התועלת של MemTrax ו-Machine Learning Modeling בסיווג של ליקוי קוגניטיבי קל
מאמר מחקרי
מחברים: ברגרון, מייקל פ. | לנדסת, שרה | ג'ואו, שיאנבו | דינג, טאו | חושגופטאר, תגי מ. | זאו, פנג | דו, בו | צ'ן, שינג'י | וואנג, שואן | ז'ונג, ליאנמיי | ליו, שיאוליי| אשפורד, ג'יי וסון
DOI: 10.3233/JAD-191340
כתב עת: כתב עת של מחלת אלצהיימר, כרך א. 77, לא. 4, עמ '1545-1558, 2020
תַקצִיר
רקע:
השכיחות הנרחבת והשכיחות של מחלת אלצהיימר והפרעה קוגניטיבית קלה (MCI) עוררה קריאה דחופה למחקר כדי לאמת בדיקה והערכה קוגניטיבית לגילוי מוקדם.
מטרה:
מטרת המחקר העיקרית שלנו הייתה לקבוע אם מדדי ביצוע נבחרים של MemTrax ומאפיינים דמוגרפיים ופרופיל בריאות רלוונטיים יכולים להיות מנוצלים ביעילות במודלים חזויים שפותחו עם למידת מכונה כדי לסווג בריאות קוגניטיבית (רגיל לעומת MCI), כפי שיצוין על ידי הערכה קוגניטיבית במונטריאול (MoCA).
שיטות:
ערכנו מחקר חתך על 259 מטופלים מבוגרים נוירולוגיה, זיכרון ורפואה פנימית שגויסו משני מטופלים. בתי חולים בסין. כל מטופל קיבל את ה-MoCA בשפה הסינית ונתן בעצמו את הפרק המקוון של MemTrax ההכרה המתמשכת מבחן זיכרון באינטרנט באותו היום. מודלים של סיווג חזוי נבנו באמצעות למידת מכונה עם אימות צולב פי 10, וביצועי המודל נמדדו באמצעות Area Under the Receiver Operating Characteristic Curve (AUC). המודלים נבנו באמצעות שני מדדי ביצועים של MemTrax (אחוזים נכונים, זמן תגובה), יחד עם שמונה המאפיינים הדמוגרפיים וההיסטוריה האישית הנפוצים.
תוצאות:
בהשוואה בין הלומדים על פני שילובים נבחרים של ציוני MoCA וספים, Naive Bayes היה בדרך כלל הלומד בעל הביצועים הטובים ביותר עם ביצועי סיווג כלליים של 0.9093. יתרה מכך, בין שלושת הלומדים המובילים, ביצועי הסיווג המבוססים על MemTrax בסך הכל היו עדיפים תוך שימוש רק בארבע התכונות המדורגות ביותר (0.9119) בהשוואה לשימוש בכל 10 התכונות הנפוצות (0.8999).
סיכום:
ניתן להשתמש ביעילות בביצועי MemTrax במודל חיזוי של סיווג למידת מכונה אפליקציית סקר לאיתור ליקוי קוגניטיבי בשלב מוקדם.
מבוא
השכיחות והשכיחות המוכרים (אם כי לא מאובחנים) והולכת במקביל רפואית, חברתית וציבורית. בריאות העלויות והנטל של מחלת אלצהיימר (AD) והפרעות קוגניטיביות קלות (MCI) מכבידים יותר ויותר על כל בעלי העניין [1, 2]. תרחיש מצוקה ופורח זה עורר קריאה דחופה למחקר לאמת זיהוי מוקדם מכשירי סקר והערכה קוגניטיביים לשימוש מעשי קבוע במסגרות אישיות וקליניות עבור חולים מבוגרים על פני אזורים ואוכלוסיות מגוונות [3]. מכשירים אלה חייבים גם לספק תרגום חלק של תוצאות אינפורמטיביות לרשומות בריאות אלקטרוניות. היתרונות ימומשו על ידי הסברה למטופלים וסיוע לרופאים בזיהוי שינויים משמעותיים מוקדם יותר ובכך לאפשר ריבוד, יישום ומעקב מהירים יותר ובזמן רב יותר של טיפול אינדיבידואלי מתאים וחסכוני יותר וטיפול בחולים למי שמתחיל לחוות ירידה קוגניטיבית [3, 4].
כלי MemTrax הממוחשב (https://memtrax.com) היא הערכת זיהוי מתמשך פשוטה וקצרה שניתן לבצע באופן עצמי באינטרנט כדי למדוד ביצועי זיכרון אפיזודיים מאתגרים בזמן שבו המשתמש מגיב לתמונות חוזרות ונשנות ולא למצגת ראשונית [5, 6]. המחקרים האחרונים וההשלכות המעשיות הנובעות מכך מתחילים להדגים בהדרגה ובקולקטיבית את היעילות הקלינית של MemTrax בהקרנת AD ו-MCI מוקדמת [5-7]. עם זאת, השוואה ישירה של תועלת קלינית לקיים בריאות קוגניטיבית הערכה ותקנים קונבנציונליים מתחייבים לספק פרספקטיבה מקצועית ולאשש את כלי השירות MemTrax בזיהוי מוקדם ותמיכה באבחון. van der Hoek et al. [8] השוו מדדי ביצועים נבחרים של MemTrax (מהירות תגובה ואחוז נכונים) למצב קוגניטיבי כפי שנקבע על ידי מונטריאול הערכה קוגניטיבית (MoCA). עם זאת, מחקר זה הוגבל לשיוך מדדי ביצועים אלה לאפיון של מצב קוגניטיבי (כפי שנקבע על ידי MoCA) והגדרת הטווחים היחסיים וערכי החיתוך. בהתאם לכך, כדי להרחיב את החקירה הזו ולשפר את ביצועי הסיווג והיעילות, שאלת המחקר העיקרית שלנו הייתה:
- האם מדדי ביצועים של MemTrax נבחרים של אדם ודמוגרפיה רלוונטית ובריאות פרופיל מאפיינים מנוצלים ביעילות במודל חיזוי שפותח עם למידת מכונה כדי לסווג בריאות קוגניטיבית באופן דיכוטומי (נורמלי לעומת MCI), כפי שיעיד על ציון ה-MoCA של האדם?
משני לכך, רצינו לדעת:
- האם, כולל אותן תכונות, האם ניתן ליישם ביעילות מודל למידת מכונה מבוסס ביצועים של MemTrax על מטופל כדי לחזות חומרה (קלה לעומת חמורה) בתוך קטגוריות נבחרות של ליקוי קוגניטיבי כפי שייקבע על ידי אבחנה קלינית עצמאית?
ההופעה והיישום המעשי המתפתח של בינה מלאכותית ולמידת מכונה בהקרנה/זיהוי כבר הוכיחו יתרונות מעשיים מובהקים, כאשר מודל חזוי מנחה ביעילות רופאים בהערכה המאתגרת של בריאות קוגניטיבית/מוח וניהול חולים. במחקר שלנו, בחרנו בגישה דומה במודלים של סיווג MCI ובאפליה של חומרת ליקויים קוגניטיביים, כפי שאושרה על ידי אבחנה קלינית משלושה מערכי נתונים המייצגים מאושפזים מתנדבים נבחרים משני בתי חולים בסין. באמצעות מודל חיזוי של למידת מכונה, זיהינו את הלומדים בעלי הביצועים הטובים ביותר משילובי הנתונים/לומדים השונים ודירגנו את התכונות שידריכו אותנו בהגדרת יישומי המודל המעשיים ביותר מבחינה קלינית.
ההשערות שלנו היו שניתן להשתמש במודל מאומת מבוסס MemTrax כדי לסווג בריאות קוגניטיבית באופן דיכוטומי (נורמלי או MCI) בהתבסס על קריטריון סף הניקוד המצטבר של MoCA, וכי ניתן להפעיל מודל חיזוי דומה של MemTrax ביעילות בהבחנה בחומרה בקטגוריות נבחרות של מאובחנת קלינית פגיעה קוגניטיבית. הדגמת התוצאות הצפויות תהיה מועילה בתמיכה ביעילות של MemTrax כמסך גילוי מוקדם לסיווג ירידה קוגניטיבית וסיווג לקויות קוגניטיביות. השוואה חיובית לסטנדרט כביכול בתעשייה המשלימה בקלות רבה יותר ובמהירות השימושיות תהיה משפיעה בסיוע לרופאים לאמץ את הכלי הפשוט, האמין והנגיש הזה כמסך ראשוני לאיתור ליקויים קוגניטיביים בשלב מוקדם (כולל פרודרומלי). גישה ותועלת כזו יכולה, אם כן, לעורר טיפול והתערבות בחולים בזמן ובשכבות טובות יותר. תובנות אלה שחושבות קדימה ומדדים ומודלים משופרים יכולים גם להיות מועילים בהפחתת או עצירת התקדמות הדמנציה, כולל AD ו-ADD-related Dementias (ADRD).
חומרים ושיטות
אוכלוסיית המחקר
בין ינואר 2018 לאוגוסט 2019, הושלם מחקר חתך על חולים שגויסו משני בתי חולים בסין. הניהול של MemTrax [5] לאנשים בני 21 ומעלה ואיסוף וניתוח הנתונים הללו נבדקו ואושרו על ידי ונוהלו בהתאם לסטנדרטים האתיים של בן אנוש ועדת הגנת הנושא של אוניברסיטת סטנפורד. MemTrax וכל שאר הבדיקות למחקר כולל זה בוצעו על פי הצהרת הלסינקי משנת 1975 ואושרו על ידי מועצת הביקורת המוסדית של בית החולים המסונף הראשון של האוניברסיטה הרפואית של קונמינג בקונמינג, יונאן, סין. לכל משתמש סופק הסכמה מדעת טופס לקריאה/סקירה ולאחר מכן להסכים מרצון להשתתף.
