हल्के संज्ञानात्मक हानि के वर्गीकरण में मेमट्रैक्स और मशीन लर्निंग मॉडलिंग की उपयोगिता

अनुसंधान अनुच्छेद

लेखक: बर्जरॉन, ​​माइकल एफ. | लैंडसेट, सारा | झोउ, जियानबो | डिंग, ताओ | खोशगोफ्तार, तघी एम. | झाओ, फेंग | दू, बो | चेन, ज़िन्जी | वांग, जुआन | झोंग, लियानमेई | लियू, शियाओली| एशफोर्ड, जे. वेसन

डीओआई: 10.3233/जेएडी-191340

जर्नल: जर्नल ऑफ अल्जाइमर रोग, वॉल्यूम। 77, नहीं। 4, पीपी। 1545-1558, 2020

सार

पृष्ठभूमि:

व्यापक घटना और प्रसार अल्जाइमर रोग और हल्के संज्ञानात्मक हानि (MCI) ने शीघ्र पहचान संज्ञानात्मक स्क्रीनिंग और मूल्यांकन को मान्य करने के लिए अनुसंधान के लिए एक तत्काल कॉल को प्रेरित किया है।

उद्देश्य:

हमारा प्राथमिक शोध उद्देश्य यह निर्धारित करना था कि क्या चयनित मेमट्रैक्स प्रदर्शन मेट्रिक्स और प्रासंगिक जनसांख्यिकी और स्वास्थ्य प्रोफ़ाइल विशेषताओं को संज्ञानात्मक स्वास्थ्य (सामान्य बनाम एमसीआई) को वर्गीकृत करने के लिए मशीन लर्निंग के साथ विकसित भविष्य कहनेवाला मॉडल में प्रभावी ढंग से उपयोग किया जा सकता है, जैसा कि इंगित किया जाएगा मॉन्ट्रियल संज्ञानात्मक मूल्यांकन (एमओसीए)।

तरीके:

हमने दो से भर्ती किए गए 259 न्यूरोलॉजी, मेमोरी क्लिनिक और आंतरिक चिकित्सा वयस्क रोगियों पर एक क्रॉस-सेक्शनल अध्ययन किया चीन में अस्पताल. प्रत्येक रोगी को चीनी भाषा का MoCA दिया गया और निरंतर मान्यता MemTrax ऑनलाइन एपिसोड को स्व-प्रशासित किया गया स्मृति परीक्षण ऑनलाइन उसी दिन। 10-गुना क्रॉस सत्यापन के साथ मशीन लर्निंग का उपयोग करके पूर्वानुमानित वर्गीकरण मॉडल बनाए गए थे, और मॉडल प्रदर्शन को रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व (एयूसी) के तहत क्षेत्र का उपयोग करके मापा गया था। आठ सामान्य जनसांख्यिकीय और व्यक्तिगत इतिहास सुविधाओं के साथ दो MemTrax प्रदर्शन मेट्रिक्स (प्रतिशत सही, प्रतिक्रिया समय) का उपयोग करके मॉडल बनाए गए थे।

परिणाम:

MoCA स्कोर और थ्रेसहोल्ड के चयनित संयोजनों में शिक्षार्थियों की तुलना करते हुए, Naïve Bayes आमतौर पर 0.9093 के समग्र वर्गीकरण प्रदर्शन के साथ शीर्ष प्रदर्शन करने वाला शिक्षार्थी था। इसके अलावा, शीर्ष तीन शिक्षार्थियों में, मेमट्रैक्स-आधारित वर्गीकरण प्रदर्शन सभी 0.9119 सामान्य सुविधाओं (10) का उपयोग करने की तुलना में केवल शीर्ष-रैंक वाली चार विशेषताओं (0.8999) का उपयोग करके बेहतर था।

निष्कर्ष:

मेमट्रैक्स के प्रदर्शन का मशीन लर्निंग क्लासिफिकेशन प्रेडिक्टिव मॉडल में प्रभावी ढंग से उपयोग किया जा सकता है प्रारंभिक चरण संज्ञानात्मक हानि का पता लगाने के लिए स्क्रीनिंग आवेदन.

परिचय

मान्यता प्राप्त (यद्यपि अल्पनिदान) व्यापक प्रसार घटना और व्यापकता और समानांतर वृद्धि चिकित्सा, सामाजिक और सार्वजनिक स्वास्थ्य अल्जाइमर रोग (एडी) की लागत और बोझ और हल्के संज्ञानात्मक हानि (एमसीआई) सभी हितधारकों के लिए तेजी से तनावपूर्ण हैं [1, 2]। इस संकटपूर्ण और बढ़ते परिदृश्य ने अनुसंधान को मान्य करने के लिए एक तत्काल कॉल को प्रेरित किया है जल्दी पता लगाने विविध क्षेत्रों और आबादी में वृद्ध रोगियों के लिए व्यक्तिगत और नैदानिक ​​सेटिंग्स में नियमित व्यावहारिक उपयोगिता के लिए संज्ञानात्मक जांच और मूल्यांकन उपकरण [3]। इन उपकरणों को इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड में सूचनात्मक परिणामों के निर्बाध अनुवाद के लिए भी प्रदान करना चाहिए। रोगियों को सूचित करने और चिकित्सकों की सहायता करने से पहले महत्वपूर्ण परिवर्तनों को पहचानने में लाभ महसूस किया जाएगा और इस प्रकार अधिक त्वरित और समय पर स्तरीकरण, कार्यान्वयन, और उचित व्यक्तिगत और अधिक लागत प्रभावी उपचार और रोगी देखभाल की ट्रैकिंग का अनुभव करने वालों के लिए सक्षम होगा। संज्ञानात्मक गिरावट [3, 4]।

कम्प्यूटरीकृत मेमट्रैक्स टूल (https://memtrax.com) एक सरल और संक्षिप्त निरंतर मान्यता मूल्यांकन है जिसे चुनौतीपूर्ण समयबद्ध एपिसोडिक मेमोरी प्रदर्शन को मापने के लिए ऑनलाइन स्व-प्रशासित किया जा सकता है जहां उपयोगकर्ता बार-बार छवियों का जवाब देता है और प्रारंभिक प्रस्तुति [5, 6] का नहीं। हाल के शोध और परिणामी व्यावहारिक निहितार्थ उत्तरोत्तर और सामूहिक रूप से प्रारंभिक AD और MCI स्क्रीनिंग [5-7] में मेमट्रैक्स की नैदानिक ​​​​प्रभावकारिता को प्रदर्शित करने लगे हैं। हालांकि, नैदानिक ​​​​उपयोगिता की प्रत्यक्ष तुलना मौजूदा से संज्ञानात्मक स्वास्थ्य मूल्यांकन और पारंपरिक मानकों को पेशेवर परिप्रेक्ष्य को सूचित करने और शुरुआती पहचान और नैदानिक ​​​​समर्थन में मेमट्रैक्स उपयोगिता की पुष्टि करने के लिए वारंट किया गया है। वैन डेर होक एट अल। [8] चयनित मेमट्रैक्स प्रदर्शन मेट्रिक्स (प्रतिक्रिया गति और प्रतिशत सही) की तुलना मॉन्ट्रियल द्वारा निर्धारित संज्ञानात्मक स्थिति से की गई संज्ञानात्मक आकलन (एमओसीए)। हालांकि, यह अध्ययन इन प्रदर्शन मेट्रिक्स को संज्ञानात्मक स्थिति (एमओसीए द्वारा निर्धारित) के लक्षण वर्णन के साथ जोड़ने और सापेक्ष श्रेणियों और कटऑफ मूल्यों को परिभाषित करने तक सीमित था। तदनुसार, इस जांच का विस्तार करने और वर्गीकरण प्रदर्शन और प्रभावकारिता में सुधार करने के लिए, हमारा प्राथमिक शोध प्रश्न था:

• क्या किसी व्यक्ति का मेमट्रैक्स प्रदर्शन मेट्रिक्स और प्रासंगिक जनसांख्यिकी और स्वास्थ्य का चयन किया जा सकता है प्रोफाइल विशेषताओं को प्रभावी रूप से संज्ञानात्मक स्वास्थ्य (सामान्य बनाम एमसीआई) को वर्गीकृत करने के लिए मशीन लर्निंग के साथ विकसित एक भविष्यवाणी मॉडल में उपयोग किया जा सकता है, जैसा कि किसी के एमओसीए स्कोर द्वारा इंगित किया जाएगा?

इसके लिए माध्यमिक, हम जानना चाहते थे:

• समान विशेषताओं को शामिल करते हुए, क्या एक स्वतंत्र नैदानिक ​​निदान द्वारा निर्धारित संज्ञानात्मक हानि की चयनित श्रेणियों के भीतर गंभीरता (हल्के बनाम गंभीर) की भविष्यवाणी करने के लिए मेमट्रैक्स प्रदर्शन-आधारित मशीन लर्निंग मॉडल को प्रभावी ढंग से लागू किया जा सकता है?

स्क्रीनिंग / डिटेक्शन में कृत्रिम बुद्धिमत्ता और मशीन लर्निंग के आगमन और विकसित व्यावहारिक अनुप्रयोग ने पहले से ही विशिष्ट व्यावहारिक लाभ प्रदर्शित किए हैं, संज्ञानात्मक / मस्तिष्क स्वास्थ्य और रोगी प्रबंधन के चुनौतीपूर्ण मूल्यांकन में चिकित्सकों को प्रभावी ढंग से मार्गदर्शन करने के लिए भविष्य कहनेवाला मॉडलिंग। हमारे अध्ययन में, हमने एमसीआई वर्गीकरण मॉडलिंग और संज्ञानात्मक हानि गंभीरता भेदभाव में एक समान दृष्टिकोण चुना, जैसा कि चीन में दो अस्पतालों के चयनित स्वयंसेवी रोगियों और आउट पेशेंट का प्रतिनिधित्व करने वाले तीन डेटासेट से नैदानिक ​​​​निदान द्वारा पुष्टि की गई थी। मशीन लर्निंग प्रेडिक्टिव मॉडलिंग का उपयोग करते हुए, हमने विभिन्न डेटासेट / लर्नर संयोजनों से शीर्ष प्रदर्शन करने वाले शिक्षार्थियों की पहचान की और सबसे नैदानिक ​​रूप से व्यावहारिक मॉडल अनुप्रयोगों को परिभाषित करने में हमारा मार्गदर्शन करने के लिए सुविधाओं को रैंक किया।

हमारी परिकल्पना यह थी कि एक मान्य मेमट्रैक्स-आधारित मॉडल का उपयोग संज्ञानात्मक स्वास्थ्य को द्विअर्थी रूप से (सामान्य या एमसीआई) वर्गीकृत करने के लिए किया जा सकता है, जो MoCA कुल स्कोर थ्रेशोल्ड मानदंड के आधार पर होता है, और यह कि एक समान मेमट्रैक्स प्रेडिक्टिव मॉडल को चयनित श्रेणियों में गंभीरता से भेदभाव करने में प्रभावी ढंग से नियोजित किया जा सकता है। नैदानिक ​​निदान संज्ञानात्मक बधिरता. प्रत्याशित परिणामों का प्रदर्शन संज्ञानात्मक गिरावट और संज्ञानात्मक हानि वर्गीकरण के लिए एक प्रारंभिक पहचान स्क्रीन के रूप में मेमट्रैक्स की प्रभावकारिता का समर्थन करने में सहायक होगा। एक उद्योग के लिए अनुकूल मानक की तुलना में अधिक आसानी और उपयोगिता की त्वरितता से पूरक, चिकित्सकों को इस सरल, विश्वसनीय और सुलभ उपकरण को प्रारंभिक स्क्रीन के रूप में प्रारंभिक (प्रोड्रोमल सहित) चरण संज्ञानात्मक घाटे का पता लगाने में मदद करने में प्रभावशाली होगा। इस तरह का दृष्टिकोण और उपयोगिता इस प्रकार अधिक समय पर और बेहतर स्तरीकृत रोगी देखभाल और हस्तक्षेप को प्रेरित कर सकती है। ये आगे की सोच वाली अंतर्दृष्टि और बेहतर मीट्रिक और मॉडल एडी और एडी-संबंधित डिमेंशिया (एडीआरडी) सहित डिमेंशिया प्रगति को कम करने या रोकने में सहायक हो सकते हैं।

सामग्री और तरीके

अध्ययन आबादी

जनवरी 2018 और अगस्त 2019 के बीच चीन के दो अस्पतालों से भर्ती मरीजों पर क्रॉस-सेक्शनल रिसर्च पूरा किया गया। 5 वर्ष और उससे अधिक आयु के व्यक्तियों के लिए मेमट्रैक्स [21] का प्रशासन और उन डेटा के संग्रह और विश्लेषण की समीक्षा की गई और इसके नैतिक मानकों के अनुसार अनुमोदित और प्रशासित किया गया। मानव स्टैनफोर्ड विश्वविद्यालय की विषय संरक्षण समिति। मेमट्रैक्स और इस समग्र अध्ययन के लिए अन्य सभी परीक्षण 1975 के हेलसिंकी घोषणा के अनुसार किए गए थे और कुनमिंग, युन्नान, चीन में कुनमिंग मेडिकल यूनिवर्सिटी के पहले संबद्ध अस्पताल के संस्थागत समीक्षा बोर्ड द्वारा अनुमोदित थे। प्रत्येक उपयोगकर्ता को एक प्रदान किया गया था सूचित सहमति फॉर्म को पढ़ने/समीक्षा करने के लिए और फिर स्वेच्छा से भाग लेने के लिए सहमत हों।

