A MemTrax és a gépi tanulási modellezés hasznossága az enyhe kognitív károsodás osztályozásában

Kutatási cikk

Szerzők: 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

folyóirat: Journal of Alzheimer kór, vol. 77, nem. 4, 1545-1558, 2020

Absztrakt

Háttér:

A széles körben elterjedt előfordulása és előfordulása Alzheimer kór és az enyhe kognitív károsodás (MCI) sürgős kutatási felhívást indított a kognitív szűrés és értékelés korai felismerése érdekében.

Célkitűzés:

Elsődleges kutatási célunk annak meghatározása volt, hogy a kiválasztott MemTrax teljesítménymutatók, valamint a releváns demográfiai és egészségprofil jellemzők hatékonyan felhasználhatók-e a gépi tanulással kifejlesztett prediktív modellekben a kognitív egészség osztályozására (normál versus MCI), amint azt a Montreali kognitív értékelés (MoCA).

Módszerek:

Keresztmetszeti vizsgálatot végeztünk 259 neurológiai, memóriaklinikai és belgyógyászati ​​felnőtt betegen, akiket két főből vettek fel. kórházak Kínában. Minden páciens megkapta a kínai nyelvű MoCA-t, és önállóan kezelte a folyamatos felismerést, a MemTrax online epizódot. memória teszt online ugyanazon a napon. A prediktív osztályozási modelleket gépi tanulással építettük fel tízszeres kereszthitelesítéssel, a modell teljesítményét pedig a vevő működési jellemzői görbéje alatti terület (AUC) segítségével mérték. A modelleket két MemTrax teljesítménymutatóval (helyes százalék, válaszidő), valamint a nyolc általános demográfiai és személyes történeti jellemzővel építették.

Eredmények:

Összehasonlítva a tanulókat a MoCA-pontszámok és küszöbértékek kiválasztott kombinációi között, általában Naïve Bayes volt a legjobban teljesítő tanuló 0.9093 általános besorolási teljesítménnyel. Ezen túlmenően, a három legjobb tanuló között a MemTrax-alapú besorolási teljesítmény összességében felülmúlta a legjobb négy jellemzőt (0.9119), összehasonlítva mind a 10 általános jellemzővel (0.8999).

Következtetés:

A MemTrax teljesítménye hatékonyan használható egy gépi tanulási osztályozási prediktív modellben szűrőalkalmazás a korai stádiumú kognitív károsodások kimutatására.

BEVEZETÉS

A felismert (bár aluldiagnosztizált) széles körben elterjedt incidencia és prevalencia, valamint ezzel párhuzamosan fokozódó orvosi, társadalmi és közéleti Egészség Az Alzheimer-kór (AD) és az enyhe kognitív károsodás (MCI) költségei és terhei egyre nagyobb megterhelést jelentenek minden érintett számára [1, 2]. Ez a nyomasztó és burgeoning forgatókönyv sürgős kutatási felhívást indított el az érvényesítés érdekében korai észlelés kognitív szűrési és értékelési eszközök, amelyek rendszeres gyakorlati hasznot húznak a személyes és klinikai körülmények között idősebb betegek számára, különböző régiókban és populációkban [3]. Ezeknek az eszközöknek biztosítaniuk kell az informatív eredmények zökkenőmentes lefordítását elektronikus egészségügyi nyilvántartásokba. Az előnyök a betegek tájékoztatása és az orvosok segítése a jelentős változások korai felismerésében valósul meg, és ezáltal gyorsabb és időszerűbb rétegződést, végrehajtást és nyomon követést tesz lehetővé a megfelelő személyre szabott és költséghatékonyabb kezelések és betegellátások számára a tapasztalni kezdők számára. kognitív hanyatlás [3, 4].

A számítógépes MemTrax eszköz (https://memtrax.com) egy egyszerű és rövid folyamatos felismerési értékelés, amely online önadminisztrálható kihívást jelentő, időzített epizodikus memóriateljesítmény mérésére, ahol a felhasználó ismételt képekre reagál, nem pedig kezdeti bemutatóra [5, 6]. A közelmúltban végzett kutatások és az ebből származó gyakorlati vonatkozások fokozatosan és együttesen kezdik bizonyítani a MemTrax klinikai hatékonyságát a korai AD és MCI szűrésben [5–7]. Azonban a klinikai hasznosság közvetlen összehasonlítása a meglévővel kognitív egészség Az értékelés és a hagyományos szabványok garantálják, hogy tájékoztassák a professzionális perspektívát, és megerősítsék a MemTrax segédprogramot a korai felismerésben és a diagnosztikai támogatásban. van der Hoek et al. [8] a kiválasztott MemTrax teljesítménymutatókat (reakciósebesség és százalékos helyesség) hasonlította össze a Montreal által meghatározott kognitív állapottal. Kognitív értékelés (MoCA). Ez a tanulmány azonban arra korlátozódott, hogy ezeket a teljesítménymutatókat összekapcsolja a kognitív állapot jellemzésével (amint azt a MoCA határozta meg), és meghatározta a relatív tartományokat és határértékeket. Ennek megfelelően a vizsgálat kiterjesztése és az osztályozási teljesítmény és hatékonyság javítása érdekében elsődleges kutatási kérdésünk a következő volt:

  • Tudja-e az egyén kiválasztott MemTrax teljesítménymutatóit, valamint a releváns demográfiai és egészségi adatokat profilok A jellemzők hatékonyan használhatók a gépi tanulással kifejlesztett prediktív modellben a kognitív egészség dichotóm osztályozására (normál versus MCI), amint azt a MoCA pontszám jelezné?

Másodlagosan a következőket szerettük volna tudni:

  • A MemTrax teljesítmény-alapú gépi tanulási modell, amely ugyanazokat a jellemzőket tartalmazza, hatékonyan alkalmazható-e egy páciensre a súlyosság (enyhe versus súlyos) előrejelzésére a kognitív károsodás kiválasztott kategóriáin belül, amint azt független klinikai diagnózis határozná meg?

A mesterséges intelligencia és a gépi tanulás szűrésben/detektálásban való megjelenése és fejlődő gyakorlati alkalmazása már határozott gyakorlati előnyöket mutatott, a prediktív modellezés pedig hatékonyan irányítja a klinikusokat a kognitív/agyi egészség és a betegkezelés kihívást jelentő felmérésében. Tanulmányunkban hasonló megközelítést választottunk az MCI osztályozási modellezésben és a kognitív károsodás súlyossága szerinti megkülönböztetésében, amelyet a klinikai diagnózis megerősített három olyan adatkészletből, amelyek két kínai kórház kiválasztott önkéntes fekvőbetegeit és járóbetegeit reprezentálják. A gépi tanulás prediktív modellezése segítségével azonosítottuk a legjobban teljesítő tanulókat a különböző adatkészlet/tanuló kombinációkból, és rangsoroltuk azokat a funkciókat, amelyek eligazítanak bennünket a klinikailag legpraktikusabb modellalkalmazások meghatározásában.

Hipotézisünk az volt, hogy egy validált MemTrax-alapú modell felhasználható a kognitív egészség dichotóm (normál vagy MCI) osztályozására a MoCA összesített pontszám küszöbkritérium alapján, és hogy egy hasonló MemTrax prediktív modell hatékonyan alkalmazható a súlyosság megkülönböztetésére a kiválasztott kategóriákban. klinikailag diagnosztizáltak kognitív zavar. A várható eredmények bemutatása nagyban hozzájárulna a MemTrax hatékonyságának támogatásához, mint a kognitív hanyatlás és a kognitív károsodások osztályozásának korai felismerésére szolgáló képernyőként. Az iparágban állítólagos szabvánnyal való kedvező összehasonlítás, amelyet sokkal egyszerűbb és gyorsabb használhatóság egészít ki, befolyással lehet arra, hogy a klinikusok alkalmazzák ezt az egyszerű, megbízható és hozzáférhető eszközt kezdeti képernyőként a korai (beleértve a prodromális) stádiumú kognitív hiányosságok kimutatására. Egy ilyen megközelítés és hasznosság tehát időszerűbb és jobban rétegzett betegellátást és beavatkozást eredményezhet. Ezek az előremutató betekintések, valamint a továbbfejlesztett mutatók és modellek hasznosak lehetnek a demencia progressziójának enyhítésében vagy megállításában, beleértve az AD-t és az ADRD-t is.

ANYAGOK ÉS METÓDUSOK

Tanulmányi populáció

2018 januárja és 2019 augusztusa között keresztmetszeti kutatást végeztek két kínai kórházból toborzott betegeken. A MemTrax [5] 21 éves és idősebb személyeknek történő beadását, valamint ezen adatok gyűjtését és elemzését a szövetség etikai normáival összhangban felülvizsgálták, jóváhagyták, és azokat a szervezet etikai normáival összhangban végezte. Emberi A Stanford Egyetem tantárgyvédelmi bizottsága. A MemTrax és az összes többi vizsgálat ehhez az átfogó vizsgálathoz az 1975-ös helsinki nyilatkozatnak megfelelően történt, és jóváhagyta a Kunmingi Orvosi Egyetem Első Társult Kórházának Intézményi Felülvizsgáló Testülete (Kunming, Yunnan, Kína). Minden felhasználó számára biztosítottak egy tájékozott beleegyezés űrlapon elolvashatja/áttekintheti, majd önkéntesen beleegyezik a részvételbe.