המשתתפים גויסו ממאגר מטופלי החוץ במרפאה הנוירולוגית בבית החולים יאנחואה (תת נתונים של YH) וה מרפאת זיכרון בבית החולים הראשון של קונמינג מדיקל אוניברסיטה (ערכת משנה XL) בבייג'ינג, סין. המשתתפים גויסו גם מאשפוזים מאושפזים בנוירולוגיה (XL sub-dataset) ורפואה פנימית (KM sub-dataset) בבית החולים המסונף הראשון של האוניברסיטה הרפואית בקונמינג. קריטריוני ההכללה כללו 1) גברים ונשים בני 21 לפחות, 2) יכולת לדבר סינית (מנדרינית), ו-3) יכולת להבין כיוונים מילוליים וכתובים. קריטריוני ההדרה היו ראייה וליקויים מוטוריים שמנעו מהמשתתפים להשלים את מבחן MemTrax, כמו גם חוסר היכולת להבין את הוראות הבדיקה הספציפיות.
גרסה סינית של MemTrax
באינטרנט פלטפורמת הבדיקה של MemTrax תורגמה לסינית (כתובת אתר: https://www.memtrax.com.cn) ומותאמת עוד יותר לשימוש באמצעות WeChat (Shenzhen Tencent Computer Systems Co. LTD., שנזן, גואנגדונג, סין) לניהול עצמי. הנתונים אוחסנו בשרת ענן (Ali Cloud) הממוקם בסין וברישיון Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, סין) על ידי SJN Biomed LTD (Kunming, Yunnan, סין). פרטים ספציפיים על MemTrax וקריטריונים של תוקף מבחן המשמשים כאן תוארו בעבר [6]. הבדיקה ניתנה ללא תשלום למטופלים.
נהלי לימוד
עבור מאושפזים ואשפוז, שאלון נייר כללי לאיסוף מידע דמוגרפי ואישי כמו גיל, מין, שנות השכלה, עיסוק, לחיות לבד או עם משפחה, וההיסטוריה הרפואית נוהלה על ידי חבר בצוות המחקר. לאחר מילוי השאלון, בוצעו מבחני MoCA [12] ו-MemTrax (MoCA תחילה) עם לא יותר מ-20 דקות בין בדיקה לבדיקה. אחוז נכון של MemTrax (MTx-% C), זמן תגובה ממוצע (MTx-RT) ותאריך ושעה של הבדיקה תועדו על נייר על ידי חבר מצוות המחקר עבור כל משתתף שנבדק. השאלון המלא ותוצאות ה-MoCA הועלו לגיליון אלקטרוני של Excel על ידי החוקר שניהל את הבדיקות ואומת על ידי עמית לפני שמירת קבצי האקסל לניתוחים.
מבחן MemTrax
מבחן MemTrax המקוון כלל 50 תמונות (25 ייחודיות ו-25 חזרות; 5 סטים של 5 תמונות של סצנות או אובייקטים נפוצים) המוצגות בסדר פסאודו אקראי ספציפי. המשתתף היה (לפי הוראות) נוגע בלחצן התחל במסך כדי להתחיל בבדיקה ולהתחיל לצפות בסדרת התמונות ושוב לגעת בתמונה על המסך במהירות האפשרית בכל פעם שתמונה חוזרת הופיעה. כל תמונה הופיעה במשך 3 שניות או עד שנגעה בתמונה על המסך, מה שגרם להצגה מיידית של התמונה הבאה. באמצעות השעון הפנימי של המכשיר המקומי, MTx-RT עבור כל תמונה נקבע לפי הזמן שחלף מהצגת התמונה ועד נגיעה במסך על ידי המשתתף בתגובה לציון זיהוי התמונה ככזו שכבר הוצגה בזמן המבחן. MTx-RT הוקלט עבור כל תמונה, כאשר 3 שניות מלאות תועדו מה שמצביע על חוסר תגובה. MTx-% C חושב כדי לציין את אחוז התמונות החוזרות והראשוניות שהמשתמש הגיב אליהן בצורה נכונה (חיובי אמיתי + שלילי אמיתי חלקי 50). פרטים נוספים על הניהול והיישום של MemTrax, הפחתת נתונים, נתונים לא חוקיים או "אין תגובה" וניתוחי נתונים ראשוניים מתוארים במקום אחר [6].
בדיקת MemTrax הוסברה בפירוט ובדיקת תרגול (עם תמונות ייחודיות מלבד אלו ששימשו בבדיקה לרישום תוצאות) סופקה למשתתפים במסגרת בית החולים. המשתתפים בתתי הנתונים של YH ו-KM עברו את מבחן MemTrax בסמארטפון שהוטען עם האפליקציה ב-WeChat; בעוד שמספר מצומצם של חולי תת-הנתונים XL השתמשו באייפד והשאר השתמשו בסמארטפון. כל המשתתפים עברו את מבחן MemTrax כאשר חוקר מחקר התבונן באופן לא פולשני.
הערכה קוגניטיבית של מונטריאול
גרסת בייג'ינג של ה-MoCA הסינית (MoCA-BC) [13] ניתנה וקיבלה ציונים על ידי חוקרים מאומנים על פי הוראות הבדיקה הרשמיות. באופן מתאים, הוכח שה-MoCA-BC הוא אמין מבחן קוגניטיבי מיון בכל רמות ההשכלה בקרב קשישים סיניים [14]. כל מבחן ארך כ-10 עד 30 דקות לביצוע על סמך היכולות הקוגניטיביות של המשתתף.
דוגמנות סיווג MoCA
היו בסך הכל 29 תכונות שימושיות, כולל שני MemTrax בדיקת מדדי ביצועים ו-27 תכונות הקשורות לדמוגרפיה ובריאות מידע לכל משתתף. הציון המצטבר של מבחן MoCA של כל מטופל שימש כ- סקר קוגניטיבי "בנצ'מרק" כדי להכשיר את המודלים החזויים שלנו. בהתאם לכך, מכיוון ש-MoCA שימש ליצירת תווית המחלקה, לא יכולנו להשתמש בציון המצטבר (או בכל אחד מציוני המשנה של MoCA) כתכונה עצמאית. ביצענו ניסויים ראשוניים שבהם דגמנו (סיווג בריאות קוגניטיבית המוגדרת על ידי MoCA) את שלושת תת-הנתונים המקוריים של בית החולים/מרפאות בנפרד ולאחר מכן שילבנו תוך שימוש בכל התכונות. עם זאת, כל אותם רכיבי נתונים לא נאספו בכל אחת מארבע המרפאות המייצגות את שלושת מערכי המשנה; לפיכך, לרבות מהתכונות שלנו במערך הנתונים המשולב (כאשר נעשה שימוש בכל התכונות) הייתה שכיחות גבוהה של ערכים חסרים. לאחר מכן בנינו מודלים עם מערך הנתונים המשולב תוך שימוש בתכונות נפוצות בלבד, מה שהביא לשיפור בביצועי הסיווג. זה הוסבר ככל הנראה על ידי שילוב של עוד מקרים לעבוד איתם על ידי שילוב של שלושת מערכי המשנה של המטופלים וללא תכונות עם שכיחות מופרזת של ערכים חסרים (רק לתכונה אחת במערך המשולב, סוג העבודה, היו ערכים חסרים, מה שהשפיע רק שלושה מקרים של מטופלים), מכיוון שרק תכונות נפוצות שתועדו בכל שלושת האתרים נכללו. יש לציין שלא היה לנו קריטריון דחייה ספציפי עבור כל תכונה שבסופו של דבר לא נכללה במערך המשולב. עם זאת, במודלים המשולבים הראשוניים שלנו של מערך הנתונים, השתמשנו תחילה בכל התכונות מכל אחד משלושת תת-הנתונים הנפרדים של המטופלים. זה הביא באופן נרחב לביצועי מודל שהיו נמוכים למדידה מהמודל הראשוני הראשוני בכל תת-נתונים בודדים. יתרה מכך, בעוד שביצועי הסיווג של המודלים שנבנו באמצעות כל התכונות היו מעודדים, בכל הלומדים ותכניות הסיווג, הביצועים השתפרו עבור פי שניים ממודלים כאשר השתמשו רק בתכונות נפוצות. למעשה, בין מה שבסופו של דבר היו הלומדים המובילים שלנו, כל המודלים מלבד אחד השתפרו עם ביטול תכונות לא שכיחות.
מערך הנתונים המצטבר הסופי (YH, XL ו-KM בשילוב) כלל 259 מופעים, שכל אחד מהם מייצג משתתף ייחודי שלקח גם את מבחן ה-MemTrax וגם את מבחני ה-MoCA. היו 10 תכונות עצמאיות משותפות: מדדי ביצועים של MemTrax: MTx-% C וממוצע MTx-RT; מידע דמוגרפי והיסטוריה רפואית: גיל, מין, שנות השכלה, סוג עבודה (צווארון כחול/צווארון לבן), תמיכה סוציאלית (האם הנבחן גר לבד או עם משפחה), וכן תשובות אם למשתמש היה היסטוריה של סוכרת, היפרליפידמיה או פגיעה מוחית טראומטית. שני מדדים נוספים, ציון מצטבר של MoCA וציון מצטבר של MoCA מותאם לשנים של חינוך [12], שימשו בנפרד לפיתוח תוויות סיווג תלויות, ובכך יצרו שתי סכימות דוגמנות נפרדות שיושמו על מערך הנתונים המשולב שלנו. עבור כל גרסה (מותאמת ולא מותאמת) של ציון MoCA, הנתונים שוב עוצבו בנפרד עבור סיווג בינארי תוך שימוש בשני ספי קריטריונים שונים - המומלץ בתחילה [12] וערך חלופי בשימוש וקידום על ידי אחרים [8, 15]. בסכימת סיווג הסף החלופי, מטופל נחשב לבריאות קוגניטיבית תקינה אם הוא קיבל ציון ≥23 במבחן MoCA ויש לו MCI אם הציון היה 22 ומטה; ואילו בפורמט הסיווג המומלץ הראשוני, המטופל היה צריך ציון 26 או טוב יותר ב-MoCA כדי להיות מתויג כבעל בריאות קוגניטיבית תקינה.
