کاربرد MemTrax و مدل سازی یادگیری ماشینی در طبقه بندی اختلالات شناختی خفیف

مقاله تحقیق

نویسندگان: Bergeron, Michael F. | لندست، سارا | ژو، شیانبو | دینگ، تائو | خوش گفتار، تقی م. | ژائو، فنگ | دو، بو | چن، سینجی | وانگ، ژوان | ژونگ، لیانمی | لیو، شیائولی| اشفورد، جی. وسون

DOI: 10.3233/JAD-191340

مجله: مجله بیماری آلزایمر، جلد 77، شماره 4، ص. 1545-1558، 2020

چکیده

زمینه:

شیوع و شیوع گسترده بیماری آلزایمر و اختلال شناختی خفیف (MCI) یک درخواست فوری برای تحقیق برای تأیید غربالگری و ارزیابی شناختی تشخیص زودهنگام را برانگیخته است.

هدف:

هدف تحقیق اولیه ما این بود که تعیین کنیم آیا معیارهای عملکرد MemTrax انتخاب شده و مشخصات دموگرافیک و مشخصات سلامت مربوطه می توانند به طور موثر در مدل های پیش بینی توسعه یافته با یادگیری ماشین برای طبقه بندی سلامت شناختی (طبیعی در مقابل MCI) استفاده شوند، همانطور که توسط ارزیابی شناختی مونترال (MoCA).

مواد و روش ها:

ما یک مطالعه مقطعی بر روی 259 بیمار بزرگسال مغز و اعصاب، کلینیک حافظه و داخلی انجام دادیم که از دو بیمار انتخاب شده بودند. بیمارستان ها در چین. به هر بیمار MoCA به زبان چینی داده شد و اپیزودیک آنلاین شناسایی مداوم MemTrax را خود مدیریت کرد. تست حافظه آنلاین در همان روز. مدل‌های طبقه‌بندی پیش‌بینی‌کننده با استفاده از یادگیری ماشین با اعتبارسنجی متقاطع 10 برابری ساخته شدند و عملکرد مدل با استفاده از ناحیه زیر منحنی مشخصه عملیاتی گیرنده (AUC) اندازه‌گیری شد. مدل‌ها با استفاده از دو معیار عملکرد MemTrax (درصد صحیح، زمان پاسخ) همراه با هشت ویژگی مشترک جمعیت‌شناختی و تاریخچه شخصی ساخته شدند.

نتایج:

با مقایسه فراگیران در میان ترکیب‌های انتخابی امتیازات و آستانه‌های MoCA، Naïve Bayes عموماً با عملکرد طبقه‌بندی کلی 0.9093، بهترین یادگیرنده بود. علاوه بر این، در میان سه یادگیرنده برتر، عملکرد طبقه‌بندی مبتنی بر MemTrax به طور کلی با استفاده از چهار ویژگی رتبه‌بندی برتر (0.9119) در مقایسه با استفاده از تمام 10 ویژگی مشترک (0.8999) برتر بود.

نتیجه:

عملکرد MemTrax می تواند به طور موثر در یک مدل پیش بینی طبقه بندی یادگیری ماشین استفاده شود برنامه غربالگری برای تشخیص اختلالات شناختی در مراحل اولیه.

معرفی

بروز و شیوع گسترده شناخته شده (هر چند کمتر تشخیص داده شده) و به طور موازی در حال افزایش پزشکی، اجتماعی و عمومی سلامت هزینه ها و بار بیماری آلزایمر (AD) و اختلال شناختی خفیف (MCI) به طور فزاینده ای برای همه ذینفعان فشار می آورد [1، 2]. این سناریوی غم انگیز و رونق انگیز، درخواست فوری برای تحقیق برای تایید را برانگیخته است. تشخیص زودرس ابزارهای غربالگری و ارزیابی شناختی برای کاربرد عملی منظم در تنظیمات شخصی و بالینی برای بیماران مسن در مناطق و جمعیت های مختلف [3]. این ابزار همچنین باید برای ترجمه یکپارچه نتایج آموزنده به پرونده الکترونیک سلامت فراهم شود. این مزایا با اطلاع رسانی به بیماران و کمک به پزشکان در تشخیص زودتر تغییرات قابل توجه و در نتیجه امکان طبقه بندی، اجرا و ردیابی سریع تر و به موقع تر درمان و مراقبت از بیمار فردی و مقرون به صرفه تر برای کسانی که شروع به تجربه کرده اند، محقق می شود. زوال شناختی [3، 4].

ابزار کامپیوتری MemTrax (https://memtrax.com) یک ارزیابی تشخیص مداوم ساده و مختصر است که می‌تواند به صورت آنلاین برای اندازه‌گیری عملکرد چالش‌برانگیز حافظه اپیزودیک زمان‌بندی‌شده که در آن کاربر به تصاویر تکراری و نه به ارائه اولیه پاسخ می‌دهد، انجام شود [5، 6]. تحقیقات اخیر و پیامدهای عملی ناشی از آن به طور تدریجی و جمعی کارایی بالینی MemTrax را در غربالگری اولیه AD و MCI نشان می‌دهند [5-7]. با این حال، مقایسه مستقیم سودمندی بالینی با موجود سلامت شناختی ارزیابی و استانداردهای مرسوم برای اطلاع از دیدگاه حرفه ای و تأیید ابزار MemTrax در تشخیص زودهنگام و پشتیبانی تشخیصی تضمین شده است. ون در هوک و همکاران [8] معیارهای عملکرد MemTrax انتخاب شده (سرعت واکنش و درصد صحیح) را با وضعیت شناختی که توسط مونترال تعیین شده است مقایسه کرد. ارزیابی شناختی (MoCA). با این حال، این مطالعه به ارتباط این معیارهای عملکرد با توصیف وضعیت شناختی (همانطور که توسط MoCA تعیین می‌شود) و تعریف محدوده‌های نسبی و مقادیر برش محدود شد. بر این اساس، برای گسترش این تحقیق و بهبود عملکرد و کارایی طبقه‌بندی، سؤال اولیه پژوهش ما این بود:

  • آیا می‌توان معیارهای عملکرد MemTrax و جمعیت‌شناسی و سلامت مربوطه را انتخاب کرد نمایه ویژگی‌ها به طور مؤثر در یک مدل پیش‌بینی توسعه‌یافته با یادگیری ماشینی برای طبقه‌بندی سلامت شناختی به‌صورت دوگانه (طبیعی در مقابل MCI) مورد استفاده قرار می‌گیرند، همانطور که با امتیاز MoCA فرد نشان داده می‌شود؟

ثانویه برای این، می خواستیم بدانیم:

  • از جمله ویژگی‌های یکسان، آیا یک مدل یادگیری ماشین مبتنی بر عملکرد MemTrax می‌تواند به طور مؤثری برای یک بیمار برای پیش‌بینی شدت (خفیف در مقابل شدید) در دسته‌های منتخبی از اختلالات شناختی که توسط یک تشخیص بالینی مستقل تعیین می‌شود، اعمال شود؟

ظهور و توسعه کاربرد عملی هوش مصنوعی و یادگیری ماشینی در غربالگری/تشخیص، قبلاً مزایای عملی متمایزی را نشان داده است، با مدل‌سازی پیش‌بینی‌کننده که به طور موثر پزشکان را در ارزیابی چالش برانگیز سلامت شناختی/مغز و مدیریت بیمار راهنمایی می‌کند. در مطالعه خود، رویکرد مشابهی را در مدل‌سازی طبقه‌بندی MCI و تبعیض شدت اختلالات شناختی انتخاب کردیم که با تشخیص بالینی از سه مجموعه داده که نشان‌دهنده بیماران بستری داوطلب و بیماران سرپایی از دو بیمارستان در چین بودند، تأیید شد. با استفاده از مدل‌سازی پیش‌بینی یادگیری ماشین، یادگیرندگان با عملکرد برتر را از ترکیب‌های مختلف مجموعه داده/آموزنده شناسایی کردیم و ویژگی‌ها را رتبه‌بندی کردیم تا ما را در تعریف کاربردی‌ترین کاربردهای مدل از نظر بالینی راهنمایی کند.

فرضیه های ما این بود که یک مدل معتبر مبتنی بر MemTrax می تواند برای طبقه بندی سلامت شناختی به صورت دوگانه (طبیعی یا MCI) بر اساس معیار آستانه نمره کل MoCA مورد استفاده قرار گیرد، و اینکه یک مدل پیش بینی مشابه MemTrax می تواند به طور موثر در تشخیص شدت در دسته های انتخابی استفاده شود. از نظر بالینی تشخیص داده شده است اختلال شناختی. نشان دادن نتایج پیش‌بینی‌شده در حمایت از اثربخشی MemTrax به‌عنوان یک صفحه تشخیص زودهنگام برای طبقه‌بندی زوال شناختی و اختلالات شناختی مفید خواهد بود. مقایسه مطلوب با یک استاندارد ادعا شده در صنعت که با سهولت و سرعت بسیار بیشتر تکمیل می شود، در کمک به پزشکان برای استفاده از این ابزار ساده، قابل اعتماد و در دسترس به عنوان یک صفحه اولیه در تشخیص نقایص شناختی مرحله اولیه (از جمله پرودرومال) موثر است. بنابراین، چنین رویکرد و ابزاری می‌تواند مراقبت و مداخله به موقع و طبقه‌بندی‌شده‌تر بیمار را تحریک کند. این بینش‌های آینده‌نگر و معیارها و مدل‌های بهبود یافته همچنین می‌توانند در کاهش یا توقف پیشرفت زوال عقل، از جمله AD و زوال عقل‌های مرتبط با AD (ADRD) مفید باشند.

مواد و روش ها

جمعیت مطالعه

بین ژانویه 2018 و آگوست 2019، تحقیقات مقطعی بر روی بیماران استخدام شده از دو بیمارستان در چین تکمیل شد. تجویز MemTrax [5] به افراد 21 ساله و بالاتر و جمع‌آوری و تجزیه و تحلیل آن داده‌ها توسط استانداردهای اخلاقی سازمان بازبینی و تایید و اجرا شد. انسانی کمیته حفاظت از موضوع دانشگاه استنفورد. MemTrax و تمام آزمایش‌های دیگر برای این مطالعه کلی طبق اعلامیه هلسینکی در سال 1975 انجام شد و توسط هیئت بازبینی سازمانی اولین بیمارستان وابسته دانشگاه پزشکی Kunming در Kunming، Yunnan، چین تأیید شد. برای هر کاربر یک رضایت آگاهانه برای خواندن/بازبینی فرم دهید و سپس داوطلبانه با شرکت موافقت کنید.

