Utilitas MemTrax lan Pemodelan Pembelajaran Mesin ing Klasifikasi Cacat Kognitif entheng
Artikel Panaliten
Pengarang: 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 Penyakit Alzheimer, vol. 77, ora. 4, pp. 1545-1558, 2020
Abstract
Latar mburi:
Insiden lan prevalensi nyebar penyakit Alzheimer lan cacat kognitif entheng (MCI) wis njaluk telpon urgent kanggo riset kanggo ngesyahke screening kognitif deteksi dini lan evaluasi.
Tujuan:
Tujuan riset utami kita yaiku kanggo nemtokake manawa metrik kinerja MemTrax sing dipilih lan demografi sing relevan lan karakteristik profil kesehatan bisa digunakake kanthi efektif ing model prediktif sing dikembangake kanthi machine learning kanggo nggolongake kesehatan kognitif (normal versus MCI), kaya sing bakal dituduhake dening Penilaian Kognitif Montreal (MoCA).
Metode:
Kita nganakake studi cross-sectional ing 259 neurologi, klinik memori, lan pasien diwasa obat internal sing direkrut saka rong pasien. rumah sakit ing China. Saben pasien diwenehi MoCA basa Tionghoa lan njupuk pangenalan episodik online MemTrax kanthi mandiri. tes memori online ing dina sing padha. Model klasifikasi prediktif dibangun kanthi nggunakake machine learning kanthi validasi silang 10 kali lipat, lan kinerja model diukur nggunakake Area Under the Receiver Operating Characteristic Curve (AUC). Model dibangun nggunakake rong metrik kinerja MemTrax (persen sing bener, wektu nanggepi), bebarengan karo wolung fitur demografi lan riwayat pribadi sing umum.
results:
Mbandhingake siswa ing kombinasi skor lan ambang MoCA sing dipilih, Naïve Bayes umume dadi siswa sing paling apik kanthi kinerja klasifikasi sakabèhé 0.9093. Salajengipun, ing antarane telung siswa paling dhuwur, kinerja klasifikasi basis MemTrax sakabèhé luwih unggul kanthi mung papat fitur peringkat paling dhuwur (0.9119) dibandhingake karo kabeh 10 fitur umum (0.8999).
kesimpulan:
Kinerja MemTrax bisa digunakake kanthi efektif ing model prediksi klasifikasi machine learning aplikasi screening kanggo ndeteksi gangguan kognitif tahap awal.
PURWAKA
Insiden lan prevalensi sing diakoni (sanajan ora didiagnosa) nyebar lan paralel mundhak medis, sosial, lan umum. kesehatan biaya lan beban penyakit Alzheimer (AD) lan gangguan kognitif entheng (MCI) saya tambah angel kanggo kabeh pemangku kepentingan [1, 2]. Skenario sing nyusahake lan bourgeoning iki nyebabake telpon cepet kanggo riset kanggo validasi. deteksi awal screening kognitif lan instrumen penilaian kanggo sarana praktis reguler ing setelan pribadi lan klinis kanggo pasien lawas ing macem-macem wilayah lan populasi [3]. Instrumen kasebut uga kudu nyedhiyakake terjemahan asil informatif kanthi lancar menyang cathetan kesehatan elektronik. Mupangat bakal diwujudake kanthi menehi informasi marang pasien lan mbantu dokter ngerteni owah-owahan sing signifikan luwih awal lan kanthi mangkono ngaktifake stratifikasi, implementasi, lan nelusuri perawatan lan perawatan pasien sing luwih cepet lan pas wektune. kognitif [3, 4].
Alat MemTrax komputerisasi (https://memtrax.com) minangka penilaian pangenalan terus-terusan sing gampang lan ringkes sing bisa dikelola kanthi online kanggo ngukur kinerja memori episodik wektu sing tantangan ing ngendi pangguna nanggapi gambar sing bola-bali lan dudu presentasi awal [5, 6]. Riset anyar lan implikasi praktis sing diasilake wiwit sacara progresif lan bebarengan nduduhake khasiat klinis MemTrax ing awal AD lan screening MCI [5-7]. Nanging, perbandingan langsung saka sarana klinis sing ana kesehatan kognitif Assessment lan standar konvensional diwenehake kanggo ngandhani perspektif profesional lan ndhukung sarana MemTrax ing deteksi awal lan dhukungan diagnostik. van der Hoek et al. [8] mbandhingake metrik kinerja MemTrax sing dipilih (kacepetan reaksi lan persen bener) karo status kognitif sing ditemtokake dening Montreal. Assessment Kognitif (MoCA). Nanging, panliten iki diwatesi kanggo nggandhengake metrik kinerja kasebut kanthi karakterisasi status kognitif (kaya sing ditemtokake dening MoCA) lan nemtokake kisaran relatif lan nilai cutoff. Mulane, kanggo nggedhekake penyelidikan iki lan nambah kinerja lan khasiat klasifikasi, pitakonan riset utama yaiku:
- Bisa milih metrik kinerja MemTrax individu lan demografi lan kesehatan sing cocog profile Karakteristik bisa digunakake kanthi efektif ing model prediktif sing dikembangake kanthi pembelajaran mesin kanggo nggolongake kesehatan kognitif kanthi dikotomi (normal lawan MCI), kaya sing bakal dituduhake dening skor MoCA?
