Utilitas MemTrax dan Model Pembelajaran Mesin dalam Klasifikasi Gangguan Kognitif Ringan
Artikel Penelitian
Penulis: 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
Jurnal: Jurnal dari Penyakit Alzheimer, vol. 77, tidak. 4, hal. 1545-1558, 2020
Abstrak
Latar Belakang:
Insiden dan prevalensi yang meluas Penyakit Alzheimer dan gangguan kognitif ringan (MCI) telah mendorong panggilan mendesak untuk penelitian untuk memvalidasi skrining dan penilaian kognitif deteksi dini.
Tujuan:
Tujuan penelitian utama kami adalah untuk menentukan apakah metrik kinerja MemTrax yang dipilih dan demografi yang relevan serta karakteristik profil kesehatan dapat digunakan secara efektif dalam model prediktif yang dikembangkan dengan pembelajaran mesin untuk mengklasifikasikan kesehatan kognitif (normal versus MCI), seperti yang akan ditunjukkan oleh Penilaian Kognitif Montreal (MoCA).
metode:
Kami melakukan studi cross-sectional pada 259 pasien dewasa neurologi, klinik memori, dan penyakit dalam yang direkrut dari dua orang rumah sakit di Cina. Setiap pasien diberi MoCA berbahasa Mandarin dan mengelola sendiri episode online MemTrax pengakuan terus-menerus tes memori online di hari yang sama. Model klasifikasi prediktif dibangun menggunakan pembelajaran mesin dengan validasi silang 10 kali lipat, dan kinerja model diukur menggunakan Area Under the Receiver Operating Characteristic Curve (AUC). Model dibuat menggunakan dua metrik kinerja MemTrax (persen benar, waktu respons), bersama dengan delapan fitur demografis dan riwayat pribadi yang umum.
hasil:
Membandingkan pelajar di seluruh kombinasi terpilih dari skor dan ambang MoCA, Naïve Bayes umumnya pelajar berkinerja terbaik dengan kinerja klasifikasi keseluruhan 0.9093. Selanjutnya, di antara tiga pelajar teratas, kinerja klasifikasi berbasis MemTrax secara keseluruhan lebih unggul hanya dengan menggunakan empat fitur peringkat teratas (0.9119) dibandingkan dengan menggunakan semua 10 fitur umum (0.8999).
Kesimpulan:
Performa MemTrax dapat digunakan secara efektif dalam model prediksi klasifikasi pembelajaran mesin aplikasi skrining untuk mendeteksi gangguan kognitif tahap awal.
PENGANTAR
Insiden dan prevalensi luas yang diakui (walaupun kurang terdiagnosis) dan peningkatan medis, sosial, dan publik yang paralel kesehatan biaya dan beban penyakit Alzheimer (AD) dan gangguan kognitif ringan (MCI) semakin membebani semua pemangku kepentingan [1, 2]. Skenario yang menyusahkan dan berkembang ini telah mendorong panggilan mendesak untuk penelitian untuk memvalidasi deteksi dini skrining kognitif dan instrumen penilaian untuk utilitas praktis reguler dalam pengaturan pribadi dan klinis untuk pasien yang lebih tua di berbagai wilayah dan populasi [3]. Instrumen-instrumen ini juga harus menyediakan terjemahan mulus dari hasil informatif ke catatan kesehatan elektronik. Manfaatnya akan terwujud dengan memberi tahu pasien dan membantu dokter dalam mengenali perubahan signifikan lebih awal dan dengan demikian memungkinkan stratifikasi, implementasi, dan pelacakan perawatan pasien yang lebih cepat dan tepat waktu untuk perawatan individual yang sesuai dan lebih hemat biaya serta perawatan pasien bagi mereka yang mulai mengalaminya. penurunan kognitif [3, 4].
Alat MemTrax yang terkomputerisasi (https://memtrax.com) adalah penilaian pengenalan berkelanjutan yang sederhana dan singkat yang dapat dikelola sendiri secara online untuk mengukur kinerja memori episodik waktu yang menantang di mana pengguna merespons gambar berulang dan bukan pada presentasi awal [5, 6]. Penelitian terbaru dan implikasi praktis yang dihasilkan mulai secara progresif dan kolektif menunjukkan kemanjuran klinis MemTrax dalam skrining AD dan MCI awal [5-7]. Namun, perbandingan langsung utilitas klinis dengan yang ada kesehatan kognitif penilaian dan standar konvensional dijamin untuk menginformasikan perspektif profesional dan menguatkan utilitas MemTrax dalam deteksi dini dan dukungan diagnostik. van der Hoek dkk. [8] membandingkan metrik kinerja MemTrax yang dipilih (kecepatan reaksi dan persen yang benar) dengan status kognitif yang ditentukan oleh Montreal Penilaian Kognitif (MoCA). Namun, penelitian ini terbatas untuk mengaitkan metrik kinerja ini dengan karakterisasi status kognitif (sebagaimana ditentukan oleh MoCA) dan menentukan rentang relatif dan nilai batas. Oleh karena itu, untuk memperluas penyelidikan ini dan meningkatkan kinerja dan kemanjuran klasifikasi, pertanyaan penelitian utama kami adalah:
- Dapatkah metrik kinerja MemTrax yang dipilih individu serta demografi dan kesehatan yang relevan profil karakteristik dapat digunakan secara efektif dalam model prediktif yang dikembangkan dengan pembelajaran mesin untuk mengklasifikasikan kesehatan kognitif secara dikotomis (normal versus MCI), seperti yang ditunjukkan oleh skor MoCA seseorang?
Sekunder untuk ini, kami ingin tahu:
- Termasuk fitur yang sama, dapatkah model pembelajaran mesin berbasis kinerja MemTrax diterapkan secara efektif pada pasien untuk memprediksi tingkat keparahan (ringan versus berat) dalam kategori gangguan kognitif tertentu seperti yang akan ditentukan oleh diagnosis klinis independen?
Munculnya dan berkembangnya aplikasi praktis kecerdasan buatan dan pembelajaran mesin dalam skrining/deteksi telah menunjukkan keuntungan praktis yang berbeda, dengan pemodelan prediktif yang secara efektif memandu dokter dalam penilaian menantang kesehatan kognitif/otak dan manajemen pasien. Dalam penelitian kami, kami memilih pendekatan serupa dalam pemodelan klasifikasi MCI dan diskriminasi keparahan gangguan kognitif sebagaimana dikonfirmasi oleh diagnosis klinis dari tiga kumpulan data yang mewakili sukarelawan pasien rawat inap dan pasien rawat jalan dari dua rumah sakit di Cina. Dengan menggunakan pemodelan prediktif pembelajaran mesin, kami mengidentifikasi pelajar berperforma terbaik dari berbagai kombinasi kumpulan data/peserta didik dan memberi peringkat fitur untuk memandu kami dalam menentukan aplikasi model yang paling praktis secara klinis.
Hipotesis kami adalah bahwa model berbasis MemTrax yang divalidasi dapat digunakan untuk mengklasifikasikan kesehatan kognitif secara dikotomis (normal atau MCI) berdasarkan kriteria ambang batas skor agregat MoCA, dan bahwa model prediktif MemTrax yang serupa dapat digunakan secara efektif dalam membedakan keparahan dalam kategori tertentu dari didiagnosis secara klinis gangguan kognitif. Mendemonstrasikan hasil yang diantisipasi akan berperan penting dalam mendukung kemanjuran MemTrax sebagai layar deteksi dini untuk penurunan kognitif dan klasifikasi gangguan kognitif. Perbandingan yang menguntungkan dengan standar yang diakui industri yang dilengkapi dengan kemudahan dan kecepatan utilitas yang jauh lebih besar akan berpengaruh dalam membantu dokter mengadopsi alat yang sederhana, andal, dan dapat diakses ini sebagai layar awal dalam mendeteksi defisit kognitif tahap awal (termasuk prodromal). Pendekatan dan utilitas seperti itu dapat mendorong perawatan dan intervensi pasien bertingkat yang lebih tepat waktu dan lebih baik. Wawasan berpikiran maju dan metrik serta model yang ditingkatkan ini juga dapat membantu dalam mengurangi atau menghentikan perkembangan demensia, termasuk AD dan demensia terkait AD (ADRD).
BAHAN DAN METODE
Populasi penelitian
Antara Januari 2018 dan Agustus 2019, penelitian cross-sectional diselesaikan pada pasien yang direkrut dari dua rumah sakit di Tiongkok. Administrasi MemTrax [5] untuk individu berusia 21 tahun ke atas dan pengumpulan dan analisis data tersebut ditinjau dan disetujui oleh dan dikelola sesuai dengan standar etika dari Manusia Komite Perlindungan Subyek Universitas Stanford. MemTrax dan semua pengujian lain untuk studi keseluruhan ini dilakukan sesuai dengan deklarasi Helsinki tahun 1975 dan disetujui oleh Dewan Peninjau Institusi Rumah Sakit Afiliasi Pertama Universitas Kedokteran Kunming di Kunming, Yunnan, China. Setiap pengguna diberikan sebuah Penjelasan dan persetujuan formulir untuk dibaca/diulas dan kemudian secara sukarela setuju untuk berpartisipasi.
