Utility of MemTrax en Machine Learning Modeling yn klassifikaasje fan mild kognitive beheining
Undersyk nei artikel
Auteurs: 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
Journal: Journal of Sykte fan Alzheimer, vol. 77, nee. 4, pp. 1545-1558, 2020
Abstract
Eftergrûn:
De wiidferspraat ynfal en prevalens fan sykte fan Alzheimer en mild kognitive beheining (MCI) hat frege in driuwende oprop foar ûndersyk te falidearjen iere opspoaren kognitive screening en beoardieling.
Objektyf:
Us primêr ûndersyksdoel wie om te bepalen as selekteare MemTrax-prestaasjesmetriken en relevante demografyske en sûnensprofylkenmerken effektyf kinne wurde brûkt yn foarsizzende modellen ûntwikkele mei masine learen om kognitive sûnens te klassifisearjen (normaal fersus MCI), lykas soe wurde oanjûn troch de Kognitive beoardieling fan Montreal (MoCA).
Methods:
Wy hawwe in trochsneedûndersyk útfierd oer 259 folwoeksen pasjinten foar neurology, ûnthâldklinyk en ynterne medisinen rekrutearre út twa sikehuzen yn Sina. Elke pasjint krige de Sineeske-talige MoCA en sels administrearre de trochgeande erkenning MemTrax online episodysk ûnthâld test online op deselde dei. Foarsizzende klassifikaasjemodellen waarden boud mei masine learen mei 10-fâldige krúsvalidaasje, en modelprestaasjes waarden mjitten mei Area Under the Receiver Operating Characteristic Curve (AUC). Modellen waarden boud mei twa MemTrax-prestaasjesmetriken (persint korrekt, antwurdtiid), tegearre mei de acht mienskiplike demografyske en persoanlike skiednisfunksjes.
resultaten:
It fergelykjen fan de learlingen oer selektearre kombinaasjes fan MoCA-skoares en drompels, Naïve Bayes wie oer it algemien de bêste prestearjende learling mei in algemiene klassifikaasjeprestaasjes fan 0.9093. Fierder, ûnder de top trije learlingen, wie MemTrax-basearre klassifikaasjeprestaasjes yn 't algemien superieur mei allinich de boppeste fjouwer funksjes (0.9119) yn ferliking mei it brûken fan alle 10 mienskiplike funksjes (0.8999).
Konklúzje:
MemTrax-prestaasjes kinne effektyf brûkt wurde yn in foarsizzend model foar klassifikaasje fan masinelearen screeningapplikaasje foar it opspoaren fan kognitive beheinings yn iere stadium.
YNLIEDING
De erkende (hoewol ûnderdiagnostisearre) wiidferspraat ynsidinsje en prevalens en parallele eskalearjende medyske, sosjale en iepenbiere sûnens kosten en lêst fan 'e sykte fan Alzheimer (AD) en mild kognitive beheining (MCI) wurde hieltyd mear ynspannend foar alle belanghawwenden [1, 2]. Dit benearjende en bourgeoning senario hat in driuwende oprop foar ûndersyk om te falidearjen frege betide opsporing kognitive screening- en beoardielingsynstruminten foar regelmjittich praktysk nut yn persoanlike en klinyske ynstellings foar âldere pasjinten oer ferskate regio's en populaasjes [3]. Dizze ynstruminten moatte ek soargje foar naadleaze oersetting fan ynformative resultaten yn elektroanyske sûnensrecords. De foardielen sille wurde realisearre troch pasjinten te ynformearjen en dokters te helpen by it erkennen fan wichtige feroaringen earder en sadwaande rapper en tydiger stratifikaasje, ymplemintaasje en folgjen fan passende yndividualisearre en mear kosten-effektive behanneling en pasjintesoarch mooglik meitsje foar dyjingen dy't begjinne te ûnderfinen kognitive ferfal [3, 4].
It kompjûterisearre MemTrax-ark (https://memtrax.com) is in ienfâldige en koarte trochgeande erkenningsbeoardieling dy't sels online kin wurde administreare om útdaagjende timed episodyske ûnthâldprestaasjes te mjitten wêr't de brûker reagearret op werhelle ôfbyldings en net op in earste presintaasje [5, 6]. Resint ûndersyk en resultearjende praktyske gefolgen begjinne stadichoan en kollektyf de klinyske effektiviteit fan MemTrax te demonstrearjen yn iere AD- en MCI-screening [5-7]. Direkte ferliking fan klinysk nut lykwols mei besteande kognitive sûnens beoardieling en konvinsjonele noarmen is garandearre te ynformearjen profesjonele perspektyf en corroborate MemTrax nut yn iere opspoaren en diagnostyske stipe. van der Hoek et al. [8] fergelike selekteare MemTrax-prestaasjesmetriken (reaksjesnelheid en persint korrekt) mei kognitive status lykas bepaald troch de Montreal Kognitive beoardieling (MoCA). Dizze stúdzje wie lykwols beheind ta it assosjearjen fan dizze prestaasjesmetriken mei karakterisearring fan kognitive status (lykas bepaald troch MoCA) en it definiearjen fan de relative berik en cutoff-wearden. Dêrom, om dit ûndersyk út te wreidzjen en klassifikaasjeprestaasjes en effektiviteit te ferbetterjen, wie ús primêre ûndersyksfraach:
- Kin in yndividu selektearre MemTrax prestaasje metrics en relevante demografy en sûnens profyl skaaimerken wurde effektyf brûkt yn in foarsizzend model ûntwikkele mei masine learen te klassifisearjen kognitive sûnens dichotomously (normaal fersus MCI), sa't soe wurde oanjûn troch ien syn MoCA skoare?
Sekundêr hjirfan woene wy witte:
- Ynklusyf deselde funksjes, kin in MemTrax-prestaasje-basearre masine-learmodel effektyf wurde tapast op in pasjint om hurdens (myld tsjin swier) te foarsizzen binnen selekteare kategoryen fan kognitive beheining, lykas soe wurde bepaald troch in ûnôfhinklike klinyske diagnoaze?
De komst en evoluearjende praktyske tapassing fan keunstmjittige yntelliginsje en masine learen yn screening / deteksje hawwe al ûnderskate praktyske foardielen oantoand, mei foarsizzend modellering effektyf begelieding fan kliïnten yn 'e útdaagjende beoardieling fan kognitive / harsens sûnens en pasjintbehear. Yn ús stúdzje keasden wy in ferlykbere oanpak yn MCI-klassifikaasjemodellering en diskriminaasje fan kognitive beoardielingen, lykas befêstige troch klinyske diagnoaze fan trije datasets dy't selekteare frijwillige ambulante pasjinten en ambulante pasjinten fan twa sikehûzen yn Sina fertsjintwurdigje. Mei it brûken fan foarsizzend modellewurk foar masine learen, identifisearren wy de bêste prestearjende learlingen út 'e ferskate dataset / learende kombinaasjes en rangoarden de funksjes om ús te lieden by it definiearjen fan de meast klinysk praktyske modelapplikaasjes.
Us hypotezen wiene dat in falidearre MemTrax-basearre model kin wurde brûkt om kognitive sûnens dichotomously (normaal as MCI) te klassifisearjen basearre op it MoCA aggregate skoare drompelkriterium, en dat in ferlykber MemTrax foarsizzend model effektyf kin wurde brûkt yn diskriminearjen fan earnst yn selektearre kategoryen fan klinysk diagnoaze kognitive beoardieling. Demonstrearje fan de ferwachte útkomsten soe ynstruminteel wêze foar it stypjen fan de effektiviteit fan MemTrax as in iere deteksjeskerm foar kognitive ferfal en klassifikaasje fan kognitive beheining. Geunstige fergeliking mei in yndustrieel bewearde standert oanfolle troch folle grutter gemak en fluggens fan nut soe ynfloedryk wêze om kliïnten te helpen dit ienfâldige, betroubere en tagonklike ark oan te nimmen as in earste skerm by it opspoaren fan iere (ynklusyf prodromale) kognitive tekoarten. Sa'n oanpak en nut koe dus mear tiid en better stratifisearre pasjintesoarch en yntervinsje oanfreegje. Dizze foarúttinkende ynsjoggen en ferbettere metriken en modellen kinne ek nuttich wêze by it ferminderjen of stopjen fan dementiaprogression, ynklusyf AD en AD-relatearre demintens (ADRD).
MATERIALEN EN METOADES
Studint befolking
Tusken jannewaris 2018 en augustus 2019 waard trochsneedûndersyk foltôge nei pasjinten rekrutearre út twa sikehuzen yn Sina. De administraasje fan MemTrax [5] oan persoanen fan 21 jier en âlder en de kolleksje en analyze fan dy gegevens waarden hifke en goedkard troch en administreare yn oerienstimming mei de etyske noarmen fan 'e Human Underwerpbeskermingskommisje fan Stanford University. MemTrax en alle oare testen foar dizze algemiene stúdzje waarden útfierd neffens de Helsinki-ferklearring fan 1975 en goedkard troch de Ynstitúsjonele Review Board fan it First Affiliated Hospital fan Kunming Medical University yn Kunming, Yunnan, Sina. Elke brûker waard levere in ynformeare ynstimming formulier om te lêzen / te besjen en dan frijwillich yn te stimmen om mei te dwaan.
