MemTraxin ja koneoppimismallinnuksen hyödyllisyys lievän kognitiivisen vajaatoiminnan luokituksessa

tutkimusartikkeli

Tekijät: 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

Lehti: Journal of Alzheimerin tauti, voi. 77, ei. 4, s. 1545-1558, 2020

Abstrakti

Taustaa:

Laaja ilmaantuvuus ja esiintyvyys Alzheimerin tauti ja lievä kognitiivinen vajaatoiminta (MCI) on saanut kiireellisen pyynnön tutkimukselle varhaisen havaitsemisen kognitiivisen seulonnan ja arvioinnin validoimiseksi.

Tavoite:

Ensisijainen tutkimustavoitteemme oli selvittää, voidaanko valittuja MemTrax-suorituskykymittareita sekä asiaankuuluvia demografisia ja terveysprofiilin ominaisuuksia tehokkaasti hyödyntää ennustavissa malleissa, jotka on kehitetty koneoppimisen avulla luokittamaan kognitiivista terveyttä (normaali vs. MCI), kuten Montrealin kognitiivinen arviointi (MoCA).

Menetelmät:

Teimme poikkileikkaustutkimuksen 259 neurologisella, muistiklinikalla ja sisätautipotilaalla, jotka valittiin kahdesta sairaalat Kiinassa. Jokaiselle potilaalle annettiin kiinankielinen MoCA ja hän antoi itse jatkuvan tunnistamisen MemTrax online -jakson. muistitesti verkossa samana päivänä. Ennustavat luokittelumallit rakennettiin koneoppimisen avulla 10-kertaisella ristiinvalidaatiolla, ja mallin suorituskyky mitattiin käyttämällä vastaanottimen toimintakäyrän alla olevaa aluetta (AUC). Mallit rakennettiin käyttämällä kahta MemTrax-suorituskykymittaria (oikea prosenttiosuus, vasteaika) sekä kahdeksaa yleistä demografista ja henkilökohtaisen historian ominaisuutta.

Tulokset:

Verrattaessa oppijoita valituista MoCA-pisteiden ja kynnysten yhdistelmistä, Naive Bayes oli yleensä parhaiten suoriutunut oppija, jonka kokonaisluokitus oli 0.9093. Lisäksi kolmen parhaan oppijan joukossa MemTrax-pohjainen luokittelusuorituskyky oli ylivoimainen käyttämällä vain neljää parasta ominaisuutta (0.9119) verrattuna kaikkien 10 yleisen ominaisuuden käyttämiseen (0.8999).

Johtopäätös:

MemTrax-suorituskykyä voidaan hyödyntää tehokkaasti koneoppimisen luokittelun ennakoivassa mallissa seulontasovellus varhaisen vaiheen kognitiivisten häiriöiden havaitsemiseen.

JOHDANTO

Tunnustettu (vaikkakin alidiagnosoitu) laajalle levinnyt ilmaantuvuus ja esiintyvyys sekä samanaikaisesti lisääntyvä lääketieteellinen, sosiaalinen ja julkinen terveys Alzheimerin taudin (AD) ja lievän kognitiivisen vajaatoiminnan (MCI) kustannukset ja taakka rasittavat yhä enemmän kaikkia sidosryhmiä [1, 2]. Tämä ahdistava ja piristävä skenaario on saanut kiireellisen vaatimuksen validoimaan tutkimukseen varhaisen toteamisen kognitiiviset seulonta- ja arviointivälineet säännölliseen käytännön käyttöön henkilökohtaisessa ja kliinisessä ympäristössä iäkkäille potilaille eri alueilla ja eri väestöryhmissä [3]. Näiden välineiden on myös mahdollistettava informatiivisten tulosten saumaton kääntäminen sähköisiksi terveyskertomuksiksi. Edut toteutuvat tiedottamalla potilaille ja auttamalla lääkäreitä havaitsemaan merkittävät muutokset aikaisemmin ja mahdollistaen näin entistä nopeamman ja oikea-aikaisemman osituksen, toteutuksen ja asianmukaisen yksilöllisen ja kustannustehokkaamman hoidon ja potilashoidon seurannan kokemaan alkaville. kognitiivinen heikkeneminen [3, 4].

Tietokoneistettu MemTrax-työkalu (https://memtrax.com) on yksinkertainen ja lyhyt jatkuva tunnistusarviointi, jota voidaan itse hallinnoida verkossa mittaamaan haastavaa ajastettua episodista muistin suorituskykyä, jossa käyttäjä reagoi toistuviin kuviin eikä alustavaan esitykseen [5, 6]. Viimeaikaiset tutkimukset ja niistä johtuvat käytännön vaikutukset alkavat asteittain ja kollektiivisesti osoittaa MemTraxin kliinistä tehoa varhaisessa AD- ja MCI-seulonnassa [5–7]. Kuitenkin kliinisen hyödyn suora vertailu olemassa olevaan kognitiivinen terveys Arvioinnin ja tavanomaisten standardien on taattu antamaan ammatillinen näkökulma ja vahvistamaan MemTrax-apuohjelma varhaisessa havaitsemisessa ja diagnostisessa tuessa. van der Hoek et ai. [8] vertasivat valittuja MemTrax-suorituskykymittareita (reaktionopeus ja oikea prosentti) Montrealin määrittämiin kognitiiviseen tilaan. Kognitiivinen arviointi (MoCA). Tämä tutkimus rajoittui kuitenkin näiden suorituskykymittareiden yhdistämiseen kognitiivisen tilan karakterisointiin (MoCA:n määrittämänä) ja suhteellisten vaihteluvälien ja raja-arvojen määrittämiseen. Tämän tutkimuksen laajentamiseksi ja luokituksen suorituskyvyn ja tehokkuuden parantamiseksi ensisijainen tutkimuskysymyksemme oli:

• Voivatko yksilön valitsemat MemTrax-suorituskykymittarit ja asiaankuuluvat demografiset tiedot ja terveydentila profiili Ominaisuuksia voidaan hyödyntää tehokkaasti ennustavassa mallissa, joka on kehitetty koneoppimisen avulla luokittamaan kognitiivinen terveys kaksijakoisesti (normaali vs. MCI), kuten MoCA-pisteet osoittavat?

Tämän lisäksi halusimme tietää:

• Voidaanko MemTrax-suorituskykyyn perustuvaa koneoppimismallia, joka sisältää samat ominaisuudet, soveltaa tehokkaasti potilaaseen ennustamaan vaikeusastetta (lievä tai vaikea) valituissa kognitiivisen heikentymisen luokissa, kuten riippumattoman kliinisen diagnoosin perusteella määritettäisiin?

Tekoälyn ja koneoppimisen käytännön soveltaminen seulonnassa ja havaitsemisessa on jo osoittanut selkeitä käytännön etuja, ja ennakoiva mallinnus ohjaa tehokkaasti kliinikkoja kognitiivisen/aivoterveyden ja potilaan hallinnan haastavassa arvioinnissa. Valitsimme tutkimuksessamme samanlaisen lähestymistavan MCI-luokituksen mallintamiseen ja kognitiivisten häiriöiden vaikeusasteen erotteluun, mikä vahvistettiin kliinisellä diagnoosilla kolmesta tietojoukosta, jotka edustavat valittuja vapaaehtoisia laitospotilaita ja avohoitopotilaita kahdesta Kiinan sairaalasta. Koneoppimisen ennakoivan mallinnuksen avulla tunnistimme parhaiten suoriutuvat oppijat eri tietojoukon/oppijan yhdistelmistä ja asetimme ominaisuudet, jotka ohjaavat meitä määrittämään kliinisesti käytännöllisimpiä mallisovelluksia.

Hypoteesimme olivat, että validoitua MemTrax-pohjaista mallia voidaan käyttää kognitiivisen terveyden luokitteluun kaksijakoisesti (normaali tai MCI) MoCA:n kokonaispistemäärän kynnyskriteerin perusteella ja että samanlaista MemTrax-ennustusmallia voidaan käyttää tehokkaasti vakavuuden erottamisessa valituissa luokissa. kliinisesti diagnosoitu kognitiivinen rajoite. Odotettujen tulosten osoittaminen auttaisi tukemaan MemTraxin tehokkuutta kognitiivisen heikkenemisen ja kognitiivisten heikkenemien luokittelun varhaisen havaitsemisen seulonnana. Suotuisa vertailu alan väitettyyn standardiin, jota täydentää paljon helpompi ja nopeampi käytettävyys, auttaisi kliinikoita ottamaan käyttöön tämän yksinkertaisen, luotettavan ja helposti saatavilla olevan työkalun alkuseulonnaksi varhaisen (mukaan lukien prodromaalisen) vaiheen kognitiivisten puutteiden havaitsemisessa. Tällainen lähestymistapa ja hyödyllisyys voisivat siten edistää oikea-aikaisempaa ja paremmin ositettua potilaiden hoitoa ja interventioita. Nämä eteenpäin katsovat oivallukset ja parannetut mittarit ja mallit voivat myös olla hyödyllisiä dementian etenemisen lieventämisessä tai pysäyttämisessä, mukaan lukien AD ja ADRD:n eteneminen.

MATERIAALIT JA MENETELMÄT

Tutkimusväestö

Tammikuun 2018 ja elokuun 2019 välisenä aikana valmistui poikkileikkaustutkimus kahdesta Kiinan sairaalasta rekrytoiduista potilaista. MemTraxin [5] antamisen 21-vuotiaille ja sitä vanhemmille henkilöille sekä näiden tietojen keräämisen ja analysoinnin on tarkastanut ja hyväksynyt, ja niitä hallinnoitiin järjestön eettisten standardien mukaisesti. Ihmisen Stanfordin yliopiston aihesuojakomitea. MemTrax ja kaikki muut tämän kokonaistutkimuksen testit suoritettiin Helsingin vuoden 1975 julistuksen mukaisesti ja Kunmingin lääketieteellisen yliopiston ensimmäisen sidossairaalan Institutional Review Boardin hyväksymät Kunmingissa, Yunnanissa, Kiinassa. Jokaiselle käyttäjälle annettiin tietoinen suostumus lomakkeella lukea/arvostella ja sitten vapaaehtoisesti suostua osallistumaan.

