tokiko gailuaren barneko erlojua erabiliz, irudi bakoitzeko MTx-RT irudia aurkeztetik parte-hartzaileak pantaila ukitu zuen arte igarotako denboraren arabera zehaztu zen, irudia jada erakutsitakoa bezala ezagutzen zuela adieraziz. proban zehar. Irudi bakoitzerako MTx-RT grabatu zen, 3 s osoa erantzunik ez zuela adieraziz. MTx-% C erabiltzaileak zuzen erantzun duen errepikapen eta hasierako irudien ehunekoa adierazteko kalkulatu da (egiazko positiboa + egiazko negatiboa 50ekin zatituta). MemTrax administrazioaren eta ezarpenaren xehetasun gehigarriak, datuen murrizketa, datu baliogabeak edo "erantzunik ez" eta lehen datuen analisiak beste nonbait deskribatzen dira [6].
MemTrax proba zehatz-mehatz azaldu zen eta praktika proba bat (emaitzak grabatzeko proban erabilitakoak ez diren irudi bereziekin) eman zitzaien ospitaleko inguruneko parte-hartzaileei. YH eta KM azpi-datu multzoetako parte-hartzaileek MemTrax proba egin zuten WeChat-en aplikazioarekin kargatutako smartphone batean; aldiz, XL azpi-datu-multzoko pazienteen kopuru mugatu batek iPad bat erabiltzen zuen eta gainerakoek smartphone bat. Parte-hartzaile guztiek MemTrax proba egin zuten ikerketa-ikertzaile batek oharkabean behatzen zuela.
Montrealgo ebaluazio kognitiboa
Txinako MoCA (MoCA-BC) [13] Pekineko bertsioa ikertzaile trebatuek administratu eta puntuatu zuten proba ofizialen jarraibideen arabera. Egoki, MoCA-BC fidagarria dela frogatu da kognitiborako proba Txinako adineko helduen heziketa-maila guztietan egindako baheketa [14]. Proba bakoitzak 10 eta 30 minutu inguru behar zituen parte-hartzaileen gaitasun kognitiboen arabera administratzeko.
MoCA sailkapenaren modelizazioa
Guztira 29 funtzio erabilgarri zeuden, bi MemTrax barne probaren errendimenduaren neurketak eta demografiari eta osasunari lotutako 27 ezaugarri parte-hartzaile bakoitzaren informazioa. Paziente bakoitzaren MoCA probaren puntuazio agregatua erabili zen baheketa kognitiboa "erreferentzia" gure eredu prediktiboak trebatzeko. Horren arabera, MoCA klasearen etiketa sortzeko erabili zenez, ezin izan genuen puntuazio agregatua (edo MoCA azpimultzoko puntuazioren bat) erabili ezaugarri independente gisa. Aurretiazko esperimentuak egin genituen eta bertan modelatu genituen (MoCAk definitutako osasun kognitiboa sailkatuz) jatorrizko hiru ospitale/klinika(k) azpi-datu multzoak banan-banan eta gero konbinatu egin genituen ezaugarri guztiak erabiliz. Hala ere, datu-elementu berdin guztiak ez ziren bildu hiru azpidatu multzoak ordezkatzen dituzten lau kliniketako bakoitzean; horrela, datu-multzo konbinatuan ditugun ezaugarri askok (eginbide guztiak erabiltzean) falta diren balioen intzidentzia handia zuten. Ondoren, datu-multzo konbinatuarekin ereduak eraiki genituen ezaugarri komunak soilik erabiliz eta horrek sailkapenaren errendimendua hobetu zuen. Litekeena da hori pazienteen hiru azpidatu multzoak konbinatuz lan egiteko instantzia gehiago izatearen konbinazioarekin eta falta diren balioen gehiegizko prebalentzia duen ezaugarririk ez (datu multzo konbinatuan eginbide bakarrak, lan motak, falta diren balioak zituen, eraginik). hiru paziente kasu bakarrik), hiru guneetan erregistratutako ezaugarri komunak bakarrik sartu zirelako. Nabarmentzekoa, datu-multzo konbinatuan sartu ez zen ezaugarri bakoitzerako ez geneukan ezespen irizpide zehatzik. Hala ere, gure datu-multzo konbinatuen aurretiazko modelizazioan, lehenik eta behin pazienteen hiru azpidatu-multzo bereizietako ezaugarri guztiak erabili genituen. Honen ondorioz, ereduaren errendimendua izan zen azpidatu-multzo bakoitzean hasierako aurretiazko modelizazioa baino nabarmen txikiagoa izan zen. Gainera, ezaugarri guztiak erabiliz eraikitako ereduen sailkapen-errendimendua pozgarria zen arren, ikasle eta sailkapen-eskema guztietan, errendimendua hobetu zen eredu gehiagotan ezaugarri komunak soilik erabiltzen zirenean. Izan ere, gure ikasle nagusi izan zirenen artean, eredu guztiak hobetu ziren ohikoak ez diren ezaugarriak ezabatzean.
Azken datu-multzoak (YH, XL eta KM konbinatuta) 259 instantzia zituen, bakoitzak MemTrax eta MoCA probak egin zituen parte-hartzaile bakarra ordezkatuz. 10 ezaugarri independente partekatu ziren: MemTrax-en errendimendu-neurriak: MTx-% C eta batez besteko MTx-RT; Historia demografikoa eta medikuaren informazioa: adina, sexua, ikasketa-urteak, lan mota (lepo urdina/lepo zuria), gizarte-laguntza (proba egiten duena bakarrik edo familiarekin bizi den), eta erabiltzaileak izan ote duen baietz/ez erantzunak. diabetes, hiperlipidemia edo garuneko lesio traumatikoaren historia. Bi metrika gehigarri, MoCA puntuazio agregatua eta MoCA puntuazio agregatua hezkuntza-urteetarako egokitutako [12], bereizita erabili ziren menpeko sailkapen etiketak garatzeko, eta horrela gure datu multzo konbinatuari aplikatzeko bi modelizazio eskema ezberdin sortu ziren. MoCA puntuazioaren bertsio bakoitzeko (doitutakoa eta doitu gabea), datuak bereizita modelatu ziren berriro sailkapen bitarreko bi irizpide-atalase ezberdin erabiliz: hasieran gomendatutakoa [12] eta besteek erabilitako eta sustaturiko ordezko balio bat [8, 15]. Ordezko atalasearen sailkapen-eskeman, paziente batek osasun kognitibo normala zuela kontsideratu zen, baldin eta MoCA proban ≥23 puntuazioa lortzen bazuen eta MCI zuen puntuazioa 22 edo txikiagoa bazen; aldiz, gomendatutako hasierako sailkapen-formatuan, pazienteak 26 edo gehiago lortu behar zuen MoCAn osasun kognitibo normaltzat etiketatua izateko.
MoCA sailkapenaren modelizaziorako iragazitako datuak
MoCA sailkapena gehiago aztertu dugu erabili ohi diren ezaugarriak sailkatzeko lau teknika erabiliz: Chi-karratua, Irabazien ratioa, Informazioaren irabazia eta Ziurgabetasun simetrikoa. Behin-behineko ikuspegirako, sailkapenak datu-multzo konbinatu osoan aplikatu genituen gure lau modelizazio-eskemetako bakoitza erabiliz. Sailkapen guztiek ezaugarri nagusi berdinak adostu zituzten, hau da, adina, hezkuntza-urte kopurua eta bi MemTrax-en errendimendu-neurriak (MTx-% C, batez besteko MTx-RT). Ondoren, ereduak berreraiki ditugu ezaugarriak aukeratzeko teknika bakoitza erabiliz ereduak lau ezaugarri nagusietan soilik trebatzeko (ikus Eginbideen hautapena beherago).
MoCA puntuazioaren sailkapenaren modelizazio-eskemaren ondoriozko azken zortzi aldakuntzak 1. taulan aurkezten dira.
