હળવી જ્ઞાનાત્મક ક્ષતિના વર્ગીકરણમાં મેમટ્રેક્સ અને મશીન લર્નિંગ મોડેલિંગની ઉપયોગિતા
સંશોધન લેખ
લેખકો: બર્ગેરોન, માઈકલ એફ. | લેન્ડસેટ, સારા | ઝોઉ, ઝિયાનબો | ડીંગ, તાઓ | ખોશગોફ્તાર, તાગી એમ. | ઝાઓ, ફેંગ | ડુ, બો | ચેન, ઝિંજી | વાંગ, ઝુઆન | Zhong, Lianmei | લિયુ, ઝિયાઓલી| એશફોર્ડ, જે. વેસન
DOI: 10.3233/JAD-191340
જર્નલ: જર્નલ ઓફ અલ્ઝાઇમર રોગ, વોલ્યુમ 77, નં. 4, પીપી. 1545-1558, 2020
અમૂર્ત
પૃષ્ઠભૂમિ:
ની વ્યાપક ઘટના અને વ્યાપ અલ્ઝાઇમર રોગ અને હળવી જ્ઞાનાત્મક ક્ષતિ (MCI) એ પ્રારંભિક શોધ જ્ઞાનાત્મક સ્ક્રિનિંગ અને મૂલ્યાંકનને માન્ય કરવા માટે સંશોધન માટે તાત્કાલિક કૉલને પ્રોત્સાહિત કર્યો છે.
ઉદ્દેશ:
અમારા પ્રાથમિક સંશોધનનો હેતુ એ નક્કી કરવાનો હતો કે શું પસંદ કરેલ મેમટ્રેક્સ પર્ફોર્મન્સ મેટ્રિક્સ અને સંબંધિત ડેમોગ્રાફિક્સ અને હેલ્થ પ્રોફાઈલ લાક્ષણિકતાઓનો અસરકારક રીતે ઉપયોગ કરી શકાય છે કે કેમ તે જ્ઞાનાત્મક સ્વાસ્થ્ય (સામાન્ય વિરુદ્ધ MCI)ને વર્ગીકૃત કરવા માટે મશીન લર્નિંગ સાથે વિકસિત અનુમાનિત મોડલ્સમાં ઉપયોગ કરી શકાય છે. મોન્ટ્રીયલ જ્ઞાનાત્મક મૂલ્યાંકન (MoCA).
પદ્ધતિઓ:
અમે બેમાંથી ભરતી કરાયેલા 259 ન્યુરોલોજી, મેમરી ક્લિનિક અને આંતરિક દવા પુખ્ત દર્દીઓ પર ક્રોસ-વિભાગીય અભ્યાસ હાથ ધર્યો. ચીનમાં હોસ્પિટલો. દરેક દર્દીને ચાઈનીઝ ભાષાનું એમઓસીએ આપવામાં આવ્યું હતું અને મેમટ્રેક્સ ઓનલાઈન એપિસોડિક સતત માન્યતા સ્વ-સંચાલિત કરવામાં આવી હતી. મેમરી ટેસ્ટ ઓનલાઇન તે જ દિવસે. અનુમાનિત વર્ગીકરણ મોડલ 10-ગણા ક્રોસ વેલિડેશન સાથે મશીન લર્નિંગનો ઉપયોગ કરીને બનાવવામાં આવ્યા હતા, અને રીસીવર ઓપરેટિંગ કેરેક્ટરિસ્ટિક કર્વ (AUC) હેઠળના ક્ષેત્રનો ઉપયોગ કરીને મોડેલની કામગીરી માપવામાં આવી હતી. મોડલ આઠ સામાન્ય વસ્તી વિષયક અને વ્યક્તિગત ઇતિહાસ સુવિધાઓ સાથે બે MemTrax પ્રદર્શન મેટ્રિક્સ (ટકા યોગ્ય, પ્રતિભાવ સમય) નો ઉપયોગ કરીને બનાવવામાં આવ્યા હતા.
પરિણામો:
MoCA સ્કોર્સ અને થ્રેશોલ્ડના પસંદ કરેલા સંયોજનોમાં શીખનારાઓની સરખામણી કરતા, નેવ બેયસ સામાન્ય રીતે 0.9093 ના એકંદર વર્ગીકરણ પ્રદર્શન સાથે ટોચનું પ્રદર્શન કરનાર શીખનાર હતો. વધુમાં, ટોચના ત્રણ શીખનારાઓમાં, તમામ 0.9119 સામાન્ય સુવિધાઓ (10) નો ઉપયોગ કરતાં માત્ર ટોચના ક્રમાંકિત ચાર લક્ષણો (0.8999) નો ઉપયોગ કરીને MemTrax-આધારિત વર્ગીકરણ પ્રદર્શન એકંદરે શ્રેષ્ઠ હતું.
તારણ:
MemTrax પ્રદર્શનનો અસરકારક રીતે મશીન લર્નિંગ વર્ગીકરણ અનુમાનિત મોડેલમાં ઉપયોગ કરી શકાય છે પ્રારંભિક તબક્કામાં જ્ઞાનાત્મક ક્ષતિ શોધવા માટે સ્ક્રીનીંગ એપ્લિકેશન.
પરિચય
માન્યતાપ્રાપ્ત (ઓછી નિદાન છતાં) વ્યાપક વ્યાપ અને વ્યાપ અને સમાંતર વધતી તબીબી, સામાજિક અને જાહેર આરોગ્ય અલ્ઝાઈમર રોગ (AD) અને હળવી જ્ઞાનાત્મક ક્ષતિ (MCI) ના ખર્ચ અને બોજ તમામ હિસ્સેદારો માટે વધુને વધુ તાણ પેદા કરી રહ્યા છે [1, 2]. આ દુ:ખદાયી અને બુર્જનિંગ દૃશ્યને માન્યતા આપવા માટે સંશોધન માટે તાત્કાલિક કૉલને પ્રોત્સાહિત કર્યો છે વહેલી તપાસ વિવિધ પ્રદેશો અને વસ્તી [3] માં વૃદ્ધ દર્દીઓ માટે વ્યક્તિગત અને ક્લિનિકલ સેટિંગ્સમાં નિયમિત વ્યવહારિક ઉપયોગિતા માટે જ્ઞાનાત્મક સ્ક્રીનીંગ અને મૂલ્યાંકન સાધનો. આ સાધનોએ ઇલેક્ટ્રોનિક હેલ્થ રેકોર્ડ્સમાં માહિતીપ્રદ પરિણામોના સીમલેસ અનુવાદ માટે પણ પ્રદાન કરવું આવશ્યક છે. દર્દીઓને જાણ કરીને અને ચિકિત્સકોને અગાઉના નોંધપાત્ર ફેરફારોને ઓળખવામાં મદદ કરીને લાભો પ્રાપ્ત થશે અને આ રીતે વધુ ઝડપી અને સમયસર સ્તરીકરણ, અમલીકરણ અને યોગ્ય વ્યક્તિગત અને વધુ ખર્ચ-અસરકારક સારવાર અને દર્દીની સંભાળ જેઓ અનુભવી રહ્યા છે તેમના માટે ટ્રેકિંગને સક્ષમ કરશે. જ્ઞાનાત્મક ઘટાડો [3, 4].
કોમ્પ્યુટરાઈઝડ મેમટ્રેક્સ ટૂલ (https://memtrax.com) એ એક સરળ અને સંક્ષિપ્ત સતત ઓળખ મૂલ્યાંકન છે જે પડકારજનક સમયસર એપિસોડિક મેમરી પ્રદર્શનને માપવા માટે સ્વ-સંચાલિત ઓનલાઈન થઈ શકે છે જ્યાં વપરાશકર્તા પુનરાવર્તિત છબીઓને પ્રતિસાદ આપે છે અને પ્રારંભિક પ્રસ્તુતિને નહીં [5, 6]. તાજેતરના સંશોધનો અને પરિણામી વ્યવહારુ અસરો ક્રમશઃ અને સામૂહિક રીતે મેમટ્રેક્સની ક્લિનિકલ અસરકારકતા પ્રારંભિક AD અને MCI સ્ક્રીનીંગ [5-7] માં દર્શાવવા લાગ્યા છે. જો કે, હાલની સાથે ક્લિનિકલ યુટિલિટીની સીધી સરખામણી જ્ઞાનાત્મક આરોગ્ય મૂલ્યાંકન અને પરંપરાગત ધોરણો વ્યાવસાયિક પરિપ્રેક્ષ્યને જાણ કરવા અને પ્રારંભિક શોધ અને નિદાન સહાયમાં MemTrax ઉપયોગિતાને સમર્થન આપવા માટે જરૂરી છે. વેન ડેર હોક એટ અલ. [8] મોન્ટ્રીયલ દ્વારા નિર્ધારિત જ્ઞાનાત્મક સ્થિતિ સાથે પસંદ કરેલ મેમટ્રેક્સ પ્રદર્શન મેટ્રિક્સ (પ્રતિક્રિયા ગતિ અને ટકા યોગ્ય) ની સરખામણી જ્ઞાનાત્મક આકારણી (MoCA). જો કે, આ અભ્યાસ આ પર્ફોર્મન્સ મેટ્રિક્સને જ્ઞાનાત્મક સ્થિતિ (એમઓસીએ દ્વારા નિર્ધારિત) અને સંબંધિત શ્રેણીઓ અને કટઓફ મૂલ્યોને વ્યાખ્યાયિત કરવા સાથે સાંકળવા સુધી મર્યાદિત હતો. તદનુસાર, આ તપાસને વિસ્તૃત કરવા અને વર્ગીકરણ કામગીરી અને અસરકારકતા સુધારવા માટે, અમારો પ્રાથમિક સંશોધન પ્રશ્ન હતો:
- શું કોઈ વ્યક્તિના પસંદ કરેલા મેમટ્રેક્સ પ્રદર્શન મેટ્રિક્સ અને સંબંધિત વસ્તી વિષયક અને આરોગ્ય પ્રોફાઇલ જ્ઞાનાત્મક સ્વાસ્થ્યને અલગ-અલગ (સામાન્ય વિરુદ્ધ એમસીઆઈ) વર્ગીકૃત કરવા માટે મશીન લર્નિંગ સાથે વિકસિત આગાહી મોડેલમાં લાક્ષણિકતાઓનો અસરકારક રીતે ઉપયોગ કરવામાં આવશે, જેમ કે કોઈના MoCA સ્કોર દ્વારા સૂચવવામાં આવશે?
આ માટે ગૌણ, અમે જાણવા માંગીએ છીએ:
- સમાન લક્ષણો સહિત, શું મેમટ્રેક્સ પર્ફોર્મન્સ-આધારિત મશીન લર્નિંગ મોડલ દર્દીને જ્ઞાનાત્મક ક્ષતિની પસંદ કરેલી શ્રેણીઓમાં ગંભીરતા (હળવા વિરુદ્ધ ગંભીર) ની આગાહી કરવા માટે અસરકારક રીતે લાગુ કરી શકાય છે જે સ્વતંત્ર ક્લિનિકલ નિદાન દ્વારા નક્કી કરવામાં આવશે?
સ્ક્રિનિંગ/શોધમાં કૃત્રિમ બુદ્ધિમત્તા અને મશીન લર્નિંગના આગમન અને વિકસતા વ્યવહારિક ઉપયોગે પહેલેથી જ વિશિષ્ટ વ્યવહારિક ફાયદાઓ દર્શાવ્યા છે, આગાહીયુક્ત મોડેલિંગ સાથે જ્ઞાનાત્મક/મગજના સ્વાસ્થ્ય અને દર્દીના સંચાલનના પડકારરૂપ મૂલ્યાંકનમાં ક્લિનિસિયનને અસરકારક રીતે માર્ગદર્શન આપે છે. અમારા અભ્યાસમાં, અમે MCI વર્ગીકરણ મોડેલિંગ અને જ્ઞાનાત્મક ક્ષતિની તીવ્રતાના ભેદભાવમાં સમાન અભિગમ પસંદ કર્યો છે જે ચીનની બે હોસ્પિટલોમાંથી પસંદ કરેલ સ્વયંસેવક ઇનપેશન્ટ્સ અને આઉટપેશન્ટ્સનું પ્રતિનિધિત્વ કરતા ત્રણ ડેટાસેટ્સમાંથી ક્લિનિકલ નિદાન દ્વારા પુષ્ટિ થયેલ છે. મશીન લર્નિંગ પ્રિડિક્ટિવ મૉડલિંગનો ઉપયોગ કરીને, અમે વિવિધ ડેટાસેટ/લર્નર સંયોજનોમાંથી શ્રેષ્ઠ પ્રદર્શન કરનારા શીખનારાઓને ઓળખ્યા અને સૌથી ક્લિનિકલી પ્રેક્ટિકલ મોડલ એપ્લિકેશનને વ્યાખ્યાયિત કરવામાં અમને માર્ગદર્શન આપવા માટે વિશેષતાઓને ક્રમાંકિત કર્યા.
અમારી પૂર્વધારણાઓ એવી હતી કે એક માન્ય મેમટ્રેક્સ-આધારિત મોડલનો ઉપયોગ જ્ઞાનાત્મક સ્વાસ્થ્યનું વર્ગીકરણ કરવા માટે કરી શકાય છે (સામાન્ય અથવા MCI) MoCA એગ્રીગેટ સ્કોર થ્રેશોલ્ડ માપદંડના આધારે, અને તે સમાન MemTrax અનુમાનિત મોડલ પસંદ કરેલ ગંભીરતાના ભેદભાવમાં અસરકારક રીતે કાર્યરત થઈ શકે છે. તબીબી નિદાન જ્ઞાનાત્મક વિકલાંગતા. અપેક્ષિત પરિણામોનું નિદર્શન જ્ઞાનાત્મક ઘટાડા અને જ્ઞાનાત્મક ક્ષતિ વર્ગીકરણ માટે પ્રારંભિક તપાસ સ્ક્રીન તરીકે MemTrax ની અસરકારકતાને સમર્થન આપવા માટે નિમિત્ત બનશે. ઉપયોગિતાની વધુ સરળતા અને ઝડપીતા દ્વારા પૂરક બનેલા ઉદ્યોગ કથિત માનક સાથે અનુકૂળ સરખામણી, પ્રારંભિક (પ્રોડ્રોમલ સહિત) તબક્કાની જ્ઞાનાત્મક ખામીઓ શોધવામાં પ્રારંભિક સ્ક્રીન તરીકે આ સરળ, વિશ્વસનીય અને સુલભ સાધનને અપનાવવામાં ક્લિનિસિયનને મદદ કરવામાં પ્રભાવશાળી હશે. આવો અભિગમ અને ઉપયોગિતા આમ વધુ સમયસર અને વધુ સારી સ્તરીકૃત દર્દીની સંભાળ અને હસ્તક્ષેપને સંકેત આપી શકે છે. આ ફોરવર્ડ-થિંકિંગ આંતરદૃષ્ટિ અને સુધારેલ મેટ્રિક્સ અને મોડલ્સ એડી અને એડી-સંબંધિત ડિમેન્શિયા (ADRD) સહિત ડિમેન્શિયાની પ્રગતિને ઘટાડવા અથવા રોકવામાં પણ મદદરૂપ થઈ શકે છે.
સામગ્રી અને પદ્ધતિઓ
અભ્યાસ વસ્તી
જાન્યુઆરી 2018 અને ઓગસ્ટ 2019 ની વચ્ચે, ચીનની બે હોસ્પિટલોમાંથી ભરતી કરાયેલા દર્દીઓ પર ક્રોસ-વિભાગીય સંશોધન પૂર્ણ કરવામાં આવ્યું હતું. 5 વર્ષ અને તેથી વધુ ઉંમરના વ્યક્તિઓ માટે મેમટ્રેક્સ [21] નું વહીવટ અને તે ડેટાના સંગ્રહ અને વિશ્લેષણની સમીક્ષા અને મંજૂર કરવામાં આવી હતી અને તેના નૈતિક ધોરણો અનુસાર સંચાલિત કરવામાં આવી હતી. માનવ સ્ટેનફોર્ડ યુનિવર્સિટીની વિષય સુરક્ષા સમિતિ. આ એકંદર અભ્યાસ માટે મેમટ્રેક્સ અને અન્ય તમામ પરીક્ષણો 1975ના હેલસિંકી ઘોષણા અનુસાર કરવામાં આવ્યા હતા અને કુનમિંગ, યુનાન, ચીનમાં કુનમિંગ મેડિકલ યુનિવર્સિટીના પ્રથમ સંલગ્ન હોસ્પિટલના સંસ્થાકીય સમીક્ષા બોર્ડ દ્વારા મંજૂર કરવામાં આવ્યા હતા. દરેક વપરાશકર્તાને પ્રદાન કરવામાં આવ્યું હતું જાણકાર સંમતિ વાંચવા/સમીક્ષા કરવા માટેનું ફોર્મ અને પછી સ્વેચ્છાએ ભાગ લેવા માટે સંમત થાઓ.