شرکت کنندگان از مجموعه بیماران سرپایی در کلینیک نورولوژی در بیمارستان Yanhua (زیر مجموعه داده YH) و کلینیک حافظه در اولین بیمارستان وابسته پزشکی کونمینگ دانشگاه (زیر مجموعه داده XL) در پکن، چین. شرکت‌کنندگان همچنین از بیماران بستری نورولوژی (زیر مجموعه داده‌های XL) و پزشکی داخلی (مجموعه زیر مجموعه KM) در اولین بیمارستان وابسته دانشگاه پزشکی کونمینگ انتخاب شدند. معیارهای ورود شامل 1) مردان و زنان حداقل 21 سال، 2) توانایی صحبت کردن به زبان چینی (ماندارین)، و 3) توانایی درک دستورالعمل های کلامی و نوشتاری. معیارهای خروج شامل اختلالات بینایی و حرکتی بود که شرکت کنندگان را از تکمیل آن باز می داشت تست MemTraxو همچنین ناتوانی در درک دستورالعمل های آزمون خاص.

نسخه چینی MemTrax

آنلاین پلت فرم تست MemTrax ترجمه شد به زبان چینی (URL: https://www.memtrax.com.cn) و بیشتر برای استفاده از طریق WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) برای مدیریت شخصی سازگار است. داده ها در یک سرور ابری (Ali Cloud) واقع در چین و دارای مجوز از Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, China) توسط SJN Biomed LTD (Kunming, Yunnan, China) ذخیره شد. جزئیات خاص در مورد MemTrax و معیارهای اعتبار آزمون مورد استفاده در اینجا قبلا توضیح داده شده است [6]. این آزمایش بدون پرداخت هزینه به بیماران ارائه شد.

مراحل مطالعه

برای بیماران بستری و سرپایی، یک پرسشنامه کاغذی عمومی برای جمع آوری اطلاعات دموگرافیک و شخصی مانند سن، جنس، سال های تحصیل، شغل، زندگی به تنهایی یا با خانواده، و سابقه پزشکی توسط یکی از اعضای تیم مطالعه تجویز شد. پس از تکمیل پرسشنامه، آزمون‌های MoCA [12] و MemTrax (اول MoCA) با فاصله بین آزمون‌ها بیش از 20 دقیقه انجام شد. درصد MemTrax درست (MTx-% C)، میانگین زمان پاسخ (MTx-RT)، و تاریخ و زمان آزمایش توسط یکی از اعضای تیم مطالعه برای هر شرکت‌کننده آزمایش شده روی کاغذ ثبت شد. پرسشنامه تکمیل شده و نتایج MCA توسط محققی که آزمایش ها را انجام می داد در یک صفحه گسترده اکسل بارگذاری شد و قبل از ذخیره فایل های Excel برای تجزیه و تحلیل توسط یکی از همکاران تأیید شد.

تست MemTrax

آزمون آنلاین MemTrax شامل 50 تصویر (25 منحصر به فرد و 25 تکرار؛ 5 مجموعه از 5 تصویر از صحنه ها یا اشیاء رایج) بود که به ترتیب شبه تصادفی مشخص نشان داده شده بودند. شرکت‌کننده (طبق دستورالعمل) دکمه Start را روی صفحه لمس می‌کند تا آزمایش را شروع کند و شروع به مشاهده سری تصویر کند و هر زمان که یک تصویر تکراری ظاهر شد، در سریع‌ترین زمان ممکن تصویر را روی صفحه لمس کند. هر تصویر به مدت 3 ثانیه یا تا زمانی که تصویر روی صفحه لمس شود ظاهر می شود، که باعث ارائه فوری تصویر بعدی می شود. با استفاده از ساعت داخلی دستگاه محلی، MTx-RT برای هر تصویر بر اساس زمان سپری شده از ارائه تصویر تا زمانی که صفحه توسط شرکت‌کننده لمس شد، در پاسخ به تشخیص تشخیص تصویر به عنوان تصویری که قبلاً نشان داده شده بود، تعیین شد. در طول آزمون MTx-RT برای هر تصویر با 3 ثانیه کامل ضبط شد که نشان دهنده عدم پاسخ بود. MTx-% C برای نشان دادن درصد تکرار و تصاویر اولیه که کاربر به درستی به آنها پاسخ داده است (مثبت واقعی + منفی واقعی تقسیم بر 50) محاسبه شد. جزئیات اضافی مدیریت و پیاده سازی MemTrax، کاهش داده، داده های نامعتبر یا "بدون پاسخ" و تجزیه و تحلیل داده های اولیه در جای دیگری توضیح داده شده است [6].

آزمون MemTrax به تفصیل توضیح داده شد و یک آزمون تمرینی (با تصاویر منحصر به فرد غیر از تصاویر مورد استفاده در آزمون برای ثبت نتایج) برای شرکت کنندگان در محیط بیمارستان ارائه شد. شرکت کنندگان در زیر مجموعه های YH و KM تست MemTrax را روی گوشی هوشمندی که با برنامه در WeChat بارگذاری شده بود انجام دادند. در حالی که تعداد محدودی از بیماران زیر مجموعه داده XL از iPad و بقیه از تلفن هوشمند استفاده می کردند. همه شرکت‌کنندگان آزمون MemTrax را با یک محقق مطالعه که بدون مزاحمت مشاهده می‌کرد، انجام دادند.

ارزیابی شناختی مونترال

نسخه پکن وزارت دفاع چین (MoCA-BC) [13] توسط محققان آموزش دیده طبق دستورالعمل آزمون رسمی اجرا و امتیازدهی شد. به طور مناسب، MoCA-BC قابل اعتماد نشان داده شده است تست شناختی غربالگری در تمام سطوح تحصیلی در سالمندان چینی [14]. اجرای هر آزمون بر اساس توانایی‌های شناختی شرکت‌کننده، حدود 10 تا 30 دقیقه طول می‌کشید.

مدل سازی طبقه بندی MoCA

در مجموع 29 ویژگی قابل استفاده، از جمله دو MemTrax وجود داشت معیارهای عملکرد آزمون و 27 ویژگی مربوط به جمعیت شناسی و سلامت اطلاعات برای هر شرکت کننده نمره آزمون مجموع MoCA هر بیمار به عنوان نمره استفاده شد غربالگری شناختی "معیار" برای آموزش مدل های پیش بینی ما. بر این اساس، از آنجایی که MoCA برای ایجاد برچسب کلاس استفاده شده است، ما نمی‌توانیم از نمره کل (یا هر یک از امتیازات زیرمجموعه MoCA) به عنوان یک ویژگی مستقل استفاده کنیم. ما آزمایش‌های اولیه را انجام دادیم (طبقه‌بندی سلامت شناختی تعریف شده توسط وزارت دفاع آمریکا) سه زیر مجموعه داده اصلی بیمارستان/کلینیک را به‌صورت جداگانه و سپس با استفاده از همه ویژگی‌ها ترکیب کردیم. با این حال، همه عناصر داده یکسان در هر یک از چهار کلینیک که سه زیر مجموعه داده را نشان می‌دهند جمع‌آوری نشدند. بنابراین، بسیاری از ویژگی‌های ما در مجموعه داده ترکیبی (هنگامی که از همه ویژگی‌ها استفاده می‌کنیم) دارای مقادیر زیادی از دست رفته بودند. سپس مدل‌هایی را با مجموعه داده ترکیبی با استفاده از ویژگی‌های مشترک ساختیم که منجر به بهبود عملکرد طبقه‌بندی شد. این احتمالاً با ترکیبی از داشتن نمونه‌های بیشتر برای کار با ترکیب سه زیر مجموعه داده بیمار و هیچ ویژگی با شیوع بی‌رویه مقادیر از دست رفته توضیح داده شده است (فقط یک ویژگی در مجموعه داده ترکیبی، نوع کار، دارای مقادیر گمشده است، فقط سه مورد بیمار)، زیرا فقط ویژگی های مشترک ثبت شده در هر سه سایت گنجانده شده است. قابل ذکر است، ما برای هر ویژگی که در نهایت در مجموعه داده ترکیبی گنجانده نشده است، معیار رد خاصی نداشتیم. با این حال، در مدل‌سازی مجموعه داده‌های ترکیبی مقدماتی، ابتدا از تمام ویژگی‌های هر یک از سه زیر مجموعه داده جداگانه بیمار استفاده کردیم. این به طور گسترده ای منجر به عملکرد مدل شد که به طور قابل اندازه گیری پایین تر از مدل سازی اولیه اولیه در هر زیر مجموعه جداگانه بود. علاوه بر این، در حالی که عملکرد طبقه‌بندی مدل‌هایی که با استفاده از همه ویژگی‌ها ساخته شده‌اند، دلگرم‌کننده بود، در همه یادگیرندگان و طرح‌های طبقه‌بندی، عملکرد برای دو برابر بیشتر مدل‌ها با استفاده از ویژگی‌های مشترک بهبود یافت. در واقع، در میان کسانی که در نهایت به یادگیرندگان برتر ما تبدیل شدند، همه به جز یک مدل با حذف ویژگی‌های غیرمعمول بهبود یافتند.

مجموعه داده نهایی نهایی (ترکیب YH، XL و KM) شامل 259 نمونه بود که هر کدام نشان دهنده یک شرکت‌کننده منحصربه‌فرد بود که هر دو آزمون MemTrax و MoCA را انجام دادند. 10 ویژگی مستقل مشترک وجود داشت: معیارهای عملکرد MemTrax: MTx-% C و میانگین MTx-RT. اطلاعات دموگرافیک و تاریخچه پزشکی: سن، جنس، سال های تحصیل، نوع کار (یقه آبی/یقه سفید)، حمایت اجتماعی (اعم از اینکه آزمایش شونده به تنهایی زندگی می کند یا با خانواده)، و پاسخ های بله/خیر در مورد اینکه آیا کاربر یک سابقه دیابت، هیپرلیپیدمی یا آسیب مغزی تروماتیک. دو معیار اضافی، امتیاز مجموع MoCA و امتیاز مجموع MoCA تنظیم شده برای سال‌های تحصیل [12]، به‌طور جداگانه برای توسعه برچسب‌های طبقه‌بندی وابسته استفاده شد، بنابراین دو طرح مدل‌سازی مجزا ایجاد کرد تا در مجموعه داده‌های ترکیبی ما اعمال شود. برای هر نسخه (تعدیل‌شده و تنظیم‌نشده) امتیاز MoCA، داده‌ها مجدداً به‌طور جداگانه برای طبقه‌بندی باینری با استفاده از دو آستانه معیار متفاوت مدل‌سازی شدند - آستانه‌ای که در ابتدا توصیه شده بود [12] و یک مقدار جایگزین که توسط دیگران استفاده و تبلیغ می‌شد [8، 15]. در طرح طبقه‌بندی آستانه جایگزین، اگر بیمار نمره 23 ≥ در آزمون MoCA را کسب کند و اگر نمره 22 یا کمتر بود، دارای MCI باشد، از سلامت شناختی طبیعی برخوردار است. در حالی که، در قالب طبقه بندی توصیه شده اولیه، بیمار باید نمره 26 یا بهتر را در MoCA می گرفت تا به عنوان دارای سلامت شناختی عادی برچسب گذاری شود.