Dielnimmers waarden rekrutearre út it swimbad fan ambulante pasjinten yn 'e neurologyske klinyk by it Yanhua Sikehûs (YH sub-dataset) en de ûnthâldklinyk by it First Affiliated Hospital fan Kunming Medical Universiteit (XL sub-dataset) yn Peking, Sina. Dielnimmers waarden ek rekrutearre út neurology (XL sub-dataset) en ynterne medisinen (KM sub-dataset) pasjinten by it First Affiliated Hospital fan Kunming Medical University. Ynklúzjekritearia omfette 1) manlju en froulju op syn minst 21 jier âld, 2) fermogen om Sineesk te praten (Mandarin), en 3) fermogen om mûnlinge en skriftlike rjochtingen te begripen. Utsluting kritearia wiene fisy en motor beheinings foarkommen dielnimmers út it ynfoljen fan de MemTrax test, lykas it ûnfermogen om de spesifike testynstruksjes te begripen.
Sineeske ferzje fan MemTrax
De online MemTrax test platfoarm waard oerset yn Sineesk (URL: https://www.memtrax.com.cn) en fierder oanpast om te brûken fia WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Sina) foar selsbehear. Gegevens waarden opslein op in wolk tsjinner (Ali Cloud) leit yn Sina en lisinsje fan Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, Sina) troch SJN Biomed LTD (Kunming, Yunnan, Sina). Spesifike details oer MemTrax en testjildigenskritearia brûkt hjir binne earder beskreaun [6]. De test waard fergees levere oan de pasjinten.
Studieprosedueres
Foar ambulante en ambulante pasjinten, in algemiene papieren fragelist foar it sammeljen fan demografyske en persoanlike ynformaasje lykas leeftyd, seks, jierren fan oplieding, berop, libje allinnich of mei famylje, en medyske skiednis waard bestjoerd troch in lid fan 'e stúdzje team. Nei it foltôgjen fan 'e fragelist waarden de MoCA [12] en MemTrax-tests administreare (MoCA earst) mei net mear as 20 minuten tusken testen. MemTrax persintaazje korrekt (MTx-% C), gemiddelde antwurdtiid (MTx-RT), en datum en tiid fan 'e testen waarden op papier opnommen troch in lid fan' e stúdzjeteam foar elke ûndersochte dielnimmer. De foltôge fragelist en de resultaten fan 'e MoCA waarden opladen yn in Excel-spreadsheet troch de ûndersiker dy't de tests administrearre en ferifiearre troch in kollega foardat de Excel-bestannen waarden bewarre foar analyzes.
MemTrax test
De MemTrax online test omfette 50 ôfbyldings (25 unyk en 25 werhellingen; 5 sets fan 5 ôfbyldings fan mienskiplike sênes of objekten) werjûn yn in spesifike pseudo-willekeurige folchoarder. De dielnimmer soe (per ynstruksjes) de knop Start op it skerm oanreitsje om de test te begjinnen en de ôfbyldingssearje te begjinnen te besjen en sa rap mooglik de ôfbylding op it skerm wer oan te reitsjen as in werhelle ôfbylding ferskynde. Elts byld ferskynde foar 3 s of oant de ôfbylding op it skerm waard oanrekke, dy't frege direkte presintaasje fan de folgjende foto. Mei de ynterne klok fan it lokale apparaat waard MTx-RT foar elke ôfbylding bepaald troch de ferrûne tiid fan 'e presintaasje fan' e ôfbylding oant wannear't it skerm waard oanrekke troch de dielnimmer yn antwurd op it oanjaan fan erkenning fan 'e ôfbylding as ien dy't al werjûn wie tidens de test. MTx-RT waard opnommen foar elke ôfbylding, mei in folsleine 3 s opnommen wat gjin antwurd oanjout. MTx-% C waard berekkene om it persintaazje werhelling en earste ôfbyldings oan te jaan wêrop de brûker korrekt reagearre (wier posityf + wier negatyf dield troch 50). Oanfoljende details fan 'e MemTrax-administraasje en ymplemintaasje, gegevensreduksje, ûnjildige of "gjin antwurd" gegevens, en primêre gegevensanalyses wurde earne oars beskreaun [6].
De MemTrax-test waard yn detail útlein en in praktyktest (mei unike ôfbyldings oars as dy brûkt yn 'e test foar it opnimmen fan resultaten) waard oanbean oan de dielnimmers yn' e sikehûsynstelling. Dielnimmers yn 'e YH en KM sub-datasets namen de MemTrax test op in smartphone dat waard laden mei de applikaasje op WeChat; wylst in beheind oantal pasjinten mei XL sub-dataset in iPad brûkte en de rest in smartphone brûkte. Alle dielnimmers namen de MemTrax-test mei in ûndersyksûndersiker dy't ûnopfallend observearre.
Montreal kognitive beoardieling
De Peking-ferzje fan 'e Sineeske MoCA (MoCA-BC) [13] waard administrearre en skoare troch oplaat ûndersikers neffens de offisjele testynstruksjes. Geskikt is oantoand dat de MoCA-BC in betrouber is test foar kognitive screening oer alle ûnderwiisnivo's yn Sineeske âldere folwoeksenen [14]. Elke test naam sawat 10 oant 30 minuten om te administrearjen basearre op de kognitive kapasiteiten fan 'e respektivelike dielnimmer.
MoCA klassifikaasje modeling
D'r wiene yn totaal 29 brûkbere funksjes, ynklusyf twa MemTrax testprestaasjesmetriken en 27 funksjes relatearre oan demografyske en sûnens ynformaasje foar elke dielnimmer. De MoCA-aggregearre testscore fan elke pasjint waard brûkt as de kognitive screening "benchmark" om ús foarsizzende modellen op te trenen. Dêrtroch, om't MoCA waard brûkt om it klasselabel te meitsjen, koene wy de aggregearre skoare (of ien fan 'e MoCA-subsetskoares) net brûke as in ûnôfhinklike funksje. Wy hawwe foarriedige eksperiminten útfierd wêryn wy de orizjinele trije subdatasets fan sikehûs / klinyk (s) yndividueel modelleare (klassifisearje kognitive sûnens definieare troch MoCA) en dan kombineare mei alle funksjes. Alle deselde gegevens eleminten waarden lykwols net sammele yn elk fan 'e fjouwer kliniken dy't de trije sub-datasets fertsjintwurdigje; sadwaande, in protte fan ús funksjes yn de kombinearre dataset (by it brûken fan alle funksjes) hie in hege ynsidinsje fan ûntbrekkende wearden. Wy bouden dan modellen mei de kombinearre dataset mei allinich mienskiplike funksjes dy't resultearre yn ferbettere klassifikaasjeprestaasjes. Dit waard wierskynlik ferklearre troch in kombinaasje fan it hawwen fan mear eksimplaren om mei te wurkjen troch it kombinearjen fan de trije pasjint sub-datasets en gjin funksjes mei in ûnbedoelde prevalens fan ûntbrekkende wearden (mar ien funksje yn 'e kombinearre dataset, wurktype, hie gjin ûntbrekkende wearden, dy't ynfloed hawwe op mar trije pasjinteksimplaren), om't allinich mienskiplike funksjes opnommen op alle trije siden waarden opnommen. Opmerklik hawwe wy gjin spesifyk ôfwizingskriterium foar elke funksje dy't úteinlik net opnommen wie yn 'e kombineare dataset. Yn ús foarriedige kombineare datasetmodellering brûkten wy lykwols earst alle funksjes fan elk fan 'e trije aparte subdatasets foar pasjinten. Dit resultearre breed yn modelprestaasjes dy't mjitber leger wie dan de earste foarriedige modellering op elke yndividuele sub-dataset. Boppedat, wylst de klassifikaasjeprestaasjes fan 'e modellen boud mei alle funksjes bemoedigend wiene, oer alle learlingen en klassifikaasjeskema's, ferbettere prestaasjes foar twa kear safolle modellen by it brûken fan allinich mienskiplike funksjes. Yn feite, ûnder wat úteinlik ús toplearders wie, binne allegear op ien model ferbettere troch it eliminearjen fan net-mienskiplike funksjes.
De definitive aggregaat dataset (YH, XL, en KM kombinearre) omfette 259 eksimplaren, elk fertsjintwurdige in unike dielnimmer dy't sawol de MemTrax as de MoCA-tests naam. D'r wiene 10 dielde ûnôfhinklike funksjes: MemTrax-prestaasjesmetriken: MTx-% C en betsjutte MTx-RT; Demografyske en medyske histoarje-ynformaasje: leeftyd, seks, jierren fan oplieding, wurktype (blauwe kraach/wite kraach), maatskiplike stipe (oft de testnimmer allinnich of mei famylje wennet), en ja/nee antwurden oft de brûker in skiednis fan diabetes, hyperlipidemia, of traumatyske harsenblessuere. Twa ekstra metriken, MoCA aggregaat skoare en MoCA aggregaat skoare oanpast foar jierren fan ûnderwiis [12], waarden apart brûkt foar it ûntwikkeljen fan ôfhinklike klassifikaasje labels, dus it meitsjen fan twa ûnderskate modellewurk skema's wurde tapast op ús kombinearre dataset. Foar elke ferzje (oanpast en net oanpast) fan 'e MoCA-skoare waarden de gegevens wer apart modelearre foar binêre klassifikaasje mei twa ferskillende kritearia-drompels - de ynearsten oanrikkemandearre ien [12] en in alternative wearde brûkt en befoardere troch oaren [8, 15]. Yn it alternatyf drompelklassifikaasjeskema waard in pasjint beskôge as normale kognitive sûnens as hy / sy skoarde ≥23 op 'e MoCA-test en hat MCI as de skoare 22 of leger wie; wylst, yn it earste oanrikkemandearre klassifikaasjeformaat, de pasjint in 26 of better moast skoare op 'e MoCA om te wurde markearre as normale kognitive sûnens.