1. taula
MoCA sailkapenerako erabilitako modelizazio-eskemaren aldaketen laburpena (Normal Osasun kognitiboa MCI versus)
| Modelaketa eskema | Osasun kognitibo normala (klase negatiboa) | MCI (klase positiboa) |
| Egokitua-23 Iragazi gabe/Iragaziz | 101 (39.0%) | 158 (61.0%) |
| Egokitua-26 Iragazi gabe/Iragaziz | 49 (18.9%) | 210 (81.1%) |
| Egokitu gabe-23 Iragazi/Iragazi | 92 (35.5%) | 167 (64.5%) |
| Egokitu gabe-26 Iragazi/Iragazi | 42 (16.2%) | 217 (83.8%) |
Klase bakoitzeko paziente guztien kopurua eta ehunekoa hezkuntzarako puntuazioaren doikuntzaren arabera bereizten dira (Egokitua edo Egokitu gabea) eta sailkapen-atalasea (23 edo 26), bi ezaugarri-multzoei aplikatuta (Iragazkirik gabea eta Iragazitakoa).
MemTrax-en oinarritutako ebaluazio klinikoaren modelizazioa
Gure jatorrizko hiru azpi-datu-multzoetatik (YH, XL, KM), XL azpi-datu-multzoko pazienteei bakarrik klinikoki diagnostikatu zitzaien narriadura kognitiboa (hau da, dagozkien MoCA puntuazioak ez ziren erabili normalaren versus kaltetuen sailkapena ezartzeko). Zehazki, XL pazienteei bi diagnostikatu zitzaien Alzheimer gaixotasunaren proba (AD) edo dementzia baskularra (VaD). Diagnostiko nagusien kategoria horietako bakoitzaren barruan, MCI izendapen gehiago zegoen. MCI, dementzia, nahaste neurokognitibo baskularra eta ADren ondoriozko nahaste neurokognitiboaren diagnostikoak Buruko Nahasteen Diagnostiko eta Estatistika Eskuliburuan zehaztutako diagnostiko-irizpide espezifiko eta bereizgarrietan oinarritzen ziren: DSM-5 [16]. Diagnostiko findu hauek kontuan hartuta, XL azpidatu-multzoan bi sailkapen-eredu-eskema aplikatu ziren diagnostiko nagusiko kategoria bakoitzeko larritasun-maila (narriadura-maila) bereizteko. Diagnostikoko modelizazio-eskema horietako bakoitzean (AD eta VaD) erabilitako datuek demografia eta pazientearen historiaren informazioa barne hartzen zuten, baita MemTrax-en errendimendua ere (MTx-% C, batez besteko MTx-RT). Diagnostiko bakoitza arina etiketatu zen MCI izendatuz gero; bestela, larritzat jotzen zen. Hasiera batean MoCA puntuazioa diagnostiko ereduetan sartzea pentsatu genuen (aruna versus larria); baina zehaztu genuen horrek gure bigarren mailako eredu prediktiboaren helburua galduko zuela. Hemen ikasleak hornitzaileak eskura dituen beste paziente ezaugarri batzuk eta MemTrax proba sinpleagoaren (MoCA-ren ordez) errendimendu-neurriak erabiliz trebatuko lirateke "urrezko estandarra" erreferentziarekin, diagnostiko kliniko independentearekin. AD diagnostiko datu-multzoan 69 instantzia zeuden eta VaD-ren 76 instantzia (Taula 2). Bi datu multzoetan, 12 ezaugarri independente zeuden. MoCA puntuazioaren sailkapenean jasotako 10 ezaugarriez gain, pazientearen historiak hipertentsioaren eta trazuaren historiari buruzko informazioa ere barne hartzen zuen.
2. taula
Diagnostikoaren larritasunaren sailkapenerako erabilitako modelizazio-eskemaren aldaketen laburpena (Arinak versus Larriak)
| Modelaketa eskema | Arina (klase negatiboa) | Larria (klase positiboa) |
| MCI-AD versus AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD versus VaD | 38 (50.0%) | 38 (50.0%) |
Klase bakoitzeko paziente guztien kopurua eta ehunekoa lehen mailako diagnostiko kategoriaren arabera bereizten dira (AD edo VaD).
Estatistikak
Parte-hartzaileen ezaugarrien eta beste zenbakizko ezaugarrien konparaketa ereduaren sailkapen estrategia bakoitzerako azpidatu multzoen artean (MoCA osasun kognitiboa eta diagnostikoaren larritasuna aurreikusteko) Python programazio-lengoaia erabiliz (2.7.1 bertsioa) egin zen [17]. Ereduaren errendimendu-diferentziak faktore bakarreko edo biko (egokiaren arabera) ANOVA erabiliz zehaztu ziren, % 95eko konfiantza-tartearekin eta Tukey-ren diferentzia esanguratsu zintzoa (HSD) proba, errendimenduaren batez bestekoak alderatzeko. Ereduen errendimenduen arteko desberdintasunen azterketa hau Python eta R (3.5.1 bertsioa) konbinazio bat erabiliz egin da [18]. Ikuspegi hau (nahiz eta, dudarik gabe, optimoa baino gutxiago) erabili genuen laguntza heuristiko gisa soilik. hasierako fasea hasierako ereduaren errendimenduen konparaketa egiteko balizko aplikazio klinikoa aurreikusteko. Ondoren, Bayesiako sinadura-mailako proba erabili genuen ondorengo banaketa erabiliz, ereduaren errendimendu-desberdintasunen probabilitatea zehazteko [19]. Analisi hauetarako, –0.01, 0.01 tartea erabili dugu, bi taldeek 0.01 baino gutxiagoko errendimendu-diferentzia izan badute, berdintzat hartzen zirela (baliokidetasun praktikoaren eremuan), edo bestela desberdinak zirela (bat baino hobea). bestea). Sailkatzaileen konparaketa bayesiarra egiteko eta probabilitate horiek kalkulatzeko, baycomp liburutegia (1.0.2 bertsioa) erabili dugu Python 3.6.4.
Eredu prediktiboa
Iragarpen-ereduak eraiki ditugu gure modelizazio-eskemetako hamar aldaera guztira erabiliz paziente bakoitzaren MoCA probaren emaitza edo diagnostiko klinikoaren larritasuna aurreikusteko (sailkatzeko). Ikasle guztiak aplikatu ziren eta ereduak Weka kode irekiko software plataforma erabiliz eraiki ziren [20]. Gure aurretiazko analisirako, normalean erabiltzen diren 10 ikaskuntza-algoritmo erabili ditugu: 5-Nearest Neighbors, C4.5 erabaki-zuhaitzaren bi bertsio, Logistic Regression, Multigeruza Perceptron, Naïve Bayes, Random Forest-en bi bertsio, Radial Basis Function Network eta Support Vector. Makina. Algoritmo horien funtsezko atributuak eta kontrasteak beste nonbait deskribatu dira [21] (ikusi dagokien eranskina). Hauek hainbat ikasle mota ordezkatzen dituztelako aukeratu dira eta aurreko analisietan antzeko datuekin egindako analisietan arrakasta erakutsi dugulako. Hiper-parametroen ezarpenak gure aurreko ikerketetatik aukeratu ziren hainbat datutan sendoak direla adieraziz [22]. Gure aurretiazko analisiaren emaitzetan oinarrituta, ondoren analisi osoan erabili ziren ezaugarri komunak dituzten datu-multzo konbinatu berdina erabiliz, sailkapen guztietan etengabeko errendimendu sendoa eman duten hiru ikasle identifikatu ditugu: Erregresio Logistikoa, Naïve Bayes eta Support Vector Machine.