प्रतिभागियों को यानहुआ अस्पताल (वाईएच उप-डेटासेट) और न्यूरोलॉजी क्लिनिक में आउट पेशेंट के पूल से भर्ती किया गया था। कुनमिंग मेडिकल के पहले संबद्ध अस्पताल में स्मृति क्लिनिक बीजिंग, चीन में विश्वविद्यालय (XL उप-डेटासेट)। प्रतिभागियों को कुनमिंग मेडिकल यूनिवर्सिटी के पहले संबद्ध अस्पताल में न्यूरोलॉजी (एक्सएल उप-डेटासेट) और आंतरिक चिकित्सा (केएम उप-डेटासेट) के रोगियों से भी भर्ती किया गया था। समावेशन मानदंड में शामिल हैं 1) कम से कम 21 वर्ष के पुरुष और महिलाएं, 2) चीनी (मंदारिन) बोलने की क्षमता, और 3) मौखिक और लिखित निर्देशों को समझने की क्षमता। बहिष्करण मानदंड दृष्टि और मोटर हानि थे जो प्रतिभागियों को पूरा करने से रोकते थे मेमट्रैक्स परीक्षण, साथ ही विशिष्ट परीक्षण निर्देशों को समझने में असमर्थता।

मेमट्रैक्स का चीनी संस्करण

ऑनलाइन मेमट्रैक्स परीक्षण प्लेटफॉर्म का अनुवाद किया गया चीनी में (यूआरएल: https://www.memtrax.com.cn) और स्व-प्रशासन के लिए वीचैट (शेन्ज़ेन टेनसेंट कंप्यूटर सिस्टम्स कंपनी लिमिटेड, शेन्ज़ेन, गुआंग्डोंग, चीन) के माध्यम से उपयोग करने के लिए अनुकूलित किया गया। डेटा को चीन में स्थित क्लाउड सर्वर (अली क्लाउड) पर संग्रहीत किया गया था और एसजेएन बायोमेड लिमिटेड (कुनमिंग, युन्नान, चीन) द्वारा अलीबाबा (अलीबाबा टेक्नोलॉजी कंपनी लिमिटेड, हांग्जो, झेजियांग, चीन) से लाइसेंस प्राप्त किया गया था। मेमट्रैक्स पर विशिष्ट विवरण और यहां उपयोग किए गए परीक्षण वैधता मानदंड को पहले वर्णित किया गया है [6]। मरीजों को नि:शुल्क जांच की सुविधा दी गई।

प्रक्रियाओं का अध्ययन करें

आंतरिक रोगियों और बाह्य रोगियों के लिए, आयु, लिंग, शिक्षा के वर्ष, व्यवसाय, जैसी जनसांख्यिकीय और व्यक्तिगत जानकारी एकत्र करने के लिए एक सामान्य पेपर प्रश्नावली अकेले रहने वाले या परिवार के साथ, और चिकित्सा इतिहास अध्ययन दल के एक सदस्य द्वारा प्रशासित किया गया था। प्रश्नावली के पूरा होने के बाद, MoCA [12] और MemTrax परीक्षण प्रशासित किए गए (MoCA पहले) परीक्षणों के बीच 20 मिनट से अधिक नहीं। MemTrax प्रतिशत सही (MTx-% C), औसत प्रतिक्रिया समय (MTx-RT), और परीक्षण की तिथि और समय परीक्षण किए गए प्रत्येक प्रतिभागी के लिए अध्ययन दल के एक सदस्य द्वारा कागज पर दर्ज किए गए थे। पूरी की गई प्रश्नावली और एमओसीए के परिणाम शोधकर्ता द्वारा एक एक्सेल स्प्रेडशीट में अपलोड किए गए थे, जिन्होंने परीक्षण किए और विश्लेषण के लिए एक्सेल फाइलों को सहेजे जाने से पहले एक सहकर्मी द्वारा सत्यापित किया गया।

मेमट्रैक्स परीक्षण

मेमट्रैक्स ऑनलाइन परीक्षण में एक विशिष्ट छद्म-यादृच्छिक क्रम में दिखाए गए 50 चित्र (25 अद्वितीय और 25 दोहराव; सामान्य दृश्यों या वस्तुओं की 5 छवियों के 5 सेट) शामिल थे। प्रतिभागी (निर्देशों के अनुसार) परीक्षण शुरू करने के लिए स्क्रीन पर स्टार्ट बटन को स्पर्श करेगा और छवि श्रृंखला देखना शुरू करेगा और जब भी दोहराई गई तस्वीर दिखाई देगी तो स्क्रीन पर छवि को जितनी जल्दी हो सके स्पर्श करें। प्रत्येक छवि 3 सेकंड के लिए या स्क्रीन पर छवि को छूने तक दिखाई देती है, जिससे अगली तस्वीर की तत्काल प्रस्तुति होती है। स्थानीय डिवाइस की आंतरिक घड़ी का उपयोग करते हुए, प्रत्येक छवि के लिए एमटीएक्स-आरटी को छवि की प्रस्तुति से बीता हुआ समय द्वारा निर्धारित किया गया था जब छवि की पहचान को इंगित करने के जवाब में प्रतिभागी द्वारा स्क्रीन को छुआ गया था जो पहले से ही दिखाया गया था। जांच के दौरान। एमटीएक्स-आरटी प्रत्येक छवि के लिए रिकॉर्ड किया गया था, जिसमें पूर्ण 3 एस रिकॉर्ड किए गए थे जो कोई प्रतिक्रिया नहीं दर्शाते थे। MTx-% C की गणना दोहराने और प्रारंभिक छवियों के प्रतिशत को इंगित करने के लिए की गई थी, जिसके लिए उपयोगकर्ता ने सही प्रतिक्रिया दी थी (सच्चा सकारात्मक + वास्तविक नकारात्मक 50 से विभाजित)। मेमट्रैक्स प्रशासन और कार्यान्वयन के अतिरिक्त विवरण, डेटा में कमी, अमान्य या "कोई प्रतिक्रिया नहीं" डेटा, और प्राथमिक डेटा विश्लेषण कहीं और वर्णित हैं [6]।

मेमट्रैक्स परीक्षण के बारे में विस्तार से बताया गया और अस्पताल की सेटिंग में प्रतिभागियों को एक अभ्यास परीक्षण (रिकॉर्डिंग परिणामों के लिए परीक्षण में उपयोग की गई छवियों के अलावा अन्य अद्वितीय छवियों के साथ) प्रदान किया गया। YH और KM उप-डेटासेट में प्रतिभागियों ने एक स्मार्टफोन पर MemTrax परीक्षण लिया, जो WeChat पर एप्लिकेशन के साथ लोड किया गया था; जबकि एक्सएल उप-डेटासेट रोगियों की एक सीमित संख्या ने एक आईपैड का इस्तेमाल किया और बाकी ने स्मार्टफोन का इस्तेमाल किया। सभी प्रतिभागियों ने एक अध्ययन अन्वेषक के साथ विनीत रूप से अवलोकन करते हुए मेमट्रैक्स परीक्षण लिया।

मॉन्ट्रियल संज्ञानात्मक मूल्यांकन

चीनी MoCA (MoCA-BC) [13] के बीजिंग संस्करण को आधिकारिक परीक्षण निर्देशों के अनुसार प्रशिक्षित शोधकर्ताओं द्वारा प्रशासित और स्कोर किया गया था। उपयुक्त रूप से, MoCA-BC को विश्वसनीय दिखाया गया है संज्ञानात्मक के लिए परीक्षण चीनी बुजुर्ग वयस्कों [14] में शिक्षा के सभी स्तरों पर स्क्रीनिंग। संबंधित प्रतिभागी की संज्ञानात्मक क्षमताओं के आधार पर प्रत्येक परीक्षण को प्रशासित करने में लगभग 10 से 30 मिनट का समय लगा।

MoCA वर्गीकरण मॉडलिंग

दो मेमट्रैक्स सहित कुल 29 प्रयोग करने योग्य सुविधाएँ थीं परीक्षण प्रदर्शन मेट्रिक्स और जनसांख्यिकीय और स्वास्थ्य से संबंधित 27 विशेषताएं प्रत्येक प्रतिभागी के लिए जानकारी। प्रत्येक रोगी के MoCA कुल परीक्षण स्कोर का उपयोग किया गया था संज्ञानात्मक स्क्रीनिंग हमारे भविष्य कहनेवाला मॉडल को प्रशिक्षित करने के लिए "बेंचमार्क"। तदनुसार, क्योंकि MoCA का उपयोग क्लास लेबल बनाने के लिए किया गया था, हम एक स्वतंत्र विशेषता के रूप में कुल स्कोर (या MoCA सबसेट स्कोर में से कोई भी) का उपयोग नहीं कर सके। हमने प्रारंभिक प्रयोग किए जिसमें हमने मूल तीन अस्पताल / क्लिनिक (उप-डेटासेट) को व्यक्तिगत रूप से और फिर सभी सुविधाओं का उपयोग करके संयुक्त रूप से मॉडलिंग (MoCA द्वारा परिभाषित संज्ञानात्मक स्वास्थ्य का वर्गीकरण) किया। हालाँकि, सभी समान डेटा तत्व तीन उप-डेटासेट का प्रतिनिधित्व करने वाले चार क्लीनिकों में से प्रत्येक में एकत्र नहीं किए गए थे; इस प्रकार, संयुक्त डेटासेट (सभी सुविधाओं का उपयोग करते समय) में हमारी कई विशेषताओं में लापता मूल्यों की एक उच्च घटना थी। हमने तब केवल सामान्य विशेषताओं का उपयोग करके संयुक्त डेटासेट के साथ मॉडल बनाए, जिसके परिणामस्वरूप बेहतर वर्गीकरण प्रदर्शन हुआ। यह संभावित रूप से तीन रोगी उप-डेटासेट के संयोजन के साथ काम करने के लिए और अधिक उदाहरणों के संयोजन द्वारा समझाया गया था और लापता मूल्यों के अनुचित प्रसार के साथ कोई विशेषता नहीं थी (संयुक्त डेटासेट में केवल एक विशेषता, कार्य प्रकार, कोई लापता मूल्य था, प्रभावित करना केवल तीन रोगी उदाहरण), क्योंकि तीनों साइटों पर दर्ज की गई केवल सामान्य विशेषताएं शामिल थीं। विशेष रूप से, हमारे पास प्रत्येक सुविधा के लिए एक विशिष्ट अस्वीकृति मानदंड नहीं था जिसे अंततः संयुक्त डेटासेट में शामिल नहीं किया गया था। हालाँकि, हमारे प्रारंभिक संयुक्त डेटासेट मॉडलिंग में, हमने पहले तीन अलग-अलग रोगी उप-डेटासेट में से प्रत्येक की सभी सुविधाओं का उपयोग किया था। यह व्यापक रूप से मॉडल प्रदर्शन में परिणत हुआ जो प्रत्येक व्यक्तिगत उप-डेटासेट पर प्रारंभिक प्रारंभिक मॉडलिंग की तुलना में काफी कम था। इसके अलावा, जबकि सभी सुविधाओं का उपयोग करके बनाए गए मॉडलों का वर्गीकरण प्रदर्शन उत्साहजनक था, सभी शिक्षार्थियों और वर्गीकरण योजनाओं में, केवल सामान्य सुविधाओं का उपयोग करते समय कई मॉडलों के प्रदर्शन में दोगुना सुधार हुआ। वास्तव में, जो हमारे शीर्ष शिक्षार्थियों के रूप में समाप्त हुआ, गैर-सामान्य सुविधाओं को समाप्त करने पर एक मॉडल को छोड़कर सभी में सुधार हुआ।

अंतिम समग्र डेटासेट (YH, XL, और KM संयुक्त) में 259 उदाहरण शामिल थे, प्रत्येक एक अद्वितीय प्रतिभागी का प्रतिनिधित्व करते थे जिन्होंने MemTrax और MoCA दोनों परीक्षण किए। 10 साझा स्वतंत्र विशेषताएं थीं: मेमट्रैक्स प्रदर्शन मेट्रिक्स: एमटीएक्स-% सी और औसत एमटीएक्स-आरटी; जनसांख्यिकीय और चिकित्सा इतिहास की जानकारी: आयु, लिंग, शिक्षा के वर्ष, कार्य का प्रकार (नीला कॉलर/सफेदपोश), सामाजिक समर्थन (चाहे परीक्षार्थी अकेला रहता है या परिवार के साथ), और हां/नहीं में उत्तर देता है कि क्या उपयोगकर्ता के पास मधुमेह, हाइपरलिपिडिमिया, या दर्दनाक मस्तिष्क की चोट का इतिहास। दो अतिरिक्त मेट्रिक्स, MoCA एग्रीगेट स्कोर और MoCA एग्रीगेट स्कोर को शिक्षा के वर्षों के लिए समायोजित किया गया [12], निर्भर वर्गीकरण लेबल विकसित करने के लिए अलग से उपयोग किया गया, इस प्रकार हमारे संयुक्त डेटासेट पर लागू होने के लिए दो अलग-अलग मॉडलिंग योजनाएं बनाई गईं। MoCA स्कोर के प्रत्येक संस्करण (समायोजित और असमायोजित) के लिए, डेटा को फिर से दो अलग-अलग मानदंड थ्रेसहोल्ड का उपयोग करके बाइनरी वर्गीकरण के लिए अलग से तैयार किया गया था - शुरू में अनुशंसित एक [12] और दूसरों द्वारा उपयोग और प्रचारित एक वैकल्पिक मूल्य [8, 15]। वैकल्पिक थ्रेशोल्ड वर्गीकरण योजना में, एक मरीज को सामान्य संज्ञानात्मक स्वास्थ्य माना जाता था यदि उसने MoCA परीक्षण पर 23 स्कोर किया और यदि स्कोर 22 या उससे कम था तो MCI होने पर; जबकि, प्रारंभिक अनुशंसित वर्गीकरण प्रारूप में, रोगी को सामान्य संज्ञानात्मक स्वास्थ्य के रूप में लेबल करने के लिए एमओसीए पर 26 या बेहतर स्कोर करना था।

MoCA वर्गीकरण मॉडलिंग के लिए फ़िल्टर किया गया डेटा

हमने आमतौर पर इस्तेमाल की जाने वाली चार फीचर रैंकिंग तकनीकों का उपयोग करके MoCA वर्गीकरण की जांच की: ची-स्क्वायर, गेन रेशियो, इंफॉर्मेशन गेन और सिमिट्रिकल अनिश्चितता। अंतरिम परिप्रेक्ष्य के लिए, हमने अपनी चार मॉडलिंग योजनाओं में से प्रत्येक का उपयोग करके रैंकरों को संपूर्ण संयुक्त डेटासेट पर लागू किया। सभी रैंकर्स समान शीर्ष विशेषताओं, यानी, आयु, शिक्षा के वर्षों की संख्या, और मेमट्रैक्स प्रदर्शन मेट्रिक्स (एमटीएक्स-% सी, मतलब एमटीएक्स-आरटी) दोनों पर सहमत हुए। फिर हमने मॉडल को केवल शीर्ष चार विशेषताओं पर प्रशिक्षित करने के लिए प्रत्येक सुविधा चयन तकनीक का उपयोग करके मॉडल का पुनर्निर्माण किया (देखें फीचर चयन नीचे).