داده های فیلتر شده برای مدل سازی طبقه بندی MoCA

ما بیشتر طبقه‌بندی MoCA را با استفاده از چهار تکنیک رتبه‌بندی ویژگی که معمولاً مورد استفاده قرار می‌گیرند، بررسی کردیم: مجذور کای، نسبت سود، به دست آوردن اطلاعات و عدم قطعیت متقارن. برای دیدگاه موقت، ما رتبه‌بندی‌ها را برای کل مجموعه داده ترکیبی با استفاده از هر یک از چهار طرح مدل‌سازی خود اعمال کردیم. همه رتبه‌بندی‌ها بر روی ویژگی‌های برتر یکسان، یعنی سن، تعداد سال‌های تحصیل، و هر دو معیار عملکرد MemTrax (MTx-% C، میانگین MTx-RT) توافق کردند. سپس مدل‌ها را با استفاده از هر تکنیک انتخاب ویژگی بازسازی کردیم تا مدل‌ها را فقط با چهار ویژگی برتر آموزش دهیم (نگاه کنید به انتخاب ویژگی ها در زیر).

هشت تغییر نهایی حاصل از طرح‌های مدل‌سازی طبقه‌بندی امتیاز MoCA در جدول 1 ارائه شده است.

میز 1

خلاصه ای از تغییرات طرح مدل سازی مورد استفاده برای طبقه بندی MoCA (نرمال سلامت شناختی در مقابل MCI)

طرح مدلسازیسلامت شناختی عادی (کلاس منفی)MCI (کلاس مثبت)
Adjusted-23 Unfiltered/Filtered101 (39.0٪)158 (61.0٪)
Adjusted-26 Unfiltered/Filtered49 (18.9٪)210 (81.1٪)
تنظیم نشده-23 بدون فیلتر/فیلتر92 (35.5٪)167 (64.5٪)
تنظیم نشده-26 بدون فیلتر/فیلتر42 (16.2٪)217 (83.8٪)

تعداد و درصد مربوطه از کل بیماران در هر کلاس با تنظیم امتیاز برای آموزش (تعدیل شده یا تنظیم نشده) و آستانه طبقه بندی (23 یا 26)، همانطور که برای هر دو مجموعه ویژگی (فیلتر نشده و فیلتر شده) اعمال می شود، متمایز می شوند.

مدل‌سازی ارزیابی بالینی مبتنی بر MemTrax

از سه زیر مجموعه اصلی ما (YH، XL، KM)، تنها بیماران زیر مجموعه داده XL به طور مستقل از نظر بالینی برای اختلال شناختی تشخیص داده شدند (یعنی امتیازات MoCA مربوطه آنها در ایجاد طبقه‌بندی نرمال در مقابل آسیب‌دیده استفاده نشد). به طور خاص، بیماران XL با هر دو تشخیص داده شدند آزمایش بیماری آلزایمر (AD) یا دمانس عروقی (VaD). در هر یک از این دسته‌های تشخیص اولیه، یک نامگذاری بیشتر برای MCI وجود داشت. تشخیص MCI، زوال عقل، اختلال عصبی شناختی عروقی، و اختلال عصبی شناختی ناشی از AD بر اساس معیارهای تشخیصی خاص و متمایز ارائه شده در راهنمای تشخیصی و آماری اختلالات روانی: DSM-5 [16] بود. با در نظر گرفتن این تشخیص های تصفیه شده، دو طرح مدل سازی طبقه بندی به طور جداگانه در زیر مجموعه داده های XL اعمال شد تا سطح شدت (درجه اختلال) را برای هر دسته تشخیص اولیه تشخیص دهد. داده‌های مورد استفاده در هر یک از این طرح‌های مدل‌سازی تشخیصی (AD و VaD) شامل اطلاعات دموگرافیک و تاریخچه بیمار، و همچنین عملکرد MemTrax (MTx-% C، میانگین MTx-RT) بود. هر تشخیص در صورت تعیین MCI خفیف برچسب گذاری شد. در غیر این صورت شدید تلقی می شد. ما در ابتدا در نظر گرفتیم که امتیاز MoCA را در مدل‌های تشخیصی لحاظ کنیم (خفیف در مقابل شدید). اما ما تشخیص دادیم که هدف طرح مدل‌سازی پیش‌بینی ثانویه ما را شکست می‌دهد. در اینجا یادگیرندگان با استفاده از سایر ویژگی‌های بیمار که به آسانی در دسترس ارائه‌دهنده است و معیارهای عملکرد تست ساده‌تر MemTrax (به جای MoCA) در برابر مرجع «استاندارد طلا»، تشخیص بالینی مستقل، آموزش می‌بینند. 69 مورد در مجموعه داده تشخیص AD و 76 مورد VaD وجود داشت (جدول 2). در هر دو مجموعه داده، 12 ویژگی مستقل وجود داشت. علاوه بر 10 ویژگی موجود در طبقه بندی امتیاز MoCA، تاریخچه بیمار همچنین شامل اطلاعاتی در مورد سابقه فشار خون بالا و سکته است.

میز 2

خلاصه ای از تغییرات طرح مدل سازی مورد استفاده برای طبقه بندی شدت تشخیص (خفیف در مقابل شدید)

طرح مدلسازیخفیف (کلاس منفی)شدید (کلاس مثبت)
MCI-AD در مقابل AD12 (17.4٪)57 (82.6٪)
MCI-VaD در مقابل VaD38 (50.0٪)38 (50.0٪)

تعداد و درصد مربوطه از کل بیماران در هر طبقه بر اساس دسته تشخیص اولیه (AD یا VaD) متمایز می شوند.

آمار

مقایسه ویژگی‌های شرکت‌کننده و سایر ویژگی‌های عددی بین زیر مجموعه‌های داده برای هر استراتژی طبقه‌بندی مدل (برای پیش‌بینی سلامت شناختی MoCA و شدت تشخیص) با استفاده از زبان برنامه‌نویسی پایتون (نسخه 2.7.1) [17] انجام شد. تفاوت‌های عملکرد مدل ابتدا با استفاده از آنالیز واریانس تک یا دو عاملی (در صورت لزوم) با فاصله اطمینان 95% و آزمون تفاوت معنی‌دار صادقانه توکی (HSD) برای مقایسه میانگین عملکرد تعیین شد. این بررسی تفاوت بین عملکردهای مدل با استفاده از ترکیبی از پایتون و R (نسخه 3.5.1) [18] انجام شد. ما از این رویکرد (البته مسلماً کمتر از بهینه) فقط به عنوان یک کمک اکتشافی در این مورد استفاده کردیم. مرحله اولیه برای مقایسه عملکرد مدل اولیه در پیش‌بینی کاربرد بالینی بالقوه سپس از آزمون رتبه‌بندی علامت‌دار بیزی با استفاده از توزیع پسین برای تعیین احتمال تفاوت‌های عملکرد مدل استفاده کردیم [19]. برای این تحلیل‌ها، از بازه 0.01-، 0.01 استفاده کردیم، به این معنی که اگر دو گروه اختلاف عملکرد کمتر از 0.01 داشتند، آنها یکسان در نظر گرفته می‌شوند (در منطقه هم ارزی عملی)، یا در غیر این صورت متفاوت هستند (یکی بهتر از دیگری). برای انجام مقایسه بیزی طبقه بندی کننده ها و محاسبه این احتمالات، از کتابخانه baycomp (نسخه 1.0.2) برای Python 3.6.4 استفاده کردیم.

مدل سازی پیش بینی

ما مدل‌های پیش‌بینی‌کننده را با استفاده از ده تغییر کل طرح‌های مدل‌سازی خود برای پیش‌بینی (طبقه‌بندی) نتیجه آزمایش MoCA هر بیمار یا شدت تشخیص بالینی ساختیم. همه فراگیران به کار گرفته شدند و مدل ها با استفاده از پلتفرم نرم افزار منبع باز Weka [20] ساخته شدند. برای تجزیه و تحلیل اولیه، ما از 10 الگوریتم یادگیری متداول استفاده کردیم: 5-نزدیکترین همسایه ها، دو نسخه درخت تصمیم C4.5، رگرسیون لجستیک، پرسپترون چندلایه، بیز ساده، دو نسخه جنگل تصادفی، شبکه تابع پایه شعاعی، و بردار پشتیبانی. دستگاه. ویژگی ها و تضادهای کلیدی این الگوریتم ها در جای دیگری [21] توضیح داده شده است (به پیوست مربوطه مراجعه کنید). اینها به این دلیل انتخاب شدند که نشان دهنده انواع مختلفی از یادگیرندگان هستند و به این دلیل که ما با استفاده از آنها در تجزیه و تحلیل های قبلی بر روی داده های مشابه موفقیت نشان داده ایم. تنظیمات فراپارامتر از تحقیقات قبلی ما انتخاب شد که نشان می‌دهد آنها در انواع داده‌های مختلف قوی هستند [22]. بر اساس نتایج تجزیه و تحلیل اولیه ما با استفاده از مجموعه داده ترکیبی یکسان با ویژگی‌های مشترکی که متعاقباً در تجزیه و تحلیل کامل مورد استفاده قرار گرفت، ما سه یادگیرنده را شناسایی کردیم که عملکرد ثابتی را در تمام طبقه‌بندی‌ها ارائه کردند: رگرسیون لجستیک، بی‌های ساده و ماشین بردار پشتیبانی.

اعتبارسنجی متقابل و معیار عملکرد مدل

برای همه مدل‌سازی‌های پیش‌بینی‌کننده (از جمله تحلیل‌های اولیه)، هر مدل با استفاده از اعتبارسنجی متقاطع 10 برابری ساخته شد و عملکرد مدل با استفاده از ناحیه زیر منحنی مشخصه عملیاتی گیرنده (AUC) اندازه‌گیری شد. اعتبار سنجی متقابل با تقسیم تصادفی هر یک از 10 مجموعه داده طرح مدل‌سازی به 10 بخش مساوی (برخوردار)، با استفاده از نه بخش از این بخش‌های مربوطه برای آموزش مدل و بخش باقی‌مانده برای آزمایش آغاز شد. این روش 10 بار با استفاده از یک بخش مختلف به عنوان مجموعه تست در هر تکرار تکرار شد. سپس نتایج برای محاسبه نتیجه/عملکرد مدل نهایی ترکیب شدند. برای هر ترکیب یادگیرنده/مجموعه داده، کل این فرآیند 10 بار تکرار شد و هر بار داده ها به طور متفاوت تقسیم شدند. این مرحله آخر سوگیری را کاهش داد، تکرارپذیری را تضمین کرد و به تعیین عملکرد کلی مدل کمک کرد. در مجموع (برای ترکیب امتیازات MoCA و طرح‌های طبقه‌بندی شدت تشخیص)، 6,600 مدل ساخته شد. این شامل 1,800 مدل فیلتر نشده (6 طرح مدل‌سازی اعمال شده برای مجموعه داده×3 یادگیرنده×10 اجرا×10 برابر = 1,800 مدل) و 4,800 مدل فیلتر شده (4 طرح مدل‌سازی اعمال شده برای مجموعه داده×3 یادگیرنده×4 تکنیک انتخاب ویژگی×10 اجرا× 10 تا شده = 4,800 مدل).