A résztvevőket a Yanhua Kórház neurológiai klinikájának járóbeteg csoportjából toborozták (YH aladatbázis) és a memóriaklinika a Kunming Medical First Affiliated Hospital-ban Egyetem (XL részadatkészlet) Pekingben, Kínában. A résztvevőket neurológiai (XL-aladatkészlet) és belgyógyászati ​​(KM-aladatkészlet) fekvőbetegek közül is toborozták a Kunmingi Orvostudományi Egyetem First Affiliated Hospital kórházában. A felvételi kritériumok között szerepelt 1) legalább 21 éves férfiak és nők, 2) kínai (mandarin) nyelvtudás és 3) szóbeli és írásbeli utasítások megértésének képessége. A kizárási kritériumok a látás és a motoros károsodások voltak, amelyek megakadályozták a résztvevőket abban, hogy befejezzék a vizsgálatot MemTrax teszt, valamint az, hogy képtelenség megérteni a konkrét vizsgálati utasításokat.

A MemTrax kínai változata

Az online A MemTrax tesztplatform le lett fordítva kínai nyelvre (URL: https://www.memtrax.com.cn), és tovább adaptálva a WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Kína) önigazgatásra. Az adatokat egy Kínában található felhőszerveren (Ali Cloud) tárolták, és az SJN Biomed LTD (Kunming, Yunnan, Kína) az Alibaba-tól (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, Kína) engedélyezte. Az itt használt MemTrax és a teszt érvényességi kritériumainak konkrét részleteit korábban leírták [6]. A vizsgálatot ingyenesen biztosították a betegeknek.

Tanulási eljárások

A fekvő- és járóbetegek számára egy általános papíralapú kérdőív a demográfiai és személyes adatok, például életkor, nem, iskolai végzettség, foglalkozás, egyedül él vagy a családdal, és a kórtörténetet a vizsgálati csoport egy tagja kezelte. A kérdőív kitöltését követően a MoCA [12] és a MemTrax teszteket (MoCA először) adtuk be, a tesztek között legfeljebb 20 perc telt el. A MemTrax százalékos arányát (MTx-% C), az átlagos válaszidőt (MTx-RT), valamint a tesztelés dátumát és idejét a vizsgálati csoport egy tagja papíron rögzítette minden egyes tesztelt résztvevő esetében. A kitöltött kérdőívet és a MoCA eredményeit a teszteket lebonyolító kutató Excel-táblázatba töltötte fel, és egy kollégája ellenőrizte, mielőtt az Excel fájlokat elemzésre elmentette volna.

MemTrax teszt

A MemTrax online teszt 50 képet tartalmazott (25 egyedi és 25 ismétlés; 5 készlet 5 képből közös jelenetekről vagy tárgyakról), amelyek meghatározott pszeudo-véletlen sorrendben voltak láthatók. A résztvevő (az utasításoknak megfelelően) megérinti a Start gombot a képernyőn a teszt elindításához és a képsorozat megtekintésének megkezdéséhez, majd ismételt kép megjelenésekor a lehető leggyorsabban megérinti a képet a képernyőn. Mindegyik kép 3 másodpercig vagy a képernyőn lévő kép érintéséig jelent meg, ami a következő kép azonnali megjelenítését késztette. A helyi eszköz belső óráját használva az egyes képek MTx-RT értékét a kép bemutatásától addig eltelt idő alapján határozták meg, amikor a résztvevő megérintette a képernyőt, válaszul a kép felismerésének jelzésére, hogy a kép már látható. a teszt során. Az MTx-RT-t minden képhez rögzítettük, és teljes 3 másodpercet rögzítettünk, ami azt jelzi, hogy nincs válasz. Az MTx-% C-t úgy számítottuk ki, hogy jelezze az ismétlődő és kezdeti képek százalékos arányát, amelyekre a felhasználó helyesen válaszolt (igazi pozitív + igaz negatív osztva 50-nel). A MemTrax adminisztrációjával és megvalósításával, az adatcsökkentéssel, az érvénytelen vagy „nincs válasz” adatokkal és az elsődleges adatok elemzésével kapcsolatos további részleteket máshol ismertetjük [6].

A MemTrax tesztet részletesen elmagyarázták, és egy gyakorlati tesztet (a tesztben az eredmények rögzítésére használtaktól eltérő egyedi képekkel) biztosítottak a résztvevőknek a kórházi környezetben. Az YH és KM részadatkészletek résztvevői a MemTrax tesztet egy okostelefonon végezték el, amelybe az alkalmazást a WeChat webhelyen töltötték be; mivel az XL aladatkészletben lévő betegek egy része iPadet, a többiek pedig okostelefont használtak. Minden résztvevő elvégezte a MemTrax tesztet, miközben a vizsgálatot végző kutató észrevétlenül figyelte.

Montreali kognitív értékelés

A kínai MoCA (MoCA-BC) [13] pekingi változatát képzett kutatók adták be és pontozták a hivatalos tesztutasítások szerint. Megfelelően a MoCA-BC megbízhatónak bizonyult kognitív teszt szűrés minden oktatási szinten kínai idős felnőtteknél [14]. Minden teszt körülbelül 10-30 percet vett igénybe, az adott résztvevő kognitív képességei alapján.

MoCA osztályozási modellezés

Összesen 29 használható funkció volt, köztük két MemTrax tesztelje a teljesítménymutatókat és 27 demográfiai és egészségügyi jellemzőt információkat minden résztvevő számára. Minden páciens MoCA aggregált tesztpontszámát használták a kognitív szűrés „benchmark” prediktív modelljeink betanításához. Ennek megfelelően, mivel MoCA-t használtunk az osztálycímke létrehozásához, nem használhattuk az összesített pontszámot (vagy a MoCA részhalmaz pontszámait) független jellemzőként. Előkísérleteket végeztünk, amelyekben modelleztük (a MoCA által meghatározott kognitív egészséget osztályozva) az eredeti három kórházi/klinikai részadatkészletet egyenként, majd az összes jellemzőt felhasználva kombináltuk. Mindazonáltal nem ugyanazt az adatelemet gyűjtötték össze a három részadatkészletet képviselő négy klinikán; így a kombinált adatkészletben található számos szolgáltatásunknál (az összes szolgáltatás használatakor) gyakran előfordult hiányzó érték. Ezután modelleket építettünk a kombinált adatkészlettel, csak közös jellemzőket használva, ami jobb osztályozási teljesítményt eredményezett. Ez valószínűleg azzal magyarázható, hogy több példány kellett dolgoznia a három páciens-aladatkészlet kombinálásával, és nincs olyan jellemző, amely túlzottan gyakori a hiányzó értékek mellett (a kombinált adatkészletben csak egy jellemzőnél, a munkatípusnál volt hiányzó érték, ami befolyásolta csak három betegpéldány), mert csak mindhárom helyen rögzített közös jellemzőket vettük figyelembe. Figyelemre méltó, hogy nem volt külön elutasítási kritériumunk minden egyes olyan funkcióhoz, amely végül nem szerepelt a kombinált adatkészletben. Előzetes kombinált adatkészlet-modellezésünk során azonban először a három különálló beteg-aladatkészlet összes jellemzőjét használtuk fel. Ez széles körben azt eredményezte, hogy a modell teljesítménye mérhetően alacsonyabb volt, mint a kezdeti előzetes modellezés az egyes részadatkészleteken. Sőt, míg az összes funkciót felhasználva megépített modellek osztályozási teljesítménye biztató volt, minden tanuló és osztályozási séma esetében a teljesítmény kétszer annyi modell esetében javult, ha csak közös jellemzőket használnak. Valójában azok közül, akik végül a legjobb tanulóink ​​lettek, egy kivételével mindegyik modell javított a nem általános funkciók kiküszöbölése érdekében.

A végső összesített adatkészlet (YH, XL és KM együtt) 259 példányt tartalmazott, amelyek mindegyike egyedi résztvevőt képvisel, aki elvégezte a MemTrax és a MoCA teszteket is. 10 megosztott független jellemző volt: MemTrax teljesítménymutatók: MTx-% C és átlagos MTx-RT; demográfiai és kórtörténeti adatok: életkor, nem, iskolai végzettség, munkatípus (kékgalléros/fehérgalléros), szociális támogatás (egyedül él-e a tesztfelvevő vagy családjával), és igen/nem válaszok arra vonatkozóan, hogy a felhasználónak volt-e cukorbetegség, hiperlipidémia vagy traumás agysérülés anamnézisében. Két további mérőszámot, a MoCA aggregált pontszámot és az oktatási évekre korrigált MoCA aggregált pontszámot [12] külön-külön használtunk a függő osztályozási címkék kidolgozására, így két különálló modellezési sémát hoztak létre, amelyeket kombinált adatkészletünkre alkalmazhatunk. A MoCA pontszám minden verziójához (korrigált és korrigálatlan) az adatokat ismét külön modellezték a bináris osztályozáshoz, két különböző kritérium küszöbértékkel – az eredetileg ajánlott [12] és egy másik, mások által használt és népszerűsített értékkel [8, 15]. Az alternatív küszöbérték besorolási sémában a pácienst akkor tekintették normális kognitív egészségi állapotúnak, ha a MoCA-teszten ≥23-as pontszámot ért el, és MCI-t, ha a pontszám 22 vagy alacsonyabb volt; míg a kezdeti ajánlott besorolási formátumban a páciensnek 26-os vagy jobb pontszámot kellett elérnie a MoCA-n ahhoz, hogy normális kognitív állapotúként jelöljék meg.