MoCA स्कोर वर्गीकरण मॉडलिंग योजनाओं के परिणामी अंतिम आठ रूपांतर तालिका 1 में प्रस्तुत किए गए हैं।

तालिका एक

MoCA वर्गीकरण के लिए प्रयुक्त मॉडलिंग योजना विविधताओं का सारांश (सामान्य .) संज्ञानात्मक स्वास्थ्य बनाम एमसीआई)

मॉडलिंग योजना	सामान्य संज्ञानात्मक स्वास्थ्य (नकारात्मक वर्ग)	एमसीआई (सकारात्मक वर्ग)
एडजस्टेड-23 अनफ़िल्टर्ड/फ़िल्टर्ड	101 (39.0%)	158 (61.0%)
एडजस्टेड-26 अनफ़िल्टर्ड/फ़िल्टर्ड	49 (18.9%)	210 (81.1%)
असमायोजित-23 अनफ़िल्टर्ड/फ़िल्टर किए गए	92 (35.5%)	167 (64.5%)
असमायोजित-26 अनफ़िल्टर्ड/फ़िल्टर किए गए	42 (16.2%)	217 (83.8%)

प्रत्येक वर्ग में कुल रोगियों की संख्या और प्रतिशत शिक्षा के लिए स्कोर (समायोजित या समायोजित) और वर्गीकरण सीमा (23 या 26) के समायोजन द्वारा विभेदित हैं, जैसा कि दोनों फीचर सेट (अनफ़िल्टर्ड और फ़िल्टर्ड) पर लागू होता है।

मेमट्रैक्स-आधारित नैदानिक ​​मूल्यांकन मॉडलिंग

हमारे तीन मूल उप-डेटासेट (YH, XL, KM) में से केवल XL उप-डेटासेट रोगियों को स्वतंत्र रूप से संज्ञानात्मक हानि के लिए नैदानिक ​​​​रूप से निदान किया गया था (यानी, उनके संबंधित MoCA स्कोर का उपयोग सामान्य बनाम बिगड़ा हुआ वर्गीकरण स्थापित करने में नहीं किया गया था)। विशेष रूप से, एक्सएल रोगियों का निदान किया गया था अल्जाइमर रोग परीक्षण (एडी) या संवहनी मनोभ्रंश (वीएडी)। इन प्राथमिक निदान श्रेणियों में से प्रत्येक के भीतर, एमसीआई के लिए एक और पदनाम था। एडी के कारण एमसीआई, मनोभ्रंश, संवहनी तंत्रिका संबंधी विकार और तंत्रिका संबंधी विकार का निदान मानसिक विकारों के नैदानिक ​​और सांख्यिकीय मैनुअल में उल्लिखित विशिष्ट और विशिष्ट नैदानिक ​​​​मानदंडों पर आधारित था: डीएसएम -5 [16]। इन परिष्कृत निदानों को ध्यान में रखते हुए, प्रत्येक प्राथमिक निदान श्रेणी के लिए गंभीरता के स्तर (हानि की डिग्री) को अलग करने के लिए एक्सएल उप-डेटासेट पर दो वर्गीकरण मॉडलिंग योजनाओं को अलग से लागू किया गया था। इन डायग्नोस्टिक मॉडलिंग योजनाओं (एडी और वीएडी) में से प्रत्येक में उपयोग किए गए डेटा में जनसांख्यिकीय और रोगी इतिहास की जानकारी, साथ ही मेमट्रैक्स प्रदर्शन (एमटीएक्स-% सी, मतलब एमटीएक्स-आरटी) शामिल है। एमसीआई नामित होने पर प्रत्येक निदान को हल्का लेबल किया गया था; अन्यथा, इसे गंभीर माना जाता था। हमने शुरू में निदान मॉडल (हल्के बनाम गंभीर) में MoCA स्कोर को शामिल करने पर विचार किया; लेकिन हमने निर्धारित किया कि यह हमारी माध्यमिक भविष्य कहनेवाला मॉडलिंग योजना के उद्देश्य को विफल कर देगा। यहां शिक्षार्थियों को अन्य रोगी विशेषताओं का उपयोग करके प्रशिक्षित किया जाएगा जो प्रदाता के लिए आसानी से उपलब्ध हैं और सरल मेमट्रैक्स परीक्षण (एमओसीए के बदले) के प्रदर्शन मेट्रिक्स "गोल्ड स्टैंडर्ड", स्वतंत्र नैदानिक ​​​​निदान के संदर्भ में हैं। AD निदान डेटासेट में 69 उदाहरण और VaD के 76 उदाहरण थे (तालिका 2) दोनों डेटासेट में, 12 स्वतंत्र विशेषताएं थीं। MoCA स्कोर वर्गीकरण में शामिल 10 विशेषताओं के अलावा, रोगी के इतिहास में उच्च रक्तचाप और स्ट्रोक के इतिहास की जानकारी भी शामिल है।

तालिका एक

निदान गंभीरता वर्गीकरण के लिए प्रयुक्त मॉडलिंग योजना विविधताओं का सारांश (हल्का बनाम गंभीर)

मॉडलिंग योजना	सौम्य (नकारात्मक वर्ग)	गंभीर (सकारात्मक वर्ग)
एमसीआई-एडी बनाम एडी	12 (17.4%)	57 (82.6%)
एमसीआई-वीएडी बनाम वीएडी	38 (50.0%)	38 (50.0%)

प्रत्येक वर्ग में कुल रोगियों की संबंधित संख्या और प्रतिशत प्राथमिक निदान श्रेणी (एडी या वीएडी) द्वारा विभेदित हैं।

सांख्यिकी (स्टेटिस्टिक्स)

प्रत्येक मॉडल वर्गीकरण रणनीति (एमओसीए संज्ञानात्मक स्वास्थ्य और निदान गंभीरता की भविष्यवाणी करने के लिए) के लिए उप-डेटासेट के बीच प्रतिभागी विशेषताओं और अन्य संख्यात्मक विशेषताओं की तुलना पायथन प्रोग्रामिंग भाषा (संस्करण 2.7.1) [17] का उपयोग करके की गई थी। प्रदर्शन के साधनों की तुलना करने के लिए 95% विश्वास अंतराल और Tukey ईमानदार महत्वपूर्ण अंतर (HSD) परीक्षण के साथ मॉडल प्रदर्शन अंतर शुरू में एकल- या दो-कारक (जैसा उपयुक्त हो) ANOVA का उपयोग करके निर्धारित किया गया था। पायथन और आर (संस्करण 3.5.1) [18] के संयोजन का उपयोग करके मॉडल प्रदर्शन के बीच मतभेदों की यह परीक्षा की गई थी। हमने इसे नियोजित किया (यद्यपि, यकीनन इष्टतम से कम) दृष्टिकोण केवल इस पर एक अनुमानी सहायता के रूप में प्राथमिक अवस्था संभावित नैदानिक ​​अनुप्रयोग की प्रत्याशा में प्रारंभिक मॉडल प्रदर्शन तुलना के लिए। हमने तब मॉडल प्रदर्शन अंतर [19] की संभावना निर्धारित करने के लिए पश्च वितरण का उपयोग करके बायेसियन हस्ताक्षरित-रैंक परीक्षण का उपयोग किया। इन विश्लेषणों के लिए, हमने अंतराल -0.01, 0.01 का उपयोग किया, यह दर्शाता है कि यदि दो समूहों में 0.01 से कम का प्रदर्शन अंतर था, तो उन्हें समान माना जाता था (व्यावहारिक समानता के क्षेत्र के भीतर), या अन्यथा वे अलग थे (एक से बेहतर) अन्य)। क्लासिफायर की बायेसियन तुलना करने और इन संभावनाओं की गणना करने के लिए, हमने Python 1.0.2 के लिए Baycomp लाइब्रेरी (संस्करण 3.6.4) का उपयोग किया।

प्रेडिक्टिव मॉडलिंग

हमने प्रत्येक रोगी के MoCA परीक्षण के परिणाम या नैदानिक ​​निदान की गंभीरता का अनुमान लगाने (वर्गीकृत) करने के लिए अपनी मॉडलिंग योजनाओं के दस कुल रूपों का उपयोग करके भविष्य कहनेवाला मॉडल बनाया। सभी शिक्षार्थियों को लागू किया गया था और मॉडल ओपन सोर्स सॉफ्टवेयर प्लेटफॉर्म वीका [20] का उपयोग करके बनाए गए थे। हमारे प्रारंभिक विश्लेषण के लिए, हमने आमतौर पर उपयोग किए जाने वाले 10 लर्निंग एल्गोरिदम को नियोजित किया: 5-निकटतम पड़ोसी, C4.5 निर्णय पेड़ के दो संस्करण, लॉजिस्टिक रिग्रेशन, मल्टीलेयर परसेप्ट्रॉन, नैवे बेयस, रैंडम फ़ॉरेस्ट के दो संस्करण, रेडियल बेसिस फंक्शन नेटवर्क और सपोर्ट वेक्टर मशीन। इन एल्गोरिदम की प्रमुख विशेषताओं और विरोधाभासों को कहीं और वर्णित किया गया है [21] (संबंधित परिशिष्ट देखें)। इन्हें इसलिए चुना गया क्योंकि वे विभिन्न प्रकार के शिक्षार्थियों का प्रतिनिधित्व करते हैं और क्योंकि हमने समान डेटा पर पिछले विश्लेषणों में उनका उपयोग करके सफलता का प्रदर्शन किया है। हाइपर-पैरामीटर सेटिंग्स को हमारे पिछले शोध से चुना गया था जो उन्हें विभिन्न प्रकार के विभिन्न डेटा [22] पर मजबूत होने का संकेत देता है। सामान्य विशेषताओं के साथ समान संयुक्त डेटासेट का उपयोग करके हमारे प्रारंभिक विश्लेषण के परिणामों के आधार पर जो बाद में पूर्ण विश्लेषण में उपयोग किए गए थे, हमने तीन शिक्षार्थियों की पहचान की, जो सभी वर्गीकरणों में लगातार मजबूत प्रदर्शन प्रदान करते हैं: लॉजिस्टिक रिग्रेशन, नैवे बेयस और सपोर्ट वेक्टर मशीन।

क्रॉस-सत्यापन और मॉडल प्रदर्शन मीट्रिक

सभी भविष्य कहनेवाला मॉडलिंग (प्रारंभिक विश्लेषण सहित) के लिए, प्रत्येक मॉडल को 10-गुना क्रॉस सत्यापन का उपयोग करके बनाया गया था, और मॉडल प्रदर्शन को रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व (एयूसी) के तहत क्षेत्र का उपयोग करके मापा गया था। क्रॉस-सत्यापन 10 मॉडलिंग स्कीम डेटासेट में से प्रत्येक को 10 समान खंडों (फोल्ड) में बेतरतीब ढंग से विभाजित करने के साथ शुरू हुआ, इनमें से नौ संबंधित खंडों का उपयोग करके मॉडल और शेष खंड को परीक्षण के लिए प्रशिक्षित किया गया। प्रत्येक पुनरावृत्ति में परीक्षण सेट के रूप में एक अलग खंड का उपयोग करते हुए, इस प्रक्रिया को 10 बार दोहराया गया था। फिर अंतिम मॉडल के परिणाम/प्रदर्शन की गणना करने के लिए परिणामों को जोड़ा गया। प्रत्येक शिक्षार्थी/डेटासेट संयोजन के लिए, इस पूरी प्रक्रिया को 10 बार दोहराया गया था और डेटा को हर बार अलग-अलग विभाजित किया गया था। यह अंतिम चरण पूर्वाग्रह को कम करता है, प्रतिकृति सुनिश्चित करता है, और समग्र मॉडल प्रदर्शन को निर्धारित करने में मदद करता है। कुल मिलाकर (MoCA स्कोर और निदान गंभीरता वर्गीकरण योजनाओं के लिए संयुक्त), 6,600 मॉडल बनाए गए थे। इसमें 1,800 अनफ़िल्टर्ड मॉडल (डेटासेट पर लागू 6 मॉडलिंग योजनाएं × 3 सीखने वाले × 10 रन × 10 गुना = 1,800 मॉडल) और 4,800 फ़िल्टर किए गए मॉडल (4 मॉडलिंग योजनाएं डेटासेट पर लागू होती हैं × 3 शिक्षार्थी × 4 सुविधा चयन तकनीक × 10 रन × 10 गुना = 4,800 मॉडल)।

फीचर चयन

फ़िल्टर किए गए मॉडल के लिए, क्रॉस-सत्यापन के भीतर फीचर चयन (चार फीचर रैंकिंग विधियों का उपयोग करके) किया गया था। 10 तहों में से प्रत्येक के लिए, डेटासेट का एक अलग 10% परीक्षण डेटा था, प्रत्येक प्रशिक्षण डेटासेट के लिए केवल शीर्ष चार चयनित विशेषताएं (यानी, अन्य नौ तह, या संपूर्ण डेटासेट का शेष 90%) का उपयोग किया गया था मॉडल बनाने के लिए। हम यह पुष्टि करने में असमर्थ थे कि प्रत्येक मॉडल में किन चार विशेषताओं का उपयोग किया गया था, क्योंकि वह जानकारी हमारे द्वारा उपयोग किए गए मॉडलिंग प्लेटफॉर्म (वीका) के भीतर संग्रहीत या उपलब्ध नहीं कराई गई है। हालाँकि, शीर्ष सुविधाओं के हमारे प्रारंभिक चयन में निरंतरता को देखते हुए जब रैंकर्स को संपूर्ण संयुक्त डेटासेट पर लागू किया गया था और बाद में मॉडलिंग प्रदर्शन में समानता, ये समान विशेषताएं (आयु, शिक्षा के वर्ष, MTx-% C, और माध्य MTx-RT) ) क्रॉस-सत्यापन प्रक्रिया के भीतर सुविधा चयन के साथ सबसे अधिक प्रचलित शीर्ष चार उपयोग किए जाने वाले सहवर्ती हैं।

