Korisnost MemTraxa i modeliranja strojnog učenja u klasifikaciji blagih kognitivnih oštećenja
istraživački članak
Autori: Bergeron, Michael F. | Landset, Sara | Zhou, Xianbo | Ding, Tao | Khoshgoftaar, Taghi M. | Zhao, Feng | Du, Bo | Chen, Xinjie | Wang, Xuan | Zhong, Lianmei | Liu, Xiaolei| Ashford, J. Wesson
DOI: 10.3233/JAD-191340
časopis: časopis za Alzheimerova bolest, vol. 77, br. 4, str. 1545-1558, 2020
Sažetak
Pozadina:
Raširena incidencija i prevalencija Alzheimerova bolest i blago kognitivno oštećenje (MCI) potaknulo je hitan poziv za istraživanje kako bi se potvrdilo rano otkrivanje kognitivnog pregleda i procjene.
Cilj:
Naš primarni cilj istraživanja bio je utvrditi mogu li se odabrane metrike performansi MemTraxa i relevantne demografske karakteristike i karakteristike zdravstvenog profila učinkovito upotrijebiti u prediktivnim modelima razvijenim pomoću strojnog učenja za klasifikaciju kognitivnog zdravlja (normalno u odnosu na MCI), kao što bi pokazalo Montrealska kognitivna procjena (MoCA).
Metode:
Proveli smo presječnu studiju na 259 odraslih pacijenata neurologije, klinike za pamćenje i interne medicine odabranih iz dvije bolnicama u Kini. Svaki je pacijent dobio MoCA na kineskom jeziku i samostalno je primijenio kontinuirano prepoznavanje MemTrax online epizoda test memorije online na isti dan. Modeli prediktivne klasifikacije izgrađeni su korištenjem strojnog učenja s 10-strukom unakrsnom provjerom valjanosti, a izvedba modela izmjerena je korištenjem površine ispod krivulje radnih karakteristika prijemnika (AUC). Modeli su izgrađeni korištenjem dvije MemTrax metrike performansi (postotak točnosti, vrijeme odziva), zajedno s osam zajedničkih demografskih i osobnih značajki povijesti.
Rezultati:
Uspoređujući učenike u odabranim kombinacijama MoCA rezultata i pragova, Naive Bayes općenito je bio učenik s najboljim učinkom s ukupnim učinkom klasifikacije od 0.9093. Nadalje, među tri najbolja učenika, izvedba klasifikacije temeljena na MemTraxu bila je sveukupno bolja korištenjem samo četiri najbolje rangirane značajke (0.9119) u usporedbi s korištenjem svih 10 zajedničkih značajki (0.8999).
Zaključak:
Performanse MemTraxa mogu se učinkovito iskoristiti u prediktivnom modelu klasifikacije strojnog učenja aplikacija za probir za otkrivanje ranog stadija kognitivnog oštećenja.
UVOD
Prepoznata (iako nedovoljno dijagnosticirana) široko rasprostranjena incidencija i prevalencija i paralelna eskalacija medicinskih, društvenih i javnih zdravlje troškovi i teret Alzheimerove bolesti (AD) i blagog kognitivnog oštećenja (MCI) sve više opterećuju sve dionike [1, 2]. Ovaj uznemirujući i rastući scenarij potaknuo je hitan poziv za valjanost istraživanja rano otkrivanje kognitivni probir i instrumenti za procjenu za redovitu praktičnu upotrebu u osobnim i kliničkim okruženjima za starije pacijente u različitim regijama i populacijama [3]. Ti instrumenti također moraju omogućiti besprijekoran prijevod informativnih rezultata u elektroničke zdravstvene kartone. Prednosti će se ostvariti informiranjem pacijenata i pomaganjem liječnicima u ranijem prepoznavanju značajnih promjena i na taj način omogućiti brzu i pravovremenu stratifikaciju, provedbu i praćenje odgovarajućeg individualiziranog i troškovno učinkovitijeg liječenja i skrbi za pacijente za one koji se počinju osjećati kognitivni pad [3, 4].
Računalni alat MemTrax (https://memtrax.com) je jednostavna i kratka kontinuirana procjena prepoznavanja koja se može samostalno provoditi online za mjerenje izazovne izvedbe vremenskog epizodnog pamćenja gdje korisnik reagira na slike koje se ponavljaju, a ne na početnu prezentaciju [5, 6]. Nedavna istraživanja i rezultirajuće praktične implikacije počinju postupno i kolektivno demonstrirati kliničku učinkovitost MemTraxa u ranom probiru AD i MCI [5-7]. Međutim, izravna usporedba kliničke korisnosti s postojećom kognitivno zdravlje procjena i konvencionalni standardi zajamčeni su za informiranje profesionalne perspektive i potvrđivanje pomoćnog programa MemTrax u ranom otkrivanju i dijagnostičkoj podršci. van der Hoek i dr. [8] uspoređivali su odabrane metrike performansi MemTraxa (brzina reakcije i postotak točnosti) s kognitivnim statusom utvrđenim Montrealskim Kognitivna procjena (MoCA). Međutim, ova je studija bila ograničena na povezivanje ovih metrika učinka s karakterizacijom kognitivnog statusa (kako je odredio MoCA) i definiranje relativnih raspona i graničnih vrijednosti. Sukladno tome, kako bismo proširili ovo istraživanje i poboljšali izvedbu i učinkovitost klasifikacije, naše primarno istraživačko pitanje bilo je:
- Može li odabrana MemTrax metrika izvedbe pojedinca i relevantna demografija i zdravlje profil karakteristike učinkovito iskoristiti u prediktivnom modelu razvijenom strojnim učenjem za dihotomnu klasifikaciju kognitivnog zdravlja (normalno naspram MCI), kao što bi bilo naznačeno nečijim MoCA rezultatom?
Sekundarno ovome, htjeli smo znati:
- Uključujući iste značajke, može li se MemTrax model strojnog učenja temeljen na performansama učinkovito primijeniti na pacijenta za predviđanje težine (blage naspram teške) unutar odabranih kategorija kognitivnog oštećenja kako bi se utvrdilo nezavisnom kliničkom dijagnozom?
Pojava i razvoj praktične primjene umjetne inteligencije i strojnog učenja u probiru/otkrivanju već su pokazali jasne praktične prednosti, s prediktivnim modeliranjem koje učinkovito vodi kliničare u izazovnoj procjeni kognitivnog zdravlja/zdravlja mozga i upravljanja pacijentima. U našoj smo studiji odabrali sličan pristup u modeliranju MCI klasifikacije i diskriminaciji ozbiljnosti kognitivnog oštećenja što je potvrđeno kliničkom dijagnozom iz tri skupa podataka koji predstavljaju odabrane dobrovoljne stacionarne i izvanbolničke pacijente iz dviju bolnica u Kini. Koristeći prediktivno modeliranje strojnog učenja, identificirali smo učenike s najboljim učinkom iz različitih kombinacija skupova podataka/učenika i rangirali značajke koje će nas voditi u definiranju klinički najpraktičnijih aplikacija modela.
Naše su hipoteze bile da se validirani model temeljen na MemTraxu može upotrijebiti za klasificiranje kognitivnog zdravlja dihotomno (normalno ili MCI) na temelju kriterija praga skupnog rezultata MoCA i da se sličan prediktivni model MemTraxa može učinkovito upotrijebiti za razlikovanje ozbiljnosti u odabranim kategorijama klinički dijagnosticiran Kognitivni hendikep. Dokazivanje očekivanih ishoda bilo bi ključno u podržavanju učinkovitosti MemTraxa kao ekrana za rano otkrivanje kognitivnog pada i klasifikacije kognitivnog oštećenja. Povoljna usporedba s navodnim industrijskim standardom dopunjena daleko većom lakoćom i brzinom korisnosti bila bi od utjecaja na pomoć kliničarima da usvoje ovaj jednostavan, pouzdan i pristupačan alat kao početni ekran u otkrivanju ranog (uključujući prodromalnog) stadija kognitivnih nedostataka. Takav bi pristup i korisnost stoga mogli potaknuti pravodobniju i bolje stratificiranu skrb i intervenciju pacijenata. Ovi napredni uvidi i poboljšana metrika i modeli također bi mogli biti od pomoći u ublažavanju ili zaustavljanju progresije demencije, uključujući AD i demencije povezane s AD-om (ADRD).
MATERIJALI I METODE
Studija populacije
Između siječnja 2018. i kolovoza 2019. dovršeno je presječno istraživanje na pacijentima regrutiranim iz dviju bolnica u Kini. Primjenu MemTraxa [5] osobama u dobi od 21 godinu i više te prikupljanje i analizu tih podataka pregledao je i odobrio i provodio u skladu s etičkim standardima Ljudski Odbor za zaštitu predmeta Sveučilišta Stanford. MemTrax i sva ostala testiranja za ovu cjelokupnu studiju provedena su u skladu s Helsinškom deklaracijom iz 1975. i odobrena od strane Institucionalnog odbora za reviziju prve pridružene bolnice Medicinskog sveučilišta Kunming u Kunmingu, Yunnan, Kina. Svaki korisnik dobio je informirani pristanak obrazac za čitanje/recenziju i zatim dobrovoljno pristati na sudjelovanje.