યાન્હુઆ હોસ્પિટલ (વાયએચ સબ-ડેટાસેટ) અને કુનમિંગ મેડિકલની પ્રથમ સંલગ્ન હોસ્પિટલ ખાતે મેમરી ક્લિનિક બેઇજિંગ, ચીનમાં યુનિવર્સિટી (XL સબ-ડેટાસેટ). કુનમિંગ મેડિકલ યુનિવર્સિટીની પ્રથમ સંલગ્ન હોસ્પિટલમાં ન્યુરોલોજી (XL સબ-ડેટાસેટ) અને આંતરિક દવા (KM સબ-ડેટાસેટ) દર્દીઓમાંથી પણ સહભાગીઓની ભરતી કરવામાં આવી હતી. સમાવેશના માપદંડોમાં 1) ઓછામાં ઓછી 21 વર્ષની વયના પુરૂષો અને સ્ત્રીઓ, 2) ચાઇનીઝ (મેન્ડરિન) બોલવાની ક્ષમતા અને 3) મૌખિક અને લેખિત દિશાઓને સમજવાની ક્ષમતાનો સમાવેશ થાય છે. બાકાત માપદંડ દ્રષ્ટિ અને મોટર ક્ષતિઓ હતા જે સહભાગીઓને પૂર્ણ કરતા અટકાવે છે મેમટ્રેક્સ ટેસ્ટ, તેમજ ચોક્કસ પરીક્ષણ સૂચનાઓને સમજવામાં અસમર્થતા.
મેમટ્રેક્સનું ચાઇનીઝ સંસ્કરણ
ઑનલાઇન MemTrax પરીક્ષણ પ્લેટફોર્મનું ભાષાંતર કરવામાં આવ્યું હતું ચાઇનીઝમાં (URL: https://www.memtrax.com.cn) અને વધુ સ્વ-વહીવટ માટે WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) દ્વારા ઉપયોગમાં લેવા માટે અનુકૂલિત. ડેટા ચીનમાં સ્થિત ક્લાઉડ સર્વર (અલી ક્લાઉડ) પર સંગ્રહિત કરવામાં આવ્યો હતો અને એસજેએન બાયોમેડ લિમિટેડ (કુનમિંગ, યુનાન, ચાઇના) દ્વારા અલીબાબા (અલીબાબા ટેક્નોલોજી કંપની લિ., હેંગઝોઉ, ઝેજિયાંગ, ચાઇના) પાસેથી લાઇસન્સ મેળવ્યો હતો. મેમટ્રેક્સ પરની ચોક્કસ વિગતો અને અહીં વપરાયેલ પરીક્ષણ માન્યતા માપદંડો અગાઉ વર્ણવવામાં આવ્યા છે [6]. દર્દીઓને કોઈપણ શુલ્ક વિના ટેસ્ટ આપવામાં આવતો હતો.
અભ્યાસ પ્રક્રિયાઓ
દાખલ દર્દીઓ અને બહારના દર્દીઓ માટે, વસ્તી વિષયક અને વ્યક્તિગત માહિતી જેમ કે ઉંમર, લિંગ, શિક્ષણના વર્ષો, વ્યવસાય, એકત્ર કરવા માટે સામાન્ય પેપર પ્રશ્નાવલી. એકલા રહેતા અથવા કુટુંબ સાથે, અને તબીબી ઇતિહાસ અભ્યાસ ટીમના સભ્ય દ્વારા સંચાલિત કરવામાં આવ્યો હતો. પ્રશ્નાવલી પૂર્ણ થયા બાદ, MoCA [12] અને MemTrax પરીક્ષણો સંચાલિત કરવામાં આવ્યા હતા (MoCA પ્રથમ) પરીક્ષણો વચ્ચે 20 મિનિટથી વધુ સમય ન હતો. મેમટ્રેક્સ ટકા સાચો (MTx-% C), સરેરાશ પ્રતિભાવ સમય (MTx-RT), અને પરીક્ષણની તારીખ અને સમય પરીક્ષણ કરાયેલા દરેક સહભાગી માટે અભ્યાસ ટીમના સભ્ય દ્વારા કાગળ પર રેકોર્ડ કરવામાં આવ્યા હતા. પૂર્ણ થયેલ પ્રશ્નાવલી અને MoCA ના પરિણામોને સંશોધક દ્વારા એક્સેલ સ્પ્રેડશીટમાં અપલોડ કરવામાં આવ્યા હતા જેમણે પરીક્ષણોનું સંચાલન કર્યું હતું અને એક્સેલ ફાઇલોને વિશ્લેષણ માટે સાચવવામાં આવે તે પહેલાં એક સહકર્મી દ્વારા ચકાસવામાં આવી હતી.
મેમટ્રેક્સ ટેસ્ટ
મેમટ્રેક્સ ઓનલાઈન ટેસ્ટમાં ચોક્કસ સ્યુડો-રેન્ડમ ક્રમમાં દર્શાવવામાં આવેલી 50 ઈમેજો (25 અનન્ય અને 25 રિપીટ; સામાન્ય દ્રશ્યો અથવા વસ્તુઓની 5 ઈમેજોના 5 સેટ)નો સમાવેશ થાય છે. સહભાગી (સૂચના મુજબ) પરીક્ષણ શરૂ કરવા માટે સ્ક્રીન પરના સ્ટાર્ટ બટનને ટચ કરશે અને ઇમેજ સિરીઝ જોવાનું શરૂ કરશે અને જ્યારે પણ પુનરાવર્તિત ચિત્ર દેખાય ત્યારે શક્ય તેટલી ઝડપથી સ્ક્રીન પરની ઇમેજને ફરીથી ટચ કરશે. દરેક ઇમેજ 3 સેકન્ડ માટે અથવા સ્ક્રીન પરની ઇમેજને સ્પર્શ ન થાય ત્યાં સુધી દેખાય છે, જે આગામી ચિત્રની તાત્કાલિક રજૂઆત માટે સંકેત આપે છે. સ્થાનિક ઉપકરણની આંતરિક ઘડિયાળનો ઉપયોગ કરીને, દરેક ઈમેજ માટે MTx-RT એ ઈમેજની પ્રસ્તુતિથી લઈને સ્ક્રીનને જ્યારે પહેલાથી જ બતાવવામાં આવી હોય તેવી ઈમેજની ઓળખ દર્શાવવાના પ્રતિભાવમાં સ્ક્રીનને સ્પર્શ કરવામાં આવે તે સમય દ્વારા નિર્ધારિત કરવામાં આવી હતી. પરીક્ષણ દરમિયાન. MTx-RT દરેક ઈમેજ માટે રેકોર્ડ કરવામાં આવ્યું હતું, જેમાં કોઈ પ્રતિસાદ ન હોવાનું દર્શાવતા સંપૂર્ણ 3 સે. MTx-% C ની ગણતરી પુનરાવર્તિત અને પ્રારંભિક છબીઓની ટકાવારી દર્શાવવા માટે કરવામાં આવી હતી કે જેના પર વપરાશકર્તાએ યોગ્ય રીતે પ્રતિસાદ આપ્યો (સાચું હકારાત્મક + સાચું નકારાત્મક ભાગ્યા 50). MemTrax વહીવટ અને અમલીકરણ, ડેટા ઘટાડો, અમાન્ય અથવા "કોઈ પ્રતિસાદ" ડેટા અને પ્રાથમિક ડેટા વિશ્લેષણની વધારાની વિગતો અન્યત્ર વર્ણવેલ છે [6].
મેમટ્રેક્સ પરીક્ષણને વિગતવાર સમજાવવામાં આવ્યું હતું અને હોસ્પિટલ સેટિંગમાં સહભાગીઓને પ્રેક્ટિસ ટેસ્ટ (રિકોર્ડિંગ પરિણામો માટે ટેસ્ટમાં ઉપયોગમાં લેવાતી અન્ય છબીઓ સિવાયની અનન્ય છબીઓ સાથે) પ્રદાન કરવામાં આવી હતી. YH અને KM સબ-ડેટાસેટ્સના સહભાગીઓએ સ્માર્ટફોન પર MemTrax ટેસ્ટ લીધો હતો જે WeChat પર એપ્લિકેશન સાથે લોડ કરવામાં આવ્યો હતો; જ્યારે મર્યાદિત સંખ્યામાં એક્સએલ સબ-ડેટાસેટ દર્દીઓએ આઈપેડનો ઉપયોગ કર્યો હતો અને બાકીના લોકોએ સ્માર્ટફોનનો ઉપયોગ કર્યો હતો. બધા સહભાગીઓએ મેમટ્રેક્સની કસોટી એક અભ્યાસ તપાસકર્તાની સાથે અસ્પષ્ટપણે અવલોકન કરી હતી.
મોન્ટ્રીયલ જ્ઞાનાત્મક મૂલ્યાંકન
ચાઇનીઝ MoCA (MoCA-BC) [13] નું બેઇજિંગ સંસ્કરણ પ્રશિક્ષિત સંશોધકો દ્વારા અધિકૃત પરીક્ષણ સૂચનાઓ અનુસાર સંચાલિત અને સ્કોર કરવામાં આવ્યું હતું. યોગ્ય રીતે, MoCA-BC વિશ્વસનીય હોવાનું દર્શાવવામાં આવ્યું છે જ્ઞાનાત્મક માટે પરીક્ષણ ચાઇનીઝ વૃદ્ધ વયસ્કોમાં તમામ શિક્ષણ સ્તરોની તપાસ [14]. સંબંધિત સહભાગીની જ્ઞાનાત્મક ક્ષમતાઓના આધારે દરેક પરીક્ષણને સંચાલિત કરવામાં લગભગ 10 થી 30 મિનિટનો સમય લાગ્યો.
MoCA વર્ગીકરણ મોડેલિંગ
બે MemTrax સહિત કુલ 29 ઉપયોગી સુવિધાઓ હતી પરીક્ષણ પ્રદર્શન મેટ્રિક્સ અને વસ્તી વિષયક અને આરોગ્ય સંબંધિત 27 સુવિધાઓ દરેક સહભાગી માટે માહિતી. દરેક દર્દીના MoCA એગ્રીગેટ ટેસ્ટ સ્કોરનો ઉપયોગ આ તરીકે કરવામાં આવ્યો હતો જ્ઞાનાત્મક સ્ક્રીનીંગ અમારા અનુમાનિત મોડલ્સને તાલીમ આપવા માટે "બેન્ચમાર્ક". તદનુસાર, કારણ કે MoCA નો ઉપયોગ વર્ગ લેબલ બનાવવા માટે કરવામાં આવ્યો હતો, અમે એક સ્વતંત્ર લક્ષણ તરીકે એકંદર સ્કોર (અથવા MoCA સબસેટ સ્કોર્સમાંથી કોઈપણ) નો ઉપયોગ કરી શક્યા નથી. અમે પ્રારંભિક પ્રયોગો કર્યા જેમાં અમે મૂળ ત્રણ હોસ્પિટલ/ક્લિનિક(ઓ) પેટા-ડેટાસેટ્સને વ્યક્તિગત રૂપે મોડેલ કર્યા (MoCA દ્વારા વ્યાખ્યાયિત જ્ઞાનાત્મક સ્વાસ્થ્યનું વર્ગીકરણ) અને પછી તમામ સુવિધાઓનો ઉપયોગ કરીને સંયુક્ત. જો કે, ત્રણ પેટા-ડેટાસેટ્સનું પ્રતિનિધિત્વ કરતા ચાર ક્લિનિક્સમાંના દરેકમાં તમામ સમાન ડેટા ઘટકો એકત્રિત કરવામાં આવ્યા ન હતા; આમ, સંયુક્ત ડેટાસેટમાં અમારી ઘણી સુવિધાઓ (જ્યારે તમામ સુવિધાઓનો ઉપયોગ કરતી વખતે) ગુમ થયેલ મૂલ્યોની ઊંચી ઘટનાઓ હતી. અમે પછી માત્ર સામાન્ય સુવિધાઓનો ઉપયોગ કરીને સંયુક્ત ડેટાસેટ સાથે મોડેલ્સ બનાવ્યાં જેના પરિણામે વર્ગીકરણ કામગીરીમાં સુધારો થયો. ત્રણ પેશન્ટ પેટા-ડેટાસેટ્સ અને ગુમ થયેલ મૂલ્યોના અનુચિત વ્યાપ સાથેની કોઈ વિશેષતાઓ નહીં (સંયુક્ત ડેટાસેટમાં માત્ર એક જ સુવિધા, કાર્ય પ્રકાર, કોઈપણ ખૂટતા મૂલ્યો ધરાવતાં હોય, જે અસર કરે માત્ર ત્રણ દર્દીના દાખલા), કારણ કે ત્રણેય સાઇટ્સ પર નોંધાયેલ માત્ર સામાન્ય લક્ષણોનો સમાવેશ કરવામાં આવ્યો હતો. નોંધનીય રીતે, અમારી પાસે દરેક વિશેષતા માટે ચોક્કસ અસ્વીકાર માપદંડ ન હતો જે આખરે સંયુક્ત ડેટાસેટમાં સમાવિષ્ટ ન હતો. જો કે, અમારા પ્રારંભિક સંયુક્ત ડેટાસેટ મોડેલિંગમાં, અમે પ્રથમ ત્રણ અલગ-અલગ દર્દી સબ-ડેટાસેટ્સમાંથી દરેકની તમામ સુવિધાઓનો ઉપયોગ કર્યો. આ વ્યાપકપણે મોડેલ પ્રદર્શનમાં પરિણમ્યું જે દરેક વ્યક્તિગત પેટા-ડેટાસેટ પર પ્રારંભિક પ્રારંભિક મોડેલિંગ કરતા માપદંડ નીચું હતું. તદુપરાંત, જ્યારે તમામ સુવિધાઓનો ઉપયોગ કરીને બનાવેલ મોડેલોનું વર્ગીકરણ પ્રદર્શન પ્રોત્સાહક હતું, ત્યારે તમામ શીખનારાઓ અને વર્ગીકરણ યોજનાઓમાં, માત્ર સામાન્ય સુવિધાઓનો ઉપયોગ કરતી વખતે બમણા મોડલ્સ માટે પ્રદર્શનમાં સુધારો થયો હતો. વાસ્તવમાં, અમારા ટોચના શીખનારાઓ તરીકે જે અંત આવ્યો તેમાં, એક સિવાયના તમામ મોડલ બિન-સામાન્ય સુવિધાઓને દૂર કરીને સુધાર્યા.
અંતિમ એકંદર ડેટાસેટ (YH, XL, અને KM સંયુક્ત) માં 259 દાખલાઓનો સમાવેશ થાય છે, દરેક એક અનન્ય સહભાગીનું પ્રતિનિધિત્વ કરે છે જેણે MemTrax અને MoCA બંને પરીક્ષણો લીધા હતા. ત્યાં 10 વહેંચાયેલ સ્વતંત્ર સુવિધાઓ હતી: MemTrax પ્રદર્શન મેટ્રિક્સ: MTx-% C અને સરેરાશ MTx-RT; વસ્તી વિષયક અને તબીબી ઇતિહાસની માહિતી: ઉંમર, લિંગ, શિક્ષણના વર્ષો, કામનો પ્રકાર (બ્લુ કોલર/વ્હાઈટ કોલર), સામાજિક સમર્થન (પરીક્ષા આપનાર એકલા રહે છે કે પરિવાર સાથે), અને વપરાશકર્તા પાસે હા/ના જવાબો છે કે કેમ ડાયાબિટીસ, હાયપરલિપિડેમિયા અથવા આઘાતજનક મગજની ઇજાનો ઇતિહાસ. બે વધારાના મેટ્રિક્સ, MoCA એગ્રીગેટ સ્કોર અને MoCA એગ્રીગેટ સ્કોર શિક્ષણના વર્ષો માટે એડજસ્ટ કરવામાં આવ્યા હતા [12], આશ્રિત વર્ગીકરણ લેબલ્સ વિકસાવવા માટે અલગથી ઉપયોગમાં લેવાયા હતા, આમ અમારા સંયુક્ત ડેટાસેટ પર લાગુ કરવા માટે બે અલગ-અલગ મોડેલિંગ સ્કીમ્સ બનાવવામાં આવી હતી. MoCA સ્કોરના દરેક વર્ઝન (વ્યવસ્થિત અને અવ્યવસ્થિત) માટે, બે અલગ-અલગ માપદંડ થ્રેશોલ્ડનો ઉપયોગ કરીને દ્વિસંગી વર્ગીકરણ માટે ડેટાને ફરીથી અલગથી મૉડલ કરવામાં આવ્યો હતો-પ્રારંભિક ભલામણ કરાયેલ [12] અને અન્ય લોકો દ્વારા ઉપયોગમાં લેવાતી અને પ્રમોટ કરાયેલ વૈકલ્પિક મૂલ્ય [8, 15]. વૈકલ્પિક થ્રેશોલ્ડ વર્ગીકરણ યોજનામાં, દર્દીને સામાન્ય જ્ઞાનાત્મક સ્વાસ્થ્ય માનવામાં આવતું હતું જો તેણે MoCA ટેસ્ટમાં ≥23 સ્કોર કર્યો હોય અને જો સ્કોર 22 અથવા તેનાથી ઓછો હોય તો MCI હોય; જ્યારે, પ્રારંભિક ભલામણ કરેલ વર્ગીકરણ ફોર્મેટમાં, દર્દીને સામાન્ય જ્ઞાનાત્મક સ્વાસ્થ્ય તરીકે લેબલ કરવા માટે MoCA પર 26 અથવા તેનાથી વધુ સ્કોર કરવો પડ્યો હતો.