Peserta direkrut dari kumpulan pasien rawat jalan di klinik neurologi di Rumah Sakit Yanhua (YH sub-dataset) dan klinik memori di Rumah Sakit Afiliasi Pertama Kunming Medical Universitas (sub-kumpulan data XL) di Beijing, Cina. Peserta juga direkrut dari pasien rawat inap neurologi (sub-dataset XL) dan penyakit dalam (sub-dataset KM) di Rumah Sakit Afiliasi Pertama Universitas Kedokteran Kunming. Kriteria inklusi meliputi 1) pria dan wanita berusia minimal 21 tahun, 2) kemampuan berbahasa Mandarin (Mandarin), dan 3) kemampuan memahami arahan lisan dan tulisan. Kriteria eksklusi adalah gangguan penglihatan dan motorik yang mencegah peserta menyelesaikan Tes MemTrax, serta ketidakmampuan untuk memahami instruksi tes tertentu.
MemTrax versi Cina
Online Platform uji MemTrax telah diterjemahkan ke dalam bahasa Mandarin (URL: https://www.memtrax.com.cn) dan selanjutnya diadaptasi untuk digunakan melalui WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) untuk administrasi mandiri. Data disimpan di server cloud (Ali Cloud) yang berlokasi di China dan dilisensikan dari Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, China) oleh SJN Biomed LTD (Kunming, Yunnan, China). Detail spesifik tentang MemTrax dan kriteria validitas tes yang digunakan di sini telah dijelaskan sebelumnya [6]. Tes ini diberikan secara gratis kepada pasien.
Prosedur belajar
Untuk pasien rawat inap dan rawat jalan, kuesioner kertas umum untuk mengumpulkan informasi demografis dan pribadi seperti usia, jenis kelamin, tahun pendidikan, pekerjaan, hidup sendiri atau dengan keluarga, dan riwayat medis diberikan oleh anggota tim studi. Setelah menyelesaikan kuesioner, tes MoCA [12] dan MemTrax diberikan (MoCA pertama) dengan tidak lebih dari 20 menit antara tes. MemTrax persen benar (MTx-% C), waktu respons rata-rata (MTx-RT), dan tanggal dan waktu pengujian dicatat di atas kertas oleh anggota tim studi untuk setiap peserta yang diuji. Kuesioner yang telah diisi dan hasil MoCA diunggah ke dalam spreadsheet Excel oleh peneliti yang melakukan tes dan diverifikasi oleh seorang kolega sebelum file Excel disimpan untuk analisis.
Tes MemTrax
Tes online MemTrax mencakup 50 gambar (25 unik dan 25 pengulangan; 5 set 5 gambar pemandangan atau objek umum) yang ditampilkan dalam urutan pseudo-acak tertentu. Peserta akan (sesuai instruksi) menyentuh tombol Mulai di layar untuk memulai tes dan mulai melihat rangkaian gambar dan sekali lagi menyentuh gambar di layar secepat mungkin setiap kali gambar berulang muncul. Setiap gambar muncul selama 3 detik atau sampai gambar di layar disentuh, yang mendorong presentasi langsung gambar berikutnya. Menggunakan jam internal perangkat lokal, MTx-RT untuk setiap gambar ditentukan oleh waktu yang telah berlalu dari penyajian gambar hingga saat layar disentuh oleh peserta sebagai tanggapan untuk menunjukkan pengenalan gambar sebagai gambar yang telah ditampilkan selama ujian. MTx-RT direkam untuk setiap gambar, dengan rekaman 3 detik penuh yang menunjukkan tidak ada respons. MTx-% C dihitung untuk menunjukkan persentase pengulangan dan gambar awal yang ditanggapi dengan benar oleh pengguna (positif benar + negatif benar dibagi 50). Rincian tambahan dari administrasi dan implementasi MemTrax, reduksi data, data tidak valid atau "tidak ada respons", dan analisis data primer dijelaskan di tempat lain [6].
Tes MemTrax dijelaskan secara rinci dan tes praktik (dengan gambar unik selain yang digunakan dalam tes untuk merekam hasil) diberikan kepada peserta di lingkungan rumah sakit. Peserta dalam sub-dataset YH dan KM mengikuti tes MemTrax pada smartphone yang dimuat dengan aplikasi di WeChat; sedangkan sebagian kecil pasien sub-dataset XL menggunakan iPad dan sisanya menggunakan smartphone. Semua peserta mengikuti tes MemTrax dengan penyelidik studi yang mengamati secara diam-diam.
penilaian kognitif Montreal
MoCA Cina versi Beijing (MoCA-BC) [13] diberikan dan dinilai oleh peneliti terlatih sesuai dengan instruksi tes resmi. Sesuai, MoCA-BC telah terbukti dapat diandalkan tes untuk kognitif skrining di semua tingkat pendidikan pada orang dewasa lanjut usia Cina [14]. Setiap tes membutuhkan waktu sekitar 10 hingga 30 menit untuk dijalankan berdasarkan kemampuan kognitif masing-masing peserta.
Pemodelan klasifikasi MoCA
Ada total 29 fitur yang dapat digunakan, termasuk dua MemTrax uji metrik kinerja dan 27 fitur terkait demografi dan kesehatan informasi untuk setiap peserta. Skor tes agregat MoCA setiap pasien digunakan sebagai skrining kognitif "benchmark" untuk melatih model prediktif kami. Oleh karena itu, karena MoCA digunakan untuk membuat label kelas, kami tidak dapat menggunakan skor agregat (atau skor subset MoCA mana pun) sebagai fitur independen. Kami melakukan eksperimen awal di mana kami memodelkan (mengklasifikasikan kesehatan kognitif yang ditentukan oleh MoCA) tiga sub-set data rumah sakit/klinik asli secara individual dan kemudian digabungkan menggunakan semua fitur. Namun, semua elemen data yang sama tidak dikumpulkan di masing-masing dari empat klinik yang mewakili tiga sub-set data; dengan demikian, banyak fitur kami dalam kumpulan data gabungan (saat menggunakan semua fitur) memiliki insiden nilai yang hilang yang tinggi. Kami kemudian membangun model dengan kumpulan data gabungan hanya menggunakan fitur umum yang menghasilkan peningkatan kinerja klasifikasi. Hal ini kemungkinan dijelaskan oleh kombinasi memiliki lebih banyak contoh untuk dikerjakan dengan menggabungkan tiga sub-set data pasien dan tidak ada fitur dengan prevalensi nilai yang hilang yang tidak semestinya (hanya satu fitur dalam kumpulan data gabungan, jenis pekerjaan, memiliki nilai yang hilang, mempengaruhi hanya tiga kasus pasien), karena hanya fitur umum yang dicatat di ketiga lokasi yang disertakan. Khususnya, kami tidak memiliki kriteria penolakan khusus untuk setiap fitur yang pada akhirnya tidak disertakan dalam kumpulan data gabungan. Namun, dalam pemodelan dataset gabungan awal kami, pertama-tama kami menggunakan semua fitur dari masing-masing dari tiga sub-dataset pasien yang terpisah. Ini secara luas menghasilkan kinerja model yang terukur lebih rendah daripada pemodelan awal awal pada setiap sub-dataset individu. Selain itu, sementara kinerja klasifikasi model yang dibangun menggunakan semua fitur sangat menggembirakan, di semua pelajar dan skema klasifikasi, kinerja meningkat untuk model dua kali lebih banyak bila hanya menggunakan fitur umum. Faktanya, di antara apa yang akhirnya menjadi pembelajar terbaik kami, semua kecuali satu model ditingkatkan setelah menghilangkan fitur yang tidak umum.
Kumpulan data agregat akhir (gabungan YH, XL, dan KM) mencakup 259 instans, masing-masing mewakili peserta unik yang mengikuti tes MemTrax dan MoCA. Ada 10 fitur independen bersama: Metrik kinerja MemTrax: MTx-% C dan rata-rata MTx-RT; informasi demografi dan riwayat kesehatan: usia, jenis kelamin, tahun pendidikan, jenis pekerjaan (kerah biru/kerah putih), dukungan sosial (apakah peserta tes tinggal sendiri atau bersama keluarga), dan jawaban ya/tidak apakah pengguna memiliki riwayat diabetes, hiperlipidemia, atau cedera otak traumatis. Dua metrik tambahan, skor agregat MoCA dan skor agregat MoCA yang disesuaikan untuk tahun pendidikan [12], digunakan secara terpisah untuk mengembangkan label klasifikasi dependen, sehingga menciptakan dua skema pemodelan berbeda untuk diterapkan pada kumpulan data gabungan kami. Untuk setiap versi (disesuaikan dan tidak disesuaikan) dari skor MoCA, data lagi-lagi dimodelkan secara terpisah untuk klasifikasi biner menggunakan dua ambang kriteria yang berbeda — yang awalnya direkomendasikan [12] dan nilai alternatif yang digunakan dan dipromosikan oleh orang lain [8, 15]. Dalam skema klasifikasi ambang batas alternatif, seorang pasien dianggap memiliki kesehatan kognitif normal jika dia mencetak 23 pada tes MoCA dan memiliki MCI jika skornya 22 atau lebih rendah; sedangkan, dalam format klasifikasi awal yang direkomendasikan, pasien harus mendapat skor 26 atau lebih baik pada MoCA untuk diberi label memiliki kesehatan kognitif normal.