Osallistujat rekrytoitiin Yanhuan sairaalan neurologian klinikan avopotilaiden joukosta (YH-alatietokanta) ja muistiklinikka Kunming Medicalin ensimmäisessä liitännäissairaalassa Yliopisto (XL-alatietojoukko) Pekingissä, Kiinassa. Osallistujat rekrytoitiin myös neurologisista (XL-alatietoaineisto) ja sisätautipotilaista (KM-alatietoaineisto) Kunmingin lääketieteellisen yliopiston ensimmäisestä sidossairaalasta. Osallistumiskriteereinä olivat 1) vähintään 21-vuotiaat miehet ja naiset, 2) kyky puhua kiinaa (mandariinia) ja 3) kyky ymmärtää suullisia ja kirjallisia ohjeita. Poissulkemiskriteereinä olivat näkö- ja liikevammat, jotka estivät osallistujia suorittamasta tutkimusta MemTrax testi, samoin kuin kyvyttömyys ymmärtää erityisiä testiohjeita.

MemTraxin kiinalainen versio

Verkossa MemTrax-testausalusta käännettiin kiinaksi (URL: https://www.memtrax.com.cn) ja mukautettu edelleen käytettäväksi WeChatin (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Kiina) kautta itsehallintoa varten. Tiedot tallennettiin pilvipalvelimelle (Ali Cloud), joka sijaitsee Kiinassa ja jonka SJN Biomed LTD (Kunming, Yunnan, Kiina) lisensoi Alibabalta (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, Kiina). Tässä käytetyt MemTrax- ja testin validiteettikriteerit on kuvattu aiemmin [6]. Testi toimitettiin potilaille maksutta.

Opintojaksot

Sairaala- ja avohoidossa oleville potilaille yleinen paperikysely, jolla kerätään demografisia ja henkilökohtaisia ​​tietoja, kuten ikä, sukupuoli, koulutusvuodet, ammatti, yksin asuminen tai perheen kanssa, ja sairaushistoriaa hallinnoi tutkimusryhmän jäsen. Kyselylomakkeen täyttämisen jälkeen annettiin MoCA [12] ja MemTrax-testit (MoCA ensin) testien välillä enintään 20 minuuttia. Tutkimusryhmän jäsen kirjasi paperille jokaisen testatun osallistujan MemTrax-prosenttiosuuden (MTx-% C), keskimääräisen vasteajan (MTx-RT) sekä testin päivämäärän ja kellonajan. Testejä suorittanut tutkija latasi täytetyn kyselylomakkeen ja MoCA:n tulokset Excel-taulukkoon ja kollega varmisti ennen Excel-tiedostojen tallentamista analyyseja varten.

MemTrax testi

MemTrax-verkkotesti sisälsi 50 kuvaa (25 ainutlaatuista ja 25 toistoa; 5 5 kuvan sarjaa yleisistä kohtauksista tai kohteista), jotka näytettiin tietyssä näennäissatunnaisessa järjestyksessä. Osallistuja (ohjeiden mukaan) koskettaa näytön Käynnistä-painiketta aloittaakseen testin ja aloittaakseen kuvasarjan katselun ja koskettavan uudelleen näytöllä olevaa kuvaa mahdollisimman nopeasti aina, kun toistuva kuva ilmestyi. Kukin kuva näkyi 3 s tai kunnes näytöllä olevaa kuvaa kosketettiin, mikä johti seuraavan kuvan välittömään esittämiseen. Paikallisen laitteen sisäistä kelloa käyttämällä kunkin kuvan MTx-RT määritettiin kuvan esittämisestä kuluneen ajan perusteella siihen, kun osallistuja kosketti näyttöä vastauksena kuvan tunnistamiseen jo näytetyksi. testin aikana. MTx-RT tallennettiin jokaiselle kuvalle, ja täydet 3 sekuntia tallennettiin, mikä osoitti, ettei vastausta ollut. MTx-% C laskettiin osoittamaan toistuvien ja ensimmäisten kuvien prosenttiosuutta, joihin käyttäjä vastasi oikein (tosi positiivinen + todellinen negatiivinen jaettuna 50:llä). Lisätiedot MemTrax-hallinnasta ja -toteutuksesta, tietojen vähentämisestä, virheellisistä tai "ei vastausta" -tiedoista ja ensisijaisista data-analyyseista on kuvattu muualla [6].

MemTrax-testi selitettiin yksityiskohtaisesti ja harjoitustesti (muilla ainutlaatuisilla kuvilla kuin testissä tulosten kirjaamiseen käytetyillä) annettiin osallistujille sairaalaympäristössä. YH- ja KM-alitietoaineistojen osallistujat suorittivat MemTrax-testin älypuhelimella, johon oli ladattu sovellus WeChatissa; kun taas rajoitettu määrä XL-alatietojoukon potilaista käytti iPadia ja loput älypuhelinta. Kaikki osallistujat suorittivat MemTrax-testin tutkimuksen tutkijan tarkkaillessa huomaamattomasti.

Montrealin kognitiivinen arviointi

Kiinalaisen MoCA:n (MoCA-BC) [13] Pekingin versiota hallinnoivat ja pisteyttivät koulutetut tutkijat virallisten testiohjeiden mukaisesti. Sopivasti MoCA-BC on osoitettu luotettavaksi testi kognitiivisuudelle seulonta kiinalaisten iäkkäiden aikuisten kaikilla koulutustasoilla [14]. Jokaisen testin suorittaminen kesti noin 10-30 minuuttia kunkin osallistujan kognitiivisten kykyjen perusteella.

MoCA-luokituksen mallinnus

Käyttökelpoisia ominaisuuksia oli yhteensä 29, mukaan lukien kaksi MemTraxia testaa suorituskykymittareita ja 27 demografiseen ja terveyteen liittyvää ominaisuutta tiedot jokaiselle osallistujalle. Kunkin potilaan MoCA-aggregaattitestin pistemäärää käytettiin kognitiivinen seulonta "benchmark" ennustavien malliemme kouluttamiseen. Näin ollen, koska MoCA:ta käytettiin luokkatunnisteen luomiseen, emme voineet käyttää kokonaispistemäärää (tai mitään MoCA-alajoukon pisteitä) itsenäisenä ominaisuutena. Teimme alustavia kokeita, joissa mallinnoimme (MoCA:n määrittelemä kognitiivisen terveyden luokittelu) kolme alkuperäistä sairaalan/klinikan alitietojoukkoa yksitellen ja yhdistesimme sitten käyttämällä kaikkia ominaisuuksia. Kaikkia samoja tietoelementtejä ei kuitenkaan kerätty kustakin neljästä kolmea alatietojoukkoa edustavasta klinikasta; Näin ollen monilla yhdistetyn tietojoukon ominaisuuksillamme (käytettäessä kaikkia ominaisuuksia) puuttui suuri määrä arvoja. Tämän jälkeen rakensimme malleja yhdistetystä tietojoukosta käyttämällä vain yhteisiä ominaisuuksia, mikä johti parempaan luokituksen suorituskykyyn. Tämä selittyi todennäköisesti yhdistelmällä, jossa oli useampia työskenneltäviä esiintymiä yhdistämällä kolme potilasalatietojoukkoa ja ilman ominaisuuksia, joissa puuttuvien arvojen kohtuullinen esiintyvyys (vain yhdessä ominaisuudessa yhdistetyssä tietojoukossa, työtyypissä, oli puuttuvia arvoja, mikä vaikutti vain kolme potilasta), koska vain kaikissa kolmessa paikassa tallennetut yhteiset piirteet sisällytettiin. Erityisesti meillä ei ollut erityistä hylkäyskriteeriä jokaiselle ominaisuudelle, jota ei lopulta sisällytetty yhdistettyyn tietojoukkoon. Alustavassa yhdistetyssä tietojoukon mallintamisessa käytimme kuitenkin ensin kaikkia ominaisuuksia jokaisesta kolmesta erillisestä potilasalatietojoukosta. Tämä johti laajasti mallin suorituskykyyn, joka oli mitattavasti alhaisempi kuin alkuperäinen alustava mallinnus jokaisessa yksittäisessä alitietojoukossa. Lisäksi, vaikka kaikilla ominaisuuksilla rakennettujen mallien luokittelusuorituskyky oli rohkaisevaa, kaikkien oppijoiden ja luokitusjärjestelmien osalta suorituskyky parani kaksi kertaa useammalla mallilla käytettäessä vain yhteisiä ominaisuuksia. Itse asiassa parhaiden oppijoidemme joukossa kaikki mallit yhtä lukuun ottamatta paransivat poistamalla epätavallisia ominaisuuksia.

Lopullinen aggregoitu tietojoukko (YH, XL ja KM yhdistettynä) sisälsi 259 esiintymää, joista jokainen edusti ainutlaatuista osallistujaa, joka suoritti sekä MemTrax- että MoCA-testin. Yhteisiä itsenäisiä ominaisuuksia oli 10: MemTrax-suorituskykymittarit: MTx-% C ja keskimääräinen MTx-RT; väestö- ja sairaushistoriatiedot: ikä, sukupuoli, koulutusvuodet, työtyyppi (sininen kaulus/valkokaulus), sosiaalinen tuki (asuuko testin tekijä yksin vai perheen kanssa) ja kyllä/ei-vastaukset siitä, onko käyttäjällä ollut diabetes, hyperlipidemia tai traumaattinen aivovaurio. Kahta lisämittaria, MoCA-aggregate score ja MoCA aggregate score mukautettu koulutusvuosien [12], käytettiin erikseen kehittämään riippuvaisia ​​luokitustunnisteita, mikä luo kaksi erillistä mallinnusjärjestelmää, joita voidaan soveltaa yhdistettyyn tietojoukkoamme. Jokaiselle MoCA-pistemäärän versiolle (oikaistu ja säätämätön) tiedot mallinnettiin jälleen erikseen binääristä luokittelua varten käyttämällä kahta eri kriteerikynnystä – alun perin suositeltua [12] ja vaihtoehtoista arvoa, jota muut käyttivät ja edistävät [8, 15]. Vaihtoehtoisessa kynnysluokitusjärjestelmässä potilaalla katsottiin olevan normaali kognitiivinen terveys, jos hän sai MoCA-testissä pisteet ≥ 23 ja MCI, jos pistemäärä oli 22 tai vähemmän; kun taas alkuperäisessä suositellussa luokitusmuodossa potilaan täytyi saada MoCA:ssa pistemäärä 26 tai parempi, jotta hänen kognitiivisen terveydentilansa voitaisiin merkitä normaaliksi.