MoCA વર્ગીકરણ મોડેલિંગ માટે ફિલ્ટર કરેલ ડેટા
અમે ચાર સામાન્ય રીતે ઉપયોગમાં લેવાતી સુવિધા રેન્કિંગ તકનીકોનો ઉપયોગ કરીને MoCA વર્ગીકરણની વધુ તપાસ કરી: ચી-સ્ક્વેર્ડ, ગેઇન રેશિયો, માહિતી ગેઇન અને સપ્રમાણ અનિશ્ચિતતા. વચગાળાના પરિપ્રેક્ષ્ય માટે, અમે અમારી દરેક ચાર મોડેલિંગ યોજનાઓનો ઉપયોગ કરીને સમગ્ર સંયુક્ત ડેટાસેટ પર રેન્કર્સ લાગુ કર્યા છે. બધા રેન્કર્સ સમાન ટોચની વિશેષતાઓ પર સંમત થયા હતા, એટલે કે, ઉંમર, શિક્ષણના વર્ષોની સંખ્યા, અને બંને MemTrax પ્રદર્શન મેટ્રિક્સ (MTx-% C, મીન MTx-RT). ત્યારપછી અમે દરેક ફીચર સિલેક્શન ટેકનિકનો ઉપયોગ કરીને મોડલ્સને માત્ર ટોચની ચાર ફીચર્સ પર તાલીમ આપવા માટે ફરીથી બનાવીએ છીએ (જુઓ લક્ષણ પસંદગી નીચે).
MoCA સ્કોર વર્ગીકરણ મોડેલિંગ યોજનાઓની પરિણામી અંતિમ આઠ વિવિધતા કોષ્ટક 1 માં રજૂ કરવામાં આવી છે.
કોષ્ટક 1
MoCA વર્ગીકરણ (સામાન્ય જ્ઞાનાત્મક આરોગ્ય MCI વિરુદ્ધ)
| મોડેલિંગ યોજના | સામાન્ય જ્ઞાનાત્મક આરોગ્ય (નકારાત્મક વર્ગ) | MCI (પોઝિટિવ ક્લાસ) |
| સમાયોજિત-23 અનફિલ્ટર/ફિલ્ટર કરેલ | 101 (39.0%) | 158 (61.0%) |
| સમાયોજિત-26 અનફિલ્ટર/ફિલ્ટર કરેલ | 49 (18.9%) | 210 (81.1%) |
| અવ્યવસ્થિત-23 અનફિલ્ટર કરેલ/ફિલ્ટર કરેલ | 92 (35.5%) | 167 (64.5%) |
| અવ્યવસ્થિત-26 અનફિલ્ટર કરેલ/ફિલ્ટર કરેલ | 42 (16.2%) | 217 (83.8%) |
દરેક વર્ગના કુલ દર્દીઓની સંબંધિત સંખ્યા અને ટકાને શિક્ષણ માટેના સ્કોરના એડજસ્ટમેન્ટ (વ્યવસ્થિત અથવા અવ્યવસ્થિત) અને વર્ગીકરણ થ્રેશોલ્ડ (23 અથવા 26) દ્વારા અલગ પાડવામાં આવે છે, જેમ કે બંને સુવિધા સમૂહો (અનફિલ્ટર કરેલ અને ફિલ્ટર કરેલ) પર લાગુ થાય છે.
મેમટ્રેક્સ-આધારિત ક્લિનિકલ મૂલ્યાંકન મોડેલિંગ
અમારા ત્રણ મૂળ પેટા-ડેટાસેટ્સ (YH, XL, KM), માત્ર XL પેટા-ડેટાસેટ દર્દીઓને જ્ઞાનાત્મક ક્ષતિ માટે સ્વતંત્ર રીતે તબીબી રીતે નિદાન કરવામાં આવ્યું હતું (એટલે કે, તેમના સંબંધિત MoCA સ્કોર્સનો ઉપયોગ સામાન્ય વિરુદ્ધ અશક્તનું વર્ગીકરણ સ્થાપિત કરવા માટે કરવામાં આવ્યો ન હતો). ખાસ કરીને, XL દર્દીઓને ક્યાં તો નિદાન થયું હતું અલ્ઝાઇમર રોગ પરીક્ષણ (AD) અથવા વેસ્ક્યુલર ડિમેન્શિયા (VaD). આ દરેક પ્રાથમિક નિદાન શ્રેણીમાં, MCI માટે વધુ હોદ્દો હતો. AD ને કારણે MCI, ઉન્માદ, વેસ્ક્યુલર ન્યુરોકોગ્નિટિવ ડિસઓર્ડર અને ન્યુરોકોગ્નિટિવ ડિસઓર્ડરનું નિદાન માનસિક વિકૃતિઓના ડાયગ્નોસ્ટિક અને સ્ટેટિસ્ટિકલ મેન્યુઅલમાં દર્શાવેલ ચોક્કસ અને વિશિષ્ટ નિદાન માપદંડો પર આધારિત હતું: DSM-5 [16]. આ શુદ્ધ નિદાનોને ધ્યાનમાં લેતા, દરેક પ્રાથમિક નિદાન કેટેગરી માટે તીવ્રતાના સ્તર (ક્ષતિની ડિગ્રી)ને અલગ પાડવા માટે XL પેટા-ડેટાસેટ પર બે વર્ગીકરણ મોડેલિંગ યોજનાઓ અલગથી લાગુ કરવામાં આવી હતી. આ દરેક ડાયગ્નોસ્ટિક મોડેલિંગ સ્કીમ્સ (AD અને VaD) માં ઉપયોગમાં લેવાતા ડેટામાં વસ્તી વિષયક અને દર્દીના ઇતિહાસની માહિતી તેમજ MemTrax પ્રદર્શન (MTx-% C, સરેરાશ MTx-RT)નો સમાવેશ થાય છે. જો એમસીઆઈ નિયુક્ત કરવામાં આવે તો દરેક નિદાનને હળવું લેબલ કરવામાં આવ્યું હતું; નહિંતર, તે ગંભીર માનવામાં આવતું હતું. અમે શરૂઆતમાં નિદાન મોડલ્સ (હળવા વિરુદ્ધ ગંભીર) માં MoCA સ્કોરનો સમાવેશ કરવાનું વિચાર્યું; પરંતુ અમે નક્કી કર્યું છે કે તે અમારી ગૌણ અનુમાનિત મોડેલિંગ યોજનાના હેતુને નિષ્ફળ કરશે. અહીં શીખનારાઓને પ્રદાતા માટે સહેલાઈથી ઉપલબ્ધ અન્ય દર્દી લાક્ષણિકતાઓનો ઉપયોગ કરીને તાલીમ આપવામાં આવશે અને સ્વતંત્ર ક્લિનિકલ નિદાનના સંદર્ભ "ગોલ્ડ સ્ટાન્ડર્ડ" વિરુદ્ધ સરળ મેમટ્રેક્સ ટેસ્ટ (MoCA ના બદલે) પરફોર્મન્સ મેટ્રિક્સ. AD નિદાન ડેટાસેટમાં 69 અને VaD (કોષ્ટક) ના 76 ઉદાહરણો હતા 2). બંને ડેટાસેટ્સમાં, 12 સ્વતંત્ર સુવિધાઓ હતી. MoCA સ્કોર વર્ગીકરણમાં સમાવિષ્ટ 10 વિશેષતાઓ ઉપરાંત, દર્દીના ઇતિહાસમાં હાયપરટેન્શન અને સ્ટ્રોકના ઇતિહાસ વિશેની માહિતી પણ સામેલ છે.
કોષ્ટક 2
નિદાન ગંભીરતા વર્ગીકરણ માટે ઉપયોગમાં લેવાતી મોડેલિંગ સ્કીમ વિવિધતાઓનો સારાંશ (હળવા વિરુદ્ધ ગંભીર)
| મોડેલિંગ યોજના | હળવો (નકારાત્મક વર્ગ) | ગંભીર (સકારાત્મક વર્ગ) |
| MCI-AD વિરુદ્ધ AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD વિરુદ્ધ VaD | 38 (50.0%) | 38 (50.0%) |
દરેક વર્ગના કુલ દર્દીઓની સંબંધિત સંખ્યા અને ટકા પ્રાથમિક નિદાન શ્રેણી (AD અથવા VaD) દ્વારા અલગ પડે છે.
આંકડા
પાયથોન પ્રોગ્રામિંગ લેંગ્વેજ (સંસ્કરણ 2.7.1) [17] નો ઉપયોગ કરીને દરેક મોડેલ વર્ગીકરણ વ્યૂહરચના (MoCA જ્ઞાનાત્મક આરોગ્ય અને નિદાનની તીવ્રતાની આગાહી કરવા) માટે પેટા-ડેટાસેટ્સ વચ્ચે સહભાગીઓની લાક્ષણિકતાઓ અને અન્ય સંખ્યાત્મક લક્ષણોની સરખામણી કરવામાં આવી હતી. મોડલ પ્રદર્શન તફાવતો શરૂઆતમાં 95% આત્મવિશ્વાસ અંતરાલ સાથે સિંગલ- અથવા બે-પરિબળ (યોગ્ય તરીકે) ANOVA નો ઉપયોગ કરીને નક્કી કરવામાં આવ્યા હતા અને પ્રદર્શન માધ્યમની તુલના કરવા માટે Tukey પ્રમાણિક નોંધપાત્ર તફાવત (HSD) પરીક્ષણ. પાયથોન અને આર (સંસ્કરણ 3.5.1) [18] ના સંયોજનનો ઉપયોગ કરીને મોડેલ પ્રદર્શન વચ્ચેના તફાવતોની આ પરીક્ષા કરવામાં આવી હતી. અમે આ (જોકે, શ્રેષ્ઠ કરતાં ઓછા હોવા છતાં) અભિગમનો ઉપયોગ માત્ર આના પર સંશોધનાત્મક સહાય તરીકે કર્યો શુરુવાત નો સમય સંભવિત ક્લિનિકલ એપ્લિકેશનની અપેક્ષામાં પ્રારંભિક મોડેલ પ્રદર્શન સરખામણીઓ માટે. અમે પછી મોડલ પ્રદર્શન તફાવતોની સંભાવના નક્કી કરવા માટે પાછળના વિતરણનો ઉપયોગ કરીને બાયસિયન હસ્તાક્ષરિત-રેન્ક ટેસ્ટનો ઉપયોગ કર્યો [19]. આ વિશ્લેષણો માટે, અમે અંતરાલ –0.01, 0.01 નો ઉપયોગ કર્યો છે, જે દર્શાવે છે કે જો બે જૂથોમાં 0.01 કરતા ઓછો પ્રભાવ તફાવત હોય, તો તેઓને સમાન ગણવામાં આવતા હતા (વ્યવહારિક સમાનતાના ક્ષેત્રમાં), અથવા અન્યથા તેઓ અલગ હતા (એક કરતાં વધુ સારી બીજી). ક્લાસિફાયર્સની બેયસિયન સરખામણી કરવા અને આ સંભાવનાઓની ગણતરી કરવા માટે, અમે પાયથોન 1.0.2 માટે બેકોમ્પ લાઇબ્રેરી (સંસ્કરણ 3.6.4) નો ઉપયોગ કર્યો.
અનુમાનિત મોડેલિંગ
અમે દરેક દર્દીના MoCA પરીક્ષણના પરિણામ અથવા ક્લિનિકલ નિદાનની ગંભીરતાની આગાહી (વર્ગીકરણ) કરવા માટે અમારી મોડેલિંગ યોજનાઓની કુલ દસ વિવિધતાઓનો ઉપયોગ કરીને અનુમાનિત મોડેલ્સ બનાવ્યાં છે. બધા શીખનારાઓને લાગુ કરવામાં આવ્યા હતા અને ઓપન સોર્સ સોફ્ટવેર પ્લેટફોર્મ વેકા [20] નો ઉપયોગ કરીને મોડેલો બનાવવામાં આવ્યા હતા. અમારા પ્રારંભિક વિશ્લેષણ માટે, અમે 10 સામાન્ય રીતે ઉપયોગમાં લેવાતા શીખવાની ગાણિતીક નિયમોનો ઉપયોગ કર્યો: 5-નજીકના પડોશીઓ, C4.5 નિર્ણય વૃક્ષના બે સંસ્કરણો, લોજિસ્ટિક રીગ્રેસન, મલ્ટિલેયર પરસેપ્ટ્રોન, નેવ બેઝ, રેન્ડમ ફોરેસ્ટના બે વર્ઝન, રેડિયલ બેસિસ ફંક્શન નેટવર્ક અને સપોર્ટ વેક્ટર. મશીન. આ અલ્ગોરિધમ્સના મુખ્ય લક્ષણો અને વિરોધાભાસ અન્યત્ર વર્ણવવામાં આવ્યા છે [21] (સંબંધિત પરિશિષ્ટ જુઓ). આ પસંદ કરવામાં આવ્યા હતા કારણ કે તેઓ વિવિધ પ્રકારના શીખનારાઓનું પ્રતિનિધિત્વ કરે છે અને કારણ કે અમે સમાન ડેટા પર અગાઉના વિશ્લેષણમાં તેનો ઉપયોગ કરીને સફળતા દર્શાવી છે. હાયપર-પેરામીટર સેટિંગ્સ અમારા અગાઉના સંશોધનમાંથી પસંદ કરવામાં આવી હતી જે દર્શાવે છે કે તે વિવિધ ડેટા [22] પર મજબૂત છે. પછીથી સંપૂર્ણ વિશ્લેષણમાં ઉપયોગમાં લેવાતા સામાન્ય લક્ષણો સાથે સમાન સંયુક્ત ડેટાસેટનો ઉપયોગ કરીને અમારા પ્રારંભિક વિશ્લેષણના પરિણામોના આધારે, અમે ત્રણ શીખનારાઓને ઓળખ્યા કે જેઓ તમામ વર્ગીકરણોમાં સતત મજબૂત પ્રદર્શન પ્રદાન કરે છે: લોજિસ્ટિક રીગ્રેસન, નેવ બેઝ અને સપોર્ટ વેક્ટર મશીન.
ક્રોસ-વેલિડેશન અને મોડેલ પ્રદર્શન મેટ્રિક
તમામ અનુમાનિત મોડેલિંગ માટે (પ્રારંભિક વિશ્લેષણો સહિત), દરેક મોડેલ 10-ગણા ક્રોસ વેલિડેશનનો ઉપયોગ કરીને બનાવવામાં આવ્યું હતું, અને રીસીવર ઓપરેટિંગ કેરેક્ટરિસ્ટિક કર્વ (AUC) હેઠળના ક્ષેત્રનો ઉપયોગ કરીને મોડેલની કામગીરી માપવામાં આવી હતી. ક્રોસ-વેલિડેશનની શરૂઆત 10 મોડેલિંગ સ્કીમ ડેટાસેટ્સમાંથી પ્રત્યેકને 10 સમાન સેગમેન્ટ્સમાં (ફોલ્ડ્સ) માં વિભાજીત કરીને, મોડેલને તાલીમ આપવા માટે અને બાકીના સેગમેન્ટનો ઉપયોગ કરીને પરીક્ષણ માટે કરવામાં આવી હતી. આ પ્રક્રિયા 10 વખત પુનરાવર્તિત કરવામાં આવી હતી, દરેક પુનરાવર્તનમાં ટેસ્ટ સેટ તરીકે અલગ સેગમેન્ટનો ઉપયોગ કરીને. પછી પરિણામોને અંતિમ મોડલના પરિણામ/પ્રદર્શનની ગણતરી કરવા માટે જોડવામાં આવ્યા હતા. દરેક શીખનાર/ડેટાસેટ સંયોજન માટે, આ સમગ્ર પ્રક્રિયાને 10 વખત પુનરાવર્તિત કરવામાં આવી હતી અને દરેક વખતે ડેટાને અલગ અલગ રીતે વિભાજિત કરવામાં આવ્યો હતો. આ છેલ્લા પગલાએ પૂર્વગ્રહ ઘટાડ્યો, પ્રતિકૃતિની ખાતરી કરી, અને એકંદર મોડલ પ્રદર્શન નક્કી કરવામાં મદદ કરી. કુલ (એમઓસીએ સ્કોર અને નિદાન ગંભીરતા વર્ગીકરણ યોજનાઓ માટે સંયુક્ત), 6,600 મોડલ બનાવવામાં આવ્યા હતા. આમાં 1,800 અનફિલ્ટર કરેલ મોડલ્સ (ડેટાસેટ પર લાગુ 6 મોડેલિંગ સ્કીમ × 3 લર્નર્સ × 10 રન × 10 ફોલ્ડ્સ = 1,800 મૉડલ) અને 4,800 ફિલ્ટર કરેલ મૉડલ (4 મૉડલિંગ સ્કીમ ડેટાસેટ પર લાગુ × 3 લર્નર્સ × 4 સુવિધા પસંદગી તકનીક × 10 રન× 10 ફોલ્ડ = 4,800 મોડલ).