Data yang difilter untuk pemodelan klasifikasi MoCA
Kami lebih lanjut memeriksa klasifikasi MoCA menggunakan empat teknik peringkat fitur yang umum digunakan: Chi-Squared, Gain Ratio, Information Gain, dan Symmetrical Uncertainty. Untuk perspektif sementara, kami menerapkan peringkat ke seluruh kumpulan data gabungan menggunakan masing-masing dari empat skema pemodelan kami. Semua pemeringkat menyetujui fitur teratas yang sama, yaitu usia, jumlah tahun pendidikan, dan kedua metrik kinerja MemTrax (MTx-% C, rata-rata MTx-RT). Kami kemudian membangun kembali model menggunakan setiap teknik pemilihan fitur untuk melatih model hanya pada empat fitur teratas (lihat Pemilihan fitur bawah).
Delapan variasi akhir skema pemodelan klasifikasi skor MoCA disajikan pada Tabel 1.
Tabel 1
Ringkasan variasi skema pemodelan yang digunakan untuk klasifikasi MoCA (Normal Kesehatan Kognitif versus MKI)
| Skema Pemodelan | Kesehatan Kognitif Normal (Kelas Negatif) | MCI (Kelas Positif) |
| Disesuaikan-23 Tidak Difilter/Difilter | 101 (39.0%) | 158 (61.0%) |
| Disesuaikan-26 Tidak Difilter/Difilter | 49 (18.9%) | 210 (81.1%) |
| Tidak Disesuaikan-23 Tidak Difilter/Difilter | 92 (35.5%) | 167 (64.5%) |
| Tidak Disesuaikan-26 Tidak Difilter/Difilter | 42 (16.2%) | 217 (83.8%) |
Masing-masing jumlah dan persen dari total pasien di setiap kelas dibedakan berdasarkan penyesuaian skor untuk pendidikan (Disesuaikan atau Tidak Disesuaikan) dan ambang klasifikasi (23 atau 26), sebagaimana diterapkan pada kedua set fitur (Tidak Difilter dan Difilter).
Pemodelan evaluasi klinis berbasis MemTrax
Dari tiga sub-set data asli kami (YH, XL, KM), hanya pasien sub-dataset XL yang didiagnosis secara klinis untuk gangguan kognitif (yaitu, skor MoCA masing-masing tidak digunakan dalam menetapkan klasifikasi normal versus gangguan). Secara khusus, pasien XL didiagnosis dengan Tes penyakit Alzheimer (AD) atau demensia vaskular (VaD). Dalam masing-masing kategori diagnosis utama ini, ada sebutan lebih lanjut untuk MCI. Diagnosis MCI, demensia, gangguan neurokognitif vaskular, dan gangguan neurokognitif karena AD didasarkan pada kriteria diagnostik khusus dan khas yang diuraikan dalam Diagnostic and Statistical Manual of Mental Disorders: DSM-5 [16]. Mempertimbangkan diagnosis yang disempurnakan ini, dua skema pemodelan klasifikasi diterapkan secara terpisah pada sub-dataset XL untuk membedakan tingkat keparahan (derajat gangguan) untuk setiap kategori diagnosis utama. Data yang digunakan dalam setiap skema pemodelan diagnostik ini (AD dan VaD) termasuk informasi demografis dan riwayat pasien, serta kinerja MemTrax (MTx-% C, rata-rata MTx-RT). Setiap diagnosis diberi label ringan jika ditetapkan sebagai MCI; jika tidak, itu dianggap parah. Kami awalnya mempertimbangkan untuk memasukkan skor MoCA dalam model diagnosis (ringan versus berat); tetapi kami memutuskan bahwa itu akan mengalahkan tujuan skema pemodelan prediktif sekunder kami. Di sini pelajar akan dilatih menggunakan karakteristik pasien lain yang tersedia untuk penyedia dan metrik kinerja tes MemTrax yang lebih sederhana (sebagai pengganti MoCA) terhadap referensi "standar emas", diagnosis klinis independen. Ada 69 instance dalam set data diagnosis AD dan 76 instance VaD (Tabel 2). Di kedua set data, ada 12 fitur independen. Selain 10 fitur yang termasuk dalam klasifikasi skor MoCA, riwayat pasien juga mencakup informasi tentang riwayat hipertensi dan stroke.
Tabel 2
Ringkasan variasi skema pemodelan yang digunakan untuk klasifikasi keparahan diagnosis (Ringan versus Parah)
| Skema Pemodelan | Ringan (Kelas Negatif) | Parah (Kelas Positif) |
| MCI-AD versus IKLAN | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD versus VaD | 38 (50.0%) | 38 (50.0%) |
Masing-masing jumlah dan persen dari total pasien di setiap kelas dibedakan berdasarkan kategori diagnosis primer (AD atau VaD).
statistika
Perbandingan karakteristik peserta dan fitur numerik lainnya antara sub-dataset untuk setiap strategi klasifikasi model (untuk memprediksi kesehatan kognitif MoCA dan keparahan diagnosis) dilakukan dengan menggunakan bahasa pemrograman Python (versi 2.7.1) [17]. Perbedaan kinerja model pada awalnya ditentukan menggunakan ANOVA satu atau dua faktor (yang sesuai) dengan interval kepercayaan 95% dan uji perbedaan signifikan jujur Tukey (HSD) untuk membandingkan rata-rata kinerja. Pemeriksaan perbedaan antara kinerja model ini dilakukan dengan menggunakan kombinasi Python dan R (versi 3.5.1) [18]. Kami menggunakan pendekatan ini (walaupun, bisa dibilang kurang optimal) hanya sebagai bantuan heuristik dalam hal ini tahap awal untuk perbandingan kinerja model awal dalam mengantisipasi potensi aplikasi klinis. Kami kemudian menggunakan uji peringkat bertanda Bayesian menggunakan distribusi posterior untuk menentukan probabilitas perbedaan kinerja model [19]. Untuk analisis ini, kami menggunakan interval –0.01, 0.01, yang menandakan bahwa jika dua kelompok memiliki perbedaan kinerja kurang dari 0.01, mereka dianggap sama (dalam wilayah kesetaraan praktis), atau sebaliknya mereka berbeda (satu lebih baik dari yang lain). Untuk melakukan perbandingan pengklasifikasi Bayesian dan menghitung probabilitas ini, kami menggunakan pustaka baycomp (versi 1.0.2) untuk Python 3.6.4.
Pemodelan prediktif
Kami membangun model prediktif menggunakan sepuluh variasi total skema pemodelan kami untuk memprediksi (mengklasifikasikan) hasil tes MoCA setiap pasien atau tingkat keparahan diagnosis klinis. Semua peserta didik diterapkan dan model dibangun menggunakan platform perangkat lunak open source Weka [20]. Untuk analisis awal kami, kami menggunakan 10 algoritma pembelajaran yang umum digunakan: 5-Nearest Neighbors, dua versi pohon keputusan C4.5, Regresi Logistik, Perceptron Multilayer, Naïve Bayes, dua versi Random Forest, Jaringan Fungsi Radial Basis, dan Support Vector Mesin. Atribut kunci dan kontras dari algoritma ini telah dijelaskan di tempat lain [21] (lihat Lampiran masing-masing). Ini dipilih karena mereka mewakili berbagai jenis pelajar yang berbeda dan karena kami telah menunjukkan keberhasilan menggunakannya dalam analisis sebelumnya pada data serupa. Pengaturan hyper-parameter dipilih dari penelitian kami sebelumnya yang menunjukkan bahwa pengaturan tersebut kuat pada berbagai data yang berbeda [22]. Berdasarkan hasil analisis awal kami menggunakan kumpulan data gabungan yang sama dengan fitur umum yang digunakan selanjutnya dalam analisis lengkap, kami mengidentifikasi tiga pelajar yang memberikan kinerja yang kuat secara konsisten di semua klasifikasi: Regresi Logistik, Naïve Bayes, dan Support Vector Machine.
Validasi silang dan metrik kinerja model
Untuk semua pemodelan prediktif (termasuk analisis awal), setiap model dibangun menggunakan validasi silang 10 kali lipat, dan kinerja model diukur menggunakan Area Under the Receiver Operating Characteristic Curve (AUC). Validasi silang dimulai dengan membagi secara acak masing-masing dari 10 set data skema pemodelan menjadi 10 segmen yang sama (lipatan), menggunakan sembilan dari segmen masing-masing untuk melatih model dan segmen yang tersisa untuk pengujian. Prosedur ini diulang 10 kali, menggunakan segmen yang berbeda sebagai set tes di setiap iterasi. Hasilnya kemudian digabungkan untuk menghitung hasil/kinerja model akhir. Untuk setiap kombinasi pelajar/set data, seluruh proses ini diulang 10 kali dengan data yang dibagi berbeda setiap kali. Langkah terakhir ini mengurangi bias, memastikan replikasi, dan membantu dalam menentukan kinerja model secara keseluruhan. Secara total (untuk skor MoCA dan skema klasifikasi keparahan diagnosis digabungkan), 6,600 model dibangun. Ini termasuk 1,800 model yang tidak difilter (6 skema pemodelan diterapkan ke kumpulan data×3 pelajar×10 berjalan×10 kali lipat = 1,800 model) dan 4,800 model yang difilter (4 skema pemodelan diterapkan ke kumpulan data×3 pelajar×4 teknik pemilihan fitur×10 berjalan× 10 lipatan = 4,800 model).