انتخاب ویژگی ها

برای مدل‌های فیلتر شده، انتخاب ویژگی (با استفاده از چهار روش رتبه‌بندی ویژگی) در اعتبارسنجی متقابل انجام شد. برای هر یک از 10 برابر، از آنجایی که 10٪ متفاوت از مجموعه داده داده های آزمایشی بود، فقط از چهار ویژگی انتخابی برتر برای هر مجموعه داده آموزشی (یعنی 90 برابر دیگر یا XNUMX٪ باقیمانده از کل مجموعه داده) استفاده شد. برای ساخت مدل ها ما نتوانستیم تأیید کنیم که کدام چهار ویژگی در هر مدل استفاده شده است، زیرا این اطلاعات در پلتفرم مدل‌سازی که استفاده می‌کنیم (Weka) ذخیره یا در دسترس قرار نمی‌گیرد. با این حال، با توجه به ثبات در انتخاب اولیه ما از ویژگی‌های برتر زمانی که رتبه‌بندی‌ها برای کل مجموعه داده ترکیبی اعمال شد و مشابهت بعدی در عملکرد مدل‌سازی، همین ویژگی‌ها (سن، سال‌های تحصیل، MTx-% C، و میانگین MTx-RT) ) احتمالاً رایج ترین چهار مورد استفاده شده همزمان با انتخاب ویژگی در فرآیند اعتبارسنجی متقابل هستند.

نتایج

ویژگی‌های عددی شرکت‌کننده (شامل امتیازات MoCA و معیارهای عملکرد MemTrax) مجموعه داده‌های مربوطه برای هر استراتژی طبقه‌بندی مدل برای پیش‌بینی سلامت شناختی نشان‌داده‌شده توسط MoCA (طبیعی در مقابل MCI) و شدت تشخیص (خفیف در مقابل شدید) در جدول 3 نشان داده شده است.

میز 3

ویژگی های شرکت کننده، امتیازات MoCA، و عملکرد MemTrax برای هر استراتژی طبقه بندی مدل

استراتژی طبقه بندیسنآموزشوزارت امور خارجه تنظیم شده استوزارت امور خارجه تنظیم نشده استMTx-% CMTx-RT
دسته MoCA61.9 سال (13.1)9.6 سال (4.6)19.2 (6.5)18.4 (6.7)74.8٪ (15.0)1.4 ثانیه (0.3)
شدت تشخیص65.6 سال (12.1)8.6 سال (4.4)16.7 (6.2)15.8 (6.3)68.3٪ (13.8)1.5 ثانیه (0.3)

مقادیر نشان‌داده‌شده (میانگین، SD) که با استراتژی‌های طبقه‌بندی مدل‌سازی متمایز می‌شوند، نماینده مجموعه داده ترکیبی مورد استفاده برای پیش‌بینی سلامت شناختی نشان‌داده‌شده با MoCA (MCI در مقابل نرمال) و زیر مجموعه داده‌های XL هستند که فقط برای پیش‌بینی شدت تشخیص (خفیف در مقابل شدید) استفاده می‌شوند.

برای هر ترکیب امتیاز MoCA (تعدیل شده/تعدیل نشده) و آستانه (26/23)، تفاوت آماری وجود داشت (p = 0.000) در هر مقایسه زوجی (سلامت شناختی نرمال در مقابل MCI) برای سن، تحصیلات و عملکرد MemTrax (MTx-% C و MTx-RT). هر زیر مجموعه داده بیمار در کلاس MCI مربوطه برای هر ترکیب به طور متوسط ​​حدود 9 تا 15 سال مسن تر بود، حدود XNUMX سال آموزش کمتر گزارش کرد و عملکرد MemTrax کمتری برای هر دو معیار داشت.

نتایج عملکرد مدل‌سازی پیش‌بینی‌کننده برای طبقه‌بندی امتیازات MoCA با استفاده از سه یادگیرنده برتر، رگرسیون لجستیک، بی‌های ساده و ماشین بردار پشتیبان، در جدول 4 نشان داده شده است. این سه بر اساس پایدارترین عملکرد مطلق یادگیرنده در تمام مدل‌های مختلف انتخاب شدند برای همه طرح‌های مدل‌سازی به مجموعه داده‌ها اعمال می‌شود. برای مجموعه داده‌ها و مدل‌سازی فیلتر نشده، هر یک از مقادیر داده‌ها در جدول 4 عملکرد مدل را بر اساس میانگین AUC نشان می‌دهد که از 100 مدل (10 اجرا در 10 برابر) ساخته شده برای هر ترکیب الگوی یادگیرنده/مدل‌سازی، با بالاترین مقدار مربوطه به دست آمده است. یادگیرنده اجرا کننده با خط پررنگ نشان داده شده است. در حالی که برای مدل‌سازی مجموعه داده فیلتر شده، نتایج گزارش‌شده در جدول 4 میانگین کلی عملکرد مدل از 400 مدل برای هر یادگیرنده را با استفاده از هر یک از روش‌های رتبه‌بندی ویژگی (4 روش رتبه‌بندی ویژگی×10 اجرا×10 برابر) منعکس می‌کند.

میز 4

عملکرد طبقه‌بندی نمره دوگانه MoCA (AUC؛ 0.0-1.0) نتایج برای هر یک از سه یادگیرنده با عملکرد برتر برای همه طرح‌های مدل‌سازی مربوطه

مجموعه ویژگی استفاده شده استامتیاز MoCAآستانه برشرگرسیون منطقیبیو بیزماشین بردار پشتیبانی
بدون فیلتر (10 ویژگی)تنظیم شده230.88620.89130.8695
260.89710.92210.9161
تنظیم نشده230.91030.90850.8995
260.88340.91530.8994
فیلتر شده (4 ویژگی)تنظیم شده230.89290.89540.8948
260.91880.92470.9201
تنظیم نشده230.91350.91340.9122
260.91590.92360.9177

با استفاده از تغییرات مجموعه ویژگی، امتیاز MoCA، و آستانه برش امتیاز MoCA، بالاترین عملکرد برای هر طرح مدل سازی نشان داده شده است جسور (لزوماً از نظر آماری متفاوت از سایرین نیست جسور برای مدل مربوطه).

با مقایسه فراگیران در تمام ترکیب‌های نسخه‌ها و آستانه‌های امتیاز MoCA (به ترتیب تنظیم‌شده/تعدیل‌نشده و 23/26) در مجموعه داده‌های فیلتر نشده ترکیبی (یعنی با استفاده از 10 ویژگی مشترک)، Naïve Bayes عموماً بهترین یادگیرنده با عملکرد کلی بود. عملکرد طبقه بندی 0.9093. با در نظر گرفتن سه زبان‌آموز برتر، آزمون‌های رتبه‌بندی علامت‌دار همبستگی بیزی نشان داد که احتمال (Pr) از رگرسیون لجستیک بیز ساده 99.9 درصد بود. علاوه بر این، بین بیز ساده و ماشین بردار پشتیبان، احتمال معادل 21.0٪ عملی در عملکرد یادگیرنده (بنابراین، 79.0٪ احتمال عملکرد بهتر از ماشین بردار پشتیبان بیز ساده)، همراه با احتمال 0.0٪ عملکرد ماشین بردار پشتیبان، به طور قابل اندازه گیری بهتر است. مزیت عملکرد را برای Naïve Bayes تقویت می کند. مقایسه بیشتر نسخه نمره MoCA در بین همه فراگیران/آستانه ها، یک مزیت عملکردی جزئی را با استفاده از نمرات MoCA تنظیم نشده در مقابل تعدیل شده پیشنهاد می کند (به ترتیب 0.9027 در مقابل 0.8971. Pr (تعدیل نشده > تنظیم شده) = 0.988). به طور مشابه، مقایسه آستانه برش در تمام زبان‌آموزان و نسخه‌های نمره MoCA نشان‌دهنده یک مزیت عملکرد طبقه‌بندی کوچک با استفاده از 26 به عنوان آستانه طبقه‌بندی در مقابل 23 (به ترتیب 0.9056 در مقابل 0.8942) بود. Pr (26 > 23) = 0.999). در نهایت، با بررسی عملکرد طبقه‌بندی مدل‌هایی که فقط از نتایج فیلتر شده استفاده می‌کنند (یعنی فقط چهار ویژگی دارای رتبه برتر)، Naïve Bayes (0.9143) از نظر عددی بهترین یادگیرنده در تمام نسخه‌ها/آستانه‌های امتیاز MoCA بود. با این حال، در تمام تکنیک‌های رتبه‌بندی ویژگی‌ها، همه یادگیرندگان با عملکرد برتر به طور مشابه عمل کردند. آزمون‌های رتبه‌بندی علامت‌دار بیزی احتمال 100 درصد هم ارزی عملی را بین هر جفت یادگیرنده فیلتر شده نشان داد. همانند داده های فیلتر نشده (با استفاده از تمام 10 ویژگی مشترک)، مجدداً یک مزیت عملکردی برای نسخه تنظیم نشده امتیاز MoCA وجود داشت.Pr (تعدیل نشده > تنظیم شده) = 1.000)، و همچنین یک مزیت متمایز مشابه برای آستانه طبقه بندی 26 (Pr (26 > 23) = 1.000). شایان ذکر است، میانگین عملکرد هر یک از سه یادگیرنده برتر در تمام نسخه‌ها/آستانه‌های امتیاز MoCA با استفاده از چهار ویژگی برتر از میانگین عملکرد هر یادگیرنده در داده‌های فیلتر نشده بیشتر است. جای تعجب نیست که عملکرد طبقه‌بندی مدل‌های فیلتر شده (با استفاده از چهار ویژگی با رتبه برتر) به طور کلی (0.9119) نسبت به مدل‌های فیلتر نشده (0.8999) برتر بود، صرف نظر از مدل‌های روش رتبه‌بندی ویژگی که با آن مدل‌های مربوطه با استفاده از هر 10 مدل رایج مقایسه شدند. امکانات. برای هر روش انتخاب ویژگی، احتمال 100% مزیت عملکرد نسبت به مدل‌های فیلتر نشده وجود داشت.

با در نظر گرفتن بیماران برای طبقه بندی شدت تشخیص AD، تفاوت بین گروهی (MCI-AD در مقابل AD) برای سن (p = 0.004)، آموزش (p = 0.028)، امتیاز وزارت امور خارجه تنظیم/تعدیل نشده (p = 0.000)، و MTx-% C (p = 0.008) از نظر آماری معنی دار بودند. در حالی که برای MTx-RT اینطور نبود (p = 0.097). با آن دسته از بیمارانی که برای طبقه‌بندی شدت تشخیص VaD در نظر گرفته می‌شوند، تفاوت‌های بین گروهی (MCI-VaD در مقابل VaD) برای امتیاز MoCA تنظیم شده/تعدیل نشده است.p = 0.007) و MTx-% C (p = 0.026) و MTx-RT (p = 0.001) از نظر آماری معنی دار بودند. در حالی که برای سن (p = 0.511) و آموزش (p = 0.157) تفاوت معنی داری بین گروه وجود نداشت.