Sudionici su odabrani iz skupa ambulantnih pacijenata u neurološkoj klinici u bolnici Yanhua (skup pod-podataka YH) i klinici za pamćenje u Prvoj pridruženoj bolnici Kunming Medical Sveučilište (XL podskup podataka) u Pekingu, Kina. Sudionici su također bili odabrani među pacijentima neurologije (XL podskup podataka) i interne medicine (KM podskup podataka) u Prvoj pridruženoj bolnici Medicinskog sveučilišta Kunming. Kriteriji za uključivanje uključivali su 1) muškarce i žene najmanje 21 godinu, 2) sposobnost govorenja kineskog (mandarinskog) i 3) sposobnost razumijevanja usmenih i pisanih uputa. Kriteriji za isključenje bili su oštećenje vida i motorike koji su spriječili sudionike da završe MemTrax test, kao i nemogućnost razumijevanja specifičnih uputa za testiranje.
Kineska verzija MemTraxa
On-line MemTrax test platforma je prevedena na kineski (URL: https://www.memtrax.com.cn) i dalje prilagođen za korištenje putem WeChata (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Kina) za samoupravljanje. Podaci su pohranjeni na poslužitelju u oblaku (Ali Cloud) koji se nalazi u Kini i licenciran od Alibabe (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, Kina) od strane SJN Biomed LTD (Kunming, Yunnan, Kina). Specifični detalji o MemTraxu i kriterijima valjanosti testa koji se ovdje koriste opisani su ranije [6]. Test je pacijentima osiguran besplatno.
Postupci studiranja
Za bolničke i izvanbolničke pacijente, opći papirnati upitnik za prikupljanje demografskih i osobnih podataka kao što su dob, spol, godine obrazovanja, zanimanje, živjeti sam ili s obitelji, a povijest bolesti vodio je član studijskog tima. Nakon popunjavanja upitnika, primijenjeni su MoCA [12] i MemTrax testovi (prvo MoCA) s ne više od 20 minuta između testova. MemTrax postotak točnosti (MTx-% C), srednje vrijeme odgovora (MTx-RT), te datum i vrijeme testiranja zabilježio je na papiru član istraživačkog tima za svakog testiranog sudionika. Ispunjeni upitnik i rezultate MoCA-a učitao je u Excel proračunsku tablicu istraživač koji je provodio testove, a potvrdio ih je kolega prije nego što su Excel datoteke spremljene za analize.
MemTrax test
MemTrax online test uključivao je 50 slika (25 jedinstvenih i 25 ponavljanja; 5 setova od 5 slika uobičajenih scena ili objekata) prikazanih određenim pseudo-slučajnim redoslijedom. Sudionik bi (prema uputama) dodirnuo gumb Start na zaslonu kako bi započeo test i počeo pregledavati niz slika te ponovno dodirnuo sliku na zaslonu što je brže moguće kad god bi se pojavila ponovljena slika. Svaka se slika pojavljivala 3 sekunde ili dok se ne dodirne slika na ekranu, što je odmah potaknulo prikaz sljedeće slike. Koristeći interni sat lokalnog uređaja, MTx-RT za svaku sliku određen je proteklim vremenom od prezentacije slike do trenutka kada je sudionik dodirnuo zaslon kao odgovor na indikaciju prepoznavanja slike kao one koja je već prikazana tijekom testa. MTx-RT je snimljen za svaku sliku, sa snimljenim pune 3 s koje pokazuju da nema odgovora. MTx-% C je izračunat da pokaže postotak ponovljenih i početnih slika na koje je korisnik ispravno odgovorio (stvarno pozitivno + stvarno negativno podijeljeno s 50). Dodatne pojedinosti o administraciji i implementaciji MemTraxa, smanjenju podataka, nevažećim podacima ili podacima "bez odgovora" i primarnim analizama podataka opisani su drugdje [6].
Test MemTrax detaljno je objašnjen, a sudionicima je u bolničkom okruženju pružen praktični test (s jedinstvenim slikama koje nisu korištene u testu za bilježenje rezultata). Sudionici u podskupovima podataka YH i KM podvrgli su se MemTrax testu na pametnom telefonu na kojem je bila učitana aplikacija na WeChatu; dok je ograničeni broj pacijenata s XL podskupom podataka koristio iPad, a ostali su koristili pametni telefon. Svi sudionici podvrgli su se MemTrax testu uz nenametljivo promatranje istraživača.
Montrealska kognitivna procjena
Pekinšku verziju kineskog MoCA (MoCA-BC) [13] administrirali su i ocjenjivali obučeni istraživači prema službenim uputama za testiranje. Prikladno, MoCA-BC se pokazao pouzdanim test za kognitivne probir na svim razinama obrazovanja u kineskih starijih odraslih osoba [14]. Za provođenje svakog testa bilo je potrebno oko 10 do 30 minuta ovisno o kognitivnim sposobnostima pojedinog sudionika.
MoCA klasifikacijsko modeliranje
Bilo je ukupno 29 korisnih značajki, uključujući dva MemTraxa testirati metriku izvedbe i 27 značajki povezanih s demografijom i zdravljem informacije za svakog sudionika. Kao rezultat korišten je agregatni rezultat MoCA testa svakog pacijenta kognitivni probir "benchmark" za obuku naših prediktivnih modela. U skladu s tim, budući da je MoCA korišten za izradu oznake razreda, nismo mogli upotrijebiti zbirni rezultat (ili bilo koji od rezultata podskupa MoCA) kao neovisnu značajku. Proveli smo preliminarne eksperimente u kojima smo pojedinačno modelirali (klasificirajući kognitivno zdravlje definirano od strane MoCA) izvorna tri bolnička/klinika(a) podskupova podataka, a zatim ih kombinirali koristeći sve značajke. Međutim, svi isti elementi podataka nisu prikupljeni u svakoj od četiri klinike koje predstavljaju tri podskupa podataka; stoga su mnoge naše značajke u kombiniranom skupu podataka (kada se koriste sve značajke) imale visoku učestalost nedostajućih vrijednosti. Zatim smo izradili modele s kombiniranim skupom podataka koristeći samo zajedničke značajke što je rezultiralo poboljšanom izvedbom klasifikacije. To je vjerojatno objašnjeno kombinacijom postojanja više instanci s kojima se radi kombiniranjem triju podskupova podataka o pacijentu i bez značajki s neopravdanom prevalencijom nedostajućih vrijednosti (samo jedna značajka u kombiniranom skupu podataka, vrsta rada, imala je nedostajuće vrijednosti, što je utjecalo na samo tri slučaja pacijenata), jer su uključene samo zajedničke značajke zabilježene na sva tri mjesta. Naime, nismo imali poseban kriterij odbijanja za svaku značajku koja na kraju nije bila uključena u kombinirani skup podataka. Međutim, u našem preliminarnom kombiniranom modeliranju skupa podataka prvo smo upotrijebili sve značajke iz svakog od tri zasebna podskupa podataka o pacijentima. To je općenito rezultiralo učinkom modela koji je bio mjerljivo niži od početnog preliminarnog modeliranja na svakom pojedinačnom skupu pod-podataka. Štoviše, iako je učinkovitost klasifikacije modela izgrađenih korištenjem svih značajki bila ohrabrujuća, kod svih učenika i klasifikacijskih shema, izvedba se poboljšala za dvostruko više modela kada su se koristile samo uobičajene značajke. Zapravo, među onima koji su na kraju bili naši najbolji učenici, svi osim jednog modela poboljšani su eliminacijom neuobičajenih značajki.
Konačni zbirni skup podataka (YH, XL i KM zajedno) uključivao je 259 slučajeva, od kojih je svaki predstavljao jedinstvenog sudionika koji je prošao i MemTrax i MoCA testove. Bilo je 10 zajedničkih neovisnih značajki: MemTrax metrika performansi: MTx-% C i srednja vrijednost MTx-RT; podaci o demografskoj i medicinskoj povijesti: dob, spol, godine obrazovanja, vrsta posla (plavi ovratnici/bijeli ovratnici), društvena podrška (živi li ispitanik sam ili s obitelji) i odgovori da/ne je li korisnik imao povijest dijabetesa, hiperlipidemije ili traumatske ozljede mozga. Dvije dodatne metrike, agregatni rezultat MoCA i agregatni rezultat MoCA prilagođen za godine obrazovanja [12], korištene su zasebno za razvoj zavisnih klasifikacijskih oznaka, stvarajući tako dvije različite sheme modeliranja koje će se primijeniti na naš kombinirani skup podataka. Za svaku verziju (prilagođenu i neprilagođenu) MoCA rezultata, podaci su ponovno zasebno modelirani za binarnu klasifikaciju koristeći dva različita kriterijska praga — prvobitno preporučeni [12] i alternativnu vrijednost koju su koristili i promovirali drugi [8, 15]. U shemi klasifikacije alternativnog praga, smatralo se da pacijent ima normalno kognitivno zdravlje ako je postigao ≥23 na MoCA testu i da ima MCI ako je rezultat bio 22 ili niži; dok je, u početnom preporučenom formatu klasifikacije, pacijent morao postići 26 ili više na MoCA da bi bio označen kao da ima normalno kognitivno zdravlje.