Pemilihan fitur
Untuk model yang difilter, pemilihan fitur (menggunakan empat metode peringkat fitur) dilakukan dalam validasi silang. Untuk masing-masing dari 10 fold, karena 10% dataset yang berbeda adalah data uji, hanya empat fitur teratas yang dipilih untuk setiap set data pelatihan (yaitu, sembilan fold lainnya, atau 90% sisanya dari keseluruhan dataset) yang digunakan untuk membangun model. Kami tidak dapat mengonfirmasi empat fitur mana yang digunakan dalam setiap model, karena informasi tersebut tidak disimpan atau tersedia dalam platform pemodelan yang kami gunakan (Weka). Namun, mengingat konsistensi dalam pemilihan awal fitur teratas kami ketika peringkat diterapkan ke seluruh kumpulan data gabungan dan kesamaan berikutnya dalam kinerja pemodelan, fitur yang sama ini (usia, tahun pendidikan, MTx-% C, dan rata-rata MTx-RT ) kemungkinan merupakan empat teratas yang paling umum digunakan bersamaan dengan pemilihan fitur dalam proses validasi silang.
HASIL
Karakteristik numerik peserta (termasuk skor MoCA dan metrik kinerja MemTrax) dari set data masing-masing untuk setiap strategi klasifikasi model untuk memprediksi kesehatan kognitif yang ditunjukkan oleh MoCA (normal versus MCI) dan keparahan diagnosis (ringan versus parah) ditunjukkan pada Tabel 3.
Tabel 3
Karakteristik peserta, skor MoCA, dan kinerja MemTrax untuk setiap strategi klasifikasi model
| Strategi Klasifikasi | Usia | Pendidikan | Penyesuaian MoCA | MoCA Tidak Disesuaikan | MTx-%C | MTx-RT |
| Kategori MoCA | 61.9 tahun (13.1) | 9.6 tahun (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 detik (0.3) |
| Keparahan Diagnosis | 65.6 tahun (12.1) | 8.6 tahun (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 detik (0.3) |
Nilai yang ditunjukkan (rata-rata, SD) yang dibedakan dengan strategi klasifikasi pemodelan mewakili kumpulan data gabungan yang digunakan untuk memprediksi kesehatan kognitif yang ditunjukkan oleh MoCA (MCI versus normal) dan sub-set data XL hanya digunakan untuk memprediksi tingkat keparahan diagnosis (ringan versus berat).
Untuk setiap kombinasi skor MoCA (adjusted/unadjusted) dan threshold (26/23), terdapat perbedaan statistik (p = 0.000) di setiap perbandingan berpasangan (kesehatan kognitif normal versus MCI) untuk usia, pendidikan, dan kinerja MemTrax (MTx-% C dan MTx-RT). Setiap sub-dataset pasien di masing-masing kelas MCI untuk setiap kombinasi rata-rata berusia sekitar 9 hingga 15 tahun lebih tua, melaporkan pendidikan sekitar lima tahun lebih sedikit, dan memiliki kinerja MemTrax yang kurang baik untuk kedua metrik tersebut.
Hasil kinerja pemodelan prediktif untuk klasifikasi skor MoCA menggunakan tiga pelajar teratas, Logistic Regression, Naïve Bayes, dan Support Vector Machine, ditunjukkan pada Tabel 4. Ketiganya dipilih berdasarkan kinerja pelajar absolut tinggi yang paling konsisten di semua berbagai model diterapkan pada dataset untuk semua skema pemodelan. Untuk dataset dan pemodelan yang tidak difilter, masing-masing nilai data pada Tabel 4 menunjukkan kinerja model berdasarkan rata-rata AUC masing-masing yang diturunkan dari 100 model (10 run×10 folds) yang dibangun untuk setiap kombinasi skema pelajar/pemodelan, dengan masing-masing tertinggi siswa berprestasi ditunjukkan dengan huruf tebal. Sedangkan untuk pemodelan kumpulan data yang difilter, hasil yang dilaporkan pada Tabel 4 mencerminkan kinerja model rata-rata keseluruhan dari 400 model untuk setiap pelajar yang menggunakan masing-masing metode peringkat fitur (4 metode peringkat fitur×10 berjalan×10 kali lipat).
Tabel 4
Hasil klasifikasi skor MoCA dikotomis (AUC; 0.0–1.0) untuk masing-masing dari tiga pelajar berkinerja terbaik untuk semua skema pemodelan masing-masing
| Set Fitur Digunakan | Skor MoCA | Ambang Batas | Regresi logistik | Bayes naif | Mendukung Mesin Vektor |
| Tanpa filter (10 fitur) | Disesuaikan | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Tidak disesuaikan | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Difilter (4 fitur) | Disesuaikan | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Tidak disesuaikan | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Memanfaatkan variasi set fitur, skor MoCA, dan ambang batas skor MoCA, kinerja tertinggi untuk setiap skema pemodelan ditunjukkan pada pin (tidak selalu berbeda secara statistik dari semua yang lain tidak dalam pin untuk model yang bersangkutan).
Membandingkan peserta didik di semua kombinasi versi skor MoCA dan ambang (masing-masing disesuaikan/tidak disesuaikan dan 23/26) dalam kumpulan data tanpa filter gabungan (yaitu, menggunakan 10 fitur umum), Naïve Bayes umumnya merupakan pelajar berkinerja terbaik dengan keseluruhan kinerja klasifikasi sebesar 0.9093. Mempertimbangkan tiga pelajar teratas, tes peringkat bertanda yang berkorelasi dengan Bayesian menunjukkan bahwa probabilitas (Pr) dari Naïve Bayes yang mengungguli Regresi Logistik adalah 99.9%. Selain itu, antara Naïve Bayes dan Support Vector Machine, probabilitas 21.0% kesetaraan praktis dalam kinerja pelajar (dengan demikian, probabilitas 79.0% dari Naïve Bayes mengungguli Support Vector Machine), ditambah dengan probabilitas 0.0% dari Support Vector Machine berkinerja lebih baik, terukur memperkuat keunggulan kinerja untuk Naïve Bayes. Perbandingan lebih lanjut dari versi skor MoCA di semua pelajar/ambang batas menunjukkan sedikit keunggulan kinerja menggunakan skor MoCA yang tidak disesuaikan versus yang disesuaikan (masing-masing 0.9027 versus 0.8971; Pr (tidak disesuaikan > disesuaikan) = 0.988). Demikian pula, perbandingan ambang batas di semua pelajar dan versi skor MoCA menunjukkan keuntungan kinerja klasifikasi kecil menggunakan 26 sebagai ambang klasifikasi versus 23 (0.9056 versus 0.8942, masing-masing; Pr (26 > 23) = 0.999). Terakhir, memeriksa kinerja klasifikasi untuk model yang hanya menggunakan hasil yang difilter (yaitu, empat fitur peringkat teratas saja), Naïve Bayes (0.9143) secara numerik merupakan pelajar berkinerja terbaik di semua versi/ambang batas skor MoCA. Namun, di semua teknik pemeringkatan fitur yang digabungkan, semua pelajar dengan kinerja terbaik melakukan hal yang sama. Tes peringkat bertanda Bayesian menunjukkan 100% kemungkinan kesetaraan praktis antara setiap pasangan pelajar yang difilter. Seperti halnya data yang tidak difilter (menggunakan 10 fitur umum), sekali lagi ada keunggulan kinerja untuk versi skor MoCA yang tidak disesuaikan (Pr (tidak disesuaikan > disesuaikan) = 1.000), serta keuntungan berbeda yang serupa untuk ambang klasifikasi 26 (Pr (26 > 23) = 1.000). Khususnya, kinerja rata-rata masing-masing dari tiga pelajar teratas di semua versi skor/ambang batas MoCA yang hanya menggunakan empat fitur berperingkat teratas melebihi kinerja rata-rata pelajar mana pun pada data yang tidak difilter. Tidak mengherankan, kinerja klasifikasi model yang difilter (menggunakan empat fitur peringkat teratas) secara keseluruhan lebih unggul (0.9119) dibandingkan model tanpa filter (0.8999), terlepas dari model metode peringkat fitur yang dibandingkan dengan masing-masing model yang menggunakan 10 model umum. fitur. Untuk setiap metode pemilihan fitur, ada kemungkinan 100% keunggulan kinerja dibandingkan model tanpa filter.
Dengan pasien yang dipertimbangkan untuk klasifikasi keparahan diagnosis AD, perbedaan antara kelompok (MCI-AD versus AD) untuk usia (p = 0.004), pendidikan (p = 0.028), skor MoCA disesuaikan/tidak disesuaikan (p = 0.000), dan MTx-% C (p = 0.008) signifikan secara statistik; sedangkan untuk MTx-RT tidak (p = 0.097). Dengan pasien yang dipertimbangkan untuk klasifikasi keparahan diagnosis VaD, perbedaan antara kelompok (MCI-VaD versus VaD) untuk skor MoCA disesuaikan/tidak disesuaikan (p = 0.007) dan MTx-% C (p = 0.026) dan MTx-RT (p = 0.001) signifikan secara statistik; Sedangkan untuk umur (p = 0.511) dan pendidikan (p = 0.157) tidak ada perbedaan antar kelompok yang signifikan.