Suodatettu data MoCA-luokituksen mallintamiseen

Tarkastelimme edelleen MoCA-luokitusta käyttämällä neljää yleisesti käytettyä ominaisuusluokitustekniikkaa: Chi-Squared, Gain Ratio, Information Gain ja Symmetric Uncertainty. Välivaiheen näkökulmasta sovelsimme rankaisijoita koko yhdistettyyn tietojoukkoon käyttämällä jokaista neljästä mallinnusjärjestelmästämme. Kaikki arvioijat olivat yhtä mieltä samoista huippuominaisuuksista, eli iästä, koulutusvuosista ja molemmista MemTrax-suorituskykymittareista (MTx-% C, keskimääräinen MTx-RT). Tämän jälkeen rakensimme mallit uudelleen käyttämällä kutakin ominaisuuden valintatekniikkaa, jotta mallit opetettiin käyttämään vain neljää parasta ominaisuutta (katso Ominaisuuden valinta alla).

Tuloksena saadut kahdeksan viimeistä muunnelmaa MoCA-pisteiden luokittelumallinnusmenetelmistä on esitetty taulukossa 1.

pöytä 1

Yhteenveto MoCA-luokituksessa käytetyistä mallinnuskaavion muunnelmista (Normaali Kognitiivinen terveys vs. MCI)

Mallikaavio	Normaali kognitiivinen terveys (negatiivinen luokka)	MCI (positiivinen luokka)
Säädetty - 23 Suodattamaton/suodatettu	101 (39.0%)	158 (61.0%)
Säädetty - 26 Suodattamaton/suodatettu	49 (18.9%)	210 (81.1%)
Säätämätön - 23 Suodattamaton/suodatettu	92 (35.5%)	167 (64.5%)
Säätämätön - 26 Suodattamaton/suodatettu	42 (16.2%)	217 (83.8%)

Vastaava määrä ja prosenttiosuus potilaiden kokonaismäärästä kussakin luokassa erotetaan koulutuksen mukaisen pistemäärän (mukautettu tai muokkaamaton) ja luokittelukynnyksen (23 tai 26) mukauttamisen mukaan, kun niitä sovelletaan molempiin ominaisuusjoukkoon (suodattamaton ja suodatettu).

MemTrax-pohjainen kliinisen arvioinnin mallinnus

Kolmesta alkuperäisestä alatietojoukostamme (YH, XL, KM) vain XL-alatietojoukon potilailla diagnosoitiin itsenäisesti kliinisesti kognitiivinen heikentyminen (eli heidän vastaavia MoCA-pisteitä ei käytetty luokittelussa normaali ja heikentynyt). Erityisesti XL-potilailla diagnosoitiin jompikumpi Alzheimerin taudin testi (AD) tai vaskulaarinen dementia (VaD). Jokaisessa näistä ensisijaisista diagnoosikategorioista oli lisänimitys MCI:lle. MCI:n, dementian, verisuonten neurokognitiivisen häiriön ja AD:n aiheuttaman neurokognitiivisen häiriön diagnoosit perustuivat spesifisiin ja erottuviin diagnostisiin kriteereihin, jotka on hahmoteltu Diagnostic and Statistical Manual of Mental Disorders: DSM-5 [16]. Nämä tarkennetut diagnoosit huomioon ottaen XL-alatietoaineistoon sovellettiin erikseen kahta luokittelumallinnusjärjestelmää, jotta voidaan erottaa kunkin ensisijaisen diagnoosiluokan vaikeusaste (heikkousaste). Kussakin näistä diagnostisista mallinnusjärjestelmistä (AD ja VaD) käytetyt tiedot sisälsivät demografisia ja potilashistoriatietoja sekä MemTrax-suorituskykyä (MTx-% C, keskimääräinen MTx-RT). Jokainen diagnoosi leimattiin lieväksi, jos se nimettiin MCI:ksi; muuten sitä pidettiin vakavana. Alun perin harkitsimme MoCA-pisteiden sisällyttämistä diagnoosimalleihin (lievä vs. vaikea); mutta päätimme, että se tekisi tyhjäksi toissijaisen ennustavan mallinnuksemme tarkoituksen. Täällä oppijat koulutettaisiin käyttämällä muita potilasominaisuuksia, jotka ovat helposti palveluntarjoajan saatavilla, ja yksinkertaisemman MemTrax-testin suorituskykymittareita (MoCA:n sijasta) vertailun "kultastandardin", riippumattoman kliinisen diagnoosin, mukaan. AD-diagnoositietojoukossa oli 69 tapausta ja 76 VaD-tapausta (taulukko 2). Molemmissa tietojoukoissa oli 12 itsenäistä ominaisuutta. MoCA-pisteluokitukseen sisältyvien 10 ominaisuuden lisäksi potilashistoria sisälsi myös tietoa kohonneesta verenpaineesta ja aivohalvauksesta.

pöytä 2

Yhteenveto mallinnuskaavion muunnelmista, joita käytetään diagnoosin vakavuuden luokittelussa (lievä vs. vaikea)

Mallikaavio	Lievä (negatiivinen luokka)	Vaikea (positiivinen luokka)
MCI-AD vastaan ​​AD	12 (17.4%)	57 (82.6%)
MCI-VaD vs. VaD	38 (50.0%)	38 (50.0%)

Vastaava määrä ja prosenttiosuus kaikista potilaista kussakin luokassa on eriytetty ensisijaisen diagnoosikategorian (AD tai VaD) mukaan.

tilastotiedot

Osallistujien ominaisuuksien ja muiden numeeristen ominaisuuksien vertailu alitietojoukkojen välillä kunkin mallin luokittelustrategian osalta (MoCA:n kognitiivisen terveyden ja diagnoosin vakavuuden ennustamiseksi) suoritettiin Python-ohjelmointikielellä (versio 2.7.1) [17]. Mallin suorituskyvyn erot määritettiin alun perin käyttämällä yksi- tai kaksitekijäistä (tarvittaessa) ANOVAa 95 %:n luottamusvälillä ja Tukeyn rehellistä merkitsevää eroa (HSD) -testiä suoritusarvojen vertaamiseksi. Tämä mallien suorituskyvyn erojen tarkastelu suoritettiin käyttämällä Pythonin ja R:n yhdistelmää (versio 3.5.1) [18]. Käytimme tätä (tosinkin, luultavasti vähemmän kuin optimaalista) lähestymistapaa vain heuristisena apuvälineenä tässä aikainen vaihe mallin suorituskyvyn alkuvertailuihin mahdollisen kliinisen sovelluksen ennakoimiseksi. Sitten käytimme Bayesin signed-rank-testiä käyttämällä posterioriajakaumaa mallin suorituskykyerojen todennäköisyyden määrittämiseksi [19]. Näihin analyyseihin käytimme väliä –0.01, 0.01, mikä tarkoittaa, että jos kahden ryhmän suoritusero oli alle 0.01, ne katsottiin samanlaisiksi (käytännön vastaavuuden alueella) tai muuten ne olivat erilaisia ​​(yksi parempi kuin toinen). Luokittimien Bayesin vertailun suorittamiseksi ja näiden todennäköisyyksien laskemiseksi käytimme baycomp-kirjastoa (versio 1.0.2) Python 3.6.4:lle.

Ennustava mallintaminen

Rakensimme ennustavia malleja käyttämällä mallinnuksemme kymmentä kokonaismuunnelmaa ennustaaksemme (luokitellaksemme) kunkin potilaan MoCA-testin lopputuloksen tai kliinisen diagnoosin vakavuuden. Kaikki oppijat sovellettiin ja mallit rakennettiin käyttämällä avoimen lähdekoodin ohjelmistoalustaa Weka [20]. Alustavassa analyysissä käytimme 10 yleisesti käytettyä oppimisalgoritmia: 5-Nearest Neighbors, kaksi versiota C4.5-päätöspuusta, Logistic Regression, Multilayer Perceptron, Naive Bayes, kaksi versiota Random Forestista, Radial Basis Function Network ja Support Vector. Kone. Näiden algoritmien tärkeimmät attribuutit ja kontrastit on kuvattu muualla [21] (katso vastaava liite). Nämä valittiin, koska ne edustavat erilaisia ​​​​oppijatyyppejä ja koska olemme osoittaneet menestystä käyttämällä niitä aikaisemmissa samankaltaisen datan analyyseissä. Hyperparametriasetukset valittiin aikaisemmasta tutkimuksestamme, mikä osoitti niiden olevan vankkoja useiden eri tietojen perusteella [22]. Alustavan analyysimme tulosten perusteella, jossa käytettiin samaa yhdistettyä tietojoukkoa yhteisillä ominaisuuksilla, joita käytettiin myöhemmin täydellisessä analyysissä, tunnistimme kolme oppijaa, jotka suorittivat jatkuvasti vahvaa suorituskykyä kaikissa luokitteluissa: Logistic Regression, Naive Bayes ja Support Vector Machine.

Ristiinvalidointi ja mallin suorituskykymittari

Kaikille ennakoiville mallinnuksille (mukaan lukien alustavat analyysit) kukin malli rakennettiin käyttämällä 10-kertaista ristiinvalidointia, ja mallin suorituskyky mitattiin käyttämällä vastaanottimen toimintakäyrän alla olevaa aluetta (AUC). Ristiinvalidointi aloitettiin jakamalla satunnaisesti kukin 10 mallinnuskaavion tietojoukosta 10 yhtä suureen segmenttiin (taitos) käyttämällä yhdeksää näistä vastaavista segmenteistä mallin kouluttamiseen ja loput segmentit testausta varten. Tämä menettely toistettiin 10 kertaa käyttämällä eri segmenttiä testisarjana kussakin iteraatiossa. Tulokset yhdistettiin sitten lopullisen mallin tuloksen/suorituskyvyn laskemiseksi. Kullekin oppija/tietojoukon yhdistelmälle tämä koko prosessi toistettiin 10 kertaa ja tiedot jaettiin eri tavalla joka kerta. Tämä viimeinen vaihe vähensi harhaa, varmisti toistettavuuden ja auttoi määrittämään mallin yleistä suorituskykyä. Yhteensä (MoCA-pisteiden ja diagnoosin vakavuuden luokittelujärjestelmiä varten) rakennettiin 6,600 1,800 mallia. Tämä sisälsi 6 3 suodattamatonta mallia (10 mallinnusmallia, joita sovelletaan tietoaineistoon × 10 oppijaa × 1,800 ajoa × 4,800 taitosta = 4 3 mallia) ja 4 10 suodatettua mallia (10 mallinnusmallia, joita sovelletaan tietoaineistoon × 4,800 oppijaa × XNUMX ominaisuuden valintatekniikkaa × XNUMX ajoa × XNUMX taitosta = XNUMX XNUMX mallia).