Filtrirani podaci za modeliranje klasifikacije MoCA
Nadalje smo ispitali MoCA klasifikaciju koristeći četiri često korištene tehnike rangiranja značajki: hi-kvadrat, omjer dobitka, dobitak informacija i simetričnu nesigurnost. Za privremenu perspektivu, primijenili smo rangere na cijeli kombinirani skup podataka koristeći svaku od naše četiri sheme modeliranja. Svi rangeri složili su se oko istih vrhunskih značajki, tj. dobi, broja godina obrazovanja i obje metrike učinka MemTraxa (MTx-% C, srednja vrijednost MTx-RT). Zatim smo ponovno izgradili modele koristeći svaku tehniku odabira značajki kako bismo uvježbali modele samo na prve četiri značajke (pogledajte Odabir značajke u nastavku).
Posljednjih osam varijacija shema modeliranja klasifikacije rezultata MoCA predstavljeno je u tablici 1.
stol 1
Sažetak varijacija sheme modeliranja korištenih za MoCA klasifikaciju (Normalno Kognitivno zdravlje u odnosu na MCI)
| Shema modeliranja | Normalno kognitivno zdravlje (negativna klasa) | MCI (pozitivna klasa) |
| Prilagođeno-23 Nefiltrirano/filtrirano | 101 (39.0%) | 158 (61.0%) |
| Prilagođeno-26 Nefiltrirano/filtrirano | 49 (18.9%) | 210 (81.1%) |
| Neprilagođeno-23 Nefiltrirano/Filtrirano | 92 (35.5%) | 167 (64.5%) |
| Neprilagođeno-26 Nefiltrirano/Filtrirano | 42 (16.2%) | 217 (83.8%) |
Odgovarajući broj i postotak ukupnih pacijenata u svakoj klasi razlikuje se prilagodbom rezultata za obrazovanje (prilagođeno ili neprilagođeno) i pragom klasifikacije (23 ili 26), kako se primjenjuje na oba skupa značajki (nefiltrirano i filtrirano).
Modeliranje kliničke evaluacije temeljeno na MemTraxu
Od naša tri izvorna skupa pod-podataka (YH, XL, KM), samo su pacijenti s pod-skupom XL-podataka neovisno klinički dijagnosticirani za kognitivno oštećenje (tj. njihovi odgovarajući MoCA rezultati nisu korišteni za utvrđivanje klasifikacije normalnih u odnosu na oštećene). Točnije, XL pacijentima je dijagnosticiran bilo koji Test za Alzheimerovu bolest (AD) ili vaskularne demencije (VaD). Unutar svake od ovih primarnih dijagnostičkih kategorija, postojala je daljnja oznaka za MCI. Dijagnoze MCI, demencije, vaskularnog neurokognitivnog poremećaja i neurokognitivnog poremećaja uzrokovanog AD-om temeljene su na specifičnim i razlikovnim dijagnostičkim kriterijima navedenim u Dijagnostičkom i statističkom priručniku za mentalne poremećaje: DSM-5 [16]. Uzimajući u obzir ove rafinirane dijagnoze, dvije sheme klasifikacijskog modeliranja odvojeno su primijenjene na XL podskup podataka kako bi se razlikovala razina ozbiljnosti (stupanj oštećenja) za svaku kategoriju primarne dijagnoze. Podaci korišteni u svakoj od ovih shema dijagnostičkog modeliranja (AD i VaD) uključivali su demografske podatke i podatke o povijesti bolesti bolesnika, kao i rad MemTraxa (MTx-% C, srednja vrijednost MTx-RT). Svaka je dijagnoza označena kao blaga ako je označena kao MCI; inače se smatralo teškim. U početku smo razmatrali uključivanje MoCA rezultata u dijagnostičke modele (blagi u odnosu na teški); ali smo zaključili da bi to porazilo svrhu naše sekundarne sheme prediktivnog modeliranja. Ovdje bi se polaznici obučavali korištenjem drugih karakteristika pacijenata koje su odmah dostupne pružatelju usluga i metrike izvedbe jednostavnijeg MemTrax testa (umjesto MoCA) u odnosu na referentni „zlatni standard“, neovisnu kliničku dijagnozu. Bilo je 69 slučajeva u skupu podataka o dijagnozi AD i 76 slučajeva VaD (tablica 2). U oba skupa podataka bilo je 12 neovisnih značajki. Uz 10 značajki uključenih u MoCA klasifikaciju rezultata, povijest pacijenta također je uključivala podatke o povijesti hipertenzije i moždanog udara.
stol 2
Sažetak varijacija sheme modeliranja korištenih za klasifikaciju ozbiljnosti dijagnoze (blage naspram teške)
| Shema modeliranja | Blago (negativna klasa) | Teška (pozitivna klasa) |
| MCI-AD naspram AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD nasuprot VaD-u | 38 (50.0%) | 38 (50.0%) |
Odgovarajući broj i postotak ukupnih pacijenata u svakoj klasi diferencirani su prema kategoriji primarne dijagnoze (AD ili VaD).
Statistika
Usporedba karakteristika sudionika i drugih numeričkih značajki između skupova pod-podataka za svaku strategiju klasifikacije modela (za predviđanje MoCA kognitivnog zdravlja i ozbiljnosti dijagnoze) provedena je pomoću programskog jezika Python (verzija 2.7.1) [17]. Razlike u izvedbi modela početno su određene korištenjem jednofaktorske ili dvofaktorske (kako je prikladno) ANOVA-e s 95% intervalom pouzdanosti i Tukey testom iskrene značajne razlike (HSD) za usporedbu srednjih vrijednosti izvedbe. Ovo ispitivanje razlika između izvedbe modela provedeno je kombinacijom Pythona i R-a (verzija 3.5.1) [18]. Koristili smo ovaj (iako, vjerojatno manje od optimalnog) pristup samo kao heurističku pomoć u ovome ranoj fazi za početne usporedbe izvedbe modela u predviđanju potencijalne kliničke primjene. Zatim smo upotrijebili Bayesov test ranga s predznakom koristeći posteriornu distribuciju kako bismo odredili vjerojatnost razlika u izvedbi modela [19]. Za ove smo analize upotrijebili interval –0.01, 0.01, što znači da ako su dvije skupine imale razliku u izvedbi manju od 0.01, smatrale su se istima (unutar područja praktične ekvivalencije), ili su inače bile različite (jedna bolja od drugi). Za izvođenje Bayesove usporedbe klasifikatora i izračunavanje ovih vjerojatnosti koristili smo biblioteku baycomp (verzija 1.0.2) za Python 3.6.4.
Prediktivno modeliranje
Izgradili smo prediktivne modele koristeći ukupno deset varijacija naših shema modeliranja kako bismo predvidjeli (klasificirali) ishod MoCA testa svakog pacijenta ili ozbiljnost kliničke dijagnoze. Svi učenici su primijenjeni i modeli su izgrađeni pomoću softverske platforme otvorenog koda Weka [20]. Za našu preliminarnu analizu upotrijebili smo 10 često korištenih algoritama učenja: 5-najbližih susjeda, dvije verzije C4.5 stabla odlučivanja, logističku regresiju, višeslojni perceptron, Naivni Bayes, dvije verzije slučajne šume, mrežu radijalne bazične funkcije i vektor podrške Mašina. Ključni atributi i kontrasti ovih algoritama opisani su drugdje [21] (vidi odgovarajući Dodatak). Oni su odabrani jer predstavljaju niz različitih tipova učenika i jer smo pokazali uspjeh koristeći ih u prethodnim analizama sličnih podataka. Postavke hiperparametara odabrane su iz našeg prethodnog istraživanja koje pokazuje da su robusne na nizu različitih podataka [22]. Na temelju rezultata naše preliminarne analize korištenjem istog kombiniranog skupa podataka sa zajedničkim značajkama koje su naknadno korištene u potpunoj analizi, identificirali smo tri učenika koji su pružali dosljedno jaku izvedbu u svim klasifikacijama: Logistička regresija, Naivni Bayes i Stroj vektora podrške.
Unakrsna provjera valjanosti i metrika izvedbe modela
Za sve prediktivne modele (uključujući preliminarne analize), svaki model je izgrađen korištenjem 10-struke unakrsne validacije, a izvedba modela je mjerena korištenjem površine ispod krivulje radnih karakteristika prijamnika (AUC). Unakrsna provjera valjanosti započela je nasumičnim dijeljenjem svakog od 10 skupova podataka sheme modeliranja u 10 jednakih segmenata (preklopa), koristeći devet od tih odgovarajućih segmenata za obuku modela i preostali segment za testiranje. Ovaj postupak je ponovljen 10 puta, koristeći različite segmente kao skup testova u svakoj iteraciji. Rezultati su zatim kombinirani kako bi se izračunao rezultat/izvedba konačnog modela. Za svaku kombinaciju učenika/skupa podataka cijeli ovaj postupak ponovljen je 10 puta, a podaci su svaki put različito podijeljeni. Ovaj posljednji korak smanjio je pristranost, osigurao repliciranje i pomogao u određivanju ukupne izvedbe modela. Ukupno (za MoCA ocjene i sheme klasifikacije ozbiljnosti dijagnoze u kombinaciji), izgrađeno je 6,600 modela. To je uključivalo 1,800 nefiltriranih modela (6 shema modeliranja primijenjenih na skup podataka × 3 učenika × 10 puta × 10 savijanja = 1,800 4,800 modela) i 4 3 filtriranih modela (4 sheme modeliranja primijenjenih na skup podataka × 10 učenika × 10 tehnike odabira značajki × 4,800 puta × XNUMX preklopa = XNUMX modela).