Hasil kinerja pemodelan prediktif untuk klasifikasi keparahan diagnosis menggunakan tiga pelajar yang dipilih sebelumnya, Logistic Regression, Naïve Bayes, dan Support Vector Machine, ditunjukkan pada Tabel 5. Sedangkan pelajar yang diperiksa tambahan menunjukkan kinerja yang sedikit lebih kuat secara individual dengan salah satu dari dua kategori diagnosis klinis , tiga pelajar yang telah kami identifikasi sebagai yang paling disukai dalam pemodelan kami sebelumnya menawarkan kinerja yang paling konsisten dengan kedua skema pemodelan baru. Membandingkan peserta didik di setiap kategori diagnosis utama (AD dan VaD), tidak ada perbedaan kinerja klasifikasi yang konsisten antara peserta didik untuk MCI-VaD versus VaD, meskipun Support Vector Machine umumnya tampil lebih menonjol. Demikian pula, tidak ada perbedaan yang signifikan antara peserta didik untuk klasifikasi MCI-AD versus AD, meskipun Naïve Bayes (NB) memiliki sedikit keunggulan kinerja atas Logistic Regression (LR) dan hanya sedikit pluralitas atas Support Vector Machine, dengan probabilitas 61.4% dan 41.7% masing-masing. Di kedua set data, ada keunggulan kinerja keseluruhan untuk Support Vector Machine (SVM), dengan Pr (SVM > LR) = 0.819 dan Pr (SVM > NB) = 0.934. Kinerja klasifikasi keseluruhan kami di semua pelajar dalam memprediksi keparahan diagnosis dalam sub-dataset XL lebih baik dalam kategori diagnosis VaD dibandingkan AD (Pr (VAD > AD) = 0.998).
Tabel 5
Kinerja klasifikasi keparahan diagnosis klinis dikotomis (AUC; 0.0-1.0) hasil untuk masing-masing dari tiga pelajar berkinerja terbaik untuk kedua skema pemodelan masing-masing
| Skema Pemodelan | Regresi logistik | Bayes naif | Mendukung Mesin Vektor |
| MCI-AD versus IKLAN | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD versus VaD | 0.8033 | 0.8044 | 0.8338 |
Performa tertinggi untuk setiap skema pemodelan ditunjukkan pada pin (belum tentu berbeda secara statistik dari yang lain tidak dalam pin).
PEMBAHASAN
Deteksi dini terhadap perubahan kesehatan kognitif menjadi penting utilitas praktis dalam manajemen kesehatan pribadi dan kesehatan masyarakat sama. Memang, itu juga merupakan prioritas yang sangat tinggi dalam pengaturan klinis untuk pasien di seluruh dunia. Tujuan bersama adalah untuk memperingatkan pasien, pengasuh, dan penyedia layanan dan meminta pengobatan yang tepat dan hemat biaya serta perawatan jangka panjang bagi mereka yang mulai mengalami penurunan kognitif. Menggabungkan tiga subset data rumah sakit/klinik kami, kami mengidentifikasi tiga pelajar yang lebih disukai secara khusus (dengan satu yang menonjol – Naïve Bayes) untuk membangun model prediktif yang memanfaatkan Metrik kinerja MemTrax yang andal dapat mengklasifikasikan status kesehatan kognitif dikotomis (kesehatan kognitif normal atau MCI) seperti yang ditunjukkan oleh skor agregat MoCA. Khususnya, kinerja klasifikasi keseluruhan untuk ketiga pelajar meningkat ketika model kami hanya menggunakan empat fitur peringkat teratas yang pada dasarnya mencakup metrik kinerja MemTrax ini. Selain itu, kami mengungkapkan potensi yang dibuktikan untuk memanfaatkan pelajar yang sama dan metrik kinerja MemTrax dalam skema pemodelan klasifikasi dukungan diagnostik untuk membedakan tingkat keparahan dari dua kategori diagnosis demensia: AD dan VaD.
Pengujian memori merupakan pusat deteksi dini AD [23, 24]. Oleh karena itu, sangat tepat jika MemTrax dapat diterima, menarik, dan mudah diterapkan secara online tes skrining untuk memori episodik pada populasi umum [6]. Keakuratan pengakuan dan waktu respons dari tugas kinerja berkelanjutan ini terutama mengungkapkan dalam mengidentifikasi kemunduran awal dan yang berkembang serta defisit yang diakibatkan dalam proses neuroplastik yang terkait dengan pembelajaran, memori, dan kognisi. Yaitu, model di sini yang sebagian besar didasarkan pada metrik kinerja MemTrax sensitif terhadap dan lebih mungkin untuk dengan mudah dan dengan biaya minimal mengungkapkan defisit neuropatologis biologis selama tahap asimtomatik transisi jauh sebelum kehilangan fungsional yang lebih substansial [25]. Ashford dkk. meneliti dengan cermat pola dan perilaku akurasi memori pengenalan dan waktu respons pada pengguna online yang berpartisipasi sendiri dengan MemTrax [6]. Mengingat bahwa distribusi ini sangat penting dalam pemodelan optimal dan mengembangkan aplikasi perawatan pasien yang valid dan efektif, menentukan profil pengakuan dan waktu respons yang dapat diterapkan secara klinis sangat penting dalam membangun referensi dasar yang berharga untuk utilitas klinis dan penelitian. Nilai praktis MemTrax dalam skrining AD untuk gangguan kognitif tahap awal dan dukungan diagnostik diferensial perlu diperiksa lebih dekat dalam konteks pengaturan klinis di mana komorbiditas dan kemampuan kognitif, sensorik, dan motorik yang memengaruhi kinerja tes dapat dipertimbangkan. Dan untuk menginformasikan perspektif profesional dan mendorong utilitas klinis praktis, pertama-tama penting untuk menunjukkan perbandingan dengan tes penilaian kesehatan kognitif yang mapan, meskipun yang terakhir mungkin dapat dikenali dibatasi oleh logistik pengujian yang rumit, pencegah pendidikan dan bahasa, dan pengaruh budaya [26] . Dalam hal ini, perbandingan yang menguntungkan dari MemTrax dalam kemanjuran klinis dengan MoCA yang biasanya diklaim sebagai standar industri adalah signifikan, terutama ketika mempertimbangkan kemudahan utilitas yang lebih besar dan penerimaan MemTrax oleh pasien.
Eksplorasi sebelumnya yang membandingkan MemTrax dengan MoCA menyoroti alasan dan bukti awal yang menjamin penyelidikan pemodelan kami [8]. Namun, perbandingan sebelumnya ini hanya mengaitkan dua metrik kinerja utama MemTrax yang kami periksa dengan status kognitif sebagaimana ditentukan oleh MoCA dan menentukan rentang dan nilai batas masing-masing. Kami memperdalam penilaian utilitas klinis MemTrax dengan mengeksplorasi pendekatan berbasis pemodelan prediktif yang akan memberikan pertimbangan yang lebih individual dari parameter spesifik pasien lainnya yang berpotensi relevan. Berbeda dengan yang lain, kami tidak menemukan keuntungan dalam kinerja model menggunakan koreksi pendidikan (penyesuaian) dengan skor MoCA atau dalam memvariasikan ambang skor agregat MoCA diskriminatif kesehatan kognitif dari yang awalnya direkomendasikan 26 hingga 23 [12, 15]. Faktanya, keunggulan kinerja klasifikasi disukai menggunakan skor MoCA yang tidak disesuaikan dan ambang batas yang lebih tinggi.
Poin-poin penting dalam praktik klinis
Pembelajaran mesin sering kali paling baik digunakan dan paling efektif dalam pemodelan prediktif ketika datanya luas dan multidimensi, yaitu, ketika ada banyak pengamatan dan beragam atribut bernilai tinggi (berkontribusi). Namun, dengan data saat ini, model yang difilter dengan hanya empat fitur pilihan berkinerja lebih baik daripada model yang menggunakan 10 fitur umum. Ini menunjukkan bahwa kumpulan data rumah sakit kami tidak memiliki fitur (bernilai tinggi) yang paling sesuai secara klinis untuk mengklasifikasikan pasien secara optimal dengan cara ini. Namun demikian, penekanan peringkat fitur pada metrik kinerja utama MemTrax—MTx-% C dan MTx-RT—sangat mendukung pembuatan model penyaringan defisit kognitif tahap awal seputar tes ini yang sederhana, mudah dikelola, berbiaya rendah, dan dengan tepat mengungkapkan tentang kinerja memori, setidaknya sekarang sebagai layar awal untuk klasifikasi biner status kesehatan kognitif. Mengingat ketegangan yang terus meningkat pada penyedia dan sistem perawatan kesehatan, proses penyaringan pasien dan aplikasi klinis harus dikembangkan dengan tepat dengan penekanan pada pengumpulan, pelacakan, dan pemodelan karakteristik pasien dan metrik pengujian yang paling berguna, menguntungkan, dan terbukti efektif dalam diagnostik. dan dukungan manajemen pasien.