Baliozkotze gurutzatua eta ereduaren errendimenduaren metrika
Eredu iragarle guztietarako (aurreko analisiak barne), eredu bakoitza 10 aldiz baliozkotze gurutzatua erabiliz eraiki zen, eta ereduaren errendimendua Hargailuaren Funtzionamenduaren Ezaugarri Kurba (AUC) erabiliz neurtu zen. Balioztatze gurutzatua 10 modelizazio-eskema datu-multzoetako bakoitza 10 segmentu berdinetan (tolestura) ausaz banatzen hasi zen, dagozkien segmentu horietako bederatzi eredua trebatzeko eta gainerako segmentua probatzeko erabiliz. Prozedura hau 10 aldiz errepikatu zen, iterazio bakoitzean proba ezarri bezala segmentu ezberdin bat erabiliz. Ondoren, emaitzak konbinatu ziren azken ereduaren emaitza/errendimendua kalkulatzeko. Ikasle/datu-multzo konbinazio bakoitzeko, prozesu osoa 10 aldiz errepikatu da eta aldi bakoitzean datuak modu ezberdinean banatu dira. Azken urrats honek alborapena murriztu zuen, erreplikagarritasuna bermatu zuen eta ereduaren errendimendu orokorra zehazten lagundu zuen. Guztira (MoCA puntuazioa eta diagnostikoaren larritasuna sailkatzeko eskemetarako konbinatuta), 6,600 modelo eraiki ziren. Iragazi gabeko 1,800 eredu (6 modelizazio-eskema datu-multzoari aplikatutako × 3 ikasleri × 10 exekuzio × 10 tolestura = 1,800 eredu) eta 4,800 iragazitako eredu (4 modelizazio-eskema datu-multzoari aplikatutako × 3 ikasle × 4 ezaugarri hautatzeko teknika × 10 exekuzio ×) 10 toles = 4,800 modelo).
Eginbideen hautapena
Iragazitako ereduetarako, ezaugarrien hautaketa (lau ezaugarrien sailkapen metodoak erabiliz) baliozkotze gurutzatuaren barruan egin zen. 10 tolesduretako bakoitzerako, datu-multzoaren %10 desberdina probako datuak zirenez, entrenamendu-datu-multzo bakoitzerako aukeratutako lau ezaugarri nagusiak soilik erabili ziren (hau da, beste bederatzi tolesturak edo datu-multzo osoaren gainerako %90a) erabili ziren. ereduak eraikitzeko. Ezin izan dugu baieztatu zein lau ezaugarri erabili ziren eredu bakoitzean, informazio hori ez baita erabiltzen dugun modelizazio plataforman (Weka) gordetzen edo erabilgarri jartzen. Hala ere, sailkapenak datu-multzo konbinatu osora aplikatu zirenean gure hasierako ezaugarri nagusien hautapenaren koherentzia eta ondorengo antzekotasuna kontuan hartuta, ezaugarri hauek berdinak (adina, ikasketa-urteak, MTx-% C eta batez besteko MTx-RT). ) balidazio gurutzatuaren prozesuko ezaugarrien hautapenarekin batera erabiltzen diren lau nagusienak dira ziurrenik.
EMAITZAK
Parte-hartzaileen zenbakizko ezaugarriak (MoCA puntuazioak eta MemTrax errendimenduaren neurketak barne) ereduen sailkapen estrategia bakoitzeko datu-multzoen arabera, MoCAk adierazitako osasun kognitiboa (normala versus MCI) eta diagnostikoaren larritasuna (aruna versus larria) iragartzeko ageri dira 3. taulan.
3. taula
Parte-hartzaileen ezaugarriak, MoCA puntuazioak eta MemTrax-en errendimendua ereduen sailkapen estrategia bakoitzeko
| Sailkapen Estrategia | Adina | Hezkuntza | MoCA egokitua | MoCA egokitu gabe | MTx-% C | MTx-RT |
| MoCA Kategoria | 61.9 urte (13.1) | 9.6 urte (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 s (0.3) |
| Diagnostikoa Larritasuna | 65.6 urte (12.1) | 8.6 urte (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 s (0.3) |
Modeloaren sailkapen-estrategien arabera bereizitako balioak (batez bestekoa, SD) MoCAk adierazitako osasun kognitiboa (MCI versus normala) aurreikusteko erabiltzen den datu-multzo konbinatuaren adierazgarriak dira eta diagnostikoaren larritasuna (aruna versus larria) iragartzeko soilik erabiltzen den XL azpidatu multzoa.
MoCA puntuazioaren (doitua/doitu gabea) eta atalasearen (26/23) konbinazio bakoitzeko, alde estatistiko bat zegoen (p = 0.000) bikoteka konparazio bakoitzean (osasun kognitibo normala versus MCI) adina, hezkuntza eta MemTrax errendimendua (MTx-% C eta MTx-RT). Konbinazio bakoitzerako dagokien MCI klaseko pazientearen azpi-datu-multzo bakoitza 9 eta 15 urte bitartekoa zen batez beste, bost urte gutxiagoko hezkuntzaren berri eman zuen eta MemTrax-en errendimendu ez hain onuragarria izan zuen bi neurketetarako.
MoCA puntuazio-sailkapenetarako aurreikuspen-errendimenduaren emaitzak hiru ikasle onenak erabiliz, Logistic Regression, Naïve Bayes eta Support Vector Machine, 4. taulan agertzen dira. Hiru hauek eredu guztietan ikasleen errendimendu absolutu koherenteenaren arabera aukeratu ziren. modelizazio-eskema guztien datu-multzoei aplikatuta. Iragazi gabeko datu-multzorako eta modelizaziorako, 4. taulako datu-balio bakoitzak ikaslearen/modelizazio eskema konbinazio bakoitzerako eraikitako 100 ereduetatik (10 exekuzio × 10 tolestura) eratorritako AUC batez bestekoaren araberako ereduaren errendimendua adierazten du, dagokion altuena izanik. lodiz adierazitako ikasle errenditzailea. Iragazitako datu-multzoen modelizazioari dagokionez, 4. taulan adierazitako emaitzek ikasle bakoitzaren 400 ereduen batez besteko errendimendu orokorra islatzen dute ezaugarrien sailkapen metodo bakoitza erabiliz (4 ezaugarri sailkapen metodo × 10 korrika × 10 tolestura).
4. taula
MoCA puntuazio dikotomikoen sailkapenaren errendimendua (AUC; 0.0-1.0) emaitzak errendimendu goreneko hiru ikasleetako bakoitzarentzat modelizazio-eskema guztietan
| Ezaugarri multzoa erabiltzen da | MoCA puntuazioa | Mozketa Atalasea | Erregresio Logistikoa | Bayes naif | Laguntza Bektore Makina |
| Iragazi gabe (10 ezaugarri) | Egokitu | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Egokitu gabea | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Iragazita (4 ezaugarri) | Egokitu | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Egokitu gabea | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Ezaugarri-multzoaren, MoCA puntuazioaren eta MoCA puntuaren mozketaren atalasearen aldaerak erabiliz, modelizazio-eskema bakoitzaren errendimendurik handiena erakusten da. (ez da zertan estatistikoki desberdina sartzen ez diren beste guztiak baino dagokion eredurako).