נתונים מסוננים עבור מודלים של סיווג MoCA
עוד בחנו את סיווג ה-MoCA תוך שימוש בארבע טכניקות דירוג תכונות נפוצות: Chi-Squared, Gain Ratio, Gain Information ואי-ודאות סימטרית. לנקודת מבט ביניים, החלנו את המדרגים על כל מערך הנתונים המשולב באמצעות כל אחת מארבע סכימות הדוגמנות שלנו. כל המדרגים הסכימו על אותן תכונות מובילות, כלומר, גיל, מספר שנות לימוד, ושני מדדי הביצועים של MemTrax (MTx-% C, ממוצע MTx-RT). לאחר מכן בנינו מחדש את הדגמים באמצעות כל טכניקת בחירת תכונות כדי לאמן את הדגמים רק על ארבעת התכונות המובילות (ראה בחירת תכונה להלן).
שמונה הווריאציות האחרונות של סכימות המודלים לסיווג ה-MoCA מוצגות בטבלה 1.
שולחן 1
סיכום של וריאציות של סכימת דוגמנות המשמשות לסיווג MoCA (רגיל בריאות קוגניטיבית לעומת MCI)
| תכנית דוגמנות | בריאות קוגניטיבית תקינה (מעמד שלילי) | MCI (מחלקה חיובית) |
| מותאם-23 לא מסונן/מסונן | 101 (% 39.0) | 158 (% 61.0) |
| מותאם-26 לא מסונן/מסונן | 49 (% 18.9) | 210 (% 81.1) |
| לא מותאם-23 לא מסונן/מסונן | 92 (% 35.5) | 167 (% 64.5) |
| לא מותאם-26 לא מסונן/מסונן | 42 (% 16.2) | 217 (% 83.8) |
המספר והאחוז המתאימים מכלל החולים בכל כיתה מובחנים על ידי התאמת הציון להשכלה (מותאם או לא מותאם) וסף הסיווג (23 או 26), כפי שמיושם על שני קבוצות התכונות (לא מסונן ומסונן).
מודלים של הערכה קלינית מבוססת MemTrax
מבין שלושת תת-הנתונים המקוריים שלנו (YH, XL, KM), רק חולי תת-הנתונים XL אובחנו באופן קליני באופן עצמאי בשל ליקוי קוגניטיבי (כלומר, ציוני ה-MoCA שלהם לא שימשו בביסוס סיווג של נורמלי לעומת לקוי). באופן ספציפי, חולי XL אובחנו עם אחד מהם בדיקת מחלת אלצהיימר (AD) או דמנציה וסקולרית (VaD). בכל אחת מקטגוריות האבחון הראשוניות הללו, היה ייעוד נוסף ל-MCI. אבחנות של MCI, דמנציה, הפרעה נוירוקוגניטיבית כלי דם והפרעה נוירוקוגניטיבית עקב AD התבססו על קריטריונים אבחוניים ספציפיים וייחודיים המפורטים במדריך האבחון והסטטיסטי של הפרעות נפשיות: DSM-5 [16]. בהתחשב באבחנות מעודנות אלו, שתי סכמות מודלים של סיווג יושמו בנפרד על מערך המשנה של XL כדי להבחין ברמת החומרה (דרגת הליקוי) עבור כל קטגוריית אבחנה ראשונית. הנתונים ששימשו בכל אחת מסכימות המודלים האבחוניים הללו (AD ו-VaD) כללו מידע דמוגרפי והיסטוריה של המטופל, כמו גם ביצועי MemTrax (MTx-% C, MTx-RT ממוצע). כל אבחנה סומנה קלה אם הוגדרה MCI; אחרת, זה נחשב חמור. בהתחלה שקלנו לכלול את ציון ה-MoCA במודלים של האבחון (קל לעומת חמור); אבל קבענו שזה יביס את המטרה של תוכנית המודלים החזויים המשניים שלנו. כאן הלומדים יוכשרו תוך שימוש במאפייני מטופל אחרים הזמינים בקלות לספק ומדדי ביצועים של מבחן MemTrax הפשוט יותר (במקום ה-MoCA) כנגד ההתייחסות ל"תקן הזהב", האבחנה הקלינית העצמאית. היו 69 מקרים במערך הנתונים לאבחון AD ו-76 מקרים של VaD (טבלה 2). בשני מערכי הנתונים, היו 12 תכונות עצמאיות. בנוסף ל-10 המאפיינים הכלולים בסיווג ציון MoCA, היסטוריית המטופלים כללה גם מידע על היסטוריה של יתר לחץ דם ושבץ מוחי.
שולחן 2
סיכום של וריאציות של סכימת דוגמנות המשמשות לסיווג חומרת האבחון (קל לעומת חמור)
| תכנית דוגמנות | מתון (מעמד שלילי) | חמור (מעמד חיובי) |
| MCI-AD מול AD | 12 (% 17.4) | 57 (% 82.6) |
| MCI-VaD מול VaD | 38 (% 50.0) | 38 (% 50.0) |
מספר ואחוז מכלל החולים בכל כיתה מובחנים לפי קטגוריית האבחנה הראשונית (AD או VaD).
סטָטִיסטִיקָה
השוואה של מאפייני משתתפים ומאפיינים מספריים אחרים בין מערכי משנה של כל אסטרטגיית סיווג מודל (כדי לחזות את הבריאות הקוגניטיבית של MoCA וחומרת האבחון) בוצעה באמצעות שפת התכנות Python (גרסה 2.7.1) [17]. הבדלי ביצועי המודל נקבעו תחילה באמצעות ANOVA חד או שני גורמים (לפי המתאים) עם רווח בר סמך של 95% ומבחן Tukey honest significant difference (HSD) כדי להשוות את ממוצע הביצועים. בחינה זו של ההבדלים בין ביצועי המודל בוצעה באמצעות שילוב של Python ו-R (גרסה 3.5.1) [18]. השתמשנו בגישה זו (אם כי, ככל הנראה פחות מאופטימלית) רק כעזר היוריסטי בעניין זה בשלב מוקדם להשוואת ביצועי מודל ראשונית בציפייה ליישום קליני פוטנציאלי. לאחר מכן השתמשנו במבחן הדרגה בסימן בייסיאני באמצעות התפלגות אחורית כדי לקבוע את ההסתברות להבדלים בביצועי המודל [19]. עבור ניתוחים אלה, השתמשנו במרווח -0.01, 0.01, המסמל שאם לשתי קבוצות יש הבדל ביצועים של פחות מ-0.01, הן נחשבו זהות (באזור של שקילות מעשית), או אחרת הן היו שונות (אחת טובה יותר מ- האחר). כדי לבצע השוואה בייסיאנית של מסווגים ולחשב הסתברויות אלו, השתמשנו בספריית baycomp (גרסה 1.0.2) עבור Python 3.6.4.
דוגמנות חזויות
בנינו מודלים חזויים תוך שימוש בעשר הווריאציות הכוללות של סכימות הדוגמנות שלנו כדי לחזות (לסווג) את התוצאה של בדיקת MoCA של כל מטופל או את חומרת האבחנה הקלינית. כל הלומדים יושמו והמודלים נבנו באמצעות פלטפורמת התוכנה הפתוח Weka [20]. לצורך הניתוח המקדים שלנו, השתמשנו ב-10 אלגוריתמי למידה נפוצים: 5-Nearest Neighbors, שתי גרסאות של עץ ההחלטות C4.5, רגרסיה לוגיסטית, Perceptron רב שכבתי, Naive Bayes, שתי גרסאות של Random Forest, Radial Basis Function Network ו- Support Vector מְכוֹנָה. תכונות מפתח וניגודים של אלגוריתמים אלה תוארו במקום אחר [21] (ראה נספח בהתאמה). אלה נבחרו מכיוון שהם מייצגים מגוון סוגים שונים של לומדים ומכיוון שהוכחנו הצלחה בשימוש בהם בניתוחים קודמים על נתונים דומים. הגדרות היפר-פרמטרים נבחרו מהמחקר הקודם שלנו, מה שמצביע על יציבות במגוון נתונים שונים [22]. בהתבסס על תוצאות הניתוח המקדים שלנו באמצעות אותו מערך נתונים משולב עם תכונות נפוצות ששימשו לאחר מכן בניתוח המלא, זיהינו שלושה לומדים שסיפקו ביצועים חזקים באופן עקבי בכל הסיווגים: רגרסיה לוגיסטית, נאיבי בייס ו- Support Vector Machine.
מדד אימות צולב וביצועי מודל
עבור כל המודלים החזויים (כולל הניתוחים המקדימים), כל מודל נבנה באמצעות אימות צולב פי 10, וביצועי המודל נמדדו באמצעות Area Under the Receiver Operating Characteristic Curve (AUC). אימות צולב החל בחלוקה אקראית של כל אחד מ-10 מערכי הנתונים של סכימת המודלים ל-10 מקטעים שווים (קיפולים), תוך שימוש בתשעה מהמקטעים המתאימים כדי לאמן את המודל ואת החלק הנותר לבדיקה. הליך זה חזר על עצמו 10 פעמים, תוך שימוש בקטע אחר כמערך הבדיקה בכל איטרציה. לאחר מכן שולבו התוצאות כדי לחשב את התוצאה/ביצועים של המודל הסופי. עבור כל שילוב לומד/מערך נתונים, כל התהליך הזה חזר על עצמו 10 פעמים כשהנתונים מחולקים באופן שונה בכל פעם. צעד אחרון זה הפחית את ההטיה, הבטיח שכפול ועזר בקביעת ביצועי המודל הכוללים. בסך הכל (עבור ציון MoCA ותוכניות סיווג חומרת האבחון ביחד), נבנו 6,600 דגמים. זה כלל 1,800 מודלים לא מסוננים (6 סכימות מידול שהוחלו על מערך הנתונים×3 לומדים×10 ריצות×10 קיפולים = 1,800 מודלים) ו-4,800 מודלים מסוננים (4 סכימות דוגמנות שהוחלו על מערך הנתונים×3 לומדים×4 טכניקות בחירת תכונות×10 ריצות× 10 קיפולים = 4,800 דגמים).