نتایج عملکرد مدل‌سازی پیش‌بینی‌کننده برای طبقه‌بندی شدت تشخیص با استفاده از سه یادگیرنده قبلاً انتخاب شده، رگرسیون لجستیک، بیز ساده و ماشین بردار پشتیبانی، در جدول 5 نشان داده شده است. سه یادگیرنده ای که در مدل سازی قبلی خود به عنوان مطلوب ترین یادگیرنده ها شناسایی کرده بودیم، سازگارترین عملکرد را با هر دو طرح مدل سازی جدید ارائه کردند. با مقایسه یادگیرندگان در هر یک از دسته‌های تشخیص اولیه (AD و VaD)، هیچ تفاوت عملکرد طبقه‌بندی ثابتی بین یادگیرندگان برای MCI-VaD در مقابل VaD وجود نداشت، اگرچه ماشین بردار پشتیبانی عموماً عملکرد برجسته‌تری داشت. به طور مشابه، هیچ تفاوت معنی‌داری بین فراگیران برای طبقه‌بندی MCI-AD در مقابل AD وجود نداشت، اگرچه Bayes ساده (NB) نسبت به رگرسیون لجستیک (LR) یک مزیت عملکردی جزئی داشت و فقط یک کثرت ناچیز نسبت به ماشین بردار پشتیبان، با احتمالات 61.4٪ داشت. و به ترتیب 41.7 درصد. در هر دو مجموعه داده، یک مزیت عملکرد کلی برای ماشین بردار پشتیبانی (SVM) وجود داشت Pr (SVM > LR) = 0.819 و Pr (SVM > NB) = 0.934. عملکرد طبقه‌بندی کلی ما در بین همه فراگیران در پیش‌بینی شدت تشخیص در زیر مجموعه داده‌های XL در دسته تشخیص VaD در مقابل AD بهتر بود (Pr (VAD > AD) = 0.998).

میز 5

عملکرد طبقه بندی شدت تشخیص بالینی دوگانه (AUC؛ 0.0-1.0) نتایج برای هر یک از سه یادگیرنده با عملکرد برتر برای هر دو طرح مدل سازی مربوطه

طرح مدلسازیرگرسیون منطقیبیو بیزماشین بردار پشتیبانی
MCI-AD در مقابل AD0.74650.78100.7443
MCI-VaD در مقابل VaD0.80330.80440.8338

بالاترین عملکرد برای هر طرح مدل سازی در نشان داده شده است جسور (لزوما از نظر آماری متفاوت از سایرین نیست جسور).

بحث

تشخیص زودهنگام تغییرات در سلامت شناختی اهمیت دارد کاربرد عملی در مدیریت سلامت شخصی و سلامت عمومی به طور یکسان. در واقع، در تنظیمات بالینی برای بیماران در سراسر جهان نیز از اولویت بالایی برخوردار است. هدف مشترک این است که به بیماران، مراقبان، و ارائه دهندگان هشدار داده شود و درمان مناسب و مقرون به صرفه و مراقبت طولانی مدت را برای کسانی که شروع به تجربه زوال شناختی کرده اند، سریعتر انجام دهند. با ادغام سه زیرمجموعه داده بیمارستان/کلینیک، سه یادگیرنده کاملاً ارجح (با یک برجسته برجسته - ساده‌لوحان بیز) را شناسایی کردیم تا با استفاده از مدل‌های پیش‌بینی‌کننده بسازیم. معیارهای عملکرد MemTrax که می تواند وضعیت سلامت شناختی را به طور قابل اعتماد طبقه بندی کند به طور دوگانه (سلامت شناختی نرمال یا MCI) همانطور که با یک نمره کل MoCA نشان داده می شود. قابل‌توجه، عملکرد طبقه‌بندی کلی برای هر سه یادگیرنده زمانی بهبود یافت که مدل‌های ما فقط از چهار ویژگی با رتبه برتر استفاده کردند که اساساً این معیارهای عملکرد MemTrax را در بر می‌گرفت. علاوه بر این، ما پتانسیل قابل‌توجهی را برای استفاده از همان یادگیرندگان و معیارهای عملکرد MemTrax در یک طرح مدل‌سازی طبقه‌بندی پشتیبانی تشخیصی برای تشخیص شدت دو دسته تشخیص زوال عقل نشان دادیم: AD و VaD.

تست حافظه برای تشخیص زودهنگام AD مرکزی است [23، 24]. بنابراین، مناسب است که MemTrax به صورت آنلاین قابل قبول، جذاب و آسان برای پیاده سازی باشد. تست غربالگری حافظه اپیزودیک در جمعیت عمومی [6]. دقت تشخیص و زمان پاسخ از این وظیفه عملکرد مداوم به ویژه در شناسایی زوال اولیه و در حال تکامل و نقایص متعاقب آن در فرآیندهای نوروپلاستیک مربوط به یادگیری، حافظه و شناخت آشکار می شود. یعنی مدل‌هایی که در اینجا عمدتاً مبتنی بر معیارهای عملکرد MemTrax هستند، به آسانی و با حداقل هزینه، کسری‌های نوروپاتولوژیک بیولوژیکی را در طول مرحله بدون علامت انتقالی و قبل از از دست دادن عملکردی قابل‌توجه نشان می‌دهند [25] حساس هستند. اشفورد و همکاران الگوها و رفتارهای دقت حافظه شناسایی و زمان پاسخ را در کاربران آنلاینی که به تنهایی با MemTrax شرکت کرده بودند، از نزدیک بررسی کرد [6]. با توجه به اینکه این توزیع‌ها در مدل‌سازی بهینه و توسعه برنامه‌های کاربردی مراقبت از بیمار معتبر و مؤثر حیاتی هستند، تعریف نمایه‌های تشخیص و زمان پاسخ بالینی قابل اجرا در ایجاد یک مرجع بنیادی ارزشمند برای کاربرد بالینی و تحقیقاتی ضروری است. ارزش عملی MemTrax در غربالگری AD برای اختلالات شناختی در مراحل اولیه و پشتیبانی تشخیصی افتراقی باید در چارچوب یک محیط بالینی که در آن بیماری‌های همراه و قابلیت‌های شناختی، حسی و حرکتی مؤثر بر عملکرد آزمون در نظر گرفته شود، دقیق‌تر مورد بررسی قرار گیرد. و برای اطلاع از دیدگاه حرفه ای و تشویق سودمندی بالینی عملی، ابتدا ضروری است که مقایسه با یک آزمون ارزیابی سلامت شناختی ایجاد شده نشان داده شود، حتی اگر آزمون دوم ممکن است به طور قابل تشخیصی توسط لجستیک، آموزش و بازدارنده های زبانی، و تأثیرات فرهنگی به طور قابل تشخیصی محدود شود [26] . در این راستا، مقایسه مطلوب MemTrax در اثربخشی بالینی با MoCA که معمولاً به عنوان یک استاندارد صنعتی مطرح می‌شود، قابل توجه است، به‌ویژه هنگامی که سهولت بیشتر کاربرد و پذیرش بیمار از MemTrax در نظر گرفته می‌شود.

کاوش قبلی که MemTrax را با MoCA مقایسه می‌کرد، دلیل منطقی و شواهد اولیه‌ای را که تحقیقات مدل‌سازی ما را تضمین می‌کند، برجسته می‌کند [8]. با این حال، این مقایسه قبلی صرفاً دو معیار کلیدی عملکرد MemTrax را که ما بررسی کردیم با وضعیت شناختی که توسط MoCA تعیین می‌شود و محدوده‌ها و مقادیر برش مربوطه را تعریف می‌کرد، مرتبط می‌کرد. ما ارزیابی سودمندی بالینی MemTrax را با کاوش در یک رویکرد مبتنی بر مدل‌سازی پیش‌بینی‌کننده عمیق‌تر کردیم که بررسی فردی تری از سایر پارامترهای بالقوه مرتبط با بیمار را ارائه می‌دهد. برخلاف سایرین، ما مزیتی در عملکرد مدل با استفاده از تصحیح آموزشی (تعدیل) به امتیاز وزارت دفاع یا تغییر آستانه امتیاز مجموع تمایز سلامت شناختی از 26 به 23 پیدا نکردیم [12، 15]. در واقع، مزیت عملکرد طبقه‌بندی با استفاده از امتیاز MoCA تعدیل‌نشده و آستانه بالاتر ترجیح داده شد.

نکات کلیدی در عمل بالینی

یادگیری ماشینی اغلب در مدل‌سازی پیش‌بینی به بهترین وجه استفاده می‌شود که داده‌ها گسترده و چند بعدی هستند، یعنی زمانی که مشاهدات متعدد و مجموعه گسترده‌ای از ویژگی‌های با ارزش بالا (مشارکت کننده) وجود دارد. با این حال، با این داده‌های فعلی، مدل‌های فیلتر شده با تنها چهار ویژگی انتخابی بهتر از مدل‌هایی که از تمام ۱۰ ویژگی مشترک استفاده می‌کنند، عمل کردند. این نشان می‌دهد که مجموعه داده‌های بیمارستانی ما از نظر بالینی مناسب‌ترین (ارزش بالا) ویژگی‌ها برای طبقه‌بندی بهینه بیماران به این روش را ندارد. با این وجود، تاکید بر رتبه‌بندی ویژگی‌ها بر معیارهای کلیدی عملکرد MemTrax - MTx-% C و MTx-RT - قویاً از ساخت مدل‌های غربالگری نقص شناختی در مراحل اولیه حول این آزمون پشتیبانی می‌کند که ساده، آسان برای اجرا، کم هزینه و به‌خوبی آشکارکننده است. عملکرد حافظه، حداقل در حال حاضر به عنوان یک صفحه اولیه برای طبقه بندی باینری وضعیت سلامت شناختی. با توجه به فشار روزافزون بر ارائه دهندگان و سیستم های مراقبت های بهداشتی، فرآیندهای غربالگری بیمار و کاربردهای بالینی باید با تاکید بر جمع آوری، ردیابی و مدل سازی آن دسته از ویژگی های بیمار و معیارهای آزمایشی که مفیدترین، سودمندترین و موثرترین آنها در تشخیص هستند، توسعه یابد. و پشتیبانی مدیریت بیمار

با توجه به اینکه دو معیار کلیدی MemTrax در طبقه‌بندی MCI مرکزی هستند، یادگیرنده با عملکرد برتر ما (Naive Bayes) عملکرد پیش‌بینی بسیار بالایی در اکثر مدل‌ها داشت (AUC بیش از 0.90) با نسبت مثبت واقعی به مثبت کاذب نزدیک یا تا حدودی بیش از 4 بود. : 1. بنابراین، یک برنامه کاربردی بالینی ترجمه با استفاده از این یادگیرنده، بسیاری از افراد دارای نقص شناختی را تا حد زیادی جذب می کند (به درستی طبقه بندی می کند)، در حالی که هزینه های مرتبط با طبقه بندی اشتباه فردی با سلامت شناختی عادی را به عنوان دارای نقص شناختی (مثبت کاذب) به حداقل می رساند. این طبقه بندی را در کسانی که نقص شناختی دارند (منفی کاذب) از دست داده است. هر یک از این سناریوهای طبقه بندی نادرست می تواند بار روانی-اجتماعی نامناسبی را به بیمار و مراقبین تحمیل کند.