Ominaisuuden valinta

Suodatetuille malleille ominaisuuden valinta (käyttäen neljää ominaisuuden luokittelumenetelmää) suoritettiin ristiinvalidoinnin yhteydessä. Koska jokaiselle 10 taitosta oli eri 10 % tietojoukosta testidataa, käytettiin vain neljää parasta valittua ominaisuutta jokaiselle harjoitustietojoukolle (eli yhdeksän muuta taitosta tai loput 90 % koko tietojoukosta). mallien rakentamiseen. Emme voineet vahvistaa, mitä neljää ominaisuutta kussakin mallissa käytettiin, koska näitä tietoja ei tallenneta tai ole saatavilla käyttämämme mallinnusalustan (Weka) sisällä. Ottaen kuitenkin huomioon johdonmukaisuus alkuperäisessä huippuominaisuuksien valinnassamme, kun arvosaajia sovellettiin koko yhdistettyyn tietojoukkoon ja sitä seuraava samankaltaisuus mallinnussuorituskyvyssä, nämä samat ominaisuudet (ikä, koulutusvuodet, MTx-% C ja keskimääräinen MTx-RT ) ovat todennäköisesti yleisin neljä eniten käytettyä ominaisuuden valinnan yhteydessä ristiintarkistusprosessissa.

TULOKSET

Taulukossa 3 on esitetty kunkin mallin luokittelustrategian vastaavien tietojoukkojen osallistujien numeeriset ominaisuudet (mukaan lukien MoCA-pisteet ja MemTrax-suorituskykymittarit) MoCA:n osoittaman kognitiivisen terveyden (normaali vs. MCI) ennustamiseksi.

pöytä 3

Osallistujien ominaisuudet, MoCA-pisteet ja MemTrax-suorituskyky kullekin mallin luokitusstrategialle

Luokittelustrategia	Ikä	koulutus	MoCA mukautettu	MoCA säätämätön	MTx-% C	MTx-RT
MoCA-luokka	61.9 v (13.1)	9.6 v (4.6)	19.2 (6.5)	18.4 (6.7)	74.8% (15.0)	1.4 s (0.3)
Diagnoosin vakavuus	65.6 v (12.1)	8.6 v (4.4)	16.7 (6.2)	15.8 (6.3)	68.3% (13.8)	1.5 s (0.3)

Esitetyt arvot (keskiarvo, SD), jotka on erotettu mallinnusluokitusstrategioista, edustavat yhdistettyä datajoukkoa, jota käytetään ennustamaan MoCA-indikoitua kognitiivista terveyttä (MCI vs. normaali), ja XL-alatietoaineistoa, jota käytetään vain diagnoosin vakavuuden ennustamiseen (lievä vs. vaikea).

Jokaisella MoCA-pistemäärän (oikaistu/muutamaton) ja kynnyksen (26/23) yhdistelmällä oli tilastollinen ero (p = 0.000) kussakin parittaisessa vertailussa (normaali kognitiivinen terveys vs. MCI) iän, koulutuksen ja MemTrax-suorituskyvyn osalta (MTx-% C ja MTx-RT). Kukin potilasalatietojoukko vastaavassa MCI-luokassa kussakin yhdistelmässä oli keskimäärin noin 9–15 vuotta vanhempi, raportoi noin viisi vuotta vähemmän koulutusta ja niillä oli vähemmän suotuisa MemTrax-suorituskyky molemmilla mittareilla.

Ennustavat mallinnuksen tulokset MoCA-pisteluokituksissa käyttäen kolmea parasta oppijaa, Logistic Regression, Naive Bayes ja Support Vector Machine, on esitetty taulukossa 4. Nämä kolme valittiin perustuen jatkuvasti korkeimpaan absoluuttiseen oppijan suorituskykyyn kaikissa eri malleissa. sovelletaan kaikkien mallinnusjärjestelmien tietosarjoihin. Suodattamattoman tietojoukon ja mallinnuksen osalta jokainen taulukon 4 data-arvo osoittaa mallin suorituskyvyn AUC:n vastaavan keskiarvon perusteella, joka on johdettu 100 mallista (10 ajoa × 10 taitosta), jotka on rakennettu kullekin oppija/mallinnusjärjestelmän yhdistelmälle, vastaavalla korkeimmalla. suoriutuva oppilas lihavoituna. Suodatetun tietojoukon mallintamisen osalta taulukossa 4 raportoidut tulokset kuvastavat mallien yleistä keskimääräistä suorituskykyä 400 mallista kullekin oppijalle käyttämällä kutakin ominaisuuden luokittelumenetelmää (4 ominaisuuden sijoitusmenetelmää × 10 ajoa × 10 taitosta).

pöytä 4

Dikotominen MoCA-pisteiden luokittelutulos (AUC; 0.0–1.0) jokaiselle kolmelle parhaiten suoriutuneelle oppijalle kaikissa vastaavissa mallinnusmenetelmissä

Ominaisuussarja käytetty	MoCA-pisteet	Katkaisukynnys	Logistinen regressio	Naiivi Bayes	Tuki Vector Machine
Suodattamaton (10 ominaisuutta)	Oikaistu	23	0.8862	0.8913	0.8695
		26	0.8971	0.9221	0.9161
	Säätämätön	23	0.9103	0.9085	0.8995
		26	0.8834	0.9153	0.8994
Suodatettu (4 ominaisuutta)	Oikaistu	23	0.8929	0.8954	0.8948
		26	0.9188	0.9247	0.9201
	Säätämätön	23	0.9135	0.9134	0.9122
		26	0.9159	0.9236	0.9177

Hyödyntämällä ominaisuusjoukon, MoCA-pisteiden ja MoCA-pisteiden rajakynnyksen muunnelmia, kunkin mallinnusjärjestelmän paras suorituskyky näkyy tappi (ei välttämättä tilastollisesti erilainen kuin kaikki muut, jotka eivät ole mukana tappi vastaavalle mallille).

Verrattaessa oppijoita kaikissa MoCA-pisteiden versioiden ja kynnysten yhdistelmissä (oikaistu/säätämätön ja 23/26) yhdistetyssä suodattamattomassa tietojoukossa (eli käyttämällä 10 yhteistä ominaisuutta), Naive Bayes oli yleensä parhaiten suoriutunut oppilas kokonaisuutena. luokituksen suorituskyky 0.9093. Ottaen huomioon kolme parasta oppijaa, Bayesin korrelaatiolla varustetut testit osoittivat, että todennäköisyys (Pr) Naive Bayesista, joka ylitti Logistic Regressionin, oli 99.9 %. Lisäksi Naive Bayesin ja Support Vector Machinen välillä on 21.0 %:n todennäköisyys käytännön vastaavuudelle oppijan suorituskyvyssä (siis 79.0 %:n todennäköisyys, että Naive Bayes ylittää Support Vector Machinen), yhdistettynä 0.0 %:n todennäköisyyteen, että Support Vector Machine toimii paremmin, mitattavissa olevasti. vahvistaa Naive Bayesin suorituskykyetua. MoCA-pisteiden versioiden lisävertailu kaikkien oppilaiden/kynnysten välillä viittasi lievään suorituseduun käyttämällä säätämättömiä MoCA-pisteitä verrattuna oikaistuihin (0.9027 vs. 0.8971; vastaavasti; Pr (säätämätön > säädetty) = 0.988). Samoin kaikkien opiskelijoiden ja MoCA-tulosversioiden raja-arvojen vertailu osoitti pienen luokittelun suoritusedun käyttämällä 26:ta luokittelukynnyksenä verrattuna 23:een (0.9056 vs. 0.8942; Pr (26 > 23) = 0.999). Lopuksi, tarkasteltaessa vain suodatettuja tuloksia (eli vain neljä parasta ominaisuutta) käyttävien mallien luokittelukykyä, Naive Bayes (0.9143) oli numeerisesti parhaiten suoriutunut oppija kaikissa MoCA-pisteiden versioissa/kynnyksissä. Kaikilla ominaisuuksien luokittelutekniikoilla yhdistettynä kaikki parhaiten suoriutuvat oppijat suoriutuivat kuitenkin samalla tavalla. Bayesilaiset etumerkityt testit osoittivat 100 %:n todennäköisyyden käytännön vastaavuudelle kunkin suodatetun oppijaparin välillä. Kuten suodattamattomissa tiedoissa (käyttäen kaikkia 10 yleistä ominaisuutta), MoCA-pisteiden säätämättömällä versiolla oli jälleen suorituskykyetu (Pr (tasoittamaton > mukautettu) = 1.000), sekä samalla selkeä etu luokituskynnykselle 26 (Pr (26 > 23) = 1.000 0.9119). Erityisesti kolmen parhaan oppijan keskimääräinen suorituskyky kaikissa MoCA-pisteiden versioissa/kynnyksissä käyttäen vain neljää parasta ominaisuutta ylitti minkä tahansa oppijan keskimääräisen suorituskyvyn suodattamattomilla tiedoilla. Ei ole yllättävää, että suodatettujen mallien (käyttäen neljää parasta ominaisuutta) luokittelukyky oli yleisesti parempi (0.8999) kuin suodattamattomat mallit (10), riippumatta ominaisuuksien luokittelumenetelmän malleista, joita verrattiin vastaaviin malleihin käyttäen kaikkia 100 yleistä. ominaisuudet. Jokaisella ominaisuuden valintamenetelmällä oli XNUMX %:n todennäköisyys suorituskykyetulle suodattamattomiin malleihin verrattuna.