લક્ષણ પસંદગી
ફિલ્ટર કરેલ મોડેલો માટે, વિશેષતાની પસંદગી (ચાર ફીચર રેન્કિંગ પદ્ધતિઓનો ઉપયોગ કરીને) ક્રોસ-વેલિડેશનની અંદર કરવામાં આવી હતી. દરેક 10 ફોલ્ડ્સ માટે, ડેટાસેટના અલગ 10% પરીક્ષણ ડેટા તરીકે, દરેક તાલીમ ડેટાસેટ માટે માત્ર ટોચની ચાર પસંદ કરેલી સુવિધાઓનો ઉપયોગ કરવામાં આવ્યો હતો (એટલે કે, અન્ય નવ ફોલ્ડ્સ અથવા સમગ્ર ડેટાસેટના બાકીના 90%) મોડેલો બનાવવા માટે. અમે દરેક મોડેલમાં કઈ ચાર સુવિધાઓનો ઉપયોગ કરવામાં આવ્યો હતો તેની પુષ્ટિ કરવામાં અસમર્થ હતા, કારણ કે તે માહિતી અમે ઉપયોગમાં લીધેલા મોડેલિંગ પ્લેટફોર્મ (વેકા)માં સંગ્રહિત અથવા ઉપલબ્ધ કરવામાં આવતી નથી. જો કે, જ્યારે સમગ્ર સંયુક્ત ડેટાસેટ પર રેન્કર્સ લાગુ કરવામાં આવ્યા હતા ત્યારે ટોચની સુવિધાઓની અમારી પ્રારંભિક પસંદગીમાં સુસંગતતાને જોતાં અને મોડેલિંગ પ્રદર્શનમાં અનુગામી સમાનતા, આ સમાન લક્ષણો (ઉંમર, શિક્ષણના વર્ષો, MTx-% C, અને સરેરાશ MTx-RT) ) સંભવતઃ ક્રોસ-વેલિડેશન પ્રક્રિયામાં સુવિધાની પસંદગી સાથે સૌથી વધુ પ્રચલિત ટોચના ચાર વપરાયેલ સહવર્તી છે.
પરિણામો
MoCA-સંકેત જ્ઞાનાત્મક સ્વાસ્થ્ય (સામાન્ય વિરુદ્ધ MCI) અને નિદાનની તીવ્રતા (હળવા વિરુદ્ધ ગંભીર) ની આગાહી કરવા માટે દરેક મોડેલ વર્ગીકરણ વ્યૂહરચના માટે સંબંધિત ડેટાસેટ્સની સહભાગી સંખ્યાત્મક લાક્ષણિકતાઓ (MoCA સ્કોર્સ અને MemTrax પ્રદર્શન મેટ્રિક્સ સહિત) કોષ્ટક 3 માં બતાવવામાં આવી છે.
કોષ્ટક 3
દરેક મોડેલ વર્ગીકરણ વ્યૂહરચના માટે સહભાગીઓની લાક્ષણિકતાઓ, MoCA સ્કોર્સ અને MemTrax પ્રદર્શન
| વર્ગીકરણ વ્યૂહરચના | ઉંમર | શિક્ષણ | MoCA સમાયોજિત | MoCA અવ્યવસ્થિત | MTx-% C | MTx-RT |
| MoCA કેટેગરી | 61.9 y (13.1) | 9.6 y (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 સેકન્ડ (0.3) |
| નિદાનની તીવ્રતા | 65.6 y (12.1) | 8.6 y (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 સેકન્ડ (0.3) |
મોડેલિંગ વર્ગીકરણ વ્યૂહરચનાઓ દ્વારા ભિન્ન દર્શાવવામાં આવેલ મૂલ્યો (સરળ, SD) એ એમઓસીએ-સંકેત જ્ઞાનાત્મક સ્વાસ્થ્ય (MCI વિરુદ્ધ સામાન્ય) અને XL પેટા-ડેટાસેટ માત્ર નિદાનની તીવ્રતા (હળવા વિરુદ્ધ ગંભીર) ની આગાહી કરવા માટે ઉપયોગમાં લેવાતા સંયુક્ત ડેટાસેટના પ્રતિનિધિ છે.
MoCA સ્કોર (વ્યવસ્થિત/અવ્યવસ્થિત) અને થ્રેશોલ્ડ (26/23) ના દરેક સંયોજન માટે, આંકડાકીય તફાવત હતો (p = 0.000) ઉંમર, શિક્ષણ અને મેમટ્રેક્સ પ્રદર્શન (MTx-% C અને MTx-RT) માટે દરેક જોડી પ્રમાણે સરખામણી (સામાન્ય જ્ઞાનાત્મક આરોગ્ય વિરુદ્ધ MCI) માં. દરેક સંયોજન માટે સંબંધિત MCI વર્ગમાં પ્રત્યેક દર્દી પેટા-ડેટાસેટ સરેરાશ 9 થી 15 વર્ષ મોટા હતા, લગભગ પાંચ ઓછા વર્ષોના શિક્ષણની જાણ કરવામાં આવી હતી અને બંને મેટ્રિક્સ માટે ઓછા અનુકૂળ MemTrax પ્રદર્શન ધરાવે છે.
ટોચના ત્રણ લર્નર્સ, લોજિસ્ટિક રીગ્રેસન, નેવ બેયસ અને સપોર્ટ વેક્ટર મશીનનો ઉપયોગ કરીને MoCA સ્કોર વર્ગીકરણ માટે અનુમાનિત મોડેલિંગ પ્રદર્શન પરિણામો, કોષ્ટક 4 માં દર્શાવવામાં આવ્યા છે. આ ત્રણેય વિવિધ મોડેલોમાં સૌથી વધુ સતત ઉચ્ચ સંપૂર્ણ શીખનાર પ્રદર્શનના આધારે પસંદ કરવામાં આવ્યા હતા. તમામ મોડેલિંગ યોજનાઓ માટે ડેટાસેટ્સ પર લાગુ. અનફિલ્ટર કરેલ ડેટાસેટ અને મોડેલિંગ માટે, કોષ્ટક 4 માં દરેક ડેટા મૂલ્યો દરેક લર્નર/મોડેલિંગ સ્કીમ સંયોજન માટે બનેલ 100 મોડલ્સ (10 રન × 10 ફોલ્ડ્સ) માંથી મેળવેલા AUC સંબંધિત સરેરાશ પર આધારિત મોડેલ પ્રદર્શન સૂચવે છે, સંબંધિત ઉચ્ચતમ સાથે. પ્રદર્શન શીખનાર બોલ્ડ માં દર્શાવેલ છે. જ્યારે ફિલ્ટર કરેલ ડેટાસેટ મોડેલિંગ માટે, કોષ્ટક 4 માં નોંધાયેલા પરિણામો દરેક ફીચર રેન્કિંગ પદ્ધતિઓ (400 ફીચર રેન્કિંગ પદ્ધતિઓ × 4 રન × 10 ફોલ્ડ્સ) નો ઉપયોગ કરીને દરેક શીખનાર માટે 10 મોડલ્સમાંથી એકંદર સરેરાશ મોડેલ પ્રદર્શનને પ્રતિબિંબિત કરે છે.
કોષ્ટક 4
ડિકોટોમસ MoCA સ્કોર વર્ગીકરણ પ્રદર્શન (AUC; 0.0–1.0) તમામ સંબંધિત મોડેલિંગ યોજનાઓ માટે ત્રણ શ્રેષ્ઠ પ્રદર્શન કરનારા શીખનારાઓમાંથી દરેક માટે પરિણામો
| ફીચર સેટ વપરાયેલ | MoCA સ્કોર | કટઓફ થ્રેશોલ્ડ | લોજિસ્ટિક રીગ્રેસન | નિષ્કપટ બેઝ | સપોર્ટ વેક્ટર મશીન |
| અનફિલ્ટર કરેલ (10 વિશેષતાઓ) | સમાયોજિત | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| અજાણ્યા | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| ફિલ્ટર કરેલ (4 વિશેષતાઓ) | સમાયોજિત | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| અજાણ્યા | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
ફીચર સેટ, MoCA સ્કોર અને MoCA સ્કોર કટઓફ થ્રેશોલ્ડની વિવિધતાનો ઉપયોગ કરીને, દરેક મોડેલિંગ સ્કીમ માટે સૌથી વધુ પ્રદર્શન આમાં દર્શાવવામાં આવ્યું છે. બોલ્ડ (આમાં ન હોય તેવા અન્ય તમામ કરતા આંકડાકીય રીતે અલગ હોય તે જરૂરી નથી બોલ્ડ સંબંધિત મોડેલ માટે).
સંયુક્ત અનફિલ્ટર કરેલ ડેટાસેટમાં (એટલે કે, 23 સામાન્ય સુવિધાઓનો ઉપયોગ કરીને) MoCA સ્કોર સંસ્કરણો અને થ્રેશોલ્ડ (અનુક્રમે સમાયોજિત/અનવ્યવસ્થિત અને 26/10) ના તમામ સંયોજનોમાં શીખનારાઓની સરખામણી કરતા, નેવ બેયસ સામાન્ય રીતે એકંદરે ટોચનું પ્રદર્શન કરનાર શીખનાર હતા. 0.9093 નું વર્ગીકરણ પ્રદર્શન. ટોચના ત્રણ શીખનારાઓને ધ્યાનમાં લેતા, બેયસિયન-સંબંધિત સહી-રેન્ક પરીક્ષણો દર્શાવે છે કે સંભાવના (Prલોજિસ્ટિક રીગ્રેશન કરતાં નેવ બેયસનું 99.9% હતું. તદુપરાંત, નેવ બેઝ અને સપોર્ટ વેક્ટર મશીન વચ્ચે, શીખનારની કામગીરીમાં પ્રાયોગિક સમકક્ષતાની 21.0% સંભાવના (આમ, નેવ બેઈસ સપોર્ટ વેક્ટર મશીનને આઉટપરફોર્મ કરવાની 79.0% સંભાવના), તેમજ સપોર્ટ વેક્ટર મશીનને વધુ સારી રીતે પ્રદર્શન કરવાની 0.0% સંભાવના સાથે જોડાયેલી છે. નેવ બેઝ માટે પ્રદર્શન લાભને વધુ મજબૂત બનાવે છે. બધા શીખનારાઓ/થ્રેશોલ્ડમાં MoCA સ્કોર વર્ઝનની વધુ સરખામણીએ અનુક્રમે એડજસ્ટેડ (0.9027 વિરુદ્ધ 0.8971, અનુક્રમે XNUMX વિરુદ્ધ અવ્યવસ્થિત MoCA સ્કોર્સ); Pr (અવ્યવસ્થિત > સમાયોજિત) = 0.988). એ જ રીતે, તમામ શીખનારાઓ અને MoCA સ્કોર વર્ઝનમાં કટઓફ થ્રેશોલ્ડની સરખામણીએ 26 (23 વિરુદ્ધ 0.9056, અનુક્રમે; Pr (26 > 23) = 0.999). છેલ્લે, માત્ર ફિલ્ટર કરેલા પરિણામો (એટલે કે માત્ર ટોચના ક્રમાંકિત ચાર લક્ષણો) નો ઉપયોગ કરતા મોડેલો માટે વર્ગીકરણ પ્રદર્શનની તપાસ કરતા, નેવ બેયસ (0.9143) સંખ્યાત્મક રીતે તમામ MoCA સ્કોર વર્ઝન/થ્રેશોલ્ડમાં ટોચનું પ્રદર્શન કરનાર શીખનાર હતા. જો કે, તમામ ફીચર રેન્કિંગ તકનીકોમાં સંયુક્ત રીતે, તમામ ટોચના પ્રદર્શન કરનારા શીખનારાઓએ સમાન રીતે પ્રદર્શન કર્યું. બેયેસિયન સાઇન-રેન્ક પરીક્ષણોએ ફિલ્ટર કરેલ શીખનારાઓની દરેક જોડી વચ્ચે વ્યવહારિક સમકક્ષતાની 100% સંભાવના દર્શાવી હતી. અનફિલ્ટર કરેલ ડેટાની જેમ (તમામ 10 સામાન્ય સુવિધાઓનો ઉપયોગ કરીને), ત્યાં ફરીથી MoCA સ્કોર (Pr (અનવ્યવસ્થિત > સમાયોજિત) = 1.000), તેમજ 26 ના વર્ગીકરણ થ્રેશોલ્ડ માટે સમાન અલગ લાભ (Pr (26 > 23) = 1.000). નોંધનીય રીતે, માત્ર ટોચના ક્રમાંકિત ચાર લક્ષણોનો ઉપયોગ કરીને તમામ MoCA સ્કોર વર્ઝન/થ્રેશોલ્ડમાં ટોચના ત્રણ શીખનારાઓમાંના દરેકનું સરેરાશ પ્રદર્શન અનફિલ્ટર કરાયેલ ડેટા પર કોઈપણ શીખનારના સરેરાશ પ્રદર્શન કરતાં વધી ગયું છે. આશ્ચર્યની વાત નથી કે, ફિલ્ટર કરેલ મોડલ્સનું વર્ગીકરણ પ્રદર્શન (ટોચના ક્રમાંકિત ચાર લક્ષણોનો ઉપયોગ કરીને) એકંદરે અનફિલ્ટર કરેલ મોડલ્સ (0.9119) કરતા શ્રેષ્ઠ (0.8999) હતું, જે તમામ 10 સામાન્યનો ઉપયોગ કરીને સંબંધિત મોડેલો સાથે સરખામણી કરવામાં આવી હતી તે ફીચર રેન્કિંગ પદ્ધતિ મોડલ્સને ધ્યાનમાં લીધા વગર. વિશેષતા. દરેક સુવિધા પસંદગી પદ્ધતિ માટે, ફિલ્ટર ન કરેલા મોડલ્સ પર પ્રદર્શન લાભની 100% સંભાવના હતી.
AD નિદાનની તીવ્રતા વર્ગીકરણ માટે ધ્યાનમાં લેવામાં આવતા દર્દીઓ સાથે, વય (MCI-AD વિરુદ્ધ AD) વચ્ચેના જૂથો (p = 0.004), શિક્ષણ (p = 0.028), MoCA સ્કોર સમાયોજિત/અનવ્યવસ્થિત (p = 0.000), અને MTx-% C (p = 0.008) આંકડાકીય રીતે નોંધપાત્ર હતા; જ્યારે MTx-RT માટે તે ન હતું (p = 0.097). જે દર્દીઓને VaD નિદાનની તીવ્રતા વર્ગીકરણ માટે ગણવામાં આવે છે, તેઓ વચ્ચેના જૂથ (MCI-VaD વિરુદ્ધ VaD) વચ્ચેના તફાવતો માટે MoCA સ્કોરને સમાયોજિત/અવ્યવસ્થિત (p = 0.007) અને MTx-% C (p = 0.026) અને MTx-RT (p = 0.001) આંકડાકીય રીતે નોંધપાત્ર હતા; જ્યારે ઉંમર માટે (p = 0.511) અને શિક્ષણ (p = 0.157) જૂથ વચ્ચે કોઈ નોંધપાત્ર તફાવત ન હતો.
ત્રણ અગાઉ પસંદ કરેલા લર્નર્સ, લોજિસ્ટિક રીગ્રેસન, નેવ બેયસ અને સપોર્ટ વેક્ટર મશીનનો ઉપયોગ કરીને નિદાનની તીવ્રતાના વર્ગીકરણ માટે અનુમાનિત મોડેલિંગ પ્રદર્શન પરિણામો કોષ્ટક 5 માં દર્શાવવામાં આવ્યા છે. જ્યારે વધારાના તપાસેલા શીખનારાઓએ બે ક્લિનિકલ નિદાન કેટેગરીમાંથી એક સાથે વ્યક્તિગત રીતે સહેજ મજબૂત પ્રદર્શન દર્શાવ્યું હતું. , અમારા અગાઉના મૉડલિંગમાં અમે જે ત્રણ શીખનારાઓને સૌથી વધુ અનુકૂળ તરીકે ઓળખ્યા હતા તેઓ બંને નવી મૉડલિંગ સ્કીમ સાથે સૌથી વધુ સુસંગત પ્રદર્શન ઑફર કરે છે. દરેક પ્રાથમિક નિદાન કેટેગરી (AD અને VaD)માં શીખનારાઓની સરખામણી કરતા, MCI-VaD અને VaD માટે શીખનારાઓ વચ્ચે સતત વર્ગીકરણ પ્રદર્શન તફાવત ન હતો, જો કે સપોર્ટ વેક્ટર મશીન સામાન્ય રીતે વધુ સ્પષ્ટ રીતે પ્રદર્શન કરે છે. એ જ રીતે, MCI-AD વિરૂદ્ધ AD વર્ગીકરણ માટે શીખનારાઓ વચ્ચે કોઈ નોંધપાત્ર તફાવત ન હતો, જોકે નેવ બેયસ (NB) ને લોજિસ્ટિક રીગ્રેસન (LR) પર નજીવો પ્રભાવ ફાયદો હતો અને સપોર્ટ વેક્ટર મશીન પર 61.4% ની સંભાવનાઓ સાથે માત્ર નજીવી બહુમતી હતી. અને અનુક્રમે 41.7%. બંને ડેટાસેટ્સમાં, સપોર્ટ વેક્ટર મશીન (SVM) માટે એકંદર પરફોર્મન્સ લાભ હતો. Pr (SVM > LR) = 0.819 અને Pr (SVM > NB) = 0.934. XL પેટા-ડેટાસેટમાં નિદાનની તીવ્રતાની આગાહી કરવા માટે તમામ શીખનારાઓ માટે અમારું એકંદર વર્ગીકરણ પ્રદર્શન AD વિરુદ્ધ VaD નિદાન શ્રેણીમાં વધુ સારું હતું (Pr (VAD > AD) = 0.998).