Odabir značajke
Za filtrirane modele, izbor značajki (koristeći četiri metode rangiranja značajki) izvršen je unutar unakrsne provjere. Za svaki od 10 skupova, budući da su različiti 10% skupa podataka bili testni podaci, korištene su samo četiri najbolje odabrane značajke za svaki skup podataka za obuku (tj. ostalih devet skupova ili preostalih 90% cijelog skupa podataka). za izgradnju modela. Nismo mogli potvrditi koje su četiri značajke korištene u svakom modelu jer se te informacije ne pohranjuju niti su dostupne unutar platforme za modeliranje koju smo koristili (Weka). Međutim, s obzirom na dosljednost u našem početnom odabiru vrhunskih značajki kada su rangeri primijenjeni na cijeli kombinirani skup podataka i kasniju sličnost u izvedbi modeliranja, te iste značajke (dob, godine obrazovanja, MTx-% C i srednja vrijednost MTx-RT ) vjerojatno su najčešća prva četiri koja se koriste zajedno s odabirom značajki unutar postupka unakrsne provjere.
REZULTATI
Brojčane karakteristike sudionika (uključujući MoCA rezultate i MemTrax metriku performansi) odgovarajućih skupova podataka za svaku strategiju klasifikacije modela za predviđanje kognitivnog zdravlja naznačenog MoCA (normalno u odnosu na MCI) i ozbiljnost dijagnoze (blaga u odnosu na tešku) prikazane su u tablici 3.
stol 3
Karakteristike sudionika, MoCA rezultati i izvedba MemTraxa za svaku strategiju klasifikacije modela
| Strategija klasifikacije | Dob | Obrazovanje | MoCA prilagođeno | MoCA Neprilagođeno | MTx-% C | MTx-RT |
| Kategorija MoCA | 61.9 godina (13.1) | 9.6 godina (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 s (0.3) |
| Ozbiljnost dijagnoze | 65.6 godina (12.1) | 8.6 godina (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 s (0.3) |
Prikazane vrijednosti (srednja vrijednost, SD) diferencirane strategijama klasifikacije modeliranja reprezentativne su za kombinirani skup podataka koji se koristi za predviđanje kognitivnog zdravlja naznačenog MoCA-om (MCI u odnosu na normalno) i XL skup pod-podataka koji se koristi samo za predviđanje ozbiljnosti dijagnoze (blaga u odnosu na tešku).
Za svaku kombinaciju MoCA rezultata (prilagođeno/neprilagođeno) i praga (26/23), postojala je statistička razlika (p = 0.000) u svakoj usporedbi po paru (normalno kognitivno zdravlje u odnosu na MCI) za dob, obrazovanje i učinak MemTraxa (MTx-% C i MTx-RT). Svaki podskup podataka o pacijentima u odgovarajućoj MCI klasi za svaku kombinaciju bio je u prosjeku oko 9 do 15 godina stariji, izvijestio je o pet godina manje obrazovanja i imao je nepovoljnije rezultate MemTraxa za obje metrike.
Rezultati izvedbe prediktivnog modeliranja za klasifikacije rezultata MoCA koristeći tri najbolja učenika, logističku regresiju, naivni Bayes i stroj potpornih vektora, prikazani su u tablici 4. Ova tri su odabrana na temelju najkonzistentnije visoke apsolutne izvedbe učenika u svim različitim modelima primijenjen na skupove podataka za sve sheme modeliranja. Za nefiltrirani skup podataka i modeliranje, svaka od vrijednosti podataka u tablici 4 označava izvedbu modela na temelju odgovarajuće srednje vrijednosti AUC izvedene iz 100 modela (10 serija × 10 putanja) izgrađenih za svaku kombinaciju sheme učenika/modeliranja, s odgovarajućim najvišim dobar učenik označen podebljanim slovima. Dok za filtrirano modeliranje skupa podataka, rezultati prijavljeni u tablici 4 odražavaju ukupne prosječne performanse modela iz 400 modela za svakog učenika koristeći svaku od metoda rangiranja značajki (4 metode rangiranja značajki × 10 puta × 10 puta).
stol 4
Rezultati dihotomne klasifikacije rezultata MoCA (AUC; 0.0–1.0) za svakog od tri učenika s najboljim učinkom za sve odgovarajuće sheme modeliranja
| Korišten skup značajki | MoCA rezultat | Granični prag | Logistička regresija | Naivni Bayes | Potporni vektorski stroj |
| Nefiltrirano (10 značajki) | Prilagođen | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Neprilagođeni | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Filtrirano (4 značajke) | Prilagođen | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Neprilagođeni | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Korištenjem varijacija skupa značajki, MoCA rezultata i graničnog praga MoCA rezultata, najveća izvedba za svaku shemu modeliranja prikazana je u igla (ne nužno statistički različito od svih ostalih koji nisu uključeni igla za odgovarajući model).
Uspoređujući učenike u svim kombinacijama verzija MoCA rezultata i pragova (prilagođenih/neprilagođenih i 23/26, respektivno) u kombiniranom nefiltriranom skupu podataka (tj. korištenjem 10 zajedničkih značajki), Naivni Bayes općenito je bio učenik s najboljim učinkom s ukupnim rezultatom klasifikacijska izvedba od 0.9093. Uzimajući u obzir prva tri učenika, testovi ranga s predznakom povezani s Bayesovom korelacijom pokazali su da je vjerojatnost (Pr) naivne Bayesove izvedbe koja je nadmašila logističku regresiju bila je 99.9%. Štoviše, između Naive Bayes i Support Vector Machine, 21.0% vjerojatnosti praktične ekvivalentnosti u izvedbi učenika (dakle, 79.0% vjerojatnosti da Naive Bayes nadmaši Support Vector Machine), zajedno s 0.0% vjerojatnosti da Support Vector Machine radi bolje, mjerljivo pojačava prednost izvedbe za Naive Bayes. Daljnja usporedba verzije MoCA rezultata za sve učenike/pragove sugerirala je blagu prednost u izvedbi korištenjem neprilagođenih MoCA rezultata u odnosu na prilagođene (0.9027 u odnosu na 0.8971; Pr (neprilagođeno > prilagođeno) = 0.988). Slično tome, usporedba graničnog praga za sve učenike i verzije MoCA rezultata pokazala je malu prednost izvedbe klasifikacije korištenjem 26 kao praga klasifikacije u odnosu na 23 (0.9056 naspram 0.8942; Pr (26 > 23) = 0.999). Na kraju, ispitujući uspješnost klasifikacije za modele koji koriste samo filtrirane rezultate (tj. samo četiri najbolje rangirane značajke), Naivni Bayes (0.9143) brojčano je bio učenik s najboljim učinkom u svim verzijama/pragovima MoCA rezultata. Međutim, u kombinaciji sa svim tehnikama rangiranja značajki, svi učenici s najboljim rezultatima imali su slične rezultate. Bayesov test s predznakom pokazao je 100% vjerojatnost praktične ekvivalencije između svakog para filtriranih učenika. Kao i s nefiltriranim podacima (koristeći svih 10 zajedničkih značajki), ponovno je postojala prednost izvedbe za neprilagođenu verziju MoCA rezultata (Pr (neprilagođeno > prilagođeno) = 1.000), kao i sličnu jasnu prednost za klasifikacijski prag od 26 (Pr (26 > 23) = 1.000). Naime, prosječna izvedba svakog od tri najbolja učenika u svim verzijama/pragovima MoCA rezultata koristeći samo četiri najbolje rangirane značajke premašila je prosječnu izvedbu bilo kojeg učenika na nefiltriranim podacima. Nije iznenađujuće da je klasifikacijska izvedba filtriranih modela (koristeći četiri najbolje rangirane značajke) sveukupno bila bolja (0.9119) od nefiltriranih modela (0.8999), bez obzira na modele metoda rangiranja značajki koji su uspoređeni s tim odgovarajućim modelima koji koriste svih 10 uobičajenih značajke. Za svaku metodu odabira značajki postojala je 100% vjerojatnost prednosti izvedbe u odnosu na nefiltrirane modele.
S pacijentima koji se razmatraju za klasifikaciju težine dijagnoze AD, razlike između skupina (MCI-AD naspram AD) za dob (p = 0.004), obrazovanje (p = 0.028), MoCA rezultat prilagođen/neprilagođen (p = 0.000), i MTx-% C (p = 0.008) bili su statistički značajni; dok za MTx-RT nije (p = 0.097). S onim pacijentima koji se razmatraju za klasifikaciju težine dijagnoze VaD, razlike između grupa (MCI-VaD naspram VaD) za MoCA rezultat prilagođen/neprilagođen (p = 0.007) i MTx-% C (p = 0.026) i MTx-RT (p = 0.001) bili su statistički značajni; dok za dob (p = 0.511) i obrazovanje (p = 0.157) nije bilo značajnih razlika između skupina.