Kun potilaat otetaan huomioon AD-diagnoosin vakavuusluokituksessa, ryhmien väliset (MCI-AD vs. AD) erot iän mukaan (p = 0.004), koulutus (p = 0.028), MoCA-pisteet korjattu/oikaamaton (p = 0.000) ja MTx-% C (p = 0.008) olivat tilastollisesti merkitseviä; kun taas MTx-RT:lle se ei ollut (p = 0.097). Niiden potilaiden osalta, joita harkittiin VaD-diagnoosin vakavuusluokituksessa, ryhmien väliset (MCI-VaD vs. VaD) MoCA-pisteiden erot mukautettu/oikaamaton (p = 0.007) ja MTx-% C (p = 0.026) ja MTx-RT (p = 0.001) olivat tilastollisesti merkitseviä; kun taas iän takia (p = 0.511) ja koulutus (p = 0.157) ryhmien välillä ei ollut merkittäviä eroja.

Ennustavat mallinnuksen tulokset diagnoosin vakavuusluokituksissa käyttämällä kolmea aiemmin valittua oppijaa, Logistic Regression, Naive Bayes ja Support Vector Machine, on esitetty taulukossa 5. Sen sijaan muut tutkitut oppijat osoittivat hieman vahvempia suorituksia yksittäin jommallakummalla kahdesta kliinisestä diagnoosikategoriasta. , kolme oppijaa, jotka olimme tunnistaneet suotuisimmiksi aikaisemmassa mallintamisessamme, tarjosivat johdonmukaisimman suorituskyvyn molemmilla uusilla mallinnusmenetelmillä. Verrattaessa oppijoita kussakin ensisijaisessa diagnoosiluokassa (AD ja VaD), ei havaittu johdonmukaista luokittelun eroa oppijoiden välillä MCI-VaD:n ja VaD:n osalta, vaikka Support Vector Machine suoriutuikin yleensä näkyvämmin. Vastaavasti opiskelijoiden välillä ei ollut merkittäviä eroja MCI-AD-luokituksen ja AD-luokituksen suhteen, vaikka Naive Bayesillä (NB) oli pieni suoritusetu verrattuna Logistic Regressioniin (LR) ja vain mitätön määrä tukivektorikoneeseen verrattuna, todennäköisyydellä 61.4 %. ja 41.7 prosenttia. Molemmissa tietojoukoissa oli yleinen suorituskykyetu Support Vector Machinelle (SVM), jossa Pr (SVM > LR) = 0.819 ja Pr (SVM > NB) = 0.934. Yleinen luokitussuorituksemme kaikkien opiskelijoiden kesken diagnoosin vakavuuden ennustamisessa XL-alatietojoukossa oli parempi VaD-diagnoosikategoriassa kuin AD (Pr (VAD > AD) = 0.998).

pöytä 5

Dikotomiset kliinisen diagnoosin vakavuusluokitustulokset (AUC; 0.0–1.0) jokaiselle kolmelle parhaiten suoriutuneelle oppijalle molemmissa mallinnusjärjestelmissä

Mallikaavio	Logistinen regressio	Naiivi Bayes	Tuki Vector Machine
MCI-AD vastaan ​​AD	0.7465	0.7810	0.7443
MCI-VaD vs. VaD	0.8033	0.8044	0.8338

Jokaisen mallinnuskaavion paras suorituskyky on esitetty kohdassa tappi (ei välttämättä tilastollisesti erilainen kuin muut, jotka eivät ole mukana tappi).

KESKUSTELU

Kognitiivisen terveyden muutosten varhainen havaitseminen on tärkeää käytännön hyötyä henkilökohtaisen terveydenhuollon ja kansanterveyden alalla. Itse asiassa se on myös erittäin tärkeä prioriteetti kliinisissä olosuhteissa potilaille maailmanlaajuisesti. Yhteisenä tavoitteena on varoittaa potilaita, omaishoitajia ja palveluntarjoajia ja ajoissa ajoissa asianmukaista ja kustannustehokasta hoitoa ja pitkittäistä hoitoa niille, jotka alkavat kokea kognitiivista heikkenemistä. Yhdistämällä kolme sairaalan/klinikan tietoosajoukkoamme tunnistimme kolme selkeästi suositeltavaa oppijaa (joissa on yksi merkittävä erottuva tekijä – Naive Bayes) rakentamaan ennakoivia malleja hyödyntäen MemTrax-suorituskykymittarit, jotka voivat luotettavasti luokitella kognitiivisen terveydentilan dikotomisesti (normaali kognitiivinen terveys tai MCI), kuten MoCA-aggregaattipisteet osoittaisivat. Erityisesti kaikkien kolmen oppijan yleinen luokittelusuorituskyky parani, kun mallimme käyttivät vain neljää parasta ominaisuutta, jotka sisälsivät pääasiassa nämä MemTrax-suorituskykymittarit. Lisäksi paljastimme perusteltuja mahdollisuuksia käyttää samoja oppijoita ja MemTrax-suorituskykymittareita diagnostisen tuen luokittelumallinnusjärjestelmässä kahden dementiadiagnoosin luokan: AD ja VaD:n vakavuuden erottamiseksi.

Muistin testaus on keskeinen AD:n varhaisessa havaitsemisessa [23, 24]. Siksi on tarkoituksenmukaista, että MemTrax on hyväksyttävä, mukaansatempaava ja helposti otettava käyttöön verkossa. episodimuistin seulontatesti väestössä [6]. Tämän jatkuvan suoritustehtävän tunnistustarkkuus ja vasteajat ovat erityisen paljastavia tunnistettaessa oppimiseen, muistiin ja kognitioon liittyvien neuroplastisten prosessien varhaista ja kehittyvää heikkenemistä ja niistä aiheutuvia puutteita. Toisin sanoen tässä suurelta osin MemTrax-suorituskykymittareihin perustuvat mallit ovat herkkiä ja todennäköisemmin paljastavat biologisia neuropatologisia puutteita siirtymävaiheen oireettoman vaiheen aikana paljon ennen merkittävämpää toiminnallista menetystä [25]. Ashford et ai. tutki tarkasti tunnistusmuistin tarkkuuden ja vasteajan malleja ja käyttäytymistä online-käyttäjillä, jotka osallistuivat yksin MemTraxin kanssa [6]. Kun otetaan huomioon, että nämä jakaumat ovat kriittisiä optimaalisessa mallintamisessa ja kelvollisten ja tehokkaiden potilaan hoitosovellusten kehittämisessä, kliinisesti sovellettavien tunnistus- ja vasteaikaprofiilien määrittäminen on olennaista luotaessa arvokasta perustavaa laatua olevaa referenssiä kliiniselle ja tutkimukselle. MemTraxin käytännön arvoa AD-seulonnassa varhaisen vaiheen kognitiivisten heikentymien ja differentiaalidiagnostiikan tuessa on sen jälkeen tutkittava tarkemmin kliinisen ympäristön yhteydessä, jossa voidaan ottaa huomioon testien suorituskykyyn vaikuttavat rinnakkaissairaudet ja kognitiiviset, sensoriset ja motoriset ominaisuudet. Ja ammatillisen näkökulman informoimiseksi ja käytännön kliinisen hyödyn rohkaisemiseksi on ensinnäkin välttämätöntä osoittaa vertailu vakiintuneeseen kognitiiviseen terveydentilan arviointitestiin, vaikka jälkimmäistä voidaan havaita rajoittaa raskaan testauksen logistiikan, koulutuksen ja kielen pelotteiden sekä kulttuuristen vaikutusten vuoksi [26]. . Tässä suhteessa MemTraxin kliinisen tehokkuuden myönteinen vertailu MoCA:han, jota yleisesti väitetään alan standardiksi, on merkittävä, varsinkin kun punnitaan MemTraxin helpompaa käytettävyyttä ja potilaan hyväksyntää.

Aikaisempi tutkimus, jossa MemTraxia verrattiin MoCA:han, tuo esiin perustelut ja alustavat todisteet, jotka oikeuttavat mallinnustutkimuksemme [8]. Tämä aikaisempi vertailu kuitenkin yhdisti vain kaksi keskeistä MemTrax-suorituskykymittaria, joita tutkimme, MoCA:n määrittämiin kognitiiviseen tilaan ja määritteli vastaavat alueet ja raja-arvot. Syvensimme MemTraxin kliinisen hyödyn arviointia tutkimalla ennustavaan mallinnukseen perustuvaa lähestymistapaa, joka mahdollistaisi muiden mahdollisesti merkityksellisten potilaskohtaisten parametrien yksilöllisemmän huomioimisen. Toisin kuin muut, emme löytäneet etua mallin suorituskyvystä käyttämällä koulutuskorjausta (säätöä) MoCA-pisteisiin tai kognitiivista terveyttä syrjivää MoCA:n kokonaispistemääräkynnystä alun perin suositellusta 26:sta 23:een [12, 15]. Itse asiassa luokituksen suorituskyvyn etu suosi muokkaamattoman MoCA-pisteen ja korkeamman kynnyksen käyttöä.

Keskeiset kohdat kliinisessä käytännössä

Koneoppiminen on usein parhaiten hyödynnettävissä ja tehokkainta ennustavassa mallintamisessa, kun data on laajaa ja moniulotteista, eli kun havaintoja on useita ja niihin liittyy suuri joukko arvokkaita (vaikuttavia) attribuutteja. Silti näillä nykyisillä tiedoilla suodatetut mallit, joissa oli vain neljä valittua ominaisuutta, toimivat paremmin kuin ne, jotka hyödyntävät kaikkia 10 yleistä ominaisuutta. Tämä viittaa siihen, että aggregoidulla sairaalatietojoukollamme ei ollut kliinisesti sopivimpia (korkea-arvoisia) ominaisuuksia potilaiden optimaaliseen luokitteluun tällä tavalla. Siitä huolimatta tärkeimpien MemTrax-suorituskykymittareiden – MTx-% C:n ja MTx-RT:n – ominaisuuksien luokittelu tukee vahvasti varhaisen vaiheen kognitiivisen vajaatoiminnan seulontamallien rakentamista tämän testin ympärille, joka on yksinkertainen, helppo hallinnoida, edullinen ja osuvasti paljastava. muistin suorituskykyä, ainakin tällä hetkellä kognitiivisen terveydentilan binääriluokituksen alustavana näyttönä. Ottaen huomioon palveluntarjoajien ja terveydenhuoltojärjestelmien jatkuvasti kasvava paine, potilaiden seulontaprosesseja ja kliinisiä sovelluksia tulisi kehittää sopivasti painottaen sellaisten potilasominaisuuksien ja testimittojen keräämistä, seurantaa ja mallintamista, jotka ovat hyödyllisimpiä, edullisimpia ja tehokkaimmiksi diagnosoinnissa. ja potilashoidon tuki.