Sekunder iki, kita pengin ngerti:
- Kalebu fitur sing padha, apa model pembelajaran mesin adhedhasar kinerja MemTrax bisa ditrapake kanthi efektif kanggo pasien kanggo prédhiksi tingkat keruwetan (ringan versus abot) ing kategori cacat kognitif sing dipilih kaya sing bakal ditemtokake dening diagnosis klinis independen?
Tekane lan aplikasi praktis intelijen buatan lan pembelajaran mesin ing screening / deteksi wis nuduhake kaluwihan praktis sing beda, kanthi model prediktif kanthi efektif nuntun dokter ing evaluasi tantangan kesehatan kognitif / otak lan manajemen pasien. Ing panaliten kita, kita milih pendekatan sing padha ing modeling klasifikasi MCI lan diskriminasi keruwetan gangguan kognitif sing dikonfirmasi dening diagnosis klinis saka telung set data sing makili pasien rawat inap lan pasien rawat jalan sukarela saka rong rumah sakit ing China. Nggunakake pemodelan prediktif machine learning, kita nemtokake siswa sing paling apik saka macem-macem kombinasi dataset/pelajar lan menehi peringkat fitur kanggo nuntun kita nemtokake aplikasi model sing paling praktis sacara klinis.
Hipotesis kita yaiku model basis MemTrax sing wis divalidasi bisa digunakake kanggo nggolongake kesehatan kognitif kanthi dikotomi (normal utawa MCI) adhedhasar kriteria ambang skor agregat MoCA, lan model prediksi MemTrax sing padha bisa digunakake kanthi efektif kanggo mbedakake keruwetan ing kategori sing dipilih. diagnosa klinis kebejatan kognitif. Nuduhake asil sing diantisipasi bakal dadi instrumental kanggo ndhukung efektifitas MemTrax minangka layar deteksi awal kanggo penurunan kognitif lan klasifikasi gangguan kognitif. Perbandhingan sing cocog karo standar industri sing dijangkepi kanthi gampang lan cepet saka sarana bakal duwe pengaruh kanggo mbantu dokter nggunakake alat sing gampang, dipercaya, lan bisa diakses iki minangka layar awal kanggo ndeteksi defisit kognitif tahap awal (kalebu prodromal). Pendekatan lan utilitas kasebut bisa nyebabake perawatan lan intervensi pasien sing luwih tepat wektu lan luwih apik. Wawasan sing maju lan metrik lan model sing luwih apik uga bisa mbantu nyuda utawa mungkasi perkembangan demensia, kalebu demensia sing gegandhengan karo AD lan AD (ADRD).
BAHAN lan METODE
Populasi sinau
Antarane Januari 2018 lan Agustus 2019, riset cross-sectional rampung ing pasien sing direkrut saka rong rumah sakit ing China. Administrasi MemTrax [5] kanggo individu sing umure 21 taun lan luwih lan koleksi lan analisis data kasebut dideleng lan disetujoni lan ditindakake miturut standar etika saka Human Komite Perlindungan Subjek Universitas Stanford. MemTrax lan kabeh tes liyane kanggo sinau sakabèhé iki dileksanakake miturut deklarasi Helsinki saka 1975 lan disetujoni dening Dewan Review Institusi Rumah Sakit Afiliasi Pertama Universitas Kedokteran Kunming ing Kunming, Yunnan, China. Saben pangguna diwenehi a informed consent wangun kanggo maca / review banjur tanpo pekso setuju kanggo melu.