Filtered gegevens foar MoCA klassifikaasje modeling
Wy ûndersochten MoCA-klassifikaasje fierder mei fjouwer meast brûkte techniken foar ranglist fan funksjes: Chi-Squared, Gain Ratio, Information Gain, en Symmetric Uncertainty. Foar ynterim perspektyf hawwe wy de rangers tapast op 'e heule kombineare dataset mei elk fan ús fjouwer modellearingsskema's. Alle rangers wiene it iens oer deselde topfunksjes, dat wol sizze, leeftyd, oantal jierren fan oplieding, en beide MemTrax-prestaasjesmetriken (MTx-% C, betsjutte MTx-RT). Wy bouden dan de modellen opnij mei elke funksje-seleksjetechnyk om de modellen te trenen op allinich de top fjouwer funksjes (sjoch Feiligens seleksje ûnder).
De resultearjende lêste acht fariaasjes fan 'e modelleskema's foar klassifikaasje fan MoCA-skoares wurde presintearre yn Tabel 1.
Tabel 1
Gearfetting fan fariaasjes fan modelleskema brûkt foar MoCA-klassifikaasje (Normaal Kognitive sûnens tsjin MCI)
| Modeling Scheme | Normale kognitive sûnens (negative klasse) | MCI (positive klasse) |
| Oanpast-23 Unfiltered / Filtered | 101 (39.0%) | 158 (61.0%) |
| Oanpast-26 Unfiltered / Filtered | 49 (18.9%) | 210 (81.1%) |
| Unadjusted-23 Unfiltered / Filtered | 92 (35.5%) | 167 (64.5%) |
| Unadjusted-26 Unfiltered / Filtered | 42 (16.2%) | 217 (83.8%) |
Oanpaste oantal en persintaazje fan totale pasjinten yn elke klasse wurde differinsjearre troch oanpassing fan skoare foar ûnderwiis (oanpast of net oanpast) en klassifikaasje drompel (23 of 26), lykas tapast op beide funksje sets (Unfiltered en Filtered).
MemTrax-basearre klinyske evaluaasjemodellering
Fan ús trije orizjinele sub-datasets (YH, XL, KM) waarden allinich de XL-sub-dataset-pasjinten ûnôfhinklik klinysk diagnostearre foar kognitive beheining (dat wol sizze, har respektive MoCA-skoares waarden net brûkt by it fêststellen fan in klassifikaasje fan normaal versus beheinden). Spesifyk waarden de XL-pasjinten diagnostisearre mei beide Test foar sykte fan Alzheimer (AD) of vaskulêre demintia (VaD). Binnen elk fan dizze primêre diagnoazekategoryen wie d'r in fierdere oantsjutting foar MCI. Diagnoaze fan MCI, demintia, vaskulêre neurokognitive oandwaning, en neurokognitive oandwaning troch AD waarden basearre op spesifike en ûnderskiedende diagnostyske kritearia dy't sketst yn it Diagnostysk en Statistysk Hânlieding fan Mental Disorders: DSM-5 [16]. Mei it each op dizze ferfine diagnoaze, waarden twa klassifikaasjemodelleringsskema's apart tapast op 'e XL-subdataset om it nivo fan earnst (graad fan beheining) foar elke primêre diagnoazekategory te ûnderskieden. Gegevens brûkt yn elk fan dizze diagnostyske modellewurkskema's (AD en VaD) omfette demografyske en pasjinthistoaryske ynformaasje, lykas MemTrax-prestaasjes (MTx-% C, gemiddelde MTx-RT). Eltse diagnoaze waard bestimpele myld as oanwiisd MCI; oars, it waard beskôge swier. Wy hawwe yn earste ynstânsje beskôge as it opnimmen fan de MoCA-score yn 'e diagnoazemodellen (mild fersus swier); mar wy besletten dat it doel fan ús sekundêre foarsizzend modelingskema soe ferslaan. Hjir soene de learlingen wurde oplaat mei oare pasjintkenmerken dy't maklik beskikber binne foar de provider en prestaasjesmetriken fan 'e ienfâldiger MemTrax-test (yn plak fan' e MoCA) tsjin de referinsje "gouden standert", de ûnôfhinklike klinyske diagnoaze. D'r wiene 69 gefallen yn 'e AD diagnoaze dataset en 76 gefallen fan VaD (Tabel 2). Yn beide datasets wiene d'r 12 ûnôfhinklike funksjes. Neist de 10-funksjes opnommen yn 'e MoCA-score-klassifikaasje, befette de pasjinthistoarje ek ynformaasje oer skiednis fan hypertensie en beroerte.
Tabel 2
Gearfetting fan farianten fan modellewurkskema brûkt foar klassifikaasje fan diagnostyk (mild tsjin swier)
| Modeling Scheme | Mild (negative klasse) | Swier (positive klasse) |
| MCI-AD tsjin AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD tsjin VaD | 38 (50.0%) | 38 (50.0%) |
Underskate oantal en persintaazje fan totale pasjinten yn elke klasse wurde differinsjearre troch primêre diagnoaze kategory (AD of VaD).
Statistyk
Fergeliking fan dielnimmerskarakteristiken en oare numerike funksjes tusken sub-datasets foar elke modelklassifikaasjestrategy (om MoCA kognitive sûnens en earnst fan diagnoaze te foarsizzen) waard útfierd mei Python-programmearringstaal (ferzje 2.7.1) [17]. De ferskillen yn modelprestaasjes waarden yn earste ynstânsje bepaald mei in single- of twa-faktor (as passend) ANOVA mei in 95% fertrouwen ynterval en de Tukey honest significant difference (HSD) test om de prestaasjes te fergelykjen. Dit ûndersyk fan ferskillen tusken modelfoarstellingen waard útfierd mei in kombinaasje fan Python en R (ferzje 3.5.1) [18]. Wy brûkten dizze (hoewol, wierskynlik minder dan optimale) oanpak allinich as in heuristysk helpmiddel by dit in it begjin foar inisjele modelprestaasjesfergelikingen yn it antisipearjen fan potinsjele klinyske tapassing. Wy brûkten doe de Bayesian ûndertekene-rang test mei in posterior distribúsje om de kâns te bepalen fan modelprestaasjesferskillen [19]. Foar dizze analyzes brûkten wy it ynterval -0.01, 0.01, wat betsjuttet dat as twa groepen in prestaasjeferskil fan minder dan 0.01 hiene, se as itselde beskôge waarden (binnen it gebiet fan praktyske lykweardigens), of oars wiene se oars (ien better as de oare). Om de Bayesianske fergeliking fan klassifikaasjes út te fieren en dizze kânsen te berekkenjen, brûkten wy de baycomp-bibleteek (ferzje 1.0.2) foar Python 3.6.4.
Prediktyf modellewurk
Wy bouden foarsizzende modellen mei de tsien totale fariaasjes fan ús modellearingsskema's om de útkomst fan 'e MoCA-test fan elke pasjint of de earnst fan' e klinyske diagnoaze te foarsizzen (klassifisearje). Alle learlingen waarden tapast en de modellen waarden boud mei it iepen boarne softwareplatfoarm Weka [20]. Foar ús foarriedige analyse brûkten wy 10 meast brûkte learalgoritmen: 5-Nearst Neighbors, twa ferzjes fan C4.5 beslútbeam, Logistic Regression, Multilayer Perceptron, Naïve Bayes, twa ferzjes fan Random Forest, Radial Basis Function Network, en Support Vector Masine. Key attributen en kontrasten fan dizze algoritmen binne beskreaun earne oars [21] (sjoch respektivelik taheakke). Dizze waarden keazen om't se in ferskaat oan ferskillende soarten learlingen fertsjinwurdigje en om't wy súkses hawwe oantoand troch se te brûken yn eardere analyzes op ferlykbere gegevens. Hyper-parameter-ynstellingen waarden keazen út ús eardere ûndersyk, wêrtroch't se robúste binne op in ferskaat oan ferskillende gegevens [22]. Op grûn fan 'e resultaten fan ús foarriedige analyse mei deselde kombineare dataset mei mienskiplike funksjes dy't letter waarden brûkt yn' e folsleine analyze, identifisearren wy trije learlingen dy't konsekwint sterke prestaasjes levere yn alle klassifikaasjes: Logistic Regression, Naïve Bayes, en Support Vector Machine.
