MemTrax-ի և մեքենայական ուսուցման մոդելավորման օգտակարությունը մեղմ ճանաչողական խանգարումների դասակարգման մեջ
Հետազոտության հոդված
Հեղինակներ՝ Bergeron, Michael F. | Լանդսեթ, Սառա | Չժոու, Սիանբո | Դինգ, Տաո | Խոշգոֆթաար, Թաղի Մ. | Ժաո, Ֆենգ | Դու, Բո | Չեն, Սինջիե | Wang, Xuan | Չժոնգ, Լիանմեյ | Լյու, Սյաոլեյ| Էշֆորդ, Ջ.Վեսսոն
DOI՝ 10.3233/JAD-191340
Հանդես. Journal of Ալցհեյմերի հիվանդություն, ք. 77, ոչ: 4, pp. 1545-1558, 2020
Վերացական
Նախապատմություն.
Լայն տարածվածությունը և տարածվածությունը Alzheimer հիվանդություն և մեղմ ճանաչողական խանգարումը (MCI) հրատապ կոչ է արել հետազոտության համար՝ վավերացնելու վաղ հայտնաբերման ճանաչողական զննումը և գնահատումը:
Նպատակ:
Մեր առաջնային հետազոտության նպատակն էր որոշել, թե արդյոք ընտրված MemTrax կատարողականի ցուցանիշները և համապատասխան ժողովրդագրական և առողջության պրոֆիլի բնութագրերը կարող են արդյունավետորեն օգտագործվել մեքենայական ուսուցման հետ մշակված կանխատեսող մոդելներում՝ դասակարգելու ճանաչողական առողջությունը (նորմալ ընդդեմ MCI), ինչպես ցույց է տրված Մոնրեալի ճանաչողական գնահատում (ԳՆ):
Եղանակով.
Մենք իրականացրեցինք խաչաձեւ ուսումնասիրություն 259 նյարդաբանության, հիշողության կլինիկայի և ներքին բժշկության չափահաս հիվանդների վրա, որոնք հավաքագրվել էին երկուից հիվանդանոցներ Չինաստանում. Յուրաքանչյուր հիվանդի տրվել է չինալեզու MoCA և ինքնուրույն կառավարել է շարունակական ճանաչման MemTrax առցանց դրվագը: հիշողության թեստ առցանց նույն օրը։ Կանխատեսող դասակարգման մոդելները կառուցվել են մեքենայական ուսուցման միջոցով՝ 10 անգամ խաչաձև վավերացմամբ, և մոդելի կատարողականությունը չափվել է՝ օգտագործելով Ստացողի գործառնական բնութագրիչ կորի (AUC) տարածքը: Մոդելները կառուցվել են՝ օգտագործելով MemTrax-ի կատարողականության երկու չափանիշ (տոկոսը ճիշտ, պատասխանի ժամանակը), ինչպես նաև ժողովրդագրական և անձնական պատմության ութ ընդհանուր հատկանիշները:
Արդյունքներ:
Համեմատելով սովորողներին ՄՀՀ միավորների և շեմերի ընտրված համակցությունների միջև՝ Նաիվ Բեյսը, ընդհանուր առմամբ, ամենաբարձր արդյունքներով սովորողն էր՝ ընդհանուր դասակարգման 0.9093 կատարողականությամբ: Ավելին, լավագույն երեք սովորողների շրջանում MemTrax-ի վրա հիմնված դասակարգման կատարողականը ընդհանուր առմամբ գերազանցում էր՝ օգտագործելով միայն վերին դասակարգված չորս հատկանիշները (0.9119)՝ համեմատած բոլոր 10 ընդհանուր հատկանիշների (0.8999) օգտագործման հետ:
Եզրակացություն.
MemTrax-ի կատարումը կարող է արդյունավետորեն օգտագործվել մեքենայական ուսուցման դասակարգման կանխատեսող մոդելում սկրինինգային ծրագիր՝ վաղ փուլերում ճանաչողական խանգարումների հայտնաբերման համար.
ՆԵՐԱԾՈՒԹՅՈՒՆ
Ճանաչված (թեև թերախտորոշված) լայն տարածում ունեցող դեպքերը և տարածվածությունը և զուգահեռաբար աճող բժշկական, սոցիալական և հասարակական առողջություն Ալցհեյմերի հիվանդության (AD) և մեղմ կոգնիտիվ խանգարման (MCI) ծախսերն ու ծանրաբեռնվածությունը գնալով ավելի են լարվում բոլոր շահագրգիռ կողմերի համար [1, 2]: Այս տագնապալի և բուրժոնային սցենարը հրատապ կոչ է արել հետազոտությունների՝ վավերացնելու համար վաղ հայտնաբերումը ճանաչողական զննման և գնահատման գործիքներ՝ տարբեր տարածաշրջանների և պոպուլյացիաների տարեց հիվանդների անձնական և կլինիկական պայմաններում կանոնավոր գործնական օգտակարության համար [3]: Այս գործիքները պետք է նաև ապահովեն տեղեկատվական արդյունքների անխափան թարգմանությունը առողջության էլեկտրոնային գրառումներում: Օգուտները կիրականացվեն հիվանդներին տեղեկացնելով և օգնելով բժիշկներին ավելի վաղ ճանաչելու էական փոփոխությունները և այդպիսով հնարավորություն կտան ավելի արագ և ժամանակին շերտավորում, իրականացում և հետևում համապատասխան անհատական և ավելի ծախսարդյունավետ բուժման և հիվանդի խնամքին նրանց համար, ովքեր սկսում են զգալ: ճանաչողական անկում [3, 4]։
Համակարգչային MemTrax գործիք (https://memtrax.com) պարզ և հակիրճ շարունակական ճանաչման գնահատում է, որը կարող է ինքնուրույն կառավարվել առցանց՝ չափելու դժվար ժամանակային էպիզոդիկ հիշողության կատարումը, որտեղ օգտագործողը արձագանքում է կրկնվող պատկերներին և ոչ թե նախնական ներկայացմանը [5, 6]: Վերջին հետազոտությունները և դրանից բխող գործնական հետևանքները սկսում են աստիճանաբար և հավաքականորեն ցույց տալ MemTrax-ի կլինիկական արդյունավետությունը AD-ի և MCI-ի վաղ սկրինինգում [5-7]: Այնուամենայնիվ, կլինիկական օգտակարության ուղղակի համեմատությունը գոյություն ունեցողի հետ ճանաչողական առողջություն գնահատումը և սովորական չափորոշիչները երաշխավորված են մասնագիտական հեռանկարները տեղեկացնելու և MemTrax-ի օգտակարությունը վաղ հայտնաբերման և ախտորոշման աջակցության հաստատման համար: վան դեր Հուկը և այլք: [8] համեմատեց ընտրված MemTrax կատարողականի չափումները (ռեակցիայի արագությունը և տոկոսը ճիշտ) ճանաչողական կարգավիճակի հետ, որը որոշվում է Մոնրեալի կողմից Ճանաչողական գնահատում (ԳՆ): Այնուամենայնիվ, այս ուսումնասիրությունը սահմանափակված էր այս կատարողականի չափորոշիչները կապակցելով ճանաչողական կարգավիճակի բնութագրման հետ (ինչպես որոշվում է ՀՀ ԳՆ-ի կողմից) և սահմանելով հարաբերական միջակայքերը և սահմանային արժեքները: Համապատասխանաբար, այս հետազոտությունն ընդլայնելու և դասակարգման արդյունավետությունն ու արդյունավետությունը բարելավելու համար մեր առաջնային հետազոտական հարցը հետևյալն էր.
- Կարո՞ղ է անհատի կողմից ընտրված MemTrax կատարողականի չափանիշները և համապատասխան ժողովրդագրությունը և առողջությունը Անձնագրի բնութագրերը արդյունավետորեն օգտագործվեն կանխատեսող մոդելում, որը մշակվել է մեքենայական ուսուցմամբ՝ ճանաչողական առողջությունը երկփեղկված դասակարգելու համար (նորմալ ընդդեմ MCI-ի), ինչպես կնշանակվի մեկի MoCA գնահատականով:
Սրա հետ մեկտեղ մենք ուզում էինք իմանալ.
- Ներառելով նույն հատկանիշները, կարո՞ղ է MemTrax կատարողականի վրա հիմնված մեքենայական ուսուցման մոդելը արդյունավետորեն կիրառվել հիվանդի նկատմամբ՝ կանխատեսելու ծանրությունը (թեթև և ծանր) ճանաչողական խանգարումների ընտրված կատեգորիաներում, ինչպես կորոշվի անկախ կլինիկական ախտորոշմամբ:
Արհեստական ինտելեկտի և մեքենայական ուսուցման հայտնաբերումը և զարգացող գործնական կիրառումը զննում/հայտնաբերման մեջ արդեն իսկ ցույց են տվել հստակ գործնական առավելություններ՝ կանխատեսող մոդելավորումն արդյունավետորեն առաջնորդում է բժիշկներին՝ ճանաչողական/ուղեղի առողջության և հիվանդների կառավարման դժվար գնահատման հարցում: Մեր ուսումնասիրության մեջ մենք ընտրեցինք նմանատիպ մոտեցում MCI դասակարգման մոդելավորման և ճանաչողական խանգարումների խստության խտրականության մեջ, ինչպես հաստատվել է կլինիկական ախտորոշմամբ երեք տվյալների հավաքածուից, որոնք ներկայացնում են ընտրված կամավոր ստացիոնար և ամբուլատոր հիվանդներ Չինաստանի երկու հիվանդանոցներից: Օգտագործելով մեքենայական ուսուցման կանխատեսող մոդելավորում՝ մենք հայտնաբերեցինք տվյալներից/սովորողների տարբեր համակցություններից լավագույն արդյունքներ ունեցող սովորողներին և դասակարգեցինք այն առանձնահատկությունները, որոնք մեզ առաջնորդում են կլինիկորեն առավել գործնական մոդելի կիրառությունները սահմանելու հարցում:
Մեր վարկածներն այն էին, որ MemTrax-ի վրա հիմնված վավերացված մոդելը կարող է օգտագործվել ճանաչողական առողջությունը երկփեղկորեն (նորմալ կամ MCI) դասակարգելու համար՝ հիմնվելով ՄՀՀ ընդհանուր միավորի շեմի չափանիշի վրա, և որ նմանատիպ MemTrax կանխատեսող մոդելը կարող է արդյունավետորեն կիրառվել՝ խտրականության խստությունը որոշ կատեգորիաներում: կլինիկական ախտորոշված ճանաչողական անբավարարություն. Ակնկալվող արդյունքների ցուցադրումը կարևոր նշանակություն կունենա MemTrax-ի՝ որպես ճանաչողական անկման և ճանաչողական խանգարումների դասակարգման վաղ հայտնաբերման էկրանի արդյունավետությանն աջակցելու համար: Արդյունաբերության ենթադրյալ ստանդարտի հետ բարենպաստ համեմատությունը, որը լրացվում է շատ ավելի մեծ դյուրինությամբ և օգտակարության արագությամբ, ազդեցիկ կլինի՝ օգնելու բժիշկներին ընդունել այս պարզ, հուսալի և մատչելի գործիքը որպես նախնական էկրան՝ ճանաչողական վաղ (ներառյալ նախադեմ) փուլի ճանաչողական անբավարարությունները հայտնաբերելու համար: Այսպիսի մոտեցումն ու օգտակարությունը կարող են այդպիսով խթանել հիվանդների ավելի ժամանակին և ավելի լավ շերտավորված խնամք և միջամտություն: Այս հեռանկարային պատկերացումները և բարելավված ցուցանիշներն ու մոդելները կարող են նաև օգտակար լինել դեմենցիայի առաջընթացը մեղմելու կամ դադարեցնելու համար, ներառյալ AD և AD-ի հետ կապված դեմենցիաները (ADRD):
ՆՅՈՒԹԵՐ ԵՒ ՄԵԹՈԴՆԵՐ
Ուսումնասիրեք բնակչությունը
2018 թվականի հունվարից մինչև 2019 թվականի օգոստոսն ընկած ժամանակահատվածում Չինաստանի երկու հիվանդանոցներից հավաքագրված հիվանդների վրա իրականացվել են խաչմերուկային հետազոտություն: MemTrax [5]-ի կառավարումը 21 տարեկան և ավելի բարձր տարիքի անձանց, ինչպես նաև այդ տվյալների հավաքագրումն ու վերլուծությունը վերանայվել և հաստատվել են և կառավարվել՝ համաձայն էթիկական չափանիշների: Մարդ Սթենֆորդի համալսարանի առարկաների պաշտպանության կոմիտե: MemTrax-ը և այս ընդհանուր հետազոտության բոլոր այլ փորձարկումներն իրականացվել են 1975 թվականի Հելսինկյան հռչակագրի համաձայն և հաստատվել են Կունմինգ բժշկական համալսարանի Կունմին բժշկական համալսարանի առաջին փոխկապակցված հիվանդանոցի ինստիտուցիոնալ վերանայման խորհրդի կողմից, Չինաստան, Յուննան: Յուրաքանչյուր օգտագործողի տրամադրվել է տեղեկացված համաձայնություն ձևաթուղթ՝ կարդալու/վերանայելու և այնուհետև կամավոր համաձայնել մասնակցել:
Մասնակիցները հավաքագրվել են Յանհուա հիվանդանոցի նյարդաբանական կլինիկայի ամբուլատոր հիվանդների խմբից (YH ենթատվյալների հավաքածու) և հիշողության կլինիկա Կունմին Բժշկականի առաջին կից հիվանդանոցում Համալսարան (XL ենթատվյալների հավաքածու) Պեկինում, Չինաստան: Մասնակիցները հավաքագրվել են նաև նյարդաբանության (XL ենթատվյալների հավաքածու) և ներքին բժշկության (KM ենթատվյալների հավաքածու) ստացիոնար հիվանդներից Կունմինգի բժշկական համալսարանի առաջին փոխկապակցված հիվանդանոցից: Ներառման չափանիշները ներառում էին 1) առնվազն 21 տարեկան տղամարդիկ և կանայք, 2) չինարեն (մանդարին) խոսելու ունակությունը և 3) բանավոր և գրավոր ուղղությունները հասկանալու կարողությունը: Բացառման չափանիշներն էին տեսողության և շարժողական խանգարումները, որոնք խանգարում էին մասնակիցներին ավարտել այն MemTrax թեստ, ինչպես նաև թեստի կոնկրետ հրահանգները հասկանալու անկարողությունը:
MemTrax-ի չինական տարբերակը
Ինտերնետը Թարգմանվել է MemTrax թեստային հարթակը չինարեն լեզվով (URL՝ https://www.memtrax.com.cn) և հետագայում հարմարեցվել WeChat-ի միջոցով (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Չինաստան) օգտագործելու համար՝ ինքնակառավարման համար: Տվյալները պահվել են ամպային սերվերի վրա (Ali Cloud), որը գտնվում է Չինաստանում և արտոնագրված է Alibaba-ից (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, Չինաստան) SJN Biomed LTD-ի կողմից (Kunming, Yunnan, Չինաստան): MemTrax-ի և այստեղ օգտագործվող թեստի վավերականության չափանիշների վերաբերյալ հատուկ մանրամասները նկարագրվել են նախկինում [6]: Թեստը հիվանդներին տրամադրվել է անվճար։
Ուսումնասիրման ընթացակարգերը
Ստացիոնար և ամբուլատոր հիվանդների համար ընդհանուր թղթային հարցաթերթ՝ ժողովրդագրական և անձնական տեղեկությունների հավաքագրման համար, ինչպիսիք են տարիքը, սեռը, կրթության տարիները, զբաղմունքը, ապրել միայնակ կամ ընտանիքի հետ, և բժշկական պատմությունը տրամադրվել է հետազոտական թիմի անդամի կողմից: Հարցաթերթիկի լրացումից հետո ՄԿՀ [12] և MemTrax թեստերն իրականացվել են (առաջինը MoCA)՝ թեստերի միջև ոչ ավելի, քան 20 րոպե: MemTrax-ի տոկոսը ճիշտ է (MTx-% C), պատասխանի միջին ժամանակը (MTx-RT) և թեստավորման ամսաթիվը և ժամը թղթի վրա գրանցվել են հետազոտական թիմի անդամի կողմից յուրաքանչյուր փորձարկված մասնակցի համար: Լրացված հարցաշարը և ՄՀՀ-ի արդյունքները վերբեռնվել են Excel աղյուսակում հետազոտողի կողմից, ով վարել է թեստերը և ստուգվել գործընկերոջ կողմից՝ նախքան Excel ֆայլերը վերլուծության համար պահպանվելը:
MemTrax թեստ
MemTrax առցանց թեստը ներառում էր 50 պատկեր (25 եզակի և 25 կրկնություն; 5 հավաքածու ընդհանուր տեսարանների կամ առարկաների 5 պատկերներից) ցուցադրված հատուկ կեղծ պատահական հերթականությամբ: Մասնակիցը (ըստ հրահանգների) դիպչում է էկրանի «Սկսել» կոճակին, որպեսզի սկսի թեստը և սկսի դիտել պատկերների շարքը և նորից դիպչել պատկերին էկրանին հնարավորինս արագ, երբ կրկնվող նկար հայտնվի: Յուրաքանչյուր պատկեր հայտնվում էր 3 վրկ կամ մինչև էկրանին պատկերը դիպչելը, ինչը հուշեց անմիջապես ներկայացնել հաջորդ նկարը: Օգտագործելով տեղական սարքի ներքին ժամացույցը, MTx-RT-ն յուրաքանչյուր պատկերի համար որոշվել է նկարի ներկայացումից մինչև էկրանին դիպչելու ժամանակի անցած ժամանակով, ի պատասխան՝ նշելով, որ պատկերն արդեն ցուցադրված է: թեստի ժամանակ։ MTx-RT-ն ձայնագրվել է յուրաքանչյուր պատկերի համար, որտեղ արձանագրվել է ամբողջական 3 վրկ, որը ցույց է տալիս ոչ մի պատասխան: MTx-% C-ը հաշվարկվել է՝ ցույց տալու կրկնվող և սկզբնական պատկերների տոկոսը, որոնց օգտատերը ճիշտ է պատասխանել (իսկական դրական + իսկական բացասական՝ բաժանված 50-ի): MemTrax-ի կառավարման և իրականացման լրացուցիչ մանրամասները, տվյալների կրճատումը, անվավեր կամ «առանց պատասխանի» տվյալները և առաջնային տվյալների վերլուծությունները նկարագրված են այլուր [6]:
MemTrax թեստը մանրամասն բացատրվել է, և հիվանդանոցային պայմաններում մասնակիցներին տրամադրվել է պրակտիկայի թեստ (եզակի պատկերներով, բացառությամբ այն պատկերների, որոնք օգտագործվում են թեստի արդյունքների գրանցման համար): YH և KM ենթաբազմությունների մասնակիցները MemTrax թեստը հանձնեցին սմարթֆոնի վրա, որը բեռնված էր WeChat հավելվածով; մինչդեռ XL ենթատվյալների սահմանափակ թվով հիվանդներ օգտագործում էին iPad, իսկ մնացածը՝ սմարթֆոն: Բոլոր մասնակիցներն անցել են MemTrax թեստը, երբ հետազոտողն աննկատ կերպով դիտում էր:
Մոնրեալի ճանաչողական գնահատում
Չինական MoCA-ի (MoCA-BC) Պեկինյան տարբերակը [13] կառավարվել և գնահատվել է վերապատրաստված հետազոտողների կողմից՝ համաձայն պաշտոնական թեստի հրահանգների: Համապատասխանաբար, ՄՀՀ-ԲԿ-ն ցուցադրվել է որպես հուսալի ճանաչողական թեստ Սքրինինգ բոլոր կրթական մակարդակներում չինացի տարեց մեծահասակների մոտ [14]: Յուրաքանչյուր թեստը տևում է մոտ 10-30 րոպե՝ ելնելով համապատասխան մասնակցի ճանաչողական ունակություններից:
ԱՆ դասակարգման մոդելավորում
Ընդհանուր առմամբ կար 29 օգտագործելի հնարավորություն, այդ թվում՝ երկու MemTrax թեստի կատարողականի չափումներ և ժողովրդագրական և առողջության հետ կապված 27 առանձնահատկություններ տեղեկատվություն յուրաքանչյուր մասնակցի համար: Յուրաքանչյուր հիվանդի MoCA ագրեգատ թեստի միավորը օգտագործվել է որպես ճանաչողական ցուցադրություն «Հենանիշ»՝ մեր կանխատեսող մոդելներին մարզելու համար: Համապատասխանաբար, քանի որ MoCA-ն օգտագործվել է դասի պիտակը ստեղծելու համար, մենք չկարողացանք օգտագործել ընդհանուր միավորը (կամ ՄՀՀ ենթախմբի միավորներից որևէ մեկը) որպես անկախ հատկանիշ: Մենք կատարել ենք նախնական փորձեր, որոնցում մենք մոդելավորել ենք (դասակարգելով ճանաչողական առողջությունը, որը սահմանված է ՀՀ ԳՆ-ի կողմից) սկզբնական երեք հիվանդանոցի/կլինիկա(ներ) ենթատվյալների հավաքածուն առանձին-առանձին և այնուհետև համատեղել՝ օգտագործելով բոլոր հատկանիշները: Այնուամենայնիվ, բոլոր նույն տվյալների տարրերը չեն հավաքվել երեք ենթատվյալների հավաքածուներ ներկայացնող չորս կլինիկաներից յուրաքանչյուրում. Այսպիսով, համակցված տվյալների բազայում մեր շատ հատկանիշներ (բոլոր հատկանիշներն օգտագործելիս) ունեին բացակայող արժեքների բարձր հաճախականություն: Այնուհետև մենք կառուցեցինք մոդելներ համակցված տվյալների բազայով՝ օգտագործելով միայն ընդհանուր հատկանիշները, որոնք հանգեցրին դասակարգման բարելավմանը: Սա, ամենայն հավանականությամբ, բացատրվում էր ավելի շատ օրինակների հետ աշխատելու համակցությամբ՝ համատեղելով հիվանդի երեք ենթատվյալների հավաքածուները և բացակայող արժեքների անհարկի տարածվածությամբ ոչ մի առանձնահատկություն (միակցված տվյալների բազայում միայն մեկ հատկանիշ, աշխատանքի տեսակ, ուներ որևէ բացակայող արժեք, ազդող միայն երեք հիվանդի դեպք), քանի որ ներառված են եղել միայն բոլոր երեք տեղամասերում գրանցված ընդհանուր հատկանիշները: Հատկանշական է, որ մենք չունեինք մերժման հատուկ չափանիշ յուրաքանչյուր հատկանիշի համար, որը, ի վերջո, ներառված չէր համակցված տվյալների բազայում: Այնուամենայնիվ, մեր նախնական համակցված տվյալների մոդելավորման ժամանակ մենք նախ օգտագործեցինք բոլոր հատկանիշները հիվանդների երեք առանձին ենթատվյալների հավաքածուներից: Սա լայնորեն հանգեցրեց մոդելի կատարողականի, որը չափելիորեն ցածր էր, քան նախնական նախնական մոդելավորումը յուրաքանչյուր առանձին ենթատվյալների վրա: Ավելին, մինչդեռ բոլոր հատկանիշներով կառուցված մոդելների դասակարգման կատարողականը հուսադրող էր, բոլոր սովորողների և դասակարգման սխեմաների դեպքում կատարողականությունը բարելավվել է երկու անգամ ավելի շատ մոդելների դեպքում, երբ օգտագործվում են միայն ընդհանուր հատկանիշներ: Իրականում, մեր լավագույն սովորողների թվում, բացի մեկից, բոլոր մոդելները բարելավվել են՝ վերացնելով ոչ ընդհանուր հատկանիշները:
Վերջնական համախառն տվյալների բազան (YH, XL և KM միասին) ներառում էր 259 դեպք, որոնցից յուրաքանչյուրը ներկայացնում էր եզակի մասնակցի, որն անցել է և՛ MemTrax, և՛ MoCA թեստերը: Կային 10 ընդհանուր անկախ առանձնահատկություններ. MemTrax կատարողականի չափումներ՝ MTx-% C և միջին MTx-RT; ժողովրդագրական և բժշկական պատմության մասին տեղեկություններ. տարիքը, սեռը, կրթության տարիները, աշխատանքի տեսակը (կապույտ օձիք/սպիտակ օձիք), սոցիալական աջակցություն (արդյոք թեստ հանձնողը միայնակ է ապրում, թե ընտանիքի հետ), և այո/ոչ պատասխաններ, թե արդյոք օգտատերը ունեցել է շաքարախտի, հիպերլիպիդեմիայի կամ ուղեղի տրավմատիկ վնասվածքի պատմություն: Երկու լրացուցիչ չափումներ՝ ԱՄՀ ագրեգատ միավորը և ԱՄՀ ագրեգատ միավորը՝ ճշգրտված կրթության տարիների համար [12], օգտագործվել են առանձին՝ կախյալ դասակարգման պիտակներ մշակելու համար՝ այդպիսով ստեղծելով մոդելավորման երկու տարբեր սխեմաներ, որոնք կկիրառվեն մեր համակցված տվյալների վրա: ՄՀՀ գնահատականի յուրաքանչյուր տարբերակի (ճշգրտված և չճշգրտված) համար տվյալները կրկին առանձին մոդելավորվել են երկուական դասակարգման համար՝ օգտագործելով երկու տարբեր չափանիշի շեմեր՝ սկզբնապես առաջարկված մեկը [12] և այլընտրանքային արժեք, որն օգտագործվում և խթանվում է ուրիշների կողմից [8, 15]: Այլընտրանքային շեմի դասակարգման սխեմայում պացիենտը համարվում էր նորմալ ճանաչողական առողջություն, եթե նա ստացել է ≥23 միավոր MCA թեստում և ունեցել է MCI, եթե միավորը 22 կամ ավելի ցածր է: մինչդեռ, նախնական առաջարկված դասակարգման ձևաչափում հիվանդը պետք է 26 կամ ավելի բարձր գնահատական ստանար ՄՀՀ-ում, որպեսզի պիտակվեր որպես նորմալ ճանաչողական առողջություն:
Զտված տվյալներ ՄՀՀ դասակարգման մոդելավորման համար
Մենք հետագայում ուսումնասիրեցինք MoCA-ի դասակարգումը, օգտագործելով չորս հաճախակի օգտագործվող հատկությունների դասակարգման տեխնիկան՝ Chi-Squared, Gain Ratio, Information Gain և Symmetrical Անորոշություն: Միջանկյալ հեռանկարի համար մենք կիրառեցինք վարկանիշները ամբողջ համակցված տվյալների վրա՝ օգտագործելով մեր չորս մոդելավորման սխեմաներից յուրաքանչյուրը: Բոլոր դասակարգիչները համաձայնել են միևնույն հիմնական հատկանիշների, օրինակ՝ տարիքի, կրթության տարիների քանակի և երկու MemTrax-ի կատարողականի չափումների (MTx-% C, միջին MTx-RT): Այնուհետև մենք վերակառուցեցինք մոդելները՝ օգտագործելով յուրաքանչյուր հատկանիշի ընտրության տեխնիկան, որպեսզի մոդելները վերապատրաստվեն միայն լավագույն չորս հատկանիշների վրա (տես Ընտրանքի ընտրությունը ստորեւ).