Szűrt adatok a MoCA osztályozási modellezéshez

Tovább vizsgáltuk a MoCA osztályozást négy általánosan használt jellemző-rangsorolási technikával: Khi-négyzet, Erősítési arány, Információnyereség és Szimmetrikus bizonytalanság. Átmeneti szempontból a rangsorolókat a teljes kombinált adatkészletre alkalmaztuk a négy modellezési sémánk mindegyikével. Minden rangsoroló megegyezett ugyanazokban a legfontosabb jellemzőkben, azaz az életkorban, az iskolai végzettségben és mindkét MemTrax teljesítménymutatóban (MTx-% C, átlagos MTx-RT). Ezt követően minden egyes funkcióválasztási technikával újraépítettük a modelleket, hogy a modelleket csak a négy legfontosabb jellemzőre tanítsuk (lásd Funkció kiválasztása alább).

A MoCA pontszám osztályozási modellezési sémák végső nyolc változatát az 1. táblázat mutatja be.

Asztal 1

A MoCA osztályozáshoz használt modellezési séma variációk összefoglalása (Normál Kognitív egészség MCI-vel szemben)

Modellezési sémaNormál kognitív egészség (negatív osztály)MCI (pozitív osztály)
Beállított - 23 Szűretlen/Szűrt101 (39.0%)158 (61.0%)
Beállított - 26 Szűretlen/Szűrt49 (18.9%)210 (81.1%)
Beállítatlan – 23 Szűretlen/Szűrt92 (35.5%)167 (64.5%)
Beállítatlan – 26 Szűretlen/Szűrt42 (16.2%)217 (83.8%)

Az egyes osztályok összes betegének megfelelő száma és százaléka az iskolai végzettség (Kiigazított vagy Korrigált) pontszám és az osztályozási küszöb (23 vagy 26) korrigálása szerint különbözik, mindkét jellemzőkészletre (Szűretlen és Szűrt) alkalmazva.

MemTrax alapú klinikai értékelési modellezés

Három eredeti aladatkészletünkből (YH, XL, KM) csak az XL al-adatkészletű betegeknél diagnosztizáltak függetlenül klinikailag kognitív károsodást (azaz a megfelelő MoCA-pontszámukat nem vették figyelembe a normál és a károsodott osztályozás felállításánál). Konkrétan az XL-es betegeknél diagnosztizálták bármelyiket Alzheimer-kór teszt (AD) vagy vaszkuláris demencia (VaD). Ezen elsődleges diagnosztikai kategóriákon belül volt egy további elnevezés az MCI-re. Az MCI, a demencia, a vaszkuláris neurokognitív zavar és az AD okozta neurokognitív zavar diagnózisa a Mentális zavarok diagnosztikai és statisztikai kézikönyvében: DSM-5 [16] felvázolt specifikus és megkülönböztető diagnosztikai kritériumokon alapult. Figyelembe véve ezeket a finomított diagnózisokat, két osztályozási modellezési sémát külön-külön alkalmaztunk az XL aladatkészletre, hogy megkülönböztessék a súlyossági szintet (a károsodás mértékét) az egyes elsődleges diagnóziskategóriákban. Az egyes diagnosztikai modellezési sémákban (AD és VaD) felhasznált adatok demográfiai és betegtörténeti információkat, valamint MemTrax teljesítményt (MTx-% C, átlagos MTx-RT) tartalmaztak. Minden diagnózist enyhének minősítettek, ha MCI-nek nevezték; egyébként súlyosnak számított. Kezdetben fontolóra vettük a MoCA pontszám beépítését a diagnózismodellekbe (enyhe versus súlyos); de úgy döntöttünk, hogy ez meghiúsítja másodlagos prediktív modellezési rendszerünk célját. Itt a tanulókat a szolgáltató rendelkezésére álló egyéb páciensjellemzők és az egyszerűbb MemTrax teszt (a MoCA helyett) teljesítménymutatói alapján képeznék ki a referencia „arany standarddal”, a független klinikai diagnózissal szemben. 69 példány volt az AD-diagnosztikai adatkészletben és 76 VaD-példány (táblázat 2). Mindkét adatkészletben 12 független jellemző volt. A MoCA pontszám besorolásában szereplő 10 jellemző mellett a betegtörténet a hypertonia és a stroke kórtörténetére vonatkozó információkat is tartalmazott.

Asztal 2

A diagnózis súlyosságának besorolásához használt modellezési séma variációk összefoglalása (enyhe versus súlyos)

Modellezési sémaEnyhe (negatív osztály)Súlyos (pozitív osztály)
MCI-AD kontra AD12 (17.4%)57 (82.6%)
MCI-VaD versus VaD38 (50.0%)38 (50.0%)

Az egyes osztályok összes betegének megfelelő száma és százaléka az elsődleges diagnózis kategóriája szerint (AD vagy VaD) van megkülönböztetve.

Statisztika

A résztvevők jellemzőinek és más numerikus jellemzőknek az egyes modellosztályozási stratégiák részadatkészletei közötti összehasonlítását (a MoCA kognitív állapotának és a diagnózis súlyosságának előrejelzésére) Python programozási nyelvvel (2.7.1-es verzió) végeztük [17]. A modellteljesítmény-különbségeket kezdetben egy- vagy kéttényezős (adott esetben) ANOVA-val határozták meg 95%-os konfidencia-intervallum mellett, és a Tukey becsületes szignifikáns különbség (HSD) tesztet a teljesítményátlagok összehasonlítására. A modellek teljesítménye közötti különbségek vizsgálatát Python és R (3.5.1-es verzió) kombinációjával végeztük [18]. Ezt a (bár vitathatatlanul az optimálisnál kevésbé) megközelítést csak heurisztikus segítségként alkalmaztuk ehhez korai fázis a kezdeti modellteljesítmény-összehasonlításokhoz a lehetséges klinikai alkalmazás előrejelzéséhez. Ezután a Bayes-féle előjeles rangú tesztet utólagos eloszlást alkalmazva meghatároztuk a modell teljesítménybeli különbségeinek valószínűségét [19]. Ezekhez az elemzésekhez a –0.01, 0.01 intervallumot használtuk, ami azt jelenti, hogy ha két csoport teljesítménykülönbsége kisebb, mint 0.01, akkor azonosnak (a gyakorlati ekvivalencia tartományán belül), vagy egyébként eltérőnek (egy jobb mint a másik). Az osztályozók Bayes-féle összehasonlításának elvégzéséhez és ezen valószínűségek kiszámításához a baycomp könyvtárat (1.0.2-es verzió) használtuk a Python 3.6.4-hez.

Prediktív modellezés

Prediktív modelleket építettünk fel a modellezési sémáink tíz összes változatának felhasználásával, hogy előre jelezzük (osztályozzuk) az egyes betegek MoCA-tesztjének kimenetelét vagy a klinikai diagnózis súlyosságát. Minden tanulót alkalmaztunk, és a modelleket a Weka nyílt forráskódú szoftverplatform segítségével építettük [20]. Előzetes elemzésünkhöz 10 általánosan használt tanulási algoritmust használtunk: 5-Nearest Neighbors, a C4.5 döntési fa két változata, Logisztikai regresszió, Multilayer Perceptron, Naive Bayes, a Random Forest két változata, Radial Basis Function Network és Support Vector Gép. Ezen algoritmusok kulcsfontosságú tulajdonságait és kontrasztjait máshol írták le [21] (lásd a megfelelő függeléket). Azért esett rájuk a választás, mert a tanulók különböző típusait képviselik, és mert sikeresnek bizonyult a felhasználásuk a hasonló adatokon végzett korábbi elemzésekben. A hiperparaméter-beállításokat korábbi kutatásainkból választottuk ki, ami azt jelzi, hogy számos különböző adatra nézve robusztusak [22]. A teljes elemzésben később felhasznált, ugyanazt a kombinált adatkészletet használó, közös jellemzőkkel rendelkező előzetes elemzésünk eredményei alapján három olyan tanulót azonosítottunk, akik következetesen erős teljesítményt nyújtottak minden osztályozásban: Logisztikai regresszió, Naív Bayes és Support Vector Machine.

Keresztellenőrzés és modellteljesítmény-mutató

Az összes prediktív modellezéshez (beleértve az előzetes elemzéseket is) minden modell 10-szeres keresztellenőrzéssel készült, és a modell teljesítményét a vevő működési jellemzői görbe alatti terület (AUC) segítségével mérték. A keresztellenőrzés azzal kezdődött, hogy a 10 modellezési séma adatkészletét véletlenszerűen 10 egyenlő szegmensre (hajtásra) osztottuk, e megfelelő szegmensek közül kilencet a modell betanításához, a fennmaradó szegmenst pedig tesztelésre. Ezt az eljárást 10-szer megismételtük, minden iterációban különböző szegmenst használva tesztkészletként. Az eredményeket ezután összevontuk a végső modell eredményének/teljesítményének kiszámításához. Minden tanuló/adatkészlet kombináció esetében ezt a teljes folyamatot 10-szer megismételtük, és az adatokat minden alkalommal eltérően osztották fel. Ez az utolsó lépés csökkentette a torzítást, biztosította a replikálhatóságot, és segített a modell általános teljesítményének meghatározásában. Összesen (a MoCA pontszám és a diagnózis súlyossági osztályozási sémáihoz együtt) 6,600 modell készült. Ez 1,800 szűretlen modellt (6 modellezési séma alkalmazva az adatkészletre × 3 tanuló × 10 futtatás × 10 hajtás = 1,800 modell) és 4,800 szűrt modellt (4 modellezési séma az adatkészletre alkalmazva × 3 tanuló × 4 jellemző kiválasztási technika × 10 futtatás ×) tartalmazott. 10 hajtás = 4,800 modell).