Rezultati izvedbe prediktivnog modeliranja za klasifikacije ozbiljnosti dijagnoze korištenjem tri prethodno odabrana učenika, Logističke regresije, Naivne Bayesove metode i Stroja potpornih vektora, prikazani su u tablici 5. Dok su dodatni ispitani učenici pokazali nešto bolje rezultate pojedinačno s jednom od dvije kategorije kliničke dijagnoze , tri učenika koja smo identificirali kao najpovoljnije u našem prethodnom modeliranju ponudila su najdosljedniju izvedbu s obje nove sheme modeliranja. Uspoređujući učenike u svakoj od primarnih dijagnostičkih kategorija (AD i VaD), nije bilo dosljedne razlike u izvedbi klasifikacije između učenika za MCI-VaD u odnosu na VaD, iako je Support Vector Machine općenito bio istaknutiji. Slično tome, nije bilo značajnih razlika između učenika za MCI-AD naspram AD klasifikacije, iako je Naivni Bayes (NB) imao malu prednost u izvedbi u odnosu na Logističku regresiju (LR) i samo zanemarivu množinu u odnosu na Support Vector Machine, s vjerojatnostima od 61.4% odnosno 41.7%. U oba skupa podataka, postojala je ukupna prednost izvedbe za Support Vector Machine (SVM), s Pr (SVM > LR) = 0.819 i Pr (SVM > NB) = 0.934. Naša ukupna klasifikacijska izvedba za sve učenike u predviđanju ozbiljnosti dijagnoze u podskupu podataka XL bila je bolja u kategoriji dijagnoze VaD u odnosu na AD (Pr (VAD > AD) = 0.998).
stol 5
Rezultati dihotomne klasifikacije ozbiljnosti kliničke dijagnoze (AUC; 0.0–1.0) za svakog od tri učenika s najboljim učinkom za obje odgovarajuće sheme modeliranja
| Shema modeliranja | Logistička regresija | Naivni Bayes | Potporni vektorski stroj |
| MCI-AD naspram AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD nasuprot VaD-u | 0.8033 | 0.8044 | 0.8338 |
Najveća izvedba za svaku shemu modeliranja prikazana je u igla (ne nužno statistički različito od drugih koji nisu uključeni igla).
RASPRAVA
Važno je rano otkrivanje promjena u kognitivnom zdravlju praktičnu korisnost u upravljanju osobnim zdravljem i javnim zdravljem. Doista, to je također veliki prioritet u kliničkim okruženjima za pacijente diljem svijeta. Zajednički cilj je upozoriti pacijente, njegovatelje i davatelje usluga te potaknuti ranije odgovarajuće i troškovno učinkovito liječenje i dugotrajnu skrb za one koji počinju doživljavati kognitivni pad. Spajajući naša tri podskupa podataka o bolnicama/klinikama, identificirali smo tri izrazito poželjna učenika (s jednim istaknutim – naivni Bayes) kako bismo izgradili prediktivne modele koristeći MemTrax metrika performansi koja bi mogla pouzdano klasificirati status kognitivnog zdravlja dihotomno (normalno kognitivno zdravlje ili MCI) kao što bi bilo naznačeno ukupnim rezultatom MoCA. Značajno, ukupna izvedba klasifikacije za sva tri učenika poboljšana je kada su naši modeli koristili samo četiri najbolje rangirane značajke koje su uglavnom obuhvaćale ove metrike performansi MemTraxa. Štoviše, otkrili smo potkrijepljeni potencijal za korištenje istih metrika učinka učenika i MemTraxa u shemi modeliranja klasifikacije dijagnostičke podrške za razlikovanje težine dviju kategorija dijagnoze demencije: AD i VaD.
Testiranje memorije ključan je za rano otkrivanje AD [23, 24]. Stoga je prikladno da je MemTrax prihvatljiv, privlačan i jednostavan za implementaciju na mreži test probira za epizodno pamćenje u općoj populaciji [6]. Točnost prepoznavanja i vremena odgovora iz ovog kontinuiranog zadatka izvedbe posebno su otkrivajući u identificiranju ranog i evoluiranog pogoršanja i posljedičnih nedostataka u neuroplastičnim procesima povezanim s učenjem, pamćenjem i kognicijom. Odnosno, ovdašnji modeli koji se uglavnom temelje na metrici performansi MemTraxa osjetljivi su i vjerojatnije je da će lakše i uz minimalne troškove otkriti biološke neuropatološke nedostatke tijekom prijelaznog asimptomatskog stadija puno prije značajnijeg funkcionalnog gubitka [25]. Ashford i sur. pomno su ispitali obrasce i ponašanja točnosti memorije prepoznavanja i vremena odgovora kod online korisnika koji su sami sudjelovali s MemTraxom [6]. Uzimajući u obzir da su ove distribucije ključne za optimalno modeliranje i razvoj valjanih i učinkovitih aplikacija za skrb o pacijentima, definiranje klinički primjenjivih profila prepoznavanja i vremena odgovora ključno je za uspostavljanje vrijedne temeljne reference za kliničku i istraživačku korisnost. Praktična vrijednost MemTraxa u probiru AD za ranu fazu kognitivnog oštećenja i diferencijalnoj dijagnostičkoj podršci treba zatim pomnije ispitati u kontekstu kliničkog okruženja gdje se mogu razmotriti komorbiditeti te kognitivne, senzorne i motoričke sposobnosti koje utječu na izvedbu testa. A kako bi se informirala profesionalna perspektiva i potaknula praktična klinička korisnost, prvo je imperativ pokazati usporedbu s utvrđenim testom procjene kognitivnog zdravlja, čak iako potonji može biti prepoznatljivo ograničen glomaznom logistikom testiranja, obrazovanjem i jezičnim faktorima odvraćanja, te kulturnim utjecajima [26] . U tom pogledu, značajna je povoljna usporedba MemTraxa u kliničkoj učinkovitosti s MoCA koji se obično smatra industrijskim standardom, posebno kada se odvagne veća jednostavnost primjene i prihvaćanje MemTraxa od strane pacijenata.
Prethodno istraživanje koje je uspoređivalo MemTrax s MoCA-om naglašava razloge i preliminarne dokaze koji opravdavaju naše istraživanje modeliranja [8]. Međutim, ova prethodna usporedba samo je povezivala dvije ključne metrike performansi MemTraxa koje smo ispitali s kognitivnim statusom koji je odredio MoCA i definirao odgovarajuće raspone i granične vrijednosti. Produbili smo procjenu kliničke korisnosti MemTraxa istražujući pristup temeljen na prediktivnom modeliranju koji bi omogućio više individualizirano razmatranje drugih potencijalno relevantnih parametara specifičnih za pacijenta. Za razliku od drugih, nismo pronašli prednost u izvedbi modela korištenjem obrazovne korekcije (prilagodbe) rezultata MoCA ili u variranju praga agregatnog rezultata MoCA diskriminirajućeg kognitivnog zdravlja s izvorno preporučenih 26 na 23 [12, 15]. Zapravo, prednost izvedbe klasifikacije bila je u prednosti korištenjem neprilagođenog MoCA rezultata i višeg praga.
Ključne točke u kliničkoj praksi
Strojno učenje često se najbolje koristi i najučinkovitije je u prediktivnom modeliranju kada su podaci opsežni i višedimenzionalni, odnosno kada postoje brojna opažanja i popratni široki niz atributa visoke vrijednosti (koji doprinose). Ipak, s ovim trenutnim podacima, filtrirani modeli sa samo četiri odabrane značajke imali su bolje rezultate od onih koji koriste svih 10 zajedničkih značajki. To sugerira da naš zbirni skup bolničkih podataka nije imao klinički najprikladnije značajke (visoke vrijednosti) za optimalnu klasifikaciju pacijenata na ovaj način. Unatoč tome, naglasak pri rangiranju značajki na ključnim MemTrax metrikama performansi—MTx-% C i MTx-RT—snažno podržava izgradnju modela probira kognitivnog deficita u ranoj fazi oko ovog testa koji je jednostavan, lak za administraciju, jeftin i prikladno otkriva performanse pamćenja, barem sada kao početni ekran za binarnu klasifikaciju kognitivnog zdravstvenog statusa. S obzirom na sve veći pritisak na pružatelje usluga i zdravstvene sustave, procese probira pacijenata i kliničke primjene treba prikladno razviti s naglaskom na prikupljanje, praćenje i modeliranje onih karakteristika pacijenata i testnih metrika koje su najkorisnije, najpovoljnije i dokazano učinkovite u dijagnostici i podrška u upravljanju pacijentima.
Uz dvije ključne MemTrax metrike koje su središnje za MCI klasifikaciju, naš učenik s najboljim učinkom (Naivni Bayes) imao je vrlo visoku prediktivnu izvedbu u većini modela (AUC preko 0.90) s omjerom stvarno pozitivnih prema lažno pozitivnim omjerom koji se približava ili pomalo prelazi 4 : 1. Translacijska klinička primjena koja koristi ovog učenika bi tako obuhvatila (točno klasificirala) daleko većinu onih s kognitivnim deficitom, dok bi minimizirala troškove povezane s pogrešnim klasificiranjem nekoga s normalnim kognitivnim zdravljem kao osobe s kognitivnim deficitom (lažno pozitivno) ili nedostatak te klasifikacije kod onih koji imaju kognitivni deficit (lažno negativno). Bilo koji od ovih scenarija pogrešne klasifikacije mogao bi nametnuti pretjerano psiho-socijalno opterećenje pacijentu i njegovateljima.