કોષ્ટક 5
ડિકોટોમસ ક્લિનિકલ નિદાન ગંભીરતા વર્ગીકરણ પ્રદર્શન (AUC; 0.0–1.0) બંને સંબંધિત મોડેલિંગ યોજનાઓ માટે ત્રણ શ્રેષ્ઠ પ્રદર્શન કરનારા શીખનારાઓમાંના દરેક માટે પરિણામો
| મોડેલિંગ યોજના | લોજિસ્ટિક રીગ્રેસન | નિષ્કપટ બેઝ | સપોર્ટ વેક્ટર મશીન |
| MCI-AD વિરુદ્ધ AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD વિરુદ્ધ VaD | 0.8033 | 0.8044 | 0.8338 |
દરેક મૉડલિંગ સ્કીમ માટેનું સર્વોચ્ચ પ્રદર્શન આમાં બતાવવામાં આવ્યું છે બોલ્ડ (આમાં ન હોય તેવા અન્ય લોકો કરતા આંકડાકીય રીતે અલગ હોય તે જરૂરી નથી બોલ્ડ).
ચર્ચા
જ્ઞાનાત્મક સ્વાસ્થ્યમાં થતા ફેરફારોની પ્રારંભિક તપાસ મહત્વપૂર્ણ છે વ્યક્તિગત આરોગ્ય વ્યવસ્થાપન અને જાહેર આરોગ્યમાં વ્યવહારિક ઉપયોગિતા. ખરેખર, તે વિશ્વભરના દર્દીઓ માટે ક્લિનિકલ સેટિંગ્સમાં પણ ખૂબ જ ઉચ્ચ પ્રાથમિકતા છે. વહેંચાયેલ ધ્યેય દર્દીઓ, સંભાળ રાખનારાઓ અને પ્રદાતાઓને ચેતવણી આપવાનું છે અને જેઓ જ્ઞાનાત્મક ઘટાડાનો અનુભવ કરવાનું શરૂ કરે છે તેમના માટે અગાઉની યોગ્ય અને ખર્ચ-અસરકારક સારવાર અને રેખાંશ સંભાળનો સંકેત આપે છે. અમારા ત્રણ હોસ્પિટલ/ક્લિનિક(ઓ) ડેટા સબસેટ્સને મર્જ કરીને, અમે ત્રણ વિશિષ્ટ રીતે પ્રાધાન્યક્ષમ શીખનારાઓને ઓળખ્યા (એક નોંધપાત્ર સ્ટેન્ડઆઉટ - નેવ બેઝ સાથે) ઉપયોગ કરીને અનુમાનિત મોડલ્સ બનાવવા માટે MemTrax પ્રદર્શન મેટ્રિક્સ કે જે જ્ઞાનાત્મક આરોગ્ય સ્થિતિને વિશ્વસનીય રીતે વર્ગીકૃત કરી શકે છે દ્વિભાષી રીતે (સામાન્ય જ્ઞાનાત્મક સ્વાસ્થ્ય અથવા MCI) MoCA એગ્રીગેટ સ્કોર દ્વારા સૂચવવામાં આવશે. નોંધનીય રીતે, ત્રણેય શીખનારાઓ માટે એકંદર વર્ગીકરણ પ્રદર્શનમાં સુધારો થયો જ્યારે અમારા મોડલ્સે માત્ર ટોચના ક્રમાંકિત ચાર લક્ષણોનો ઉપયોગ કર્યો જેમાં મુખ્યત્વે આ MemTrax પ્રદર્શન મેટ્રિક્સનો સમાવેશ થાય છે. તદુપરાંત, અમે ડિમેન્શિયા નિદાનની બે શ્રેણીઓની ગંભીરતાને અલગ પાડવા માટે ડાયગ્નોસ્ટિક સપોર્ટ વર્ગીકરણ મોડેલિંગ સ્કીમમાં સમાન શીખનારાઓ અને મેમટ્રેક્સ પર્ફોર્મન્સ મેટ્રિક્સનો ઉપયોગ કરવાની સાબિત સંભવિતતા જાહેર કરી છે: AD અને VaD.
મેમરી પરીક્ષણ એડી [23, 24] ની પ્રારંભિક તપાસ માટે કેન્દ્રિય છે. આમ, તે યોગ્ય છે કે MemTrax એક સ્વીકાર્ય, આકર્ષક અને અમલમાં સરળ ઓનલાઈન છે. એપિસોડિક મેમરી માટે સ્ક્રીનીંગ ટેસ્ટ સામાન્ય વસ્તીમાં [6]. આ સતત પ્રદર્શન કાર્યમાંથી ઓળખની ચોકસાઈ અને પ્રતિભાવ સમય ખાસ કરીને શીખવાની, મેમરી અને સમજશક્તિને લગતી ન્યુરોપ્લાસ્ટિક પ્રક્રિયાઓમાં પ્રારંભિક અને વિકસિત બગાડ અને પરિણામે ખામીઓને ઓળખવામાં છતી કરે છે. એટલે કે, મેમટ્રેક્સ પર્ફોર્મન્સ મેટ્રિક્સ પર મોટાભાગે આધારિત છે તે મોડેલો સંવેદનશીલ છે અને તે વધુ નોંધપાત્ર કાર્યાત્મક નુકશાન [25] પહેલા સંક્રમણાત્મક એસિમ્પટમેટિક તબક્કા દરમિયાન જૈવિક ન્યુરોપેથોલોજિક ખાધને સરળતાથી અને ન્યૂનતમ ખર્ચ સાથે જાહેર કરે છે. એશફોર્ડ એટ અલ. MemTrax [6] સાથે પોતાની રીતે ભાગ લેનારા ઓનલાઈન વપરાશકર્તાઓમાં ઓળખાણ મેમરીની ચોકસાઈ અને પ્રતિભાવ સમયની પેટર્ન અને વર્તણૂકોની નજીકથી તપાસ કરી. આ વિતરણો શ્રેષ્ઠ મોડેલિંગમાં મહત્વપૂર્ણ છે અને માન્ય અને અસરકારક દર્દી સંભાળ એપ્લિકેશનો વિકસાવવા માટે મહત્વપૂર્ણ છે, ક્લિનિકલ અને સંશોધન ઉપયોગિતા માટે મૂલ્યવાન પાયાના સંદર્ભની સ્થાપના માટે તબીબી રીતે લાગુ માન્યતા અને પ્રતિસાદ સમય પ્રોફાઇલ્સને વ્યાખ્યાયિત કરવી આવશ્યક છે. પ્રારંભિક તબક્કામાં જ્ઞાનાત્મક ક્ષતિ અને વિભેદક ડાયગ્નોસ્ટિક સપોર્ટ માટે AD સ્ક્રીનીંગમાં મેમટ્રેક્સના વ્યવહારુ મૂલ્યને પછી ક્લિનિકલ સેટિંગના સંદર્ભમાં વધુ નજીકથી તપાસવાની જરૂર છે જ્યાં પરીક્ષણ પ્રભાવને અસર કરતી કોમોર્બિડિટીઝ અને જ્ઞાનાત્મક, સંવેદનાત્મક અને મોટર ક્ષમતાઓને ધ્યાનમાં લઈ શકાય. અને વ્યાવસાયિક પરિપ્રેક્ષ્યને જાણ કરવા અને પ્રાયોગિક ક્લિનિકલ ઉપયોગિતાને પ્રોત્સાહિત કરવા માટે, સ્થાપિત જ્ઞાનાત્મક સ્વાસ્થ્ય મૂલ્યાંકન પરીક્ષણ સાથે સરખામણી દર્શાવવી સૌપ્રથમ હિતાવહ છે, ભલે બાદમાં બોજારૂપ પરીક્ષણ લોજિસ્ટિક્સ, શિક્ષણ અને ભાષાના અવરોધો અને સાંસ્કૃતિક પ્રભાવો દ્વારા ઓળખી શકાય તે રીતે અવરોધિત હોય [26] . આ સંદર્ભમાં, MoCA સાથે ક્લિનિકલ અસરકારકતામાં MemTrax ની સાનુકૂળ સરખામણી કે જે સામાન્ય રીતે ઉદ્યોગ માનક તરીકે દર્શાવવામાં આવે છે તે નોંધપાત્ર છે, ખાસ કરીને જ્યારે મેમટ્રેક્સની ઉપયોગિતાની વધુ સરળતા અને દર્દીની સ્વીકૃતિનું વજન હોય ત્યારે.
MemTrax ને MoCA સાથે સરખાવતી અગાઉની શોધખોળ અમારી મોડેલિંગ તપાસ [8] ને બાંયધરી આપતા તર્ક અને પ્રાથમિક પુરાવાઓને પ્રકાશિત કરે છે. જો કે, આ અગાઉની સરખામણી માત્ર બે કી MemTrax પર્ફોર્મન્સ મેટ્રિક્સ સાથે સંકળાયેલ છે જે અમે MoCA દ્વારા નિર્ધારિત અને સંબંધિત રેન્જ અને કટઓફ મૂલ્યોને વ્યાખ્યાયિત કર્યા મુજબ જ્ઞાનાત્મક સ્થિતિ સાથે તપાસ્યા હતા. અમે મેમટ્રેક્સના ક્લિનિકલ ઉપયોગિતા મૂલ્યાંકનને અનુમાનિત મોડેલિંગ-આધારિત અભિગમની શોધ કરીને વધુ ઊંડું બનાવ્યું છે જે અન્ય સંભવિત સંબંધિત દર્દી-વિશિષ્ટ પરિમાણોની વધુ વ્યક્તિગત વિચારણા પ્રદાન કરશે. અન્ય લોકોથી વિપરીત, અમને MoCA સ્કોરમાં શિક્ષણ સુધારણા (એડજસ્ટમેન્ટ) નો ઉપયોગ કરીને અથવા મૂળ ભલામણ કરેલ 26 થી 23 [12, 15] થી MoCA એગ્રીગેટ સ્કોર થ્રેશોલ્ડમાં ભેદભાવ કરતા જ્ઞાનાત્મક સ્વાસ્થ્યમાં ફેરફાર કરવામાં અમને કોઈ ફાયદો મળ્યો નથી. વાસ્તવમાં, અવ્યવસ્થિત MoCA સ્કોર અને ઉચ્ચ થ્રેશોલ્ડનો ઉપયોગ કરીને વર્ગીકરણ પ્રદર્શન લાભ તરફેણ કરે છે.
ક્લિનિકલ પ્રેક્ટિસમાં મુખ્ય મુદ્દાઓ
જ્યારે ડેટા વ્યાપક અને બહુ-પરિમાણીય હોય, એટલે કે જ્યારે અસંખ્ય અવલોકનો હોય અને ઉચ્ચ-મૂલ્ય (ફાળો આપતી) વિશેષતાઓની સહવર્તી વિશાળ શ્રેણી હોય ત્યારે મશીન લર્નિંગનો વારંવાર અનુમાનિત મોડેલિંગમાં શ્રેષ્ઠ ઉપયોગ થાય છે અને સૌથી વધુ અસરકારક હોય છે. તેમ છતાં, આ વર્તમાન ડેટા સાથે, માત્ર ચાર પસંદગીની વિશેષતાઓ સાથે ફિલ્ટર કરેલ મોડેલોએ તમામ 10 સામાન્ય સુવિધાઓનો ઉપયોગ કરતા કરતા વધુ સારું પ્રદર્શન કર્યું. આ સૂચવે છે કે અમારા એકંદર હોસ્પિટલ ડેટાસેટમાં આ રીતે દર્દીઓને શ્રેષ્ઠ રીતે વર્ગીકૃત કરવા માટે સૌથી વધુ તબીબી રીતે યોગ્ય (ઉચ્ચ મૂલ્ય) લક્ષણો નથી. તેમ છતાં, મુખ્ય મેમટ્રેક્સ પર્ફોર્મન્સ મેટ્રિક્સ-MTx-% C અને MTx-RT- પર ફીચર રેન્કિંગ ભાર-આ કસોટીની આસપાસ પ્રારંભિક તબક્કાના જ્ઞાનાત્મક ખોટ સ્ક્રીનીંગ મોડલ્સના નિર્માણમાં ભારપૂર્વક સમર્થન આપે છે જે સરળ, સંચાલન કરવા માટે સરળ, ઓછા ખર્ચે અને યોગ્ય રીતે જાહેર કરે છે. મેમરી પ્રદર્શન, ઓછામાં ઓછું અત્યારે જ્ઞાનાત્મક સ્વાસ્થ્ય સ્થિતિના દ્વિસંગી વર્ગીકરણ માટે પ્રારંભિક સ્ક્રીન તરીકે. પ્રદાતાઓ અને આરોગ્યસંભાળ પ્રણાલીઓ પર સતત વધી રહેલા તાણને જોતાં, દર્દીની તપાસની પ્રક્રિયાઓ અને ક્લિનિકલ એપ્લિકેશનો દર્દીની લાક્ષણિકતાઓ અને પરીક્ષણ મેટ્રિક્સને એકત્રિત કરવા, ટ્રેકિંગ કરવા અને મોડેલિંગ કરવા પર ભાર મૂકવા સાથે યોગ્ય રીતે વિકસિત થવી જોઈએ જે નિદાનમાં સૌથી વધુ ઉપયોગી, ફાયદાકારક અને અસરકારક સાબિત થાય છે. અને પેશન્ટ મેનેજમેન્ટ સપોર્ટ.
બે મુખ્ય મેમટ્રેક્સ મેટ્રિક્સ MCI વર્ગીકરણમાં કેન્દ્રિય હોવા સાથે, અમારા ટોચના-પર્ફોર્મિંગ શીખનાર (Naïve Bayes) એ મોટા ભાગના મોડલ્સ (0.90 થી વધુ AUC) માં સાચા-પોઝિટિવથી ખોટા-પોઝિટિવ રેશિયો સાથે ખૂબ જ ઊંચું અનુમાનિત પ્રદર્શન કર્યું હતું કે જે 4 ની નજીક છે. : 1. આ શીખનારનો ઉપયોગ કરતી અનુવાદાત્મક ક્લિનિકલ એપ્લિકેશન આમ જ્ઞાનાત્મક ખોટ ધરાવતા મોટાભાગના લોકોને કેપ્ચર કરશે (યોગ્ય રીતે વર્ગીકૃત કરશે), જ્યારે સામાન્ય જ્ઞાનાત્મક સ્વાસ્થ્ય ધરાવતી વ્યક્તિને જ્ઞાનાત્મક ખામી (ખોટી હકારાત્મક) અથવા ખોટી રીતે વર્ગીકૃત કરવા સાથે સંકળાયેલ ખર્ચને ઘટાડે છે. જેઓ પાસે જ્ઞાનાત્મક ખોટ (ખોટી નકારાત્મક) છે તેમાં તે વર્ગીકરણ ખૂટે છે. ખોટા વર્ગીકરણના આ દૃશ્યોમાંથી કોઈ એક દર્દી અને સંભાળ રાખનારાઓ પર અયોગ્ય માનસિક-સામાજિક બોજ લાદી શકે છે.