Funkció kiválasztása

A szűrt modelleknél a jellemzők kiválasztását (a négy jellemző rangsorolási módszerrel) a keresztellenőrzésen belül végeztük. A 10 hajtás mindegyikénél, mivel az adatkészlet eltérő 10%-a volt a tesztadat, csak a négy legjobb kiválasztott tulajdonságot használták minden egyes edzési adatkészlethez (azaz a többi kilenc hajtást vagy a teljes adatkészlet fennmaradó 90%-át). a modellek elkészítéséhez. Nem tudtuk megerősíteni, hogy az egyes modellekben melyik négy funkciót használták, mivel ezeket az információkat nem tároljuk és nem teszik elérhetővé az általunk használt modellezési platformon (Weka). Tekintettel azonban a legfontosabb jellemzők kezdeti kiválasztásának konzisztenciájára, amikor a rangsorolókat a teljes kombinált adatkészletre alkalmaztuk, és a modellezési teljesítmények ezt követő hasonlóságát, ugyanazok a jellemzők (életkor, iskolai végzettség, MTx-% C és átlagos MTx-RT) ) valószínűleg a legelterjedtebb négy, amelyet a keresztellenőrzési folyamat során a jellemző kiválasztásával együtt használnak.

EREDMÉNYEK

A résztvevők számszerű jellemzőit (beleértve a MoCA pontszámokat és a MemTrax teljesítménymutatókat) az egyes modellosztályozási stratégiákhoz tartozó megfelelő adatkészletek a MoCA által jelzett kognitív egészség (normál versus MCI) és a diagnózis súlyossága (enyhe versus súlyos) előrejelzésére a 3. táblázatban láthatók.

Asztal 3

A résztvevők jellemzői, a MoCA pontszámok és a MemTrax teljesítménye az egyes modellosztályozási stratégiákhoz

Osztályozási stratégiaKorOktatásMoCA korrigáltMoCA korrigálatlanMTx-% CMTx-RT
MoCA kategória61.9 év (13.1)9.6 év (4.6)19.2 (6.5)18.4 (6.7)74.8% (15.0)1.4 s (0.3)
A diagnózis súlyossága65.6 év (12.1)8.6 év (4.4)16.7 (6.2)15.8 (6.3)68.3% (13.8)1.5 s (0.3)

A modellezési besorolási stratégiák által megkülönböztetett mutatott értékek (átlag, SD) a MoCA által jelzett kognitív egészség (MCI versus normál) előrejelzésére használt kombinált adatkészletet reprezentálják, és a csak a diagnózis súlyosságának (enyhe vagy súlyos) előrejelzésére használt XL aladatkészletet.

A MoCA-pontszám (korrigált/kiigazítatlan) és a küszöbérték (26/23) minden kombinációja esetén statisztikai különbség volt (p = 0.000) minden páronkénti összehasonlításban (normál kognitív egészségi állapot versus MCI) az életkor, az iskolai végzettség és a MemTrax teljesítmény tekintetében (MTx-% C és MTx-RT). A megfelelő MCI-osztályban minden egyes beteg-aladatsor mindegyik kombináció esetében átlagosan körülbelül 9-15 évvel idősebb volt, körülbelül öt évvel kevesebb iskolai végzettségről számoltak be, és a MemTrax teljesítménye mindkét mutató esetében kevésbé kedvező volt.

A prediktív modellezési teljesítmény eredményeit a MoCA pontszám besorolásánál a három legjobb tanuló, a logisztikai regresszió, a naiv Bayes és a támogatási vektorgép felhasználásával a 4. táblázat mutatja. Ezt a hármat a legkonzisztensebben magas abszolút tanulói teljesítmény alapján választottuk ki az összes különböző modellben. minden modellezési séma adatkészletére alkalmazva. A szűretlen adatkészlet és a modellezés esetében a 4. táblázatban szereplő adatértékek mindegyike a modell teljesítményét jelzi az AUC megfelelő átlaga alapján, amely az egyes tanuló/modellezési séma kombinációkhoz épített 100 modellből (10 futás × 10 hajtás) származtatott, a megfelelő legmagasabb értékkel. félkövérrel jelölt teljesítő tanuló. Míg a szűrt adatkészlet-modellezés esetében a 4. táblázatban közölt eredmények a 400 modell általános átlagos teljesítményét tükrözik az egyes tanulók esetében a jellemzők rangsorolási módszereinek mindegyikével (4 jellemzők rangsorolási módszere × 10 futtatás × 10 hajtás).

Asztal 4

Dichotóm MoCA pontszám besorolási teljesítmény (AUC; 0.0–1.0) mind a három legjobban teljesítő tanuló esetében az összes modellezési séma esetében

Használt funkciókészletMoCA pontszámLevágási küszöbLogisztikus regresszióNaiv BayesTámogatja a vektoros gépet
Szűrés nélküli (10 funkció)Beállított230.88620.89130.8695
260.89710.92210.9161
Kiigazítatlan230.91030.90850.8995
260.88340.91530.8994
Szűrt (4 jellemző)Beállított230.89290.89540.8948
260.91880.92470.9201
Kiigazítatlan230.91350.91340.9122
260.91590.92360.9177

A funkciókészlet, a MoCA pontszám és a MoCA pontszám küszöbértékének változatait felhasználva az egyes modellezési sémák legmagasabb teljesítményét a (statisztikailag nem feltétlenül különbözik a többi nem szereplőtől az adott modellhez).

Összehasonlítva a tanulókat a MoCA pontszám verziók és küszöbértékek összes kombinációjában (korrigált/kiigazítatlan és 23/26) a kombinált szűretlen adatkészletben (vagyis a 10 közös jellemzőt használva), Naïve Bayes általában a legjobban teljesítő tanuló volt összességében. osztályozási teljesítménye 0.9093. A három legjobb tanulót figyelembe véve a Bayes-korrelált előjeles rangú tesztek azt mutatták, hogy a valószínűség (Pr) a logisztikai regressziót felülmúló Naive Bayes 99.9%-a volt. Ezenkívül a Naïve Bayes és a Support Vector Machine között 21.0% a valószínűsége annak, hogy a tanulói teljesítmény gyakorlati egyenértékűsége (tehát 79.0% a valószínűsége annak, hogy a Naïve Bayes felülmúlja a Support Vector Machine teljesítményét), és 0.0% a valószínűsége annak, hogy a Support Vector Machine jobban, mérhetően teljesít. megerősíti a Naive Bayes teljesítményelőnyét. A MoCA pontszám verziójának további összehasonlítása az összes tanulóra/küszöbértékre vonatkozóan enyhe teljesítményelőnyre utalt a korrigált MoCA pontszámokkal szemben a korrigált (0.9027 versus 0.8971; Pr (kiigazítatlan > korrigált) = 0.988). Hasonlóképpen, az összes tanuló és a MoCA-pontszám verziók küszöbértékének összehasonlítása kismértékű besorolási teljesítményelőnyt mutatott, amikor a 26-ot osztályozási küszöbként használták a 23-mal szemben (0.9056 versus 0.8942; Pr (26 > 23) = 0.999). Végül, a csak szűrt eredményeket használó modellek osztályozási teljesítményét vizsgálva (azaz csak a legjobb négy funkciót használva), Naïve Bayes (0.9143) számszerűen a legjobban teljesítő tanuló volt az összes MoCA pontszám verzió/küszöbérték tekintetében. Azonban az összes jellemző rangsorolási technikát kombinálva a legjobban teljesítő tanulók hasonlóan teljesítettek. A Bayes-féle előjeles rangú tesztek 100%-os valószínűséget mutattak a gyakorlati egyenértékűségre az egyes szűrt tanulópárok között. A szűretlen adatokhoz hasonlóan (mind a 10 közös jellemzőt használva), a MoCA pontszám kiigazítatlan verziója is teljesítményelőnyt jelent (Pr (kiigazítatlan > korrigált) = 1.000), valamint egy hasonlóan határozott előny a 26-os besorolási küszöbhöz (Pr (26 > 23) = 1.000). Figyelemre méltó, hogy az első három tanuló mindegyikének átlagos teljesítménye az összes MoCA-pontszám verzió/küszöbérték között, csak a négy legjobb tulajdonságot használva meghaladta bármely tanuló átlagos teljesítményét a szűretlen adatokon. Nem meglepő, hogy a szűrt modellek osztályozási teljesítménye (a négy legjobb tulajdonságot használva) összességében jobb (0.9119) volt, mint a szűretlen modelleké (0.8999), függetlenül a jellemzők rangsorolási módszereitől, amelyeket összehasonlítottak a 10 általánosan használt modellekkel. jellemzők. Mindegyik jellemző kiválasztási módszernél 100%-os valószínűséggel volt teljesítményelőny a szűretlen modellekkel szemben.

Az AD diagnózisának súlyossági osztályozása során figyelembe vett betegeknél a csoportok közötti (MCI-AD versus AD) különbségek az életkorban (p = 0.004), oktatás (p = 0.028), MoCA pontszám korrigált/kiigazítatlan (p = 0.000), és MTx-% C (p = 0.008) statisztikailag szignifikáns volt; míg az MTx-RT esetében nem volt (p = 0.097). Azoknál a betegeknél, akiket a VaD-diagnózis súlyossági osztályozása során figyelembe vettek, a csoportok közötti (MCI-VaD versus VaD) különbségek a MoCA pontszám tekintetében korrigált/kiigazítatlan (korrigálatlan)p = 0.007) és MTx-% C (p = 0.026) és MTx-RT (p = 0.001) statisztikailag szignifikáns volt; míg az életkorhoz képest (p = 0.511) és az oktatás (p = 0.157) nem volt szignifikáns különbség a csoportok között.