در حالی که در آنالیزهای مقدماتی و کامل، از هر ده یادگیرنده در هر طرح مدل‌سازی استفاده کردیم، نتایج خود را بر روی سه طبقه‌بندی‌کننده متمرکز کردیم که ثابت‌ترین عملکرد قوی را نشان می‌دهند. همچنین بر اساس این داده ها، یادگیرندگانی که پیش بینی می شود در یک کاربرد بالینی عملی در تعیین طبقه بندی وضعیت شناختی عملکرد قابل اعتمادی در سطح بالایی داشته باشند، برجسته شود. علاوه بر این، از آنجایی که این مطالعه به عنوان یک تحقیق مقدماتی در مورد کاربرد یادگیری ماشین در غربالگری شناختی و این چالش‌های بالینی به موقع در نظر گرفته شده بود، ما تصمیم گرفتیم تکنیک‌های یادگیری را ساده و کلی نگه داریم، با حداقل تنظیم پارامتر. ما قدردانی می‌کنیم که این رویکرد ممکن است پتانسیل را برای قابلیت‌های پیش‌بینی خاص بیمار محدودتر کرده باشد. به همین ترتیب، در حالی که آموزش مدل‌ها تنها با استفاده از ویژگی‌های برتر (رویکرد فیلتر شده) ما را در مورد این داده‌ها (ویژه کاستی‌های داده‌های جمع‌آوری‌شده و برجسته کردن ارزش در بهینه‌سازی زمان و منابع بالینی گران‌بها) آگاه می‌کند، ما تشخیص می‌دهیم که محدود کردن آن زود است. دامنه مدل‌ها و بنابراین، همه (و سایر ویژگی‌ها) باید با تحقیقات آتی در نظر گرفته شود تا زمانی که نمایه قطعی‌تری از ویژگی‌های اولویت داشته باشیم که برای جمعیت گسترده قابل اجرا باشد. بنابراین، ما همچنین کاملاً تشخیص می‌دهیم که داده‌های جامع‌تر و گسترده‌تر و بهینه‌سازی این مدل‌ها و سایر مدل‌ها قبل از ادغام آنها در یک کاربرد بالینی مؤثر، به ویژه برای سازگاری با بیماری‌های همراه مؤثر بر عملکرد شناختی که باید در ارزیابی بالینی بیشتر مورد توجه قرار گیرند، ضروری است.

سودمندی MemTrax با مدل‌سازی شدت بیماری بر اساس تشخیص بالینی جداگانه بیشتر شد. عملکرد طبقه بندی کلی بهتر در پیش بینی شدت VaD (در مقایسه با AD) نبود با توجه به ویژگی های مشخصات بیمار در مدل های خاص برای سلامت عروق، شگفت آور است و خطر سکته مغزی، به عنوان مثال، فشار خون، چربی خون، دیابت، و (البته) سابقه سکته مغزی. اگرچه انجام ارزیابی بالینی مشابه بر روی بیماران همسان با سلامت شناختی نرمال برای آموزش فراگیران با این داده‌های فراگیرتر، مطلوب‌تر و مناسب‌تر بود. این امر به ویژه ضروری است، زیرا MemTrax در درجه اول برای تشخیص مراحل اولیه نقص شناختی و ردیابی بعدی تغییرات فردی در نظر گرفته شده است. همچنین قابل قبول است که توزیع مطلوب‌تر داده‌ها در مجموعه داده‌های VaD تا حدی به عملکرد نسبتاً بهتر مدل‌سازی کمک کرده است. مجموعه داده‌های VaD به خوبی بین دو کلاس متعادل بود، در حالی که مجموعه داده‌های AD با بیماران MCI بسیار کمتر، متعادل نبود. به خصوص در مجموعه داده های کوچک، حتی چند نمونه اضافی می توانند تفاوت قابل اندازه گیری ایجاد کنند. هر دو دیدگاه استدلال های معقولی هستند که در زمینه تفاوت در عملکرد مدل سازی شدت بیماری وجود دارد. با این حال، نسبت دادن به نسبت عملکرد بهبود یافته به ویژگی‌های عددی مجموعه داده یا ویژگی‌های ذاتی خاص ارائه بالینی مورد بررسی، زودرس است. با این وجود، این رمان نشان داد که کاربرد یک مدل طبقه‌بندی پیش‌بینی‌کننده MemTrax در نقش پشتیبانی تشخیصی بالینی، چشم‌انداز ارزشمندی را ارائه می‌کند و پیگیری برای معاینه اضافی با بیماران در سراسر زنجیره MCI را تأیید می‌کند.

پیاده سازی و کاربرد نشان داده شده MemTrax و این مدل ها در چین، که در آن زبان و فرهنگ به شدت متفاوت از سایر مناطق کاربرد تاسیس شده است (به عنوان مثال، فرانسه، هلند، و ایالات متحده) [7، 8، 27]، بر این پتانسیل تاکید بیشتری دارد. برای پذیرش گسترده جهانی و ارزش بالینی یک پلت فرم مبتنی بر MemTrax. این یک نمونه قابل اثبات در تلاش برای هماهنگ سازی داده ها و توسعه هنجارهای عملی بین المللی و مدل سازی منابع برای غربالگری شناختی است که استاندارد شده و به راحتی برای استفاده در سراسر جهان سازگار است.

مراحل بعدی در مدل سازی و کاربرد زوال شناختی

اختلال عملکرد شناختی در AD در واقع در یک پیوستار رخ می دهد، نه در مراحل یا مراحل مجزا [28، 29]. با این حال، در این مرحله اولیه، هدف ما این بود که ابتدا توانایی خود را برای ایجاد مدلی با MemTrax ایجاد کنیم که بتواند اساساً «عادی» را از «غیر عادی» تشخیص دهد. داده های تجربی فراگیرتر (مانند تصویربرداری از مغز، ویژگی های ژنتیکی، نشانگرهای زیستی، بیماری های همراه، و نشانگرهای عملکردی پیچیده فعالیت هایی که نیاز به شناخت دارند کنترل) [30] در مناطق مختلف جهانی، جمعیت‌ها و گروه‌های سنی برای آموزش و توسعه مدل‌های یادگیری ماشینی پیچیده‌تر (از جمله مجموعه‌ای با وزن مناسب) از درجه بیشتری از طبقه‌بندی پیشرفته پشتیبانی می‌کند، یعنی ظرفیت طبقه‌بندی گروه‌های بیماران مبتلا به MCI به زیر مجموعه های کوچکتر و قطعی تر در امتداد پیوستار زوال شناختی تبدیل می شود. علاوه بر این، تشخیص‌های بالینی همزمان برای افراد در جمعیت‌های مختلف بیماران منطقه‌ای ضروری است به طور موثر آموزش دهید این مدل های جامع تر و قابل پیش بینی قوی تر. این امر مدیریت پرونده طبقه بندی شده ویژه تری را برای کسانی که دارای پیشینه، تأثیرات مشابه و پروفایل های شناختی مشخصه باریک تر هستند تسهیل می کند و در نتیجه پشتیبانی تصمیم گیری بالینی و مراقبت از بیمار را بهینه می کند.

بسیاری از تحقیقات بالینی مرتبط تا به امروز به بیماران مبتلا به حداقل زوال عقل خفیف پرداخته است. و در عمل، اغلب مداخله بیمار فقط در مراحل پیشرفته انجام می شود. با این حال، از آنجایی که زوال شناختی قبل از برآورده شدن معیارهای بالینی زوال عقل شروع می شود، یک غربالگری اولیه مبتنی بر MemTrax به طور موثر می تواند آموزش مناسب افراد را در مورد بیماری و پیشرفت آن تشویق کند و مداخلات زودتر و به موقع تر را انجام دهد. بنابراین، تشخیص زودهنگام می‌تواند از مشارکت‌های مناسب اعم از ورزش، رژیم غذایی، حمایت عاطفی، و اجتماعی شدن بهبود یافته تا مداخلات دارویی حمایت کند و تغییرات مرتبط با بیمار را در رفتار و ادراک تقویت کند که به‌صورت مجزا یا در مجموع می‌تواند پیشرفت زوال عقل را کاهش داده یا به طور بالقوه متوقف کند [31، 32] . علاوه بر این، با موثر غربالگری زودهنگامممکن است از افراد و خانواده‌هایشان خواسته شود تا آزمایش‌های بالینی را در نظر بگیرند یا از مشاوره و سایر خدمات اجتماعی حمایت کنند تا به شفاف‌سازی انتظارات و نیات و مدیریت وظایف روزانه کمک کنند. اعتبار سنجی بیشتر و کاربرد عملی گسترده در این راه ها می تواند در کاهش یا توقف پیشرفت MCI، AD و ADRD برای بسیاری از افراد مفید باشد.

در واقع، پایین بودن محدوده سنی بیمار در مطالعه ما، جمعیت مورد توجه سنتی با AD را نشان نمی دهد. با این وجود، میانگین سنی برای هر گروه مورد استفاده در طرح‌های مدل‌سازی طبقه‌بندی بر اساس امتیاز/آستانه MoCA و شدت تشخیص (جدول 3) نشان می‌دهد که اکثریت واضح (بیش از 80%) حداقل 50 سال سن دارند. بنابراین، این توزیع برای تعمیم بسیار مناسب است و از کاربرد این مدل‌ها در جمعیتی که معمولاً تحت تأثیر قرار می‌گیرند، حمایت می‌کند. شروع زودرس و بیماری عصبی در حال رشد ناشی از AD و VaD. همچنین، شواهد و دیدگاه‌های اخیر بر عوامل شناخته‌شده (مانند فشار خون بالا، چاقی، دیابت و سیگار کشیدن) تأکید می‌کنند که به طور بالقوه در افزایش زودهنگام نقش دارند. نمرات خطر عروقی بزرگسالان و میانسالی و متعاقب آن آسیب عروقی ظریف مغزی که به صورت موذیانه با اثرات مشهود حتی در جوانان ایجاد می شود. بزرگسالان [33-35]. بر این اساس، بهینه ترین فرصت غربالگری اولیه برای تشخیص زودهنگام است مرحله نقایص شناختی و شروع راهبردهای پیشگیری و مداخله موثر در رسیدگی موفق به زوال عقل از بررسی عوامل مؤثر و شاخص‌های پیشین در طیف سنی، از جمله اوایل بزرگسالی و احتمالاً حتی دوران کودکی (با توجه به ارتباط عوامل ژنتیکی مانند آپولیپوپروتئین E از اوایل بارداری) پدیدار خواهد شد.