בחירת תכונה
עבור המודלים שסוננו, בוצעה בחירת תכונה (באמצעות ארבע שיטות דירוג התכונה) במסגרת האימות המוצלב. עבור כל אחד מ-10 הקפלים, מכיוון ש-10% שונים ממערך הנתונים היו נתוני הבדיקה, נעשה שימוש רק בארבעת התכונות הנבחרות המובילות עבור כל מערך אימון (כלומר, תשעת הקיפולים האחרים, או 90% הנותרים של מערך הנתונים כולו) לבנות את הדגמים. לא הצלחנו לאשר באילו ארבע תכונות נעשה שימוש בכל דגם, מכיוון שמידע זה אינו מאוחסן או זמין בפלטפורמת הדוגמנות בה השתמשנו (Weka). עם זאת, בהתחשב בעקביות בבחירה הראשונית שלנו של תכונות מובילות כאשר המדרגים יושמו על כל מערך הנתונים המשולב והדמיון שלאחר מכן בביצועי המודלים, אותן תכונות (גיל, שנות השכלה, MTx-% C ו-MTx-RT ממוצעים ) הם ככל הנראה ארבעת המובילים הנפוצים ביותר בשימוש במקביל לבחירת התכונה בתהליך האימות הצולבי.
תוצאות
מאפיינים מספריים של המשתתפים (כולל ציוני MoCA ומדדי ביצועים של MemTrax) של מערכי הנתונים המתאימים עבור כל אסטרטגיית סיווג מודלים לניבוי בריאות קוגניטיבית המצויה על MoCA (רגיל לעומת MCI) וחומרת האבחנה (קלה לעומת חמורה) מוצגים בטבלה 3.
שולחן 3
מאפייני משתתפים, ציוני MoCA וביצועי MemTrax עבור כל אסטרטגיית סיווג מודל
| אסטרטגיית סיווג | גיל | חינוך | MoCA מותאם | MoCA לא מותאם | MTx-% C | MTx-RT |
| קטגוריית MoCA | 61.9 שנים (13.1) | 9.6 שנים (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 שניות (0.3) |
| חומרת האבחון | 65.6 שנים (12.1) | 8.6 שנים (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 שניות (0.3) |
הערכים המוצגים (ממוצע, SD) המובדלים על ידי אסטרטגיות סיווג מודלים מייצגים את מערך הנתונים המשולב המשמש לניבוי בריאות קוגניטיבית המבוססת על MoCA (MCI לעומת רגיל) ומערך המשנה XL משמש רק לניבוי חומרת האבחנה (קלה לעומת חמורה).
עבור כל שילוב של ציון MoCA (מותאם/לא מותאם) וסף (26/23), היה הבדל סטטיסטי (p = 0.000) בכל השוואה זוגית (בריאות קוגניטיבית תקינה לעומת MCI) עבור גיל, השכלה וביצועי MemTrax (MTx-% C ו-MTx-RT). כל תת-נתונים של מטופלים במחלקה המתאימה של MCI עבור כל שילוב היה מבוגר בממוצע בכ-9 עד 15 שנים, דיווחו על כחמש שנות השכלה פחותות והיו לו ביצועים פחות טובים של MemTrax עבור שני המדדים.
תוצאות ביצועי מידול חזוי עבור סיווגי ציון ה-MoCA תוך שימוש בשלושת הלומדים המובילים, רגרסיה לוגיסטית, Naive Bayes ו- Support Vector Machine, מוצגות בטבלה 4. שלושת אלו נבחרו על סמך הביצועים האבסולוטיים הגבוהים ביותר של הלומדים בכל המודלים השונים מיושם על מערכי הנתונים עבור כל סכימות הדוגמנות. עבור מערך הנתונים והמודלים הבלתי מסוננים, כל אחד מערכי הנתונים בטבלה 4 מציין את ביצועי המודל על סמך ממוצע ה-AUC בהתאמה הנגזר מ-100 המודלים (10 ריצות × 10 קיפולים) שנבנו עבור כל שילוב לומד/סכימת דוגמנות, עם הממוצע הגבוה ביותר בהתאמה. לומד ביצוע מסומן בהדגשה. בעוד שלמודלים של מערך הנתונים המסונן, התוצאות המדווחות בטבלה 4 משקפות את ביצועי המודל הממוצעים הכוללים מ-400 מודלים עבור כל לומד המשתמש בכל אחת משיטות דירוג התכונות (4 שיטות דירוג תכונות×10 ריצות×10 קיפולים).
שולחן 4
תוצאות סיווג ציוני MoCA דיכוטומי (AUC; 0.0–1.0) עבור כל אחד משלושת הלומדים בעלי הביצועים הטובים ביותר עבור כל סכימות הדוגמנות המתאימות
| ערכת תכונות בשימוש | ציון MoCA | סף חיתוך | רגרסיה לוגיסטית | נאיביות | תמיכה במכונה וקטורית |
| לא מסונן (10 תכונות) | מותאם | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| לא מכוון | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| מסונן (4 תכונות) | מותאם | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| לא מכוון | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
תוך שימוש בווריאציות של ערכת תכונות, ציון MoCA וסף חיתוך ציוני MoCA, הביצועים הגבוהים ביותר עבור כל סכימת דוגמנות מוצגים ב- סיכה (לא בהכרח שונה סטטיסטית מכל האחרים שאינם ב סיכה עבור הדגם המתאים).
בהשוואה בין הלומדים בכל השילובים של גרסאות וספי ניקוד MoCA (מותאם/לא מותאם ו-23/26, בהתאמה) במערך הנתונים המשולב ללא סינון (כלומר, תוך שימוש ב-10 התכונות הנפוצות), Naive Bayes היה בדרך כלל הלומד בעל הביצועים הטובים ביותר עם תוצאה כללית ביצועי סיווג של 0.9093. בהתחשב בשלושת הלומדים המובילים, מבחני דירוג סימנים בקורלציה בייסיאנית הצביעו על כך שההסתברות (Pr) של Naive Bayes עם ביצועים טובים יותר רגרסיה לוגיסטית היה 99.9%. יתרה מכך, בין Naive Bayes ל-Support Vector Machine, הסתברות של 21.0% לשקילות מעשית בביצועי הלומד (ולכן, הסתברות של 79.0% של Naive Bayes ביצועים טובים יותר מ-Support Vector Machine), יחד עם ההסתברות של 0.0% לביצועים טובים יותר, באופן מדיד, של Support Vector Machine. מחזק את יתרון הביצועים של Naive Bayes. השוואה נוספת של גרסת ציון MoCA על פני כל הלומדים/ספים הציעה יתרון ביצועים קל באמצעות ציוני MoCA לא מותאמים לעומת התאמה (0.9027 לעומת 0.8971, בהתאמה; Pr (לא מותאם > מותאם) = 0.988). באופן דומה, השוואה של סף חיתוך בין כל הלומדים וגרסאות ציון MoCA הצביעה על יתרון ביצועי סיווג קטן באמצעות 26 כסף הסיווג לעומת 23 (0.9056 לעומת 0.8942, בהתאמה; Pr (26 > 23) = 0.999). לבסוף, בבחינת ביצועי הסיווג של המודלים תוך שימוש בתוצאות המסוננות בלבד (כלומר, ארבע תכונות בדירוג העליון בלבד), Naive Bayes (0.9143) הייתה מספרית הלומד בעל הביצועים הטובים ביותר בכל גרסאות/ספי ציון MoCA. עם זאת, בכל טכניקות דירוג התכונות ביחד, כל הלומדים עם הביצועים הטובים ביותר ביצעו ביצועים דומים. מבחני דרגה בייסיאנית הראו הסתברות של 100% לשקולות מעשית בין כל זוג לומדים מסוננים. כמו בנתונים הבלתי מסוננים (באמצעות כל 10 התכונות הנפוצות), שוב היה יתרון ביצועים לגרסה הלא מותאמת של ציון MoCA (Pr (לא מותאם > מותאם) = 1.000), כמו גם יתרון מובהק בדומה לסף הסיווג של 26 (Pr (26 > 23) = 1.000). יש לציין כי הביצועים הממוצעים של כל אחד משלושת הלומדים המובילים בכל גרסאות/ספי ציון MoCA תוך שימוש רק בארבע התכונות המדורגות ביותר עלו על הביצועים הממוצעים של כל לומד בנתונים הבלתי מסוננים. באופן לא מפתיע, ביצועי הסיווג של המודלים המסוננים (באמצעות ארבעת התכונות המדורגות ביותר) בסך הכל היו עדיפים (0.9119) על המודלים הבלתי מסוננים (0.8999), ללא קשר למודלים של שיטות דירוג התכונות שהושוו לאותם מודלים בהתאמה באמצעות כל 10 הנפוצים תכונות. עבור כל שיטת בחירת תכונה, הייתה סבירות של 100% ליתרון ביצועים על פני המודלים הלא מסוננים.