Iragazi gabeko datu-multzo konbinatuan (hau da, 23 ezaugarri komunak erabiliz) MoCA puntuazioen bertsio eta atalaseen konbinazio guztietan (doitua/doitu gabea eta 26/10, hurrenez hurren) konparatuz (hau da, 0.9093 ezaugarri komunak erabiliz), Naïve Bayes izan zen orokorrean errendimendurik handiena duen ikaslea. XNUMXko sailkapenaren errendimendua. Hiru ikasle nagusiak kontuan hartuta, Bayesiarrekin korrelazionatutako maila sinatuen probek adierazi zuten probabilitatea (Pr) Naïve Bayes-ek Erregresio Logistikoa gainditzen zuen %99.9koa izan zen. Gainera, Naïve Bayes-en eta Support Vector Machineren artean, % 21.0ko probabilitatea baliokidetasun praktikoa ikasleen errendimenduan (horrela, Naïve Bayes-ek Support Vector Machine gainditzeko probabilitatea % 79.0), eta % 0.0ko probabilitatearekin batera, Euskarri Bektorial-Makinaren errendimendu hobea, neurgarria. errendimendu abantaila indartzen du Naïve Bayesentzat. MoCA puntuazioaren bertsioa ikasle/atalase guztietan konparatuz gero, errendimendu abantaila txiki bat iradokitzen da egokitu gabeko MoCA puntuazioak erabiliz, egokitutakoaren aldean (0.9027 versus 0.8971, hurrenez hurren; Pr (doitu gabe > doitua) = 0.988). Era berean, ikasle guztien eta MoCA puntuazioaren bertsioen arteko ebaki-atalasea alderatuz gero, sailkapen-errendimenduaren abantaila txiki bat adierazi zuen 26 sailkapen-atalase gisa erabiliz 23ren aurrean (0.9056 versus 0.8942, hurrenez hurren; Pr (26 > 23) = 0.999). Azkenik, iragazitako emaitzak soilik erabiltzen dituzten ereduen sailkapen-errendimendua aztertuta (hau da, lehen mailako lau ezaugarriak soilik), Naïve Bayes (0.9143) MoCA puntuazioen bertsio/atalase guztietan izan zen zenbakiz errendimendurik handiena duen ikaslea. Hala ere, ezaugarriak sailkatzeko teknika guztietan konbinatuta, errendimendu goreneko ikasle guztiek antzera jokatu zuten. Bayesiako sinadura-mailako probek iragazitako ikasle bikote bakoitzaren arteko baliokidetasun praktikoaren %100eko probabilitatea erakutsi zuten. Iragazi gabeko datuekin bezala (10 ezaugarri komun guztiak erabiliz), berriro ere errendimendu abantaila bat zegoen MoCA puntuazioaren bertsio egokituarekin (Pr (egokitu gabe > doitu) = 1.000), baita 26ko sailkapen-atalaserako abantaila antzera (Pr (26 > 23) = 1.000). Nabarmentzekoa, MoCA puntuazio-bertsio/atalase guztietan hiru ikasle nagusien batez besteko errendimenduak goi-mailako lau ezaugarriak erabiliz soilik gainditu zuen edozein ikasleren batez besteko errendimendua iragazi gabeko datuetan. Ez da harritzekoa, iragazitako ereduen sailkapen-errendimendua (goieneko lau ezaugarriak erabiliz) orokorrean hobea izan zen (0.9119) iragazi gabeko ereduen aldean (0.8999), 10 komunak erabiltzen dituzten ezaugarrien sailkapen-metodoaren ereduak kontuan hartu gabe. Ezaugarriak. Ezaugarri hautatzeko metodo bakoitzeko, % 100eko probabilitatea zegoen iragazi gabeko ereduen aurrean errendimendu abantaila bat izateko.
AD diagnostikoko larritasunaren sailkapenerako kontuan hartutako pazienteekin, taldeen arteko (MCI-AD versus AD) desberdintasunak adinerako (p = 0.004), hezkuntza (p = 0.028), MoCA puntuazioa doitu/egokitu gabe (p = 0.000), eta MTx-% C (p = 0.008) estatistikoki esanguratsuak izan ziren; MTx-RT-rako, berriz, ez zen (p = 0.097). VaD diagnostikoaren larritasunaren sailkapenerako kontuan hartutako pazienteekin, taldeen arteko desberdintasunak (MCI-VaD versus VaD) MoCA puntuaziorako egokituta/egokitu gabe (p = 0.007) eta MTx-% C (p = 0.026) eta MTx-RT (p = 0.001) estatistikoki esanguratsuak izan ziren; adinagatik (p = 0.511) eta hezkuntza (p = 0.157) ez zegoen taldeen arteko desberdintasun esanguratsurik.
Aurrez hautatutako hiru ikasleen, Logistic Regression, Naïve Bayes eta Support Vector Machine erabiliz diagnostikoaren larritasunaren sailkapenetarako aurreikuspenen errendimenduaren emaitzak 5. taulan agertzen dira. Aztertutako ikasle gehigarriek, berriz, errendimendu apur bat handiagoak erakutsi zituzten banaka diagnostiko klinikoko bi kategorietako batekin. , gure aurreko modelizazioan aldekoenak bezala identifikatu genituen hiru ikasleek errendimendu koherenteena eskaini zuten bi modelizazio eskema berriekin. Lehen mailako diagnostiko-kategoria bakoitzean (AD eta VaD) ikasleak alderatuz gero, ez zen MCI-VaD-ren eta VaD-rako ikasleen arteko sailkapen-errendimendu-desberdintasun koherenterik izan, nahiz eta Support Vector Machine orokorrean nabarmenagoa izan. Era berean, ez zegoen MCI-AD eta AD sailkapenerako ikasleen artean ezberdintasun esanguratsurik, nahiz eta Naïve Bayes-ek (NB) errendimendu abantaila txikia izan Erregresio Logistikoarekiko (LR) eta pluraltasun arbuiagarria besterik ez Support Vector Machineren aldean, % 61.4ko probabilitateekin. eta %41.7 hurrenez hurren. Bi datu multzoetan, Support Vector Machine (SVM) errendimendu abantaila orokorra zegoen Pr (SVM > LR) = 0.819 eta Pr (SVM > NB) = 0.934. XL azpidatu multzoan diagnostikoaren larritasuna iragartzeko ikasle guztien sailkapen-errendimendu orokorra hobea izan zen VaD diagnostiko kategorian AD baino (Pr (VAD > AD) = 0.998).
5. taula
Diagnostiko kliniko dikotomikoen larritasunaren sailkapenaren errendimendua (AUC; 0.0-1.0) emaitzak errendimendu goreneko hiru ikasleetako bakoitzarentzat, dagozkien modelizazio-eskemetarako
| Modelaketa eskema | Erregresio Logistikoa | Bayes naif | Laguntza Bektore Makina |
| MCI-AD versus AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD versus VaD | 0.8033 | 0.8044 | 0.8338 |
Modelizazio-eskema bakoitzaren errendimendurik altuena atalean agertzen da (ez da nahitaez estatistikoki desberdina beste batzuk baino ).
EZTABAIDA
Osasun kognitiboan aldaketak goiz detektatzeak garrantzitsua du baliagarritasun praktikoa osasun pertsonalaren kudeaketan eta osasun publikoan. Izan ere, mundu osoko pazienteentzat oso lehentasun handia du ingurune klinikoetan. Helburu partekatua pazienteei, zaintzaileei eta hornitzaileei ohartaraztea eta tratamendu egokia eta kostu-eraginkorra eta luzerako arreta eskaintzea da gainbehera kognitiboa jasaten hasten direnentzat. Gure hiru ospitale/klinika(k) datu-azpimultzoak batuz, hobetsiko diren hiru ikasle identifikatu ditugu (naipagarri batekin: Naïve Bayes) eredu prediktiboak eraikitzeko. Osasun-egoera kognitiboa modu fidagarrian sailka dezaketen MemTrax-en errendimendu-neurriak dikotomikoki (osasun kognitibo normala edo MCI) MoCA puntuazio agregatu batek adieraziko lukeen bezala. Nabarmentzekoa, hiru ikasleen sailkapen-errendimendu orokorra hobetu zen gure ereduek MemTrax-en errendimendu-neurri hauek nagusiki biltzen zituzten lehen mailako lau ezaugarriak soilik erabiltzen zituztenean. Gainera, ikasle berberak eta MemTrax errendimendu-neurriak erabiltzeko diagnostiko euskarriaren sailkapenaren modelizazio-eskema batean frogatutako potentziala agerian utzi genuen dementzia-diagnostikoaren bi kategorien larritasuna bereizteko: AD eta VaD.
Memoria probak funtsezkoa da AD goiz antzemateko [23, 24]. Beraz, egokia da MemTrax lineako onargarria, erakargarria eta ezartzeko erraza izatea. Oroimen episodikoaren baheketa proba biztanleria orokorrean [6]. Etengabeko zeregin honen antzematearen zehaztasuna eta erantzun-denborak bereziki nabarmenak dira ikaskuntzarekin, memoriarekin eta kognizioarekin lotutako prozesu neuroplastikoen narriadura goiztiarra eta ebolutiboa eta ondoriozko defizitak identifikatzeko. Hau da, MemTrax-en errendimendu-neurrietan oinarritzen diren ereduak, neurri handi batean, sentikorrak dira eta litekeena da erraz eta kostu minimoarekin defizit neuropatologiko biologikoak agerian uztea sintomatiko trantsizioko fasean zehar, galera funtzional handiagoaren aurretik [25]. Ashford et al. MemTrax-ekin beren kabuz parte hartu zuten lineako erabiltzaileen errekonozimendu-memoriaren zehaztasunaren eta erantzun-denboraren ereduak eta jokabideak gertutik aztertu zituen [6]. Banaketa hauek funtsezkoak direla modelizazio optimoan eta pazienteen arretarako aplikazio baliozko eta eraginkorrak garatzeko, klinikoki aplikagarriak diren errekonozimendu eta erantzun denbora profilak definitzea ezinbestekoa da oinarrizko erreferentzia baliotsu bat ezartzeko erabilgarritasun klinikorako eta ikerketarako. MemTrax-ek lehen faseko narriadura kognitiboaren eta diagnostiko diferentzialaren laguntzarako AD bahean duen balio praktikoa hobeto aztertu behar da ingurune kliniko baten testuinguruan, non probaren errendimenduan eragiten duten komorbiditateak eta gaitasun kognitibo, sentsorial eta motorrak kontuan hartu daitezkeen. Eta ikuspuntu profesionalaren berri emateko eta erabilgarritasun kliniko praktikoa bultzatzeko, lehenik eta behin ezinbestekoa da ezarritako osasun-ebaluazio kognitiboko proba batekin alderatzea frogatzea, nahiz eta azken hau proba astunak izan ditzakeen logistika, hezkuntza eta hizkuntza disuasioak eta kultur eraginak [26] . . Zentzu honetan, MemTrax-en eraginkortasun klinikoan MoCA-rekin alderatuz gero, esanguratsua da industriako estandar gisa esan ohi dena, batez ere MemTrax-en erabilgarritasun-erraztasun handiagoa eta pazientearen onarpena pisatzen denean.