Peserta direkrut saka klompok pasien rawat jalan ing klinik neurologi ing Rumah Sakit Yanhua (sub-dataset YH) lan klinik memori ing Rumah Sakit Afiliasi Pertama Kunming Medical Universitas (sub-dataset XL) ing Beijing, China. Peserta uga direkrut saka neurologi (sub-dataset XL) lan obat internal (sub-dataset KM) pasien rawat inap ing Rumah Sakit Afiliasi Pertama Universitas Kedokteran Kunming. Kriteria inklusi kalebu 1) priya lan wanita umure paling sethithik 21 taun, 2) kemampuan basa Cina (Mandarin), lan 3) kemampuan kanggo mangerteni pituduh lisan lan tulisan. Kriteria eksklusi yaiku gangguan penglihatan lan motor sing nyegah peserta saka ngrampungake tes MemTrax, uga ora bisa mangerteni instruksi tes tartamtu.
Versi Cina MemTrax
Online Platform test MemTrax diterjemahake menyang Cina (URL: https://www.memtrax.com.cn) lan luwih diadaptasi kanggo dimanfaatake liwat WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) kanggo administrasi mandiri. Data disimpen ing server maya (Ali Cloud) sing ana ing China lan dilisensi saka Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, China) dening SJN Biomed LTD (Kunming, Yunnan, China). Rincian khusus babagan MemTrax lan kritéria validitas tes sing digunakake ing kene wis diterangake sadurunge [6]. Tes kasebut diwenehake tanpa biaya kanggo pasien.
Tatacara sinau
Kanggo pasien rawat inap lan rawat rawat, kuesioner kertas umum kanggo ngumpulake informasi demografi lan pribadhi kayata umur, jinis, taun pendidikan, pendhudhukan, urip piyambak utawa karo kulawarga, lan riwayat medis diwenehake dening anggota tim sinau. Sawise rampung kuesioner, tes MoCA [12] lan MemTrax ditindakake (MoCA pisanan) kanthi ora luwih saka 20 menit ing antarane tes. MemTrax persen bener (MTx-% C), wektu respon rata-rata (MTx-RT), lan tanggal lan wektu tes dicathet ing kertas dening anggota tim sinau kanggo saben peserta sing diuji. Kuesioner sing wis rampung lan asil MoCA diunggah menyang spreadsheet Excel dening peneliti sing ngatur tes lan diverifikasi dening kolega sadurunge file Excel disimpen kanggo dianalisis.
tes MemTrax
Tes online MemTrax kalebu 50 gambar (25 unik lan 25 mbaleni; 5 set 5 gambar pemandangan utawa obyek sing umum) ditampilake kanthi urutan pseudo-acak tartamtu. Peserta bakal (saben instruksi) nutul tombol Mulai ing layar kanggo miwiti tes lan miwiti ndeleng seri gambar lan maneh ndemek gambar ing layar kanthi cepet yen ana gambar sing bola-bali katon. Saben gambar katon kanggo 3 s utawa nganti gambar ing layar didemek, sing dijaluk presentation langsung saka gambar sabanjuré. Nggunakake jam internal piranti lokal, MTx-RT kanggo saben gambar ditemtokake dening wektu sing wis liwati saka presentasi gambar nganti nalika layar disentuh dening peserta kanggo nanggepi pangenalan gambar minangka gambar sing wis ditampilake. sak test. MTx-RT direkam kanggo saben gambar, kanthi lengkap 3 s direkam nuduhake ora respon. MTx-% C diwilang kanggo nuduhake persentase gambar baleni lan awal sing ditanggapi pangguna kanthi bener (positif bener + negatif bener dibagi 50). Rincian tambahan babagan administrasi lan implementasine MemTrax, pangurangan data, data ora bener utawa "ora ana respon", lan analisis data utami diterangake ing papan liya [6].
Tes MemTrax diterangake kanthi rinci lan tes praktik (kanthi gambar unik liyane saka sing digunakake ing tes kanggo ngrekam asil) diwenehake marang para peserta ing setelan rumah sakit. Peserta ing sub-dataset YH lan KM njupuk tes MemTrax ing smartphone sing dimuat karo aplikasi ing WeChat; dene nomer winates saka pasien sub-dataset XL nggunakake iPad lan liyane nggunakake smartphone. Kabeh peserta njupuk test MemTrax karo peneliti sinau unobtrusively ngamati.
Assessment kognitif Montreal
Versi Beijing saka MoCA Cina (MoCA-BC) [13] diwenehake lan dicetak dening peneliti sing dilatih miturut instruksi tes resmi. Cocog, MoCA-BC wis ditampilake minangka dipercaya test kanggo kognitif screening ing kabeh tingkat pendidikan ing wong tuwa Cina [14]. Saben tes njupuk udakara 10 nganti 30 menit kanggo ngatur adhedhasar kemampuan kognitif peserta.