Cross-validaasje en modelprestaasjesmetriken
Foar alle foarsizzende modellering (ynklusyf de foarriedige analyzes), elk model waard boud mei help fan 10-fold krús falidaasje, en model prestaasjes waard metten mei gebrûk Area Under de Receiver Operating Characteristic Curve (AUC). Krúsvalidaasje begon mei it willekeurich ferdielen fan elk fan 'e 10-modelleringsskema-dataset yn 10 gelikense segminten (folden), mei njoggen fan dizze respektive segminten om it model te trenen en it oerbleaune segmint foar testen. Dizze proseduere waard 10 kear werhelle, mei in oar segmint as de test set yn elke iteraasje. De resultaten waarden dêrnei kombinearre om it resultaat/prestaasje fan it definitive model te berekkenjen. Foar elke kombinaasje fan learder/dataset waard dit heule proses 10 kear werhelle mei de gegevens elke kear oars opdield. Dizze lêste stap fermindere foaroardielen, soarge foar replikabiliteit, en holp by it bepalen fan 'e algemiene modelprestaasjes. Yn totaal (foar MoCA-skoare en klassifikaasjeskema's foar diagnoaze-swierens kombineare), waarden 6,600 modellen boud. Dit omfette 1,800 net-filtere modellen (6 modellearingsskema's tapast op de dataset × 3 learlingen × 10 runs × 10 folds = 1,800 modellen) en 4,800 gefilterde modellen (4 modelingskema's tapast op de dataset × 3 learlingen × 4 funksje seleksjetechniken × 10 runs × 10 fold = 4,800 modellen).
Feiligens seleksje
Foar de filtere modellen waard funksjeseleksje (mei de fjouwer metoaden foar funksje-ranglist) útfierd binnen de krúsvalidaasje. Foar elk fan 'e 10-folden, om't in oare 10% fan' e dataset de testgegevens wie, waarden allinich de top fjouwer selekteare funksjes foar elke trainingsdataset (dus de oare njoggen folds, of de oerbleaune 90% fan 'e folsleine dataset) brûkt. om de modellen te bouwen. Wy koenen net befestigje hokker fjouwer funksjes yn elk model waarden brûkt, om't dy ynformaasje net wurdt opslein of beskikber steld binnen it modelplatfoarm dat wy brûkten (Weka). Sjoen lykwols de konsistinsje yn ús earste seleksje fan topfunksjes doe't de rangers waarden tapast op 'e heule kombineare dataset en de dêropfolgjende oerienkomst yn modellefoarstellings, dizze deselde funksjes (leeftyd, jierren fan oplieding, MTx-% C, en gemiddelde MTx-RT ) binne wierskynlik de meast foarkommende top fjouwer brûkt tegearre mei de funksjeseleksje binnen it krúsvalidaasjeproses.
RESULTS
Dielnimmende numerike skaaimerken (ynklusyf MoCA-skoares en MemTrax-prestaasjesmetriken) fan 'e respektivelike datasetten foar elke modelklassifikaasjestrategy om MoCA-oanjûn kognitive sûnens (normaal tsjin MCI) en diagnoaze-hurdens (myld tsjin swier) te foarsizzen wurde yn Tabel 3 werjûn.
Tabel 3
Dielnimmende skaaimerken, MoCA-skoares, en MemTrax-prestaasjes foar elke modelklassifikaasjestrategy
| Klassifikaasje Strategy | Leeftyd | Oplieding | MoCA oanpast | MoCA Unadjusted | MTx-% C | MTx-RT |
| MoCA kategory | 61.9 j (13.1) | 9.6 j (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 s (0.3) |
| Diagnose Severity | 65.6 j (12.1) | 8.6 j (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 s (0.3) |
Wearden werjûn (gemiddeld, SD) differinsjearre troch modellearingsklassifikaasjestrategyen binne represintatyf foar de kombinearre dataset dy't brûkt wurdt om MoCA-oanjûne kognitive sûnens (MCI tsjin normaal) te foarsizzen en de XL-subdataset allinich brûkt om de earnst fan 'e diagnoaze te foarsizzen (myld tsjin swier).
Foar elke kombinaasje fan MoCA-skoare (oanpast / net oanpast) en drompel (26/23), wie d'r in statistysk ferskil (p = 0.000) yn elke pearwize fergeliking (normale kognitive sûnens tsjin MCI) foar leeftyd, oplieding en MemTrax-prestaasjes (MTx-% C en MTx-RT). Elke sub-dataset fan pasjinten yn 'e oanbelangjende MCI-klasse foar elke kombinaasje wie gemiddeld sawat 9 oant 15 jier âlder, rapporteare sawat fiif minder jierren fan oplieding, en hie minder geunstige MemTrax-prestaasjes foar beide metriken.
Resultaten foar foarsizzende modellewurkprestaasjes foar de MoCA-skoareklassifikaasjes mei de top trije learlingen, Logistic Regression, Naïve Bayes, en Support Vector Machine, wurde werjûn yn Tabel 4. Dizze trije waarden keazen op basis fan de meast konsekwint hege absolute learprestaasjes oer alle ferskate modellen tapast op de datasets foar alle modelingskema's. Foar de net-filtere dataset en modellering jout elk fan 'e gegevenswearden yn Tabel 4 de modelprestaasjes oan op basis fan' e respektivelike AUC-gemiddelde ôflaat fan 'e 100 modellen (10 runs × 10 folds) boud foar elke kombinaasje fan learder/modelleringskema, mei de respektivelike heechste performing learling oanjûn yn fet. Wylst foar de filtere datasetmodellering, de resultaten rapportearre yn Tabel 4 reflektearje de algemiene gemiddelde modelprestaasjes fan 400-modellen foar elke learling mei elk fan 'e funksje-ranglistmetoaden (4 funksje-ranglistmetoaden × 10 runs × 10 folds).
Tabel 4
Dichotomous MoCA-scoreklassifikaasjeprestaasjes (AUC; 0.0–1.0) resultaten foar elk fan 'e trije topprestearjende learlingen foar alle respektivelike modellearingsskema's
| Feature Set brûkt | MoCA Score | Cutoff drompel | Logistyske regression | Naïve Bayes | Stypje Vector Machine |
| Net filtere (10 funksjes) | Oanpast | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Net oanpast | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Filtered (4 funksjes) | Oanpast | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Net oanpast | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Gebrûk fan fariaasjes fan funksjeset, MoCA-score, en MoCA-score-ôfsnijdrompel, wurdt de heechste prestaasjes foar elk modelskema werjûn yn fet (net needsaaklik statistysk oars as alle oaren net yn fet foar it respektivelike model).
Troch de learlingen te fergelykjen oer alle kombinaasjes fan MoCA-skoareferzjes en -drompels (oanpast/net oanpast en 23/26, respektivelik) yn 'e kombinearre net-filtere dataset (dat wol sizze, mei de 10 mienskiplike funksjes), wie Naïve Bayes oer it algemien de bêste learder mei in algemiene klassifikaasje prestaasjes fan 0.9093. Sjoen de top trije learlingen, de Bayesian-korrelearre tests mei tekene rang oanjûn dat de kâns (Pr) fan Naïve Bayes dy't logistike regression outperforme wie 99.9%. Boppedat, tusken Naïve Bayes en Support Vector Machine, in 21.0% kâns op praktyske lykweardigens yn learprestaasjes (dus in 79.0% kâns dat Naïve Bayes better prestearret as Support Vector Machine), tegearre mei de 0.0% kâns dat Support Vector Machine better prestearret, mjitber fersterket de prestaasjes foardiel foar Naïve Bayes. Fierdere fergeliking fan MoCA-skoareferzje oer alle learlingen / drompels suggerearre in lyts prestaasjefoardiel mei net oanpaste MoCA-skoares fersus oanpast (0.9027 tsjin 0.8971, respektivelik; Pr (net oanpast> oanpast) = 0.988). Lykas, in ferliking fan cutoff drompel oer alle learlingen en MoCA skoare ferzjes oanjûn in lyts klassifikaasje prestaasjes foardiel mei help fan 26 as de klassifikaasje drompel tsjin 23 (0.9056 tsjin 0.8942, respektivelik; Pr (26 > 23) = 0.999). As lêste, it ûndersiikjen fan de klassifikaasjeprestaasjes foar de modellen dy't allinich de filtere resultaten brûke (dat wol sizze, allinich fjouwer funksjes op 'e top), Naïve Bayes (0.9143) wie numeryk de bêste prestearjende learling oer alle MoCA-scoreferzjes/drompels. Lykwols, oer alle funksje-ranglisttechniken kombinearre, prestearren alle bêst prestearjende learlingen lykwols lykwols. Bayesian ûndertekene rangtests lieten 100% kâns sjen op praktyske lykweardigens tusken elk pear filtere learlingen. Lykas by de net-filtere gegevens (mei alle 10 mienskiplike skaaimerken) wie d'r wer in prestaasjefoardiel foar de net-oanpast ferzje fan 'e MoCA-score (Pr (net oanpast > oanpast) = 1.000), lykas ek in lyksoartige foardiel foar de klassifikaasjedrompel fan 26 (Pr (26 > 23) = 1.000). Opmerklik, de gemiddelde prestaasjes fan elk fan 'e top trije learlingen oer alle MoCA skoare ferzjes / drompels mei help fan allinnich de top-ranglist fjouwer funksjes boppe de gemiddelde prestaasjes fan eltse learling op de ongefilterde gegevens. Net ferrassend wie de klassifikaasjeprestaasjes fan 'e filtere modellen (mei de boppeste fjouwer funksjes) yn't algemien superieur (0.9119) oan 'e net-filtere modellen (0.8999), nettsjinsteande de funksje-ranglistmetoademodellen dy't waarden fergelike mei dy respektive modellen dy't alle 10 gewoane brûkten funksjes. Foar eltse funksje seleksje metoade, der wie 100% kâns fan in prestaasje foardiel boppe de unfiltered modellen.