ՄՀՀ գնահատականների դասակարգման մոդելավորման սխեմաների վերջնական ութ տարբերակները ներկայացված են Աղյուսակ 1-ում:
Աղյուսակ 1
MoCA դասակարգման համար օգտագործված մոդելավորման սխեմայի տատանումների ամփոփում (Նորմալ Ճանաչողական առողջություն ընդդեմ MCI)
| Մոդելավորման սխեման | Նորմալ ճանաչողական առողջություն (բացասական դաս) | MCI (դրական դաս) |
| Ճշգրտված-23 Չզտված/Զտված | 101 (39.0%) | 158 (61.0%) |
| Ճշգրտված-26 Չզտված/Զտված | 49 (18.9%) | 210 (81.1%) |
| Չճշգրտված-23 Չզտված/Զտված | 92 (35.5%) | 167 (64.5%) |
| Չճշգրտված-26 Չզտված/Զտված | 42 (16.2%) | 217 (83.8%) |
Յուրաքանչյուր դասի ընդհանուր հիվանդների համապատասխան թիվը և տոկոսը տարբերվում են ըստ կրթության միավորների (ճշգրտված կամ չճշգրտված) և դասակարգման շեմի (23 կամ 26), ինչպես կիրառվում է երկու հատկանիշների հավաքածուների համար (Չզտված և զտված):
MemTrax-ի վրա հիմնված կլինիկական գնահատման մոդելավորում
Մեր երեք սկզբնական ենթատվյալների հավաքածուներից (YH, XL, KM) միայն XL ենթաբազմության հիվանդների մոտ ճանաչողական խանգարում է կատարվել անկախ կլինիկական ախտորոշմամբ (այսինքն՝ նրանց համապատասխան MoCA-ի միավորները չեն օգտագործվել նորմալ և խաթարվածի դասակարգումը սահմանելու համար): Մասնավորապես, XL հիվանդների մոտ ախտորոշվել է կամ Ալցհեյմերի հիվանդության թեստ (AD) կամ անոթային դեմենցիա (VaD): Այս առաջնային ախտորոշման կատեգորիաներից յուրաքանչյուրում կար նաև MCI-ի հետագա նշանակում: MCI-ի, տկարամտության, անոթային նյարդաճանաչողական խանգարման և AD-ի հետևանքով նյարդաճանաչողական խանգարումների ախտորոշումները հիմնված էին հոգեկան խանգարումների ախտորոշիչ և վիճակագրական ձեռնարկում՝ DSM-5 [16], հատուկ և տարբերակիչ ախտորոշիչ չափանիշների վրա: Հաշվի առնելով այս ճշգրտված ախտորոշումները, դասակարգման մոդելավորման երկու սխեմաներ առանձին կիրառվել են XL ենթատվյալների հավաքածուի վրա՝ տարբերելու ծանրության աստիճանը (վնասվածության աստիճանը) յուրաքանչյուր առաջնային ախտորոշման կատեգորիայի համար: Այս ախտորոշիչ մոդելավորման սխեմաներից յուրաքանչյուրում (AD և VaD) օգտագործված տվյալները ներառում էին ժողովրդագրական և հիվանդի պատմության տեղեկատվությունը, ինչպես նաև MemTrax-ի կատարողականը (MTx-% C, միջին MTx-RT): Յուրաքանչյուր ախտորոշում նշվում էր որպես մեղմ, եթե նշանակված էր MCI; հակառակ դեպքում այն համարվում էր ծանր: Մենք ի սկզբանե դիտարկել ենք ախտորոշման մոդելներում ընդգրկելու ՄՀՀ գնահատականը (թեթև և ծանր); բայց մենք որոշեցինք, որ դա կխախտի մեր երկրորդական կանխատեսող մոդելավորման սխեմայի նպատակը: Այստեղ սովորողները պետք է վերապատրաստվեն՝ օգտագործելով հիվանդի այլ բնութագրերը, որոնք հասանելի են մատակարարին և ավելի պարզ MemTrax թեստի (փոխարենը ՀՀ ԳՆ-ի) կատարողականի չափորոշիչներին՝ ընդդեմ «ոսկե ստանդարտի»՝ անկախ կլինիկական ախտորոշման: AD ախտորոշման տվյալների հավաքածուում եղել է 69 դեպք և VaD-ի 76 դեպք (Աղյուսակ 2) Երկու տվյալների հավաքածուներում կար 12 անկախ հատկանիշ: Ի հավելումն 10 առանձնահատկությունների, որոնք ներառված են MoCA-ի գնահատականների դասակարգման մեջ, հիվանդի պատմությունը ներառում էր նաև հիպերտոնիայի և ինսուլտի պատմության վերաբերյալ տեղեկատվություն:
Աղյուսակ 2
Ախտորոշման խստության դասակարգման համար օգտագործվող մոդելավորման սխեմայի տատանումների ամփոփում (Թեթև և ծանր)
| Մոդելավորման սխեման | Թեթև (բացասական դաս) | Ծանր (դրական դաս) |
| MCI-AD ընդդեմ AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD ընդդեմ VaD | 38 (50.0%) | 38 (50.0%) |
Յուրաքանչյուր դասի ընդհանուր հիվանդների համապատասխան թիվը և տոկոսը տարբերվում են ըստ առաջնային ախտորոշման կատեգորիայի (AD կամ VaD):
Վիճակագրություններ
Մասնակիցների բնութագրերի և այլ թվային հատկանիշների համեմատությունը ենթատվյալների միջև յուրաքանչյուր մոդելի դասակարգման ռազմավարության համար (ԿԳՆ ճանաչողական առողջությունը և ախտորոշման ծանրությունը կանխատեսելու համար) իրականացվել է Python ծրագրավորման լեզվի միջոցով (տարբերակ 2.7.1) [17]: Մոդելի կատարողականի տարբերություններն ի սկզբանե որոշվել են՝ օգտագործելով մեկ կամ երկու գործոնով (համապատասխանության դեպքում) ANOVA՝ 95% վստահության միջակայքով և Tukey ազնիվ զգալի տարբերությունների (HSD) թեստ՝ համեմատելու կատարողականի միջինը: Մոդելի կատարման տարբերությունների այս ուսումնասիրությունը կատարվել է Python-ի և R-ի համակցության միջոցով (տարբերակ 3.5.1) [18]: Մենք կիրառեցինք այս (թեև, անկասկած, օպտիմալից պակաս) մոտեցումը միայն որպես էվրիստիկական օգնություն սկզբնաշրջան նախնական մոդելի կատարողականի համեմատության համար՝ պոտենցիալ կլինիկական կիրառման կանխատեսման համար: Այնուհետև մենք օգտագործեցինք Բայեսյան ստորագրված աստիճանի թեստը, օգտագործելով հետին բաշխումը, որոշելու մոդելի կատարողականի տարբերությունների հավանականությունը [19]: Այս վերլուծությունների համար մենք օգտագործել ենք –0.01, 0.01 ինտերվալը, ինչը նշանակում է, որ եթե երկու խմբերն ունեն 0.01-ից պակաս կատարողականի տարբերություն, ապա դրանք համարվում են նույնը (գործնական համարժեքության տարածքում), կամ հակառակ դեպքում՝ տարբեր են (մեկը ավելի լավը, քան մյուսը). Դասակարգիչների Բայեսյան համեմատությունը կատարելու և այդ հավանականությունները հաշվարկելու համար մենք օգտագործել ենք baycomp գրադարանը (տարբերակ 1.0.2) Python 3.6.4-ի համար:
Կանխատեսող մոդելավորում
Մենք կառուցեցինք կանխատեսող մոդելներ՝ օգտագործելով մեր մոդելավորման սխեմաների տասը ընդհանուր տատանումները՝ կանխատեսելու (դասակարգելու) յուրաքանչյուր հիվանդի MoCA թեստի արդյունքը կամ կլինիկական ախտորոշման ծանրությունը: Բոլոր սովորողները կիրառվել են, և մոդելները կառուցվել են՝ օգտագործելով Weka բաց կոդով ծրագրային հարթակը [20]: Մեր նախնական վերլուծության համար մենք օգտագործեցինք 10 սովորաբար օգտագործվող ուսուցման ալգորիթմներ՝ 5-մոտ հարևաններ, C4.5 որոշումների ծառի երկու տարբերակ, լոգիստիկ ռեգրեսիա, բազմաշերտ պերցեպտրոն, միամիտ բեյս, պատահական անտառի երկու տարբերակ, ճառագայթային հիմքի ֆունկցիայի ցանց և աջակցության վեկտոր: Մեքենա. Այս ալգորիթմների հիմնական հատկանիշներն ու հակադրությունները նկարագրված են մեկ այլ տեղ [21] (տես համապատասխան Հավելված): Սրանք ընտրվել են, քանի որ դրանք ներկայացնում են տարբեր տեսակի սովորողների բազմազանություն, և քանի որ մենք հաջողություն ենք գրանցել՝ օգտագործելով դրանք նմանատիպ տվյալների վերաբերյալ նախորդ վերլուծություններում: Հիպերպարամետրային կարգավորումները ընտրվել են մեր նախորդ հետազոտությունից, ինչը ցույց է տալիս, որ դրանք ամուր են տարբեր տվյալների վրա [22]: Հիմնվելով մեր նախնական վերլուծության արդյունքների վրա՝ օգտագործելով միևնույն համակցված տվյալների բազան և ընդհանուր հատկանիշները, որոնք հետագայում կիրառվեցին ամբողջական վերլուծության մեջ, մենք հայտնաբերեցինք երեք սովորող, որոնք հետևողականորեն ուժեղ կատարում էին բոլոր դասակարգումներում.