A három korábban kiválasztott tanuló, a logisztikai regresszió, a naiv Bayes és a támogatási vektorgép felhasználásával végzett diagnózis súlyossági besorolásának prediktív modellezési teljesítményét az 5. táblázat mutatja. Míg a további vizsgált tanulók egyénileg valamivel erősebb teljesítményt mutattak a két klinikai diagnózis kategória valamelyikével. , az általunk korábbi modellezés során a legkedvezőbbnek ítélt három tanuló nyújtott a legkonzisztensebb teljesítményt mindkét új modellezési sémával. Összehasonlítva a tanulókat az egyes elsődleges diagnosztikai kategóriákban (AD és VaD), nem volt következetes osztályozási teljesítménybeli különbség az MCI-VaD és a VaD tanulók között, bár a Support Vector Machine általában jobban teljesített. Hasonlóképpen, nem volt szignifikáns különbség a tanulók között az MCI-AD és az AD osztályozásnál, bár a Naive Bayes (NB) enyhe teljesítményelőnyben volt a logisztikai regresszióval (LR) szemben, és csak elhanyagolható többséggel a Support Vector Machine-hez képest, 61.4%-os valószínűséggel. illetve 41.7%-kal. Mindkét adatkészletben általános teljesítményelőny volt a Support Vector Machine (SVM) számára Pr (SVM > LR) = 0.819 és Pr (SVM > NB) = 0.934. Általános osztályozási teljesítményünk az összes tanuló esetében a diagnózis súlyosságának előrejelzésében az XL aladatkészletben jobb volt a VaD diagnózis kategóriában, mint az AD (Pr (VAD > AD) = 0.998).

Asztal 5

Dichotóm klinikai diagnózis súlyossági osztályozási teljesítménye (AUC; 0.0–1.0) mindhárom legjobban teljesítő tanuló esetében mindkét modellezési séma esetében

Modellezési sémaLogisztikus regresszióNaiv BayesTámogatja a vektoros gépet
MCI-AD kontra AD0.74650.78100.7443
MCI-VaD versus VaD0.80330.80440.8338

Az egyes modellezési sémák legnagyobb teljesítménye a következőben látható (statisztikailag nem feltétlenül különbözik a többi nem szereplőtől ).

VITA

Fontos a kognitív egészség változásainak korai felismerése gyakorlati haszna a személyes egészségügyben és a közegészségügyben egyaránt. Valójában a klinikai körülmények között is nagyon fontos prioritást élvez a betegek számára világszerte. A közös cél a betegek, gondozók és szolgáltatók figyelmeztetése, valamint a megfelelő és költséghatékony kezelés és longitudinális ellátás mielőbbi megkezdése a kognitív hanyatlásban szenvedők számára. Három kórházi/klinikai adatalkészletünket egyesítve három kifejezetten előnyben részesített tanulót azonosítottunk (egy figyelemreméltó kitüntetéssel – Naïve Bayes), hogy prediktív modelleket építsenek MemTrax teljesítménymérők, amelyek megbízhatóan osztályozhatják a kognitív egészségi állapotot dichotóm módon (normál kognitív egészség vagy MCI), amint azt egy MoCA összesített pontszám jelezné. Figyelemre méltó, hogy mindhárom tanuló általános besorolási teljesítménye javult, amikor modelljeink csak a négy legjobb tulajdonságot alkalmazták, amelyek főként ezeket a MemTrax teljesítménymutatókat foglalták magukban. Ezen túlmenően feltártuk a megalapozott lehetőségeket ugyanazon tanulók és MemTrax teljesítménymutatók felhasználásában egy diagnosztikai támogatási osztályozási modellezési sémában a demenciadiagnózis két kategóriájának – az AD és a VaD – súlyosságának megkülönböztetésére.

Memória tesztelés központi szerepet játszik az AD korai felismerésében [23, 24]. Ezért célszerű, hogy a MemTrax egy elfogadható, vonzó és könnyen megvalósítható online az epizodikus memória szűrővizsgálata az általános populációban [6]. A folyamatos teljesítményfeladat felismerési pontossága és válaszideje különösen árulkodó a tanuláshoz, emlékezethez és kognícióhoz kapcsolódó neuroplasztikus folyamatok korai és fejlődő romlásának és ebből következő hiányosságainak azonosításában. Ez azt jelenti, hogy a nagyrészt MemTrax teljesítménymutatókon alapuló modellek érzékenyek a biológiai neuropatológiai hiányosságokra, és könnyebben és minimális költséggel feltárják azokat az átmeneti tünetmentes szakaszban, jóval a jelentősebb funkcionális veszteség előtt [25]. Ashford et al. alaposan megvizsgálta a felismerési memória pontosságának és válaszidejének mintázatait és viselkedését azoknál az online felhasználóknál, akik önállóan vettek részt a MemTrax-szal [6]. Tekintettel arra, hogy ezek az eloszlások kritikus fontosságúak az optimális modellezésben és az érvényes és hatékony betegellátási alkalmazások kifejlesztésében, a klinikailag alkalmazható felismerési és válaszidő-profilok meghatározása elengedhetetlen a klinikai és kutatási hasznosság értékes, alapvetõ referenciájának megteremtéséhez. A MemTrax gyakorlati értékét a korai stádiumú kognitív károsodások AD-szűrésében és a differenciáldiagnosztikai támogatásban alaposabban meg kell vizsgálni egy olyan klinikai környezetben, ahol figyelembe lehet venni a tesztteljesítményt befolyásoló társbetegségeket és kognitív, szenzoros és motoros képességeket. A szakmai nézőpont tájékoztatása és a gyakorlati klinikai hasznosság ösztönzése érdekében először is feltétlenül be kell mutatni az összehasonlítást egy bevált kognitív állapotfelmérő teszttel, még akkor is, ha az utóbbit felismerhetően korlátozzák a nehézkes tesztelési logisztika, az oktatás és a nyelvi elrettentő tényezők, valamint a kulturális hatások [26]. . Ebben a tekintetben jelentős a MemTrax klinikai hatékonyságának kedvező összehasonlítása a MoCA-val, amelyet általában ipari szabványnak tartanak, különösen, ha a MemTrax könnyebb használhatóságát és a betegek általi elfogadását mérlegeljük.

A MemTrax és a MoCA korábbi feltárása rávilágít a modellezési vizsgálatunk indoklására és előzetes bizonyítékaira [8]. Ez a korábbi összehasonlítás azonban csupán az általunk vizsgált két kulcsfontosságú MemTrax teljesítménymutatót társította a MoCA által meghatározott kognitív állapothoz, és meghatározta a megfelelő tartományokat és határértékeket. Mélyítettük a MemTrax klinikai hasznosságának értékelését egy olyan prediktív modellezésen alapuló megközelítés feltárásával, amely lehetővé teszi más, potenciálisan releváns betegspecifikus paraméterek egyénre szabott figyelembevételét. Másokkal ellentétben nem találtunk előnyt a modell teljesítményében a MoCA pontszám oktatási korrekciójával (korrekciójával), vagy a kognitív egészséget megkülönböztető MoCA aggregált pontszám küszöbének az eredetileg ajánlott 26-ról 23-ra való megváltoztatásában [12, 15]. Valójában az osztályozási teljesítmény előnye a kiigazítatlan MoCA-pontszám és a magasabb küszöb használatának kedvezett.

Kulcspontok a klinikai gyakorlatban

A gépi tanulás gyakran akkor a legjobban hasznosítható és a leghatékonyabb a prediktív modellezésben, ha az adatok kiterjedtek és többdimenziósak, vagyis amikor számos megfigyelés és ezzel egyidejűleg nagy értékű (hozzájáruló) attribútumok széles skálája van. Azonban ezekkel a jelenlegi adatokkal a csak négy kiválasztott funkcióval rendelkező szűrt modellek jobban teljesítettek, mint azok, amelyek mind a 10 közös funkciót használták. Ez arra utal, hogy az összesített kórházi adatkészletünk nem rendelkezett a klinikailag legmegfelelőbb (nagy értékű) jellemzőkkel a betegek ilyen módon történő optimális osztályozására. Mindazonáltal a kulcsfontosságú MemTrax teljesítménymutatókra – az MTx-% C és az MTx-RT – jellemző rangsorolási hangsúly erősen támogatja a korai stádiumú kognitív deficit szűrési modellek felépítését e teszt köré, amely egyszerű, könnyen adminisztrálható, alacsony költségű és találóan árulkodó. a memória teljesítményét, legalábbis jelenleg a kognitív egészségi állapot bináris osztályozásának kezdeti képernyőjeként. Tekintettel a szolgáltatókra és az egészségügyi rendszerekre nehezedő folyamatosan növekvő terhelésre, a betegszűrési folyamatokat és a klinikai alkalmazásokat megfelelően fejleszteni kell, hangsúlyt fektetve a diagnosztikában leghasznosabb, legelőnyösebb és leghatékonyabb betegjellemzők és vizsgálati mutatók összegyűjtésére, nyomon követésére és modellezésére. és betegkezelési támogatás.