Mei de pasjinten beskôge foar klassifikaasje fan AD-diagnoaze earnst, tusken-groep (MCI-AD fersus AD) ferskillen foar leeftyd (p = 0.004), ûnderwiis (p = 0.028), MoCA skoare oanpast/net oanpast (p = 0.000), en MTx-% C (p = 0.008) wiene statistysk signifikant; wylst it foar MTx-RT net wie (p = 0.097). Mei dy pasjinten dy't beskôge wurde foar klassifikaasje fan earnst fan VaD-diagnoaze, ferskillen tusken groep (MCI-VaD versus VaD) foar MoCA-skoare oanpast / net oanpast (p = 0.007) en MTx-% C (p = 0.026) en MTx-RT (p = 0.001) wiene statistysk signifikant; wylst foar leeftyd (p = 0.511) en ûnderwiis (p = 0.157) wiene der gjin signifikante ferskillen tusken groepen.
Resultaten foar foarsizzende modellewurkprestaasjes foar de klassifikaasjes fan 'e earnst fan' e diagnoaze mei de trije earder selekteare learlingen, Logistic Regression, Naïve Bayes, en Support Vector Machine, wurde werjûn yn Tabel 5. Wylst ekstra ûndersochte learlingen wat sterkere prestaasjes yndividueel oantoand mei ien fan 'e twa kategoryen foar klinyske diagnoaze , de trije learlingen dy't wy hienen identifisearre as de meast geunstige yn ús foarige modellering, biede de meast konsekwinte prestaasjes mei beide nije modellearingsskema's. Fergelykjen fan de learlingen oer elk fan 'e primêre diagnoazekategoryen (AD en VaD), wie d'r gjin konsekwint ferskil yn klassifikaasjeprestaasjes tusken learlingen foar MCI-VaD fersus VaD, hoewol Support Vector Machine oer it algemien mear prominint prestearre. Likemin wiene d'r gjin signifikante ferskillen tusken learlingen foar de MCI-AD fersus AD-klassifikaasje, hoewol Naïve Bayes (NB) in lyts prestaasjefoardiel hie oer Logistic Regression (LR) en gewoan in negligible meartal oer Support Vector Machine, mei kânsen fan 61.4% en -41.7% respektivelik. Oer beide datasets wie der in algemiene prestaasjes foardiel foar Support Vector Machine (SVM), mei Pr (SVM > LR) = 0.819 en Pr (SVM > NB) = 0.934. Us algemiene klassifikaasjeprestaasjes oer alle learlingen yn it foarsizzen fan earnst fan diagnoaze yn 'e XL-subdataset wie better yn' e VaD-diagnosekategory fersus AD (Pr (VAD > AD) = 0.998).
Tabel 5
Dichotomous klinyske diagnoaze severity classification performance (AUC; 0.0–1.0) resultaten foar elk fan 'e trije top-prestearjende learlingen foar beide respektive modelleskema's
| Modeling Scheme | Logistyske regression | Naïve Bayes | Stypje Vector Machine |
| MCI-AD tsjin AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD tsjin VaD | 0.8033 | 0.8044 | 0.8338 |
De heechste prestaasjes foar elk modelskema wurdt werjûn yn fet (net needsaaklik statistysk oars as oaren net yn fet).
DISKUSJE
Iere opspoaren fan feroaringen yn kognitive sûnens is wichtich praktysk nut yn persoanlik sûnensbehear en folkssûnens. Yndied is it ek heul in hege prioriteit yn klinyske ynstellings foar pasjinten wrâldwiid. It dielde doel is om pasjinten, fersoargers en fersoargers te warskôgjen en earder passende en kosten-effektive behanneling en longitudinale soarch foar dyjingen dy't kognitive ferfal begjinne te belibjen. Troch ús trije gegevenssubsets fan sikehûs/klinyk(en) gear te fúzjen, identifisearren wy trije learders dy't ûnderskat de foarkar hawwe (mei ien opmerklik opfallend - Naïve Bayes) om foarsizzende modellen te bouwen mei gebrûk fan MemTrax-prestaasjesmetriken dy't kognitive sûnensstatus betrouber kinne klassifisearje dichotomously (normale kognitive sûnens as MCI) lykas soe wurde oanjûn troch in MoCA aggregaat skoare. Opmerklik binne de algemiene klassifikaasjeprestaasjes foar alle trije learlingen ferbettere doe't ús modellen allinich de fjouwer boppeste funksjes brûkten dy't yn haadsaak dizze MemTrax-prestaasjesmetriken omfetten. Boppedat hawwe wy it ûnderboude potensjeel iepenbiere foar it brûken fan deselde learlingen en MemTrax-prestaasjesmetriken yn in modelskema foar klassifikaasje foar diagnostyske stipe om de earnst fan twa kategoryen fan demintiadiagnoaze te ûnderskieden: AD en VaD.
Unthâld testen is sintraal foar iere deteksje fan AD [23, 24]. Sa is it opportun dat MemTrax in akseptabel, boeiend en maklik te ymplementearjen online is screeningtest foar episodysk ûnthâld yn 'e algemiene befolking [6]. De krektens fan 'e erkenning en antwurdtiden fan dizze trochgeande prestaasjetaak binne benammen iepenbierend by it identifisearjen fan iere en evoluearjende efterútgong en konsekwint tekoarten yn' e neuroplastyske prosessen yn ferbân mei learen, ûnthâld en kognysje. Dat is, de modellen hjir dy't foar it grutste part basearre binne op MemTrax-prestaasjesmetriken binne gefoelich foar en binne mear kâns om maklik en mei minimale kosten biologyske neuropathologyske tekoarten te iepenbierjen tidens it oergongs-asymptomatyske poadium goed foarôfgeand oan mear substansjeel funksjoneel ferlies [25]. Ashford et al. nau ûndersocht de patroanen en gedrach fan erkenning ûnthâld krektens en antwurd tiid yn online brûkers dy't meidie op harsels mei MemTrax [6]. Respektearje dat dizze distribúsjes kritysk binne yn optimale modellering en it ûntwikkeljen fan jildige en effektive applikaasjes foar pasjintesoarch, it definiearjen fan klinysk tapasbere erkenning- en responstiidprofilen is essensjeel by it fêststellen fan in weardefolle fûnemintele referinsje foar klinysk en ûndersyksnut. De praktyske wearde fan MemTrax yn AD-screening foar iere stadium kognitive beheining en differinsjaal diagnoaze stipe moat dan nauwer ûndersocht wurde yn 'e kontekst fan in klinyske ynstelling dêr't komorbiditeiten en kognitive, sintúchlike en motoryske mooglikheden dy't ynfloed op testprestaasjes kinne wurde beskôge. En om profesjonele perspektyf te ynformearjen en praktysk klinysk nut te stimulearjen, is it earst ymperatyf om fergeliking te demonstrearjen mei in fêststelde test foar kognitive sûnensbeoardieling, ek al kin de lêste werkenber beheind wurde troch omslachtige testlogistyk, ûnderwiis en taalôfskrikking, en kulturele ynfloeden [26] . Yn dit ferbân is de geunstige fergeliking fan MemTrax yn klinyske effektiviteit mei MoCA, dy't gewoanlik wurdt oanjûn as in yndustrystandert, signifikant, foaral by it weagjen fan it gruttere gemak fan nut en geduldige akseptaasje fan MemTrax.
Foarige ferkenning dy't MemTrax fergelike mei MoCA markeart de rationale en foarriedige bewiis dy't ús modelleringsûndersyk garandearje [8]. Dizze foarôfgeande fergeliking assosjearre lykwols allinich de twa wichtige MemTrax-prestaasjesmetriken dy't wy ûndersochten mei kognitive status lykas bepaald troch MoCA en definieare respektivelike berik en cutoff-wearden. Wy ferdjipje de beoardieling fan klinyske nut fan MemTrax troch it ferkennen fan in foarsizzend modeling-basearre oanpak dy't in mear yndividualisearre konsideraasje soe leverje fan oare potensjeel relevante pasjintspesifike parameters. Yn tsjinstelling ta oaren fûnen wy gjin foardiel yn modelprestaasjes mei in opliedingskorreksje (oanpassing) oan 'e MoCA-score of yn it feroarjen fan' e kognitive sûnens diskriminearjende MoCA-aggregearre skoaredrompel fan 'e oarspronklik oanrikkemandearre 26 nei 23 [12, 15]. Yn feite, it foardiel fan klassifikaasje prestaasjes begeunstige mei help fan de net oanpast MoCA skoare en de hegere drompel.
Wichtige punten yn klinyske praktyk
Masine learen wurdt faaks it bêst brûkt en meast effektyf yn foarsizzend modellering as de gegevens wiidweidich en multydinsjoneel binne, dat wol sizze as d'r in protte observaasjes binne en in bygeande breed oanbod fan hege wearde (bydragende) attributen. Dochs, mei dizze hjoeddeistige gegevens, prestearren de filtere modellen mei mar fjouwer selekteare funksjes better dan dy mei alle 10 mienskiplike funksjes. Dit suggerearret dat ús aggregaat sikehûs dataset net de meast klinysk passende (hege wearde) funksjes hie om de pasjinten op dizze manier optimaal te klassifisearjen. Nettsjinsteande stipet de klam op funksjeranglist op 'e wichtichste MemTrax-prestaasjesmetriken - MTx-% C en MTx-RT - sterk it bouwen fan modellen foar screening fan kognitive tekoarten yn 'e iere faze om dizze test dy't ienfâldich, maklik te behearjen, lege kosten, en passend iepenbierend is oangeande ûnthâld prestaasjes, op syn minst no as in earste skerm foar in binêre klassifikaasje fan kognitive sûnens status. Sjoen de hieltyd tanimmende druk op providers en sûnenssoarchsystemen, moatte pasjintscreeningprosessen en klinyske tapassingen passend ûntwikkele wurde mei in klam op it sammeljen, folgjen en modellearjen fan dy pasjintkenmerken en testmetriken dy't it meast nuttich, foardielich en effektyf binne yn diagnostyk en stipe foar pasjintbehear.