עם המטופלים שנחשבים לסיווג חומרת אבחנה של AD, הבדלים בין קבוצות (MCI-AD לעומת AD) עבור גיל (p = 0.004), חינוך (p = 0.028), ציון MoCA מותאם/לא מותאם (p = 0.000), ו-MTx-% C (p = 0.008) היו מובהקים סטטיסטית; ואילו עבור MTx-RT זה לא היה (p = 0.097). עם אותם מטופלים שנחשבים לסיווג חומרת אבחנה של VaD, הבדלים בין קבוצות (MCI-VaD לעומת VaD) עבור ציון MoCA מותאם/לא מותאם (p = 0.007) ו-MTx-% C (p = 0.026) ו-MTx-RT (p = 0.001) היו מובהקים סטטיסטית; ואילו לגיל (p = 0.511) וחינוך (p = 0.157) לא היו הבדלים מובהקים בין קבוצות.
תוצאות ביצועי מידול חזוי עבור סיווגי חומרת האבחון תוך שימוש בשלושת הלומדים שנבחרו בעבר, רגרסיה לוגיסטית, נאייב בייס ו- Support Vector Machine, מוצגות בטבלה 5. בעוד שלומדים נוספים שנבחנו הפגינו ביצועים מעט חזקים יותר בנפרד עם אחת משתי קטגוריות האבחון הקליניות , שלושת הלומדים שזיהינו כטובים ביותר בדוגמנות הקודמת שלנו הציעו את הביצועים העקבים ביותר עם שתי סכימות הדוגמנות החדשות. בהשוואת הלומדים בכל אחת מקטגוריות האבחון הראשוניות (AD ו-VaD), לא היה הבדל ביצועי סיווג עקבי בין לומדים עבור MCI-VaD לעומת VaD, למרות ש- Support Vector Machine פעל באופן בולט יותר. באופן דומה, לא היו הבדלים משמעותיים בין לומדים עבור סיווג MCI-AD לעומת AD, למרות של Naive Bayes (NB) היה יתרון ביצועים קל על פני רגרסיה לוגיסטית (LR) ורק ריבוי זניח על פני Support Vector Machine, עם הסתברויות של 61.4% ו-41.7% בהתאמה. על פני שני מערכי הנתונים, היה יתרון ביצועים כולל עבור Support Vector Machine (SVM), עם Pr (SVM > LR) = 0.819 ו Pr (SVM > NB) = 0.934. ביצועי הסיווג הכוללים שלנו בקרב כל הלומדים בניבוי חומרת האבחון במערך המשנה של XL היו טובים יותר בקטגוריית האבחון של VaD לעומת AD (Pr (VAD > AD) = 0.998).
שולחן 5
תוצאות סיווג חומרת אבחון קליני דיכוטומי (AUC; 0.0-1.0) עבור כל אחד משלושת הלומדים בעלי הביצועים הטובים ביותר עבור שתי סכימות הדוגמנות המתאימות
| תכנית דוגמנות | רגרסיה לוגיסטית | נאיביות | תמיכה במכונה וקטורית |
| MCI-AD מול AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD מול VaD | 0.8033 | 0.8044 | 0.8338 |
הביצועים הגבוהים ביותר עבור כל סכימת דוגמנות מוצגים ב סיכה (לא בהכרח שונה סטטיסטית מאחרים שאינם ב סיכה).
דיון
גילוי מוקדם של שינויים בבריאות הקוגניטיבית חשוב תועלת מעשית בניהול בריאות אישי ובריאות הציבור כאחד. ואכן, זה גם מאוד בעדיפות גבוהה במסגרות קליניות עבור מטופלים ברחבי העולם. המטרה המשותפת היא להתריע בפני מטופלים, מטפלים וספקים ולהניע מוקדם יותר טיפול מתאים וחסכוני וטיפול אורך עבור אלה שמתחילים לחוות ירידה קוגניטיבית. מיזוג שלושת תת-קבוצות הנתונים של בתי החולים/מרפאות שלנו, זיהינו שלושה לומדים עדיפים באופן מובהק (עם בולט אחד - Naive Bayes) לבניית מודלים חזויים באמצעות מדדי ביצועים של MemTrax שיכולים לסווג באופן אמין מצב בריאותי קוגניטיבי באופן דיכוטומי (בריאות קוגניטיבית תקינה או MCI) כפי שיצוין על ידי ציון מצטבר של MoCA. יש לציין כי ביצועי הסיווג הכוללים של שלושת הלומדים השתפרו כאשר המודלים שלנו השתמשו רק בארבעת התכונות המדורגות ביותר שהקיפו בעיקר את מדדי הביצועים הללו של MemTrax. יתרה מכך, חשפנו את הפוטנציאל המבוסס לשימוש באותם לומדים ובמדדי ביצועים של MemTrax בסכימת מודלים של סיווג אבחון כדי להבחין בחומרה של שתי קטגוריות של אבחון דמנציה: AD ו-VaD.
בדיקת זיכרון הוא מרכזי בגילוי מוקדם של AD [23, 24]. לפיכך, זה מתאים ש-MemTrax הוא מקוון מקובל, מרתק וקל ליישום בדיקת סקר לזיכרון אפיזודי באוכלוסייה הכללית [6]. דיוק זיהוי וזמני תגובה ממשימת ביצוע מתמשכת זו חושפים במיוחד בזיהוי הידרדרות מוקדמת ומתפתחת ובעקבותיו ליקויים בתהליכים הנוירופלסטיים הקשורים ללמידה, זיכרון וקוגניציה. כלומר, המודלים כאן המבוססים ברובם על מדדי ביצועים של MemTrax רגישים וסביר יותר לחשוף בקלות ובעלות מינימלית ליקויים נוירופתולוגיים ביולוגיים בשלב האסימפטומטי המעבר הרבה לפני אובדן תפקודי משמעותי יותר [25]. אשפורד וחב'. בדק מקרוב את הדפוסים וההתנהגויות של דיוק זיכרון זיהוי וזמן תגובה אצל משתמשים מקוונים שהשתתפו בעצמם עם MemTrax [6]. מתוך כיבוד שההפצות הללו הן קריטיות במודלים אופטימליים ופיתוח יישומים תקפים ויעילים לטיפול בחולים, הגדרת פרופילי הכרה וזמן תגובה ישימים קלינית היא חיונית בביסוס התייחסות בסיסית בעלת ערך לתועלת קלינית ומחקרית. הערך המעשי של MemTrax בהקרנת AD עבור ליקוי קוגניטיבי בשלב מוקדם ותמיכה באבחון דיפרנציאלי צריך להיבחן יותר בהקשר של מסגרת קלינית שבה ניתן לשקול מחלות נלוות ויכולות קוגניטיביות, חושיות ומוטוריות המשפיעות על ביצוע המבחן. וכדי לספק פרספקטיבה מקצועית ולעודד תועלת קלינית מעשית, תחילה הכרחי להדגים השוואה למבחן הערכת בריאות קוגניטיבית מבוססת, למרות שהאחרון עשוי להיות מוגבל באופן מוכר על ידי לוגיסטיקה מסורבלת של בדיקות, חינוך ואמצעי הרתעה בשפה והשפעות תרבותיות [26] . בהקשר זה, ההשוואה החיובית של MemTrax ביעילות הקלינית ל-MoCA, הנחשבת בדרך כלל כסטנדרט בתעשייה, היא משמעותית, במיוחד כאשר שוקלים את קלות השימוש הרבה יותר ואת קבלת המטופלים של MemTrax.
חקירה קודמת שהשוותה בין MemTrax ל-MoCA מדגישה את הרציונל והראיות המקדימות המצדיקות את חקירת הדוגמנות שלנו [8]. עם זאת, השוואה קודמת זו רק קישרה את שני מדדי הביצועים העיקריים של MemTrax שבדקנו עם מצב קוגניטיבי כפי שנקבע על ידי MoCA והגדיר טווחים וערכי חתך בהתאמה. העמקנו את הערכת התועלת הקלינית של MemTrax על ידי בחינת גישה מבוססת מודלים חזויים שתספק התייחסות אינדיבידואלית יותר של פרמטרים אחרים שעלולים להיות רלוונטיים למטופל ספציפי. בניגוד לאחרים, לא מצאנו יתרון בביצועי המודל תוך שימוש בתיקון (התאמה) השכלה לציון ה-MoCA או בשינוי סף הציון המצטבר של ה-MoCA המבדיל את הבריאות הקוגניטיבית מ-26 ל-23 המומלצים במקור [12, 15]. למעשה, יתרון ביצועי הסיווג העדיף שימוש בציון ה-MoCA הלא מותאם ובסף הגבוה יותר.
נקודות מפתח בפרקטיקה הקלינית
לרוב, למידת מכונה מנוצלת בצורה הטובה ביותר והאפקטיבית ביותר במודלים חזויים כאשר הנתונים נרחבים ורב-ממדיים, כלומר כאשר ישנן תצפיות רבות ומגוון רחב נלווה של תכונות בעלות ערך גבוה (תורמות). עם זאת, עם הנתונים הנוכחיים הללו, הדגמים המסונננים עם ארבע תכונות נבחרות בלבד הניבו ביצועים טובים יותר מאלה שהשתמשו בכל 10 התכונות הנפוצות. זה מצביע על כך שלמערך הנתונים המצטבר של בית החולים שלנו לא היו התכונות המתאימות ביותר מבחינה קלינית (בעל ערך גבוה) כדי לסווג בצורה אופטימלית את החולים בדרך זו. אף על פי כן, הדגשת דירוג התכונות על מדדי הביצועים העיקריים של MemTrax - MTx-% C ו-MTx-RT - תומך מאוד בבניית מודלים של בדיקת ליקויים קוגניטיביים בשלבים מוקדמים סביב מבחן זה, שהם פשוטים, קלים לניהול, בעלות נמוכה וחושפניים בצורה הולמת לגבי בדיקה זו. ביצועי זיכרון, לפחות כרגע כמסך ראשוני לסיווג בינארי של מצב בריאות קוגניטיבי. לאור העומס ההולך וגובר על הספקים ומערכות הבריאות, יש לפתח תהליכי סינון ויישומים קליניים של מטופלים בצורה מתאימה תוך שימת דגש על איסוף, מעקב ומידול של מאפייני המטופלים ומדדי הבדיקה שהם הכי שימושיים, מועילים והוכחו יעילים באבחון. ותמיכה בניהול מטופלים.