परिणामों

एमओसीए-संकेतित संज्ञानात्मक स्वास्थ्य (सामान्य बनाम एमसीआई) और निदान गंभीरता (हल्के बनाम गंभीर) की भविष्यवाणी करने के लिए प्रत्येक मॉडल वर्गीकरण रणनीति के लिए संबंधित डेटासेट के प्रतिभागी संख्यात्मक विशेषताओं (एमओसीए स्कोर और मेमट्रैक्स प्रदर्शन मेट्रिक्स सहित) तालिका 3 में दिखाए गए हैं।

तालिका एक

प्रत्येक मॉडल वर्गीकरण रणनीति के लिए प्रतिभागी विशेषताएँ, MoCA स्कोर और MemTrax प्रदर्शन

वर्गीकरण रणनीति	आयु	शिक्षा	एमओसीए समायोजित	MoCA अनसमायोजित	एमटीएक्स-% सी	एमटीएक्स-आरटी
एमओसीए श्रेणी	61.9 y (13.1)	9.6 y (4.6)	19.2 (6.5)	18.4 (6.7)	74.8% (15.0)	1.4 एस (0.3)
निदान गंभीरता	65.6 y (12.1)	8.6 y (4.4)	16.7 (6.2)	15.8 (6.3)	68.3% (13.8)	1.5 एस (0.3)

मॉडलिंग वर्गीकरण रणनीतियों द्वारा विभेदित दिखाए गए मान (माध्य, एसडी) MoCA- संकेतित संज्ञानात्मक स्वास्थ्य (MCI बनाम सामान्य) की भविष्यवाणी करने के लिए उपयोग किए जाने वाले संयुक्त डेटासेट के प्रतिनिधि हैं और XL उप-डेटासेट केवल निदान गंभीरता (हल्के बनाम गंभीर) की भविष्यवाणी करने के लिए उपयोग किया जाता है।

MoCA स्कोर (समायोजित/अनसमायोजित) और थ्रेशोल्ड (26/23) के प्रत्येक संयोजन के लिए, एक सांख्यिकीय अंतर था (p = 0.000) उम्र, शिक्षा और मेमट्रैक्स प्रदर्शन (एमटीएक्स-% सी और एमटीएक्स-आरटी) के लिए प्रत्येक जोड़ीवार तुलना (सामान्य संज्ञानात्मक स्वास्थ्य बनाम एमसीआई) में। प्रत्येक संयोजन के लिए संबंधित एमसीआई वर्ग में प्रत्येक रोगी उप-डेटासेट औसतन लगभग 9 से 15 वर्ष पुराना था, शिक्षा के पांच कम वर्षों की सूचना दी थी, और दोनों मेट्रिक्स के लिए कम अनुकूल मेमट्रैक्स प्रदर्शन था।

शीर्ष तीन शिक्षार्थियों, लॉजिस्टिक रिग्रेशन, नैवे बेयस और सपोर्ट वेक्टर मशीन का उपयोग करते हुए MoCA स्कोर वर्गीकरण के लिए पूर्वानुमानित मॉडलिंग प्रदर्शन परिणाम तालिका 4 में दिखाए गए हैं। इन तीनों को सभी विभिन्न मॉडलों में सबसे लगातार उच्च पूर्ण शिक्षार्थी प्रदर्शन के आधार पर चुना गया था। सभी मॉडलिंग योजनाओं के लिए डेटासेट पर लागू किया गया। फ़िल्टर न किए गए डेटासेट और मॉडलिंग के लिए, तालिका 4 में प्रत्येक डेटा मान प्रत्येक शिक्षार्थी/मॉडलिंग योजना संयोजन के लिए बनाए गए 100 मॉडल (10 रन × 10 गुना) से प्राप्त एयूसी संबंधित माध्य के आधार पर मॉडल के प्रदर्शन को दर्शाता है, संबंधित उच्चतम के साथ प्रदर्शन करने वाला शिक्षार्थी बोल्ड में इंगित किया गया है। जबकि फ़िल्टर किए गए डेटासेट मॉडलिंग के लिए, तालिका 4 में रिपोर्ट किए गए परिणाम प्रत्येक शिक्षार्थी के लिए 400 मॉडल से समग्र औसत मॉडल प्रदर्शन को दर्शाते हैं, प्रत्येक फीचर रैंकिंग विधियों (4 फीचर रैंकिंग विधियों × 10 रन × 10 गुना) का उपयोग करते हुए।

तालिका एक

सभी संबंधित मॉडलिंग योजनाओं के लिए तीन शीर्ष प्रदर्शन करने वाले शिक्षार्थियों में से प्रत्येक के लिए द्विबीजपत्री MoCA स्कोर वर्गीकरण प्रदर्शन (AUC; 0.0–1.0) परिणाम

फ़ीचर सेट प्रयुक्त	एमओसीए स्कोर	कटऑफ दहलीज	रसद प्रतिगमन	नावे बे	समर्थन वेक्टर यंत्र
अनफ़िल्टर्ड (10 विशेषताएं)	समायोजित	23	0.8862	0.8913	0.8695
		26	0.8971	0.9221	0.9161
	असमायोजित	23	0.9103	0.9085	0.8995
		26	0.8834	0.9153	0.8994
फ़िल्टर किया गया (4 विशेषताएं)	समायोजित	23	0.8929	0.8954	0.8948
		26	0.9188	0.9247	0.9201
	असमायोजित	23	0.9135	0.9134	0.9122
		26	0.9159	0.9236	0.9177

फीचर सेट, एमओसीए स्कोर और एमओसीए स्कोर कटऑफ थ्रेशोल्ड की विविधताओं का उपयोग करते हुए, प्रत्येक मॉडलिंग योजना के लिए उच्चतम प्रदर्शन में दिखाया गया है पिन (जरूरी नहीं कि सांख्यिकीय रूप से अन्य सभी की तुलना में अलग हो) पिन संबंधित मॉडल के लिए)।

संयुक्त अनफ़िल्टर्ड डेटासेट (यानी, 23 सामान्य विशेषताओं का उपयोग करके) में MoCA स्कोर संस्करणों और थ्रेशोल्ड (क्रमशः समायोजित/असमायोजित और 26/10,) के सभी संयोजनों में शिक्षार्थियों की तुलना करना, Naïve Bayes आम तौर पर समग्र रूप से शीर्ष प्रदर्शन करने वाला शिक्षार्थी था। 0.9093 का वर्गीकरण प्रदर्शन। शीर्ष तीन शिक्षार्थियों को ध्यान में रखते हुए, बायेसियन-सहसंबद्ध हस्ताक्षरित-रैंक परीक्षणों ने संकेत दिया कि संभाव्यता (Pr) Naïve Bayes का लॉजिस्टिक रिग्रेशन बेहतर प्रदर्शन करने वाला 99.9% था। इसके अलावा, Naïve Bayes और सपोर्ट वेक्टर मशीन के बीच, सीखने वाले के प्रदर्शन में व्यावहारिक तुल्यता की 21.0% संभावना (इस प्रकार, Naïve Bayes के समर्थन वेक्टर मशीन से बेहतर प्रदर्शन करने की 79.0% संभावना), साथ में सपोर्ट वेक्टर मशीन के बेहतर, औसत दर्जे का प्रदर्शन करने की 0.0% संभावना है। Naïve Bayes के प्रदर्शन लाभ को पुष्ट करता है। सभी शिक्षार्थियों/सीमाओं में एमओसीए स्कोर संस्करण की आगे की तुलना ने असमायोजित एमओसीए स्कोर बनाम समायोजित (क्रमशः 0.9027 बनाम 0.8971, क्रमशः; Pr (असमायोजित > समायोजित) = 0.988)। इसी तरह, सभी शिक्षार्थियों और एमओसीए स्कोर संस्करणों में कटऑफ थ्रेशोल्ड की तुलना ने 26 को वर्गीकरण थ्रेशोल्ड बनाम 23 (0.9056 बनाम 0.8942, क्रमशः; Pr (26 > 23) = 0.999)। अंत में, केवल फ़िल्टर किए गए परिणामों का उपयोग करने वाले मॉडल के लिए वर्गीकरण प्रदर्शन की जांच करना (यानी, केवल शीर्ष-रैंक वाली चार विशेषताएं), Naïve Bayes (0.9143) संख्यात्मक रूप से सभी MoCA स्कोर संस्करणों/सीमाओं में शीर्ष प्रदर्शन करने वाला शिक्षार्थी था। हालांकि, सभी फीचर रैंकिंग तकनीकों को मिलाकर, सभी शीर्ष प्रदर्शन करने वाले शिक्षार्थियों ने समान रूप से प्रदर्शन किया। बायेसियन साइन-रैंक परीक्षणों ने फ़िल्टर किए गए शिक्षार्थियों की प्रत्येक जोड़ी के बीच व्यावहारिक तुल्यता की 100% संभावना दिखाई। अनफ़िल्टर्ड डेटा (सभी 10 सामान्य सुविधाओं का उपयोग करके) के साथ, MoCA स्कोर के असमायोजित संस्करण के लिए फिर से एक प्रदर्शन लाभ था (Pr (असमायोजित> समायोजित) = 1.000), साथ ही 26 की वर्गीकरण सीमा के लिए एक समान विशिष्ट लाभ (Pr (26 > 23) = 1.000)। विशेष रूप से, सभी एमओसीए स्कोर संस्करणों/सीमाओं में शीर्ष तीन शिक्षार्थियों में से प्रत्येक का औसत प्रदर्शन केवल शीर्ष-रैंक वाली चार विशेषताओं का उपयोग करके फ़िल्टर न किए गए डेटा पर किसी भी शिक्षार्थी के औसत प्रदर्शन से अधिक है। आश्चर्य की बात नहीं, फ़िल्टर किए गए मॉडल का वर्गीकरण प्रदर्शन (शीर्ष-रैंक वाली चार विशेषताओं का उपयोग करके) समग्र रूप से अनफ़िल्टर्ड मॉडल (0.9119) से बेहतर (0.8999) था, सुविधा रैंकिंग पद्धति मॉडल की परवाह किए बिना, जो सभी 10 सामान्य का उपयोग करके उन संबंधित मॉडलों की तुलना में थे। विशेषताएँ। प्रत्येक सुविधा चयन पद्धति के लिए, अनफ़िल्टर्ड मॉडल पर प्रदर्शन लाभ की 100% संभावना थी।

एडी निदान गंभीरता वर्गीकरण के लिए विचार किए गए रोगियों के साथ, उम्र के लिए अंतर-समूह (एमसीआई-एडी बनाम एडी) अंतर (p = 0.004), शिक्षा (p = 0.028), MoCA स्कोर समायोजित/असमायोजित (p = 0.000), और एमटीएक्स-% सी (p = 0.008) सांख्यिकीय रूप से महत्वपूर्ण थे; जबकि एमटीएक्स-आरटी के लिए यह नहीं था (p = 0.097)। उन रोगियों के साथ जिन्हें वीएडी निदान गंभीरता वर्गीकरण के लिए माना जाता है, एमओसीए स्कोर के बीच-समूह (एमसीआई-वीएडी बनाम वीएडी) अंतर समायोजित/असमायोजित (p = 0.007) और एमटीएक्स-% सी (p = 0.026) और एमटीएक्स-आरटी (p = 0.001) सांख्यिकीय रूप से महत्वपूर्ण थे; जबकि उम्र के लिए (p = 0.511) और शिक्षा (p = 0.157) समूह के बीच कोई महत्वपूर्ण अंतर नहीं थे।

पहले से चयनित तीन शिक्षार्थियों, लॉजिस्टिक रिग्रेशन, नैवे बेयस और सपोर्ट वेक्टर मशीन का उपयोग करके निदान गंभीरता वर्गीकरण के लिए पूर्वानुमानित मॉडलिंग प्रदर्शन परिणाम तालिका 5 में दिखाए गए हैं। जबकि अतिरिक्त जांच किए गए शिक्षार्थियों ने दो नैदानिक ​​​​निदान श्रेणियों में से एक के साथ व्यक्तिगत रूप से थोड़ा मजबूत प्रदर्शन किया। , हमने अपने पिछले मॉडलिंग में सबसे अनुकूल के रूप में पहचाने गए तीन शिक्षार्थियों ने दोनों नई मॉडलिंग योजनाओं के साथ सबसे सुसंगत प्रदर्शन की पेशकश की। प्राथमिक निदान श्रेणियों (एडी और वीएडी) में शिक्षार्थियों की तुलना में, एमसीआई-वीएडी बनाम वीएडी के लिए शिक्षार्थियों के बीच कोई सुसंगत वर्गीकरण प्रदर्शन अंतर नहीं था, हालांकि सपोर्ट वेक्टर मशीन ने आमतौर पर अधिक प्रमुखता से प्रदर्शन किया। इसी तरह, एमसीआई-एडी बनाम एडी वर्गीकरण के लिए शिक्षार्थियों के बीच कोई महत्वपूर्ण अंतर नहीं था, हालांकि नैवे बेयस (एनबी) को लॉजिस्टिक रिग्रेशन (एलआर) पर थोड़ा सा प्रदर्शन लाभ था और 61.4% की संभावनाओं के साथ सपोर्ट वेक्टर मशीन पर केवल एक नगण्य बहुलता थी। और क्रमशः 41.7%। दोनों डेटासेट में, सपोर्ट वेक्टर मशीन (एसवीएम) के लिए समग्र प्रदर्शन लाभ था, जिसमें Pr (एसवीएम > एलआर) = 0.819 और Pr (एसवीएम> एनबी) = 0.934। एक्सएल उप-डेटासेट में निदान की गंभीरता का अनुमान लगाने में सभी शिक्षार्थियों के बीच हमारा समग्र वर्गीकरण प्रदर्शन वीएडी निदान श्रेणी बनाम एडी में बेहतर था।Pr (वीएडी> एडी) = 0.998)।

तालिका एक

दोनों संबंधित मॉडलिंग योजनाओं के लिए तीन शीर्ष प्रदर्शन करने वाले शिक्षार्थियों में से प्रत्येक के लिए द्विबीजपत्री नैदानिक ​​निदान गंभीरता वर्गीकरण प्रदर्शन (एयूसी; 0.0–1.0) परिणाम

मॉडलिंग योजना	रसद प्रतिगमन	नावे बे	समर्थन वेक्टर यंत्र
एमसीआई-एडी बनाम एडी	0.7465	0.7810	0.7443
एमसीआई-वीएडी बनाम वीएडी	0.8033	0.8044	0.8338

प्रत्येक मॉडलिंग योजना के लिए उच्चतम प्रदर्शन दिखाया गया है पिन (जरूरी नहीं कि सांख्यिकीय रूप से दूसरों की तुलना में अलग न हो) पिन).