જ્યારે પ્રારંભિક અને સંપૂર્ણ વિશ્લેષણમાં અમે દરેક મોડેલિંગ સ્કીમમાં તમામ દસ શીખનારાઓનો ઉપયોગ કર્યો હતો, અમે અમારા પરિણામોને સૌથી વધુ સુસંગત મજબૂત પ્રદર્શન દર્શાવતા ત્રણ વર્ગીકરણ પર કેન્દ્રિત કર્યું. આ માહિતીના આધારે, જ્ઞાનાત્મક સ્થિતિનું વર્ગીકરણ નક્કી કરવા માટે પ્રાયોગિક ક્લિનિકલ એપ્લિકેશનમાં ઉચ્ચ સ્તરે અપેક્ષિતપણે ભરોસાપાત્ર પ્રદર્શન કરશે તેવા શીખનારાઓને પ્રકાશિત કરવા માટે પણ આ હતું. વધુમાં, કારણ કે આ અભ્યાસ જ્ઞાનાત્મક સ્ક્રિનિંગ પર મશીન લર્નિંગની ઉપયોગિતા અને આ સમયસર ક્લિનિકલ પડકારોની પ્રારંભિક તપાસ તરીકેનો હેતુ હતો, અમે ન્યૂનતમ પરિમાણ ટ્યુનિંગ સાથે, શીખવાની તકનીકોને સરળ અને સામાન્ય બનાવવાનો નિર્ણય લીધો. અમે પ્રશંસા કરીએ છીએ કે આ અભિગમથી વધુ સંકુચિત રીતે વ્યાખ્યાયિત દર્દી-વિશિષ્ટ આગાહી ક્ષમતાઓ માટે સંભવિત મર્યાદિત હોઈ શકે છે. તેવી જ રીતે, જ્યારે માત્ર ટોચની સુવિધાઓ (ફિલ્ટર કરેલ અભિગમ) નો ઉપયોગ કરીને મોડેલોને તાલીમ આપવી એ અમને આ ડેટા વિશે વધુ માહિતી આપે છે (સંગ્રહિત ડેટામાં ખામીઓ અને કિંમતી ક્લિનિકલ સમય અને સંસાધનોને ઑપ્ટિમાઇઝ કરવામાં મૂલ્યને હાઇલાઇટ કરવા માટે વિશિષ્ટ), અમે ઓળખીએ છીએ કે તે સંકુચિત થવું અકાળ છે. મોડલ્સનો અવકાશ અને તેથી, તમામ (અને અન્ય સુવિધાઓ)ને ભાવિ સંશોધન સાથે ધ્યાનમાં લેવાવી જોઈએ જ્યાં સુધી અમારી પાસે અગ્રતા વિશેષતાઓની વધુ નિશ્ચિત પ્રોફાઇલ ન હોય જે વ્યાપક વસ્તીને લાગુ પડશે. આમ, અમે એ પણ સંપૂર્ણ રીતે ઓળખીએ છીએ કે અસરકારક ક્લિનિકલ એપ્લિકેશનમાં એકીકૃત કરતાં પહેલાં આ અને અન્ય મોડલ્સનો વધુ સમાવેશી અને વ્યાપક રીતે પ્રતિનિધિ ડેટા અને ઑપ્ટિમાઇઝેશન જરૂરી છે, ખાસ કરીને જ્ઞાનાત્મક પ્રભાવને અસર કરતી કોમોર્બિડિટીઝને સમાવવા માટે કે જેને આગળ ક્લિનિકલ મૂલ્યાંકનમાં ધ્યાનમાં લેવાની જરૂર છે.
મેમટ્રેક્સની ઉપયોગિતાને અલગ ક્લિનિકલ નિદાનના આધારે રોગની તીવ્રતાના મોડેલિંગ દ્વારા વધુ સંપાદિત કરવામાં આવી હતી. VaD (AD ની તુલનામાં) ની તીવ્રતાની આગાહી કરવામાં વધુ સારી એકંદર વર્ગીકરણ કામગીરી ન હતી વેસ્ક્યુલર હેલ્થ માટે વિશિષ્ટ મોડેલોમાં દર્દીની પ્રોફાઇલની વિશેષતાઓને જોતાં આશ્ચર્યજનક અને સ્ટ્રોકનું જોખમ, એટલે કે, હાયપરટેન્શન, હાયપરલિપિડેમિયા, ડાયાબિટીસ અને (અલબત્ત) સ્ટ્રોકનો ઇતિહાસ. જો કે આ વધુ સમાવિષ્ટ ડેટા સાથે શીખનારાઓને તાલીમ આપવા માટે સામાન્ય જ્ઞાનાત્મક સ્વાસ્થ્ય સાથે મેળ ખાતા દર્દીઓ પર સમાન ક્લિનિકલ મૂલ્યાંકન કરવામાં આવે તે વધુ ઇચ્છનીય અને યોગ્ય હતું. આ ખાસ કરીને બાંયધરી આપવામાં આવે છે, કારણ કે મેમટ્રેક્સનો ઉપયોગ પ્રાથમિક રૂપે જ્ઞાનાત્મક ખોટના પ્રારંભિક તબક્કાની તપાસ અને વ્યક્તિગત પરિવર્તનના અનુગામી ટ્રેકિંગ માટે કરવાનો છે. તે પણ બુદ્ધિગમ્ય છે કે VaD ડેટાસેટમાં ડેટાના વધુ ઇચ્છનીય વિતરણે તુલનાત્મક રીતે વધુ સારા મોડેલિંગ પ્રદર્શનમાં ફાળો આપ્યો છે. VaD ડેટાસેટ બે વર્ગો વચ્ચે સારી રીતે સંતુલિત હતો, જ્યારે ઘણા ઓછા MCI દર્દીઓ સાથેનો AD ડેટાસેટ ન હતો. ખાસ કરીને નાના ડેટાસેટ્સમાં, થોડા વધારાના દાખલાઓ પણ માપી શકાય તેવો તફાવત લાવી શકે છે. બંને પરિપ્રેક્ષ્યો એ વાજબી દલીલો છે જે રોગની તીવ્રતાના મોડેલિંગ પ્રદર્શનમાં તફાવતને અંતર્ગત છે. જો કે, ડેટાસેટની સંખ્યાત્મક લાક્ષણિકતાઓ અથવા ક્લિનિકલ પ્રસ્તુતિ માટે વિચારણા હેઠળની વિશિષ્ટ સહજ વિશેષતાઓને પ્રમાણસર સુધારેલ કામગીરીને આભારી છે તે અકાળ છે. તેમ છતાં, આ નવલકથા ક્લિનિકલ ડાયગ્નોસ્ટિક સપોર્ટની ભૂમિકામાં MemTrax અનુમાનિત વર્ગીકરણ મોડલની ઉપયોગિતા દર્શાવે છે, જે મૂલ્યવાન પરિપ્રેક્ષ્ય પ્રદાન કરે છે અને MCI ના સાતત્યમાં દર્દીઓ સાથે વધારાની તપાસ માટે અનુસરણની પુષ્ટિ કરે છે.
મેમટ્રેક્સ અને ચીનમાં આ મોડલ્સનું અમલીકરણ અને પ્રદર્શિત ઉપયોગિતા, જ્યાં ભાષા અને સંસ્કૃતિ સ્થાપિત ઉપયોગિતાના અન્ય પ્રદેશો (દા.ત., ફ્રાન્સ, નેધરલેન્ડ અને યુનાઇટેડ સ્ટેટ્સ) [7, 8, 27] કરતાં તદ્દન અલગ છે, તે સંભવિતતાને વધુ રેખાંકિત કરે છે. મેમટ્રેક્સ-આધારિત પ્લેટફોર્મના વ્યાપક વૈશ્વિક સ્વીકૃતિ અને ક્લિનિકલ મૂલ્ય માટે. આ ડેટા સુમેળ તરફ પ્રયત્ન કરવા અને જ્ઞાનાત્મક સ્ક્રીનીંગ માટે પ્રાયોગિક આંતરરાષ્ટ્રીય ધોરણો અને મોડેલિંગ સંસાધનો વિકસાવવા માટેનું એક પ્રદર્શિત ઉદાહરણ છે જે વિશ્વભરમાં ઉપયોગ માટે પ્રમાણિત અને સરળતાથી સ્વીકારવામાં આવે છે.
જ્ઞાનાત્મક ઘટાડો મોડેલિંગ અને એપ્લિકેશનમાં આગળનાં પગલાં
AD માં જ્ઞાનાત્મક નિષ્ક્રિયતા ખરેખર એક સાતત્ય પર થાય છે, અલગ તબક્કાઓ અથવા પગલાંઓમાં નહીં [28, 29]. જો કે, આ પ્રારંભિક તબક્કામાં, અમારું ધ્યેય સૌપ્રથમ મેમટ્રેક્સને સમાવિષ્ટ મોડેલ બનાવવાની અમારી ક્ષમતા સ્થાપિત કરવાનો હતો જે મૂળભૂત રીતે "સામાન્ય" ને "સામાન્ય નથી" થી અલગ કરી શકે. વધુ સમાવિષ્ટ પ્રયોગમૂલક ડેટા (દા.ત., મગજ ઇમેજિંગ, આનુવંશિક લક્ષણો, બાયોમાર્કર્સ, કોમોર્બિડિટીઝ, અને જટિલના કાર્યાત્મક માર્કર જ્ઞાનાત્મક જરૂરી પ્રવૃત્તિઓ નિયંત્રણ) [૩૦] વૈવિધ્યસભર વૈશ્વિક પ્રદેશો, વસ્તી અને વય જૂથોમાં તાલીમ આપવા અને વિકસાવવા માટે વધુ આધુનિક (યોગ્ય રીતે વજનવાળા જોડાણ સહિત) મશીન લર્નિંગ મોડલ વધુ પ્રમાણમાં ઉન્નત વર્ગીકરણને સમર્થન આપશે, એટલે કે દર્દીઓના જૂથોને વર્ગીકૃત કરવાની ક્ષમતા જ્ઞાનાત્મક ઘટાડો સાતત્ય સાથે MCI નાના અને વધુ ચોક્કસ સબસેટમાં. વધુમાં, પ્રાદેશિક રીતે વૈવિધ્યસભર દર્દીઓની વસ્તીમાં વ્યક્તિઓ માટે સહવર્તી ક્લિનિકલ નિદાન જરૂરી છે અસરકારક રીતે તાલીમ આ વધુ સમાવિષ્ટ અને અનુમાનિત રીતે મજબૂત મોડલ. આ સમાન પૃષ્ઠભૂમિ, પ્રભાવો અને વધુ સંકુચિત રીતે વ્યાખ્યાયિત લાક્ષણિકતા જ્ઞાનાત્મક રૂપરેખાઓ ધરાવતા લોકો માટે વધુ ચોક્કસ સ્તરીકૃત કેસ મેનેજમેન્ટની સુવિધા આપશે અને આ રીતે ક્લિનિકલ નિર્ણય સમર્થન અને દર્દીની સંભાળને ઑપ્ટિમાઇઝ કરશે.
અત્યાર સુધીના મોટાભાગના સંબંધિત ક્લિનિકલ સંશોધનમાં ઓછામાં ઓછા હળવા ડિમેન્શિયાવાળા દર્દીઓને સંબોધવામાં આવ્યા છે; અને, વ્યવહારમાં, ઘણી વાર દર્દીના હસ્તક્ષેપનો પ્રયાસ માત્ર અદ્યતન તબક્કામાં જ કરવામાં આવે છે. જો કે, કારણ કે ઉન્માદ માટેના ક્લિનિકલ માપદંડો પૂર્ણ થાય તે પહેલાં જ્ઞાનાત્મક ઘટાડો સારી રીતે શરૂ થાય છે, અસરકારક રીતે લાગુ મેમટ્રેક્સ-આધારિત પ્રારંભિક સ્ક્રીન વ્યક્તિઓને રોગ અને તેની પ્રગતિ વિશે યોગ્ય શિક્ષણને પ્રોત્સાહિત કરી શકે છે અને વહેલા અને વધુ સમયસર હસ્તક્ષેપને પ્રોત્સાહિત કરી શકે છે. આમ, પ્રારંભિક તપાસ કસરત, આહાર, ભાવનાત્મક સમર્થન અને સુધારેલ સમાજીકરણથી લઈને ફાર્માકોલોજિકલ હસ્તક્ષેપ સુધીની યોગ્ય સંડોવણીઓને સમર્થન આપી શકે છે અને વર્તન અને ધારણામાં દર્દી-સંબંધિત ફેરફારોને મજબૂત બનાવી શકે છે કે એકલા અથવા એકંદરે ઉન્માદની પ્રગતિને ઘટાડી અથવા સંભવિત રીતે રોકી શકે છે [31, 32] . વધુમાં, અસરકારક સાથે પ્રારંભિક સ્ક્રીનીંગ, વ્યક્તિઓ અને તેમના પરિવારોને ક્લિનિકલ ટ્રાયલ્સ પર વિચાર કરવા અથવા અપેક્ષાઓ અને ઇરાદાઓને સ્પષ્ટ કરવામાં અને દૈનિક કાર્યોનું સંચાલન કરવામાં મદદ કરવા માટે કાઉન્સેલિંગ અને અન્ય સામાજિક સેવાઓનો સપોર્ટ મેળવવા માટે સંકેત આપવામાં આવી શકે છે. આ રીતે વધુ માન્યતા અને વ્યાપક વ્યવહારિક ઉપયોગિતા ઘણી વ્યક્તિઓ માટે MCI, AD અને ADRD ની પ્રગતિને ઘટાડવા અથવા રોકવા માટે નિમિત્ત બની શકે છે.
ખરેખર, અમારા અભ્યાસમાં દર્દીની વય શ્રેણીનો નીચો અંત એડી સાથે પરંપરાગત ચિંતાની વસ્તીનું પ્રતિનિધિત્વ કરતું નથી. તેમ છતાં, MoCA સ્કોર/થ્રેશોલ્ડ અને નિદાનની તીવ્રતા (કોષ્ટક 3) પર આધારિત વર્ગીકરણ મોડેલિંગ યોજનાઓમાં ઉપયોગમાં લેવાતા પ્રત્યેક જૂથની સરેરાશ ઉંમર ઓછામાં ઓછી 80 વર્ષની હોવાને સ્પષ્ટ બહુમતી (50% થી વધુ) રેખાંકિત કરે છે. આમ આ વિતરણ સામાન્યીકરણ માટે ખૂબ જ યોગ્ય છે, વસ્તીમાં આ મોડેલોની ઉપયોગિતાને ટેકો આપે છે જે સામાન્ય રીતે અસરગ્રસ્ત છે પ્રારંભિક શરૂઆત અને AD અને VaD ને કારણે વધતી ન્યુરોકોગ્નિટિવ બીમારી. ઉપરાંત, તાજેતરના પુરાવા અને પરિપ્રેક્ષ્ય પર ભાર મૂકે છે તે માન્ય પરિબળો (દા.ત., હાયપરટેન્શન, સ્થૂળતા, ડાયાબિટીસ, અને ધૂમ્રપાન) સંભવિતપણે વહેલા ઊંચા થવામાં ફાળો આપે છે. પુખ્ત વયના અને મિડલાઇફ વેસ્ક્યુલર રિસ્ક સ્કોર અને પરિણામે સૂક્ષ્મ વેસ્ક્યુલર મગજની ઇજા કે જે યુવાનમાં પણ સ્પષ્ટ અસરો સાથે કપટી રીતે વિકસે છે પુખ્ત [33-35]. તદનુસાર, પ્રારંભિક તપાસ માટે સૌથી શ્રેષ્ઠ પ્રારંભિક સ્ક્રીનીંગ તક તબક્કાવાર જ્ઞાનાત્મક ખામીઓ અને ઉન્માદને સફળતાપૂર્વક સંબોધવામાં અસરકારક નિવારણ અને હસ્તક્ષેપ વ્યૂહરચના શરૂ કરવી પ્રારંભિક પુખ્તાવસ્થા અને સંભવિત બાળપણ (પ્રારંભિક સગર્ભાવસ્થાથી એપોલીપોપ્રોટીન E જેવા આનુવંશિક પરિબળોની સુસંગતતાની નોંધ લેતા) સહિત સમગ્ર વય સ્પેક્ટ્રમમાં યોગદાન આપતા પરિબળો અને પૂર્વવર્તી સૂચકોની તપાસ કરવાથી ઉભરી આવશે.
વ્યવહારમાં, અદ્યતન ઇમેજિંગ, આનુવંશિક પ્રોફાઇલિંગ અને આશાસ્પદ બાયોમાર્કર્સને માપવા માટે માન્ય ક્લિનિકલ નિદાન અને ખર્ચાળ પ્રક્રિયાઓ હંમેશા સહેલાઈથી ઉપલબ્ધ હોતી નથી અથવા ઘણા પ્રદાતાઓ માટે શક્ય પણ હોતી નથી. આમ, ઘણા કિસ્સાઓમાં, પ્રારંભિક એકંદર જ્ઞાનાત્મક આરોગ્ય સ્થિતિનું વર્ગીકરણ દર્દી દ્વારા પ્રદાન કરવામાં આવેલ અન્ય સરળ મેટ્રિક્સનો ઉપયોગ કરીને મોડેલોમાંથી મેળવવામાં આવે છે (દા.ત., સ્વ-અહેવાલ મેમરી સમસ્યાઓ, વર્તમાન દવાઓ, અને નિયમિત પ્રવૃત્તિ મર્યાદાઓ) અને સામાન્ય વસ્તી વિષયક લક્ષણો [7]. યુનિવર્સિટી ઓફ કેલિફોર્નિયા જેવી રજિસ્ટ્રી મગજ આરોગ્ય રજિસ્ટ્રી (https://www.brainhealthregistry.org/) [27] અને અન્ય સ્વ-અહેવાલ લક્ષણો, ગુણાત્મક પગલાં (દા.ત., ઊંઘ અને દરરોજની સમજશક્તિ), દવાઓ, આરોગ્યની સ્થિતિ, અને ઇતિહાસ, અને વધુ વિગતવાર વસ્તી વિષયક ક્લિનિકમાં આ વધુ આદિમ મોડેલોના વ્યવહારિક ઉપયોગને વિકસાવવા અને માન્ય કરવામાં નિમિત્ત બનશે. વધુમાં, મેમટ્રેક્સ જેવી કસોટી, જેણે મેમરી ફંક્શનનું મૂલ્યાંકન કરવામાં ઉપયોગિતા દર્શાવી છે, તે હકીકતમાં જૈવિક માર્કર્સ કરતાં AD પેથોલોજીનો નોંધપાત્ર રીતે સારો અંદાજ પૂરો પાડી શકે છે. આપેલ છે કે એડી પેથોલોજીનું મુખ્ય લક્ષણ ન્યુરોપ્લાસ્ટીસીટીનું વિક્ષેપ અને ચેતોપાગમનું જબરજસ્ત જટિલ નુકશાન છે, જે એપિસોડિક તરીકે પ્રગટ થાય છે. મેમરી ડિસફંક્શન, એક માપ જે એપિસોડિક મેમરીનું મૂલ્યાંકન કરે છે જીવંત દર્દી [36] માં જૈવિક માર્કર્સ કરતાં AD પેથોલોજીકલ બોજનો વધુ સારો અંદાજ પૂરો પાડે છે.