Mei't de twa wichtige MemTrax-metriken sintraal binne yn MCI-klassifikaasje, hie ús topprestearjende learling (Naïve Bayes) in heul hege foarsizzende prestaasjes yn 'e measte modellen (AUC mear as 0.90) mei in wier-posityf oant falsk-posityf ferhâlding tichtby of wat mear as 4 : 1. In oersetten klinyske tapassing mei dizze learling soe sadwaande fierwei de measte minsken mei in kognitive deficit fange (korrekt klassifisearje), wylst de kosten dy't ferbûn binne mei it fersin klassifisearjen fan immen mei normale kognitive sûnens as it hawwen fan in kognitive deficit (falsk posityf) of ûntbrekt dy klassifikaasje yn dyjingen dy't in kognitive tekoart hawwe (falsk negatyf). Elk fan dizze senario's fan misklassifikaasje kin in ûngewoane psycho-sosjale lêst foar de pasjint en fersoargers oplizze.
Wylst wy yn 'e foarriedige en folsleine analyzes alle tsien learlingen brûkten yn elk modelskema, rjochte wy ús resultaten op' e trije klassifikaasjes dy't de meast konsekwinte sterke prestaasjes sjen litte. Dit wie ek om, basearre op dizze gegevens, de learlingen te markearjen dy't nei ferwachting betrouber op in heech nivo soene prestearje yn in praktyske klinyske tapassing by it bepalen fan kognitive statusklassifikaasje. Boppedat, om't dizze stúdzje bedoeld wie as in ynliedend ûndersyk nei it nut fan masine learen op kognitive screening en dizze tydlike klinyske útdagings, hawwe wy it beslút makke om de leartechniken ienfâldich en generalisearre te hâlden, mei minimale parameterôfstimming. Wy wurdearje dat dizze oanpak it potinsjeel foar mear smel definieare pasjintspesifike foarsizzende mooglikheden kin hawwe beheind. Lykas, wylst training fan 'e modellen mei allinich de topfunksjes (gefilterde oanpak) ús fierder ynformearret oer dizze gegevens (spesifyk foar de tekoartkommingen yn sammele gegevens en markearje de wearde yn it optimalisearjen fan kostbere klinyske tiid en boarnen), erkenne wy dat it te betiid is om te beheinen de omfang fan 'e modellen en, dêrom, alle (en oare funksjes) moatte wurde beskôge mei takomstich ûndersyk oant wy hawwe in mear definitive profyl fan prioriteit funksjes dy't soe wêze fan tapassing op de brede befolking. Sa erkenne wy ek folslein dat mear ynklusive en breed represintative gegevens en optimisaasje fan dizze en oare modellen nedich binne foardat se yn in effektive klinyske tapassing yntegrearje, foaral om komorbiditeiten oan te passen dy't kognitive prestaasjes beynfloedzje dy't moatte wurde beskôge yn fierdere klinyske evaluaasje.
It nut fan MemTrax waard fierder opboud troch it modellerjen fan 'e earnst fan' e sykte basearre op aparte klinyske diagnoaze. In bettere algemiene klassifikaasjeprestaasje by it foarsizzen fan hurdens fan VaD (ferlike mei AD) wie net ferrassend sjoen de funksjes fan it pasjintprofyl yn 'e modellen spesifyk foar vaskulêre sûnens en stroke risiko, ie, hypertensie, hyperlipidemia, diabetes, en (fansels) stroke skiednis. Hoewol it winskliker en passend wêze soe om deselde klinyske beoardieling te hawwen útfierd op oerienkommende pasjinten mei normale kognitive sûnens om de learlingen te trenen mei dizze mear ynklusive gegevens. Dit is foaral garandearre, om't MemTrax is bedoeld om primêr te brûken foar it opspoaren fan in kognitive tekoart yn 'e iere poadium en it folgjende folgjen fan yndividuele feroaring. It is ek oannimlik dat de mear winsklike distribúsje fan gegevens yn 'e VaD-dataset foar in part bydroegen hat oan de ferlykber bettere modellearingsprestaasjes. De VaD-dataset wie goed útbalansearre tusken de twa klassen, wylst de AD-dataset mei folle minder MCI-pasjinten net wie. Benammen yn lytse datasets kinne sels in pear ekstra eksimplaren in mjitber ferskil meitsje. Beide perspektiven binne ridlike arguminten dy't de ferskillen yn 'e prestaasjes fan' e sykte-swierensmodeling ûnderlizze. It proporsjoneel taskriuwen fan ferbettere prestaasjes oan dataset numerike skaaimerken of de ynherinte funksjes spesifyk foar de klinyske presintaasje dy't wurdt beskôge is lykwols te betiid. Dochs toande dizze roman it nut fan in MemTrax foarsizzend klassifikaasjemodel yn 'e rol fan klinyske diagnostyske stipe jout weardefolle perspektyf en befêstiget it stribjen nei ekstra ûndersyk mei pasjinten oer it kontinuüm fan MCI.
De ymplemintaasje en oantoand nut fan MemTrax en dizze modellen yn Sina, wêr't de taal en kultuer drastysk ferskille fan oare regio's fan fêste nut (bgl. Frankryk, Nederlân en Feriene Steaten) [7, 8, 27], ûnderstreket fierder it potensjeel foar wiidferspraat wrâldwide akseptaasje en klinyske wearde fan in MemTrax-basearre platfoarm. Dit is in oantoand foarbyld yn it stribjen nei harmonisaasje fan gegevens en it ûntwikkeljen fan praktyske ynternasjonale noarmen en modellearingsboarnen foar kognitive screening dy't standerdisearre binne en maklik oanpast foar gebrûk wrâldwiid.
Folgjende stappen yn kognitive decline modellering en tapassing
Kognitive dysfunksje yn AD komt yndie op in kontinuum, net yn diskrete stadia of stappen [28, 29]. Yn dizze iere faze wie ús doel lykwols om earst ús fermogen te fêstigjen om in model te bouwen mei MemTrax dat yn prinsipe "normaal" kin ûnderskiede fan "net normaal". Mear ynklusive empiryske gegevens (bgl. brain imaging, genetyske eigenskippen, biomarkers, komorbiditeiten, en funksjonele markers fan komplekse aktiviteiten dy't kognitive nedich binne kontrôle) [30] oer ferskate wrâldwide regio's, populaasjes en leeftydsgroepen om mear ferfine (ynklusyf passend gewicht ensemble) masine-learmodellen te trenen en te ûntwikkeljen sille in gruttere mjitte fan ferbettere klassifikaasje stypje, dat is de kapasiteit om groepen fan pasjinten te kategorisearjen mei MCI yn lytsere en mear definitive subsets lâns it kognitive ferfal kontinuum. Boppedat binne tagelyk klinyske diagnoazes foar yndividuen oer regionaal ferskate pasjintpopulaasjes essensjeel foar effektyf traine dizze mear ynklusive en foarsisber robúste modellen. Dit sil mear spesifyk stratifisearre saakbehear fasilitearje foar dyjingen mei ferlykbere eftergrûnen, ynfloeden en mear smel definieare karakteristike kognitive profilen en sa optimisearje klinyske beslútstipe en pasjintesoarch.
In protte fan it relevante klinyske ûndersyk oant no ta hat oanpakt pasjinten mei op syn minst milde demintens; en, yn 'e praktyk, te faak pasjint yntervinsje wurdt allinnich besocht op avansearre stadia. Om't kognitive ferfal lykwols begjint goed foardat klinyske kritearia foar demintens foldien wurde, kin in effektyf tapast MemTrax-basearre iere skerm passende oplieding fan yndividuen oer de sykte en har progressions stimulearje en earder en mear tiidige yntervinsjes oproppe. Sa koe iere deteksje gaadlike belutsenens stypje, fariearjend fan oefening, dieet, emosjonele stipe, en ferbettere sosjalisaasje oant pharmakologyske yntervinsje en fersterkje pasjint-relatearre feroaringen yn gedrach en persepsje dy't allinich as yn aggregaat dementiaprogression kinne ferminderje of mooglik stopje [31, 32] . Boppedat, mei effektyf betiid screening, Partikulieren en har famyljes kinne wurde frege om klinyske triennen te beskôgjen of begelieding en oare sosjale tsjinsten te krijen om te helpen ferwachtingen en yntinsjes te ferdúdlikjen en deistige taken te behearjen. Fierdere falidaasje en wiidferspraat praktysk nut op dizze manieren kinne ynstruminteel wêze foar it ferminderjen of stopjen fan de foarútgong fan MCI, AD, en ADRD foar in protte yndividuen.