Mivel a két kulcsfontosságú MemTrax mérőszám központi szerepet játszik az MCI besorolásában, a legjobban teljesítő tanulónk (Naive Bayes) a legtöbb modellben nagyon magas prediktív teljesítményt mutatott (AUC 0.90 felett), a valódi pozitív és a hamis pozitív arány 4-hez közelített, vagy valamivel meghaladta. : 1. Az ezt a tanulót használó transzlációs klinikai alkalmazás így megragadja (helyesen osztályozza) a kognitív deficittel küzdők nagy részét, miközben minimalizálja a normál kognitív egészséggel rendelkező személy téves kognitív hiányosként való besorolásának költségeit (hamis pozitív) vagy hiányzik ez a besorolás azoknál, akiknek kognitív deficitje van (álnegatív). A téves besorolási forgatókönyvek bármelyike ​​indokolatlan pszichoszociális terhet róhat a páciensre és a gondozókra.

Míg az előzetes és a teljes elemzésekben mind a tíz tanulót felhasználtuk minden modellezési sémában, addig az eredményeinket a legkonzisztensebb erős teljesítményt mutató három osztályozóra koncentráltuk. Ennek célja egyúttal az is, hogy ezen adatok alapján kiemelje azokat a tanulókat, akik várhatóan megbízhatóan, magas szinten teljesítenek majd a kognitív állapot besorolásának gyakorlati klinikai alkalmazásában. Ezen túlmenően, mivel ezt a tanulmányt a gépi tanulás kognitív szűrésben való hasznosságát és az időszerű klinikai kihívásokat vizsgáló bevezető vizsgálatnak szántuk, úgy döntöttünk, hogy a tanulási technikák egyszerűek és általánosak maradnak, minimális paraméterhangolással. Tisztában vagyunk vele, hogy ez a megközelítés korlátozhatta a szűkebben definiált beteg-specifikus előrejelző képességek lehetőségét. Hasonlóképpen, bár a modellek csak a legfontosabb jellemzőket használó képzése (szűrt megközelítés) tovább tájékoztat bennünket ezekről az adatokról (kifejezetten az összegyűjtött adatok hiányosságaira, és kiemeli az értékes klinikai idő és erőforrások optimalizálásának értékét), felismerjük, hogy még korai a szűkítés. a modellek hatókörét, és ezért az összes (és egyéb jellemzőket) figyelembe kell venni a jövőbeli kutatás során, amíg nem kapunk egy határozottabb profilt a prioritási jellemzőkről, amelyek a széles populációra vonatkoznának. Így azt is teljes mértékben elismerjük, hogy átfogóbb és szélesebb körben reprezentatív adatokra és ezen és más modellek optimalizálására lenne szükség, mielőtt hatékony klinikai alkalmazásba integrálnánk őket, különösen a kognitív teljesítményt befolyásoló társbetegségek figyelembevétele érdekében, amelyeket figyelembe kell venni a további klinikai értékelés során.

A MemTrax hasznosságát tovább növelte a betegség súlyosságának modellezése külön klinikai diagnózis alapján. Nem volt jobb általános osztályozási teljesítmény a VaD súlyosságának előrejelzésében (az AD-hez képest). meglepő, tekintettel az érrendszeri egészségre jellemző modellek betegprofil-jellemzőire és a stroke kockázata, azaz a magas vérnyomás, a hiperlipidémia, a cukorbetegség és (természetesen) a stroke kórtörténete. Bár kívánatosabb és helyénvalóbb lett volna ugyanazt a klinikai értékelést elvégezni normál kognitív egészségi állapotú, megfelelő betegeken, hogy a tanulókat ezekkel az átfogóbb adatokkal képezzék. Ez különösen indokolt, mivel a MemTrax-ot elsősorban a kognitív hiányosságok korai szakaszában történő kimutatására és az egyéni változások nyomon követésére szánják. Az is valószínű, hogy az adatok kívánatosabb eloszlása ​​a VaD-adatkészletben részben hozzájárult a viszonylag jobb modellezési teljesítményhez. A VaD-adatkészlet jól kiegyensúlyozott volt a két osztály között, míg a sokkal kevesebb MCI-beteget tartalmazó AD-adatkészlet nem. Különösen kis adatkészletek esetén még néhány további példány is mérhető különbséget jelenthet. Mindkét nézőpont ésszerű érv a betegség súlyossági modellezési teljesítményében mutatkozó különbségek hátterében. Korai azonban a jobb teljesítmény arányosan az adatkészlet numerikus jellemzőinek vagy a vizsgált klinikai megjelenésre jellemző jellemzőknek tulajdonítani. Mindazonáltal ez az új bebizonyította, hogy a MemTrax prediktív osztályozási modell hasznossága a klinikai diagnosztikai támogatás szerepében értékes perspektívát kínál, és megerősíti a további vizsgálatokra való törekvést a betegekkel az MCI kontinuumában.

A MemTrax és ezeknek a modelleknek a megvalósítása és bizonyított hasznossága Kínában, ahol a nyelv és a kultúra drasztikusan eltér a többi jól ismert régiótól (pl. Franciaország, Hollandia és az Egyesült Államok) [7, 8, 27], még inkább aláhúzza a potenciált. a MemTrax-alapú platform széles körű globális elfogadottságáért és klinikai értékéért. Ez egy szemlélhető példa az adatharmonizációra való törekvésben, valamint a kognitív szűrés gyakorlati nemzetközi normáinak és modellezési forrásainak kidolgozásában, amelyek szabványosak és világszerte könnyen alkalmazhatók.

A kognitív hanyatlás modellezésének és alkalmazásának következő lépései

A kognitív diszfunkció az AD-ben valóban folyamatos, nem különálló szakaszokban vagy lépésekben [28, 29]. Azonban ebben a korai szakaszban az volt a célunk, hogy először meg tudjuk állapítani, hogy képesek vagyunk-e olyan MemTrax-ot tartalmazó modellt építeni, amely alapvetően képes megkülönböztetni a „normális” és a „nem normális” értékeket. Átfogóbb empirikus adatok (pl. agyi képalkotás, genetikai jellemzők, biomarkerek, társbetegségek és komplexek funkcionális markerei kognitív tevékenységet igénylő tevékenységek kontroll) [30] a világ különböző régióiban, populációiban és korcsoportjaiban a kifinomultabb (beleértve a megfelelő súlyozású együttes) gépi tanulási modellek képzése és kidolgozása elősegíti a fokozottabb osztályozást, vagyis a betegek csoportjainak kategorizálásának képességét. Az MCI kisebb és határozottabb részhalmazokra a kognitív hanyatlás kontinuuma mentén. Ezen túlmenően, a regionálisan eltérő betegpopulációkon belüli egyének egyidejű klinikai diagnózisa elengedhetetlen hatékonyan edzeni ezek a befogadóbb és kiszámíthatóbb robusztus modellek. Ez megkönnyíti a specifikusabb rétegzett esetkezelést a hasonló háttérrel, befolyással és szűkebben meghatározott jellemző kognitív profillal rendelkezők számára, és így optimalizálja a klinikai döntéstámogatást és a betegellátást.

Az eddigi releváns klinikai kutatások nagy része legalább enyhe demenciában szenvedő betegekkel foglalkozott; és a gyakorlatban túl gyakran a beteg beavatkozását csak előrehaladott stádiumban kísérlik meg. Mivel azonban a kognitív hanyatlás jóval azelőtt megkezdődik, hogy a demencia klinikai kritériumai teljesülnének, a hatékonyan alkalmazott MemTrax-alapú korai szűrés ösztönözheti az egyének megfelelő oktatását a betegségről és annak progressziójáról, és gyorsabb és időszerűbb beavatkozásokat tehet lehetővé. Így a korai felismerés támogathatja a megfelelő részvételt a testmozgástól, az étrendtől, az érzelmi támogatástól és a jobb szocializációtól a gyógyszeres beavatkozásig, és megerősítheti a betegekkel kapcsolatos viselkedésbeli és észlelési változásokat, amelyek önmagukban vagy összességében enyhíthetik vagy potenciálisan megállíthatják a demencia progresszióját [31, 32]. . Ráadásul hatékony korai szűrés, az egyének és családjaik arra késztethetik, hogy fontoljanak meg klinikai vizsgálatokat, vagy vegyenek tanácsadást és egyéb szociális szolgáltatások támogatását az elvárások és szándékok tisztázása, valamint a napi feladatok kezelése érdekében. Az ilyen módszerek további validálása és széleskörű gyakorlati felhasználása sok egyén esetében segíthet az MCI, AD és ADRD progressziójának enyhítésében vagy megállításában.

Valójában a vizsgálatunkban szereplő betegek életkorának alsó határa nem jelenti azt a populációt, amely hagyományosan aggodalomra ad okot az AD-ben. Mindazonáltal a MoCA pontszám/küszöbérték és a diagnózis súlyossága (3. táblázat) alapján a besorolási modellezési sémákban használt csoportok átlagos életkora (80. táblázat) azt jelzi, hogy a többség (50% feletti) legalább XNUMX éves. Ez az eloszlás tehát nagyon alkalmas az általánosításra, alátámasztva e modellek hasznosságát a tipikusan érintetteket jellemző populációban. korai kezdetű valamint az AD és a VaD miatt feltörekvő neurokognitív betegség. Ezenkívül a legújabb bizonyítékok és perspektívák hangsúlyozzák azokat a felismert tényezőket (pl. magas vérnyomás, elhízás, cukorbetegség és dohányzás), amelyek potenciálisan hozzájárulnak a korai növekedéshez. felnőttkori és középkorú érrendszeri kockázati pontszámok és ennek következtében kialakuló finom vaszkuláris agysérülés, amely alattomosan fejlődik ki, és még fiataloknál is nyilvánvaló következményekkel jár felnőttek [33–35]. Ennek megfelelően a legoptimálisabb kezdeti szűrési lehetőség a korai felismerésre a kognitív hiányosságok stádiumba állítása és hatékony megelőzési és beavatkozási stratégiák kezdeményezése a demencia sikeres kezelésében a hozzájáruló tényezők és az előzménymutatók vizsgálatából fog kiderülni az életkor spektrumában, beleértve a korai felnőttkort és potenciálisan még a gyermekkort is (figyelembe véve az olyan genetikai tényezők relevanciáját, mint az apolipoprotein E a korai terhességtől kezdve).