در عمل، تشخیص‌های بالینی معتبر و روش‌های پرهزینه برای تصویربرداری پیشرفته، پروفایل ژنتیکی و اندازه‌گیری نشانگرهای زیستی امیدوارکننده همیشه برای بسیاری از ارائه‌دهندگان به آسانی در دسترس یا حتی امکان‌پذیر نیستند. بنابراین، در بسیاری از موارد، طبقه بندی اولیه وضعیت سلامت شناختی کلی ممکن است باید از مدل هایی با استفاده از سایر معیارهای ساده ارائه شده توسط بیمار (به عنوان مثال، خود گزارش شده) استخراج شود. مشکلات حافظه، داروهای فعلی و محدودیت های فعالیت معمول) و ویژگی های جمعیت شناختی رایج [7]. مراکز ثبتی مانند دانشگاه کالیفرنیا سلامت مغز رجیستری (https://www.brainhealthregistry.org/) [27] و سایر موارد با وسعت ذاتی بیشتر از علائم گزارش شده توسط خود، معیارهای کیفی (مانند خواب و شناخت هر روز)، داروها، وضعیت سلامتی، و سابقه، و اطلاعات جمعیتی دقیق تر در توسعه و اعتبار سنجی کاربرد عملی این مدل های ابتدایی تر در کلینیک مفید خواهد بود. علاوه بر این، آزمایشی مانند MemTrax، که سودمندی را در ارزیابی عملکرد حافظه نشان داده است، ممکن است در واقع تخمین قابل توجهی بهتری از آسیب شناسی AD نسبت به نشانگرهای بیولوژیکی ارائه دهد. با توجه به اینکه ویژگی اصلی آسیب شناسی AD، اختلال در انعطاف پذیری عصبی و از دست دادن بسیار پیچیده سیناپس ها است که به صورت اپیزودیک آشکار می شود. اختلال عملکرد حافظه، معیاری که حافظه اپیزودیک را ارزیابی می کند، ممکن است در واقع تخمین بهتری از بار پاتولوژیک AD نسبت به نشانگرهای بیولوژیکی در بیمار زنده ارائه می دهد [36].

با همه مدل‌های پیش‌بینی - چه با داده‌های پیچیده و فراگیر از فن‌آوری‌های پیشرفته و بینش‌های بالینی اصلاح‌شده در حوزه‌های متعدد یا آن‌هایی که محدود به اطلاعات اولیه‌تر و در دسترس‌تر مشخصه‌های پروفایل‌های بیمار موجود باشد، - مزیت شناخته شده هوش مصنوعی و یادگیری ماشینی این است که مدل‌های حاصل می‌توانند از داده‌ها و دیدگاه‌های جدید مرتبط که با استفاده مداوم از برنامه‌ها ارائه می‌شوند، ترکیب کنند و به صورت استقرایی «یاد بگیرند». پس از انتقال عملی فناوری، از آنجایی که مدل‌های اینجا (و در حال توسعه) به کار می‌روند و با موارد بیشتر و داده‌های مرتبط غنی می‌شوند (از جمله بیماران مبتلا به بیماری‌های همراه که می‌توانند با زوال شناختی متعاقب بروز کنند)، عملکرد پیش‌بینی و طبقه‌بندی سلامت شناختی قوی‌تر خواهد بود. منجر به ابزار پشتیبانی تصمیم بالینی موثرتر می شود. این تکامل با تعبیه MemTrax در پلتفرم‌های سفارشی (با هدف قرار دادن قابلیت‌های موجود) که ارائه‌دهندگان مراقبت‌های بهداشتی می‌توانند در زمان واقعی در کلینیک از آنها استفاده کنند، به‌طور کامل‌تر و عملی‌تر تحقق خواهد یافت.

برای اعتبارسنجی و کاربرد مدل MemTrax برای پشتیبانی تشخیصی و مراقبت از بیمار، داده‌های طولی معنی‌دار بسیار مورد جستجو هستند. با مشاهده و ثبت تغییرات همزمان (در صورت وجود) در وضعیت بالینی در محدوده مناسبی از MCI طبیعی تا مراحل اولیه، می‌توان مدل‌ها را برای ارزیابی و طبقه‌بندی مناسب مداوم آموزش داد و با افزایش سن و درمان بیماران اصلاح کرد. یعنی استفاده مکرر می تواند به ردیابی طولی تغییرات شناختی خفیف، اثربخشی مداخله و حفظ مراقبت طبقه بندی آگاهانه کمک کند. این رویکرد بیشتر با عملکرد بالینی و مدیریت بیمار و مورد هماهنگ است.

محدودیت ها

ما از چالش و ارزش در جمع آوری داده های بالینی تمیز در یک محیط کنترل شده کلینیک/بیمارستان قدردانی می کنیم. با این وجود، اگر مجموعه داده های ما شامل بیماران بیشتری با ویژگی های مشترک می شد، مدل سازی ما را تقویت می کرد. علاوه بر این، مخصوص مدل‌سازی تشخیص ما، مطلوب‌تر و مناسب‌تر بود که ارزیابی بالینی مشابهی روی بیماران همسان با سلامت شناختی نرمال برای آموزش یادگیرندگان انجام شود. و همانطور که با عملکرد طبقه‌بندی بالاتر با استفاده از مجموعه داده فیلتر شده (فقط چهار ویژگی با رتبه برتر)، کلی‌تر و اقدامات/شاخص‌های سلامت شناختی احتمالاً بهبود یافته‌اند مدل سازی عملکرد با تعداد بیشتری از ویژگی های مشترک در همه بیماران.

برخی از شرکت‌کنندگان ممکن است همزمان بیماری‌های دیگری را تجربه کرده باشند که می‌تواند منجر به نقص‌های شناختی گذرا یا مزمن شود. به غیر از مجموعه داده فرعی XL که در آن بیماران از نظر تشخیصی به عنوان مبتلا به AD یا VaD طبقه‌بندی شدند، داده‌های مربوط به همبودی در مجموعه بیماران YH جمع‌آوری/گزارش نشدند، و شایع‌ترین بیماری همراه گزارش شده تا حد زیادی در زیر مجموعه داده‌های KM دیابت بود. با این حال، می توان بحث کرد که گنجاندن بیماران در طرح های مدل سازی ما با بیماری های همراه که می تواند سطحی از نقص شناختی را تحریک یا تشدید کند و در نتیجه عملکرد کمتر MemTrax را نشان دهد، بیشتر نماینده جمعیت بیماران هدف در دنیای واقعی برای این غربالگری شناختی اولیه عمومی تر خواهد بود. و رویکرد مدلسازی با حرکت رو به جلو، تشخیص دقیق بیماری‌های همراه که به طور بالقوه بر عملکرد شناختی تأثیر می‌گذارند، به طور گسترده برای بهینه‌سازی مدل‌ها و برنامه‌های مراقبت از بیمار در نتیجه مفید است.

در نهایت، بیماران زیر مجموعه داده YH و KM از گوشی هوشمند برای انجام تست MemTrax استفاده کردند، در حالی که تعداد محدودی از بیماران زیر مجموعه داده XL از iPad و بقیه از تلفن هوشمند استفاده کردند. این می‌توانست یک تفاوت جزئی مرتبط با دستگاه در عملکرد MemTrax برای مدل‌سازی طبقه‌بندی MoCA ایجاد کند. با این حال، برای مثال، تفاوت‌ها (در صورت وجود) در MTx-RT، بین دستگاه‌ها، احتمالاً ناچیز است، به‌ویژه زمانی که هر شرکت‌کننده درست قبل از اجرای تست ثبت‌شده، یک تست «تمرینی» داده می‌شود. با این وجود، کاربرد این دو دستگاه دستی به طور بالقوه مقایسه مستقیم و/یا ادغام با سایر نتایج MemTrax را به خطر می اندازد، جایی که کاربران با لمس کردن فاصله روی صفحه کلید رایانه به تصاویر تکراری پاسخ می دادند.

نکات کلیدی در ابزار مدل سازی پیش بینی کننده MemTrax

  • • مدل‌های پیش‌بینی با عملکرد برتر ما که معیارهای عملکرد MemTrax انتخاب شده را در بر می‌گیرد، می‌تواند وضعیت سلامت شناختی (سلامت شناختی نرمال یا MCI) را به‌طور قابل اعتمادی طبقه‌بندی کند، همانطور که در آزمون کاملاً شناخته شده MoCA نشان داده می‌شود.
  • • این نتایج از ادغام معیارهای عملکرد MemTrax منتخب در یک برنامه غربالگری مدل پیشگوی طبقه بندی برای اختلالات شناختی در مراحل اولیه پشتیبانی می کند.
  • • مدل‌سازی طبقه‌بندی ما همچنین پتانسیل استفاده از عملکرد MemTrax را در برنامه‌های کاربردی برای تشخیص شدت تشخیص زوال عقل نشان داد.

این یافته‌های جدید شواهد قطعی را برای حمایت از کاربرد یادگیری ماشین در ساختن مدل‌های طبقه‌بندی مبتنی بر MemTrax تقویت‌شده برای پشتیبانی تشخیصی در مدیریت مؤثر پرونده‌های بالینی و مراقبت از بیمار برای افراد دارای اختلال شناختی ایجاد می‌کنند.

قدردانی

ما کار J. Wesson Ashford، Curtis B. Ashford و همکاران را برای توسعه و اعتبار بخشیدن به کار و ابزار تشخیص مداوم آنلاین (MemTrax) که در اینجا استفاده شده است، قدردانی می کنیم و از بیماران متعدد مبتلا به زوال عقل که در تحقیقات اساسی حیاتی مشارکت داشتند سپاسگزاریم. . همچنین از شیانبو ژو و همکارانش در SJN Biomed LTD، همکاران و همکارانش در سایت‌های بیمارستان‌ها/کلینیک‌ها، به‌ویژه دکتر. M. Luo و M. Zhong که در استخدام شرکت‌کنندگان، زمان‌بندی آزمون‌ها و جمع‌آوری، ضبط و مدیریت پیشانی داده‌ها کمک کردند، و شرکت‌کنندگان داوطلبی که زمان ارزشمند خود را اهدا کردند و متعهد به شرکت در آزمون‌ها و ارائه آن‌ها شدند. داده های ارزشمندی را که ما در این مطالعه ارزیابی می کنیم. این این مطالعه تا حدی توسط تحقیقات علمی MD پشتیبانی شد برنامه دانشگاه پزشکی کونمینگ (گرنت شماره 2017BS028 به XL) و برنامه تحقیقاتی گروه علم و فناوری یوننان (شماره گرنت 2019FE001 (-222) به XL).

J. Wesson Ashford یک درخواست ثبت اختراع برای استفاده از پارادایم شناسایی پیوسته خاص توضیح داده شده در این مقاله به صورت کلی ثبت کرده است. تست حافظه.

MemTrax، LLC یک شرکت متعلق به کورتیس اشفورد است و این شرکت مدیریت آن را بر عهده دارد تست حافظه سیستم شرح داده شده در این مقاله

افشای نویسندگان به صورت آنلاین در دسترس است (https://www.j-alz.com/manuscript-disclosures/19-1340r2).