Yndie, it lege ein fan 'e pasjint leeftyd berik yn ús stúdzje net fertsjintwurdigje de befolking fan tradisjonele soarch mei AD. De gemiddelde leeftyd foar elke groep brûkt yn 'e klassifikaasjemodelleringsskema's basearre op' e MoCA-score / drompel en earnst fan 'e diagnoaze (tabel 3) ûnderstreket lykwols dat in dúdlike mearderheid (mear as 80%) op syn minst 50 jier âld is. Dizze ferdieling is dus heul geskikt foar generalisaasje, en stipet it nut fan dizze modellen yn 'e populaasje dy't karakterisearret dy't typysk beynfloede wurde troch betiid oanset en groeiende neurokognitive sykte troch AD en VaD. Ek resinte bewiis en perspektyf beklamje dy erkende faktoaren (bgl. hypertensie, obesitas, diabetes, en smoken) dy't mooglik bydrage oan heger betiid skoares foar vaskulêre risiko foar folwoeksenen en midlife en konsekwint subtile vaskulêre harsenblessuere dy't harsens ûntwikkelt mei evident effekten sels by jonge folwoeksenen [33-35]. Dêrtroch, de meast optimale inisjele screening kâns foar opspoaren betiid poadium kognitive tekoarten en it inisjearjen fan effektive previnsje- en yntervinsjestrategyen by it suksesfol oanpakken fan demintens sil ûntsteane út it ûndersykjen fan bydragende faktoaren en foarôfgeande yndikatoaren oer it leeftydspektrum, ynklusyf iere folwoeksenheid en mooglik sels bernetiid (opmerkend de relevânsje fan genetyske faktoaren lykas apolipoprotein E fan iere swangerskip).
Yn 'e praktyk binne jildige klinyske diagnoazes en kostbere prosedueres foar avansearre ôfbylding, genetyske profilearring, en it mjitten fan belofte biomarkers net altyd maklik beskikber of sels mooglik foar in protte providers. Sa kin yn in protte gefallen in earste algemiene klassifikaasje fan kognitive sûnensstatus ôflaat wurde moatte fan modellen mei oare ienfâldige metriken levere troch de pasjint (bgl. problemen problemen, aktuele medisinen, en beheiningen fan routine aktiviteiten) en mienskiplike demografyske funksjes [7]. Registraasjes lykas de Universiteit fan Kalifornje Brain Health Registry (https://www.brainhealthregistry.org/) [27] en oaren mei in ynherinte gruttere breedte fan sels-rapporteare symptomen, kwalitative maatregels (bgl. sliep en elke dei kognysje), medisinen, sûnensstatus en skiednis, en mear detaillearre demografy sil ynstruminteel wêze yn it ûntwikkeljen en falidearjen fan de praktyske tapassing fan dizze mear primitive modellen yn 'e klinyk. Fierder kin in test lykas MemTrax, dy't nut hat oantoand by it beoardieljen fan ûnthâldfunksje, yn feite in substansjeel bettere skatting leverje fan AD-patology dan biologyske markers. Sjoen dat it kearnfunksje fan AD-patology fersteuring fan neuroplastyk is en in oerweldig komplekse ferlies fan synapsen, dy't as episodysk manifest is. ûnthâld dysfunksje, in maatregel dy't episodysk ûnthâld beoardielet kin feitlik jouwe in bettere skatting fan AD-patologyske lêst dan biologyske markers yn 'e libbene pasjint [36].
Mei alle foarsizzende modellen - oft oanfolle troch komplekse en ynklusive gegevens fan 'e moderne technology en ferfine klinyske ynsjoch oer meardere domeinen of dy beheind ta mear basale en maklik beskikbere ynformaasje karakteristyk foar besteande pasjintprofilen - it erkende foardiel fan keunstmjittige yntelliginsje en masine learen is dat de resultearjende modellen kinne synthesisearje en induktyf "leare" fan relevante nije gegevens en perspektyf levere troch oanhâldend gebrûk fan applikaasjes. Nei praktyske technologyoerdracht, om't de modellen hjir (en te ûntwikkeljen) wurde tapast en ferrike mei mear gefallen en pertininte gegevens (ynklusyf pasjinten mei komorbiditeiten dy't kinne presintearje mei dêropfolgjende kognitive ferfal), sille foarsizzingsprestaasjes en kognitive sûnensklassifikaasje robúster wêze, resultearret yn effektiver klinyske beslút stipe nut. Dizze evolúsje sil folsleiner en praktysker wurde realisearre mei it ynbêdzjen fan MemTrax yn oanpaste (rjochte op de beskikbere mooglikheden) platfoarms dy't soarchoanbieders yn realtime yn 'e klinyk kinne brûke.
Imperatyf foar de falidaasje en brûkberens fan it MemTrax-model foar diagnostyske stipe en pasjintesoarch binne heul socht sinfolle longitudinale gegevens. Troch observearjen en opnimmen fan de byhearrende feroaringen (as ien) yn klinyske status oer in adekwaat berik fan normale oant iere stadium MCI, kinne de modellen foar passende oanhâldende beoardieling en klassifikaasje wurde oplaat en wizige as pasjinten leeftyd en wurde behannele. Dat is, werhelle nut kin helpe by longitudinaal folgjen fan mylde kognitive feroaringen, yntervinsje-effektiviteit, en behâld fan ynformeare stratifisearre soarch. Dizze oanpak slút mear oan by klinyske praktyk en pasjint- en saakbehear.
beheinings
Wy wurdearje de útdaging en wearde yn it sammeljen fan skjinne klinyske gegevens yn in kontroleare klinyk / sikehûs. Dochs soe it ús modellering fersterke hawwe as ús datasetten mear pasjinten mei mienskiplike funksjes omfette. Boppedat soe it, spesifyk foar ús diagnoazemodellering, winskliker en passender west hawwe om deselde klinyske beoardieling te hawwen útfierd op oerienkommende pasjinten mei normale kognitive sûnens om de learlingen te trenen. En lykas ûnderstreke troch de hegere klassifikaasjeprestaasjes mei de filtere dataset (allinich de boppeste fjouwer funksjes), mear algemien en kognitive sûnens maatregels / yndikatoaren soe wierskynlik hawwe ferbettere modellearingsprestaasjes mei in grutter oantal mienskiplike funksjes foar alle pasjinten.
Bepaalde dielnimmers kinne tagelyk oare sykten hawwe ûnderfûn dy't oergeande of chronike kognitive tekoarten koenen hawwe feroarsake. Oars as de XL-subdataset wêr't de pasjinten diagnostysk waarden klassifisearre as AD as VaD, waarden komorbiditeitsgegevens net sammele / rapportearre yn 'e YH-pasjintpool, en de oerhearskjende rapportearre komorbiditeit fierwei yn' e KM-subdataset wie diabetes. It is lykwols oan te rieden dat it opnimmen fan pasjinten yn ús modellearingsskema's mei komorbiditeiten dy't in nivo fan kognitive deficiency en in konsekwint legere MemTrax-prestaasjes kinne oanfreegje of fergrutsje kinne mear represintatyf wêze fan 'e echte wrâld rjochte pasjintenpopulaasje foar dizze mear generalisearre iere kognitive screening en modellewurk oanpak. Foarútgean, krekte diagnoaze fan komorbiditeiten dy't mooglik kognitive prestaasjes beynfloedzje, is breed foardielich foar it optimalisearjen fan de modellen en de resultearjende applikaasjes foar pasjintensoarch.
As lêste brûkten de YH- en KM-subdatasetpasjinten in smartphone om de MemTrax-test te nimmen, wylst in beheind oantal fan 'e XL-sub-datasetpasjinten in iPad brûkten en de rest in smartphone brûkte. Dit koe in lyts apparaatrelatearre ferskil yn MemTrax-prestaasjes ynfierd hawwe foar de MoCA-klassifikaasjemodellering. Lykwols, ferskillen (as ien) yn MTx-RT, bygelyks, tusken apparaten soe wierskynlik wêze negligible, benammen mei eltse dielnimmer wurdt jûn in "oefening" test krekt foar de opnommen test prestaasje. Nettsjinsteande it nut fan dizze twa handheld-apparaten kompromittearret potensjeel direkte fergeliking mei en / of yntegraasje mei oare MemTrax-resultaten wêr't brûkers reagearren op werhellingsôfbyldings troch de romtebalke op in kompjûtertoetseboerd oan te raken.
Wichtige punten op MemTrax foarsizzend modellewurk utility
- • Us topprestearjende foarsizzende modellen dy't selekteare MemTrax-prestaasjesmetriken omfetsje kinne kognitive sûnensstatus (normale kognitive sûnens as MCI) betrouber klassifisearje, lykas oanjûn troch de wiid erkende MoCA-test.
- • Dizze resultaten stypje yntegraasje fan selektearre MemTrax prestaasje metriken yn in klassifikaasje foarsizzend model screening applikaasje foar iere stadium kognitive beheining.
- • Us klassifikaasjemodellering liet ek it potensjeel sjen foar it brûken fan MemTrax-prestaasjes yn applikaasjes foar it ûnderskieden fan hurdens fan diagnoaze fan demintens.
Dizze nije befiningen fêstigje definityf bewiis foar it stypjen fan it nut fan masine-learen by it bouwen fan ferbettere robúste MemTrax-basearre klassifikaasjemodellen foar diagnostyske stipe yn effektyf klinysk saakbehear en pasjintesoarch foar yndividuen dy't kognitive beheinings ûnderfine.