A gyakorlatban az érvényes klinikai diagnózisok és a költséges eljárások a fejlett képalkotáshoz, a genetikai profilalkotáshoz és az ígéretes biomarkerek méréséhez nem mindig állnak rendelkezésre, sőt nem is megvalósíthatók sok szolgáltató számára. Így sok esetben előfordulhat, hogy a kezdeti általános kognitív egészségi állapot besorolását olyan modellekből kell levezetni, amelyek a páciens által biztosított egyéb egyszerű mérőszámokat alkalmazzák (pl. memóriaproblémák, a jelenlegi gyógyszerek és a rutin tevékenységi korlátozások) és a gyakori demográfiai jellemzők [7]. Nyilvántartások, mint például a Kaliforniai Egyetem Brain Health Regisztráció (https://www.brainhealthregistry.org/) [27] és mások, amelyekben az önbeszámoló tünetek, minőségi mérések (pl. alvás és mindennapi megismerés), gyógyszerek, egészségi állapot és anamnézisek szélesebb köre található. a részletesebb demográfiai adatok nagyban hozzájárulnak majd ezeknek a primitívebb modelleknek a klinikán való gyakorlati alkalmazásának kidolgozásához és érvényesítéséhez. Ezenkívül egy teszt, mint például a MemTrax, amely hasznosságot mutatott a memóriafunkció értékelésében, valójában lényegesen jobb becslést adhat az AD patológiájára, mint a biológiai markerek. Tekintettel arra, hogy az AD patológia alapvető jellemzője a neuroplaszticitás megzavarása és a szinapszisok túlnyomórészt összetett elvesztése, ami epizodikusan nyilvánul meg. memóriazavar, egy olyan mérőszám, amely felméri az epizodikus memóriát jobb becslést adnak az AD kóros terheléséről, mint a biológiai markerek élő betegben [36].

A mesterséges intelligencia elismert előnye az összes prediktív modellel – akár a legkorszerűbb technológiából származó összetett és inkluzív adatokkal és több területre kiterjedő kifinomult klinikai betekintéssel, akár a meglévő betegprofilokra jellemző alapvetőbb és könnyen elérhető információkra korlátozódókkal kiegészítve. a gépi tanulás pedig az, hogy az eredményül kapott modellek képesek szintetizálni és induktív módon „tanulni” a releváns új adatokból és a folyamatos alkalmazáshasználat által biztosított perspektívából. A gyakorlati technológiatranszfert követően, mivel az itt található (és még kidolgozandó) modelleket több esettel és releváns adattal gazdagítják (beleértve azokat a betegeket is, akiknek olyan társbetegségei vannak, amelyek kognitív hanyatlással járhatnak), az előrejelzési teljesítmény és a kognitív egészségi állapot besorolása robusztusabb lesz, hatékonyabb klinikai döntéstámogató segédprogramot eredményezve. Ez az evolúció teljesebben és gyakorlatiasabban valósul meg a MemTrax beágyazásával olyan egyedi (a rendelkezésre álló képességekre célzott) platformokba, amelyeket az egészségügyi szolgáltatók valós időben használhatnak a klinikán.

A MemTrax modell validálása és a diagnosztikai támogatás és a betegek ellátása terén való használhatósága elengedhetetlenül fontos, és nagyon keresett, értelmes longitudinális adatok. A klinikai állapot egyidejű változásainak (ha vannak ilyenek) megfigyelésével és rögzítésével a normál és a korai stádiumú MCI megfelelő tartományában, a megfelelő folyamatos értékeléshez és osztályozáshoz szükséges modellek betaníthatók és módosíthatók a betegek életkorának és kezelésének megfelelően. Vagyis az ismételt hasznosság segíthet az enyhe kognitív változások longitudinális nyomon követésében, a beavatkozás hatékonyságában és a tájékozott rétegzett ellátás fenntartásában. Ez a megközelítés jobban illeszkedik a klinikai gyakorlathoz, valamint a beteg- és esetkezeléshez.

korlátozások

Nagyra értékeljük a tiszta klinikai adatok gyűjtésének kihívását és értékét ellenőrzött klinikai/kórházi környezetben. Mindazonáltal megerősítette volna modellezésünket, ha adatkészleteinkben több, közös jellemzőkkel rendelkező beteg szerepelne. Ezen túlmenően a diagnózismodellezésünkre jellemzően kívánatosabb és helyénvalóbb lett volna, ha a tanulók képzése érdekében ugyanazt a klinikai értékelést végezzük a megfelelő, normális kognitív egészséggel rendelkező betegeken. És amint azt a szűrt adatkészletet használó magasabb besorolási teljesítmény is alátámasztja (csak a négy legjobb tulajdonság), általánosabb és a kognitív egészségügyi intézkedések/mutatók valószínűleg javultak volna a teljesítmény modellezése több közös jellemzővel az összes beteg esetében.

Egyes résztvevők egyidejűleg más betegségeket is tapasztalhattak, amelyek átmeneti vagy krónikus kognitív hiányosságokat okozhattak. Az XL aladatbázison kívül, ahol a betegeket diagnosztikailag AD vagy VaD-nek minősítették, a komorbiditási adatokat nem gyűjtötték/jelentették az YH-betegállományban, és a KM aladatbázisban a túlnyomó jelentett komorbiditás a cukorbetegség volt. Vitatható azonban, hogy a modellezési rendszerünkbe olyan betegek bevonása, akiknek olyan társbetegségei vannak, amelyek a kognitív hiányosság szintjét idézhetik elő vagy súlyosbíthatják, és ennek következtében alacsonyabb a MemTrax teljesítmény, jobban reprezentálná a valós célzott betegpopulációt ebben az általánosabb korai kognitív szűrésben. és modellező megközelítés. Előrehaladva a kognitív teljesítményt potenciálisan befolyásoló társbetegségek pontos diagnosztizálása alapvetően előnyös a modellek és az ebből eredő betegellátási alkalmazások optimalizálása szempontjából.

Végül az YH és a KM aladatbázisú betegek okostelefont használtak a MemTrax teszt elvégzéséhez, míg az XL aladatbázisú betegek korlátozott száma iPadet, a többiek pedig okostelefont. Ez kisebb, eszközzel kapcsolatos különbséget jelenthetett a MemTrax teljesítményében a MoCA osztályozási modellezésben. Azonban a különbségek (ha vannak) az MTx-RT-ben például az eszközök között valószínűleg elhanyagolhatóak lennének, különösen, ha minden résztvevő „gyakorló” tesztet kap közvetlenül a rögzített tesztteljesítmény előtt. Mindazonáltal e két kézi eszköz használhatósága potenciálisan veszélyezteti a közvetlen összehasonlítást és/vagy integrációt más MemTrax eredményekkel, ahol a felhasználók az ismétlődő képekre a számítógép billentyűzetének szóköz billentyűjének megérintésével reagáltak.

A MemTrax prediktív modellező segédprogram legfontosabb pontjai

  • • A legjobban teljesítő prediktív modelljeink, amelyek kiválasztott MemTrax teljesítménymutatókat tartalmaznak, megbízhatóan osztályozhatják a kognitív egészségi állapotot (normál kognitív egészség vagy MCI), amint azt a széles körben elismert MoCA teszt jelezné.
  • • Ezek az eredmények támogatják a kiválasztott MemTrax teljesítménymutatók integrálását a korai stádiumú kognitív károsodások osztályozási prediktív modellszűrésére.
  • • Osztályozási modellezésünk feltárta a MemTrax teljesítményének hasznosításának lehetőségét a demencia diagnózisának súlyosságának megkülönböztetésére szolgáló alkalmazásokban.

Ezek az új eredmények határozott bizonyítékot szolgáltatnak arra vonatkozóan, hogy a gépi tanulás hasznos lehet a továbbfejlesztett, robusztus MemTrax-alapú osztályozási modellek felépítésében, amelyek diagnosztikai támogatást nyújtanak a hatékony klinikai esetkezelésben és a kognitív károsodásban szenvedő betegek betegellátásában.

KÖSZÖNETNYILVÁNÍTÁS

Elismerjük J. Wesson Ashford, Curtis B. Ashford és munkatársai munkáját az itt felhasznált online folyamatos felismerési feladat és eszköz (MemTrax) kidolgozásáért és validálásáért, és köszönetet mondunk annak a számos demens betegnek, akik hozzájárultak a kritikus alapkutatáshoz. . Köszönetet mondunk Xianbo Zhou-nak és kollégáinak az SJN Biomed LTD-nél, kollégáinak és munkatársainak a kórházakban/klinikákban, különösen Dr. M. Luo és M. Zhong, akik segítettek a résztvevők toborzásában, a tesztek ütemezésében, valamint az adatok gyűjtésében, rögzítésében és front-end kezelésében, valamint az önkéntes résztvevők, akik értékes idejüket áldozták, és kötelezettséget vállaltak a tesztek elvégzésére és azokat az értékes adatokat, amelyeket ebben a tanulmányban értékelnünk kell. Ez a tanulmányt részben az MD Scientific Research támogatta A Kunmingi Orvostudományi Egyetem programja (2017BS028-tól XL-ig terjedő támogatás) és a Yunnan Tudományos és Technológiai Tanszék kutatási programja (2019FE001 (-222)-XL-ig terjedő támogatás).