Dengan dua metrik utama MemTrax yang menjadi pusat klasifikasi MCI, pelajar berkinerja terbaik kami (Naïve Bayes) memiliki kinerja prediktif yang sangat tinggi di sebagian besar model (AUC lebih dari 0.90) dengan rasio positif-benar ke positif-palsu mendekati atau agak melebihi 4 : 1. Aplikasi klinis translasi menggunakan pelajar ini akan menangkap (mengklasifikasikan dengan benar) sejauh ini sebagian besar dari mereka yang memiliki defisit kognitif, sambil meminimalkan biaya yang terkait dengan salah mengklasifikasikan seseorang dengan kesehatan kognitif normal sebagai memiliki defisit kognitif (positif palsu) atau hilang klasifikasi itu pada mereka yang memiliki defisit kognitif (negatif palsu). Salah satu dari skenario kesalahan klasifikasi ini dapat menimbulkan beban psiko-sosial yang tidak semestinya bagi pasien dan perawat.
Sedangkan dalam analisis awal dan penuh kami menggunakan sepuluh pelajar di setiap skema pemodelan, kami memfokuskan hasil kami pada tiga pengklasifikasi yang menunjukkan kinerja kuat yang paling konsisten. Ini juga untuk menyoroti, berdasarkan data ini, pelajar yang diharapkan akan tampil andal pada tingkat tinggi dalam aplikasi klinis praktis dalam menentukan klasifikasi status kognitif. Selain itu, karena penelitian ini dimaksudkan sebagai penyelidikan pengantar tentang kegunaan pembelajaran mesin pada skrining kognitif dan tantangan klinis yang tepat waktu ini, kami membuat keputusan untuk menjaga agar teknik pembelajaran tetap sederhana dan digeneralisasi, dengan penyetelan parameter minimal. Kami menghargai bahwa pendekatan ini mungkin membatasi potensi kemampuan prediksi spesifik pasien yang didefinisikan secara lebih sempit. Demikian juga, sementara melatih model hanya menggunakan fitur teratas (pendekatan terfilter) memberi tahu kami lebih lanjut mengenai data ini (khusus untuk kekurangan dalam data yang dikumpulkan dan menyoroti nilai dalam mengoptimalkan waktu dan sumber daya klinis yang berharga), kami menyadari bahwa terlalu dini untuk mempersempit cakupan model dan, oleh karena itu, semua (dan fitur lainnya) harus dipertimbangkan dengan penelitian masa depan sampai kami memiliki profil fitur prioritas yang lebih definitif yang akan berlaku untuk populasi yang luas. Dengan demikian, kami juga sepenuhnya menyadari bahwa data yang lebih inklusif dan representatif secara luas serta optimalisasi model ini dan model lainnya akan diperlukan sebelum mengintegrasikannya ke dalam aplikasi klinis yang efektif, terutama untuk mengakomodasi komorbiditas yang memengaruhi kinerja kognitif yang perlu dipertimbangkan dalam evaluasi klinis lebih lanjut.
Utilitas MemTrax selanjutnya ditingkatkan dengan pemodelan keparahan penyakit berdasarkan diagnosis klinis terpisah. Kinerja klasifikasi keseluruhan yang lebih baik dalam memprediksi keparahan VaD (dibandingkan dengan AD) tidak mengejutkan mengingat fitur profil pasien dalam model khusus untuk kesehatan vaskular dan risiko stroke, yaitu hipertensi, hiperlipidemia, diabetes, dan (tentu saja) riwayat stroke. Meskipun akan lebih diinginkan dan pas untuk melakukan penilaian klinis yang sama pada pasien yang cocok dengan kesehatan kognitif normal untuk melatih pelajar dengan data yang lebih inklusif ini. Ini terutama diperlukan, karena MemTrax dimaksudkan untuk digunakan terutama untuk deteksi tahap awal defisit kognitif dan pelacakan perubahan individu selanjutnya. Juga masuk akal bahwa distribusi data yang lebih diinginkan dalam kumpulan data VaD sebagian berkontribusi pada kinerja pemodelan yang relatif lebih baik. Dataset VaD seimbang antara kedua kelas, sedangkan dataset AD dengan pasien MCI yang jauh lebih sedikit tidak. Khususnya dalam kumpulan data kecil, bahkan beberapa contoh tambahan dapat membuat perbedaan yang dapat diukur. Kedua perspektif adalah argumen yang masuk akal yang mendasari perbedaan kinerja pemodelan tingkat keparahan penyakit. Namun, menghubungkan peningkatan kinerja secara proporsional dengan karakteristik numerik set data atau fitur yang melekat khusus untuk presentasi klinis yang sedang dipertimbangkan adalah prematur. Meskipun demikian, novel ini menunjukkan kegunaan model klasifikasi prediktif MemTrax dalam peran dukungan diagnostik klinis memberikan perspektif yang berharga dan menegaskan pengejaran untuk pemeriksaan tambahan dengan pasien di seluruh kontinum MCI.
Implementasi dan demonstrasi utilitas MemTrax dan model-model ini di Cina, di mana bahasa dan budayanya sangat berbeda dari wilayah utilitas mapan lainnya (misalnya, Prancis, Belanda, dan Amerika Serikat) [7, 8, 27], lebih jauh menggarisbawahi potensi untuk penerimaan global yang luas dan nilai klinis dari platform berbasis MemTrax. Ini adalah contoh nyata dalam upaya menuju harmonisasi data dan mengembangkan norma-norma internasional praktis dan sumber daya pemodelan untuk skrining kognitif yang terstandarisasi dan mudah diadaptasi untuk digunakan di seluruh dunia.
Langkah selanjutnya dalam pemodelan dan aplikasi penurunan kognitif
Disfungsi kognitif pada AD memang terjadi secara kontinum, bukan dalam tahapan atau langkah yang terpisah [28, 29]. Namun, pada fase awal ini, tujuan kami adalah pertama-tama menetapkan kemampuan kami untuk membuat model yang menggabungkan MemTrax yang secara fundamental dapat membedakan "normal" dari "tidak normal". Data empiris yang lebih inklusif (misalnya, pencitraan otak, fitur genetik, biomarker, komorbiditas, dan penanda fungsional kompleks aktivitas yang membutuhkan kognitif kontrol) [30] di berbagai wilayah global, populasi, dan kelompok usia untuk melatih dan mengembangkan model pembelajaran mesin yang lebih canggih (termasuk ansambel berbobot tepat) akan mendukung tingkat klasifikasi yang ditingkatkan, yaitu, kapasitas untuk mengkategorikan kelompok pasien dengan MCI menjadi himpunan bagian yang lebih kecil dan lebih definitif di sepanjang rangkaian penurunan kognitif. Selain itu, diagnosis klinis yang bersamaan untuk individu di seluruh populasi pasien yang beragam secara regional sangat penting untuk dilakukan melatih secara efektif model yang lebih inklusif dan dapat diprediksi kuat ini. Ini akan memfasilitasi manajemen kasus berlapis yang lebih spesifik untuk mereka yang memiliki latar belakang, pengaruh, dan profil kognitif karakteristik yang lebih sempit dan dengan demikian mengoptimalkan dukungan keputusan klinis dan perawatan pasien.
Sebagian besar penelitian klinis yang relevan hingga saat ini telah membahas pasien dengan setidaknya demensia ringan; dan, dalam praktiknya, seringkali intervensi pasien hanya dilakukan pada stadium lanjut. Namun, karena penurunan kognitif dimulai jauh sebelum kriteria klinis untuk demensia terpenuhi, skrining awal berbasis MemTrax yang diterapkan secara efektif dapat mendorong pendidikan yang tepat bagi individu tentang penyakit dan perkembangannya serta meminta intervensi lebih awal dan lebih tepat waktu. Dengan demikian, deteksi dini dapat mendukung keterlibatan yang sesuai mulai dari olahraga, diet, dukungan emosional, dan peningkatan sosialisasi hingga intervensi farmakologis dan memperkuat perubahan perilaku dan persepsi terkait pasien yang secara tunggal atau agregat dapat mengurangi atau berpotensi menghentikan perkembangan demensia [31, 32] . Apalagi dengan efektif skrining awal, individu dan keluarganya mungkin diminta untuk mempertimbangkan uji klinis atau mendapatkan konseling dan dukungan layanan sosial lainnya untuk membantu mengklarifikasi harapan dan niat serta mengelola tugas sehari-hari. Validasi lebih lanjut dan utilitas praktis yang tersebar luas dengan cara ini dapat berperan penting dalam mengurangi atau menghentikan perkembangan MCI, AD, dan ADRD bagi banyak individu.
Memang, rentang usia pasien yang rendah dalam penelitian kami tidak mewakili populasi yang memiliki perhatian tradisional dengan AD. Meskipun demikian, usia rata-rata untuk setiap kelompok yang digunakan dalam skema pemodelan klasifikasi berdasarkan skor/ambang batas MoCA dan keparahan diagnosis (Tabel 3) menggarisbawahi mayoritas yang jelas (lebih dari 80%) berusia minimal 50 tahun. Distribusi ini dengan demikian sangat tepat untuk generalisasi, mendukung kegunaan model-model ini dalam populasi yang mencirikan mereka yang biasanya terpengaruh onset dini dan penyakit neurokognitif yang berkembang karena AD dan VaD. Juga, bukti dan perspektif terbaru menekankan faktor-faktor yang diakui tersebut (misalnya, hipertensi, obesitas, diabetes, dan merokok) yang berpotensi berkontribusi pada peningkatan dini skor risiko vaskular dewasa dan paruh baya dan akibat cedera otak vaskular halus yang berkembang diam-diam dengan efek nyata bahkan pada anak muda orang dewasa [33–35]. Dengan demikian, peluang skrining awal yang paling optimal untuk mendeteksi dini tahap defisit kognitif dan memulai strategi pencegahan dan intervensi yang efektif dalam mengatasi demensia dengan sukses akan muncul dari pemeriksaan faktor yang berkontribusi dan indikator anteseden di seluruh spektrum usia, termasuk masa dewasa awal dan bahkan masa kanak-kanak (mencatat relevansi faktor genetik seperti apolipoprotein E sejak awal kehamilan).