चर्चा

संज्ञानात्मक स्वास्थ्य में परिवर्तनों का शीघ्र पता लगाना महत्वपूर्ण है व्यक्तिगत स्वास्थ्य प्रबंधन और सार्वजनिक स्वास्थ्य में समान रूप से व्यावहारिक उपयोगिता। वास्तव में, यह दुनिया भर के रोगियों के लिए क्लिनिकल सेटिंग्स में भी बहुत अधिक प्राथमिकता है। साझा लक्ष्य रोगियों, देखभाल करने वालों और प्रदाताओं को सतर्क करना है और संज्ञानात्मक गिरावट का अनुभव करने वालों के लिए पहले उचित और लागत प्रभावी उपचार और अनुदैर्ध्य देखभाल को शीघ्र करना है। हमारे तीन अस्पताल/क्लिनिक (ओं) के डेटा सबसेट को मिलाते हुए, हमने तीन विशिष्ट रूप से बेहतर शिक्षार्थियों (एक उल्लेखनीय स्टैंडआउट-नाओवे बेयस के साथ) की पहचान की, ताकि भविष्यवाणिय मॉडल का उपयोग किया जा सके। मेमट्रैक्स प्रदर्शन मेट्रिक्स जो संज्ञानात्मक स्वास्थ्य स्थिति को मज़बूती से वर्गीकृत कर सकते हैं द्विबीजपत्री (सामान्य संज्ञानात्मक स्वास्थ्य या MCI) जैसा कि एक MoCA कुल स्कोर द्वारा इंगित किया जाएगा। विशेष रूप से, सभी तीन शिक्षार्थियों के लिए समग्र वर्गीकरण प्रदर्शन में सुधार हुआ जब हमारे मॉडलों ने केवल शीर्ष क्रम की चार विशेषताओं का उपयोग किया, जो मुख्य रूप से इन मेमट्रैक्स प्रदर्शन मेट्रिक्स को शामिल करते थे। इसके अलावा, हमने मनोभ्रंश निदान की दो श्रेणियों: AD और VaD की गंभीरता को अलग करने के लिए नैदानिक ​​समर्थन वर्गीकरण मॉडलिंग योजना में समान शिक्षार्थियों और मेमट्रैक्स प्रदर्शन मेट्रिक्स का उपयोग करने की प्रमाणित क्षमता का खुलासा किया।

स्मृति परीक्षण एडी [23, 24] के शुरुआती पता लगाने के लिए केंद्रीय है। इस प्रकार, यह उपयुक्त है कि मेमट्रैक्स एक स्वीकार्य, आकर्षक और आसानी से लागू होने वाला ऑनलाइन है एपिसोडिक मेमोरी के लिए स्क्रीनिंग टेस्ट आम जनता में [6]। इस निरंतर प्रदर्शन कार्य से मान्यता सटीकता और प्रतिक्रिया समय विशेष रूप से सीखने, स्मृति और अनुभूति से संबंधित न्यूरोप्लास्टिक प्रक्रियाओं में शुरुआती और विकसित गिरावट और परिणामी कमियों की पहचान करने में प्रकट होता है। यही है, यहां के मॉडल जो मेमट्रैक्स प्रदर्शन मेट्रिक्स पर काफी हद तक आधारित हैं, संवेदनशील हैं और आसानी से और कम से कम लागत के साथ अधिक महत्वपूर्ण कार्यात्मक हानि [25] से पहले संक्रमणकालीन स्पर्शोन्मुख चरण के दौरान जैविक न्यूरोपैथोलॉजिक घाटे को प्रकट करते हैं। एशफोर्ड एट अल। MemTrax [6] के साथ स्वयं भाग लेने वाले ऑनलाइन उपयोगकर्ताओं में मान्यता स्मृति सटीकता और प्रतिक्रिया समय के पैटर्न और व्यवहार की बारीकी से जांच की। यह मानते हुए कि ये वितरण इष्टतम मॉडलिंग और वैध और प्रभावी रोगी देखभाल अनुप्रयोगों के विकास में महत्वपूर्ण हैं, नैदानिक ​​​​रूप से लागू मान्यता और प्रतिक्रिया समय प्रोफाइल को परिभाषित करना नैदानिक ​​​​और अनुसंधान उपयोगिता के लिए एक मूल्यवान आधारभूत संदर्भ स्थापित करने में आवश्यक है। एडी स्क्रीनिंग में मेमट्रैक्स का व्यावहारिक मूल्य प्रारंभिक चरण संज्ञानात्मक हानि और विभेदक नैदानिक ​​समर्थन के लिए एक नैदानिक ​​​​सेटिंग के संदर्भ में अधिक बारीकी से जांच की जानी चाहिए जहां परीक्षण प्रदर्शन को प्रभावित करने वाली सह-रुग्णता और संज्ञानात्मक, संवेदी और मोटर क्षमताओं पर विचार किया जा सकता है। और पेशेवर परिप्रेक्ष्य को सूचित करने और व्यावहारिक नैदानिक ​​उपयोगिता को प्रोत्साहित करने के लिए, एक स्थापित संज्ञानात्मक स्वास्थ्य मूल्यांकन परीक्षण की तुलना को प्रदर्शित करना पहली अनिवार्यता है, भले ही बाद वाले को बोझिल परीक्षण रसद, शिक्षा और भाषा निवारक, और सांस्कृतिक प्रभाव [26] द्वारा पहचाना जा सकता है। . इस संबंध में, एमओसीए के लिए नैदानिक ​​​​प्रभावकारिता में मेमट्रैक्स की अनुकूल तुलना जिसे आमतौर पर एक उद्योग मानक के रूप में माना जाता है, विशेष रूप से उपयोगिता की अधिक आसानी और मेमट्रैक्स की रोगी स्वीकृति को देखते हुए महत्वपूर्ण है।

MemTrax की MoCA से तुलना करने वाली पिछली खोज हमारी मॉडलिंग जांच [8] के औचित्य और प्रारंभिक साक्ष्य पर प्रकाश डालती है। हालाँकि, यह पूर्व तुलना केवल दो प्रमुख मेमट्रैक्स प्रदर्शन मेट्रिक्स से जुड़ी थी, जिनकी हमने संज्ञानात्मक स्थिति के साथ जांच की थी, जैसा कि MoCA द्वारा निर्धारित किया गया था और संबंधित श्रेणियों और कटऑफ मूल्यों को परिभाषित किया गया था। हमने भविष्य कहनेवाला मॉडलिंग-आधारित दृष्टिकोण की खोज करके मेमट्रैक्स के नैदानिक ​​​​उपयोगिता मूल्यांकन को गहरा किया है जो अन्य संभावित प्रासंगिक रोगी-विशिष्ट मापदंडों पर अधिक व्यक्तिगत विचार प्रदान करेगा। दूसरों के विपरीत, हमें MoCA स्कोर के लिए शिक्षा सुधार (समायोजन) का उपयोग करके या मूल रूप से अनुशंसित 26 से 23 [12, 15] से MoCA कुल स्कोर सीमा में भेदभाव करने वाले संज्ञानात्मक स्वास्थ्य को अलग करने में मॉडल प्रदर्शन में कोई फायदा नहीं मिला। वास्तव में, वर्गीकरण प्रदर्शन लाभ असमायोजित MoCA स्कोर और उच्च सीमा का उपयोग करने का पक्षधर है।

नैदानिक ​​अभ्यास में मुख्य बिंदु

मशीन लर्निंग का अक्सर सबसे अच्छा उपयोग किया जाता है और भविष्य कहनेवाला मॉडलिंग में सबसे अधिक प्रभावशाली होता है, जब डेटा व्यापक और बहु-आयामी होता है, अर्थात, जब कई अवलोकन होते हैं और उच्च-मूल्य (योगदान) विशेषताओं की एक सहवर्ती विस्तृत सरणी होती है। फिर भी, इन मौजूदा आंकड़ों के साथ, केवल चार चुनिंदा विशेषताओं वाले फ़िल्टर किए गए मॉडल सभी 10 सामान्य सुविधाओं का उपयोग करने वालों की तुलना में बेहतर प्रदर्शन करते हैं। इससे पता चलता है कि हमारे समग्र अस्पताल डेटासेट में इस तरह से रोगियों को बेहतर ढंग से वर्गीकृत करने के लिए सबसे चिकित्सकीय रूप से उपयुक्त (उच्च मूल्य) विशेषताएं नहीं थीं। फिर भी, प्रमुख मेमट्रैक्स प्रदर्शन मेट्रिक्स-एमटीएक्स-% सी और एमटीएक्स-आरटी- पर फीचर रैंकिंग जोर इस परीक्षण के आसपास प्रारंभिक चरण के संज्ञानात्मक घाटे की स्क्रीनिंग मॉडल के निर्माण का दृढ़ता से समर्थन करता है जो सरल, प्रशासन में आसान, कम लागत वाला और उपयुक्त रूप से खुलासा करने वाला है। स्मृति प्रदर्शन, कम से कम अभी संज्ञानात्मक स्वास्थ्य स्थिति के द्विआधारी वर्गीकरण के लिए एक प्रारंभिक स्क्रीन के रूप में। प्रदाताओं और स्वास्थ्य देखभाल प्रणालियों पर लगातार बढ़ते तनाव को देखते हुए, रोगी स्क्रीनिंग प्रक्रियाओं और नैदानिक ​​अनुप्रयोगों को उपयुक्त रूप से विकसित किया जाना चाहिए, जो उन रोगी विशेषताओं और परीक्षण मीट्रिक को एकत्रित करने, ट्रैक करने और मॉडलिंग करने पर जोर देते हैं जो निदान में सबसे उपयोगी, लाभप्रद और प्रभावी साबित होते हैं। और रोगी प्रबंधन सहायता।

दो प्रमुख मेमट्रैक्स मेट्रिक्स एमसीआई वर्गीकरण के लिए केंद्रीय होने के साथ, हमारे शीर्ष-प्रदर्शन करने वाले शिक्षार्थी (नावे बेयस) का अधिकांश मॉडलों में बहुत अधिक भविष्य कहनेवाला प्रदर्शन था (एयूसी 0.90 से अधिक) एक सच्चे-सकारात्मक से झूठे-सकारात्मक अनुपात के करीब या कुछ हद तक 4 से अधिक : 1. इस शिक्षार्थी का उपयोग करने वाला एक अनुवाद संबंधी नैदानिक ​​अनुप्रयोग इस प्रकार संज्ञानात्मक घाटे वाले अधिकांश लोगों द्वारा कब्जा (सही ढंग से वर्गीकृत) करेगा, जबकि सामान्य संज्ञानात्मक स्वास्थ्य वाले किसी व्यक्ति को संज्ञानात्मक घाटे (गलत सकारात्मक) के रूप में गलती से वर्गीकृत करने से जुड़ी लागत को कम करता है या उन लोगों में उस वर्गीकरण को याद नहीं कर रहा है जिनके पास संज्ञानात्मक घाटा है (झूठी नकारात्मक)। गर्भपात के इन परिदृश्यों में से कोई भी रोगी और देखभाल करने वालों पर अनुचित मनोवैज्ञानिक-सामाजिक बोझ डाल सकता है।

जबकि प्रारंभिक और पूर्ण विश्लेषण में हमने प्रत्येक मॉडलिंग योजना में सभी दस शिक्षार्थियों का उपयोग किया, हमने अपने परिणामों को तीन क्लासिफायर पर केंद्रित किया जो सबसे लगातार मजबूत प्रदर्शन दिखा रहा है। यह इन आंकड़ों के आधार पर, उन शिक्षार्थियों को उजागर करने के लिए भी था, जो संज्ञानात्मक स्थिति वर्गीकरण का निर्धारण करने में एक व्यावहारिक नैदानिक ​​अनुप्रयोग में उच्च स्तर पर भरोसेमंद रूप से प्रदर्शन करेंगे। इसके अलावा, क्योंकि इस अध्ययन का उद्देश्य संज्ञानात्मक स्क्रीनिंग पर मशीन लर्निंग की उपयोगिता और इन समय पर नैदानिक ​​चुनौतियों की एक प्रारंभिक जांच के रूप में था, हमने न्यूनतम पैरामीटर ट्यूनिंग के साथ सीखने की तकनीकों को सरल और सामान्यीकृत रखने का निर्णय लिया। हम सराहना करते हैं कि इस दृष्टिकोण ने अधिक संकीर्ण रूप से परिभाषित रोगी-विशिष्ट भविष्य कहनेवाला क्षमताओं की क्षमता को सीमित कर दिया है। इसी तरह, केवल शीर्ष विशेषताओं (फ़िल्टर किए गए दृष्टिकोण) का उपयोग करके मॉडल को प्रशिक्षण देने से हमें इन आंकड़ों के बारे में और जानकारी मिलती है (एकत्रित डेटा में कमियों के लिए विशिष्ट और कीमती नैदानिक ​​समय और संसाधनों को अनुकूलित करने में मूल्य को उजागर करना), हम मानते हैं कि यह संकीर्ण करने के लिए समय से पहले है मॉडलों का दायरा और, इसलिए, सभी (और अन्य विशेषताओं) को भविष्य के अनुसंधान के साथ विचार किया जाना चाहिए जब तक कि हमारे पास व्यापक आबादी पर लागू होने वाली प्राथमिकता सुविधाओं का अधिक निश्चित प्रोफ़ाइल न हो। इस प्रकार, हम यह भी पूरी तरह से मानते हैं कि अधिक समावेशी और व्यापक रूप से प्रतिनिधि डेटा और इन और अन्य मॉडलों का अनुकूलन उन्हें एक प्रभावी नैदानिक ​​​​अनुप्रयोग में एकीकृत करने से पहले आवश्यक होगा, विशेष रूप से संज्ञानात्मक प्रदर्शन को प्रभावित करने वाली कॉमरेडिडिटी को समायोजित करने के लिए जिसे आगे के नैदानिक ​​​​मूल्यांकन में विचार करने की आवश्यकता होगी।