MemTrax-ekin MoCArekin alderatuz aurreko esplorazioak gure modelizazio-ikerketa bermatzen duten arrazoia eta aurretiazko ebidentzia nabarmentzen ditu [8]. Hala ere, aldez aurretiko konparaketa honek MoCAk zehaztutako egoera kognitiboarekin aztertu ditugun bi MemTrax-en errendimendu-neurri nagusiak lotu besterik ez du egin eta dagozkien barrutiak eta ebaki-balioak zehaztu ditu. MemTrax-en erabilgarritasun klinikoaren ebaluazioan sakondu genuen, pazienteentzako garrantzitsuak izan litezkeen beste parametro espezifiko batzuen kontsiderazio indibidualizatuagoa emango lukeen eredu iragarlean oinarritutako ikuspegi bat aztertuz. Beste batzuen aldean, ez dugu abantailarik aurkitu ereduaren errendimenduan MoCA puntuazioaren hezkuntzaren zuzenketa (doikuntza) erabiliz edo osasun kognitiboa bereizten duen MoCA puntuazio agregatuaren atalasea hasieran gomendatutako 26tik 23ra aldatzean [12, 15]. Izan ere, sailkapenaren errendimenduaren abantailak egokitu gabeko MoCA puntuazioa eta atalase altuena erabiltzearen alde egin zuen.
Praktika klinikoan funtsezko puntuak
Makina-ikaskuntza sarritan erabiltzen da hobekien eta eraginkorrena modelizazio prediktiboan datuak zabalak eta dimentsio anitzekoak direnean, hau da, behaketa ugari eta balio handiko (ekargarri) atributu sorta zabal bat daudenean. Hala ere, uneko datu hauekin, lau ezaugarri hautatu baino ez dituzten iragazitako modeloek 10 ezaugarri komunak erabiltzen dituztenek baino hobeto funtzionatzen dute. Horrek iradokitzen du gure ospitaleko datu multzoak ez zituela klinikoki egokienak (balio handiko) ezaugarririk pazienteak modu optimoan sailkatzeko. Hala ere, MemTrax-en errendimendu-neurri gakoetan (MTx-% C eta MTx-RT) ezaugarrien sailkapenaren azpimarratzeak oso onartzen du proba honen inguruan defizit kognitiboaren baheketa-ereduak sortzea, erraza, administratzeko erraza, kostu baxua eta egokia dena. memoriaren errendimendua, gutxienez oraintxe bertan osasun egoera kognitiboaren sailkapen bitar baten hasierako pantaila gisa. Hornitzaileen eta osasun-sistemen etengabeko tentsioa kontuan hartuta, pazienteen baheketa-prozesuak eta aplikazio klinikoak behar bezala garatu behar dira, diagnostikorako erabilgarrienak, abantailatsuenak eta eraginkorrenak diren pazienteen ezaugarriak eta proba-neurriak bildu, jarraitu eta modelatzeari arreta jarriz. eta pazienteak kudeatzeko laguntza.
MemTrax-en bi neurketa funtsezkoak MCI sailkapenean funtsezkoak izanik, gure errendimendurik handiena duen ikasleak (Naïve Bayes) eredu gehienetan aurreikuspen-errendimendu oso altua izan zuen (AUC 0.90 baino gehiago), 4 positibo-positibo eta positibo faltsu proportzioarekin 1 gertukoa edo zertxobait gainditzen duena. : XNUMX. Ikasle hau erabiltzen duen translazio-aplikazio kliniko batek, beraz, defizit kognitibo bat dutenen gehiengoa harrapatuko luke (zuzen sailkatu), eta, aldi berean, osasun kognitibo normala duen norbait defizit kognitibo (positibo faltsu) gisa oker sailkatzearekin lotutako kostua gutxituz. defizit kognitiboa (negatibo faltsua) dutenengan sailkapen hori falta. Sailkapen okerreko agertoki horietako edozeinek zama psikosoziala neurrigabea eragin diezaieke pazienteari eta zaintzaileei.
Aurretiazko eta osoko analisietan modelizazio-eskema bakoitzean hamar ikasleak erabili genituen bitartean, gure emaitzak errendimendu sendoena erakusten duten hiru sailkatzaileetan zentratu ginen. Datu horietan oinarrituta, egoera kognitiboaren sailkapena zehazteko aplikazio kliniko praktiko batean maila altuan fidagarrian arituko ziren ikasleak ere nabarmendu behar ziren. Gainera, azterketa honek baheketa kognitiboan ikaskuntza automatikoaren erabilgarritasunari eta erronka kliniko puntual hauei buruzko sarrera-ikerketa bat izan nahi zuelako, ikaskuntza-teknikak sinpleak eta orokortuak mantentzeko erabakia hartu genuen, parametroen doikuntza minimoarekin. Uste dugu hurbilketa honek pazientearen espezifikoen iragarpen gaitasun zehatzagoetarako potentziala mugatu izana. Era berean, ereduak goi-mailako ezaugarriak soilik erabiliz (iragazki-ikuspegia) trebatzeak datu horiei buruz gehiago informatzen gaituen arren (bildutako datuen gabezien espezifikoak eta denbora eta baliabide kliniko preziatuak optimizatzeko balioa nabarmenduz), aitortzen dugu goiztiarra dela murriztea. ereduen irismena eta, beraz, guztiak (eta beste ezaugarri batzuk) kontuan hartu beharko lirateke etorkizuneko ikerketekin, populazio zabalari aplikagarria izango litzaiokeen lehentasunezko ezaugarrien profil definitiboagoa izan arte. Beraz, guztiz onartzen dugu eredu hauen eta beste batzuen datu integratzaile eta adierazgarriagoak eta optimizazioa beharrezkoak izango liratekeela aplikazio kliniko eraginkor batean integratu aurretik, batez ere ebaluazio kliniko gehiagotan kontuan hartu beharko liratekeen errendimendu kognitiboan eragiten duten komorbiditateak egokitzeko.