Dok smo u preliminarnoj i potpunoj analizi koristili svih deset učenika u svakoj shemi modeliranja, usredotočili smo svoje rezultate na tri klasifikatora koji pokazuju najdosljedniju snažnu izvedbu. Ovo je također trebalo istaknuti, na temelju ovih podataka, učenike za koje se očekivalo da će imati pouzdane rezultate na visokoj razini u praktičnoj kliničkoj primjeni u određivanju klasifikacije kognitivnog statusa. Štoviše, budući da je ova studija bila zamišljena kao uvodno istraživanje o korisnosti strojnog učenja za kognitivni probir i ove pravovremene kliničke izazove, donijeli smo odluku da tehnike učenja budu jednostavne i generalizirane, s minimalnim podešavanjem parametara. Cijenimo da je ovaj pristup možda ograničio potencijal za uže definirane prediktivne sposobnosti specifične za pacijenta. Isto tako, dok nas obučavanje modela korištenjem samo vrhunskih značajki (filtrirani pristup) dodatno informira o tim podacima (specifično za nedostatke u prikupljenim podacima i naglašavajući vrijednost optimizacije dragocjenog kliničkog vremena i resursa), shvaćamo da je prerano suziti opseg modela i, stoga, sve (i druge značajke) treba razmotriti u budućim istraživanjima dok ne dobijemo definitivniji profil prioritetnih značajki koje bi bile primjenjive na širu populaciju. Stoga također u potpunosti shvaćamo da bi uključiviji i široko reprezentativni podaci i optimizacija ovih i drugih modela bili potrebni prije njihove integracije u učinkovitu kliničku primjenu, posebno kako bi se prilagodili komorbiditetima koji utječu na kognitivnu izvedbu, a koje bi trebalo razmotriti u daljnjoj kliničkoj evaluaciji.
Korisnost MemTraxa dodatno je poboljšana modeliranjem ozbiljnosti bolesti na temelju zasebne kliničke dijagnoze. Nije postignuta bolja ukupna učinkovitost klasifikacije u predviđanju težine VaD (u usporedbi s AD). iznenađujuće s obzirom na karakteristike profila pacijenata u modelima specifične za vaskularno zdravlje i rizik od moždanog udara, tj. hipertenzija, hiperlipidemija, dijabetes i (naravno) povijest moždanog udara. Iako bi bilo poželjnije i prikladnije imati istu kliničku procjenu provedenu na odgovarajućim pacijentima s normalnim kognitivnim zdravljem kako bi se polaznici obučili s ovim inkluzivnijim podacima. Ovo je posebno opravdano jer je MemTrax prvenstveno namijenjen za ranu fazu otkrivanja kognitivnog deficita i naknadnog praćenja individualnih promjena. Također je moguće da je poželjnija distribucija podataka u VaD skupu podataka djelomično pridonijela relativno boljoj izvedbi modeliranja. VaD skup podataka bio je dobro uravnotežen između dviju klasa, dok AD skup podataka s mnogo manje MCI pacijenata nije bio. Osobito u malim skupovima podataka, čak i nekoliko dodatnih instanci može napraviti mjerljivu razliku. Obje su perspektive razumni argumenti koji leže u osnovi razlika u izvedbi modela ozbiljnosti bolesti. Međutim, proporcionalno pripisivanje poboljšane izvedbe numeričkim karakteristikama skupa podataka ili inherentnim značajkama specifičnim za kliničku prezentaciju koja se razmatra je preuranjeno. Bez obzira na to, ovaj roman pokazao korisnost MemTrax prediktivnog klasifikacijskog modela u ulozi kliničke dijagnostičke potpore pruža vrijednu perspektivu i potvrđuje potragu za dodatnim ispitivanjem pacijenata u cijelom kontinuumu MCI.
Implementacija i pokazana korisnost MemTraxa i ovih modela u Kini, gdje se jezik i kultura drastično razlikuju od drugih regija s uspostavljenom korisnošću (npr. Francuska, Nizozemska i Sjedinjene Države) [7, 8, 27], dodatno naglašava potencijal za široko globalno prihvaćanje i kliničku vrijednost platforme temeljene na MemTraxu. Ovo je dokaziv primjer težnje prema usklađivanju podataka i razvoju praktičnih međunarodnih normi i resursa za modeliranje kognitivnog pregleda koji su standardizirani i lako prilagođeni za korištenje u cijelom svijetu.
Sljedeći koraci u modeliranju i primjeni kognitivnog pada
Kognitivna disfunkcija u AD-u doista se javlja u kontinuumu, a ne u diskretnim fazama ili koracima [28, 29]. Međutim, u ovoj ranoj fazi, naš je cilj bio prvo utvrditi našu sposobnost da izgradimo model koji uključuje MemTrax koji može fundamentalno razlikovati "normalno" od "nenormalnog". Uključiviji empirijski podaci (npr. slikanje mozga, genetske značajke, biomarkeri, komorbiditeti i funkcionalni markeri složenih aktivnosti koje zahtijevaju kognitivne kontrola) [30] u različitim globalnim regijama, populacijama i dobnim skupinama za obuku i razvoj sofisticiranijih (uključujući prikladno ponderirane skupne) modele strojnog učenja podržat će veći stupanj poboljšane klasifikacije, to jest, sposobnost kategoriziranja skupina pacijenata s MCI u manje i definitivnije podskupove duž kontinuuma kognitivnog pada. Štoviše, bitne su popratne kliničke dijagnoze za pojedince u regionalno različitim populacijama pacijenata učinkovito trenirati ovi uključiviji i predvidljivo robusniji modeli. To će olakšati specifičnije stratificirano vođenje slučajeva za one sa sličnim iskustvom, utjecajima i uže definiranim karakterističnim kognitivnim profilima i tako optimizirati kliničku podršku pri odlučivanju i brigu o pacijentima.
Velik dio relevantnih dosadašnjih kliničkih istraživanja bavio se pacijentima s barem blagom demencijom; i, u praksi, prečesto se intervencija pacijenta pokušava tek u uznapredovalim stadijima. Međutim, budući da kognitivni pad počinje znatno prije nego što se zadovolje klinički kriteriji za demenciju, učinkovito primijenjeni rani pregled temeljen na MemTraxu mogao bi potaknuti odgovarajuću edukaciju pojedinaca o bolesti i njezinom napredovanju te potaknuti ranije i pravovremenije intervencije. Stoga bi rano otkrivanje moglo podržati odgovarajuće uključenosti u rasponu od tjelovježbe, prehrane, emocionalne potpore i poboljšane socijalizacije do farmakološke intervencije i pojačati promjene u ponašanju i percepciji povezane s pacijentom koje bi pojedinačno ili zajedno mogle ublažiti ili potencijalno zaustaviti progresiju demencije [31, 32] . Štoviše, s učinkovitim rani probir, pojedinci i njihove obitelji mogu biti potaknuti da razmotre klinička ispitivanja ili dobiju savjetovanje i podršku drugih socijalnih službi kako bi se razjasnila očekivanja i namjere i upravljali svakodnevnim zadacima. Daljnja potvrda i široka praktična korisnost na ove načine mogu biti od ključne važnosti za ublažavanje ili zaustavljanje progresije MCI, AD i ADRD za mnoge pojedince.
Doista, donja granica raspona dobi pacijenata u našoj studiji ne predstavlja populaciju koja se tradicionalno brine za AD. Unatoč tome, prosječna dob za svaku skupinu koja se koristi u shemama klasifikacijskog modeliranja na temelju rezultata/praga MoCA i ozbiljnosti dijagnoze (tablica 3) naglašava jasnu većinu (preko 80%) koja ima najmanje 50 godina. Ova je distribucija stoga vrlo prikladna za generalizaciju, podupirući korisnost ovih modela u populaciji koja karakterizira one koji su obično pogođeni rani početak i rastuće neurokognitivne bolesti zbog AD i VaD. Također, noviji dokazi i perspektiva naglašavaju one prepoznate čimbenike (npr. hipertenzija, pretilost, dijabetes i pušenje) koji potencijalno pridonose većem ranom vaskularni rizik u odrasloj i srednjoj dobi i posljedična suptilna vaskularna ozljeda mozga koja se podmuklo razvija s vidljivim učincima čak i kod mladih odrasli [33-35]. Sukladno tome, najoptimalniji početni pregled za rano otkrivanje faza kognitivnih nedostataka i pokretanje učinkovite prevencije i intervencijskih strategija u uspješnom rješavanju demencije proizaći će iz ispitivanja doprinosećih čimbenika i prethodnih pokazatelja u cijelom dobnom spektru, uključujući ranu odraslu dob i potencijalno čak i djetinjstvo (uz napomenu o važnosti genetskih čimbenika kao što je apolipoprotein E od rane gestacije).