כאשר שני מדדי המפתח של MemTrax היו מרכזיים בסיווג MCI, הלומד בעל הביצועים הטובים ביותר שלנו (Naïve Bayes) היו בעלי ביצועים חזויים גבוהים מאוד ברוב הדגמים (AUC מעל 0.90) עם יחס אמיתי-חיובי לחיובי שגוי שהתקרב או עבר במידת מה 4 : 1. יישום קליני תרגומי באמצעות הלומד הזה ילכד (מסווג נכון) את רוב האנשים עם ליקוי קוגניטיבי, תוך מזעור העלות הכרוכה בסיווג בטעות של מישהו עם בריאות קוגניטיבית תקינה כבעל ליקוי קוגניטיבי (חיובי כוזב) או חסר את הסיווג הזה אצל אלה שיש להם ליקוי קוגניטיבי (שלילי שקרי). כל אחד מהתרחישים הללו של סיווג שגוי עלול להטיל עומס פסיכו-חברתי מופרז על המטופל והמטפלים.
בעוד שבניתוחים המקדימים והמלאים השתמשנו בכל עשרת הלומדים בכל סכמת מודלים, מיקדנו את התוצאות שלנו בשלושת המסווגים המציגים את הביצועים החזקים והעקביים ביותר. זה היה גם כדי להדגיש, בהתבסס על נתונים אלה, את הלומדים שצפויים להופיע בצורה מהימנה ברמה גבוהה ביישום קליני מעשי בקביעת סיווג מצב קוגניטיבי. יתרה מכך, מכיוון שמחקר זה נועד כחקירה מבוא של התועלת של למידת מכונה בסריקה קוגניטיבית והאתגרים הקליניים בזמן, קיבלנו את ההחלטה לשמור על טכניקות הלמידה פשוטות והכללות, עם כוונון פרמטר מינימלי. אנו מעריכים שגישה זו עשויה להגביל את הפוטנציאל ליכולות ניבוי ספציפיות יותר מוגדרות למטופל. כמו כן, בעוד שהכשרת המודלים תוך שימוש רק בתכונות המובילות (גישה מסוננת) מודיעה לנו עוד יותר בנוגע לנתונים אלה (ספציפית לחסרונות בנתונים שנאספו ומדגישה את הערך באופטימיזציה של זמן ומשאבים קליניים יקרים), אנו מכירים בכך שמוקדם לצמצם יש לשקול את היקף המודלים, ולפיכך, את כל (ושאר המאפיינים) במחקר עתידי עד שיהיה לנו פרופיל סופי יותר של תכונות עדיפות שיוכלו להתאים לאוכלוסייה הרחבה. לפיכך, אנו גם מכירים לחלוטין בכך שמידע כולל ומייצג יותר ואופטימיזציה של מודלים אלה ואחרים יהיו נחוצים לפני שילובם ביישום קליני יעיל, במיוחד כדי להתאים למחלות נלוות המשפיעות על ביצועים קוגניטיביים, אשר יצטרכו להילקח בחשבון בהערכה קלינית נוספת.
התועלת של MemTrax נבנתה עוד יותר על ידי מודלים של חומרת המחלה בהתבסס על אבחנה קלינית נפרדת. ביצועי סיווג כלליים טובים יותר בניבוי חומרת ה-VaD (בהשוואה ל-AD) לא היה מפתיע בהתחשב במאפייני פרופיל המטופל במודלים הספציפיים לבריאות כלי הדם וסיכון לשבץ, כלומר יתר לחץ דם, יתר שומנים בדם, סוכרת ו(כמובן) היסטוריה של שבץ. אם כי זה היה רצוי ומתאים יותר לקיים את אותה הערכה קלינית על מטופלים תואמים עם בריאות קוגניטיבית תקינה כדי לאמן את הלומדים עם הנתונים המכילים יותר הללו. זה מתבקש במיוחד, מכיוון ש-MemTrax מיועד לשמש בעיקר לזיהוי בשלב מוקדם של ליקוי קוגניטיבי ומעקב לאחר מכן אחר שינוי אינדיבידואלי. זה גם סביר שההפצה הרצויה יותר של נתונים במערך הנתונים של VaD תרמה חלקית לביצועי המודלים הטובים יותר באופן יחסי. מערך הנתונים של VaD היה מאוזן היטב בין שתי המחלקות, בעוד שמערך הנתונים של AD עם הרבה פחות חולי MCI לא היה. במיוחד במערך נתונים קטנים, אפילו כמה מקרים נוספים יכולים לעשות הבדל מדיד. שתי נקודות המבט הן טיעונים סבירים העומדים בבסיס ההבדלים בביצועי המודלים של חומרת המחלה. עם זאת, ייחוס פרופורציונלי של ביצועים משופרים למאפיינים מספריים של מערך הנתונים או למאפיינים המובנים הספציפיים למצגת הקלינית הנבחנת היא מוקדמת מדי. אף על פי כן, רומן זה הוכיח שימושיות של מודל סיווג חזוי של MemTrax בתפקיד של תמיכה באבחון קליני מספק פרספקטיבה חשובה ומאשר את השאיפה לבדיקה נוספת עם מטופלים על פני הרצף של MCI.
ההטמעה והשימושיות המוכחת של MemTrax והמודלים הללו בסין, שבה השפה והתרבות שונות באופן דרסטי מאזורים אחרים של שימוש מבוסס (למשל, צרפת, הולנד וארצות הברית) [7, 8, 27], מדגישים עוד יותר את הפוטנציאל לקבלה גלובלית נרחבת וערך קליני של פלטפורמה מבוססת MemTrax. זוהי דוגמה מודגמת בחתירה להרמוניזציה של נתונים ופיתוח נורמות בינלאומיות מעשיות ומשאבי מודלים לבדיקות קוגניטיביות שהן סטנדרטיות ומותאמות בקלות לשימוש ברחבי העולם.
השלבים הבאים במודלים ויישום של ירידה קוגניטיבית
תפקוד קוגניטיבי ב-AD אכן מתרחש על רצף, לא בשלבים או שלבים נפרדים [28, 29]. עם זאת, בשלב מוקדם זה, המטרה שלנו הייתה קודם כל לבסס את היכולת שלנו לבנות מודל המשלב MemTrax שיכול להבחין באופן יסודי בין "רגיל" ל"לא רגיל". נתונים אמפיריים כוללים יותר (למשל, הדמיית מוח, מאפיינים גנטיים, סמנים ביולוגיים, מחלות נלוות וסמנים תפקודיים של מורכבות פעילויות הדורשות קוגניטיביות control) [30] על פני אזורים גלובליים, אוכלוסיות וקבוצות גיל מגוונות כדי להכשיר ולפתח מודלים מתוחכמים יותר (כולל אנסמבל בעל משקל מתאים) יתמכו במידה רבה יותר של סיווג משופר, כלומר, ביכולת לסווג קבוצות של חולים עם MCI לתת-קבוצות קטנות וסופיות יותר לאורך רצף הירידה הקוגניטיבית. יתר על כן, אבחנות קליניות נלוות עבור אנשים על פני אוכלוסיות חולים מגוונות אזוריות חיוניים עבורם להתאמן בצורה יעילה הדגמים המכילים יותר והחזקים יותר כצפוי. זה יקל על ניהול מקרים מרובד ספציפי יותר עבור אלה עם רקע דומה, השפעות ופרופילים קוגניטיביים אופייניים מצומצמים יותר ובכך לייעל את תמיכת ההחלטות הקלינית ואת הטיפול בחולים.
חלק גדול מהמחקר הקליני הרלוונטי עד כה התייחס לחולים עם דמנציה קלה לפחות; ובפועל, לעתים קרובות מדי מנסים התערבות של המטופל רק בשלבים מתקדמים. עם זאת, מכיוון שירידה קוגניטיבית מתחילה הרבה לפני שהקריטריונים הקליניים לדמנציה מתקיימים, מסך מוקדם מבוסס MemTrax המיושם ביעילות יכול לעודד חינוך מתאים של אנשים לגבי המחלה והתקדמותיה ולבקש התערבויות מוקדמות יותר ובזמן. לפיכך, גילוי מוקדם יכול לתמוך במעורבות מתאימה החל מפעילות גופנית, דיאטה, תמיכה רגשית וסוציאליזציה משופרת ועד התערבות תרופתית ולחזק שינויים הקשורים למטופל בהתנהגות ובתפיסה, שבאופן יחיד או במצטבר יכולים למתן או לעצור את התקדמות הדמנציה [31, 32] . יתר על כן, עם יעיל סינון מוקדם, אנשים ובני משפחותיהם עשויים להתבקש לשקול ניסויים קליניים או לקבל ייעוץ ותמיכה אחרת של שירותים חברתיים כדי לעזור להבהיר ציפיות וכוונות ולנהל משימות יומיומיות. אימות נוסף ותועלת מעשית נרחבת בדרכים אלה עשויות להוות עזר בהפחתת או עצירת ההתקדמות של MCI, AD ו-ADRD עבור אנשים רבים.