MemTrax-en erabilgarritasuna areagotu zen gaixotasunaren larritasunaren modelizazioak diagnostiko kliniko bereizi batean oinarrituta. VaD-ren larritasuna iragartzeko sailkapen orokorreko errendimendu hobea (ADrekin alderatuta) ez zen izan harrigarria osasun baskularrari dagokion ereduetan pazientearen profilaren ezaugarriak ikusita eta trazu arriskua, hau da, hipertentsioa, hiperlipidemia, diabetesa eta (noski) trazuaren historia. Nahiz eta desiragarriagoa eta egokiagoa izango zen ebaluazio kliniko berdina osasun kognitibo normala duten paziente parekatuetan egitea ikasleak datu inklusiboago horiekin trebatzeko. Hau bereziki bermatuta dago, MemTrax defizit kognitibo baten hasierako fasean detektatzeko eta ondorengo aldaketa indibidualaren jarraipena egiteko erabili nahi baita. Sinesgarria da, halaber, VaD datu-multzoko datuen banaketa desiragarriagoak modelizazio-errendimendu konparatibo hobean lagundu izana neurri batean. VaD datu-multzoa ondo orekatuta zegoen bi klaseen artean, eta MCI paziente askoz gutxiago dituen AD datu-multzoa ez zegoen. Datu-multzo txikietan, batez ere, instantzia gehigarri batzuek ere diferentzia neurgarria izan dezakete. Bi ikuspegiak arrazoizko argudioak dira gaixotasunaren larritasunaren ereduaren errendimenduaren desberdintasunen azpian. Hala ere, datu-multzoaren zenbaki-ezaugarriei edo kontuan hartutako aurkezpen klinikoaren berezko ezaugarriei errendimendu hobetua proportzionalki egoztea goiztiarra da. Hala eta guztiz ere, eleberri honek MemTrax aurreikuspen-sailkapen-eredu baten erabilgarritasuna frogatu du diagnostiko klinikoaren laguntzaren paperean perspektiba baliotsua eskaintzen du eta pazienteekin azterketa osagarriak bilatzea baieztatzen du MCI-ren continuum osoan.
MemTrax-en eta eredu hauen ezarpenak eta frogatutako erabilgarritasuna Txinan, non hizkuntza eta kultura guztiz desberdinak diren erabilgarritasun ezarritako beste eskualdeetatik (adibidez, Frantzia, Herbehereak eta Estatu Batuak) [7, 8, 27], gehiago azpimarratzen du potentziala. MemTrax-en oinarritutako plataforma baten onarpen globala eta balio klinikoa lortzeko. Datuak harmonizatzeko eta mundu osoan erabiltzeko estandarizatu eta erraz egokitzen diren baheketa kognitiborako nazioarteko arau praktikoak eta ereduzko baliabideak garatzen ahalegintzeko adibide frogagarria da hau.
Gainbehera kognitiboaren modelizazioan eta aplikazioan hurrengo urratsak
ADren disfuntzio kognitiboa, hain zuzen, continuum batean gertatzen da, ez etapa edo urrats diskretuetan [28, 29]. Hala ere, hasierako fase honetan, gure helburua zen lehenik eta behin "normala" eta "ez normala" bereizten duen MemTrax barne hartzen duen eredu bat eraikitzeko gaitasuna ezartzea. Datu enpiriko inklusiboagoak (adibidez, garuneko irudiak, ezaugarri genetikoak, biomarkatzaileak, komorbiditateak eta konplexuen marka funtzionalak kognitiboa eskatzen duten jarduerak kontrola) [30] mundu osoko hainbat eskualde, populazio eta adin-taldetan ikaskuntza automatikoko eredu sofistikatuagoak (talde egoki haztatuta barne) trebatzeko eta garatzeko, sailkapen hobetu maila handiagoa onartuko dute, hau da, gaixo-taldeak sailkatzeko gaitasuna. MCI azpimultzo txikiago eta behin betikoagoetan gainbehera kognitiboaren jarraipenean zehar. Gainera, eskualde askotako pazienteen populazioetan dauden pertsonentzako diagnostiko klinikoak ezinbestekoak dira eraginkortasunez entrenatu eredu inklusiboagoak eta aurreikusteko modu sendoagoak hauek. Honek kasuen kudeaketa espezifikoagoa erraztuko die jatorri, eragin eta profil kognitibo bereizgarri zehatzagoak dituztenei eta, horrela, erabaki klinikoen laguntza eta pazientearen arreta optimizatuko dira.
Orain arteko ikerketa kliniko garrantzitsuak gutxienez dementzia arina duten pazienteei zuzendu zaizkie; eta, praktikan, askotan pazientearen esku-hartzea fase aurreratuetan baino ez da saiatzen. Hala eta guztiz ere, gainbehera kognitiboa dementziarako irizpide klinikoak bete baino askoz lehenago hasten denez, MemTrax-en oinarritutako pantaila goiztiar modu eraginkorrean aplikatuta gizabanakoen heziketa egokia sustatu liteke gaixotasunari eta haren progresioei buruz eta esku-hartze goiztiarrak eta puntualagoak eskaintzea. Horrela, detekzio goiztiarrak ariketa, dieta, laguntza emozionala eta sozializazio hobetua esku-hartze farmakologikora arteko parte-hartze egokiak lagundu ditzake eta pazienteekin erlazionatutako portaeran eta pertzepzioaren aldaketak indartu ditzake, bakarka edo multzoan, dementziaren progresioa arindu edo geldiarazi dezaketen [31, 32] . Gainera, eraginkorrekin emanaldia goiztiarra, pertsonei eta haien senitartekoei entsegu klinikoak kontuan hartzeko edo aholkularitza eta bestelako gizarte-zerbitzuen laguntza jaso diezaieke, itxaropenak eta asmoak argitzen laguntzeko eta eguneroko zereginak kudeatzeko. Modu hauetan baliozkotze gehiago eta erabilgarritasun praktiko zabala funtsezkoak izan daitezke MCI, AD eta ADRDren progresioa arintzeko edo geldiarazteko pertsona askorentzat.
Izan ere, gure ikerketako pazientearen adin-tarte baxuak ez du adierazten ADarekiko kezka tradizionalaren populazioa. Hala ere, MoCA puntuazioaren/atalasearen eta diagnostikoaren larritasunaren araberako sailkapen-ereduen eskemetan erabilitako talde bakoitzaren batez besteko adinak (3. taula) gehiengo argia (% 80 baino gehiago) gutxienez 50 urte izatea azpimarratzen du. Beraz, banaketa hori oso egokia da orokortzeko, eredu hauen erabilgarritasuna onartzen du normalean kaltetutako biztanleen artean. hasiera goiztiarra eta gaixotasun neurokognitiboaren gorakada AD eta VaD dela eta. Era berean, azken frogak eta ikuspegiak azpimarratzen dituzte faktore ezagunak (adibidez, hipertentsioa, obesitatea, diabetesa eta tabakoa) gorago goiztiarra eragiten dezaketen faktoreak. helduen eta erdiko bizitzako arrisku baskularren puntuazioak eta, ondorioz, garuneko lesio baskular sotila, gazteengan ere efektu nabariekin maltzurki garatzen dena. helduak [33-35]. Horren arabera, hasierako baheketa aukerarik egokiena goiz detektatzeko defizit kognitiboak etapa eta prebentzio eta esku hartzeko estrategia eraginkorrak abiaraztea dementzia arrakastaz aurre egiteko adinaren espektroan zehar faktore laguntzaileak eta aurrekariak aztertzean sortuko da, helduaroaren hasieran eta, agian, haurtzaroan ere (haurdunaldi goiztiarreko apolipoproteina E bezalako faktore genetikoen garrantzia kontuan hartuta).
Praktikan, baliozko diagnostiko klinikoak eta irudi aurreratuetarako, profil genetikoa egiteko eta biomarkatzaile itxaropentsuak neurtzeko prozedura garestiak ez dira beti erraz eskuragarri, ezta bideragarriak ere hornitzaile askorentzat. Horrela, kasu askotan, hasierako osasun egoera kognitibo orokorraren sailkapen orokorra pazienteak emandako beste neurri sinple batzuk erabiliz ereduetatik eratorri behar izatea (adibidez, norberak jakinarazitakoa). memoria arazoak, egungo botikak eta ohiko jarduera-mugak) eta ezaugarri demografiko arruntak [7]. Kaliforniako Unibertsitatea bezalako erregistroak Brain Osasun Erregistroa (https://www.brainhealthregistry.org/) [27] eta beste batzuk, norberak jakinarazitako sintomak, neurri kualitatiboak (adibidez, loa eta eguneroko ezagutza), botikak, osasun egoera eta historia, eta beste batzuk. demografia zehatzagoa funtsezkoa izango da klinikan eredu primitiboen hauen aplikazio praktikoa garatzeko eta baliozkotzeko. Gainera, MemTrax bezalako proba batek, memoria-funtzioa ebaluatzeko baliagarritasuna frogatu duena, izan ere, marka biologikoak baino nabarmen hobeagoa izan dezake AD patologiaren estimazioa. Kontuan izanik AD patologiaren oinarrizko ezaugarria neuroplastizitatearen haustura eta sinapsien galera guztiz konplexua dela, episodiko gisa agertzen dena. memoriaren disfuntzioa, oroimen episodikoa ebaluatzen duen neurria izan daiteke paziente biziaren marka biologikoak baino AD zama patologikoaren estimazio hobea eskaintzea [36].