J. Wesson Ashford szabadalmi kérelmet nyújtott be az ebben a cikkben leírt specifikus folyamatos felismerési paradigma általános használatára. memória tesztelése.

A MemTrax, LLC Curtis Ashford tulajdonában lévő cég, és ez a cég irányítja a memória tesztelés ebben a cikkben leírt rendszer.

A szerzők közzétételei elérhetők az interneten (https://www.j-alz.com/manuscript-disclosures/19-1340r2).

memória teszt demencia teszt memóriavesztés teszt rövid távú memóriavesztés teszt ram teszt az elme diéta különféle könyvek kognitív teszt online
Curtis Ashford – Kognitív kutatási koordinátor

REFERENCIÁK

[1] Alzheimer's Association (2016) 2016 Alzheimer-kór tényei és figurák. Alzheimers Dement 12, 459–509.
[2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) A korai szakasz hatása Alzheimer kór a háztartások pénzügyi eredményeiről. Egészségügyi Gazdaság 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) Minőségjavítás neurológia: Enyhe kognitív károsodás minőségi mérőkészlet. Neurology 93, 705–713.
[4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) A használat költséghatékonysága kognitív szűrővizsgálatok a demencia és az enyhe kognitív károsodás kimutatására az alapellátásban. Int J Geriatr Psychiatry 32, 1392–1400.
[5] Ashford JW, Gere E, Bayley PJ (2011) Memória mérése nagycsoportos környezetben folyamatos felismerési teszt segítségével. J Alzheimers Dis 27, 885-895.
[6] Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Számítógépes folyamatos felismerési feladat az epizodikus memória mérésére. J Alzheimers Dis 69, 385-399.
[7] Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Epizodikus-memóriai teljesítmény a gépi tanulási modellezésben a kognitív egészségi állapot besorolásának előrejelzésére. J Alzheimers Dis 70, 277–286.
[8] van der Hoek MD, Nieuwenhuizen A, Keijer J, Ashford JW (2019) MemTrax teszt az enyhe kognitív károsodás montreali kognitív értékelésének becsléséhez képest. J Alzheimers Dis 67, 1045-1054.
[9] Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Izolált magánhangzók használata az enyhe traumás agysérülés osztályozására. 2013-ban IEEE International Conference on Acoustics, Speech and Signal Processing, Vancouver, BC, 7577–7581.
[10] Dabek F, Caban JJ (2015) Big data kihasználása agyrázkódás utáni pszichés állapotok kialakulásának valószínűségének modellezésére. Procedia Comput Sci 53, 265–273.
[11] Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Döntési fa a kognitív károsodás korai felismeréséhez közösségi gyógyszerészek által. 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: Egy rövid szűrőeszköz enyhe kognitív károsodáshoz. J Am Geriatr Soc 53, 695–699.
[13] Yu J, Li J, Huang X (2012) A montreali kognitív értékelés pekingi változata, mint az enyhe kognitív károsodás rövid szűrési eszköze: közösségi alapú vizsgálat. 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) Validation of the Chinese version of Montreal cognitive assessment basic for screening enyhe kognitív károsodás. J Am Geriatr Soc 64, e285–e290.
[15] Carson N, Leach L, Murphy KJ (2018) A Montreal Cognitive Assessment (MoCA) küszöbértékeinek újravizsgálata. Int J Geriatr Psychiatry 33, 379–388.
[16] American Psychiatric Association (2013) Munkacsoport Mentális zavarok diagnosztikai és statisztikai kézikönyve: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC.
[17] Piton. Python Software Foundation, http://www.python.org, Hozzáférés: 15. november 2019.
[18] R Core Group, R: Nyelv és környezet a statisztikai számításokhoz R Foundation for Statistical Computing, Bécs, Ausztria. https://www.R-project.org/, 2018, Hozzáférés: 15. november 2019.
[19] Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Ideje a változásnak: oktatóanyag több osztályozó összehasonlításához Bayes-analízisen keresztül. J Mach Learn Res 18, 1–36.
[20] Frank E, Hall MA, Witten IH (2016) The WEKA Workbench. Ban ben Adatbányászat: gyakorlati gépi tanulási eszközök és technikák, Frank E, Hall MA, Witten IH, Pal CJ, szerk. 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) Gépi tanulás a középiskolai sport agyrázkódási tünetegyüttesének modellezésében. Med Sci Sports Exerc 51, 1362–1371.
[22] Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) A kiegyensúlyozatlan adatokból való tanulás kísérleti perspektívái. Ban ben A gépi tanulás 24. nemzetközi konferenciájának anyaga, Corvalis, Oregon, USA, 935-942.
[23] Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Alzheimer-beteg értékelése és a mini-mentális állapot: Item jellegzetes görbe elemzése.P. J Gerontol 44, 139–146.
[24] Ashford JW, Jarvik L (1985) Alzheimer kór: A neuronok plaszticitása hajlamosít-e az axonális neurofibrilláris degenerációra? N Engl J Med 313, 388–389.
[25] Jack CR Jr , Therneau TM , Weigand SD , ​​Wiste HJ , Knopman DS , Vemuri P , Lowe VJ , Mielke MM , Roberts RO , Machulda MM , Graff-Radford J , Jones DT , Schwarz CG , Senje J ML , Rocca WA, Petersen RC (2019) Biológiailag és klinikailag meghatározott Alzheimer spektrumú entitások prevalenciája a National Institute on Aging-Alzheimer segítségével Egyesületi kutatás keretrendszer. JAMA Neurol 76, 1174–1183.
[26] Zhou X, Ashford JW (2019): Fejlődés az átvilágító műszerek terén Alzheimer kór. Aging Med 2, 88–93.
[27] Weiner MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) Brain Health Nyilvántartás: Internet-alapú platform az idegtudományi tanulmányok résztvevőinek toborzására, értékelésére és longitudinális monitorozására. Alzheimers Dement 14, 1063–1076.
[28] Ashford JW, Schmitt FA (2001): Az idő lefolyásának modellezése Alzheimer demencia. Curr Psychiatry Rep 3, 20–28.
[29] Li X, Wang X, Su L, Hu X, Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE): Protokoll kínai longitudinális megfigyeléses vizsgálathoz, melynek célja, hogy szubjektív kognitív képességgel rendelkező egyéneknél kockázat-előrejelzési modelleket dolgozzanak ki az enyhe kognitív károsodásba való áttéréshez. hanyatlás. BMJ Open 9, e028188.
[30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015) Ötéves biomarker progressziós variabilitása for Alzheimer-kór demencia előrejelzés: A mindennapi életvitel jelző komplex instrumentális tevékenységei pótolhatják-e a hiányosságokat? Alzheimers Dement (Amst) 1, 521–532.
[31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) Az Alzheimer-kór megelőzése és kezelése: Az edzés biológiai mechanizmusai. J Alzheimers Dis 69, 311-338.
[32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) Therapies for Alzheimer-kór megelőzése és kezelése. 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) A felnőttkori érrendszeri kockázat és az agy késői patológiája közötti összefüggések: Brit születési kohorsz bizonyítékai. JAMA Neurol 77, 175–183.
[34] Seshadri S (2020): Az életkoron túli demencia-gondolkodás megelőzése és az amiloid dobozok. 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) A szisztolés vérnyomás hatása a fehér anyag integritására fiatal felnőtteknél a Framingham Heart Study: A cross -metszeti tanulmány. 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) A neuropatológiailag meghatározott biomarkervizsgálat pontossága Alzheimer-kór idős, demenciában szenvedő felnőtteknél. Ann Intern Med 172, 669–677.

Kapcsolatok: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] Számítástechnikai és Villamosmérnöki és Számítástechnikai Tanszék, Floridai Atlantic Egyetem, Boca Raton, FL, USA | [c] SJN Biomed LTD, Kunming, Yunnan, Kína | [d] Középpontja Alzheimer-kutatás, Washington Institute of Clinical Research, Washington, DC, USA | [e] Rehabilitációs Orvostudományi Osztály, Kunming Orvosi Egyetem első társkórháza, Kunming, Yunnan, Kína | [f] Neurológiai osztály, Dehong People's Hospital, Dehong, Yunnan, Kína | [g] Neurológiai osztály, a Kunmingi Orvosi Egyetem első társkórháza, Wuhua körzet, Kunming, Yunnan tartomány, Kína | [h] Háborús betegségek és sérülések tanulmányi központja, VA Palo Alto Egészségügyi ellátás System, Palo Alto, CA, USA | [i] Pszichiátriai és Viselkedéstudományi Tanszék, Stanford Egyetem Orvostudományi Kar, Palo Alto, CA, USA

Levelezés: [*] Levelezés: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. E-mail: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Neurológiai Osztály, Kunming Orvosi Egyetem Első Kapcsolt Kórháza, 295 Xichang Road, Wuhua District, Kunming, Yunnan tartomány 650032, Kína. E-mail: ring@vip.163.com.

Kulcsszavak: öregedés, Alzheimer kór, demencia, tömeges szűrés