मेमट्रैक्स की उपयोगिता को अलग नैदानिक ​​​​निदान के आधार पर रोग की गंभीरता के मॉडलिंग द्वारा आगे बढ़ाया गया। वीएडी (एडी की तुलना में) की गंभीरता का अनुमान लगाने में बेहतर समग्र वर्गीकरण प्रदर्शन नहीं था संवहनी स्वास्थ्य के लिए विशिष्ट मॉडल में रोगी प्रोफ़ाइल सुविधाओं को देखते हुए आश्चर्य हुआ और स्ट्रोक जोखिम, यानी, उच्च रक्तचाप, हाइपरलिपिडेमिया, मधुमेह, और (बेशक) स्ट्रोक का इतिहास। हालांकि इन अधिक समावेशी डेटा के साथ शिक्षार्थियों को प्रशिक्षित करने के लिए सामान्य संज्ञानात्मक स्वास्थ्य वाले मेल खाने वाले रोगियों पर समान नैदानिक ​​​​मूल्यांकन आयोजित करना अधिक वांछनीय और उपयुक्त होता। यह विशेष रूप से आवश्यक है, क्योंकि मेमट्रैक्स का उद्देश्य मुख्य रूप से एक संज्ञानात्मक घाटे के प्रारंभिक चरण का पता लगाने और बाद में व्यक्तिगत परिवर्तन की ट्रैकिंग के लिए उपयोग किया जाना है। यह भी प्रशंसनीय है कि VaD डेटासेट में डेटा के अधिक वांछनीय वितरण ने तुलनात्मक रूप से बेहतर मॉडलिंग प्रदर्शन में योगदान दिया। VaD डेटासेट दो वर्गों के बीच अच्छी तरह से संतुलित था, जबकि AD डेटासेट बहुत कम MCI रोगियों के साथ नहीं था। विशेष रूप से छोटे डेटासेट में, कुछ अतिरिक्त उदाहरण भी मापने योग्य अंतर ला सकते हैं। दोनों दृष्टिकोण उचित तर्क हैं जो रोग गंभीरता मॉडलिंग प्रदर्शन में अंतर को अंतर्निहित करते हैं। हालांकि, आनुपातिक रूप से डाटासेट संख्यात्मक विशेषताओं या विचाराधीन नैदानिक ​​​​प्रस्तुति के लिए विशिष्ट अंतर्निहित सुविधाओं के लिए बेहतर प्रदर्शन का श्रेय समय से पहले है। बहरहाल, इस उपन्यास ने क्लिनिकल डायग्नोस्टिक सपोर्ट की भूमिका में एक मेमट्रैक्स प्रेडिक्टिव क्लासिफिकेशन मॉडल की उपयोगिता प्रदर्शित की, जो मूल्यवान परिप्रेक्ष्य प्रदान करता है और एमसीआई की निरंतरता में रोगियों के साथ अतिरिक्त परीक्षा के लिए प्रयास की पुष्टि करता है।

चीन में मेमट्रैक्स और इन मॉडलों का कार्यान्वयन और प्रदर्शित उपयोगिता, जहां भाषा और संस्कृति स्थापित उपयोगिता के अन्य क्षेत्रों (जैसे, फ्रांस, नीदरलैंड और संयुक्त राज्य अमेरिका) [7, 8, 27] से काफी भिन्न हैं, आगे की क्षमता को रेखांकित करते हैं मेमट्रैक्स-आधारित प्लेटफॉर्म की व्यापक वैश्विक स्वीकृति और नैदानिक ​​​​मूल्य के लिए। यह डेटा सामंजस्य की दिशा में प्रयास करने और संज्ञानात्मक स्क्रीनिंग के लिए व्यावहारिक अंतरराष्ट्रीय मानदंडों और मॉडलिंग संसाधनों को विकसित करने का एक उदाहरण है जो दुनिया भर में उपयोग के लिए मानकीकृत और आसानी से अनुकूलित हैं।

संज्ञानात्मक गिरावट मॉडलिंग और अनुप्रयोग में अगले चरण

AD में संज्ञानात्मक शिथिलता वास्तव में एक निरंतरता पर होती है, असतत चरणों या चरणों में नहीं [28, 29]। हालाँकि, इस शुरुआती चरण में, हमारा लक्ष्य पहले मेमट्रैक्स को शामिल करते हुए एक मॉडल बनाने की हमारी क्षमता स्थापित करना था जो "सामान्य" को "सामान्य नहीं" से मौलिक रूप से अलग कर सके। अधिक समावेशी अनुभवजन्य डेटा (जैसे, मस्तिष्क इमेजिंग, आनुवंशिक विशेषताएं, बायोमार्कर, सहरुग्णता, और जटिल के कार्यात्मक मार्कर गतिविधियों को संज्ञानात्मक की आवश्यकता होती है नियंत्रण) [30] विभिन्न वैश्विक क्षेत्रों, आबादी और आयु समूहों में अधिक परिष्कृत (उपयुक्त भारित पहनावा सहित) मशीन लर्निंग मॉडल को प्रशिक्षित करने और विकसित करने के लिए उन्नत वर्गीकरण की एक बड़ी डिग्री का समर्थन करेगा, अर्थात् रोगियों के समूहों को वर्गीकृत करने की क्षमता संज्ञानात्मक गिरावट सातत्य के साथ छोटे और अधिक निश्चित उपसमुच्चय में एमसीआई। इसके अलावा, क्षेत्रीय रूप से विविध रोगी आबादी के व्यक्तियों के लिए सहवर्ती नैदानिक ​​​​निदान आवश्यक हैं प्रभावी ढंग से प्रशिक्षित ये अधिक समावेशी और अनुमानित रूप से मजबूत मॉडल हैं। यह समान पृष्ठभूमि, प्रभाव और अधिक संकीर्ण रूप से परिभाषित विशेषता संज्ञानात्मक प्रोफाइल वाले लोगों के लिए अधिक विशिष्ट स्तरीकृत केस प्रबंधन की सुविधा प्रदान करेगा और इस प्रकार नैदानिक ​​निर्णय समर्थन और रोगी देखभाल का अनुकूलन करेगा।

आज तक के अधिकांश प्रासंगिक नैदानिक ​​अनुसंधानों ने कम से कम हल्के मनोभ्रंश वाले रोगियों को संबोधित किया है; और, व्यवहार में, बहुत बार रोगी हस्तक्षेप केवल उन्नत चरणों में ही करने का प्रयास किया जाता है। हालांकि, क्योंकि मनोभ्रंश के नैदानिक ​​​​मानदंडों को पूरा करने से पहले संज्ञानात्मक गिरावट शुरू हो जाती है, एक प्रभावी रूप से लागू मेमट्रैक्स-आधारित प्रारंभिक स्क्रीन रोग और इसकी प्रगति के बारे में व्यक्तियों की उचित शिक्षा को प्रोत्साहित कर सकती है और पहले और अधिक समय पर हस्तक्षेप कर सकती है। इस प्रकार, प्रारंभिक पहचान व्यायाम, आहार, भावनात्मक समर्थन, और बेहतर समाजीकरण से लेकर फार्माकोलॉजिकल हस्तक्षेप तक उपयुक्त भागीदारी का समर्थन कर सकती है और व्यवहार और धारणा में रोगी से संबंधित परिवर्तनों को सुदृढ़ कर सकती है जो अकेले या समग्र रूप से मनोभ्रंश प्रगति को कम या संभावित रूप से रोक सकते हैं [31, 32] . इसके अलावा, प्रभावी के साथ प्रारंभिक स्क्रीनिंग, व्यक्तियों और उनके परिवारों को उम्मीदों और इरादों को स्पष्ट करने और दैनिक कार्यों को प्रबंधित करने में मदद करने के लिए नैदानिक ​​परीक्षणों पर विचार करने या परामर्श और अन्य सामाजिक सेवाओं का समर्थन प्राप्त करने के लिए प्रेरित किया जा सकता है। इन तरीकों से आगे की मान्यता और व्यापक व्यावहारिक उपयोगिता कई व्यक्तियों के लिए MCI, AD और ADRD की प्रगति को कम करने या रोकने में सहायक हो सकती है।

वास्तव में, हमारे अध्ययन में रोगी की आयु सीमा का निम्न अंत AD के साथ पारंपरिक चिंता की जनसंख्या का प्रतिनिधित्व नहीं करता है। बहरहाल, MoCA स्कोर/दहलीज और निदान गंभीरता (तालिका 3) के आधार पर वर्गीकरण मॉडलिंग योजनाओं में उपयोग किए जाने वाले प्रत्येक समूह की औसत आयु कम से कम 80 वर्ष की आयु के स्पष्ट बहुमत (50% से अधिक) को रेखांकित करती है। इस प्रकार यह वितरण सामान्यीकरण के लिए बहुत उपयुक्त है, जो आम तौर पर प्रभावित लोगों की विशेषता वाली आबादी में इन मॉडलों की उपयोगिता का समर्थन करता है जल्दी शुरुआत और AD और VaD के कारण न्यूरोकॉग्निटिव बीमारी का बोझ। इसके अलावा, हाल के साक्ष्य और परिप्रेक्ष्य उन मान्यता प्राप्त कारकों (जैसे, उच्च रक्तचाप, मोटापा, मधुमेह, और धूम्रपान) पर जोर देते हैं, जो संभावित रूप से उच्च प्रारंभिक योगदान दे रहे हैं वयस्क और मध्य जीवन संवहनी जोखिम स्कोर और परिणामी सूक्ष्म संवहनी मस्तिष्क की चोट जो युवावस्था में भी स्पष्ट प्रभाव के साथ विकसित होती है वयस्क [33-35]। तदनुसार, जल्दी पता लगाने के लिए सबसे इष्टतम प्रारंभिक स्क्रीनिंग अवसर डिमेंशिया को सफलतापूर्वक संबोधित करने के लिए संज्ञानात्मक घाटे को चरणबद्ध करना और प्रभावी रोकथाम और हस्तक्षेप रणनीतियों की शुरुआत करना शुरुआती वयस्कता और संभावित रूप से यहां तक ​​​​कि बचपन (प्रारंभिक गर्भधारण से एपोलिपोप्रोटीन ई जैसे आनुवंशिक कारकों की प्रासंगिकता को ध्यान में रखते हुए) सहित उम्र के स्पेक्ट्रम में योगदान करने वाले कारकों और पूर्ववर्ती संकेतकों की जांच से उभरेगा।

व्यवहार में, उन्नत इमेजिंग, जेनेटिक प्रोफाइलिंग, और होनहार बायोमार्कर को मापने के लिए वैध नैदानिक ​​​​निदान और महंगी प्रक्रियाएं हमेशा उपलब्ध नहीं होती हैं या कई प्रदाताओं के लिए संभव भी नहीं होती हैं। इस प्रकार, कई उदाहरणों में, प्रारंभिक समग्र संज्ञानात्मक स्वास्थ्य स्थिति वर्गीकरण को रोगी द्वारा प्रदान किए गए अन्य सरल मेट्रिक्स (जैसे, स्व-रिपोर्ट किए गए) का उपयोग करके मॉडल से प्राप्त करना पड़ सकता है। स्मृति समस्याएं, वर्तमान दवाएं, और नियमित गतिविधि सीमाएं) और सामान्य जनसांख्यिकीय विशेषताएं [7]। कैलिफोर्निया विश्वविद्यालय जैसे रजिस्ट्रियां ब्रेन स्वास्थ्य रजिस्ट्री (https://www.brainhealthregistry.org/) [27] और दूसरों के साथ स्व-रिपोर्ट किए गए लक्षणों, गुणात्मक उपायों (जैसे, नींद और हर दिन अनुभूति), दवाओं, स्वास्थ्य की स्थिति और इतिहास की अंतर्निहित अधिक चौड़ाई के साथ, और क्लिनिक में इन अधिक आदिम मॉडलों के व्यावहारिक अनुप्रयोग को विकसित करने और मान्य करने में अधिक विस्तृत जनसांख्यिकी सहायक होगी। इसके अलावा, मेमट्रैक्स जैसा एक परीक्षण, जिसने मेमोरी फ़ंक्शन का आकलन करने में उपयोगिता प्रदर्शित की है, वास्तव में जैविक मार्करों की तुलना में एडी पैथोलॉजी का काफी बेहतर अनुमान प्रदान कर सकता है। यह देखते हुए कि एडी पैथोलॉजी की मुख्य विशेषता न्यूरोप्लास्टिकिटी का विघटन है और सिनैप्स का अत्यधिक जटिल नुकसान है, जो एपिसोडिक के रूप में प्रकट होता है मेमोरी डिसफंक्शन, एक उपाय जो एपिसोडिक मेमोरी का आकलन करता है, वास्तव में हो सकता है जीवित रोगी [36] में जैविक मार्करों की तुलना में एडी पैथोलॉजिकल बोझ का बेहतर अनुमान प्रदान करें।