Iragarpen-eredu guztiekin —adibidez, punta-puntako teknologiaren datu konplexu eta inklusiboekin eta hainbat domeinutan zehar ikuspen kliniko finduekin osatuta edo lehendik dauden pazienteen profilen ezaugarri oinarrizkoago eta eskuragarriagoetara mugatuta daudenekin— adimen artifizialaren abantaila aitortua. eta ikaskuntza automatikoa da ondoriozko ereduek sintetiza dezaketela eta induktiboki "ikas" dezaketela aplikazioaren etengabeko erabilerak emandako datu eta ikuspegi berri garrantzitsuetatik. Teknologiaren transferentzia praktikoaren ondoren, hemengo ereduak (eta garatu beharrekoak) kasu eta datu egoki gehiagorekin aplikatu eta aberasten diren heinean (ondorioz gainbehera kognitiboa izan dezaketen komorbiditateak dituzten pazienteak barne), aurreikuspenen errendimendua eta osasun kognitiboaren sailkapena sendoagoak izango dira. erabaki klinikoen laguntza-erabilgarritasun eraginkorragoa izatearen ondorioz. Bilakaera hau guztiz eta praktikoago gauzatuko da MemTrax txertatuz osasun-hornitzaileek klinikan denbora errealean erabil ditzaketen plataforma pertsonalizatuetan (eskuragarri dauden gaitasunetara zuzenduta).
MemTrax ereduaren baliozkotze eta erabilgarritasuna diagnostikorako laguntzarako eta pazientearen arretarako ezinbestekoak dira luzerako datu esanguratsuak. Egoera klinikoan dauden aldaketak behatuz eta erregistratuz, hasierako faseko MCI bidez normaltasun-sorta egoki batean, etengabeko ebaluazio eta sailkapen egokia egiteko ereduak trebatu eta aldatu egin daitezke pazienteak zahartzen eta tratatzen diren heinean. Hau da, errepikatutako erabilgarritasunak aldaketa kognitibo arinen, esku-hartzearen eraginkortasunari eta arreta estratifikatu informatua mantentzen lagundu dezake. Ikuspegi hau praktika klinikoarekin eta paziente eta kasuen kudeaketarekin bat egiten du.
Mugak
Klinika/ospitale kontrolatutako ingurune batean datu kliniko garbiak biltzearen erronka eta balioa eskertzen ditugu. Dena den, gure modelizazioa indartu egingo litzateke gure datu multzoek ezaugarri komunak dituzten paziente gehiago barne hartuko balitu. Gainera, gure diagnostikoen ereduari dagokionez, desiragarriagoa eta egokiagoa izango zen ebaluazio kliniko berdina osasun kognitibo normala duten paziente parekatuetan egitea ikasleak trebatzeko. Eta iragazitako datu-multzoa erabiliz sailkapen-errendimendu handiagoak azpimarratzen duenez (lehenengo lau ezaugarriak soilik), orokorragoa eta osasun-neurri/adierazle kognitiboak hobetuko lirateke ziurrenik paziente guztien ezaugarri komun kopuru handiagoarekin errendimendua modelatzea.
Baliteke parte-hartzaile batzuek aldi berean gabezia kognitibo iragankorrak edo kronikoak eragin ditzaketen beste gaixotasun batzuk bizitzea. Pazienteak diagnostikoki AD edo VaD duten XL azpi-datu-multzoaz gain, komorbiditate-datuak ez ziren bildu / jakinarazi YH-ko pazienteen multzoan, eta KM-ko datu-multzoan jakinarazitako komorbiditate nagusia diabetesa izan zen. Dena den, eztabaidagarria da gure modelizazio-eskemetan pazienteak gabezia kognitibo-maila bat bultzatu edo areagotu dezaketen eta ondorioz MemTrax-en errendimendu baxuagoa izan dezaketen komorbiditateak barne hartzea mundu errealeko pazienteen populazioaren adierazgarriagoa izango litzatekeela baheketa kognitibo goiztiar orokortuago honetarako. eta modelizazioaren ikuspegia. Aurrera begira, errendimendu kognitiboan eragina izan dezaketen komorbiditateen diagnostiko zehatza oso onuragarria da ereduak eta ondoriozko pazienteen arretarako aplikazioak optimizatzeko.
Azkenik, YH eta KM azpi-datu-multzoko pazienteek smartphone bat erabili zuten MemTrax proba egiteko, XL azpi-datu-multzoko pazienteen kopuru mugatu batek iPad bat erabiltzen zuen eta gainerakoek smartphone bat. Honek gailuarekin lotutako diferentzia txiki bat sartu zezakeen MemTrax errendimenduan MoCA sailkapenaren modelizazioan. Hala ere, MTx-RT-n dauden desberdintasunak, adibidez, gailuen artean, litekeena da arbuiagarriak izango lirateke, batez ere parte-hartzaile bakoitzari "praktika" proba bat emango zaion grabatutako probaren errendimendua baino lehen. Hala ere, eskuko bi gailu hauen erabilgarritasunak MemTrax-en beste emaitz batzuekin konparaketa zuzena eta/edo integrazioa arriskuan jartzen du, non erabiltzaileek ordenagailuko teklatuaren zuriune-barra ukituz erantzun baitzuten irudiak errepikatzeari.
MemTrax eredu prediktiboaren erabilgarritasunaren funtsezko puntuak
- • Hautatutako MemTrax errendimendu-neurriak biltzen dituzten gure errendimendu goreneko aurreikuspen-ereduek osasun-egoera kognitiboa (osasun kognitibo normala edo MCI) modu fidagarrian sailka dezakete, oso ezaguna den MoCA probak adieraziko lukeen bezala.
- • Emaitza hauek aukeratutako MemTrax-en errendimendu-neurriak integratzea onartzen dute sailkapen-iragarpen-ereduen baheketa-aplikazio batean lehen faseko narriadura kognitiborako.
- • Gure sailkapen-ereduak MemTrax-en errendimendua erabiltzeko aukera ere agerian utzi zuen dementzia-diagnostikoaren larritasuna bereizteko aplikazioetan.
Aurkikuntza berri hauek ikaskuntza automatikoaren erabilgarritasuna onartzen duten behin betiko frogak ezartzen dituzte MemTrax-en oinarritutako sailkapen-eredu sendo hobetuak eraikitzeko, kasu klinikoen kudeaketa eraginkorrean eta pazienteen arretarako narriadura kognitiboa duten pertsonentzako laguntza diagnostikoa egiteko.
Eskerrak
J. Wesson Ashford, Curtis B. Ashford eta lankideen lana aitortzen dugu hemen erabiltzen den lineako etengabeko aitorpen zeregina eta tresna (MemTrax) garatzeko eta baliozkotzeko eta eskertzen dugu oinarrizko ikerketa kritikoan lagundu duten dementzia duten paziente ugariei. . Eskerrak ere ematen dizkiegu Xianbo Zhou eta SJN Biomed LTDko bere lankideei, ospitale/klinika guneetako bere lankide eta kolaboratzaileei, batez ere Dr. M. Luo eta M. Zhong, parte-hartzaileen kontratazioan, probak programatzen eta datuak biltzen, grabatzen eta kudeatzen lagundu zutenak, eta beren denbora baliotsua eman eta probak egiteko eta eskaintzeko konpromisoa hartu zuten parte-hartzaile boluntarioak. azterketa honetan ebaluatu ahal izateko balio handiko datuak. Hau azterketa MD Scientific Research-ek lagundu zuen neurri batean Kunming Medikuntza Unibertsitateko Programa (2017BS028tik XLra bitarteko beka zk.) eta Yunnan Zientzia eta Teknologia Saileko Ikerketa Programa (2019FE001 zk.ko Beka (-222)tik XLra).
J. Wesson Ashford-ek patente-eskaera bat aurkeztu du dokumentu honetan deskribatutako etengabeko aitorpenaren paradigma zehatza erabiltzeko. memoria probatzea.