Dalam praktiknya, diagnosis klinis yang valid dan prosedur mahal untuk pencitraan lanjutan, profil genetik, dan pengukuran biomarker yang menjanjikan tidak selalu tersedia atau bahkan layak untuk banyak penyedia. Dengan demikian, dalam banyak kasus, klasifikasi status kesehatan kognitif keseluruhan awal mungkin harus diturunkan dari model menggunakan metrik sederhana lain yang disediakan oleh pasien (misalnya, laporan diri). masalah memori, obat-obatan saat ini, dan keterbatasan aktivitas rutin) dan fitur demografi umum [7]. Registri seperti University of California Kesehatan otak Registri (https://www.brainhealthregistry.org/) [27] dan lainnya dengan luasnya gejala yang dilaporkan sendiri, tindakan kualitatif (misalnya, tidur dan kognisi setiap hari), obat-obatan, status kesehatan, dan riwayat, dan demografi yang lebih rinci akan berperan penting dalam mengembangkan dan memvalidasi aplikasi praktis dari model yang lebih primitif ini di klinik. Selanjutnya, tes seperti MemTrax, yang telah menunjukkan utilitas dalam menilai fungsi memori, sebenarnya dapat memberikan perkiraan patologi AD yang jauh lebih baik daripada penanda biologis. Mengingat bahwa fitur inti dari patologi AD adalah gangguan neuroplastisitas dan hilangnya sinapsis yang sangat kompleks, yang bermanifestasi sebagai episode episodik. disfungsi memori, ukuran yang menilai memori episodik mungkin sebenarnya memberikan perkiraan beban patologis AD yang lebih baik daripada penanda biologis pada pasien yang masih hidup [36].
Dengan semua model prediktif—baik dilengkapi dengan data yang kompleks dan inklusif dari teknologi mutakhir dan wawasan klinis yang disempurnakan di berbagai domain atau yang terbatas pada karakteristik informasi yang lebih mendasar dan tersedia dari profil pasien yang ada—keuntungan yang diakui dari kecerdasan buatan dan pembelajaran mesin adalah bahwa model yang dihasilkan dapat mensintesis dan secara induktif "belajar" dari data dan perspektif baru yang relevan yang disediakan oleh pemanfaatan aplikasi yang sedang berlangsung. Mengikuti transfer teknologi praktis, karena model di sini (dan akan dikembangkan) diterapkan dan diperkaya dengan lebih banyak kasus dan data terkait (termasuk pasien dengan komorbiditas yang dapat muncul dengan penurunan kognitif berikutnya), kinerja prediksi dan klasifikasi kesehatan kognitif akan lebih kuat, menghasilkan utilitas pendukung keputusan klinis yang lebih efektif. Evolusi ini akan lebih lengkap dan praktis diwujudkan dengan menanamkan MemTrax ke dalam platform khusus (ditargetkan pada kemampuan yang tersedia) yang dapat dimanfaatkan oleh penyedia layanan kesehatan secara real-time di klinik.
Pentingnya validasi dan kegunaan model MemTrax untuk dukungan diagnostik dan perawatan pasien adalah data longitudinal yang bermakna dan sangat dicari. Dengan mengamati dan mencatat perubahan yang terjadi (jika ada) dalam status klinis di seluruh rentang normal yang memadai melalui MCI tahap awal, model untuk penilaian dan klasifikasi berkelanjutan yang sesuai dapat dilatih dan dimodifikasi seiring bertambahnya usia pasien dan dirawat. Artinya, utilitas berulang dapat membantu pelacakan longitudinal dari perubahan kognitif ringan, efektivitas intervensi, dan mempertahankan perawatan bertingkat yang terinformasi. Pendekatan ini lebih selaras dengan praktik klinis dan manajemen pasien dan kasus.
keterbatasan
Kami menghargai tantangan dan nilai dalam mengumpulkan data klinis yang bersih di lingkungan klinik/rumah sakit yang terkontrol. Meskipun demikian, itu akan memperkuat pemodelan kami jika kumpulan data kami menyertakan lebih banyak pasien dengan fitur umum. Selain itu, khusus untuk pemodelan diagnosis kami, akan lebih diinginkan dan pas untuk melakukan penilaian klinis yang sama pada pasien yang cocok dengan kesehatan kognitif normal untuk melatih pelajar. Dan seperti yang ditegaskan oleh kinerja klasifikasi yang lebih tinggi menggunakan kumpulan data yang difilter (hanya empat fitur peringkat teratas), lebih umum dan ukuran / indikator kesehatan kognitif kemungkinan akan meningkat pemodelan kinerja dengan lebih banyak fitur umum di semua pasien.
Peserta tertentu mungkin secara bersamaan mengalami penyakit lain yang dapat menyebabkan defisiensi kognitif sementara atau kronis. Selain sub-dataset XL di mana pasien secara diagnostik diklasifikasikan memiliki AD atau VaD, data komorbiditas tidak dikumpulkan/dilaporkan dalam kelompok pasien YH, dan komorbiditas yang dilaporkan sejauh ini dalam sub-dataset KM adalah diabetes. Namun, dapat diperdebatkan bahwa memasukkan pasien dalam skema pemodelan kami dengan komorbiditas yang dapat memicu atau memperburuk tingkat defisiensi kognitif dan akibatnya kinerja MemTrax yang lebih rendah akan lebih mewakili populasi pasien yang ditargetkan di dunia nyata untuk skrining kognitif awal yang lebih umum ini. dan pendekatan model. Ke depan, diagnosis komorbiditas yang akurat yang berpotensi mempengaruhi kinerja kognitif secara luas bermanfaat untuk mengoptimalkan model dan aplikasi perawatan pasien yang dihasilkan.
Terakhir, pasien sub-dataset YH dan KM menggunakan smartphone untuk mengikuti tes MemTrax, sedangkan sebagian kecil pasien sub-dataset XL menggunakan iPad dan sisanya menggunakan smartphone. Ini bisa saja memperkenalkan perbedaan kecil terkait perangkat dalam kinerja MemTrax untuk pemodelan klasifikasi MoCA. Namun, perbedaan (jika ada) di MTx-RT, misalnya, antar perangkat kemungkinan akan diabaikan, terutama dengan setiap peserta diberikan tes "latihan" sesaat sebelum kinerja tes yang direkam. Namun demikian, utilitas dari kedua perangkat genggam ini berpotensi membahayakan perbandingan langsung dan/atau integrasi dengan hasil MemTrax lainnya di mana pengguna merespons gambar berulang dengan menyentuh bilah spasi pada keyboard komputer.
Poin-poin penting pada utilitas pemodelan prediktif MemTrax
- • Model prediktif berkinerja terbaik kami yang mencakup metrik kinerja MemTrax terpilih dapat dengan andal mengklasifikasikan status kesehatan kognitif (kesehatan kognitif normal atau MCI) seperti yang ditunjukkan oleh tes MoCA yang diakui secara luas.
- • Hasil ini mendukung integrasi metrik kinerja MemTrax yang dipilih ke dalam aplikasi penyaringan model prediksi klasifikasi untuk gangguan kognitif tahap awal.
- • Pemodelan klasifikasi kami juga mengungkapkan potensi untuk memanfaatkan kinerja MemTrax dalam aplikasi untuk membedakan keparahan diagnosis demensia.
Temuan baru ini menetapkan bukti definitif yang mendukung kegunaan pembelajaran mesin dalam membangun model klasifikasi berbasis MemTrax yang disempurnakan untuk dukungan diagnostik dalam manajemen kasus klinis yang efektif dan perawatan pasien untuk individu yang mengalami gangguan kognitif.
UCAPAN TERIMA KASIH
Kami menghargai karya J. Wesson Ashford, Curtis B. Ashford, dan kolega untuk mengembangkan dan memvalidasi tugas dan alat pengenalan berkelanjutan online (MemTrax) yang digunakan di sini dan kami berterima kasih kepada banyak pasien dengan demensia yang berkontribusi pada penelitian dasar kritis . Kami juga berterima kasih kepada Xianbo Zhou dan rekan-rekannya di SJN Biomed LTD, rekan dan kolaboratornya di rumah sakit/klinik, khususnya Drs. M. Luo dan M. Zhong, yang membantu perekrutan peserta, menjadwalkan tes, dan mengumpulkan, merekam, dan mengelola data front-end, dan peserta sukarelawan yang menyumbangkan waktu mereka yang berharga dan membuat komitmen untuk mengikuti tes dan menyediakan data berharga bagi kita untuk mengevaluasi dalam penelitian ini. Ini studi didukung sebagian oleh Penelitian Ilmiah MD Program Universitas Kedokteran Kunming (Hibah no. 2017BS028 ke XL) dan Program Penelitian Departemen Sains dan Teknologi Yunnan (Hibah no. 2019FE001 (-222) ke XL).