تست حافظه تست زوال عقل تست از دست دادن حافظه تست از دست دادن حافظه کوتاه مدت رام تست رژیم غذایی ذهن تنوع کتاب تست شناختی آنلاین
کورتیس اشفورد - هماهنگ کننده تحقیقات شناختی

مراجع

[1] انجمن آلزایمر (2016) حقایق بیماری آلزایمر 2016 و ارقام زوال آلزایمر 12، 459-509.
[2] Gresenz CR، Mitchell JM، Marrone J، Federoff HJ (2019) اثر مراحل اولیه بیماری آلزایمر در مورد نتایج مالی خانوار Health Econ 29، 18-29.
[3] Foster NL، Bondi MW، Das R، Foss M، Hershey LA، Koh S، Logan R، Poole C، Shega JW، Sood A، Thothala N، Wicklund M، Yu M، Bennett A، Wang D (2019) بهبود کیفیت در نورولوژی: مجموعه اندازه گیری کیفیت اختلال شناختی خفیف. عصب شناسی 93، 705-713.
[4] Tong T، Thokala P، McMillan B، Ghosh R، Brazier J (2017) اثربخشی هزینه استفاده تست های غربالگری شناختی برای تشخیص زوال عقل و اختلال شناختی خفیف در مراقبت های اولیه. Int J Geriatr Psychiatry 32، 1392-1400.
[5] Ashford JW، Gere E، Bayley PJ (2011) اندازه گیری حافظه در تنظیمات گروه بزرگ با استفاده از آزمون تشخیص مداوم. J Alzheimers Dis 27, 885-895.
[6] Ashford JW، Tarpin-Bernard F، Ashford CB، Ashford MT (2019) یک کار تشخیص مداوم کامپیوتری برای اندازه‌گیری حافظه اپیزودیک. J Alzheimers Dis 69, 385-399.
[7] Bergeron MF، Landset S، Tarpin-Bernard F، Ashford CB، Khoshgoftaar TM، Ashford JW (2019) عملکرد اپیزودیک حافظه در مدل‌سازی یادگیری ماشین برای پیش‌بینی طبقه‌بندی وضعیت سلامت شناختی. J Alzheimers Dis 70, 277-286.
[8] ون در هوک MD، Nieuwenhuizen A، Keijer J، Ashford JW (2019) The تست MemTrax در مقایسه با برآورد ارزیابی شناختی مونترال اختلال شناختی خفیف. J Alzheimers Dis 67، 1045-1054.
[9] Falcone M، Yadav N، Poellabauer C، Flynn P (2013) استفاده از صداهای مصوت جدا شده برای طبقه بندی آسیب خفیف مغزی. در سال 2013 کنفرانس بین المللی IEEE در مورد آکوستیک، پردازش گفتار و سیگنال، ونکوور، BC، صفحات 7577-7581.
[10] Dabek F، Caban JJ (2015) استفاده از داده های بزرگ برای مدل سازی احتمال ایجاد شرایط روانی پس از ضربه مغزی. Procedia Comput Sci 53, 265-273.
[11] Climent MT، Pardo J، Munoz-Almaraz FJ، Guerrero MD، Moreno L (2018) درخت تصمیم برای تشخیص زودهنگام اختلالات شناختی توسط داروسازان جامعه. Front Pharmacol 9, 1232.
[12] Nasreddine ZS، Phillips NA، Bedirian V، Charbonneau S، Whitehead V، Collin I، Cummings JL، Chertkow H (2005) ارزیابی شناختی مونترال، MoCA: یک ابزار غربالگری مختصر برای اختلالات شناختی خفیف. J Am Geriatr Soc 53, 695-699.
[13] یو جی، لی جی، هوانگ ایکس (2012) نسخه پکن ارزیابی شناختی مونترال به عنوان یک ابزار غربالگری مختصر برای اختلالات شناختی خفیف: یک مطالعه مبتنی بر جامعه. 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) اعتبار سنجی نسخه چینی ارزیابی شناختی مونترال پایه برای غربالگری اختلالات شناختی خفیف. J Am Geriatr Soc 64, e285–e290.
[15] Carson N، Leach L، Murphy KJ (2018) بررسی مجدد نمرات برش شناختی مونترال (MoCA). Int J Geriatr Psychiatry 33، 379-388.
[16] انجمن روانپزشکی آمریکا (2013) Task Force راهنمای تشخیصی و آماری اختلالات روانی: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC.
[17] پایتون. بنیاد نرم‌افزار پایتون، http://www.python.org، دسترسی به ۱۵ نوامبر ۲۰۱۹.
[18] R Core Group، R: زبان و محیطی برای محاسبات آماری R Foundation for Statistical Computing، وین، اتریش. https://www.R-project.org/، 2018، مشاهده شده در 15 نوامبر 2019.
[19] Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Time for a change: آموزشی برای مقایسه طبقه‌بندی‌کننده‌های چندگانه از طریق تحلیل بیزی. J Mach Learn Res 18, 1-36.
[20] فرانک ای، هال MA، ویتن آی اچ (2016) میز کار WEKA. که در داده کاوی: ابزارها و تکنیک های عملی یادگیری ماشین, فرانک ای, هال MA, Witten IH, Pal CJ, eds. مورگان کافمن 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) یادگیری ماشینی در مدلسازی رفع علائم ضربه مغزی ورزشی دبیرستانی. Med Sci Sports Exerc 51، 1362-1371.
[22] Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) دیدگاه های تجربی در مورد یادگیری از داده های نامتعادل. که در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی یادگیری ماشینی، کوروالیس، اورگان، ایالات متحده آمریکا، صفحات 935-942.
[23] Ashford JW، Kolm P، Colliver JA، Bekian C، Hsu LN (1989) ارزیابی بیمار آلزایمر و وضعیت ذهنی کوچک: تجزیه و تحلیل منحنی مشخصه مورد. P. J Gerontol 44, 139-146.
[24] اشفورد جی دبلیو، جارویک ال (1985) بیماری آلزایمر: آیا انعطاف پذیری نورون مستعد دژنراسیون نوروفیبریلاری آکسون است؟ N Engl J Med 313, 388-389.
[25] جک سی‌آر جونیور، ترنو تی‌ام، وایگاند اس‌دی، ویست اچ‌جی، ناپمن دی‌اس، وموری پی، لو وی‌جی، میلکه ام‌ام، رابرتز رو، ماچولدا ام‌ام، گراف رادفورد جی، جونز دی‌تی، شوارتز سی‌جی‌ام‌ال‌ال، گونژتر , Rocca WA , Petersen RC (2019) شیوع موجودات طیف آلزایمر بیولوژیکی در مقابل بالینی تعریف شده با استفاده از موسسه ملی پیری-آلزایمر تحقیقات انجمن چارچوب JAMA Neurol 76، 1174-1183.
[26] Zhou X، Ashford JW (2019) پیشرفت در ابزار غربالگری برای بیماری آلزایمر. 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) سلامت مغز رجیستری: یک پلت فرم مبتنی بر اینترنت برای استخدام، ارزیابی و نظارت طولی شرکت کنندگان برای مطالعات علوم اعصاب. زوال آلزایمر 14، 1063-1076.
[28] Ashford JW, Schmitt FA (2001) مدلسازی دوره زمانی زوال عقل آلزایمر. Curr Psychiatry Rep 3، 20-28.
[29] Li X، Wang X، Su L، Hu X، Han Y (2019) مطالعه طولی چینی در مورد زوال شناختی (SILCODE): پروتکل برای یک مطالعه مشاهده‌ای طولی چینی برای ایجاد مدل‌های پیش‌بینی خطر تبدیل به اختلال شناختی خفیف در افراد با ذهنی ذهنی کاهش می یابد. BMJ Open 9, e028188.
[30] Tarnanas I، Tsolaki A، Wiederhold M، Wiederhold B، Tsolaki M (2015) تنوع پیشرفت نشانگر زیستی پنج ساله برای زوال عقل بیماری آلزایمر پیش‌بینی: آیا فعالیت‌های ابزاری پیچیده زندگی روزمره می‌تواند شکاف‌ها را پر کند؟ زوال آلزایمر (Amst) 1، 521-532.
[31] McGurran H، Glenn JM، Madero EN، Bott NT (2019) پیشگیری و درمان بیماری آلزایمر: مکانیسم های بیولوژیکی ورزش J Alzheimers Dis 69, 311-338.
[32] Mendiola-Precoma J، Berumen LC، Padilla K، Garcia-Alcocer G (2016) درمان هایی برای پیشگیری و درمان بیماری آلزایمر. 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) ارتباط بین خطر عروقی در بزرگسالی و آسیب شناسی مغز در اواخر عمر: شواهد از یک گروه تولد بریتانیایی. JAMA Neurol 77، 175-183.
[34] Seshadri S (2020) پیشگیری از تفکر زوال عقل فراتر از سن و جعبه های آمیلوئید. 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) اثرات فشار خون سیستولیک بر یکپارچگی ماده سفید در بزرگسالان جوان در مطالعه قلب فرامینگام: یک مطالعه متقابل -مطالعه مقطعی 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) دقت آزمایش نشانگر زیستی برای تشخیص آسیب شناسی عصبی بیماری آلزایمر در افراد مسن مبتلا به زوال عقل. Ann Intern Med 172، 669-677.

وابستگی ها: [a] SIVOTEC Analytics، Boca Raton، FL، USA | [b] گروه کامپیوتر و مهندسی برق و علوم کامپیوتر، دانشگاه آتلانتیک فلوریدا، بوکا راتون، فلوریدا، ایالات متحده | [c] SJN Biomed LTD، Kunming، Yunnan، چین | [d] مرکز برای تحقیق آلزایمر, موسسه تحقیقات بالینی واشنگتن, واشنگتن دی سی, ایالات متحده آمریکا | [e] گروه پزشکی توانبخشی، اولین بیمارستان وابسته دانشگاه پزشکی کونمینگ، کونمینگ، یوننان، چین | [f] بخش نورولوژی، بیمارستان مردم دهونگ، دهونگ، یوننان، چین | [g] بخش نورولوژی، اولین بیمارستان وابسته دانشگاه پزشکی کونمینگ، منطقه ووهوا، کونمینگ، استان یوننان، چین | [h] مرکز مطالعات بیماری و جراحات مربوط به جنگ، VA Palo Alto مراقبت های بهداشتی System, Palo Alto, CA, USA | [i] گروه روانپزشکی و علوم رفتاری، دانشکده پزشکی دانشگاه استنفورد، پالو آلتو، کالیفرنیا، ایالات متحده آمریکا

مکاتبه: [*] مکاتبه با: Michael F. Bergeron، PhD، FACSM، SIVOTEC Analytics، Boca Raton Innovation Campus، 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. پست الکترونیکی: mbergeron@sivotecanalytics.com.; Xiaolei Liu، MD، بخش نورولوژی، اولین بیمارستان وابسته دانشگاه پزشکی Kunming، 295 Xichang Road، Wuhua District، Kunming، استان یوننان 650032، چین. ایمیل: ring@vip.163.com.

کلمات کلیدی: پیری بیماری آلزایمر، زوال عقل ، غربالگری جمعی