ואכן, הקצה הנמוך של טווח הגילאים של המטופלים במחקר שלנו אינו מייצג את אוכלוסיית הדאגה המסורתית עם AD. עם זאת, הגיל הממוצע עבור כל קבוצה המשמשת בסכימות המודלים לסיווג המבוסס על ציון/סף MoCA וחומרת האבחנה (טבלה 3) מדגיש שרוב ברור (מעל 80%) הוא בן 50 לפחות. לפיכך התפלגות זו מתאימה מאוד להכללה, התומכת בתועלת של מודלים אלה באוכלוסייה המאפיינת את אלו המושפעים בדרך כלל על ידי התחלה מוקדמת ומחלה נוירוקוגניטיבית מתפתחת עקב AD ו-VaD. כמו כן, עדויות ופרספקטיבה עדכניות מדגישות את אותם גורמים מוכרים (כגון יתר לחץ דם, השמנת יתר, סוכרת ועישון) התורמים פוטנציאלית לעלייה מוקדמת ציוני סיכון כלי דם למבוגרים ואמצע החיים וכתוצאה מכך פגיעה מוחית וסקולרית עדינה המתפתחת בצורה ערמומית עם השפעות ברורות אפילו אצל צעירים מבוגרים [33-35]. בהתאם, הזדמנות המיון הראשונית האופטימלית ביותר לגילוי מוקדם ליקויים קוגניטיביים בשלבים וייזום אסטרטגיות מניעה והתערבות יעילות בטיפול מוצלח בדמנציה יופיע מבחינת גורמים תורמים ואינדיקטורים קדומים על פני קשת הגילאים, לרבות בגרות מוקדמת ואולי אף ילדות (לשים לב לרלוונטיות של גורמים גנטיים כגון אפוליפופרוטאין E מהריון מוקדם).
בפועל, אבחונים קליניים תקפים והליכים יקרים להדמיה מתקדמת, פרופיל גנטי ומדידת סמנים ביולוגיים מבטיחים אינם תמיד זמינים או אפילו אפשריים עבור ספקים רבים. לפיכך, במקרים רבים, סיווג מצב בריאותי קוגניטיבי ראשוני עשוי להיות נגזר ממודלים המשתמשים במדדים פשוטים אחרים שסופק על ידי המטופל (למשל, דיווח עצמי בעיות זיכרון, תרופות נוכחיות ומגבלות פעילות שגרתית) ומאפיינים דמוגרפיים נפוצים [7]. רישומים כגון אוניברסיטת קליפורניה מוח בריאות רישום (https://www.brainhealthregistry.org/) [27] ואחרים בעלי רוחב רחבה יותר מובנה של תסמינים מדווחים על עצמם, מדדים איכותיים (למשל, שינה וקוגניציה יומיומית), תרופות, מצב בריאותי והיסטוריה, ו דמוגרפיה מפורטת יותר תסייע בפיתוח ואימות היישום המעשי של המודלים הפרימיטיביים יותר הללו בקליניקה. יתרה מכך, בדיקה כגון MemTrax, שהוכיחה שימושיות בהערכת תפקוד הזיכרון, עשויה למעשה לספק אומדן טוב יותר באופן משמעותי של פתולוגיית AD מאשר סמנים ביולוגיים. בהתחשב בכך שמאפיין הליבה של פתולוגיית AD הוא שיבוש של נוירופלסטיות ואובדן מורכב ביותר של סינפסות, המתבטא כאפיזודי הפרעה בתפקוד הזיכרון, מדד שמעריך זיכרון אפיזודי עשוי למעשה מספקים אומדן טוב יותר של הנטל הפתולוגי של AD מאשר סמנים ביולוגיים בחולה החי [36].
עם כל המודלים החזויים - בין אם הם משלימים על ידי נתונים מורכבים וכוללים מטכנולוגיה חדישה ותובנות קליניות מעודנות על פני מספר תחומים או כאלה המוגבלים למידע בסיסי יותר וזמין יותר האופייני לפרופילי מטופלים קיימים - היתרון המוכר של בינה מלאכותית ולמידת מכונה היא שהמודלים המתקבלים יכולים לסנתז ו"ללמוד" באופן אינדוקטיבי מנתונים ונקודת מבט חדשה רלוונטית המסופקים על ידי שימוש מתמשך באפליקציות. בעקבות העברת טכנולוגיה מעשית, ככל שהמודלים כאן (ועתידים לפתח) מיושמים ומועשרים ביותר מקרים ונתונים רלוונטיים (כולל חולים עם מחלות נלוות שעלולות להופיע עם ירידה קוגניטיבית בעקבותיה), ביצועי החיזוי וסיווג הבריאות הקוגניטיבי יהיו חזקים יותר, וכתוצאה מכך כלי יעיל יותר לתמיכת החלטות קלינית. התפתחות זו תתממש בצורה מלאה ומעשית יותר עם הטמעת MemTrax בפלטפורמות מותאמות אישית (ממוקדות ליכולות הזמינות) שספקי שירותי בריאות יוכלו להשתמש בהן בזמן אמת במרפאה.
הכרחי לאימות והתועלת של מודל MemTrax עבור תמיכה אבחנתית וטיפול בחולים מבוקשים מאוד נתונים אורך משמעותיים. על ידי התבוננות ורישום של השינויים הנלווים (אם קיימים) במצב הקליני על פני טווח נאות של MCI נורמלי עד לשלב מוקדם, ניתן לאמן ולשנות את המודלים להערכה וסיווג מתמשכים מתאימים ככל שהמטופלים מזדקנים ומטופלים. כלומר, שימוש חוזר יכול לסייע במעקב אורכי אחר שינויים קוגניטיביים קלים, יעילות התערבות ושמירה על טיפול מרובד מושכל. גישה זו עולה בקנה אחד עם הפרקטיקה הקלינית וניהול המטופלים והמקרים.
מגבלות
אנו מעריכים את האתגר והערך באיסוף נתונים קליניים נקיים במרפאה/בתי חולים מבוקרת. עם זאת, זה היה מחזק את המודלים שלנו אם מערכי הנתונים שלנו כוללים יותר מטופלים עם מאפיינים משותפים. יתרה מכך, ספציפית למודל האבחון שלנו, היה רצוי ומתאים יותר לבצע את אותה הערכה קלינית על מטופלים תואמים עם בריאות קוגניטיבית תקינה כדי להכשיר את הלומדים. וכפי שמודגש על ידי ביצועי הסיווג הגבוהים יותר באמצעות מערך הנתונים המסונן (רק ארבעת התכונות המדורגות ביותר), כלליים יותר ו סביר להניח שמדדים/אינדיקטורים בריאותיים קוגניטיביים היו משתפרים ביצוע מודלים עם מספר רב יותר של תכונות משותפות בכל המטופלים.
ייתכן שחלק מהמשתתפים חוו במקביל מחלות אחרות שעלולות לגרום לליקויים קוגניטיביים חולפים או כרוניים. מלבד תת-הנתונים של XL שבו החולים סווגו מבחינה אבחנתית כבעלי AD או VaD, נתוני תחלואה נלוות לא נאספו/דווחו במאגר חולי YH, והתחלואה הנלוות המדווחת העיקרית בתת הנתונים של KM הייתה סוכרת. עם זאת, ניתן לטעון כי הכללת מטופלים בתכניות הדוגמנות שלנו עם מחלות נלוות שעלולות לגרום או להחמיר רמה של חוסר קוגניטיבי וכתוצאה מכך ביצועים נמוכים יותר של MemTrax, תהיה מייצגת יותר את אוכלוסיית המטופלים הממוקדת בעולם האמיתי עבור בדיקה קוגניטיבית מוקדמת יותר כללית זו. וגישת דוגמנות. בהתקדם, אבחון מדויק של מחלות נלוות שעשויות להשפיע על ביצועים קוגניטיביים מועיל באופן כללי לאופטימיזציה של המודלים ויישומי טיפול בחולים כתוצאה מכך.
לבסוף, חולי המשנה של YH ו-KM השתמשו בסמארטפון כדי לגשת למבחן MemTrax, בעוד שמספר מצומצם של חולי המשנה של XL השתמשו באייפד והשאר השתמשו בסמארטפון. זה יכול היה להציג הבדל מינורי הקשור למכשיר בביצועי MemTrax עבור דוגמנות סיווג MoCA. עם זאת, ההבדלים (אם קיימים) ב-MTx-RT, למשל, בין מכשירים יהיו כנראה זניחים, במיוחד כאשר כל משתתף יקבל מבחן "תרגול" ממש לפני ביצועי הבדיקה המתועדים. עם זאת, השימושיות של שני מכשירי כף יד אלה עלולה לסכן השוואה ישירה ו/או אינטגרציה עם תוצאות אחרות של MemTrax שבהן משתמשים הגיבו לתמונות חוזרות על ידי נגיעה במקש הרווח במקלדת המחשב.
נקודות מפתח על כלי המודל החזוי של MemTrax
- • המודלים החזויים בעלי הביצועים הטובים ביותר שלנו, הכוללים מדדי ביצועים נבחרים של MemTrax, יכולים לסווג באופן מהימן מצב בריאותי קוגניטיבי (בריאות קוגניטיבית רגילה או MCI) כפי שיצוין במבחן ה-MoCA המוכר.
- • תוצאות אלו תומכות באינטגרציה של מדדי ביצוע נבחרים של MemTrax ביישום סיווג מודל חזוי לסיווג לליקוי קוגניטיבי בשלב מוקדם.
- • מודל הסיווג שלנו חשף גם את הפוטנציאל לניצול ביצועי MemTrax ביישומים להבחנת חומרת אבחון דמנציה.
ממצאים חדשים אלה מבססים ראיות סופיות התומכות בתועלת של למידת מכונה בבניית מודלים משופרים של סיווג מבוססי MemTrax לתמיכה אבחנתית בניהול מקרים קליניים יעילים וטיפול בחולים עבור אנשים החווים ליקוי קוגניטיבי.
תודות
אנו מכירים בעבודתם של ג'יי וסון אשפורד, קרטיס ב. אשפורד ועמיתיו לפיתוח ואימות משימת ההכרה המתמשכת והכלי המקוון (MemTrax) המשמשים כאן ואנו אסירי תודה למטופלים הרבים עם דמנציה שתרמו למחקר הבסיסי הקריטי . אנו מודים גם ל-Xianbo Zhou ולעמיתיו ב-SJN Biomed LTD, לעמיתיו ולשתפי הפעולה באתרי בתי החולים/המרפאות, במיוחד לד"ר. מ. לואו ומ. ז'ונג, שעזרו בגיוס משתתפים, תזמון מבחנים, ואיסוף, רישום וניהול חזיתי של הנתונים, והמשתתפים המתנדבים שתרמו מזמנם היקר והתחייבו לגשת למבחנים ולספק את הנתונים המוערכים שנוכל להעריך במחקר זה. זֶה המחקר נתמך בחלקו על ידי ה-MD Scientific Research תוכנית של האוניברסיטה הרפואית בקונמינג (מענק מס' 2017BS028 ל-XL) ותוכנית המחקר של מחלקת המדע והטכנולוגיה של יונאן (מענק מס' 2019FE001 (-222) עד XL).