Koska kaksi keskeistä MemTrax-mittaria ovat keskeisiä MCI-luokituksessa, parhaiten suoriutuneella oppijallamme (Naive Bayes) oli erittäin hyvä ennustuskyky useimmissa malleissa (AUC yli 0.90), ja tosipositiivisten ja väärien positiivisten välinen suhde oli lähellä 4:ää tai hieman yli. : 1. Translationaalinen kliininen sovellus, jossa käytetään tätä oppijaa, kaappaa (luokittaisi oikein) suurimman osan niistä, joilla on kognitiivinen vajaatoiminta, ja samalla minimoi kustannukset, jotka aiheutuvat normaalin kognitiivisen terveyden omaavan henkilön luokittelemisesta virheellisesti kognitiiviseksi vajaatoiminnaksi (väärä positiivinen) tai tämä luokittelu puuttuu niiltä, ​​joilla on kognitiivinen puute (väärä negatiivinen). Kumpikin näistä virheellisistä luokitusskenaarioista voi aiheuttaa kohtuuttoman psykososiaalisen taakan potilaalle ja hoitajille.

Kun alustavissa ja täydellisissä analyyseissä käytimme kaikkia kymmentä oppijaa kussakin mallinnuskaaviossa, keskitimme tulokset kolmeen luokitteluun, jotka osoittivat johdonmukaisimman vahvan suorituskyvyn. Tällä haluttiin myös korostaa näiden tietojen perusteella oppijoita, joiden odotetaan suoriutuvan luotettavasti korkealla tasolla käytännön kliinisissä sovelluksissa kognitiivisen tilan luokituksen määrittämisessä. Lisäksi, koska tämä tutkimus oli tarkoitettu johdantotutkimukseksi koneoppimisen hyödyllisyydestä kognitiivisessa seulonnassa ja näistä ajankohtaisista kliinisistä haasteista, päätimme pitää oppimistekniikat yksinkertaisina ja yleisinä ja parametrien virittämisellä mahdollisimman vähän. Ymmärrämme, että tämä lähestymistapa on saattanut rajoittaa suppeammin määriteltyjen potilaskohtaisten ennustuskykyjen mahdollisuuksia. Samoin vaikka mallien kouluttaminen käyttämällä vain huippuominaisuuksia (suodatettu lähestymistapa) antaa meille lisätietoa näistä tiedoista (erityisesti kerättyjen tietojen puutteiden vuoksi ja korostaa arvokkaan kliinisen ajan ja resurssien optimoinnin arvoa), ymmärrämme, että on ennenaikaista kaventaa. mallien laajuus ja siksi kaikki (ja muut ominaisuudet) tulisi ottaa huomioon tulevassa tutkimuksessa, kunnes meillä on selkeämpi profiili prioriteeteista, joita voitaisiin soveltaa laajaan väestöön. Siten ymmärrämme myös täysin, että näiden ja muiden mallien kattavampi ja laajalti edustava data ja optimointi olisi tarpeen ennen niiden integrointia tehokkaaseen kliiniseen sovellukseen, erityisesti kognitiiviseen suorituskykyyn vaikuttavien muiden sairauksien huomioon ottamiseksi, joita olisi otettava huomioon jatkossa kliinisissä arvioinneissa.

MemTraxin käyttökelpoisuutta kehitti edelleen sairauden vakavuuden mallinnus erillisen kliinisen diagnoosin perusteella. Parempi yleinen luokittelukyky VaD:n vakavuuden ennustamisessa (verrattuna AD:hen) ei ollut yllättävää ottaen huomioon verisuonten terveydelle ominaisten mallien potilasprofiilin piirteet ja aivohalvausriski, eli verenpainetauti, hyperlipidemia, diabetes ja (tietysti) aivohalvaushistoria. Vaikka olisi ollut toivottavaa ja sopivampaa, että sama kliininen arviointi suoritettaisiin vastaaville potilaille, joilla on normaali kognitiivinen terveys, jotta oppijoita voitaisiin kouluttaa näiden kattavampien tietojen avulla. Tämä on erityisen perusteltua, koska MemTrax on tarkoitettu käytettäväksi ensisijaisesti kognitiivisen vajaatoiminnan varhaisessa vaiheessa havaitsemiseen ja myöhempään yksilöllisten muutosten seurantaan. On myös uskottavaa, että toivottavampi tietojen jakautuminen VaD-tietojoukossa vaikutti osaltaan suhteellisen parempaan mallinnuksen suorituskykyyn. VaD-tietojoukko oli hyvin tasapainossa näiden kahden luokan välillä, kun taas AD-aineisto, jossa oli paljon vähemmän MCI-potilaita, ei ollut. Etenkin pienissä tietojoukoissa jopa muutamalla lisäesiintymällä voi olla mitattavissa oleva ero. Molemmat näkökulmat ovat järkeviä argumentteja taudin vakavuuden mallinnussuorituskyvyn erojen taustalla. Parantuneen suorituskyvyn suhteuttaminen tietojoukon numeeristen ominaisuuksien tai tarkasteltavana olevan kliinisen esityksen ominaispiirteiden vuoksi on kuitenkin ennenaikaista. Tästä huolimatta tämä uusi osoitti MemTrax-ennustavan luokittelumallin käyttökelpoisuuden kliinisen diagnostisen tuen roolissa, ja se tarjoaa arvokkaan näkökulman ja vahvistaa pyrkimyksen tehdä lisätutkimuksia potilaiden kanssa MCI:n jatkumossa.

MemTraxin ja näiden mallien käyttöönotto ja osoitettu käyttökelpoisuus Kiinassa, jossa kieli ja kulttuuri eroavat radikaalisti muista vakiintuneen hyödyllisistä alueista (esim. Ranska, Alankomaat ja Yhdysvallat) [7, 8, 27], korostaa entisestään potentiaalia. MemTrax-pohjaisen alustan laajan maailmanlaajuisen hyväksynnän ja kliinisen arvon saavuttamiseksi. Tämä on todistettavissa oleva esimerkki pyrkimys kohti tiedon harmonisointia ja kehittää käytännön kansainvälisiä normeja ja mallinnusresursseja kognitiiviseen seulontaan, jotka ovat standardoituja ja helposti mukautettavissa maailmanlaajuisesti käytettäväksi.

Seuraavat vaiheet kognitiivisen heikkenemisen mallintamisessa ja soveltamisessa

Kognitiivinen toimintahäiriö AD:ssa todellakin esiintyy jatkumona, ei erillisinä vaiheina tai vaiheina [28, 29]. Tässä varhaisessa vaiheessa tavoitteemme oli kuitenkin ensin selvittää kykymme rakentaa MemTrax-malli, joka erottaa "normaalin" "ei normaalista". Kattavampaa empiiristä tietoa (esim. aivojen kuvantaminen, geneettiset ominaisuudet, biomarkkerit, liitännäissairaudet ja kompleksien toiminnalliset markkerit kognitiivista toimintaa vaativiin toimiin kontrolli) [30] eri maailmanlaajuisilla alueilla, populaatioissa ja ikäryhmissä kehittyneempien (mukaan lukien osuvasti painotettujen kokonaisuus) koneoppimismallien kouluttamiseksi ja kehittämiseksi tukee parempaa luokittelua, toisin sanoen kykyä luokitella potilasryhmiä, joilla on MCI pienempiin ja tarkempiin osajoukkoon kognitiivisen heikkenemisen jatkumoa pitkin. Lisäksi samanaikaiset kliiniset diagnoosit yksilöille alueellisesti erilaisista potilaspopulaatioista ovat välttämättömiä treenata tehokkaasti nämä kattavammat ja ennustettavasti kestävät mallit. Tämä helpottaa täsmällisempää kerrostettua tapausten hallintaa niille, joilla on samanlainen tausta, vaikutteet ja kapeammin määritellyt tunnusomaiset kognitiiviset profiilit, ja näin optimoidaan kliinisen päätöksenteon tuki ja potilaiden hoito.

Suuri osa asiaan liittyvistä kliinisistä tutkimuksista on tähän mennessä kohdistunut potilaisiin, joilla on vähintään lievä dementia; ja käytännössä liian usein potilaan puuttumista yritetään vasta pitkälle edenneissä vaiheissa. Koska kognitiivinen heikkeneminen alkaa kuitenkin hyvissä ajoin ennen kuin dementian kliiniset kriteerit täyttyvät, tehokkaasti sovellettu MemTrax-pohjainen varhaisseulonta voisi kannustaa yksilöitä kouluttamaan asianmukaisesti sairaudesta ja sen etenemisestä sekä ennakoida aikaisempia ja oikea-aikaisempia toimenpiteitä. Näin ollen varhainen havaitseminen voisi tukea sopivia osallistujia liikunnasta, ruokavaliosta, emotionaalisesta tuesta ja parannetusta sosialisaatiosta lääkehoitoon ja vahvistaa potilaaseen liittyviä käyttäytymis- ja käsitysmuutoksia, jotka yksinään tai yhdessä voisivat lieventää tai mahdollisesti pysäyttää dementian etenemisen [31, 32]. . Lisäksi tehokkaalla varhainen seulonta, yksilöt ja heidän perheensä voivat joutua harkitsemaan kliinisiä tutkimuksia tai saamaan neuvontaa ja muita sosiaalipalveluita, jotka auttavat selventämään odotuksia ja aikomuksia sekä hoitamaan päivittäisiä tehtäviä. Lisävalidointi ja laaja-alainen käytännön käyttö näillä tavoilla voisi olla avainasemassa monien yksilöiden MCI:n, AD:n ja ADRD:n etenemisen lieventämisessä tai pysäyttämisessä.