Խաչաձև վավերացում և մոդելի կատարողականի չափիչ
Բոլոր կանխատեսող մոդելավորման համար (ներառյալ նախնական վերլուծությունները) յուրաքանչյուր մոդել կառուցվել է 10-ապատիկ խաչաձև վավերացման միջոցով, և մոդելի կատարողականությունը չափվել է ընդունիչի գործառնական բնութագրական կորի (AUC) տակ գտնվող տարածքի միջոցով: Խաչաձև վավերացումը սկսվեց 10 մոդելավորման սխեմաների տվյալների հավաքածուներից յուրաքանչյուրը պատահականորեն բաժանելով 10 հավասար հատվածների (ծալքերի)՝ օգտագործելով այս համապատասխան հատվածներից ինը մոդելը, իսկ մնացած հատվածը փորձարկման համար: Այս ընթացակարգը կրկնվել է 10 անգամ՝ օգտագործելով մեկ այլ հատված՝ որպես թեստային հավաքածու յուրաքանչյուր կրկնության մեջ: Այնուհետև արդյունքները համակցվեցին՝ վերջնական մոդելի արդյունքը/կատարումը հաշվարկելու համար: Յուրաքանչյուր սովորողի/տվյալների հավաքածուի համակցության համար այս ամբողջ գործընթացը կրկնվել է 10 անգամ՝ յուրաքանչյուր անգամ տարբեր կերպ բաժանելով տվյալները: Այս վերջին քայլը նվազեցրեց կողմնակալությունը, ապահովեց կրկնելիությունը և օգնեց որոշել մոդելի ընդհանուր կատարումը: Ընդհանուր առմամբ (ԳՆ գնահատականի և ախտորոշման խստության դասակարգման սխեմաների համար միասին) կառուցվել է 6,600 մոդել: Սա ներառում էր 1,800 չզտված մոդելներ (6 մոդելավորման սխեմաներ, որոնք կիրառվել են տվյալների շտեմարանի վրա×3 սովորող×10 գործարկում×10 ծալք = 1,800 մոդել) և 4,800 ֆիլտրացված մոդելներ (4 մոդելավորման սխեման կիրառվել է տվյալների բազայի վրա×3 սովորող×4 հատկանիշի ընտրության տեխնիկա×10 գործարկում×× 10 ծալք = 4,800 մոդել):
Ընտրանքի ընտրությունը
Զտված մոդելների համար հատկանիշի ընտրությունը (օգտագործելով առանձնահատկությունների դասակարգման չորս մեթոդները) կատարվել է խաչաձև վավերացման շրջանակներում: 10 ծալքերից յուրաքանչյուրի համար, քանի որ տվյալների շտեմարանի տարբեր 10%-ը եղել է թեստային տվյալներ, օգտագործվել են միայն լավագույն չորս ընտրված հատկանիշները յուրաքանչյուր ուսումնական տվյալների բազայի համար (այսինքն՝ մնացած ինը ծալքերը կամ ամբողջ տվյալների մնացած 90%-ը): մոդելները կառուցելու համար։ Մենք չկարողացանք հաստատել, թե որ չորս հատկանիշներն են օգտագործվել յուրաքանչյուր մոդելում, քանի որ այդ տեղեկատվությունը չի պահվում կամ հասանելի չէ մեր օգտագործած մոդելավորման հարթակում (Weka): Այնուամենայնիվ, հաշվի առնելով հիմնական հատկանիշների մեր նախնական ընտրության հետևողականությունը, երբ վարկանիշները կիրառվել են ամբողջ համակցված տվյալների վրա և հետագա նմանությունը մոդելավորման կատարողականության մեջ, այս նույն հատկանիշները (տարիքը, կրթության տարիները, MTx-% C և միջին MTx-RT-ն): ), հավանաբար, ամենատարածված լավագույն չորսն են, որոնք օգտագործվում են խաչաձև վավերացման գործընթացում հատկանիշի ընտրության հետ միաժամանակ:
ԱՐԴՅՈՒՆՔՆԵՐ
Մասնակիցների թվային բնութագրերը (ներառյալ MoCA-ի միավորները և MemTrax-ի կատարողականի չափումները) յուրաքանչյուր մոդելի դասակարգման ռազմավարության համար նախատեսված ճանաչողական առողջությունը (նորմալ ընդդեմ MCI) և ախտորոշման ծանրությունը (թեթև և ծանր) կանխատեսելու համար ներկայացված են Աղյուսակ 3-ում:
Աղյուսակ 3
Մասնակիցների բնութագրերը, MoCA-ի միավորները և MemTrax-ի կատարողականը յուրաքանչյուր մոդելի դասակարգման ռազմավարության համար
| Դասակարգման ռազմավարություն | Տարիք | կրթություն | MoCA ճշգրտված | ՄՀՀ Չճշգրտված | MTx-% C | MTx-RT |
| ՄՀՀ կատեգորիա | 61.9 տարի (13.1) | 9.6 տարի (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 վ (0.3) |
| Ախտորոշման ծանրությունը | 65.6 տարի (12.1) | 8.6 տարի (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 վ (0.3) |
Ցուցադրված արժեքները (միջին, SD), որոնք տարբերակված են մոդելավորման դասակարգման ռազմավարությամբ, ներկայացնում են համակցված տվյալների հավաքածուն, որն օգտագործվում է կանխատեսելու MoCA-ի կողմից ցուցված ճանաչողական առողջությունը (MCI ընդդեմ նորմալ) և XL ենթատվյալների հավաքածուն, որն օգտագործվում է միայն ախտորոշման ծանրությունը կանխատեսելու համար (թեթև և ծանր):
ՄՀՀ միավորի (ճշգրտված/չճշգրտված) և շեմի (26/23) յուրաքանչյուր համակցության համար վիճակագրական տարբերություն է եղել (p = 0.000) յուրաքանչյուր զույգ համեմատության մեջ (նորմալ ճանաչողական առողջություն ընդդեմ MCI) տարիքի, կրթության և MemTrax-ի կատարողականի (MTx-% C և MTx-RT): Յուրաքանչյուր համակցության համար համապատասխան MCI դասի յուրաքանչյուր հիվանդի ենթատվյալների հավաքածուն միջինում մոտ 9-ից 15 տարով մեծ էր, հաղորդում էր մոտ հինգ տարի ավելի քիչ կրթություն և ուներ ավելի քիչ բարենպաստ MemTrax կատարողականություն երկու ցուցանիշների համար:
Նախագուշակող մոդելավորման արդյունավետության արդյունքները MoCA գնահատականների դասակարգումների համար՝ օգտագործելով լավագույն երեք սովորողները՝ Լոգիստիկ ռեգրեսիան, Միամիտ Բեյսը և Աջակցող վեկտորային մեքենան, ներկայացված են Աղյուսակ 4-ում: Այս երեքն ընտրվել են՝ հիմնվելով բոլոր տարբեր մոդելներում սովորողների ամենահետևողականորեն բարձր բացարձակ կատարողականի վրա: կիրառվել է տվյալների հավաքածուների վրա բոլոր մոդելավորման սխեմաների համար: Չզտված տվյալների բազայի և մոդելավորման համար աղյուսակ 4-ի տվյալների յուրաքանչյուր արժեք ցույց է տալիս մոդելի կատարողականությունը՝ հիմնված AUC-ի համապատասխան միջինի վրա՝ ստացված 100 մոդելներից (10 գործարկում × 10 ծալքեր), որոնք կառուցվել են յուրաքանչյուր սովորողի/մոդելավորման սխեմայի համակցության համար՝ համապատասխան ամենաբարձր ցուցանիշով: կատարող սովորողը նշված է թավով: Մինչդեռ ֆիլտրացված տվյալների մոդելավորման համար, Աղյուսակ 4-ում ներկայացված արդյունքները արտացոլում են 400 մոդելների ընդհանուր միջին մոդելի կատարումը յուրաքանչյուր սովորողի համար, օգտագործելով առանձնահատկությունների դասակարգման մեթոդներից յուրաքանչյուրը (հատկանիշների դասակարգման 4 մեթոդ×10 գործարկում×10 ծալքեր):
Աղյուսակ 4
MoCA միավորների դասակարգման երկակի կատարողականը (AUC; 0.0–1.0) արդյունքներ երեք լավագույն արդյունքներ ունեցող սովորողներից յուրաքանչյուրի համար բոլոր համապատասխան մոդելավորման սխեմաների համար
| Օգտագործված առանձնահատկությունների հավաքածու | ՄՀՀ գնահատական | Անջատման շեմ | Լոգիստիկ ռեգրեսիա | Միամիտ Բայես | Աջակցման վեկտորային մեքենա |
| Չզտված (10 հատկություն) | Կարգավորվեց | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Անուղղակի | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Զտված (4 առանձնահատկություն) | Կարգավորվեց | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Անուղղակի | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Օգտագործելով առանձնահատկությունների հավաքածուի տատանումները, MoCA գնահատականը և MoCA միավորի սահմանային շեմը, յուրաքանչյուր մոդելավորման սխեմայի համար ամենաբարձր կատարողականությունը ցույց է տրված. համարձակ (պարտադիր չէ, որ վիճակագրորեն տարբերվում է բոլոր մյուսներից, որոնք չկան համարձակ համապատասխան մոդելի համար):
Համեմատելով սովորողներին ՄՀՀ գնահատականների տարբերակների և շեմերի (համապատասխանաբար ճշգրտված/չճշգրտված և 23/26) համակցված չզտված տվյալների շտեմարանում (այսինքն՝ օգտագործելով 10 ընդհանուր հատկանիշները), միամիտ Բայեսը, ընդհանուր առմամբ, ամենաբարձր արդյունքներով սովորողն էր՝ ընդհանուր ցուցանիշով: դասակարգման կատարումը 0.9093. Հաշվի առնելով լավագույն երեք սովորողներին՝ Բայեսյան փոխկապակցված ստորագրված վարկանիշային թեստերը ցույց են տվել, որ հավանականությունը (Pr) միամիտ Բեյսի լոգիստիկ ռեգրեսիան գերազանցող ցուցանիշը կազմել է 99.9%: Ավելին, միամիտ Bayes-ի և Support Vector Machine-ի միջև սովորողների կատարողականի գործնական համարժեքության 21.0% հավանականություն (այսպես՝ 79.0% հավանականություն, որ միամիտ Բայեսը գերազանցի Support Vector Machine), զուգորդված 0.0% հավանականության, որ Աջակցող վեկտորային մեքենան ավելի լավ աշխատի, չափելի: ամրապնդում է նաիվ Բայեսի կատարողական առավելությունը: ՄՀՀ գնահատականների տարբերակի հետագա համեմատությունը բոլոր սովորողների/շեմերի միջև ենթադրում է կատարողականի աննշան առավելություն՝ օգտագործելով չճշգրտված ՄՀՀ միավորները՝ ճշգրտվածների նկատմամբ (համապատասխանաբար 0.9027 ընդդեմ 0.8971-ի; Pr (չճշգրտված > ճշգրտված) = 0.988): Նմանապես, բոլոր սովորողների միջև սահմանային շեմի համեմատությունը և ՀՀ ԳՆ գնահատականների տարբերակները ցույց տվեցին դասակարգման արդյունավետության փոքր առավելություն՝ օգտագործելով 26-ը որպես դասակարգման շեմ՝ 23-ի դիմաց (համապատասխանաբար 0.9056՝ 0.8942-ի դիմաց; Pr (26 > 23) = 0.999): Վերջապես, ուսումնասիրելով միայն զտված արդյունքները օգտագործող մոդելների դասակարգման կատարումը (այսինքն՝ միայն վերին դասակարգված չորս առանձնահատկությունները), Naïve Bayes-ը (0.9143) թվային առումով ամենաբարձր արդյունքներով սովորողն էր ՄՀՀ գնահատականների բոլոր տարբերակներում/շեմերում: Այնուամենայնիվ, բոլոր հատկանիշների դասակարգման տեխնիկան միասին վերցրած, բոլոր լավագույն արդյունքներ ունեցող սովորողները նույն կերպ են հանդես եկել: Բայեսյան ստորագրված վարկանիշային թեստերը ցույց տվեցին 100% գործնական համարժեքության հավանականություն յուրաքանչյուր զույգ զտված սովորողների միջև: Ինչպես չզտված տվյալների դեպքում (օգտագործելով բոլոր 10 ընդհանուր հատկանիշները), կրկին կար արդյունավետության առավելություն ՄՀՀ գնահատականի չճշգրտված տարբերակի համար (Pr (չճշգրտված > ճշգրտված) = 1.000), ինչպես նաև 26-ի դասակարգման շեմի համար նույնքան հստակ առավելությունPr (26 > 23) = 1.000): Հատկանշական է, որ լավագույն երեք սովորողներից յուրաքանչյուրի միջին կատարողականը ՄՀՀ գնահատականների բոլոր տարբերակներում/շեմերում՝ օգտագործելով միայն բարձրակարգ չորս հատկանիշները, գերազանցել է ցանկացած սովորողի միջին կատարողականը չզտված տվյալների վրա: Զարմանալի չէ, որ ֆիլտրացված մոդելների դասակարգման կատարողականը (օգտագործելով ամենաբարձր վարկանիշ ունեցող չորս հատկանիշները) ընդհանուր առմամբ գերազանցում էր (0.9119) չզտված մոդելներին (0.8999), անկախ այն բանից, թե որ հատկանիշների դասակարգման մեթոդի մոդելները համեմատվել են այդ համապատասխան մոդելների հետ՝ օգտագործելով բոլոր 10 ընդհանուր: Հատկություններ. Առանձնահատկությունների ընտրության յուրաքանչյուր մեթոդի համար 100% հավանականություն կար կատարողական առավելություն չզտված մոդելների նկատմամբ:
AD ախտորոշման խստության դասակարգման համար դիտարկված հիվանդների դեպքում տարիքային տարբերությունները խմբերի միջև (MCI-AD ընդդեմ AD) (p = 0.004), կրթություն (p = 0.028), ՄՀՀ գնահատականը ճշգրտված/չճշգրտված (p = 0.000), և MTx-% C (p = 0.008) վիճակագրորեն նշանակալի էին. մինչդեռ MTx-RT-ի համար դա չէր (p = 0.097): Այն հիվանդների դեպքում, որոնք դիտարկվում են VaD ախտորոշման խստության դասակարգման համար, խմբերի միջև (MCI-VaD ընդդեմ VaD) տարբերությունները MoCA գնահատականի համար ճշգրտված/չճշգրտված (p = 0.007) և MTx-% C (p = 0.026) և MTx-RT (p = 0.001) վիճակագրորեն նշանակալի էին. մինչդեռ տարիքի համար (p = 0.511) և կրթություն (p = 0.157) խմբերի միջև էական տարբերություններ չեն եղել:
Ախտորոշման խստության դասակարգման կանխատեսող մոդելավորման արդյունքները՝ օգտագործելով երեք նախկինում ընտրված սովորողներ՝ Լոգիստիկ ռեգրեսիա, Միամիտ Բեյես և Աջակցող վեկտոր մեքենա, ցույց են տրված Աղյուսակ 5-ում: Մինչդեռ հետազոտված լրացուցիչ սովորողները առանձին-առանձին ցույց են տվել մի փոքր ավելի ուժեղ արդյունքներ՝ կլինիկական ախտորոշման երկու կատեգորիաներից մեկի դեպքում: , այն երեք սովորողները, որոնք մենք ճանաչել էինք որպես առավել բարենպաստ մեր նախորդ մոդելավորման ժամանակ, առաջարկեցին ամենահետևողական կատարումը երկու նոր մոդելավորման սխեմաների դեպքում: Համեմատելով սովորողներին առաջնային ախտորոշման կատեգորիաներից յուրաքանչյուրում (AD և VaD), սովորողների միջև դասակարգման կատարողականության հետևողական տարբերություն չկար MCI-VaD-ի և VaD-ի համար, թեև Աջակցող վեկտորային մեքենան սովորաբար ավելի ակնառու էր գործում: Նմանապես, սովորողների միջև էական տարբերություններ չկան MCI-AD-ի համեմատ AD դասակարգման համար, չնայած Naïve Bayes-ը (NB) ուներ կատարողականի մի փոքր առավելություն լոգիստիկ ռեգրեսիայի (LR) նկատմամբ և պարզապես աննշան բազմակարծություն Աջակցող վեկտոր մեքենայի նկատմամբ՝ 61.4% հավանականությամբ: և համապատասխանաբար 41.7%: Երկու տվյալների շտեմարաններում էլ կար աջակցության վեկտորային մեքենայի (SVM) ընդհանուր կատարողական առավելություն Pr (SVM > LR) = 0.819 և Pr (SVM > NB) = 0.934: Մեր ընդհանուր դասակարգման կատարողականը բոլոր սովորողների մոտ՝ XL ենթատվյալների ախտորոշման ծանրության կանխատեսման հարցում ավելի լավն էր VaD ախտորոշման կատեգորիայում՝ ընդդեմ AD-ի (Pr (VAD > AD) = 0.998):
Աղյուսակ 5
Կլինիկական ախտորոշման խստության դասակարգման երկակի արդյունք (AUC; 0.0–1.0) արդյունքներ երեք լավագույն արդյունքներ ունեցող սովորողների համար երկու համապատասխան մոդելավորման սխեմաների համար
| Մոդելավորման սխեման | Լոգիստիկ ռեգրեսիա | Միամիտ Բայես | Աջակցման վեկտորային մեքենա |
| MCI-AD ընդդեմ AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD ընդդեմ VaD | 0.8033 | 0.8044 | 0.8338 |
Յուրաքանչյուր մոդելավորման սխեմայի համար ամենաբարձր կատարողականը ցուցադրված է համարձակ (պարտադիր չէ, որ վիճակագրորեն տարբերվում է մյուսներից, որոնք չեն համարձակ).
ՔՆՆԱՐԿՈՒՄ
Կարևոր է ճանաչողական առողջության փոփոխությունների վաղ հայտնաբերումը գործնական օգտակարություն անձնական առողջության կառավարման և հանրային առողջության համար: Իրոք, այն նաև մեծ առաջնահերթություն է ամբողջ աշխարհում հիվանդների համար կլինիկական միջավայրերում: Համատեղ նպատակն է զգուշացնել հիվանդներին, խնամողներին և մատակարարներին և ավելի վաղ համապատասխան և ծախսարդյունավետ բուժում և երկարատև խնամք նրանց համար, ովքեր սկսում են ճանաչողական անկում ապրել: Միավորելով մեր երեք հիվանդանոց/կլինիկա(ներ) տվյալների ենթախմբերը՝ մենք հայտնաբերեցինք երեք հստակ նախընտրելի սովորողներ (մեկ նշանավոր աչքի ընկնող՝ միամիտ Բեյս)՝ օգտագործելով կանխատեսող մոդելներ: MemTrax-ի կատարողականի չափումներ, որոնք կարող են հուսալիորեն դասակարգել ճանաչողական առողջության վիճակը երկփեղկված (նորմալ ճանաչողական առողջություն կամ MCI), ինչպես կնշվի ԱՆ ագրեգատ գնահատականով: Հատկանշական է, որ դասակարգման ընդհանուր կատարումը բոլոր երեք սովորողների համար բարելավվել է, երբ մեր մոդելներն օգտագործում էին միայն ամենաբարձր վարկանիշ ունեցող չորս հատկանիշները, որոնք հիմնականում ներառում էին MemTrax-ի կատարողականի այս ցուցանիշները: Ավելին, մենք բացահայտեցինք նույն սովորողների և MemTrax-ի կատարողական ցուցանիշների օգտագործման հիմնավորված ներուժը ախտորոշիչ աջակցության դասակարգման մոդելավորման սխեմայում՝ տարբերելու թուլամտության ախտորոշման երկու կատեգորիաների ծանրությունը՝ AD և VaD:
Հիշողության թեստավորում կենտրոնական է AD-ի վաղ հայտնաբերման համար [23, 24]: Այսպիսով, տեղին է, որ MemTrax-ը ընդունելի, գրավիչ և հեշտ իրականացվող առցանց է Սքրինինգ թեստ էպիզոդիկ հիշողության համար ընդհանուր բնակչության մեջ [6]։ Այս շարունակական կատարողական առաջադրանքից ճանաչման ճշգրտությունը և արձագանքման ժամանակները հատկապես բացահայտում են ուսուցման, հիշողության և ճանաչողության հետ կապված նեյրոպլաստիկ գործընթացների վաղ և զարգացող վատթարացման և հետևանքների դեֆիցիտների հայտնաբերման համար: Այսինքն, այստեղ մոդելները, որոնք հիմնականում հիմնված են MemTrax-ի կատարողականի չափման վրա, զգայուն են և ավելի հավանական է, որ հեշտությամբ և նվազագույն ծախսերով կբացահայտեն կենսաբանական նյարդապաթոլոգիական դեֆիցիտները անցումային ասիմպտոմատիկ փուլում շատ ավելի զգալի ֆունկցիոնալ կորստի ժամանակ [25]: Էշֆորդը և այլք: մանրակրկիտ ուսումնասիրել է ճանաչման հիշողության ճշգրտության և արձագանքման ժամանակի օրինաչափությունները և վարքագիծը առցանց օգտատերերի մոտ, ովքեր ինքնուրույն մասնակցել են MemTrax-ին [6]: Հաշվի առնելով, որ այս բաշխումները կարևոր են օպտիմալ մոդելավորման և հիվանդների խնամքի վավեր և արդյունավետ ծրագրեր մշակելու համար, կլինիկականորեն կիրառելի ճանաչման և արձագանքման ժամանակի պրոֆիլների սահմանումը կարևոր է կլինիկական և հետազոտական օգտակարության արժեքավոր հիմնարար հղում ստեղծելու համար: MemTrax-ի գործնական արժեքը AD սկրինինգում վաղ փուլերում ճանաչողական խանգարումների և դիֆերենցիալ ախտորոշման աջակցության համար պետք է այնուհետև ավելի մանրամասն ուսումնասիրվի կլինիկական միջավայրի համատեքստում, որտեղ կարող են դիտարկվել թեստի կատարման վրա ազդող ճանաչողական, զգայական և շարժիչ կարողությունները: Եվ մասնագիտական հեռանկարը տեղեկացնելու և գործնական կլինիկական օգտակարությունը խրախուսելու համար առաջին հերթին անհրաժեշտ է համեմատել ճանաչողական առողջության գնահատման թեստի հետ, թեև վերջինս կարող է նկատելիորեն սահմանափակված լինել ծանր փորձարկման լոգիստիկայի, կրթական և լեզվական զսպող գործոնների և մշակութային ազդեցությունների պատճառով [26] . Այս առումով, MemTrax-ի կլինիկական արդյունավետության բարենպաստ համեմատությունը MoCA-ի հետ, որը սովորաբար ենթադրվում է որպես արդյունաբերության ստանդարտ, նշանակալի է, հատկապես երբ կշռադատվում է MemTrax-ի օգտագործման ավելի հեշտությունը և հիվանդների կողմից ընդունվածը:
Նախորդ հետազոտությունը, որը համեմատում է MemTrax-ը MoCA-ի հետ, ընդգծում է հիմնավորումը և նախնական ապացույցները, որոնք երաշխավորում են մեր մոդելավորման հետաքննությունը [8]: Այնուամենայնիվ, այս նախնական համեմատությունը պարզապես կապում էր MemTrax-ի երկու հիմնական ցուցանիշների հետ, որոնք մենք ուսումնասիրել ենք ճանաչողական կարգավիճակի հետ, ինչպես որոշվում է ՀՀ ԳՆ-ի կողմից և սահմանում համապատասխան միջակայքերն ու սահմանային արժեքները: Մենք խորացրինք MemTrax-ի կլինիկական օգտակարության գնահատումը` ուսումնասիրելով կանխատեսող մոդելավորման վրա հիմնված մոտեցում, որը կապահովի այլ պոտենցիալ համապատասխան հիվանդին հատուկ պարամետրերի ավելի անհատականացված դիտարկում: Ի տարբերություն մյուսների, մենք առավելություն չգտանք մոդելի կատարողականում, օգտագործելով կրթության ուղղում (ճշգրտում) ՄՀՀ-ի գնահատականին կամ ճանաչողական առողջությանը խտրականացնող ՄՀՀ միավորների շեմը սկզբնապես առաջարկված 26-ից մինչև 23-ը փոխելու մեջ [12, 15]: Փաստորեն, դասակարգման արդյունավետության առավելությունը ձեռնտու էր չճշգրտված ՄՀՀ գնահատականի և ավելի բարձր շեմի օգտագործմամբ:
Հիմնական կետերը կլինիկական պրակտիկայում
Մեքենայի ուսուցումը հաճախ լավագույնս օգտագործվում և ամենաարդյունավետն է կանխատեսող մոդելավորման մեջ, երբ տվյալները ծավալուն են և բազմաչափ, այսինքն՝ երբ կան բազմաթիվ դիտարկումներ և բարձրարժեք (նպաստող) հատկանիշների ուղեկցող լայն զանգված: Այնուամենայնիվ, այս ընթացիկ տվյալներով, զտված մոդելները միայն չորս ընտրված առանձնահատկություններով ավելի լավ են գործել, քան բոլոր 10 ընդհանուր հատկանիշներն օգտագործող մոդելները: Սա ենթադրում է, որ մեր ընդհանուր հիվանդանոցային տվյալների բազան չուներ կլինիկականորեն ամենահամապատասխան (բարձր արժեք) հատկանիշները, որպեսզի օպտիմալ կերպով դասակարգեին հիվանդներին այս կերպ: Այնուամենայնիվ, առանձնահատկությունների դասակարգման շեշտադրումը MemTrax-ի հիմնական ցուցանիշների վրա՝ MTx-% C և MTx-RT, մեծապես աջակցում է այս թեստի շուրջ ճանաչողական դեֆիցիտի ցուցադրման վաղ փուլի մոդելների կառուցմանը, որոնք պարզ են, հեշտ կառավարվող, էժան և տեղին բացահայտող։ հիշողության կատարումը, համենայն դեպս հենց հիմա որպես նախնական էկրան՝ ճանաչողական առողջության վիճակի երկուական դասակարգման համար: Հաշվի առնելով մատակարարների և առողջապահական համակարգերի վրա անընդհատ աճող լարվածությունը, հիվանդների զննման գործընթացները և կլինիկական կիրառությունները պետք է պատշաճ կերպով մշակվեն՝ շեշտը դնելով հիվանդի այն բնութագրերի և թեստի չափանիշների հավաքագրման, հետևելու և մոդելավորելու վրա, որոնք առավել օգտակար, շահավետ և ապացուցված արդյունավետ են ախտորոշման մեջ: և հիվանդների կառավարման աջակցություն:
Քանի որ MemTrax-ի երկու հիմնական չափորոշիչները կենտրոնական են MCI դասակարգման համար, մեր լավագույն արդյունքներով սովորողը (Naïve Bayes) մոդելների մեծ մասում ուներ շատ բարձր կանխագուշակող կատարողականություն (AUC ավելի քան 0.90), իսկ իրական-դրական և կեղծ-դրական հարաբերակցությամբ մոտ կամ մի փոքր գերազանցում էր 4-ը: 1. Այս սովորողին օգտագործող թարգմանական կլինիկական հավելվածն այսպիսով կգրավի (ճիշտ կդասակարգի) ճանաչողական դեֆիցիտ ունեցողների մեծ մասին՝ միաժամանակ նվազագույնի հասցնելով նորմալ ճանաչողական առողջություն ունեցող մեկին սխալ դասակարգելու ծախսերը որպես ճանաչողական դեֆիցիտ (կեղծ դրական) կամ բացակայում է այդ դասակարգումը նրանց մոտ, ովքեր ունեն ճանաչողական դեֆիցիտ (կեղծ բացասական): Սխալ դասակարգման այս սցենարներից որևէ մեկը կարող է անհարկի հոգեբանական-սոցիալական բեռ դնել հիվանդի և խնամողների վրա:
Մինչդեռ նախնական և ամբողջական վերլուծություններում մենք օգտագործեցինք բոլոր տասը սովորողներին յուրաքանչյուր մոդելավորման սխեմայում, մենք մեր արդյունքները կենտրոնացրինք երեք դասակարգիչների վրա, որոնք ցույց էին տալիս ամենահետևողական ուժեղ կատարումը: Սա նաև պետք է ընդգծեր, հիմնվելով այս տվյալների վրա, այն սովորողներին, որոնք ակնկալվում է, որ հուսալիորեն բարձր մակարդակի վրա կգործեն գործնական կլինիկական կիրառման մեջ՝ ճանաչողական կարգավիճակի դասակարգումը որոշելու համար: Ավելին, քանի որ այս ուսումնասիրությունը նախատեսված էր որպես ճանաչողական զննման մեքենայական ուսուցման օգտակարության և այս ժամանակին կլինիկական մարտահրավերների ներածական հետազոտություն, մենք որոշում կայացրինք ուսուցման տեխնիկան պահել պարզ և ընդհանրացված՝ նվազագույն պարամետրերի կարգավորմամբ: Մենք գնահատում ենք, որ այս մոտեցումը կարող է սահմանափակել հիվանդին հատուկ կանխատեսող հնարավորությունների ավելի նեղ սահմանված ներուժը: Նմանապես, եթե մոդելների ուսուցումն օգտագործելով միայն լավագույն հատկանիշները (ֆիլտրացված մոտեցումը) մեզ լրացուցիչ տեղեկացնում է այդ տվյալների վերաբերյալ (հատուկ հավաքագրված տվյալների թերությունների և կարևոր է արժեքավոր կլինիկական ժամանակի և ռեսուրսների օպտիմալացման համար), մենք գիտակցում ենք, որ դա վաղաժամ է: մոդելների շրջանակը և, հետևաբար, բոլորը (և այլ առանձնահատկությունները) պետք է հաշվի առնվեն ապագա հետազոտության ընթացքում, մինչև որ մենք ունենանք առաջնահերթ հատկանիշների ավելի հստակ նկարագրություն, որը կիրառելի կլինի լայն բնակչության համար: Այսպիսով, մենք նաև լիովին գիտակցում ենք, որ ավելի ընդգրկուն և լայնորեն ներկայացուցչական տվյալներ և այս և այլ մոդելների օպտիմալացումն անհրաժեշտ կլինի՝ նախքան դրանք արդյունավետ կլինիկական կիրառման մեջ ինտեգրելը, հատկապես ճանաչողական աշխատանքի վրա ազդող ուղեկցող հիվանդությունները, որոնք պետք է դիտարկվեն հետագա կլինիկական գնահատման ժամանակ:
MemTrax-ի օգտակարությունը հետագայում բարելավվեց հիվանդության ծանրության մոդելավորմամբ՝ հիմնված առանձին կլինիկական ախտորոշման վրա: Ընդհանուր դասակարգման ավելի լավ կատարողականություն VaD-ի ծանրության կանխատեսման հարցում (համեմատ AD-ի հետ) չի եղել Զարմանալի է՝ հաշվի առնելով հիվանդի պրոֆիլի առանձնահատկությունները անոթային առողջությանը հատուկ մոդելներում և ինսուլտի ռիսկը, այսինքն՝ հիպերտոնիա, հիպերլիպիդեմիա, շաքարախտ և (իհարկե) ինսուլտի պատմություն: Թեև ավելի ցանկալի և տեղին կլիներ, որ նույն կլինիկական գնահատումն իրականացվեր նորմալ ճանաչողական առողջությամբ համընկնող հիվանդների վրա՝ սովորողներին վերապատրաստելու այս ավելի ներառական տվյալներով: Սա հատկապես երաշխավորված է, քանի որ MemTrax-ը նախատեսված է հիմնականում օգտագործելու ճանաչողական դեֆիցիտի վաղ փուլերում հայտնաբերման և անհատական փոփոխությունների հետագա հետևելու համար: Նաև հավանական է, որ տվյալների ավելի ցանկալի բաշխումը VaD տվյալների բազայում մասամբ նպաստել է համեմատաբար ավելի լավ մոդելավորման աշխատանքին: VaD տվյալների շտեմարանը լավ հավասարակշռված էր երկու դասերի միջև, մինչդեռ AD տվյալների բազան շատ ավելի քիչ MCI հիվանդներով՝ ոչ: Հատկապես փոքր տվյալների հավաքածուներում, նույնիսկ մի քանի լրացուցիչ օրինակները կարող են չափելի տարբերություն ստեղծել: Երկու հեռանկարներն էլ ողջամիտ փաստարկներ են, որոնք հիմքում ընկած են հիվանդության ծանրության մոդելավորման կատարողականի տարբերությունները: Այնուամենայնիվ, տվյալների բազայի թվային բնութագրերին կամ դիտարկվող կլինիկական ներկայացմանը հատուկ բնորոշ հատկանիշներին համաչափորեն վերագրելը վաղաժամ է: Այնուամենայնիվ, այս վեպը ցույց տվեց MemTrax կանխատեսող դասակարգման մոդելի օգտակարությունը կլինիկական ախտորոշիչ աջակցության դերում, ապահովում է արժեքավոր հեռանկար և հաստատում է հիվանդների հետ լրացուցիչ հետազոտության ձգտումը MCI-ի շարունակականության մեջ:
MemTrax-ի և այս մոդելների ներդրումը և ցուցադրված օգտակարությունը Չինաստանում, որտեղ լեզուն և մշակույթը կտրուկ տարբերվում են հաստատված օգտակար տարածաշրջաններից (օրինակ՝ Ֆրանսիա, Նիդեռլանդներ և Միացյալ Նահանգներ) [7, 8, 27], ավելի է ընդգծում ներուժը։ MemTrax-ի վրա հիմնված հարթակի համընդհանուր ընդունման և կլինիկական արժեքի համար: Սա ցուցադրելի օրինակ է տվյալների ներդաշնակեցման և ճանաչողական զննման համար գործնական միջազգային նորմերի և մոդելավորման ռեսուրսների մշակման գործում, որոնք ստանդարտացված են և հեշտությամբ հարմարեցված ամբողջ աշխարհում օգտագործման համար:
Հետագա քայլերը ճանաչողական անկման մոդելավորման և կիրառման մեջ
Կոգնիտիվ դիսֆունկցիան AD-ում իսկապես տեղի է ունենում շարունակականության վրա, այլ ոչ թե առանձին փուլերով կամ քայլերով [28, 29]: Այնուամենայնիվ, այս վաղ փուլում մեր նպատակն էր նախ հաստատել MemTrax-ը ներառող մոդել ստեղծելու մեր կարողությունը, որը կարող է հիմնովին տարբերակել «նորմալը» «ոչ նորմալից»: Ավելի ընդգրկուն էմպիրիկ տվյալներ (օրինակ՝ ուղեղի պատկերացում, գենետիկական առանձնահատկություններ, բիոմարկերներ, համակցված հիվանդություններ և բարդ ֆունկցիոնալ մարկերներ ճանաչողական պահանջող գործունեություն հսկողություն) [30] տարբեր գլոբալ տարածաշրջաններում, պոպուլյացիաներում և տարիքային խմբերում, որպեսզի վերապատրաստվեն և զարգացնեն ավելի բարդ (ներառյալ պատշաճ կշռված անսամբլը) մեքենայական ուսուցման մոդելները, կաջակցեն ընդլայնված դասակարգման ավելի մեծ աստիճանի, այսինքն՝ հիվանդների խմբերը դասակարգելու կարողությանը MCI-ն ավելի փոքր և ավելի հստակ ենթաբազմությունների է վերածվում ճանաչողական անկման շարունակականության երկայնքով: Ավելին, հիվանդների տարածաշրջանային տարբեր պոպուլյացիաների անհատների համար միաժամանակյա կլինիկական ախտորոշումները կարևոր են արդյունավետ մարզվել այս ավելի ընդգրկուն և կանխատեսելիորեն ամուր մոդելները: Սա կհեշտացնի ավելի կոնկրետ շերտավորված դեպքերի կառավարումը նրանց համար, ովքեր ունեն նմանատիպ նախադրյալներ, ազդեցություններ և ավելի նեղ սահմանված բնութագրական ճանաչողական պրոֆիլներ և այդպիսով օպտիմալացնել կլինիկական որոշումների աջակցությունը և հիվանդի խնամքը:
Այսօրվա համապատասխան կլինիկական հետազոտությունների մեծ մասը վերաբերում է առնվազն թեթև դեմենցիայով հիվանդներին. և գործնականում շատ հաճախ հիվանդի միջամտությունը փորձ է արվում միայն առաջադեմ փուլերում: Այնուամենայնիվ, քանի որ ճանաչողական անկումը սկսվում է դեռևս դեմենցիայի կլինիկական չափանիշների բավարարումից առաջ, MemTrax-ի վրա հիմնված արդյունավետ կիրառական վաղ ցուցադրումը կարող է խրախուսել անհատների համապատասխան կրթությունը հիվանդության և դրա առաջընթացի վերաբերյալ և արագացնել ավելի վաղ և ժամանակին միջամտությունները: Այսպիսով, վաղ հայտնաբերումը կարող է աջակցել համապատասխան ներգրավվածություններին՝ սկսած վարժությունից, սննդակարգից, էմոցիոնալ աջակցությունից և բարելավված սոցիալականացումից մինչև դեղաբանական միջամտություն և ամրապնդել հիվանդի հետ կապված փոփոխությունները վարքի և ընկալման մեջ, որ առանձին կամ ընդհանուր առմամբ կարող է մեղմել կամ պոտենցիալ դադարեցնել դեմենցիայի առաջընթացը [31, 32]: . Ընդ որում, արդյունավետ վաղ սկրինինգ, անհատներին և նրանց ընտանիքներին կարող է առաջարկվել դիտարկել կլինիկական փորձարկումները կամ ստանալ խորհրդատվություն և սոցիալական այլ ծառայություններ՝ օգնելու պարզաբանել ակնկալիքներն ու մտադրությունները և կառավարել առօրյա խնդիրները: Այս եղանակներով հետագա վավերացումը և լայնորեն տարածված գործնական կիրառությունը կարող են օգտակար լինել MCI-ի, AD-ի և ADRD-ի առաջընթացը մեղմելու կամ դադարեցնելու համար շատ անհատների համար:
Իրոք, մեր ուսումնասիրության մեջ հիվանդների տարիքային միջակայքի ցածր վերջը չի ներկայացնում AD-ի հետ կապված ավանդական մտահոգության պոպուլյացիան: Այնուամենայնիվ, յուրաքանչյուր խմբի միջին տարիքը, որն օգտագործվում է դասակարգման մոդելավորման սխեմաներում՝ հիմնված ՄՀՀ գնահատականի/շեմի և ախտորոշման ծանրության վրա (Աղյուսակ 3) ընդգծում է, որ հստակ մեծամասնությունը (ավելի քան 80%) առնվազն 50 տարեկան է: Այսպիսով, այս բաշխումը շատ տեղին է ընդհանրացման համար՝ աջակցելով այս մոդելների օգտակարությանը այն պոպուլյացիայի մեջ, որը բնութագրում է նրանց, ովքեր սովորաբար ազդում են. վաղ սկիզբը և զարգացող նյարդաճանաչողական հիվանդություն AD-ի և VaD-ի պատճառով: Նաև, վերջին ապացույցները և հեռանկարը շեշտում են այն ճանաչված գործոնները (օրինակ՝ հիպերտոնիա, գիրություն, շաքարախտ և ծխելը), որոնք կարող են նպաստել վաղաժամ բարձրացմանը։ մեծահասակների և միջին տարիքի անոթային ռիսկի միավորներ և հետևաբար ուղեղի անոթային նուրբ վնասվածք, որը զարգանում է նենգորեն և ակնհայտ հետևանքներով նույնիսկ երիտասարդների մոտ մեծահասակներ [33–35]: Համապատասխանաբար, նախնական սկրինինգի ամենաօպտիմալ հնարավորությունը վաղ հայտնաբերման համար բեմադրել ճանաչողական դեֆիցիտները և նախաձեռնել արդյունավետ կանխարգելման և միջամտության ռազմավարություններ՝ դեմենցիայի հաջող լուծման համար ի հայտ կգան տարիքային սպեկտրի ողջ ընթացքում նպաստող գործոնների և նախորդող ցուցանիշների ուսումնասիրությունից, ներառյալ վաղ հասուն տարիքը և պոտենցիալ նույնիսկ մանկությունը (նշելով գենետիկական գործոնների կարևորությունը, ինչպիսին է ապոլիպոպրոտեին E-ն վաղ հղիության ընթացքում):