J. Wesson Ashford telah mengajukan permohonan paten untuk penggunaan paradigma pengenalan berkelanjutan khusus yang dijelaskan dalam makalah ini untuk umum pengujian memori.
MemTrax, LLC adalah perusahaan yang dimiliki oleh Curtis Ashford, dan perusahaan ini mengelola pengujian memori sistem yang dijelaskan dalam makalah ini.
Pengungkapan penulis tersedia online (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
REFERENSI
| [1] Asosiasi Alzheimer (2016) 2016 fakta penyakit Alzheimer dan angka. Alzheimer Demen 12, 459–509. | |
| [2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) Efek tahap awal Penyakit Alzheimer pada hasil keuangan rumah tangga. Kesehatan Ekonomi 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) Peningkatan kualitas dalam neurologi: Set pengukuran kualitas gangguan kognitif ringan. Neurologi 93, 705-713. |
| [4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) Efektivitas biaya penggunaan tes skrining kognitif untuk mendeteksi demensia dan gangguan kognitif ringan dalam perawatan primer. Int J Geriatr Psikiatri 32, 1392–1400. | |
| [5] Ashford JW , Gere E , Bayley PJ (2011) Mengukur memori dalam pengaturan grup besar menggunakan tes pengenalan berkelanjutan. J Alzheimers Dis 27, 885–895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Tugas pengenalan berkelanjutan terkomputerisasi untuk pengukuran memori episodik. J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) Performa memori episodik dalam pemodelan pembelajaran mesin untuk memprediksi klasifikasi status kesehatan kognitif. J Alzheimers Dis 70, 277-286. |
| [8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) Tes MemTrax dibandingkan dengan estimasi penilaian kognitif montreal gangguan kognitif ringan. J Alzheimers Dis 67, 1045–1054. | |
| [9] | Falcone M , Yadav N , Poellabauer C , Flynn P (2013) Menggunakan suara vokal terisolasi untuk klasifikasi cedera otak traumatis ringan. Pada Konferensi Internasional IEEE 2013 tentang Akustik, Pemrosesan Suara dan Sinyal, Vancouver, BC, hlm. 7577–7581. |
| [10] | Dabek F , Caban JJ (2015) Memanfaatkan data besar untuk memodelkan kemungkinan berkembangnya kondisi psikologis setelah gegar otak. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Pohon keputusan untuk deteksi dini gangguan kognitif oleh apoteker komunitas. Depan Pharmacol 9, 1232. |
| [12] | Nasreddine ZS, Phillips NA, Bedirian V, Charbonneau S, Whitehead V, Collin I, Cummings JL, Chertkow H (2005) Penilaian Kognitif Montreal, MoCA: Alat skrining singkat untuk gangguan kognitif ringan. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012) Versi Beijing dari penilaian kognitif montreal sebagai alat skrining singkat untuk gangguan kognitif ringan: Sebuah studi berbasis komunitas. Psikiatri BMC 12, 156. |
| [14] | Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) Validasi dasar penilaian kognitif Montreal versi Cina untuk skrining gangguan kognitif ringan. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N , Leach L , Murphy KJ (2018) Pemeriksaan ulang skor cutoff Penilaian Kognitif Montreal (MoCA). Int J Geriatr Psikiatri 33, 379–388. |
| [16] | American Psychiatric Association (2013) Satuan Tugas Diagnostik dan manual statistik gangguan mental: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC. |
| [17] | Python. Yayasan Perangkat Lunak Python, http://www.python.org, Diakses pada 15 November 2019. |
| [18] | R Core Group, R: Bahasa dan lingkungan untuk komputasi statistik R Foundation for Statistical Computing, Wina, Austria. https://www.R-project.org/, 2018, Diakses pada 15 November 2019. |
| [19] | Benavoli A , Corani G , Demšar J , Zaffalon M (2017) Waktunya untuk perubahan: Sebuah tutorial untuk membandingkan beberapa pengklasifikasi melalui analisis Bayesian. J Mach Pelajari Res 18, 1-36. |
| [20] | Frank E , Hall MA , Witten IH (2016) Meja Kerja WEKA. Di Penambangan Data: Alat dan Teknik Pembelajaran Mesin Praktis, Frank E, Hall MA, Witten IH, Pal CJ, eds. 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) Pembelajaran mesin dalam pemodelan menyelesaikan gejala gegar otak olahraga sekolah menengah. Latihan Olahraga Med Sci 51, 1362–1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Eksperimental perspektif belajar dari data yang tidak seimbang. Di Prosiding Konferensi Internasional ke-24 tentang Pembelajaran Mesin, Corvalis, Oregon, AS, hlm. 935-942. |
| [23] | Ashford JW , Kolm P , Colliver JA , Bekian C , Hsu LN (1989) Evaluasi pasien Alzheimer dan status mini-mental: Analisis kurva karakteristik item.P. J Gerontol 44, 139-146. |
| [24] Ashford JW , Jarvik L (1985) penyakit alzheimer: Apakah plastisitas neuron mempengaruhi degenerasi neurofibrillary aksonal? N Engl J Med 313, 388–389. | |
| [25] Jack CR Jr , Therneau TM , Weigand SD , Wiste HJ , Knopman DS , Vemuri P , Lowe VJ , Mielke MM , Roberts RO , Machulda MM , Graff-Radford J , Jones DT , Schwarz CG , Gunter JL , Senjem ML , Rocca WA , Petersen RC (2019) Prevalensi entitas spektrum Alzheimer yang didefinisikan secara biologis vs klinis menggunakan National Institute on Aging-Alzheimer's Riset Asosiasi kerangka. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X , Ashford JW (2019) Kemajuan dalam instrumen skrining untuk Penyakit Alzheimer. Penuaan 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) Kesehatan otak Registri: Platform berbasis internet untuk perekrutan, penilaian, dan pemantauan longitudinal peserta untuk studi ilmu saraf. Alzheimers Dement 14, 1063–1076. | |
| [28] Ashford JW , Schmitt FA (2001) Memodelkan perjalanan waktu Demensia alzheimer. Curr Psikiatri Rep 3, 20–28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE): Protokol untuk studi observasional longitudinal Cina untuk mengembangkan model prediksi risiko konversi ke gangguan kognitif ringan pada individu dengan kognitif subjektif menolak. BMJ Buka 9, e028188. |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) Variabilitas perkembangan biomarker lima tahun untuk demensia penyakit Alzheimer prediksi: Bisakah aktivitas instrumental kompleks penanda kehidupan sehari-hari mengisi kekosongan? Demensia Alzheimer (Amst) 1, 521–532. | |
| [31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) Pencegahan dan pengobatan penyakit Alzheimer: Mekanisme biologis latihan. J Alzheimer Dis 69, 311–338. | |
| [32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Terapi untuk pencegahan dan pengobatan penyakit Alzheimer. 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) Asosiasi antara risiko vaskular di masa dewasa dan patologi otak di akhir kehidupan: Bukti dari kohort kelahiran Inggris. JAMA Neurol 77, 175-183. |
| [34] | Seshadri S (2020) Pencegahan demensia-pemikiran di luar usia dan kotak amiloid. 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) Pengaruh tekanan darah sistolik pada integritas materi putih pada orang dewasa muda dalam Studi Jantung Framingham: Persilangan - studi seksi. 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) Akurasi pengujian biomarker untuk definisi neuropatologis Penyakit Alzheimer pada orang dewasa yang lebih tua dengan demensia. Ann Magang Med 172, 669–677. |
Afiliasi: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] Jurusan Komputer dan Teknik Listrik dan Ilmu Komputer, Florida Atlantic University, Boca Raton, FL, USA | [c] SJN Biomed LTD, Kunming, Yunnan, Cina | [d] Pusat untuk Penelitian Alzheimer, Institut Penelitian Klinis Washington, Washington, DC, AS | [e] Departemen Kedokteran Rehabilitasi, Rumah Sakit Afiliasi Pertama Universitas Kedokteran Kunming, Kunming, Yunnan, China | [f] Departemen Neurologi, Rumah Sakit Rakyat Dehong, Dehong, Yunnan, China | [g] Departemen Neurologi, Rumah Sakit Afiliasi Pertama Universitas Kedokteran Kunming, Distrik Wuhua, Kunming, Provinsi Yunnan, China | [h] Pusat Studi Penyakit dan Cedera Terkait Perang, VA Palo Alto Perawatan Kesehatan Sistem, Palo Alto, CA, AS | [i] Departemen Psikiatri & Ilmu Perilaku, Fakultas Kedokteran Universitas Stanford, Palo Alto, CA, AS
Korespondensi: [*] Korespondensi dengan: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Kampus Inovasi Boca Raton, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, AS. Email: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Departemen Neurologi, Rumah Sakit Afiliasi Pertama Universitas Kedokteran Kunming, 295 Xichang Road, Distrik Wuhua, Kunming, Provinsi Yunnan 650032, Tiongkok. Email: ring@vip.163.com.
Kata Kunci: Penuaan, Penyakit Alzheimer, demensia, skrining massal