U praksi valjane kliničke dijagnoze i skupi postupci za napredno snimanje, genetsko profiliranje i mjerenje obećavajućih biomarkera nisu uvijek lako dostupni ili čak izvedivi za mnoge pružatelje usluga. Stoga, u mnogim slučajevima, početna sveukupna klasifikacija kognitivnog zdravstvenog statusa mora biti izvedena iz modela koji koriste druge jednostavne metrike koje daje pacijent (npr. samoprocjena problema s memorijom, trenutni lijekovi i ograničenja rutinske aktivnosti) i zajedničke demografske značajke [7]. Registri poput Kalifornijskog sveučilišta mozak Zdravlje Registar (https://www.brainhealthregistry.org/) [27] i drugi s inherentnom većom širinom samoprijavljenih simptoma, kvalitativnih mjera (npr. spavanje i svakodnevna kognicija), lijekova, zdravstvenog stanja i povijesti, i detaljniji demografski podaci bit će ključni u razvoju i potvrđivanju praktične primjene ovih primitivnijih modela u klinici. Nadalje, test kao što je MemTrax, koji je pokazao korisnost u procjeni funkcije pamćenja, zapravo može dati bitno bolju procjenu patologije AD od bioloških markera. S obzirom na to da je temeljna značajka AD patologije poremećaj neuroplastičnosti i izuzetno složen gubitak sinapsi, koji se manifestira kao epizodni disfunkcija pamćenja, mjera koja procjenjuje epizodno pamćenje zapravo može daju bolju procjenu patološkog opterećenja AD od bioloških markera u živog bolesnika [36].
Sa svim prediktivnim modelima – bilo da su nadopunjeni složenim i uključivim podacima iz najsuvremenije tehnologije i rafiniranim kliničkim uvidima u više domena ili onima koji su ograničeni na osnovnije i lako dostupne informacije karakteristične za postojeće profile pacijenata – priznata prednost umjetne inteligencije a strojno učenje je da rezultirajući modeli mogu sintetizirati i induktivno "učiti" iz relevantnih novih podataka i perspektive koju pruža stalna uporaba aplikacije. Nakon praktičnog prijenosa tehnologije, budući da se ovdašnji modeli (i koji će se razvijati) budu primjenjivali i obogaćivali s više slučajeva i relevantnih podataka (uključujući pacijente s komorbiditetima koji bi se mogli pojaviti s posljedičnim kognitivnim padom), izvedba predviđanja i klasifikacija kognitivnog zdravlja bit će robusnija, što rezultira učinkovitijom uslugom podrške kliničkom odlučivanju. Ova evolucija bit će potpunije i praktičnije ostvarena ugradnjom MemTraxa u prilagođene (usmjerene na dostupne mogućnosti) platforme koje bi pružatelji zdravstvenih usluga mogli koristiti u stvarnom vremenu u klinici.
Imperativ za provjeru valjanosti i korisnost modela MemTrax za dijagnostičku podršku i skrb o pacijentima su vrlo traženi značajni longitudinalni podaci. Promatranjem i bilježenjem popratnih promjena (ako ih ima) u kliničkom statusu u odgovarajućem rasponu normale kroz ranu fazu MCI, modeli za odgovarajuću stalnu procjenu i klasifikaciju mogu se trenirati i modificirati kako pacijenti stare i liječe se. To jest, ponovljena korisnost može pomoći u longitudinalnom praćenju blagih kognitivnih promjena, učinkovitosti intervencije i održavanju informirane stratificirane skrbi. Ovaj pristup više je usklađen s kliničkom praksom i upravljanjem pacijentima i slučajevima.
Ograničenja
Cijenimo izazov i vrijednost prikupljanja čistih kliničkih podataka u kontroliranom kliničkom/bolničkom okruženju. Unatoč tome, ojačalo bi naše modeliranje da naši skupovi podataka uključuju više pacijenata sa zajedničkim karakteristikama. Štoviše, specifično za naše modeliranje dijagnoze, bilo bi poželjnije i prikladnije imati istu kliničku procjenu provedenu na podudarnim pacijentima s normalnim kognitivnim zdravljem za obuku učenika. I kao što je naglašeno višom izvedbom klasifikacije korištenjem filtriranog skupa podataka (samo četiri najbolje rangirane značajke), općenitije i mjere/pokazatelji kognitivnog zdravlja vjerojatno bi se poboljšali modeliranje izvedbe s većim brojem zajedničkih značajki za sve pacijente.
Određeni su sudionici mogli istodobno imati i druge bolesti koje su mogle potaknuti prolazne ili kronične kognitivne nedostatke. Osim XL skupa pod-podataka gdje su pacijenti dijagnostički klasificirani kao da imaju AD ili VaD, podaci o komorbiditetu nisu prikupljeni/prijavljeni u skupu YH pacijenata, a prevladavajući prijavljeni komorbiditet daleko u KM pod-skupu podataka bio je dijabetes. Međutim, može se raspravljati o tome da bi uključivanje pacijenata u naše sheme modeliranja s komorbiditetima koji bi mogli potaknuti ili pogoršati razinu kognitivnog nedostatka i posljedičnu nižu učinkovitost MemTraxa bilo reprezentativnije za ciljnu populaciju pacijenata u stvarnom svijetu za ovaj generaliziraniji rani kognitivni probir i pristup modeliranju. Krećući se naprijed, točna dijagnoza komorbiditeta koji potencijalno utječu na kognitivnu izvedbu široko je korisna za optimiziranje modela i rezultirajućih aplikacija za njegu pacijenata.
Na kraju, pacijenti s YH i KM podskupom podataka koristili su pametni telefon za testiranje MemTrax, dok je ograničen broj pacijenata s XL podskupom podataka koristio iPad, a ostali su koristili pametni telefon. To je moglo dovesti do manje razlike povezane s uređajem u performansama MemTraxa za modeliranje MoCA klasifikacije. Međutim, razlike (ako ih ima) u MTx-RT, na primjer, između uređaja vjerojatno bi bile zanemarive, posebno ako bi svaki sudionik dobio "praktični" test neposredno prije snimljenog testa. Unatoč tome, korisnost ova dva ručna uređaja potencijalno ugrožava izravnu usporedbu i/ili integraciju s drugim rezultatima MemTraxa gdje su korisnici odgovarali na ponovljene slike dodirivanjem razmaknice na tipkovnici računala.
Ključne točke uslužnog programa za prediktivno modeliranje MemTrax
- • Naši najučinkovitiji prediktivni modeli koji obuhvaćaju odabrane MemTrax metrike performansi mogli bi pouzdano klasificirati kognitivni zdravstveni status (normalno kognitivno zdravlje ili MCI) kao što bi bilo naznačeno široko priznatim MoCA testom.
- • Ovi rezultati podržavaju integraciju odabranih metrika performansi MemTraxa u aplikaciju za probir klasifikacijskog prediktivnog modela za ranu fazu kognitivnog oštećenja.
- • Naše modeliranje klasifikacije također je otkrilo potencijal za korištenje performansi MemTraxa u aplikacijama za razlikovanje težine dijagnoze demencije.
Ova nova otkrića uspostavljaju konačne dokaze koji podržavaju korisnost strojnog učenja u izgradnji poboljšanih robusnih modela klasifikacije temeljenih na MemTraxu za dijagnostičku podršku u učinkovitom vođenju kliničkih slučajeva i brizi o pacijentima za osobe s kognitivnim oštećenjem.
ZAHVALA
Odajemo priznanje radu J. Wesson Ashforda, Curtisa B. Ashforda i kolegama na razvoju i potvrđivanju online zadatka i alata za kontinuirano prepoznavanje (MemTrax) koji se ovdje koriste i zahvalni smo brojnim pacijentima s demencijom koji su doprinijeli kritičnom temeljnom istraživanju . Također zahvaljujemo Xianbo Zhou i njegovim kolegama u SJN Biomed LTD, njegovim kolegama i suradnicima u bolnicama/klinikama, posebno dr. M. Luo i M. Zhong, koji su pomogli u zapošljavanju sudionika, zakazivanju testova i prikupljanju, bilježenju i front-end upravljanju podacima, te sudionicima volonterima koji su donirali svoje dragocjeno vrijeme i posvetili se polaganju testova i pružanju vrijedni podaci koje trebamo procijeniti u ovoj studiji. Ovaj studiju je djelomično podržao MD Scientific Research Program Medicinskog sveučilišta Kunming (potpora br. 2017BS028 do XL) i istraživački program Odjela za znanost i tehnologiju Yunnana (potpora br. 2019FE001 (-222) do XL).
J. Wesson Ashford podnio je patentnu prijavu za korištenje specifične paradigme kontinuiranog prepoznavanja opisane u ovom dokumentu za opće testiranje memorije.
MemTrax, LLC je tvrtka u vlasništvu Curtisa Ashforda, a ova tvrtka upravlja testiranje memorije sustav opisan u ovom radu.