Itse asiassa tutkimuksemme potilaiden ikäjakauman alhainen pää ei edusta väestöä, joka on perinteisesti huolestunut AD:sta. Siitä huolimatta kunkin ryhmän keski-ikä, jota käytettiin luokittelumallinnusjärjestelmissä MoCA-pistemäärän/kynnyksen ja diagnoosin vaikeusasteen perusteella (taulukko 3), korostaa, että selvä enemmistö (yli 80 %) on vähintään 50-vuotias. Tämä jakauma on siis erittäin sopiva yleistykseen, mikä tukee näiden mallien käyttökelpoisuutta populaatiossa, joka luonnehtii niitä, joihin tyypillisesti vaikuttaa. aikainen alku ja lisääntyvä neurokognitiivinen sairaus, joka johtuu AD:sta ja VaD:stä. Viimeaikaiset todisteet ja näkökulmat korostavat myös niitä tunnistettuja tekijöitä (esim. verenpainetauti, liikalihavuus, diabetes ja tupakointi), jotka mahdollisesti myötävaikuttavat korkeampaan varhaiseen aikuisten ja keski-iän verisuonten riskipisteet ja niistä johtuva hienovarainen verisuonten aivovaurio, joka kehittyy salakavalasti ja jolla on ilmeisiä vaikutuksia jopa nuorilla aikuiset [33–35]. Näin ollen optimaalinen alkuseulontamahdollisuus varhaiseen havaitsemiseen kognitiivisten puutteiden vaihettamiseen ja tehokkaiden ehkäisy- ja interventiostrategioiden käynnistämiseen dementian torjumiseksi tulee esiin, kun tarkastellaan vaikuttavia tekijöitä ja edeltäjiä indikaattoreita eri ikäryhmissä, mukaan lukien varhainen aikuisuus ja mahdollisesti jopa lapsuus (huomioiden geneettisten tekijöiden, kuten apolipoproteiini E:n merkityksen varhaisesta raskaudesta lähtien).

Käytännössä pätevät kliiniset diagnoosit ja kalliit menetelmät edistyneeseen kuvantamiseen, geneettiseen profilointiin ja lupaavien biomarkkerien mittaamiseen eivät ole aina helposti saatavilla tai edes mahdollisia monille palveluntarjoajille. Näin ollen monissa tapauksissa alkuperäinen yleinen kognitiivisen terveydentilan luokitus on ehkä johdettava malleista, jotka käyttävät muita potilaan toimittamia yksinkertaisia ​​mittareita (esim. muistin ongelmia, nykyiset lääkkeet ja rutiinitoiminnan rajoitukset) ja yleisiä demografisia piirteitä [7]. Rekisterit, kuten Kalifornian yliopisto Brain Terveys Rekisteri (https://www.brainhealthregistry.org/) [27] ja muut, joilla on luonnostaan ​​enemmän itse ilmoittamia oireita, laadullisia mittareita (esim. uni ja jokapäiväinen kognitio), lääkkeet, terveydentila ja historia, ja yksityiskohtaisemmat demografiset tiedot auttavat kehittämään ja validoimaan näiden primitiivisempien mallien käytännön soveltamista klinikalla. Lisäksi testi, kuten MemTrax, joka on osoittanut käyttökelpoisuutta muistitoiminnan arvioinnissa, voi itse asiassa antaa olennaisesti paremman arvion AD-patologiasta kuin biologiset markkerit. Ottaen huomioon, että AD-patologian ydinpiirre on neuroplastisuuden häiriö ja synapsien ylivoimaisen monimutkainen menetys, joka ilmenee episodisena muistin toimintahäiriö, mitta, joka arvioi episodista muistia, voi itse asiassa antavat paremman arvion AD patologisesta taakasta kuin biologiset markkerit elävällä potilaalla [36].

Tekoälyn tunnustettu etu on kaikilla ennakoivilla malleilla, joita täydennetään huipputeknologian monimutkaisella ja kattavalla tiedolla ja hienostuneilla kliinisillä oivalluksilla useilta eri aloilta tai rajoittuen olemassa oleville potilasprofiileille ominaisiin perustietoihin ja helposti saatavilla oleviin tietoihin. ja koneoppiminen on sitä, että tuloksena olevat mallit voivat syntetisoida ja induktiivisesti "oppia" asiaankuuluvasta uudesta datasta ja näkökulmasta, joka tarjoaa jatkuvan sovellusten käytön. Käytännön teknologian siirron jälkeen, kun tässä (ja kehitettävissä) olevia malleja sovelletaan ja niitä täydennetään useammilla tapauksilla ja asiaankuuluvalla tiedolla (mukaan lukien potilaat, joilla on samanaikaisia ​​​​sairauksia, jotka voivat aiheuttaa kognitiivisen heikkenemisen), ennustekyky ja kognitiivisten terveysluokitusten luokittelu ovat vankemmat, tuloksena on tehokkaampi kliinisen päätöksenteon tuki. Tämä kehitys toteutuu täydellisemmin ja käytännöllisemmin upottamalla MemTrax räätälöityihin (käytettävissä oleviin ominaisuuksiin kohdistettuihin) alustoihin, joita terveydenhuollon tarjoajat voivat hyödyntää reaaliajassa klinikalla.

MemTrax-mallin validoinnille ja hyödyllisyydelle diagnostisessa tuessa ja potilaiden hoidossa ovat erittäin halutut ja merkitykselliset pitkittäistiedot. Tarkkailemalla ja kirjaamalla samanaikaisia ​​muutoksia (jos sellaisia ​​on) kliinisessä tilassa riittävällä alueella normaalista varhaisen vaiheen MCI:iin, malleja asianmukaista jatkuvaa arviointia ja luokittelua varten voidaan kouluttaa ja muokata potilaiden ikääntyessä ja hoidossa. Toisin sanoen toistuva käyttö voi auttaa pitkittäissuuntaisessa seurannassa lieviä kognitiivisia muutoksia, toimenpiteiden tehokkuutta ja tietoisen kerrostetun hoidon ylläpitämistä. Tämä lähestymistapa sopii paremmin kliinisen käytännön sekä potilaiden ja tapausten hallinnan kanssa.

Rajoitukset

Arvostamme haastetta ja arvoa puhtaiden kliinisten tietojen keräämisessä kontrolloidussa klinikassa/sairaalaympäristössä. Siitä huolimatta mallinnuksemme olisi vahvistanut, jos tietojoukoissamme olisi enemmän potilaita, joilla on yhteisiä piirteitä. Lisäksi diagnoosimallinnuksemme perusteella olisi ollut toivottavaa ja sopivampaa, että sama kliininen arviointi suoritettaisiin vastaaville potilaille, joilla on normaali kognitiivinen terveys, oppijoiden kouluttamiseksi. Ja kuten korkeampi luokittelutehokkuus suodatetun tietojoukon avulla (vain neljä parasta ominaisuutta) korostaa, yleisempi ja kognitiiviset terveystoimenpiteet/indikaattorit olisivat todennäköisesti parantuneet mallintaa suorituskykyä suuremmalla määrällä yhteisiä piirteitä kaikille potilaille.

Tietyt osallistujat ovat saattaneet kokea samanaikaisesti muita sairauksia, jotka ovat saattaneet aiheuttaa ohimeneviä tai kroonisia kognitiivisia puutteita. Muuhun kuin XL-alatietoaineistoon, jossa potilaat luokiteltiin diagnostisesti joko AD- tai VaD-sairaiksi, YH-potilaspooliin ei kerätty/raportoitu komorbiditeettitietoja, ja KM-alatietojoukossa ylivoimaisesti suurin raportoitu komorbiditeetti oli diabetes. Voidaan kuitenkin väittää, että sellaisten potilaiden sisällyttäminen mallinnusjärjestelmiimme, joilla on samanaikaisia ​​sairauksia, jotka voisivat aiheuttaa tai pahentaa kognitiivisen vajaatoiminnan tasoa ja sen seurauksena heikompaa MemTrax-suorituskykyä, edustaisi paremmin todellista kohderyhmää tässä yleistyneemmässä varhaisessa kognitiivisessa seulonnassa. ja mallintava lähestymistapa. Jatkossa kognitiiviseen suorituskykyyn mahdollisesti vaikuttavien liitännäissairauksien tarkka diagnoosi on laajalti hyödyllistä mallien ja niistä aiheutuvien potilaan hoitosovellusten optimoinnissa.

Lopuksi YH- ja KM-alatietojoukon potilaat käyttivät älypuhelinta MemTrax-testin suorittamiseen, kun taas rajoitettu määrä XL-alatietojoukon potilaista käytti iPadia ja loput älypuhelinta. Tämä olisi voinut aiheuttaa pienen laitekohtaisen eron MemTrax-suorituskyvyssä MoCA-luokituksen mallintamiseen. Kuitenkin erot (jos sellaisia ​​on) esimerkiksi MTx-RT:ssä laitteiden välillä olisivat todennäköisesti mitättömiä, varsinkin kun kullekin osallistujalle annetaan "harjoittelu" juuri ennen tallennettua testisuoritusta. Kuitenkin näiden kahden kädessä pidettävän laitteen käyttökelpoisuus saattaa vaarantaa suoran vertailun ja/tai integroinnin muihin MemTrax-tuloksiin, joissa käyttäjät reagoivat toistuviin kuviin koskettamalla tietokoneen näppäimistön välilyöntiä.

Avainkohdat MemTrax-ennustusmallinnusapuohjelmassa

• • Tehokkaimmat ennustemallimme, jotka sisältävät valitut MemTrax-suorituskykymittaukset, voivat luotettavasti luokitella kognitiivisen terveydentilan (normaali kognitiivinen terveys tai MCI), kuten laajalti tunnustettu MoCA-testi osoittaa.
• • Nämä tulokset tukevat valittujen MemTrax-suorituskykymittareiden integrointia luokittelun ennustavaan mallin seulontasovellukseen varhaisen vaiheen kognitiivisten heikentymien varalta.
• • Luokittelumallinnuksemme paljasti myös mahdollisuudet hyödyntää MemTrax-suorituskykyä sovelluksissa dementiadiagnoosin vakavuuden erottamiseksi.

Nämä uudet havainnot vahvistavat konkreettista näyttöä koneoppimisen hyödyllisyydestä kehitettäessä vahvoja MemTrax-pohjaisia ​​luokitusmalleja diagnostiseen tukeen tehokkaassa kliinisen tapauksen hallinnassa ja potilaiden hoidossa kognitiivisista häiriöistä kärsiville henkilöille.