તમામ અનુમાનિત મોડેલો સાથે-ભલે અત્યાધુનિક ટેક્નોલોજીના જટિલ અને સમાવિષ્ટ ડેટા દ્વારા પૂરક હોય અને બહુવિધ ડોમેન્સ પર શુદ્ધ ક્લિનિકલ આંતરદૃષ્ટિ અથવા વર્તમાન દર્દી પ્રોફાઇલ્સની વધુ મૂળભૂત અને સરળતાથી ઉપલબ્ધ માહિતી સુધી મર્યાદિત હોય-કૃત્રિમ બુદ્ધિમત્તાનો માન્ય લાભ અને મશીન લર્નિંગ એ છે કે પરિણામી મોડલ ચાલુ એપ્લિકેશન ઉપયોગ દ્વારા પૂરા પાડવામાં આવેલ સંબંધિત નવા ડેટા અને પરિપ્રેક્ષ્યમાંથી સંશ્લેષણ અને પ્રેરક રીતે "શીખ" શકે છે. પ્રેક્ટિકલ ટેક્નોલોજી ટ્રાન્સફરને અનુસરીને, કારણ કે અહીંના મોડલ (અને વિકસાવવાના છે) લાગુ કરવામાં આવ્યા છે અને વધુ કેસ અને સંબંધિત ડેટા (જેમાં આવનારી જ્ઞાનાત્મક ઘટાડા સાથે હાજર થઈ શકે તેવા કોમોર્બિડિટીઝવાળા દર્દીઓ સહિત), અનુમાન કામગીરી અને જ્ઞાનાત્મક આરોગ્ય વર્ગીકરણ વધુ મજબૂત બનશે, વધુ અસરકારક ક્લિનિકલ નિર્ણય સપોર્ટ યુટિલિટીમાં પરિણમે છે. મેમટ્રેક્સને કસ્ટમ (ઉપલબ્ધ ક્ષમતાઓને લક્ષિત) પ્લેટફોર્મમાં એમ્બેડ કરવાથી આ ઉત્ક્રાંતિ વધુ સંપૂર્ણ અને વ્યવહારીક રીતે સાકાર થશે જેનો ઉપયોગ આરોગ્યસંભાળ પ્રદાતાઓ ક્લિનિકમાં રીઅલ-ટાઇમમાં કરી શકે છે.
ડાયગ્નોસ્ટિક સપોર્ટ અને દર્દીની સંભાળ માટે મેમટ્રેક્સ મોડેલની માન્યતા અને ઉપયોગિતા માટે અનિવાર્ય અર્થપૂર્ણ રેખાંશ માહિતીની ખૂબ જ માંગ છે. પ્રારંભિક તબક્કાના MCI દ્વારા સામાન્યની પર્યાપ્ત શ્રેણીમાં ક્લિનિકલ સ્ટેટસમાં સહવર્તી ફેરફારો (જો કોઈ હોય તો) અવલોકન કરીને અને રેકોર્ડ કરીને, યોગ્ય ચાલુ મૂલ્યાંકન અને વર્ગીકરણ માટેના મોડેલોને તાલીમ આપી શકાય છે અને દર્દીઓની ઉંમર પ્રમાણે સુધારી શકાય છે અને સારવાર કરવામાં આવે છે. એટલે કે, પુનરાવર્તિત ઉપયોગિતા હળવા જ્ઞાનાત્મક ફેરફારોના રેખાંશ ટ્રેકિંગ, હસ્તક્ષેપની અસરકારકતા અને જાણકાર સ્તરીકૃત સંભાળ જાળવવામાં મદદ કરી શકે છે. આ અભિગમ ક્લિનિકલ પ્રેક્ટિસ અને દર્દી અને કેસ મેનેજમેન્ટ સાથે વધુ નજીકથી સંરેખિત થાય છે.
મર્યાદાઓ
અમે નિયંત્રિત ક્લિનિક/હોસ્પિટલ સેટિંગમાં સ્વચ્છ ક્લિનિકલ ડેટા એકત્રિત કરવાના પડકાર અને મૂલ્યની પ્રશંસા કરીએ છીએ. તેમ છતાં, જો અમારા ડેટાસેટ્સમાં સામાન્ય લક્ષણોવાળા વધુ દર્દીઓ શામેલ હોય તો તે અમારા મોડેલિંગને મજબૂત બનાવશે. તદુપરાંત, અમારા નિદાન મોડેલિંગ માટે વિશિષ્ટ, શીખનારાઓને તાલીમ આપવા માટે સામાન્ય જ્ઞાનાત્મક સ્વાસ્થ્ય સાથે મેળ ખાતા દર્દીઓ પર સમાન ક્લિનિકલ મૂલ્યાંકન હાથ ધરવામાં આવે તે વધુ ઇચ્છનીય અને યોગ્ય રહેશે. અને ફિલ્ટર કરેલ ડેટાસેટ (માત્ર ટોચના ક્રમાંકિત ચાર લક્ષણો) નો ઉપયોગ કરીને ઉચ્ચ વર્ગીકરણ પ્રદર્શન દ્વારા અન્ડરસ્કોર કર્યા મુજબ, વધુ સામાન્ય અને જ્ઞાનાત્મક સ્વાસ્થ્યનાં પગલાં/સૂચકોમાં સુધારો થયો હશે બધા દર્દીઓમાં સામાન્ય લક્ષણોની મોટી સંખ્યા સાથે મોડેલિંગ પ્રદર્શન.
અમુક સહભાગીઓ એકસાથે અન્ય બિમારીઓનો અનુભવ કરી રહ્યા હોઈ શકે છે જે ક્ષણિક અથવા ક્રોનિક જ્ઞાનાત્મક ખામીઓનું કારણ બની શકે છે. XL પેટા-ડેટાસેટ સિવાય કે જ્યાં દર્દીઓને નિદાન રૂપે AD અથવા VaD તરીકે વર્ગીકૃત કરવામાં આવ્યા હતા, YH દર્દી પૂલમાં કોમોર્બિડિટી ડેટા એકત્રિત/રિપોર્ટ કરવામાં આવ્યો ન હતો, અને KM પેટા-ડેટાસેટમાં અત્યાર સુધીમાં પ્રબળ નોંધાયેલ કોમોર્બિડિટી ડાયાબિટીસ હતી. જો કે, તે દલીલપાત્ર છે કે કોમોર્બિડિટીઝ સાથેની અમારી મોડેલિંગ યોજનાઓમાં દર્દીઓનો સમાવેશ થાય છે જે જ્ઞાનાત્મક ઉણપના સ્તરને પ્રોમ્પ્ટ કરી શકે છે અથવા તેને વધારી શકે છે અને પરિણામે નીચું MemTrax પ્રદર્શન આ વધુ સામાન્યકૃત પ્રારંભિક જ્ઞાનાત્મક સ્ક્રીનીંગ માટે વાસ્તવિક-વિશ્વની લક્ષિત દર્દી વસ્તીના વધુ પ્રતિનિધિ હશે. અને મોડેલિંગ અભિગમ. આગળ વધવું, સંભવતઃ જ્ઞાનાત્મક પ્રભાવને અસર કરતી કોમોર્બિડિટીઝનું સચોટ નિદાન મોડલ્સ અને પરિણામી દર્દી સંભાળ એપ્લિકેશનોને ઑપ્ટિમાઇઝ કરવા માટે વ્યાપકપણે ફાયદાકારક છે.
છેલ્લે, YH અને KM સબ-ડેટાસેટ દર્દીઓએ MemTrax ટેસ્ટ લેવા માટે સ્માર્ટફોનનો ઉપયોગ કર્યો હતો, જ્યારે XL સબ-ડેટાસેટ દર્દીઓની મર્યાદિત સંખ્યામાં આઈપેડનો ઉપયોગ કર્યો હતો અને બાકીના લોકોએ સ્માર્ટફોનનો ઉપયોગ કર્યો હતો. આનાથી MoCA વર્ગીકરણ મોડેલિંગ માટે MemTrax પ્રદર્શનમાં એક નાનો ઉપકરણ-સંબંધિત તફાવત રજૂ થઈ શકે છે. જો કે, MTx-RT માં તફાવતો (જો કોઈ હોય તો), ઉદાહરણ તરીકે, ઉપકરણો વચ્ચે નગણ્ય હોઈ શકે છે, ખાસ કરીને દરેક સહભાગીને રેકોર્ડ કરેલ પરીક્ષણ પ્રદર્શન પહેલા "પ્રેક્ટિસ" ટેસ્ટ આપવામાં આવે છે. તેમ છતાં, આ બે હેન્ડહેલ્ડ ઉપકરણોની ઉપયોગિતા સંભવિતપણે અન્ય MemTrax પરિણામો સાથે સીધી સરખામણી અને/અથવા સંકલન સાથે સમાધાન કરે છે જ્યાં વપરાશકર્તાઓ કમ્પ્યુટર કીબોર્ડ પર સ્પેસબારને સ્પર્શ કરીને ચિત્રોને પુનરાવર્તિત કરવા માટે પ્રતિભાવ આપે છે.
મેમટ્રેક્સ અનુમાનિત મોડેલિંગ ઉપયોગિતા પરના મુખ્ય મુદ્દાઓ
- • પસંદગીના MemTrax પર્ફોર્મન્સ મેટ્રિક્સને સમાવતા અમારા ઉચ્ચ-પ્રદર્શન અનુમાનિત મોડેલો વ્યાપકપણે માન્યતા પ્રાપ્ત MoCA પરીક્ષણ દ્વારા સૂચવવામાં આવશે તેમ જ્ઞાનાત્મક સ્વાસ્થ્ય સ્થિતિ (સામાન્ય જ્ઞાનાત્મક સ્વાસ્થ્ય અથવા MCI)ને વિશ્વસનીય રીતે વર્ગીકૃત કરી શકે છે.
- • આ પરિણામો પ્રારંભિક તબક્કાની જ્ઞાનાત્મક ક્ષતિ માટે વર્ગીકરણ અનુમાનિત મોડેલ સ્ક્રીનીંગ એપ્લિકેશનમાં પસંદ કરેલ મેમટ્રેક્સ પ્રદર્શન મેટ્રિક્સના એકીકરણને સમર્થન આપે છે.
- • અમારા વર્ગીકરણ મોડેલિંગે ઉન્માદ નિદાનની ગંભીરતાને અલગ પાડવા માટેની અરજીઓમાં MemTrax પ્રદર્શનનો ઉપયોગ કરવાની સંભવિતતા પણ જાહેર કરી છે.
આ નવલકથા તારણો અસરકારક ક્લિનિકલ કેસ મેનેજમેન્ટ અને જ્ઞાનાત્મક ક્ષતિનો અનુભવ કરતી વ્યક્તિઓ માટે દર્દીની સંભાળમાં ડાયગ્નોસ્ટિક સપોર્ટ માટે ઉન્નત મજબૂત મેમટ્રેક્સ-આધારિત વર્ગીકરણ મોડલ્સના નિર્માણમાં મશીન લર્નિંગની ઉપયોગિતાને સમર્થન આપતા નિશ્ચિત પુરાવા સ્થાપિત કરે છે.
માન્યતા
અમે જે. વેસન એશફોર્ડ, કર્ટિસ બી. એશફોર્ડ અને સહકાર્યકરોના કાર્યને ઓળખીએ છીએ જે અહીં ઉપયોગમાં લેવાતા ઓનલાઈન સતત ઓળખ કાર્ય અને સાધન (MemTrax) વિકસાવવા અને માન્ય કરવા માટે છે અને અમે નિર્ણાયક પાયાના સંશોધનમાં યોગદાન આપનારા ડિમેન્શિયાના અસંખ્ય દર્દીઓના આભારી છીએ. . અમે Xianbo Zhou અને SJN Biomed LTD ખાતેના તેમના સાથીદારો, તેમના સાથીદારો અને હોસ્પિટલો/ક્લીનિક સાઇટ્સ પરના સહયોગીઓ, ખાસ કરીને ડૉ. એમ. લુઓ અને એમ. ઝોંગ, જેમણે સહભાગીઓની ભરતી, પરીક્ષણો સુનિશ્ચિત કરવામાં અને ડેટા એકત્રિત કરવા, રેકોર્ડિંગ કરવા અને ફ્રન્ટ-એન્ડનું સંચાલન કરવામાં મદદ કરી, અને સ્વયંસેવક સહભાગીઓ કે જેમણે તેમનો મૂલ્યવાન સમય દાનમાં આપ્યો અને પરીક્ષણો લેવા અને પ્રદાન કરવા માટે પ્રતિબદ્ધતા દર્શાવી. આ અભ્યાસમાં મૂલ્યાંકન કરવા માટે અમારા માટે મૂલ્યવાન ડેટા. આ અભ્યાસને એમડી સાયન્ટિફિક રિસર્ચ દ્વારા આંશિક રીતે સમર્થન આપવામાં આવ્યું હતું કુનમિંગ મેડિકલ યુનિવર્સિટીનો કાર્યક્રમ (ગ્રાન્ટ નંબર 2017BS028 to XL) અને યુનાન સાયન્સ એન્ડ ટેક્નોલોજી વિભાગનો સંશોધન કાર્યક્રમ (ગ્રાન્ટ નંબર 2019FE001 (-222) to XL).
જે. વેસન એશફોર્ડે સામાન્ય માટે આ પેપરમાં વર્ણવેલ ચોક્કસ સતત માન્યતાના નમૂનાના ઉપયોગ માટે પેટન્ટ અરજી દાખલ કરી છે. મેમરીનું પરીક્ષણ.
MemTrax, LLC એ કર્ટિસ એશફોર્ડની માલિકીની કંપની છે, અને આ કંપની તેનું સંચાલન કરે છે મેમરી પરીક્ષણ આ પેપરમાં વર્ણવેલ સિસ્ટમ.