सभी भविष्य कहनेवाला मॉडल के साथ - चाहे वह अत्याधुनिक तकनीक से जटिल और समावेशी डेटा और कई डोमेन में परिष्कृत नैदानिक ​​​​अंतर्दृष्टि के पूरक हों या जो मौजूदा रोगी प्रोफाइल की अधिक बुनियादी और आसानी से उपलब्ध सूचना विशेषता तक सीमित हों - कृत्रिम बुद्धिमत्ता का मान्यता प्राप्त लाभ और मशीन लर्निंग यह है कि परिणामी मॉडल प्रासंगिक नए डेटा और चल रहे एप्लिकेशन उपयोग द्वारा प्रदान किए गए परिप्रेक्ष्य से संश्लेषित और अनिवार्य रूप से "सीख" सकते हैं। व्यावहारिक प्रौद्योगिकी हस्तांतरण के बाद, जैसा कि यहां मॉडल (और विकसित किए जाने के लिए) लागू होते हैं और अधिक मामलों और प्रासंगिक डेटा के साथ समृद्ध होते हैं (कॉमरेडिडिटी वाले रोगियों सहित जो आगामी संज्ञानात्मक गिरावट के साथ उपस्थित हो सकते हैं), भविष्यवाणी प्रदर्शन और संज्ञानात्मक स्वास्थ्य वर्गीकरण अधिक मजबूत होगा, अधिक प्रभावी नैदानिक ​​निर्णय समर्थन उपयोगिता के परिणामस्वरूप। मेमट्रैक्स को कस्टम (उपलब्ध क्षमताओं के लिए लक्षित) प्लेटफार्मों में एम्बेड करने के साथ यह विकास पूरी तरह से और व्यावहारिक रूप से महसूस किया जाएगा, जिसका उपयोग स्वास्थ्य सेवा प्रदाता क्लिनिक में वास्तविक समय में कर सकते हैं।

नैदानिक ​​सहायता और रोगी देखभाल के लिए मेमट्रैक्स मॉडल के सत्यापन और उपयोगिता के लिए अनिवार्य रूप से सार्थक अनुदैर्ध्य डेटा की अत्यधिक मांग है। प्रारंभिक चरण एमसीआई के माध्यम से सामान्य की पर्याप्त सीमा में नैदानिक ​​स्थिति में सहवर्ती परिवर्तनों (यदि कोई हो) को देखकर और रिकॉर्ड करके, उचित चल रहे मूल्यांकन और वर्गीकरण के लिए मॉडल को प्रशिक्षित किया जा सकता है और रोगियों की उम्र के रूप में संशोधित किया जा सकता है और उनका इलाज किया जा सकता है। यही है, बार-बार उपयोगिता हल्के संज्ञानात्मक परिवर्तनों, हस्तक्षेप प्रभावशीलता, और सूचित स्तरीकृत देखभाल को बनाए रखने के अनुदैर्ध्य ट्रैकिंग में सहायता कर सकती है। यह दृष्टिकोण नैदानिक ​​अभ्यास और रोगी और केस प्रबंधन के साथ अधिक निकटता से संरेखित करता है।

सीमाओं

हम एक नियंत्रित क्लिनिक/अस्पताल सेटिंग में स्वच्छ नैदानिक ​​डेटा एकत्र करने में चुनौती और मूल्य की सराहना करते हैं। बहरहाल, अगर हमारे डेटासेट में सामान्य विशेषताओं वाले अधिक रोगी शामिल होते तो यह हमारे मॉडलिंग को मजबूत करता। इसके अलावा, हमारे निदान मॉडलिंग के लिए विशिष्ट, यह अधिक वांछनीय और उपयुक्त होता कि शिक्षार्थियों को प्रशिक्षित करने के लिए सामान्य संज्ञानात्मक स्वास्थ्य वाले मेल खाने वाले रोगियों पर समान नैदानिक ​​​​मूल्यांकन किया जाता। और जैसा कि फ़िल्टर किए गए डेटासेट (केवल शीर्ष क्रम की चार विशेषताओं) का उपयोग करके उच्च वर्गीकरण प्रदर्शन द्वारा रेखांकित किया गया है, अधिक सामान्य और संज्ञानात्मक स्वास्थ्य उपायों/संकेतकों में सुधार होने की संभावना है सभी रोगियों में सामान्य सुविधाओं की अधिक संख्या के साथ मॉडलिंग प्रदर्शन।

कुछ प्रतिभागी सहवर्ती रूप से अन्य बीमारियों का अनुभव कर रहे होंगे जो क्षणिक या पुरानी संज्ञानात्मक कमियों को प्रेरित कर सकते थे। XL उप-डेटासेट के अलावा, जहां रोगियों को नैदानिक ​​​​रूप से AD या VaD के रूप में वर्गीकृत किया गया था, YH रोगी पूल में कॉमरेडिटी डेटा एकत्र / रिपोर्ट नहीं किया गया था, और KM उप-डेटासेट में अब तक प्रमुख रूप से रिपोर्ट की गई कॉमरेडिटी मधुमेह थी। हालांकि, यह तर्कपूर्ण है कि हमारी मॉडलिंग योजनाओं में सह-रुग्णता वाले मरीज़ शामिल हैं जो संज्ञानात्मक कमी के स्तर को बढ़ा सकते हैं या बढ़ा सकते हैं और इसके परिणामस्वरूप कम मेमट्रैक्स प्रदर्शन इस अधिक सामान्यीकृत प्रारंभिक संज्ञानात्मक स्क्रीनिंग के लिए वास्तविक-विश्व लक्षित रोगी आबादी का अधिक प्रतिनिधि होगा। और मॉडलिंग दृष्टिकोण। आगे बढ़ते हुए, संज्ञानात्मक प्रदर्शन को संभावित रूप से प्रभावित करने वाली सहरुग्णता का सटीक निदान मॉडल और परिणामी रोगी देखभाल अनुप्रयोगों के अनुकूलन के लिए व्यापक रूप से फायदेमंद है।

अंत में, YH और KM उप-डेटासेट रोगियों ने MemTrax परीक्षण लेने के लिए एक स्मार्टफोन का उपयोग किया, जबकि XL उप-डेटासेट रोगियों की एक सीमित संख्या ने एक iPad का उपयोग किया और बाकी ने एक स्मार्टफोन का उपयोग किया। यह MoCA वर्गीकरण मॉडलिंग के लिए MemTrax प्रदर्शन में एक मामूली उपकरण-संबंधी अंतर पेश कर सकता था। हालांकि, एमटीएक्स-आरटी में अंतर (यदि कोई हो), उदाहरण के लिए, उपकरणों के बीच नगण्य होगा, विशेष रूप से प्रत्येक प्रतिभागी को रिकॉर्ड किए गए परीक्षण प्रदर्शन से ठीक पहले "अभ्यास" परीक्षण दिया जा रहा है। फिर भी, इन दो हैंडहेल्ड उपकरणों की उपयोगिता संभावित रूप से अन्य MemTrax परिणामों के साथ सीधे तुलना और/या एकीकरण से समझौता करती है, जहां उपयोगकर्ताओं ने कंप्यूटर कीबोर्ड पर स्पेसबार को छूकर चित्रों को दोहराने का जवाब दिया।

मेमट्रैक्स प्रेडिक्टिव मॉडलिंग यूटिलिटी पर मुख्य बिंदु

• • हमारे टॉप-परफॉर्मिंग प्रेडिक्टिव मॉडल में चयनित मेमट्रैक्स परफॉर्मेंस मेट्रिक्स शामिल हैं जो संज्ञानात्मक स्वास्थ्य स्थिति (सामान्य संज्ञानात्मक स्वास्थ्य या एमसीआई) को विश्वसनीय रूप से वर्गीकृत कर सकते हैं जैसा कि व्यापक रूप से मान्यता प्राप्त एमओसीए परीक्षण द्वारा इंगित किया जाएगा।
• • ये परिणाम प्रारंभिक चरण संज्ञानात्मक हानि के लिए चयनित मेमट्रैक्स प्रदर्शन मेट्रिक्स को एक वर्गीकरण भविष्य कहनेवाला मॉडल स्क्रीनिंग एप्लिकेशन में एकीकरण का समर्थन करते हैं।
• • हमारे वर्गीकरण मॉडलिंग ने डिमेंशिया निदान की गंभीरता को अलग करने के लिए अनुप्रयोगों में मेमट्रैक्स प्रदर्शन का उपयोग करने की क्षमता का भी खुलासा किया।

ये उपन्यास निष्कर्ष संज्ञानात्मक हानि का अनुभव करने वाले व्यक्तियों के लिए प्रभावी नैदानिक ​​​​मामले प्रबंधन और रोगी देखभाल में नैदानिक ​​समर्थन के लिए उन्नत मजबूत मेमट्रैक्स-आधारित वर्गीकरण मॉडल के निर्माण में मशीन सीखने की उपयोगिता का समर्थन करने वाले निश्चित सबूत स्थापित करते हैं।

स्वीकृतियां

हम जे. वेसन एशफोर्ड, कर्टिस बी. एशफोर्ड और उनके सहयोगियों के काम को पहचानते हैं जिन्होंने यहां उपयोग किए गए ऑनलाइन निरंतर मान्यता कार्य और उपकरण (मेमट्रैक्स) को विकसित और मान्य किया है और हम डिमेंशिया वाले कई रोगियों के आभारी हैं जिन्होंने महत्वपूर्ण मूलभूत शोध में योगदान दिया . हम एसजेएन बायोमेड लिमिटेड में जियानबो झोउ और उनके सहयोगियों, अस्पतालों / क्लीनिक साइटों पर उनके सहयोगियों और सहयोगियों, विशेष रूप से डॉ। एम. लुओ और एम. झोंग, जिन्होंने प्रतिभागियों की भर्ती, परीक्षण शेड्यूल करने, और डेटा एकत्र करने, रिकॉर्ड करने और फ्रंट-एंड के प्रबंधन में मदद की, और स्वयंसेवक प्रतिभागियों ने अपना बहुमूल्य समय दान किया और परीक्षण लेने और प्रदान करने की प्रतिबद्धता जताई इस अध्ययन में मूल्यांकन करने के लिए हमारे लिए मूल्यवान डेटा। इस अध्ययन को एमडी वैज्ञानिक अनुसंधान द्वारा समर्थित किया गया था कुनमिंग मेडिकल यूनिवर्सिटी का कार्यक्रम (अनुदान संख्या 2017BS028 से XL) और युन्नान विज्ञान और प्रौद्योगिकी विभाग का अनुसंधान कार्यक्रम (अनुदान संख्या 2019FE001 (-222) से XL)।

जे. वेसन एशफोर्ड ने सामान्य के लिए इस पत्र में वर्णित विशिष्ट निरंतर मान्यता प्रतिमान के उपयोग के लिए एक पेटेंट आवेदन दायर किया है स्मृति का परीक्षण.

मेमट्रैक्स, एलएलसी कर्टिस एशफोर्ड के स्वामित्व वाली कंपनी है, और यह कंपनी इसका प्रबंधन कर रही है स्मृति परीक्षण प्रणाली इस पत्र में वर्णित है।

लेखकों के खुलासे ऑनलाइन उपलब्ध हैं (https://www.j-alz.com/manuscript-disclosures/19-1340r2)।