ג'יי וסון אשפורד הגיש בקשת פטנט לשימוש בפרדיגמת ההכרה המתמשכת הספציפית המתוארת במאמר זה עבור כללי בדיקת זיכרון.
MemTrax, LLC היא חברה בבעלות קרטיס אשפורד, וחברה זו מנהלת את בדיקת זיכרון המערכת המתוארת במאמר זה.
גילויים של מחברים זמינים באינטרנט (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
ביבליוגרפיה
| [1] אגודת אלצהיימר (2016) 2016 עובדות על מחלת אלצהיימר ודמויות. אלצהיימר דמנט 12, 459–509. | |
| [2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) אפקט של שלב מוקדם מחלת אלצהיימר על התוצאות הכספיות של משק הבית. כלכלת הבריאות 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) שיפור איכות ב נוירולוגיה: ליקוי קוגניטיבי קל למדידת איכות. נוירולוגיה 93, 705–713. |
| [4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) עלות יעילות השימוש בדיקות סקר קוגניטיביות לאיתור דמנציה ופגיעה קוגניטיבית קלה בטיפול ראשוני. Int J Geriatr Psychiatry 32, 1392–1400. | |
| [5] Ashford JW , Gere E , Bayley PJ (2011) מדידת זיכרון בקבוצות גדולות באמצעות מבחן זיהוי מתמשך. J Alzheimers Dis 27, 885–895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) משימה ממוחשבת של זיהוי רציף למדידת זיכרון אפיזודי. J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) ביצועי זיכרון אפיזודיים במודלים של למידת מכונה לחיזוי סיווג מצב בריאות קוגניטיבי. J Alzheimers Dis 70, 277–286. |
| [8] ואן דר הוק MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The מבחן MemTrax בהשוואה להערכה הקוגניטיבית של מונטריאול של ליקוי קוגניטיבי קל. J Alzheimers Dis 67, 1045–1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) שימוש בצלילי תנועה מבודדים לסיווג של פגיעה מוחית טראומטית קלה. בשנת 2013 הכנס הבינלאומי של IEEE בנושא אקוסטיקה, דיבור ועיבוד אותות, ונקובר, BC, עמ' 7577–7581. |
| [10] | Dabek F, Caban JJ (2015) מינוף ביג דאטה למודל הסבירות לפתח מצבים פסיכולוגיים לאחר זעזוע מוח. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) עץ החלטות לגילוי מוקדם של ליקוי קוגניטיבי על ידי רוקחים בקהילה. פרונט פארמקול 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: כלי סקר קצר לליקוי קוגניטיבי קל. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012) גרסת בייג'ינג של ההערכה הקוגניטיבית של מונטריאול ככלי סקר קצר לליקוי קוגניטיבי קל: מחקר מבוסס קהילה. 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) אימות של הגרסה הסינית של הערכה קוגניטיבית במונטריאול בסיסית לבדיקת ליקוי קוגניטיבי קל. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N , Leach L , Murphy KJ (2018) בחינה מחודשת של ציוני הסף של Montreal Cognitive Assessment (MoCA). Int J Geriatr Psychiatry 33, 379–388. |
| [16] | האגודה הפסיכיאטרית האמריקאית (2013) מדריך אבחון וסטטיסטי של הפרעות נפשיות של כוח המשימה: DSM-5™, American Psychiatric Publishing, Inc., וושינגטון הבירה. |
| [17] | פִּיתוֹן. Python Software Foundation, http://www.python.org, נגישה ב-15 בנובמבר 2019. |
| [18] | R Core Group, R: שפה וסביבה למחשוב סטטיסטי R Foundation for Statistic Computing, וינה, אוסטריה. https://www.R-project.org/, 2018, גישה ל-15 בנובמבר 2019. |
| [19] | Benavoli A , Corani G , Demšar J , Zaffalon M (2017) זמן לשינוי: מדריך להשוואת מסווגים מרובים באמצעות ניתוח בייסיאני. J Mach Learn Res 18, 1–36. |
| [20] | Frank E , Hall MA , Witten IH (2016) The WEKA Workbench. ב כריית נתונים: כלים וטכניקות למידת מכונות מעשיות, Frank E, Hall MA, Witten IH, Pal CJ, eds. מורגן קאופמן 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) למידת מכונה במודלים של פתרון תסמינים של זעזוע מוח בספורט בתיכון. Med Sci Sports Exerc 51, 1362–1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) נקודות מבט ניסיוניות על למידה מנתונים לא מאוזנים. ב דברי הכנס הבינלאומי ה-24 ללמידת מכונה, קורבליס, אורגון, ארה"ב, עמ' 935-942. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) הערכת חולי אלצהיימר והמצב המיני-מנטלי: ניתוח עקומה מאפיין פריט.P. J Gerontol 44, 139–146. |
| [24] Ashford JW, Jarvik L (1985) מחלת אלצהיימר: האם פלסטיות נוירונים נוטה לניוון אקסונלי נוירופיברילרי? N Engl J Med 313, 388–389. | |
| [25] ג'ק 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 ML, , Rocca WA, Petersen RC (2019) שכיחות של ישויות ספקטרום אלצהיימר מוגדרות ביולוגית לעומת קלינית באמצעות המכון הלאומי להזדקנות-אלצהיימר מחקר האגודה מִסגֶרֶת. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X , Ashford JW (2019) התקדמות במכשירי הקרנה עבור מחלת אלצהיימר. Aging Med 2, 88–93. | |
| [27] Weiner MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) מוח בריאות רישום: פלטפורמה מבוססת אינטרנט לגיוס, הערכה וניטור אורך של משתתפים ללימודי מדעי המוח. אלצהיימר דמנט 14, 1063–1076. | |
| [28] Ashford JW, Schmitt FA (2001) מודלים את מהלך הזמן של דמנציה של אלצהיימר. Curr Psychiatry Rep 3, 20–28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) מחקר אורך סין על ירידה קוגניטיבית (SILCODE): פרוטוקול למחקר תצפית אורך סיני לפיתוח מודלים לחיזוי סיכונים של המרה לליקוי קוגניטיבי קל אצל אנשים עם קוגניטיביות סובייקטיביות יְרִידָה. BMJ Open 9, e028188. |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) משתנה התקדמות סמן ביולוגי של חמש שנים עבור דמנציה במחלת אלצהיימר תחזית: האם פעילויות אינסטרומנטליות מורכבות של סמן חיי היומיום יכולים למלא את החסר? Alzheimers Dement (Amst) 1, 521–532. | |
| [31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) מניעה וטיפול במחלת אלצהיימר: מנגנונים ביולוגיים של פעילות גופנית. J Alzheimers Dis 69, 311–338. | |
| [32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Therapies for מניעה וטיפול במחלת אלצהיימר. Biomed Res Int 2016, 2589276. | |
| [33] | ליין CA, בארנס 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) אסוציאציות בין סיכון כלי דם בבגרות ופתולוגיה מוחית בגיל מאוחר: עדות מקבוצת לידה בריטית. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) מניעה של חשיבה דמנציה מעבר לגיל וקופסאות עמילואיד. 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) השפעות של לחץ דם סיסטולי על שלמות החומר הלבן במבוגרים צעירים במחקר הלב פרמינגהם: הצלב -מחקר חתך. 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) דיוק של בדיקת סמנים ביולוגיים להגדרה נוירופתולוגית מחלת אלצהיימר בקרב מבוגרים עם דמנציה. Ann Intern Med 172, 669–677. |
שיוכים: [א] SIVOTEC Analytics, Boca Raton, FL, ארה"ב | [ב] המחלקה להנדסת מחשבים וחשמל ומדעי המחשב, אוניברסיטת פלורידה אטלנטיק, בוקה רטון, פלורידה, ארה"ב | [ג] SJN Biomed LTD, קונמינג, יונאן, סין | [ד] מרכז ל מחקר אלצהיימר, מכון וושינגטון למחקר קליני, וושינגטון הבירה, ארה"ב | [ה] המחלקה לרפואה שיקומית, בית החולים המסונף הראשון של האוניברסיטה הרפואית בקונמינג, קונמינג, יונאן, סין | [ו] המחלקה לנוירולוגיה, בית החולים העממי דהונג, דהונג, יונאן, סין | [ז] המחלקה לנוירולוגיה, בית החולים המסונף הראשון של האוניברסיטה הרפואית של קונמינג, מחוז Wuhua, קונמינג, מחוז יונאן, סין | [ח] מרכז לחקר מחלות ופציעות הקשורות למלחמה, VA פאלו אלטו בריאות הציבור מערכת, פאלו אלטו, קליפורניה, ארה"ב | [i] המחלקה לפסיכיאטריה ומדעי ההתנהגות, בית הספר לרפואה של אוניברסיטת סטנפורד, פאלו אלטו, קליפורניה, ארה"ב
התכתבות: [*] התכתבות עם: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. דואר אלקטרוני: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, המחלקה לנוירולוגיה, בית החולים המסונף הראשון של האוניברסיטה הרפואית של קונמינג, 295 Xichang Road, Wuhua District, קונמינג, מחוז יונאן 650032, סין. דואר אלקטרוני: ring@vip.163.com.
מילות מפתח: הזדקנות, מחלת אלצהיימר, דמנציה, בדיקה המונית