Գործնականում վավերական կլինիկական ախտորոշումները և առաջադեմ պատկերավորման, գենետիկական պրոֆիլավորման և խոստումնալից բիոմարկերների չափման ծախսատար ընթացակարգերը միշտ չէ, որ մատչելի են կամ նույնիսկ իրագործելի շատ մատակարարների համար: Այսպիսով, շատ դեպքերում, ընդհանուր ճանաչողական առողջության վիճակի նախնական դասակարգումը պետք է բխի հիվանդի կողմից տրամադրված այլ պարզ չափորոշիչներ օգտագործող մոդելներից (օրինակ՝ ինքնազեկուցված հիշողության խնդիրներ, ընթացիկ դեղամիջոցները և սովորական գործունեության սահմանափակումները) և ընդհանուր ժողովրդագրական առանձնահատկությունները [7]: Գրանցամատյաններ, ինչպիսիք են Կալիֆորնիայի համալսարանը Brain առողջություն Գրանցամատյան (https://www.brainhealthregistry.org/) [27] և ուրիշներ, որոնք ունեն ինքնազեկուցվող ախտանիշների, որակական միջոցների (օրինակ՝ քուն և ամենօրյա ճանաչողություն), դեղամիջոցներ, առողջական վիճակ և պատմություն, և ավելի մանրամասն ժողովրդագրությունը կարևոր նշանակություն կունենա կլինիկայում այս ավելի պարզունակ մոդելների գործնական կիրառման մշակման և վավերացման գործում: Ավելին, այնպիսի թեստ, ինչպիսին MemTrax-ն է, որը ցույց է տվել օգտակարությունը հիշողության ֆունկցիայի գնահատման հարցում, իրականում կարող է զգալիորեն ավելի լավ գնահատել AD-ի պաթոլոգիան, քան կենսաբանական մարկերները: Հաշվի առնելով, որ AD պաթոլոգիայի հիմնական առանձնահատկությունը նեյրոպլաստիկության խանգարումն է և սինապսների ճնշող բարդ կորուստը, որը դրսևորվում է որպես էպիզոդիկ հիշողության դիսֆունկցիան՝ էպիզոդիկ հիշողությունը գնահատող միջոց, կարող է իրականում տրամադրում է AD-ի պաթոլոգիական բեռի ավելի լավ գնահատում, քան կենդանի հիվանդի կենսաբանական մարկերները [36]:
Բոլոր կանխագուշակող մոդելներով, լինեն դրանք համալրված են ժամանակակից տեխնոլոգիաների բարդ և ներառական տվյալներով և բազմակի տիրույթներում հստակեցված կլինիկական պատկերացումներով, թե սահմանափակված են առկա պացիենտների պրոֆիլներին բնորոշ ավելի հիմնական և մատչելի տեղեկատվությամբ, արհեստական ինտելեկտի ճանաչված առավելությունը: և մեքենայական ուսուցումն այն է, որ արդյունքում ստացված մոդելները կարող են սինթեզել և ինդուկտիվ կերպով «սովորել» համապատասխան նոր տվյալներից և հեռանկարից, որոնք տրամադրվում են կիրառման շարունակական օգտագործման միջոցով: Տեխնոլոգիաների գործնական փոխանցումից հետո, քանի որ այստեղ (և մշակվելիք) մոդելները կիրառվում և հարստացվում են ավելի շատ դեպքերով և համապատասխան տվյալներով (ներառյալ ուղեկցող հիվանդություններով հիվանդները, որոնք կարող են դրսևորվել հետագա ճանաչողական անկմամբ), կանխատեսման կատարողականը և ճանաչողական առողջության դասակարգումը կլինի ավելի կայուն, արդյունքում ավելի արդյունավետ կլինիկական որոշումների աջակցության օգտակարություն: Այս էվոլյուցիան ավելի լիարժեք և գործնականորեն կիրականացվի MemTrax-ի մաքսային (առկա հնարավորություններին ուղղված) հարթակներում ներդնելով, որոնք առողջապահական ծառայություններ մատուցողները կարող են իրական ժամանակում օգտագործել կլինիկայում:
MemTrax մոդելի վավերացման և օգտակարության հրամայականը ախտորոշիչ աջակցության և հիվանդի խնամքի համար շատ պահանջված բովանդակալից երկայնական տվյալներ են: Դիտարկելով և գրանցելով կլինիկական կարգավիճակի ուղեկցող փոփոխությունները (եթե այդպիսիք կան) նորմալի համարժեք միջակայքում մինչև վաղ փուլի MCI-ը, համապատասխան շարունակական գնահատման և դասակարգման մոդելները կարող են վերապատրաստվել և փոփոխվել հիվանդների տարիքի հետ և բուժվում են: Այսինքն, կրկնվող օգտակարությունը կարող է օգնել մեղմ ճանաչողական փոփոխությունների երկայնական հետևելուն, միջամտության արդյունավետությանը և տեղեկացված շերտավորված խնամքի պահպանմանը: Այս մոտեցումն ավելի սերտորեն համընկնում է կլինիկական պրակտիկայի և հիվանդների և դեպքերի կառավարման հետ:
Սահմանափակումները
Մենք գնահատում ենք վերահսկվող կլինիկայում/հիվանդանոցում մաքուր կլինիկական տվյալների հավաքագրման մարտահրավերն ու արժեքը: Այնուամենայնիվ, այն կուժեղացներ մեր մոդելավորումը, եթե մեր տվյալների հավաքածուն ընդգրկեր ընդհանուր հատկանիշներով ավելի շատ հիվանդներ: Ավելին, հատուկ մեր ախտորոշման մոդելավորման համար, ավելի ցանկալի և տեղին կլիներ, որ նույն կլինիկական գնահատումն իրականացվեր նորմալ ճանաչողական առողջությամբ համապատասխան հիվանդների վրա՝ սովորողներին վերապատրաստելու համար: Եվ ինչպես ընդգծվում է ավելի բարձր դասակարգման կատարողականով՝ օգտագործելով զտված տվյալների բազան (միայն վերին դասակարգված չորս հատկանիշները), ավելի ընդհանուր և ճանաչողական առողջության միջոցառումները/ցուցանիշները հավանաբար կբարելավվեին բոլոր հիվանդների մոտ ավելի մեծ թվով ընդհանուր հատկանիշներով կատարողականի մոդելավորում:
Որոշ մասնակիցներ կարող էին միաժամանակ ունենալ այլ հիվանդություններ, որոնք կարող էին առաջացնել անցողիկ կամ քրոնիկ ճանաչողական թերություններ: Բացի XL ենթատվյալների հավաքածուից, որտեղ հիվանդները ախտորոշորեն դասակարգվել են որպես AD կամ VaD ունեցողներ, համակցված հիվանդությունների վերաբերյալ տվյալներ չեն հավաքվել/հաղորդվել YH հիվանդների խմբում, և KM ենթատվյալների հավաքածուում գերակշռող հաղորդված համակցվածությունը շատ է եղել շաքարախտը: Այնուամենայնիվ, վիճելի է, որ հիվանդների ներառումը մեր մոդելավորման սխեմաներում ուղեկցող հիվանդություններով, որոնք կարող են առաջացնել կամ սրել ճանաչողական անբավարարության մակարդակը և հետևաբար ցածր MemTrax կատարողականը, ավելի շատ կներկայացնեն իրական աշխարհի թիրախային հիվանդների պոպուլյացիան այս ավելի ընդհանրացված վաղ ճանաչողական զննման համար: և մոդելավորման մոտեցում: Առաջ շարժվելով՝ ճանաչողական աշխատանքի վրա պոտենցիալ ազդող համակցված հիվանդությունների ճշգրիտ ախտորոշումը լայնորեն օգտակար է մոդելների և արդյունքում հիվանդների խնամքի կիրառությունների օպտիմալացման համար:
Վերջապես, YH և KM ենթաբազմության հիվանդներն օգտագործել են սմարթֆոն MemTrax թեստն անցնելու համար, մինչդեռ XL ենթատվյալների սահմանափակ թվով հիվանդներ օգտագործել են iPad, իսկ մնացածը՝ սմարթֆոն: Սա կարող էր սարքի հետ կապված աննշան տարբերություն առաջացնել MemTrax-ի կատարման մեջ՝ MoCA դասակարգման մոդելավորման համար: Այնուամենայնիվ, տարբերությունները (եթե այդպիսիք կան) MTx-RT-ում, օրինակ, սարքերի միջև, հավանաբար, աննշան կլինեն, հատկապես այն դեպքում, երբ յուրաքանչյուր մասնակցի տրվում է «պրակտիկա» թեստ՝ գրանցված թեստի կատարումից անմիջապես առաջ: Այնուամենայնիվ, այս երկու ձեռքի սարքերի օգտակարությունը պոտենցիալ խանգարում է MemTrax-ի այլ արդյունքների ուղղակի համեմատությանը և/կամ ինտեգրմանը, որտեղ օգտատերերը պատասխանում էին կրկնվող նկարներին՝ հպելով համակարգչային ստեղնաշարի բացատողին:
MemTrax կանխատեսող մոդելավորման օգտակար կետերը
- • Մեր լավագույն կատարողական կանխատեսող մոդելները, որոնք ներառում են MemTrax կատարողականի ընտրված չափանիշները, կարող են հուսալիորեն դասակարգել ճանաչողական առողջության վիճակը (նորմալ ճանաչողական առողջություն կամ MCI), ինչպես ցույց է տրված լայնորեն ճանաչված MoCA թեստը:
- • Այս արդյունքները աջակցում են ընտրված MemTrax-ի կատարողական ցուցանիշների ինտեգրմանը վաղ փուլերում ճանաչողական խանգարումների դասակարգման կանխատեսող մոդելի ցուցադրման հավելվածում:
- • Մեր դասակարգման մոդելավորումը նաև բացահայտեց MemTrax-ի կատարողականը օգտագործելու ներուժը դեմենցիայի ախտորոշման ծանրությունը տարբերելու ծրագրերում:
Այս նոր բացահայտումները հաստատում են վերջնական ապացույցներ, որոնք աջակցում են մեքենայական ուսուցման օգտակարությանը MemTrax-ի վրա հիմնված ուժեղացված դասակարգման մոդելների ստեղծման համար՝ ախտորոշիչ աջակցության համար արդյունավետ կլինիկական դեպքերի կառավարման և հիվանդների խնամքի համար ճանաչողական խանգարումներ ունեցող անհատների համար:
Կոչումներ
Մենք ճանաչում ենք J. Wesson Ashford-ի, Curtis B. Ashford-ի և գործընկերների աշխատանքը այստեղ օգտագործվող առցանց շարունակական ճանաչման առաջադրանքն ու գործիքը (MemTrax) մշակելու և վավերացնելու համար, և մենք երախտապարտ ենք դեմենցիայով բազմաթիվ հիվանդներին, ովքեր նպաստել են հիմնարար կարևորագույն հետազոտությանը: . Մենք նաև շնորհակալություն ենք հայտնում Xianbo Zhou-ին և SJN Biomed LTD-ի իր գործընկերներին, հիվանդանոցների/կլինիկաների կայքերի իր գործընկերներին և համագործակցողներին, հատկապես Dr. Մ. Լուոն և Մ. Չժոնգը, ովքեր օգնեցին մասնակիցների հավաքագրմանը, թեստերի պլանավորմանը և տվյալների հավաքագրմանը, ձայնագրմանը և կառավարելուն, և կամավոր մասնակիցներին, ովքեր նվիրաբերեցին իրենց արժեքավոր ժամանակը և պարտավորվեցին հանձնել թեստերը և տրամադրել: արժեքավոր տվյալները, որոնք մենք պետք է գնահատենք այս ուսումնասիրության մեջ: Սա ուսումնասիրությունը մասամբ աջակցվել է MD գիտական հետազոտությունների կողմից Կունմինգի բժշկական համալսարանի ծրագիրը (դրամաշնորհ 2017BS028-ից XL) և Յուննանի գիտության և տեխնոլոգիայի բաժնի հետազոտական ծրագիրը (դրամաշնորհ թիվ 2019FE001 (-222) մինչև XL):
Ջ. Ուեսսոն Էշֆորդը արտոնագրային հայտ է ներկայացրել սույն աշխատության մեջ նկարագրված հատուկ շարունակական ճանաչման պարադիգմի օգտագործման համար ընդհանուր հիշողության փորձարկում.