Objave autora dostupne su na internetu (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
REFERENCE
| [1] Udruga za Alzheimerovu bolest (2016.) 2016. Činjenice o Alzheimerovoj bolesti i brojke. Alzheimerov dement 12, 459–509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Učinak ranog stadija Alzheimerova bolest o financijskim rezultatima kućanstva. Health Econ 29, 18–29. | |
| [3] | Foster NL, Bondi MW, Das R, Foss M, Hershey LA, Koh S, Logan R, Poole C, Shega JW, Sood A, Thothala N, Wicklund M, Yu M, Bennett A, Wang D (2019) Poboljšanje kvalitete u neurologija: set za mjerenje kvalitete blagog kognitivnog oštećenja. Neurologija 93, 705–713. |
| [4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017.) Troškovna učinkovitost korištenja kognitivni testovi probira za otkrivanje demencije i blagog kognitivnog oštećenja u primarnoj zdravstvenoj zaštiti. Int J Geriatr Psychiatry 32, 1392–1400. | |
| [5] Ashford JW, Gere E, Bayley PJ (2011.) Mjerenje memorije u postavkama velike grupe koristeći kontinuirani test prepoznavanja. J Alzheimer Dis 27, 885–895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Računalni zadatak kontinuiranog prepoznavanja za mjerenje epizodnog pamćenja. J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Izvedba epizodne memorije u modeliranju strojnog učenja za predviđanje klasifikacije kognitivnog zdravstvenog stanja. J Alzheimers Dis 70, 277–286. |
| [8] Van der Hoek MD, Nieuwenhuizen A, Keijer J, Ashford JW (2019) MemTrax test u usporedbi s montrealskom procjenom kognitivne procjene blagog kognitivnog oštećenja. J Alzheimers Dis 67, 1045–1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Korištenje izoliranih glasova samoglasnika za klasifikaciju blage traumatske ozljede mozga. 2013. IEEE Međunarodna konferencija o akustici, obradi govora i signala, Vancouver, BC, str. 7577–7581. |
| [10] | Dabek F, Caban JJ (2015.) Iskorištavanje velikih podataka za modeliranje vjerojatnosti razvoja psiholoških stanja nakon potresa mozga. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Stablo odlučivanja za rano otkrivanje kognitivnog oštećenja od strane ljekarnika u zajednici. Front Pharmacol 9, 1232. |
| [12] | Nasreddine ZS, Phillips NA, Bedirian V, Charbonneau S, Whitehead V, Collin I, Cummings JL, Chertkow H (2005) The Montreal Cognitive Assessment, MoCA: Kratki alat za probir za blago kognitivno oštećenje. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012.) Pekinška verzija montrealske kognitivne procjene kao alat za kratki probir za blago kognitivno oštećenje: Studija u zajednici. BMC Psychiatry 12, 156. |
| [14] | Chen KL, Xu Y, Chu AQ, Ding D, Liang XN, Nasreddine ZS, Dong Q, Hong Z, Zhao QH, Guo QH (2016.) Validacija kineske verzije Montrealske kognitivne procjene osnovne za skrining blagog kognitivnog oštećenja. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N, Leach L, Murphy KJ (2018) Ponovno ispitivanje graničnih rezultata Montrealske kognitivne procjene (MoCA). Int J Geriatr Psychiatry 33, 379–388. |
| [16] | Američko psihijatrijsko udruženje (2013.) Dijagnostički i statistički priručnik za mentalne poremećaje radne skupine: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC. |
| [17] | Piton. Python Software Foundation, http://www.python.org, pristupljeno 15. studenog 2019. |
| [18] | R Core Group, R: Jezik i okruženje za statističko računalstvo R Foundation for Statistical Computing, Beč, Austrija. https://www.R-project.org/, 2018., pristupljeno 15. studenog 2019. |
| [19] | Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Vrijeme je za promjenu: Vodič za usporedbu višestrukih klasifikatora kroz Bayesovu analizu. J Mach Learn Res 18, 1–36. |
| [20] | Frank E, Hall MA, Witten IH (2016) WEKA Workbench. U Data Mining: Praktični alati i tehnike strojnog učenja, Frank E, Hall MA, Witten IH, Pal CJ, ur. Morgan Kaufmann https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf |
| [21] | Bergeron MF, Landset S, Maugans TA, Williams VB, Collins CL, Wasserman EB, Khoshgoftaar TM (2019) Strojno učenje u modeliranju rješavanja simptoma potresa mozga u srednjoj školi. Med Sci Sports Exerc 51, 1362–1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007.) Eksperimentalne perspektive učenja iz neuravnoteženih podataka. U Zbornik radova 24. međunarodne konferencije o strojnom učenju, Corvalis, Oregon, SAD, str. 935-942. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Evaluacija bolesnika s Alzheimerovom bolesti i mini-mentalno stanje: analiza krivulje karakteristika predmeta.P. J Gerontol 44, 139–146. |
| [24] Ashford JW, Jarvik L (1985.) Alzheimerova bolest: Pokazuje li plastičnost neurona predispoziciju za neurofibrilarnu degeneraciju aksona? N Engl J Med 313, 388–389. | |
| [25] Jack CR Jr, Therneau TM, Weigand SD, Wiste HJ, Knopman DS, Vemuri P, Lowe VJ, Mielke MM, Roberts RO, Machulda MM, Graff-Radford J, Jones DT, Schwarz CG, Gunter JL, Senjem ML , Rocca WA, Petersen RC (2019) Prevalencija biološki naspram klinički definiranih entiteta Alzheimerovog spektra pomoću Nacionalnog instituta za starenje-Alzheimer Istraživanje udruge okvir. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X, Ashford JW (2019.) Napredak u instrumentima za probir za Alzheimerova bolest. Starenje Med 2, 88–93. | |
| [27] Weiner MW, Nosheny R, Camacho M, Truran-Sacrey D, Mackin RS, Flenniken D, Ulbricht A, Insel P, Finley S, Fockler J, Veitch D (2018) mozak Zdravlje Registar: internetska platforma za regrutiranje, procjenu i longitudinalno praćenje sudionika za neuroznanstvene studije. Alzheimerov dement 14, 1063–1076. | |
| [28] Ashford JW, Schmitt FA (2001.) Modeliranje vremenskog tijeka Alzheimerova demencija. Curr Psychiatry Rep 3, 20–28. | |
| [29] | Li X, Wang X, Su L, Hu X, Han Y (2019.) Kineska longitudinalna studija o kognitivnom opadanju (SILCODE): Protokol za kinesku longitudinalnu opservacijsku studiju za razvoj modela predviđanja rizika konverzije u blago kognitivno oštećenje kod pojedinaca sa subjektivnim kognitivnim odbiti. BMJ Open 9, e028188. |
| [30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015.) Petogodišnja varijabilnost progresije biomarkera za Demencija Alzheimerove bolesti predviđanje: Mogu li složene instrumentalne aktivnosti svakodnevnog života marker popuniti praznine? Alzheimerova dementnost (Amst) 1, 521–532. | |
| [31] McGurran H, Glenn JM, Madero EN, Bott NT (2019.) Prevencija i liječenje Alzheimerove bolesti: Biološki mehanizmi vježbanja. J Alzheimers Dis 69, 311–338. | |
| [32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) Terapije za prevencija i liječenje Alzheimerove bolesti. Biomed Res Int 2016, 2589276. | |
| [33] | Lane CA, Barnes J, Nicholas JM, Sudre CH, Cash DM, Malone IB, Parker TD, Keshavan A, Buchanan SM, Keuss SE, James SN, Lu K, Murray-Smith H, Wong A, Gordon E, Coath W, Modat M, Thomas D, Richards M, Fox NC, Schott JM (2020.) Povezanosti između vaskularnog rizika u odrasloj dobi i patologije mozga u kasnoj životnoj dobi: dokazi iz britanske rodne skupine. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) Prevencija demencije - razmišljanje izvan dobi i amiloidne kutije. JAMA Neurol 77, 160–161. |
| [35] | Maillard P, Seshadri S, Beiser A, Himali JJ, Au R, Fletcher E, Carmichael O, Wolf PA, DeCarli C (2012) Učinci sistoličkog krvnog tlaka na integritet bijele tvari u mladih odraslih u Framingham Heart Study: A cross -sektorska studija. Lancet Neurol 11, 1039–1047. |
| [36] Fink HA, Linskens EJ, Silverman PC, McCarten JR, Hemmy LS, Ouellette JM, Greer NL, Wilt TJ, Butler M (2020.) Točnost testiranja biomarkera za neuropatološki definirane Alzheimerova bolest kod starijih osoba s demencijom. Ann Intern Med 172, 669–677. |
Pripadnosti: [a] SIVOTEC Analytics, Boca Raton, FL, SAD | [b] Odjel za računalstvo i elektrotehniku te računalne znanosti, Sveučilište Florida Atlantic, Boca Raton, FL, SAD | [c] SJN Biomed LTD, Kunming, Yunnan, Kina | [d] Centar za Istraživanje Alzheimerove bolesti, Washingtonski institut za klinička istraživanja, Washington, DC, SAD | [e] Odjel za rehabilitacijsku medicinu, Prva pridružena bolnica Medicinskog sveučilišta Kunming, Kunming, Yunnan, Kina | [f] Odjel za neurologiju, Narodna bolnica Dehong, Dehong, Yunnan, Kina | [g] Odjel za neurologiju, Prva pridružena bolnica Medicinskog sveučilišta Kunming, okrug Wuhua, Kunming, provincija Yunnan, Kina | [h] Centar za proučavanje bolesti i ozljeda povezanih s ratom, VA Palo Alto Zdravstvo System, Palo Alto, CA, SAD | [i] Odjel za psihijatriju i bihevioralne znanosti, Medicinski fakultet Sveučilišta Stanford, Palo Alto, CA, SAD
Dopisivanje: [*] Dopisivanje: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, SAD. E-pošta: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Odjel za neurologiju, Prva pridružena bolnica Medicinskog sveučilišta Kunming, 295 Xichang Road, Wuhua District, Kunming, Yunnan Province 650032, Kina. E-mail: ring@vip.163.com.
Ključne riječi: starenje, Alzheimerova bolest, demencija, masovni pregledi