KIITOKSET

Arvostamme J. Wesson Ashfordin, Curtis B. Ashfordin ja kollegoiden työtä tässä käytetyn jatkuvan online-tunnistustehtävän ja -työkalun (MemTrax) kehittämisessä ja validoinnissa, ja olemme kiitollisia lukuisille dementiapotilaille, jotka osallistuivat kriittiseen perustutkimukseen. . Kiitämme myös Xianbo Zhoua ja hänen kollegoitaan SJN Biomed LTD:ssä, hänen kollegoitaan ja yhteistyökumppaneita sairaaloiden/klinikan toimipisteissä, erityisesti Dr. M. Luo ja M. Zhong, jotka auttoivat osallistujien rekrytoinnissa, testien ajoituksessa sekä tietojen keräämisessä, tallentamisessa ja käyttöliittymän hallinnassa, sekä vapaaehtoiset osallistujat, jotka lahjoittivat arvokasta aikaansa ja sitoutuivat suorittamaan testejä ja tarjoamaan arvokasta dataa, jota voimme arvioida tässä tutkimuksessa. Tämä tutkimusta tuki osittain MD Scientific Research Kunmingin lääketieteellisen yliopiston ohjelma (apuraha nro 2017BS028 - XL) ja Yunnanin tiede- ja teknologiaosaston tutkimusohjelma (apuraha nro 2019FE001 (-222) - XL).

J. Wesson Ashford on jättänyt patenttihakemuksen tässä asiakirjassa kuvatun erityisen jatkuvan tunnistusparadigman käyttämiseksi yleisesti muistin testaus.

MemTrax, LLC on Curtis Ashfordin omistama yritys, ja tämä yritys hallinnoi muistin testaus tässä artikkelissa kuvattu järjestelmä.

Tekijöiden tiedot ovat saatavilla verkossa (https://www.j-alz.com/manuscript-disclosures/19-1340r2).

REFERENSSIT

[1] Alzheimer's Association (2016) 2016 Alzheimerin tautia koskevat tosiasiat ja lukuja. Alzheimers Dement 12, 459-509.
[2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Varhaisen vaiheen vaikutus Alzheimerin tauti kotitalouksien taloudellisista tuloksista. Terveystalo 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) Laadun parantaminen neurologia: Lievän kognitiivisen vajaatoiminnan laadun mittaussarja. Neurology 93, 705–713.
[4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) Käytön kustannustehokkuus kognitiiviset seulontatestit dementian ja lievän kognitiivisen vajaatoiminnan havaitsemiseksi perusterveydenhuollossa. Int J Geriatr Psychiatry 32, 1392–1400.
[5] Ashford JW, Gere E, Bayley PJ (2011) Muistin mittaaminen suurissa ryhmissä jatkuvan tunnistustestin avulla. J Alzheimers Dis 27, 885-895.
[6]	Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Tietokoneistettu jatkuvan tunnistustehtävä episodisen muistin mittaamiseen. J Alzheimers Dis 69, 385-399.
[7]	Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Episodisen muistin suorituskyky koneoppimisen mallintamisessa kognitiivisen terveydentilan luokituksen ennustamiseen. J Alzheimers Dis 70, 277-286.
[8] van der Hoek MD, Nieuwenhuizen A, Keijer J, Ashford JW (2019) MemTrax testi verrattuna montrealin kognitiivisen arvioinnin arvioon lievästä kognitiivisesta heikkenemisestä. J Alzheimers Dis 67, 1045-1054.
[9]	Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Eristettyjen vokaalien käyttäminen lievän traumaattisen aivovaurion luokitteluun. Vuonna 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, Vancouver, BC, s. 7577–7581.
[10]	Dabek F, Caban JJ (2015) Big datan hyödyntäminen aivotärähdyksen jälkeen psykologisten sairauksien kehittymisen todennäköisyyden mallintamiseen. Procedia Comput Sci 53, 265-273.
[11]	Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Päätöspuu kognitiivisten heikentymien varhaiseen havaitsemiseen paikallisten apteekkien toimesta. 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: Lyhyt seulontatyökalu lievään kognitiiviseen heikentymiseen. J Am Geriatr Soc 53, 695–699.
[13]	Yu J, Li J, Huang X (2012) Pekingin versio montrealin kognitiivisesta arvioinnista lyhyenä seulontatyökaluna lievään kognitiiviseen heikentymiseen: Yhteisöpohjainen tutkimus. 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) Montrealin kognitiivisen arvioinnin perustutkimuksen kiinalaisen version validointi lievän kognitiivisen vajaatoiminnan seulomiseen. J Am Geriatr Soc 64, e285–e290.
[15]	Carson N, Leach L, Murphy KJ (2018) Montreal Cognitive Assessment (MoCA) -rajapisteiden uudelleentarkastelu. Int J Geriatr Psychiatry 33, 379–388.
[16]	American Psychiatric Association (2013) Task Force Mielenterveyshäiriöiden diagnostinen ja tilastollinen käsikirja: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC.
[17]	Python. Python Software Foundation, http://www.python.org, käytetty 15. marraskuuta 2019.
[18]	R Core Group, R: Tilastolaskennan kieli ja ympäristö R Foundation for Statistical Computing, Wien, Itävalta. https://www.R-project.org/, 2018, Käytetty 15. marraskuuta 2019.
[19]	Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Muutoksen aika: opetusohjelma useiden luokittimien vertailuun Bayesin analyysin avulla. J Mach Learn Res 18, 1–36.
[20]	Frank E, Hall MA, Witten IH (2016) The WEKA Workbench. Sisään Tiedon louhinta: Käytännön koneoppimisen työkalut ja tekniikat, Frank E, Hall MA, Witten IH, Pal CJ, toim. Morgan Kaufmann https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf
[21]	Bergeron MF, Landset S, Maugans TA, Williams VB, Collins CL, Wasserman EB, Khoshgoftaar TM (2019) Koneoppiminen lukion urheilun aivotärähdyksen oireiden ratkaisemisessa. Med Sci Sports Exerc 51, 1362–1371.
[22]	Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Kokeellisia näkökulmia epätasapainoisesta datasta oppimiseen. Sisään 24. kansainvälisen koneoppimiskonferenssin julkaisuja, Corvalis, Oregon, USA, s. 935-942.
[23]	Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Alzheimer-potilaan arviointi ja minimenaalinen tila: Item character curve analysis.P. J Gerontol 44, 139–146.
[24] Ashford JW, Jarvik L (1985) Alzheimerin tauti: Aloittaako hermosolujen plastisuus aksonien hermosäikeisten rappeutumiseen? N Engl J Med 313, 388-389.
[25] Jack CR Jr , Therneau TM , Weigand SD , ​​Wiste HJ , Knopman DS , Vemuri P , Lowe VJ , Mielke MM , Roberts RO , Machulda MM , Graff-Radford J , Jones DT , Schwarz CG , Senje J ML , Rocca WA , Petersen RC (2019) Biologisesti vs kliinisesti määriteltyjen Alzheimerin spektrikokonaisuuksien esiintyvyys National Institute on Aging-Alzheimerin avulla Yhdistyksen tutkimus puitteet. JAMA Neurol 76, 1174–1183.
[26] Zhou X , Ashford JW (2019) Edistykset seulontainstrumenteissa Alzheimerin tauti. 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 Terveys Rekisteri: Internet-pohjainen foorumi osallistujien rekrytointiin, arviointiin ja pitkittäiseen seurantaan neurotieteen tutkimuksiin. Alzheimers Dement 14, 1063-1076.
[28] Ashford JW , Schmitt FA (2001) Aikakulun mallintaminen Alzheimerin dementia. Curr Psychiatry Rep 3, 20–28.
[29]	Li X, Wang X, Su L, Hu X, Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE): Protokolla kiinalaiseen pitkittäiseen havainnointitutkimukseen, jolla kehitetään riskinennustusmalleja lievään kognitiiviseen heikkenemiseen henkilöillä, joilla on subjektiivinen kognitiivinen toimintakyky. lasku. BMJ Open 9, e028188.
[30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015) Viiden vuoden biomarkkerin etenemisen vaihtelu Alzheimerin taudin dementia ennuste: Voiko jokapäiväisen elämän monimutkainen instrumentaalinen toiminta täyttää aukot? Alzheimers Dement (Amst) 1, 521–532.
[31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) Alzheimerin taudin ehkäisy ja hoito: Harjoituksen biologiset mekanismit. J Alzheimers Dis 69, 311-338.
[32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) Hoidot Alzheimerin taudin ehkäisyyn ja hoitoon. 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) Verisuoniriskin assosiaatiot aikuisiän ja aivopatologian välillä myöhään elämässä: todisteita brittiläisestä syntymäkohortista. JAMA Neurol 77, 175–183.
[34]	Seshadri S (2020) Ikärajat ylittävän dementiaajattelun ehkäisy ja amyloidilaatikot. JAMA Neurol 77, 160–161.
[35]	Maillard P, Seshadri S, Beiser A, Himali JJ, AuR, Fletcher E, Carmichael O, Wolf PA, DeCarli C (2012) Systolisen verenpaineen vaikutukset valkoisen aineen eheyteen nuorilla aikuisilla Framinghamin sydäntutkimuksessa: risti -osiotutkimus. 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) Biomarkkeritestauksen tarkkuus neuropatologisesti määritellylle Alzheimerin tauti vanhemmilla aikuisilla, joilla on dementia. Ann Intern Med 172, 669–677.

Yhteistyö: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] Tietokone- ja sähkötekniikan ja tietojenkäsittelytieteen laitos, Florida Atlantic University, Boca Raton, FL, USA | [c] SJN Biomed LTD, Kunming, Yunnan, Kiina | [d] Keskipiste Alzheimerin tutkimus, Washington Institute of Clinical Research, Washington, DC, USA | [e] Kuntoutuslääketieteen osasto, Kunmingin lääketieteellisen yliopiston ensimmäinen osasairaala, Kunming, Yunnan, Kiina | [f] Neurologian osasto, Dehong People's Hospital, Dehong, Yunnan, Kiina | [g] Neurologian osasto, Kunmingin lääketieteellisen yliopiston ensimmäinen osasairaala, Wuhuan piiri, Kunming, Yunnanin maakunta, Kiina | [h] War-Related Illness and Injury Study Center, VA Palo Alto Terveydenhuolto System, Palo Alto, CA, USA | [i] Psychiatry & Behavioral Sciences, Stanford University School of Medicine, Palo Alto, CA, USA

Kirjeenvaihto: [*] Kirjeenvaihto: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. Sähköposti: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Neurologian osasto, Kunming Medical Universityn ensimmäinen osasairaala, 295 Xichang Road, Wuhua District, Kunming, Yunnanin maakunta 650032, Kiina. Sähköposti: ring@vip.163.com.

Avainsanat: Ikääntyminen, Alzheimerin tauti, dementia, joukkoseulonta