ACKNOWLEDGMENTS
Wy erkenne it wurk fan J. Wesson Ashford, Curtis B. Ashford, en kollega's foar it ûntwikkeljen en falidearjen fan de online trochgeande erkenningstaak en -ark (MemTrax) dy't hjir brûkt wurde en wy binne tankber foar de tal fan pasjinten mei demintens dy't bydroegen oan it krityske fûnemintele ûndersyk . Wy tankje ek Xianbo Zhou en syn kollega's by SJN Biomed LTD, syn kollega's en kollaborateurs op 'e sikehûzen / kliniken, benammen Dr. M. Luo en M. Zhong, dy't holpen mei it wervingen fan dielnimmers, it plannen fan tests, en it sammeljen, opnimmen en front-end behear fan de gegevens, en de frijwillige dielnimmers dy't har weardefolle tiid skonken en de tasizzing makken om de tests te nimmen en te leverjen de wurdearre gegevens foar ús om te evaluearjen yn dizze stúdzje. Dizze stúdzje waard foar in part stipe troch de MD Scientific Research Programma fan Kunming Medical University (Grant no. 2017BS028 to XL) en it Undersyk Program fan Yunnan Science and Technology Department (Grant no. 2019FE001 (-222) to XL).
J. Wesson Ashford hat in oktroaioanfraach yntsjinne foar it brûken fan it spesifike paradigma foar trochgeande erkenning beskreaun yn dit papier foar algemien testen fan ûnthâld.
MemTrax, LLC is in bedriuw eigendom fan Curtis Ashford, en dit bedriuw beheart de ûnthâld testen systeem beskreaun yn dit papier.
Disclosures fan auteurs online beskikber (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
REFERINSJES
| [1] Alzheimer's Association (2016) 2016 Alzheimer's sykte feiten en sifers. Alzheimers Dement 12, 459-509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Effect of early-stage sykte fan Alzheimer op húshâldens finansjele útkomsten. 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) neurology: Mild kognitive beheining kwaliteit mjitting set. Neurology 93, 705-713. |
| [4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) Kosteneffektiviteit fan gebrûk kognitive screeningtests foar it opspoaren fan demintens en mild kognitive beheining yn primêr soarch. Int J Geriatr Psychiatry 32, 1392-1400. | |
| [5] Ashford JW, Gere E, Bayley PJ (2011) Measuring ûnthâld yn grutte groep ynstellings mei help fan in trochgeande erkenning test. J Alzheimers Dis 27, 885-895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019). J Alzheimers Dis 69, 385-399. |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019). J Alzheimers Dis 70, 277–286. |
| [8] van der Hoek MD, Nieuwenhuizen A, Keijer J, Ashford JW (2019) MemTrax test fergelike mei de montreal kognitive beoardieling skatting fan mild kognitive beheining. J Alzheimers Dis 67, 1045-1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013). Yn 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, Vancouver, BC, s. 7577-7581. |
| [10] | Dabek F, Caban JJ (2015). Procedia Comput Sci 53, 265-273. |
| [11] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018). Front Pharmacol 9, 1232. |
| [12] | Nasreddine ZS, Phillips NA, Bedirian V, Charbonneau S, Whitehead V, Collin I, Cummings JL, Chertkow H (2005). J Am Geriatr Soc 53, 695-699. |
| [13] | Yu J, Li J, Huang X (2012) De Peking-ferzje fan 'e montreal kognitive beoardieling as in koarte screening-ark foar mild kognitive beheining: in mienskip basearre stúdzje. 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). J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N, Leach L, Murphy KJ (2018) In opnij ûndersyk fan Montreal Cognitive Assessment (MoCA) cutoff scores. Int J Geriatr Psychiatry 33, 379-388. |
| [16] | American Psychiatric Association (2013) Task Force Diagnostysk en statistysk hantlieding fan mentale steuringen: DSM-5 ™, American Psychiatric Publishing, Inc., Washington, DC. |
| [17] | Python. Python Software Foundation, http://www.python.org, Tagong op 15 novimber 2019. |
| [18] | R Core Group, R: In taal en omjouwing foar statistyske berekkenjen R Foundation for Statistical Computing, Wenen, Eastenryk. https://www.R-project.org/, 2018, Tagong op 15 novimber 2019. |
| [19] | Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Tiid foar in feroaring: In tutorial foar it fergelykjen fan meardere klassifikaasjes fia Bayesian analyze. J Mach Learn Res 18, 1–36. |
| [20] | Frank E, Hall MA, Witten IH (2016) The WEKA Workbench. Yn Data Mining: praktyske ark en techniken foar masinelearenFrank E, Hall MA, Witten IH, Pal CJ, eds. Morgan Kaufmann https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf |
| [21] | Bergeron MF, Landset S, Maugans TA, Williams VB, Collins CL, Wasserman EB, Khoshgoftaar TM (2019). Med Sci Sports Exerc 51, 1362-1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007). Yn Proceedings fan 'e 24ste Ynternasjonale Konferinsje oer Machine Learning, Corvalis, Oregon, Feriene Steaten, pp. 935-942. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989). J Gerontol 44, 139-146. |
| [24] Ashford JW, Jarvik L (1985) Sykte fan Alzheimer: Is neuronplastykens predisponearje foar axonale neurofibrillêre degeneraasje? N Engl J Med 313, 388-389. | |
| [25] Jack CR Jr, Therneau TM, Weigand SD, Wiste HJ, Knopman DS, Vemuri P, Lowe VJ, Mielke MM, Roberts RO, Machulda MM, Graff-Radford J, Jones DT, Schwarz CG, Gunter JL. , Rocca WA, Petersen RC (2019) Prevalens fan biologysk vs klinysk definieare Alzheimer-spektrum-entiteiten mei it Nasjonaal Ynstitút foar Aging-Alzheimer Feriening Undersyk kader. JAMA Neurol 76, 1174-1183. | |
| [26] Zhou X, Ashford JW (2019) Advances yn screeningynstruminten foar sykte fan Alzheimer. Aging Med 2, 88-93. | |
| [27] Weiner MW, Nosheny R, Camacho M, Truran-Sacrey D, Mackin RS, Flenniken D, Ulbricht A, Insel P, Finley S, Fockler J, Veitch D (2018) Brain Health Registry: In ynternet-basearre platfoarm foar werving, beoardieling en longitudinale tafersjoch fan dielnimmers foar neurosciencestúdzjes. Alzheimers Dement 14, 1063-1076. | |
| [28] Ashford JW, Schmitt FA (2001) Modeling the time-course of Alzheimer demintens. 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): Protokol foar in Sineeske longitudinale observaasjeûndersyk om risikofoarsizzingsmodellen te ûntwikkeljen fan konversaasje nei mylde kognitive beheining yn yndividuen mei subjektive kognitive. ôfnimme. BMJ Iepen 9, e028188. |
| [30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015). Demintia fan 'e sykte fan Alzheimer foarsizzing: Kin in komplekse ynstrumintale aktiviteiten fan it deistich libben marker ynfolje de gatten? Alzheimers Dement (Amst) 1, 521–532. | |
| [31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) Previnsje en behanneling fan sykte fan Alzheimer: Biologyske meganismen fan oefening. J Alzheimers Dis 69, 311–338. | |
| [32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) Therapies foar previnsje en behanneling fan de sykte fan Alzheimer. 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) Ferienings tusken vaskulêre risiko oer folwoeksenens en harsenspatology yn it lette libben: bewiis fan in Britske bertekohort. JAMA Neurol 77, 175-183. |
| [34] | Seshadri S (2020) Previnsje fan dementia-tinken bûten de leeftyd en amyloïde doazen. 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). -seksje stúdzje. Lancet Neurol 11, 1039-1047. |
| Fink HA, Linskens EJ, Silverman PC, McCarten JR, Hemmy LS, Ouellette JM, Greer NL, Wilt TJ, Butler M (36) Accuracy of biomarker testing for neuropathologically Alzheimer sykte yn âldere folwoeksenen mei demintia. Ann Intern Med 172, 669–677. |
Affiliations: [a] SIVOTEC Analytics, Boca Raton, FL, Feriene Steaten | [b] Department of Computer and Electrical Engineering and Computer Science, Florida Atlantic University, Boca Raton, FL, Feriene Steaten | [c] SJN Biomed LTD, Kunming, Yunnan, Sina | [d] Sintrum foar Alzheimer's Undersyk, Washington Institute of Clinical Research, Washington, DC, Feriene Steaten | [e] Department of Rehabilitation Medicine, The First Affiliated Hospital of Kunming Medical University, Kunming, Yunnan, China | [f] Department of Neurology, Dehong People's Hospital, Dehong, Yunnan, Sina | [g] Department of Neurology, it earste oansletten sikehûs fan Kunming Medical University, Wuhua District, Kunming, Yunnan Province, Sina | [h] War-Related Illness and Injury Study Center, VA Palo Alto Sûnenssoarch System, Palo Alto, CA, Feriene Steaten | [i] Department of Psychiatry & Behavioral Sciences, Stanford University School of Medicine, Palo Alto, CA, USA
Korrespondinsje: [*] Korrespondinsje mei: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, Feriene Steaten. E-post: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Department of Neurology, First Affiliated Hospital of Kunming Medical University, 295 Xichang Road, Wuhua District, Kunming, Yunnan Province 650032, China. E-post: ring@vip.163.com.
Trefwurden: Aging, sykte fan Alzheimer, demintens, massa screening