MemTrax, LLC Curtis Ashford-en jabetzako enpresa bat da, eta enpresa hau kudeatzen ari da memoria probak Dokumentu honetan deskribatutako sistema.
Egileen dibulgazioak sarean eskuragarri (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
ERREFERENTZIAK
| [1] Alzheimer Elkartea (2016) 2016 Alzheimer gaixotasunaren gertakariak eta zifrak. Alzheimer Dement 12, 459–509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Hasierako fasearen eragina Alzheimerra etxeko diru-emaitzetan. Osasun Ekono 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) Kalitatearen hobekuntza neurologia: narriadura kognitibo arinak kalitatearen neurketa multzoa. Neurologia 93, 705–713. |
| [4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) Erabiltzearen kostu eraginkortasuna dementzia eta narriadura kognitibo arina detektatzeko baheketa kognitiboko probak lehen mailako arretan. Int J Geriatr Psikiatria 32, 1392–1400. | |
| [5] Ashford JW, Gere E, Bayley PJ (2011) Memoria neurtzea talde handietako ezarpenetan etengabeko ezagupen-proba bat erabiliz. J Alzheimers Dis 27, 885–895. | |
| [6] | Ashford JW , Tarpin-Bernard F , Ashford CB , Ashford MT (2019) Memoria episodikoa neurtzeko etengabeko antzemateko zeregin informatizatua. J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019). J Alzheimers Dis 70, 277–286. |
| [8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The MemTrax proba narriadura kognitibo arinaren ebaluazio kognitiboaren ebaluazioarekin alderatuta. J Alzheimers Dis 67, 1045–1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Garuneko lesio traumatiko epelaren sailkapeneko bokal soinu isolatuak erabiltzea. 2013an IEEEren Akustika, Hizketaren eta Seinalearen Prozesamenduaren Nazioarteko Konferentzia, Vancouver, BC, 7577–7581 orr. |
| [10] | Dabek F , Caban JJ (2015) Leveraging big data to modeling the probability condition psikologikoak koncussion baten ondoren garatzeko. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) Komunitateko farmazialariek narriadura kognitiboa goiz detektatzeko erabakien zuhaitza. 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: A brief screening tool for mild cognitive impairment. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012) Montrealeko ebaluazio kognitiboaren Beijingeko bertsioa narriadura kognitibo arinerako baheketa-tresna labur gisa: komunitatean oinarritutako azterketa. BMC Psikiatria 12, 156. |
| [14] | Chen KL, Xu Y, Chu AQ, Ding D, Liang XN, Nasreddine ZS, Dong Q, Hong Z, Zhao QH, Guo QH (2016). J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N, Leach L, Murphy KJ (2018) Montrealeko Ebaluazio Kognitiboaren (MoCA) ebakitze-puntuazioen berrazterketa. Int J Geriatr Psikiatria 33, 379–388. |
| [16] | American Psychiatric Association (2013) Task Force Buruko nahasteen diagnostiko eta estatistika eskuliburua: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC. |
| [17] | Python. Python Software Foundation, http://www.python.org, 15ko azaroaren 2019ean kontsultatua. |
| [18] | R Core Group, R: A language and environment for statistical computing R Foundation for Statistical Computing, Viena, Austria. https://www.R-project.org/, 2018, 15ko azaroaren 2019ean kontsultatua. |
| [19] | Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Aldaketa egiteko garaia: analisi bayesiarren bidez sailkatzaile anitz alderatzeko tutoriala. J Mach Learn Res 18, 1–36. |
| [20] | Frank E , Hall MA , Witten IH (2016) The WEKA Workbench. In Datuen meatzaritza: makina ikasteko tresna eta teknika praktikoak, Frank E, Hall MA, Witten IH, Pal CJ, arg. 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). Med Sci Sports Exerc 51, 1362–1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Datu desorekatuetatik ikasteko ikuspegi esperimentalak. In Ikaskuntza automatikoari buruzko Nazioarteko 24. Konferentziaren aktak, Corvalis, Oregon, AEB, 935-942 or. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Alzheimer gaixoaren ebaluazioa eta egoera mini-mentala: Item ezaugarri kurba analisia.P. J Gerontol 44, 139–146. |
| [24] Ashford JW, Jarvik L (1985) Alzheimer gaixotasuna: Neuronen plastikotasunak endekapen neurofibrilar axonalerako joera du? 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) Biologikoki eta klinikoki definitutako Alzheimer espektro entitateen prebalentzia Zahartze-Alzheimerraren Institutu Nazionala erabiliz Elkartearen Ikerketa markoa. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X, Ashford JW (2019) Baheketa-tresnetarako aurrerapenak Alzheimerra. Aging Med 2, 88–93. | |
| [27] Weiner MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) The Brain Osasun Erregistroa: neurozientzia ikasketetarako parte-hartzaileen kontratazioa, ebaluazioa eta jarraipen-jarraipena egiteko Interneten oinarritutako plataforma. Alzheimer Dement 14, 1063–1076. | |
| [28] Ashford JW, Schmitt FA (2001) Modeling the time-course of Alzheimer dementzia. Curr Psikiatria Rep 3, 20-28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE): Txinako luzetarako behaketa-azterketa baterako protokoloa, narriadura kognitibo arinera bihurtzeko arriskua iragartzeko ereduak garatzeko, kognitibo subjektiboa duten pertsonengan. gainbehera. BMJ Open 9, e028188. |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) Bost urteko biomarkatzaileen progresioaren aldakortasuna Alzheimer gaixotasuna dementzia iragarpena: Eguneroko bizitzako jarduera instrumental konplexu batek bete ditzake hutsuneak? Alzheimers Dement (Amst) 1, 521–532. | |
| [31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) Alzheimer gaixotasunaren prebentzioa eta tratamendua: Ariketa egiteko mekanismo biologikoak. J Alzheimers Dis 69, 311–338. | |
| [32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Therapies for Alzheimer gaixotasunaren prebentzioa eta tratamendua. 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) Arrisku baskularren arteko elkarteak helduaroan eta garunaren patologian bizitza beranduan: Britainia Handiko jaiotza-kohorte baten froga. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) Dementzia-pentsamenduaren prebentzioa adinetik haratago eta amiloide kutxak. 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) Effects of systolic blood pressure on white-matter integrity in young adults in the Framingham Heart Study: A cross. -Sekzio-azterketa. 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) Neuropatologikoki definitutako biomarkatzaileen probaren zehaztasuna Alzheimer gaixotasuna dementzia duten adineko helduengan. Ann Intern Med 172, 669–677. |
Afiliazioak: [a] SIVOTEC Analytics, Boca Raton, FL, AEB | [b] Informatika eta Elektriko Ingeniaritza eta Informatika Saila, Florida Atlantic University, Boca Raton, FL, AEB | [c] SJN Biomed LTD, Kunming, Yunnan, Txina | [d] Zentroa Alzheimerraren Ikerketa, Washington Institute of Clinical Research, Washington, DC, AEB | [e] Errehabilitazioko Medikuntza Saila, Kunming Unibertsitate Medikuntzako Lehen Afiliatua Ospitalea, Kunming, Yunnan, Txina | [f] Neurologia Saila, Dehong People's Hospital, Dehong, Yunnan, Txina | [g] Neurologia Saila, Kunming Medikuntza Unibertsitateko Lehen Afiliatua Ospitalea, Wuhua Barrutia, Kunming, Yunnan Probintzia, Txina | [h] Gerrari lotutako Gaixotasun eta Lesioen Azterketa Zentroa, VA Palo Alto Osasun System, Palo Alto, CA, AEB | [i] Psikiatria eta Portaera Zientzien Saila, Stanford Unibertsitateko Medikuntza Eskola, Palo Alto, CA, AEB
Korrespondentzia: [*] Korrespondentzia: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, AEB. Posta elektronikoa: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Neurologia Saila, Kunming Medikuntza Unibertsitateko Lehen Ospitale Afiliatua, 295 Xichang Road, Wuhua Barrutia, Kunming, Yunnan Probintzia 650032, Txina. Posta elektronikoa: ring@vip.163.com.
Gako-hitzak: zahartzea, Alzheimerra, dementzia, baheketa masiboa