Pemodelan klasifikasi MoCA
Ana total 29 fitur sing bisa digunakake, kalebu loro MemTrax metrik kinerja test lan 27 fitur related kanggo demografi lan kesehatan informasi kanggo saben peserta. Skor tes agregat MoCA saben pasien digunakake minangka skrining kognitif "benchmark" kanggo nglatih model prediktif kita. Mula, amarga MoCA digunakake kanggo nggawe label kelas, kita ora bisa nggunakake skor agregat (utawa skor subset MoCA) minangka fitur independen. Kita nindakake eksperimen awal ing ngendi kita nggawe model (ngklasifikasi kesehatan kognitif sing ditetepake dening MoCA) telung sub-dataset rumah sakit / klinik (s) asli kanthi individu banjur digabungake nggunakake kabeh fitur. Nanging, kabeh unsur data sing padha ora diklumpukake ing saben papat klinik sing makili telung sub-dataset; mangkono, akeh fitur kita ing dataset gabungan (nalika nggunakake kabeh fitur) wis kedadean dhuwur saka nilai ilang. Kita banjur nggawe model karo set data gabungan mung nggunakake fitur umum sing ngasilake kinerja klasifikasi sing luwih apik. Iki bisa uga diterangake kanthi kombinasi sing duwe luwih akeh conto sing bisa digarap kanthi nggabungake telung sub-dataset pasien lan ora ana fitur kanthi prevalensi nilai sing ilang (mung siji fitur ing dataset gabungan, jinis karya, duwe nilai sing ilang, mengaruhi mung telung kasus pasien), amarga mung fitur umum sing direkam ing kabeh telung situs kasebut. Utamane, kita ora duwe kriteria penolakan khusus kanggo saben fitur sing pungkasane ora kalebu ing set data gabungan. Nanging, ing modeling dataset gabungan awal, kita nggunakake kabeh fitur saka saben telung sub-dataset pasien sing kapisah. Iki nyebabake kinerja model sing luwih murah tinimbang model awal awal ing saben sub-dataset individu. Kajaba iku, nalika kinerja klasifikasi model sing dibangun kanthi nggunakake kabeh fitur nyemangati, ing kabeh siswa lan skema klasifikasi, kinerja luwih apik kanggo model kaping pindho nalika mung nggunakake fitur umum. Nyatane, ing antarane sing pungkasane dadi siswa paling dhuwur, kabeh model mung siji sing apik nalika ngilangi fitur sing ora umum.
Dataset agregat pungkasan (gabungan YH, XL, lan KM) kalebu 259 conto, saben makili peserta unik sing njupuk tes MemTrax lan MoCA. Ana 10 fitur independen sing dienggo bareng: Metrik kinerja MemTrax: MTx-% C lan tegese MTx-RT; informasi demografi lan riwayat medis: umur, jinis, taun pendhidhikan, jinis karya (kerah biru/kerah putih), dhukungan sosial (apa sing njupuk tes urip dhewe utawa karo kulawarga), lan ya/ora jawaban apa pangguna duwe riwayat diabetes, hiperlipidemia, utawa cedera otak traumatik. Rong metrik tambahan, skor agregat MoCA lan skor agregat MoCA sing disetel kanggo taun pendhidhikan [12], digunakake kanthi kapisah kanggo ngembangake label klasifikasi sing gumantung, saéngga nggawe rong skema pemodelan sing béda kanggo ditrapake ing set data gabungan kita. Kanggo saben versi (dilarasake lan ora diatur) saka skor MoCA, data kasebut maneh dimodelake kanthi kapisah kanggo klasifikasi binar nggunakake rong ambang kriteria sing beda-sing disaranake [12] lan nilai alternatif sing digunakake lan dipromosikan dening wong liya [8, 15]. Ing skema klasifikasi ambang alternatif, pasien dianggep duwe kesehatan kognitif normal yen s / dheweke ngetung ≥23 ing tes MoCA lan duwe MCI yen skor 22 utawa luwih murah; dene, ing format klasifikasi sing disaranake awal, pasien kudu ngetung 26 utawa luwih apik ing MoCA kanggo dilabeli minangka kesehatan kognitif normal.