લેખકોની જાહેરાતો ઑનલાઇન ઉપલબ્ધ છે (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
સંદર્ભ
| [1] અલ્ઝાઈમર એસોસિએશન (2016) 2016 અલ્ઝાઈમર રોગના તથ્યો અને આંકડા. અલ્ઝાઈમર ડિમેન્ટ 12, 459–509. | |
| [2] ગ્રીસેન્ઝ સીઆર, મિશેલ જેએમ, મેરરોન જે, ફેડરૉફ એચજે (2019) પ્રારંભિક તબક્કાની અસર અલ્ઝાઇમર રોગ ઘરના નાણાકીય પરિણામો પર. આરોગ્ય અર્થતંત્ર 29, 18-29. | |
| [3] | ફોસ્ટર એનએલ , બોન્ડી એમડબલ્યુ , દાસ આર , ફોસ એમ , હર્શી એલએ , કોહ એસ , લોગન આર , પૂલ સી , શેગા જેડબલ્યુ , સૂદ એ , થોથાલા એન , વિકલંડ એમ , યુ એમ , બેનેટ એ , વાંગ ડી (2019) માં ગુણવત્તા સુધારણા ન્યુરોલોજી: હળવી જ્ઞાનાત્મક ક્ષતિ ગુણવત્તા માપન સમૂહ. ન્યુરોલોજી 93, 705–713. |
| [૪] ટોંગ ટી , થોકલા પી , મેકમિલન બી , ઘોષ આર , બ્રેઝિયર જે (4) ઉપયોગની કિંમત અસરકારકતા પ્રાથમિક સંભાળમાં ડિમેન્શિયા અને હળવી જ્ઞાનાત્મક ક્ષતિ શોધવા માટે જ્ઞાનાત્મક સ્ક્રીનીંગ પરીક્ષણો. ઇન્ટ જે ગેરિયાટર સાયકિયાટ્રી 32, 1392–1400. | |
| [5] એશફોર્ડ જેડબ્લ્યુ, ગેરે ઇ, બેયલી પીજે (2011) મેમરી માપન સતત ઓળખ પરીક્ષણનો ઉપયોગ કરીને મોટા જૂથ સેટિંગ્સમાં. જે અલ્ઝાઈમર્સ ડિસ 27, 885–895. | |
| [6] | એશફોર્ડ જેડબ્લ્યુ , ટાર્પિન-બર્નાર્ડ એફ , એશફોર્ડ સીબી , એશફોર્ડ એમટી (2019) એપિસોડિક મેમરીના માપન માટે કોમ્પ્યુટરાઈઝ્ડ સતત-માન્યતા કાર્ય. J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) જ્ઞાનાત્મક સ્વાસ્થ્ય સ્થિતિ વર્ગીકરણની આગાહી કરવા માટે મશીન લર્નિંગ મોડેલિંગમાં એપિસોડિક-મેમરી પ્રદર્શન. J Alzheimers Dis 70, 277–286. |
| [8] વાન ડેર હોક એમડી, નિયુવેનહુઇઝન એ, કેઇઝર જે, એશફોર્ડ જેડબ્લ્યુ (2019) ધ મેમટ્રેક્સ ટેસ્ટ હળવા જ્ઞાનાત્મક ક્ષતિના મોન્ટ્રીયલ જ્ઞાનાત્મક મૂલ્યાંકન અંદાજની સરખામણીમાં. જે અલ્ઝાઈમર્સ ડિસ 67, 1045–1054. | |
| [9] | Falcone M , Yadav N , Poellabauer C , Flynn P (2013) હળવા આઘાતજનક મગજની ઇજાના વર્ગીકરણ માટે અલગ સ્વર અવાજોનો ઉપયોગ કરવો. 2013માં IEEE ઇન્ટરનેશનલ કોન્ફરન્સ ઓન એકોસ્ટિક્સ, સ્પીચ એન્ડ સિગ્નલ પ્રોસેસિંગ, વાનકુવર, BC, pp. 7577–7581. |
| [10] | Dabek F , Caban JJ (2015) ઉશ્કેરાટ પછી મનોવૈજ્ઞાનિક પરિસ્થિતિઓ વિકસાવવાની સંભાવનાને મોડેલ કરવા માટે મોટા ડેટાનો ઉપયોગ કરવો. પ્રોસીડિયા કોમ્પ્યુટ સાયન્સ 53, 265–273. |
| [11] | ક્લિમેન્ટ એમટી , પાર્ડો જે , મુનોઝ-અલમરાઝ એફજે , ગ્યુરેરો MD , મોરેનો એલ (2018) સમુદાય ફાર્માસિસ્ટ દ્વારા જ્ઞાનાત્મક ક્ષતિની વહેલી શોધ માટે નિર્ણય વૃક્ષ. ફ્રન્ટ ફાર્માકોલ 9, 1232. |
| [12] | Nasreddine ZS , Phillips NA , Bedirian V , Charbonneau S , Whitehead V , Collin I , Cummings JL , Chertkow H (2005) ધ મોન્ટ્રીયલ કોગ્નિટિવ એસેસમેન્ટ, MoCA: હળવા જ્ઞાનાત્મક ક્ષતિ માટે સંક્ષિપ્ત સ્ક્રીનીંગ ટૂલ. J Am Geriatr Soc 53, 695–699. |
| [13] | યુ જે, લી જે, હુઆંગ એક્સ (2012) હળવા જ્ઞાનાત્મક ક્ષતિ માટે સંક્ષિપ્ત સ્ક્રીનીંગ સાધન તરીકે મોન્ટ્રીયલ જ્ઞાનાત્મક મૂલ્યાંકનનું બેઇજિંગ સંસ્કરણ: સમુદાય આધારિત અભ્યાસ. BMC મનોચિકિત્સા 12, 156. |
| [14] | ચેન KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) હળવા જ્ઞાનાત્મક ક્ષતિની તપાસ માટે મોન્ટ્રીયલ જ્ઞાનાત્મક મૂલ્યાંકન મૂળભૂતના ચાઇનીઝ સંસ્કરણની માન્યતા. J Am Geriatr Soc 64, e285–e290. |
| [15] | કાર્સન એન , લીચ એલ , મર્ફી કેજે (2018) મોન્ટ્રીયલ કોગ્નિટિવ એસેસમેન્ટ (MoCA) કટઓફ સ્કોર્સની પુનઃપરીક્ષા. ઇન્ટ જે ગેરિયાટર સાયકિયાટ્રી 33, 379–388. |
| [16] | અમેરિકન સાયકિયાટ્રિક એસોસિએશન (2013) ટાસ્ક ફોર્સ ડાયગ્નોસ્ટિક એન્ડ સ્ટેટિસ્ટિકલ મેન્યુઅલ ઓફ મેન્ટલ ડિસઓર્ડર: DSM-5™, અમેરિકન સાયકિયાટ્રિક પબ્લિશિંગ, Inc., Washington, DC. |
| [17] | અજગર. પાયથોન સોફ્ટવેર ફાઉન્ડેશન, http://www.python.org, 15 નવેમ્બર, 2019ના રોજ એક્સેસ કરેલ. |
| [18] | આર કોર ગ્રુપ, આર: સ્ટેટિસ્ટિકલ કમ્પ્યુટિંગ માટે ભાષા અને પર્યાવરણ આર ફાઉન્ડેશન ફોર સ્ટેટિસ્ટિકલ કમ્પ્યુટિંગ, વિયેના, ઑસ્ટ્રિયા. https://www.R-project.org/, 2018, 15 નવેમ્બર, 2019 ના રોજ એક્સેસ કરેલ. |
| [19] | બેનાવોલી એ , કોરાની જી , ડેમસર જે , ઝફાલોન એમ (2017) પરિવર્તન માટેનો સમય: બેયસિયન વિશ્લેષણ દ્વારા બહુવિધ વર્ગીકરણોની તુલના કરવા માટેનું ટ્યુટોરીયલ. J Mach લર્ન Res 18, 1–36. |
| [20] | ફ્રેન્ક ઇ, હોલ એમએ, વિટન આઇએચ (2016) WEKA વર્કબેન્ચ. માં ડેટા માઇનિંગ: પ્રેક્ટિકલ મશીન લર્નિંગ ટૂલ્સ અને તકનીકો, Frank E, Hall MA, Witten IH, Pal CJ, eds. મોર્ગન કૌફમેન https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf |
| [21] | બર્જરોન એમએફ , લેન્ડસેટ એસ , મૌગન્સ ટીએ , વિલિયમ્સ વીબી , કોલિન્સ સીએલ , વાસરમેન ઇબી , ખોશગોફ્તાર ટીએમ (2019) હાઇ સ્કૂલ સ્પોર્ટ કન્સ્યુશન સિમ્પટમ રિઝોલ્યુશન મોડેલિંગમાં મશીન લર્નિંગ. મેડ સાયન્સ સ્પોર્ટ્સ એક્સરસાઈઝ 51, 1362–1371. |
| [22] | વેન હુલ્સ જે, ખોશગોફ્તાર ટીએમ, નેપોલિટનો એ (2007) અસંતુલિત ડેટામાંથી શીખવા પર પ્રાયોગિક દ્રષ્ટિકોણ. માં મશીન લર્નિંગ પર 24મી આંતરરાષ્ટ્રીય પરિષદની કાર્યવાહી, Corvalis, Oregon, USA, pp. 935-942. |
| [23] | એશફોર્ડ જેડબ્લ્યુ , કોલમ પી , કોલિવર જેએ , બેકિયન સી , હસુ એલએન (1989) અલ્ઝાઈમર દર્દીનું મૂલ્યાંકન અને મિની-માનસિક સ્થિતિ: આઇટમ લાક્ષણિકતા વળાંક વિશ્લેષણ. પી. જે ગેરોન્ટોલ 44, 139–146. |
| [24] એશફોર્ડ જેડબ્લ્યુ, જાર્વિક એલ (1985) અલ્ઝાઇમર રોગ: શું ચેતાકોષીય પ્લાસ્ટિસિટી એક્ષોનલ ન્યુરોફિબ્રિલરી ડિજનરેશનની સંભાવના છે? N Engl J Med 313, 388–389. | |
| [૨૫] જેક સીઆર જુનિયર , થેરનો ટીએમ , વેઇગાન્ડ એસડી , વિસ્ટે એચજે , નોપમેન ડીએસ , વેમુરી પી , લોવે વીજે , મિલ્કે એમએમ , રોબર્ટ્સ આરઓ , માચુલ્ડા એમએમ , ગ્રાફ-રેડફોર્ડ જે , જોન્સ ડીટી , શ્વાર્ઝ સીજી , સેનજેએમએલ , સેનજેએમએલ , રોકા ડબ્લ્યુએ , પીટરસન આરસી (25) એજિંગ-અલ્ઝાઇમર પર નેશનલ ઇન્સ્ટિટ્યુટનો ઉપયોગ કરીને જૈવિક રીતે વિ ક્લિનિકલી વ્યાખ્યાયિત અલ્ઝાઇમર સ્પેક્ટ્રમ એન્ટિટીનો વ્યાપ એસોસિએશન સંશોધન ફ્રેમવર્ક જામા ન્યુરોલ 76, 1174–1183. | |
| [26] Zhou X , Ashford JW (2019) માટે સ્ક્રીનીંગ સાધનોમાં એડવાન્સિસ અલ્ઝાઇમર રોગ. એજિંગ મેડ 2, 88–93. | |
| [27] વેઇનર MW , નોશેની આર , કેમાચો એમ , ટ્રુરાન-સેક્રી ડી , મેકિન આરએસ , ફ્લેનિકેન ડી , ઉલ્બ્રિક્ટ એ , ઇન્સેલ પી , ફિનલે એસ , ફોકલર જે , વીચ ડી (2018) ધ મગજ આરોગ્ય રજિસ્ટ્રી: ન્યુરોસાયન્સ અભ્યાસ માટે સહભાગીઓની ભરતી, આકારણી અને રેખાંશ દેખરેખ માટેનું ઇન્ટરનેટ-આધારિત પ્લેટફોર્મ. અલ્ઝાઈમર ડિમેન્ટ 14, 1063–1076. | |
| [28] એશફોર્ડ જેડબ્લ્યુ, શ્મિટ એફએ (2001) મોડલિંગ ધ ટાઈમ-કોર્સ ઓફ અલ્ઝાઈમર ડિમેન્શિયા. કરર સાયકિયાટ્રી રેપ 3, 20-28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) સિનો લોન્ગીટ્યુડિનલ સ્ટડી ઓન કોગ્નિટિવ ડિક્લાઈન (સિલકોડ): વ્યક્તિલક્ષી જ્ઞાનાત્મક ક્ષતિ ધરાવતી વ્યક્તિઓમાં રૂપાંતરણના જોખમની આગાહીના મોડલ વિકસાવવા માટે ચાઈનીઝ રેખાંશ નિરીક્ષણ અભ્યાસ માટે પ્રોટોકોલ ઘટાડો BMJ ઓપન 9, e028188. |
| [૩૦] તરનાનાસ I , ત્સોલાકી એ , વિડરહોલ્ડ એમ , વિડરહોલ્ડ બી , ત્સોલાકી એમ (30) માટે પાંચ વર્ષની બાયોમાર્કર પ્રોગ્રેશન વેરિએબિલિટી અલ્ઝાઈમર રોગ ડિમેન્શિયા આગાહી: શું રોજિંદા જીવન માર્કરની જટિલ વાદ્ય પ્રવૃતિઓ ખાલી જગ્યાઓ ભરી શકે છે? અલ્ઝાઈમર ડિમેન્ટ (Amst) 1, 521–532. | |
| [૩૧] મેકગુરાન એચ, ગ્લેન જેએમ, મેડેરો ઇએન, બોટ એનટી (31) અલ્ઝાઈમર રોગની રોકથામ અને સારવાર: કસરતની જૈવિક પદ્ધતિઓ. J Alzheimers Dis 69, 311–338. | |
| [૩૨] મેન્ડિઓલા-પ્રેકોમા જે, બેરુમેન એલસી, પેડિલા કે, ગાર્સિયા-આલ્કોસર જી (32) માટે ઉપચાર અલ્ઝાઈમર રોગની રોકથામ અને સારવાર. Biomed Res Int 2016, 2589276. | |
| [33] | લેન સીએ , બાર્નેસ જે , નિકોલસ જેએમ , સુદ્રે સીએચ , કેશ ડીએમ , માલોન આઇબી , પાર્કર ટીડી , કેશવન એ , બુકાનન એસએમ , કેયુસ એસઇ , જેમ્સ એસએન , લુ કે , મુરે-સ્મિથ એચ , વોંગ એ , ગોર્ડન ઇ , કોથ ડબલ્યુ , મોડેટ એમ, થોમસ ડી, રિચાર્ડ્સ એમ, ફોક્સ એનસી, સ્કોટ જેએમ (2020) પુખ્તવયના વેસ્ક્યુલર જોખમ વચ્ચેના એસોસિએશન અને અંતના જીવનમાં મગજની પેથોલોજી: બ્રિટિશ જન્મના જૂથમાંથી પુરાવા. જામા ન્યુરોલ 77, 175–183. |
| [34] | શેષાદ્રી એસ (2020) વય અને એમીલોઇડ બોક્સની બહારના ઉન્માદ-વિચારનું નિવારણ. જામા ન્યુરોલ 77, 160–161. |
| [35] | મેલાર્ડ પી, શેષાદ્રી એસ, બેઝર એ, હિમાલી જેજે, એયુ આર, ફ્લેચર ઇ, કાર્મિકેલ ઓ, વુલ્ફ પીએ, ડીકાર્લી સી (2012) ફ્રેમિંગહામ હાર્ટ સ્ટડીમાં યુવાન પુખ્ત વયના લોકોમાં વ્હાઇટ-મેટરની અખંડિતતા પર સિસ્ટોલિક બ્લડ પ્રેશરની અસરો: એ ક્રોસ - વિભાગીય અભ્યાસ. લેન્સેટ ન્યુરોલ 11, 1039–1047. |
| [૩૬] ફિંક એચએ , લિન્સકેન્સ ઇજે , સિલ્વરમેન પીસી , મેકકાર્ટન જેઆર , હેમી એલએસ , ઓયુલેટ જેએમ , ગ્રીર એનએલ , વિલ્ટ ટીજે , બટલર એમ (36) ન્યુરોપેથોલોજિકલી વ્યાખ્યાયિત માટે બાયોમાર્કર પરીક્ષણની ચોકસાઈ ઉન્માદ સાથે વૃદ્ધ વયસ્કોમાં અલ્ઝાઇમર રોગ. એન ઈન્ટર્ન મેડ 172, 669–677. |
જોડાણો: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] કમ્પ્યુટર અને ઇલેક્ટ્રિકલ એન્જિનિયરિંગ અને કમ્પ્યુટર સાયન્સ વિભાગ, ફ્લોરિડા એટલાન્ટિક યુનિવર્સિટી, બોકા રેટોન, FL, યુએસએ | [c] SJN Biomed LTD, કુનમિંગ, યુનાન, ચીન | [d] માટે કેન્દ્ર અલ્ઝાઈમર સંશોધન, વૉશિંગ્ટન ઇન્સ્ટિટ્યૂટ ઑફ ક્લિનિકલ રિસર્ચ, વૉશિંગ્ટન, ડીસી, યુએસએ | [e] રિહેબિલિટેશન મેડિસિન વિભાગ, કુનમિંગ મેડિકલ યુનિવર્સિટી, કુનમિંગ, યુનાન, ચીનની પ્રથમ સંલગ્ન હોસ્પિટલ | [f] ન્યુરોલોજી વિભાગ, દેહોંગ પીપલ્સ હોસ્પિટલ, દેહોંગ, યુનાન, ચીન | [g] ન્યુરોલોજી વિભાગ, કુનમિંગ મેડિકલ યુનિવર્સિટી, વુહુઆ ડિસ્ટ્રિક્ટ, કુનમિંગ, યુનાન પ્રાંત, ચીનની પ્રથમ સંલગ્ન હોસ્પિટલ | [h] યુદ્ધ-સંબંધિત માંદગી અને ઈજા અભ્યાસ કેન્દ્ર, VA પાલો અલ્ટો હેલ્થ કેર સિસ્ટમ, પાલો અલ્ટો, CA, USA | [i] ડિપાર્ટમેન્ટ ઓફ સાયકિયાટ્રી એન્ડ બિહેવિયરલ સાયન્સ, સ્ટેનફોર્ડ યુનિવર્સિટી સ્કૂલ ઓફ મેડિસિન, પાલો અલ્ટો, સીએ, યુએસએ
પત્રવ્યવહાર: [*] પત્રવ્યવહાર: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. ઈ-મેલ: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, ન્યુરોલોજી વિભાગ, કુનમિંગ મેડિકલ યુનિવર્સિટીની પ્રથમ સંલગ્ન હોસ્પિટલ, 295 Xichang Road, Wuhua District, Kunming, Yunnan Province 650032, China. ઈ-મેલ: ring@vip.163.com.
કીવર્ડ્સ: વૃદ્ધત્વ, અલ્ઝાઇમર રોગ, ઉન્માદ, સામૂહિક તપાસ