संदर्भ

[1] अल्जाइमर एसोसिएशन (2016) 2016 अल्जाइमर रोग तथ्य और आंकड़े। अल्जाइमर डिमेंट 12, 459-509।
[2] ग्रेसेंज़ सीआर, मिशेल जेएम, मैरोन जे, फेडरॉफ़ एचजे (2019) प्रारंभिक चरण का प्रभाव अल्जाइमर रोग घरेलू वित्तीय परिणामों पर। स्वास्थ्य अर्थव्यवस्था 29, 18-29।
[3]	फोस्टर एनएल, बोंडी मेगावाट, दास आर, फॉस एम, हर्षे एलए, कोह एस, लोगान आर, पूल सी, शेगा जेडब्ल्यू, सूद ए, थोथला एन, विकलंड एम, यू एम, बेनेट ए, वांग डी (2019) में गुणवत्ता में सुधार न्यूरोलॉजी: हल्के संज्ञानात्मक हानि गुणवत्ता माप सेट। न्यूरोलॉजी 93, 705–713।
[4] टोंग टी, ठोकला पी, मैकमिलन बी, घोष आर, ब्रेज़ियर जे (2017) उपयोग की लागत प्रभावशीलता प्राथमिक देखभाल में मनोभ्रंश और हल्के संज्ञानात्मक हानि का पता लगाने के लिए संज्ञानात्मक स्क्रीनिंग परीक्षण. इंट जे जेरियाट्र साइकियाट्री 32, 1392-1400।
[5] एशफोर्ड जेडब्ल्यू, गेरे ई, बेले पीजे (2011) स्मृति को मापना एक सतत मान्यता परीक्षण का उपयोग करके बड़े समूह की सेटिंग में। जे अल्जाइमर डिस 27, 885-895।
[6]	एशफोर्ड जेडब्ल्यू, टार्पिन-बर्नार्ड एफ, एशफोर्ड सीबी, एशफोर्ड एमटी (2019) एपिसोडिक मेमोरी के मापन के लिए एक कम्प्यूटरीकृत निरंतर-मान्यता कार्य। जे अल्जाइमर डिस 69, 385-399।
[7]	बर्जरॉन एमएफ, लैंडसेट एस, टार्पिन-बर्नार्ड एफ, एशफोर्ड सीबी, खोशगोफ्तार टीएम, एशफोर्ड जेडब्ल्यू (2019) संज्ञानात्मक स्वास्थ्य स्थिति वर्गीकरण की भविष्यवाणी के लिए मशीन लर्निंग मॉडलिंग में एपिसोडिक-मेमोरी परफॉर्मेंस। जे अल्जाइमर डिस 70, 277-286।
[8] वैन डेर होक एमडी, निउवेनहुइज़न ए, कीजर जे, एशफोर्ड जेडब्ल्यू (2019) मेमट्रैक्स परीक्षण हल्के संज्ञानात्मक हानि के मॉन्ट्रियल संज्ञानात्मक मूल्यांकन अनुमान की तुलना में। जे अल्जाइमर डिस 67, 1045-1054।
[9]	फाल्कोन एम, यादव एन, पोएलाबाउर सी, फ्लिन पी (2013) हल्के दर्दनाक मस्तिष्क की चोट के वर्गीकरण के लिए पृथक स्वर ध्वनियों का उपयोग करना। 2013 में ध्वनिकी, भाषण और सिग्नल प्रोसेसिंग पर आईईईई अंतर्राष्ट्रीय सम्मेलन, वैंकूवर, बीसी, पीपी। 7577-7581।
[10]	डाबेक एफ, कैबन जेजे (2015) एक हिलाना के बाद मनोवैज्ञानिक स्थितियों के विकास की संभावना को मॉडल करने के लिए बड़े डेटा का लाभ उठाना। प्रोसीडिया कम्प्यूट साइंस 53, 265-273।
[11]	क्लिमेंट एमटी, पार्डो जे, मुनोज-अलमराज़ एफजे, ग्युरेरो एमडी, मोरेनो एल (2018) सामुदायिक फार्मासिस्टों द्वारा संज्ञानात्मक हानि का शीघ्र पता लगाने के लिए निर्णय वृक्ष। फ्रंट फार्माकोल 9, 1232।
[12]	Nasreddine ZS, Philips NA, Bedirian V, Charbonneau S, Whitehead V, Collin I, Cummings JL, Chertkow H (2005) द मॉन्ट्रियल कॉग्निटिव असेसमेंट, MoCA: हल्के संज्ञानात्मक हानि के लिए एक संक्षिप्त स्क्रीनिंग टूल। जे एम गेरियाट्र सोक 53, 695–699।
[13]	यू जे, ली जे, हुआंग एक्स (2012) मॉन्ट्रियल संज्ञानात्मक मूल्यांकन का बीजिंग संस्करण हल्के संज्ञानात्मक हानि के लिए एक संक्षिप्त स्क्रीनिंग टूल के रूप में: एक समुदाय-आधारित अध्ययन। बीएमसी मनोरोग 12, 156।
[14]	चेन केएल, जू वाई, चू एक्यू, डिंग डी, लिआंग एक्सएन, नासरेडाइन जेडएस, डोंग क्यू, हांग जेड, झाओ क्यूएच, गुओ क्यूएच (2016) हल्के संज्ञानात्मक हानि की जांच के लिए मॉन्ट्रियल संज्ञानात्मक मूल्यांकन बुनियादी के चीनी संस्करण का सत्यापन। जे एम गेरियाट्र सोक 64, e285–e290।
[15]	कार्सन एन, लीच एल, मर्फी केजे (2018) मॉन्ट्रियल कॉग्निटिव असेसमेंट (एमओसीए) कटऑफ स्कोर की फिर से परीक्षा। इंट जे जेरियाट्र साइकियाट्री 33, 379-388।
[16]	अमेरिकन साइकियाट्रिक एसोसिएशन (2013) टास्क फोर्स डायग्नोस्टिक एंड स्टैटिस्टिकल मैनुअल ऑफ मेंटल डिसऑर्डर: DSM-5™, अमेरिकन साइकियाट्रिक पब्लिशिंग, इंक।, वाशिंगटन, डीसी।
[17]	अजगर। पायथन सॉफ्टवेयर फाउंडेशन, http://www.python.org, 15 नवंबर, 2019 को एक्सेस किया गया।
[18]	आर कोर ग्रुप, आर: सांख्यिकीय कंप्यूटिंग के लिए एक भाषा और पर्यावरण सांख्यिकीय कंप्यूटिंग के लिए आर फाउंडेशन, वियना, ऑस्ट्रिया। https://www.R-project.org/, 2018, 15 नवंबर 2019 को एक्सेस किया गया।
[19]	बेनावोली ए, कोरानी जी, डेमर जे, जैफलॉन एम (2017) एक बदलाव का समय: बायेसियन विश्लेषण के माध्यम से कई क्लासिफायर की तुलना करने के लिए एक ट्यूटोरियल। जे मच लर्न रेस 18, 1-36।
[20]	फ्रैंक ई, हॉल एमए, विट्टन आईएच (2016) WEKA कार्यक्षेत्र। में डाटा माइनिंग: प्रैक्टिकल मशीन लर्निंग टूल्स एंड टेक्निक्स, फ्रैंक ई, हॉल एमए, विटन आईएच, पाल सीजे, एड। मॉर्गन कॉफ़मैन https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf
[21]	बर्जरॉन एमएफ, लैंडसेट एस, मौगन्स टीए, विलियम्स वीबी, कोलिन्स सीएल, वासरमैन ईबी, खोशगोफ्तार टीएम (2019) मॉडलिंग हाई स्कूल स्पोर्ट कंस्यूशन लक्षण समाधान में मशीन लर्निंग। मेड साइंस स्पोर्ट्स एक्सरसाइज 51, 1362-1371।
[22]	वैन हल्से जे, खोशगोफ्तार टीएम, नेपोलिटानो ए (2007) असंतुलित डेटा से सीखने पर प्रायोगिक दृष्टिकोण। में मशीन लर्निंग पर 24वें अंतर्राष्ट्रीय सम्मेलन की कार्यवाही, कोरवालिस, ओरेगॉन, यूएसए, पीपी. 935-942.
[23]	एशफोर्ड जेडब्ल्यू, कोलम पी, कोलिवर जेए, बेकियन सी, एचएसयू एलएन (1989) अल्जाइमर रोगी मूल्यांकन और मिनी-मानसिक स्थिति: आइटम विशेषता वक्र विश्लेषण। पी। जे गेरोनटोल 44, 139-146।
[24] एशफोर्ड जेडब्ल्यू, जार्विक एल (1985) अल्जाइमर रोग: क्या न्यूरॉन प्लास्टिसिटी एक्सोनल न्यूरोफिब्रिलरी डिजनरेशन का पूर्वाभास करता है? एन इंग्लैंड जे मेड 313, 388–389।
[25] जैक सीआर जूनियर, थर्न्यू टीएम, वीगैंड एसडी, विस्ट एचजे, नोपमैन डीएस, वेमुरी पी, लोव वीजे, मिलेके एमएम, रॉबर्ट्स आरओ, माचुल्दा एमएम, ग्रेफ-रेडफोर्ड जे, जोन्स डीटी, श्वार्ज सीजी, गुंटर जेएल, सेंजेम एमएल , रोक्का डब्ल्यूए, पीटरसन आरसी (2019) एजिंग-अल्जाइमर पर राष्ट्रीय संस्थान का उपयोग करते हुए जैविक रूप से बनाम नैदानिक ​​रूप से परिभाषित अल्जाइमर स्पेक्ट्रम संस्थाओं की व्यापकता एसोसिएशन रिसर्च रूपरेखा। जामा न्यूरोल 76, 1174-1183।
[26] झोउ एक्स, एशफोर्ड जेडब्ल्यू (2019) के लिए स्क्रीनिंग उपकरणों में अग्रिम अल्जाइमर रोग. एजिंग मेड 2, 88-93।
[27] वेनर मेगावाट, नोशेनी आर, कैमाचो एम, ट्रूरन-सेक्रे डी, मैकिन आरएस, फ्लेनिकेन डी, अल्ब्रिच्ट ए, इनसेल पी, फिनले एस, फॉकलर जे, वीच डी (2018) ब्रेन स्वास्थ्य रजिस्ट्री: तंत्रिका विज्ञान अध्ययन के लिए प्रतिभागियों की भर्ती, मूल्यांकन और अनुदैर्ध्य निगरानी के लिए एक इंटरनेट आधारित मंच। अल्जाइमर डिमेंट 14, 1063-1076।
[28] एशफोर्ड जेडब्ल्यू, श्मिट एफए (2001) मॉडलिंग द टाइम-कोर्स अल्जाइमर डिमेंशिया. वर्तमान मनोरोग प्रतिनिधि 3, 20–28।
[29]	ली एक्स, वांग एक्स, सु एल, हू एक्स, हान वाई (2019) संज्ञानात्मक गिरावट पर चीन अनुदैर्ध्य अध्ययन (सिलकोड): व्यक्तिपरक संज्ञानात्मक वाले व्यक्तियों में हल्के संज्ञानात्मक हानि में रूपांतरण के जोखिम भविष्यवाणी मॉडल विकसित करने के लिए एक चीनी अनुदैर्ध्य अवलोकन अध्ययन के लिए प्रोटोकॉल पतन। बीएमजे ओपन 9, ई028188।
[30] टारनानास I, त्सोलाकी ए, विडरहोल्ड एम, विडरहोल्ड बी, त्सोलाकी एम (2015) के लिए पांच वर्षीय बायोमार्कर प्रगति परिवर्तनशीलता अल्जाइमर रोग मनोभ्रंश भविष्यवाणी: क्या दैनिक जीवन मार्कर की जटिल वाद्य गतिविधियां अंतराल में भर सकती हैं? अल्ज़ाइमर्स डिमेंट (एम्स्ट) 1, 521–532।
[31] मैकगुर्रान एच, ग्लेन जेएम, मैडेरो एन, बॉटल एनटी (2019) अल्जाइमर रोग की रोकथाम और उपचार: व्यायाम के जैविक तंत्र। जे अल्जाइमर डिस 69, 311–338।
[32] मेंडिओला-प्रीकोमा जे, बेरुमेन एलसी, पैडिला के, गार्सिया-अलकोसर जी (2016) के लिए चिकित्सा अल्जाइमर रोग की रोकथाम और उपचार. बायोमेड रेस इंट 2016, 2589276।
[33]	लेन सीए, बार्न्स जे, निकोलस जेएम, सुड्रे सीएच, कैश डीएम, मालोन आईबी, पार्कर टीडी, केशवन ए, बुकानन एसएम, केउस एसई, जेम्स एसएन, लू के, मरे-स्मिथ एच, वोंग ए, गॉर्डन ई, कोथ डब्ल्यू, मोडैट एम, थॉमस डी, रिचर्ड्स एम, फॉक्स एनसी, शॉट जेएम (2020) देर से जीवन में वयस्कता और मस्तिष्क विकृति में संवहनी जोखिम के बीच संघ: एक ब्रिटिश जन्म सहवास से साक्ष्य। जामा न्यूरोल 77, 175-183।
[34]	शेषाद्री एस (2020) उम्र से परे मनोभ्रंश-सोच की रोकथाम और अमाइलॉइड बॉक्स। जामा न्यूरोल 77, 160-161।
[35]	माइलर्ड पी, शेषाद्री एस, बीसर ए, हिमाली जेजे, एयू आर, फ्लेचर ई, कारमाइकल ओ, वुल्फ पीए, डेकारली सी (2012) फ्रेमिंगहम हार्ट स्टडी में युवा वयस्कों में सफेद पदार्थ की अखंडता पर सिस्टोलिक रक्तचाप के प्रभाव: एक क्रॉस -अनुभागीय अध्ययन। लैंसेट न्यूरोल 11, 1039-1047।
[36] फ़िंक एचए, लिंस्केन्स ईजे, सिल्वरमैन पीसी, मैककार्टन जेआर, हेमी एलएस, ओउलेट जेएम, ग्रीर एनएल, विल्ट टीजे, बटलर एम (2020) न्यूरोपैथोलॉजिकल रूप से परिभाषित बायोमार्कर परीक्षण की सटीकता पुराने वयस्कों में मनोभ्रंश के साथ अल्जाइमर रोग. एन इंटर्न मेड 172, 669–677।

संबद्धताएं: [ए] सिवोटेक एनालिटिक्स, बोका रैटन, एफएल, यूएसए | [बी] कंप्यूटर और इलेक्ट्रिकल इंजीनियरिंग और कंप्यूटर विज्ञान विभाग, फ्लोरिडा अटलांटिक विश्वविद्यालय, बोका रैटन, एफएल, यूएसए | [सी] एसजेएन बायोमेड लिमिटेड, कुनमिंग, युन्नान, चीन | [डी] के लिए केंद्र अल्जाइमर अनुसंधान, वाशिंगटन इंस्टीट्यूट ऑफ क्लिनिकल रिसर्च, वाशिंगटन, डीसी, यूएसए | [ई] पुनर्वास चिकित्सा विभाग, कुनमिंग चिकित्सा विश्वविद्यालय, कुनमिंग, युन्नान, चीन का पहला संबद्ध अस्पताल | [एफ] न्यूरोलॉजी विभाग, देहोंग पीपुल्स हॉस्पिटल, देहोंग, युन्नान, चीन | [जी] न्यूरोलॉजी विभाग, कुनमिंग मेडिकल यूनिवर्सिटी का पहला संबद्ध अस्पताल, वुहुआ जिला, कुनमिंग, युन्नान प्रांत, चीन | [एच] युद्ध से संबंधित बीमारी और चोट अध्ययन केंद्र, वीए पालो अल्टो स्वास्थ्य परिचर्या सिस्टम, पालो अल्टो, सीए, यूएसए | [i] मनोचिकित्सा और व्यवहार विज्ञान विभाग, स्टैनफोर्ड यूनिवर्सिटी स्कूल ऑफ मेडिसिन, पालो अल्टो, सीए, यूएसए

पत्राचार: [*] पत्राचार: माइकल एफ. बर्जरॉन, ​​पीएचडी, एफएसीएसएम, सिवोटेक एनालिटिक्स, बोका रैटन इनोवेशन कैंपस, 4800 टी-रेक्स एवेन्यू, सुइट 315, बोका रैटन, एफएल 33431, यूएसए। ई-मेल: mbergeron@sivotecanalytics.com.; ज़ियाओली लियू, एमडी, न्यूरोलॉजी विभाग, कुनमिंग मेडिकल यूनिवर्सिटी का पहला संबद्ध अस्पताल, 295 ज़िचांग रोड, वुहुआ जिला, कुनमिंग, युन्नान प्रांत 650032, चीन। ई-मेल: ring@vip.163.com।

कीवर्ड: बुढ़ापा, अल्जाइमर रोग, डिमेंशिया, मास स्क्रीनिंग