Data sing disaring kanggo model klasifikasi MoCA
Kita luwih nliti klasifikasi MoCA nggunakake papat teknik peringkat fitur sing umum digunakake: Chi-Squared, Gain Ratio, Information Gain, lan Symmetrical Uncertainty. Kanggo perspektif interim, kita ngetrapake rangking menyang kabeh set data gabungan nggunakake saben papat skema modeling. Kabeh peringkat sarujuk ing fitur ndhuwur sing padha, yaiku, umur, jumlah taun pendidikan, lan loro metrik kinerja MemTrax (MTx-% C, tegese MTx-RT). Kita banjur mbangun model nggunakake saben teknik pilihan fitur kanggo nglatih model mung ing papat fitur ndhuwur (pirsani Pilihan fitur ing ngisor iki).
Hasil saka wolung variasi pungkasan saka skema pemodelan klasifikasi skor MoCA ditampilake ing Tabel 1.
Tabel 1
Ringkesan variasi skema model sing digunakake kanggo klasifikasi MoCA (Normal Kesehatan Kognitif lawan MCI)
| Skema Pemodelan | Kesehatan Kognitif Normal (Kelas Negatif) | MCI (Kelas Positif) |
| Diatur-23 Ora disaring / disaring | 101 (39.0%) | 158 (61.0%) |
| Diatur-26 Ora disaring / disaring | 49 (18.9%) | 210 (81.1%) |
| Ora diatur-23 Ora disaring/Disaring | 92 (35.5%) | 167 (64.5%) |
| Ora diatur-26 Ora disaring/Disaring | 42 (16.2%) | 217 (83.8%) |
Jumlah lan persen saka total pasien ing saben kelas dibedakake kanthi nyetel skor kanggo pendhidhikan (Disetel utawa Ora Disetel) lan ambang klasifikasi (23 utawa 26), kaya sing ditrapake ing set fitur kasebut (Tanpa Filter lan Disaring).
Pemodelan evaluasi klinis berbasis MemTrax
Saka telung sub-dataset asli kita (YH, XL, KM), mung pasien sub-dataset XL sing didiagnosa sacara klinis kanthi mandiri kanggo gangguan kognitif (yaiku, skor MoCA masing-masing ora digunakake kanggo nggawe klasifikasi normal lan cacat). Khusus, pasien XL didiagnosis salah siji Tes penyakit Alzheimer (AD) utawa demensia vaskular (VaD). Ing saben kategori diagnosis utama kasebut, ana sebutan liyane kanggo MCI. Diagnosis MCI, demensia, kelainan neurokognitif vaskular, lan kelainan neurokognitif amarga AD adhedhasar kriteria diagnostik sing spesifik lan khas sing diterangake ing Manual Diagnostik lan Statistik Gangguan Mental: DSM-5 [16]. Ngelingi diagnosa sing ditapis iki, rong skema pemodelan klasifikasi ditrapake kanthi kapisah menyang sub-dataset XL kanggo mbedakake tingkat keruwetan (derajat gangguan) kanggo saben kategori diagnosis utama. Data sing digunakake ing saben skema model diagnostik (AD lan VaD) kalebu informasi riwayat demografi lan pasien, uga kinerja MemTrax (MTx-% C, tegese MTx-RT). Saben diagnosis diwenehi label entheng yen ditetepake MCI; yen ora, iki dianggep abot. Kita pisanan dianggep kalebu skor MoCA ing model diagnosa (ringan versus abot); nanging kita nemtokake sing bakal ngalahake tujuan saka rencana modeling prediktif secondary kita. Ing kene para siswa bakal dilatih nggunakake karakteristik pasien liyane sing kasedhiya kanggo panyedhiya lan metrik kinerja saka tes MemTrax sing luwih prasaja (saliyane MoCA) nglawan referensi "standar emas", diagnosis klinis independen. Ana 69 kasus ing dataset diagnosis AD lan 76 kasus VaD (Tabel 2). Ing loro dataset, ana 12 fitur independen. Saliyane 10 fitur sing kalebu ing klasifikasi skor MoCA, riwayat pasien uga kalebu informasi babagan riwayat hipertensi lan stroke.
Tabel 2
Ringkesan variasi skema pemodelan sing digunakake kanggo klasifikasi tingkat keruwetan diagnosa (Mild versus Severe)
| Skema Pemodelan | Ringan (Kelas Negatif) | Parah (Kelas Positif) |
| MCI-AD lawan AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD lawan VaD | 38 (50.0%) | 38 (50.0%) |
Jumlah lan persen total pasien ing saben kelas dibedakake miturut kategori diagnosis primer (AD utawa VaD).