MemTrax, LLC-ն ընկերություն է, որը պատկանում է Քերթիս Էշֆորդին, և այս ընկերությունը կառավարում է հիշողության փորձարկում համակարգը նկարագրված է այս հոդվածում:
Հեղինակների բացահայտումները հասանելի են առցանց (https://www.j-alz.com/manuscript-disclosures/19-1340r2):
Հիշատակում
| [1] Alzheimer's Association (2016) 2016 Ալցհեյմերի հիվանդության փաստեր և թվեր։ Ալցհեյմերի դեմենտ 12, 459–509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Վաղ փուլի ազդեցությունը Alzheimer հիվանդություն տնային տնտեսությունների ֆինանսական արդյունքների վրա: 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) Որակի բարելավում նյարդաբանություն. Մեղմ կոգնիտիվ խանգարումների որակի չափման հավաքածու: Նյարդաբանություն 93, 705–713: |
| [4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) Օգտագործման ծախսարդյունավետություն ճանաչողական սկրինինգ թեստեր՝ առաջնային բուժօգնությունում դեմենցիայի և մեղմ ճանաչողական խանգարումների հայտնաբերման համար. Int J Geriatr Psychiatry 32, 1392–1400 թթ. | |
| [5] Ashford JW, Gere E, Bayley PJ (2011) Հիշողության չափում մեծ խմբերի պարամետրերում՝ օգտագործելով շարունակական ճանաչման թեստ: J Alzheimers Dis 27, 885–895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Էպիզոդիկ հիշողության չափման համակարգչային շարունակական ճանաչման առաջադրանք: J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Էպիզոդիկ-հիշողության կատարումը մեքենայական ուսուցման մոդելավորման մեջ՝ ճանաչողական առողջության վիճակի դասակարգման կանխատեսման համար: J Alzheimers Dis 70, 277–286. |
| [8] van der Hoek MD, Nieuwenhuizen A, Keijer J, Ashford JW (2019) The MemTrax թեստ համեմատ թեթև ճանաչողական խանգարման մոնրեալի ճանաչողական գնահատման գնահատման հետ: J Alzheimers Dis 67, 1045–1054: | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Օգտագործելով մեկուսացված ձայնավոր հնչյուններ ուղեղի մեղմ տրավմատիկ վնասվածքի դասակարգման համար: 2013 թվականին IEEE միջազգային կոնֆերանս՝ ակուստիկայի, խոսքի և ազդանշանների մշակման վերաբերյալ, Վանկուվեր, մ.թ.ա., էջ 7577–7581: |
| [10] | Dabek F, Caban JJ (2015) Մեծ տվյալների օգտագործումը ուղեղի ցնցումից հետո հոգեբանական պայմանների զարգացման հավանականությունը մոդելավորելու համար: Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Որոշումների ծառ համայնքային դեղագործների կողմից ճանաչողական խանգարումների վաղ հայտնաբերման համար: 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. Համառոտ զննման գործիք մեղմ ճանաչողական խանգարումների համար: J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012) Մոնրեալի ճանաչողական գնահատման Պեկինյան տարբերակը որպես մեղմ ճանաչողական խանգարման համառոտ ցուցադրման գործիք. համայնքի վրա հիմնված ուսումնասիրություն: 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) Մոնրեալի ճանաչողական գնահատման չինական տարբերակի վավերացում, որը հիմնված է մեղմ կոգնիտիվ խանգարումների ցուցադրման համար: J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N, Leach L, Murphy KJ (2018) Montreal Cognitive Assessment (MoCA) կտրվածքային միավորների վերաքննություն: Int J Geriatr Psychiatry 33, 379–388. |
| [16] | Ամերիկյան հոգեբուժական ասոցիացիա (2013) Task Force Հոգեկան խանգարումների ախտորոշիչ և վիճակագրական ձեռնարկ. DSM-5™, American Psychiatric Publishing, Inc., Վաշինգտոն, DC: |
| [17] | Պիթոն. Python Software Foundation, http://www.python.org, հասանելի է 15 թվականի նոյեմբերի 2019-ին: |
| [18] | R Core Group, R. լեզու և միջավայր վիճակագրական հաշվարկների համար R Foundation for Statistical Computing, Վիեննա, Ավստրիա: https://www.R-project.org/, 2018թ., մուտքագրվել է 15թ. նոյեմբերի 2019-ին: |
| [19] | Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Փոփոխության ժամանակը. Բայեսյան վերլուծության միջոցով բազմաթիվ դասակարգիչների համեմատության ձեռնարկ: J Mach Learn Res 18, 1–36: |
| [20] | Frank E, Hall MA, Witten IH (2016) The WEKA Workbench. Մեջ Տվյալների արդյունահանում. մեքենայական ուսուցման գործնական գործիքներ և տեխնիկա, Frank E, Hall MA, Witten IH, Pal CJ, eds. Մորգան Կաուֆման 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) Մեքենայական ուսուցում միջնակարգ դպրոցների սպորտային ցնցումների ախտանիշի լուծմամբ: Med Sci Sports Exerc 51, 1362–1371: |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Անհավասարակշռված տվյալներից սովորելու փորձարարական հեռանկարներ. Մեջ Մեքենայական ուսուցման 24-րդ միջազգային գիտաժողովի նյութեր, Corvalis, Oregon, USA, էջ 935-942։ |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Ալցհեյմերի հիվանդի գնահատումը և մինի-մտավոր վիճակը. Նյութի բնորոշ կորի վերլուծություն: P. J Gerontol 44, 139–146. |
| [24] Ashford JW, Jarvik L (1985) Ալցհեյմերի հիվանդություն: Արդյո՞ք նեյրոնի պլաստիկությունը նախատրամադրում է աքսոնային նեյրոֆիբրիլյար այլասերման: 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 CGL, Gunjem , Rocca WA, Petersen RC (2019) Կենսաբանորեն ընդդեմ կլինիկորեն սահմանված Ալցհեյմերի սպեկտրի միավորների տարածվածությունը՝ օգտագործելով Ծերացման-Ալցհեյմերի ազգային ինստիտուտը Ասոցիացիայի հետազոտություն շրջանակը։ JAMA Neurol 76, 1174–1183: | |
| [26] Zhou X, Ashford JW (2019) Սքրինինգային գործիքների առաջընթաց Alzheimer հիվանդություն. Ծերացող 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) The Brain առողջություն Գրանցամատյան. Ինտերնետային հարթակ նյարդագիտության ուսումնասիրությունների համար մասնակիցների հավաքագրման, գնահատման և երկայնական մոնիտորինգի համար: Ալցհեյմերի դեմենտ 14, 1063–1076. | |
| [28] Ashford JW, Schmitt FA (2001) Մոդելավորում ժամանակի ընթացքը Ալցհեյմերի դեմենսիա. Curr Psychiatry Rep 3, 20–28: | |
| [29] | Li X, Wang X, Su L, Hu X, Han Y (2019) Կոգնիտիվ անկման մասին չինական երկայնական ուսումնասիրություն (ՍԻԼԿՈԴ). Արձանագրություն չինական երկայնական դիտողական ուսումնասիրության համար՝ սուբյեկտիվ ճանաչողական խանգարումներ ունեցող մարդկանց մոտ մեղմ ճանաչողական խանգարումների փոխակերպման ռիսկի կանխատեսման մոդելներ մշակելու համար։ անկում։ BMJ Open 9, e028188: |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) Հնգամյա բիոմարկերի առաջընթացի փոփոխականությունը համար Ալցհեյմերի հիվանդության դեմենսիա Կանխատեսում. Կարո՞ղ է արդյոք ամենօրյա կենսագործունեության բարդ գործիքային գործողությունները լրացնել բացերը: Alzheimers Dement (Amst) 1, 521–532. | |
| [31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) Ալցհեյմերի հիվանդության կանխարգելում և բուժում. Զորավարժությունների կենսաբանական մեխանիզմներ. J Alzheimers Dis 69, 311–338. | |
| [32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) Թերապիաներ Ալցհեյմերի հիվանդության կանխարգելում և բուժում. 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) Հասուն տարիքում անոթային ռիսկի և ուշ կյանքի ընթացքում ուղեղի պաթոլոգիայի միջև կապեր. JAMA Neurol 77, 175–183. |
| [34] | Սեշադրի Ս (2020) Տարիքային և ամիլոիդ արկղերից դուրս դեմենցիայի մտածողության կանխարգելում. 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) Սիստոլիկ արյան ճնշման ազդեցությունները սպիտակ նյութի ամբողջականության վրա երիտասարդ մեծահասակների մոտ Ֆրամինգհեմի սրտի ուսումնասիրությունում. - հատվածային ուսումնասիրություն. 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) Նեյրոպաթոլոգիապես սահմանված բիոմարկերի թեստավորման ճշգրտությունը Ալցհեյմերի հիվանդություն թուլամտությամբ տարեց մեծահասակների մոտ. Ann Intern Med 172, 669–677: |
Փոխկապակցվածություն՝ [a] SIVOTEC Analytics, Boca Raton, FL, ԱՄՆ | [b] Համակարգչային և էլեկտրատեխնիկայի և համակարգչային գիտության բաժին, Ֆլորիդայի Ատլանտյան համալսարան, Բոկա Ռատոն, Ֆլորիդա, ԱՄՆ | [c] SJN Biomed LTD, Kunming, Yunnan, Չինաստան | [d] Կենտրոն համար Ալցհեյմերի հետազոտություն, Վաշինգտոնի Կլինիկական հետազոտությունների ինստիտուտ, Վաշինգտոն, ԱՄՆ, ԱՄՆ | [e] Վերականգնողական բժշկության բաժին, Կունմին բժշկական համալսարանի առաջին փոխկապակցված հիվանդանոց, Կունմինգ, Յունան, Չինաստան | [f] Նյարդաբանության բաժանմունք, Dehong People's Hospital, Dehong, Yunnan, China | [g] Նյարդաբանության բաժանմունք, Կունմին բժշկական համալսարանի առաջին փոխկապակցված հիվանդանոց, Ուուուա շրջան, Կունմինգ, Յունան նահանգ, Չինաստան | [h] Պատերազմի հետ կապված հիվանդությունների և վնասվածքների ուսումնասիրության կենտրոն, VA Պալո Ալտո Health Care System, Palo Alto, CA, ԱՄՆ | [i] Հոգեբուժության և վարքագծային գիտությունների բաժին, Սթենֆորդի համալսարանի բժշկության դպրոց, Պալո Ալտո, Կալիֆորնիա, ԱՄՆ
Նամակագրություն՝ [*] Նամակագրություն՝ Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA: Էլ. փոստ՝ mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, նյարդաբանության բաժանմունք, Կունմին բժշկական համալսարանի առաջին փոխկապակցված հիվանդանոց, 295 Xichang Road, Wuhua թաղամաս, Kunming, Yunnan նահանգ 650032, Չինաստան: Էլ.փոստ՝ ring@vip.163.com:
Հիմնաբառեր՝ ծերացում, Alzheimer հիվանդություն, դեմենցիա, զանգվածային սկրինինգ