Statistik
Perbandingan karakteristik peserta lan fitur numerik liyane antarane sub-dataset kanggo saben strategi klasifikasi model (kanggo prédhiksi kesehatan kognitif MoCA lan keruwetan diagnosis) ditindakake nggunakake basa pemrograman Python (versi 2.7.1) [17]. Beda kinerja model wiwitane ditemtokake nggunakake ANOVA siji utawa loro-faktor (minangka cocok) kanthi interval kapercayan 95% lan tes prabédan signifikan Tukey (HSD) kanggo mbandhingake sarana kinerja. Ujian beda antarane pagelaran model iki ditindakake kanthi nggunakake kombinasi Python lan R (versi 3.5.1) [18]. Kita nggunakake pendekatan iki (sanajan, bisa uga kurang optimal) mung minangka bantuan heuristik tataran awal kanggo mbandhingake kinerja model awal kanggo ngantisipasi aplikasi klinis potensial. Kita banjur nggunakake tes peringkat tandha Bayesian nggunakake distribusi posterior kanggo nemtokake kemungkinan beda kinerja model [19]. Kanggo analisis kasebut, kita nggunakake interval -0.01, 0.01, sing nuduhake yen rong klompok duwe prabédan kinerja kurang saka 0.01, padha dianggep padha (ing wilayah ekuivalensi praktis), utawa liya padha beda (siji luwih apik tinimbang). liyane). Kanggo nindakake comparison Bayesian classifiers lan ngetung kemungkinan iki, kita digunakake perpustakaan baycomp (versi 1.0.2) kanggo Python 3.6.4.
Pemodelan prediktif
Kita nggawe model prediktif nggunakake sepuluh variasi total skema model kanggo prédhiksi (nggolongake) asil tes MoCA saben pasien utawa keruwetan diagnosis klinis. Kabeh siswa diterapake lan model kasebut dibangun nggunakake platform piranti lunak open source Weka [20]. Kanggo analisis awal, kita nggunakake 10 algoritma pembelajaran sing umum digunakake: 5-Nearest Neighbors, rong versi C4.5 decision tree, Logistic Regression, Multilayer Perceptron, Naïve Bayes, rong versi Random Forest, Radial Basis Function Network, lan Support Vector. Mesin. Atribut kunci lan kontras saka algoritma kasebut wis diterangake ing papan liya [21] (pirsani Lampiran). Iki dipilih amarga makili macem-macem jinis siswa lan amarga kita wis nuduhake sukses nggunakake ing analisis sadurunge babagan data sing padha. Setelan hyper-parameter dipilih saka riset sadurunge sing nuduhake dheweke dadi kuat ing macem-macem data sing beda [22]. Adhedhasar asil analisis awal nggunakake dataset gabungan sing padha karo fitur umum sing digunakake ing analisis lengkap, kita nemtokake telung siswa sing nyedhiyakake kinerja sing kuat ing kabeh klasifikasi: Regresi Logistik, Naïve Bayes, lan Mesin Vektor Dhukungan.
Validasi silang lan metrik kinerja model
Kanggo kabeh modeling prediktif (kalebu analisis awal), saben model dibangun nggunakake validasi silang 10-fold, lan kinerja model diukur nggunakake Area Under the Receiver Operating Characteristic Curve (AUC). Validasi silang diwiwiti kanthi mbagi kanthi acak saben 10 set data skema model dadi 10 segmen sing padha (lipat), nggunakake sangang segmen kasebut kanggo nglatih model lan bagean sing isih ana kanggo diuji. Prosedur iki diulang kaping 10, nggunakake bagean sing beda minangka set tes ing saben pengulangan. Asil kasebut banjur digabungake kanggo ngitung asil / kinerja model pungkasan. Kanggo saben kombinasi siswa/dataset, kabeh proses iki diulang kaping 10 kanthi data dibagi beda saben wektu. Langkah pungkasan iki nyuda bias, njamin replikabilitas, lan mbantu nemtokake kinerja model sakabèhé. Total (kanggo skor MoCA lan skema klasifikasi keruwetan diagnosis digabungake), 6,600 model dibangun. Iki kalebu 1,800 model tanpa filter (6 skema model sing ditrapake kanggo dataset × 3 siswa × 10 run × 10 lipatan = 1,800 model) lan 4,800 model sing disaring (4 skema model sing ditrapake kanggo dataset × 3 siswa × 4 teknik pemilihan fitur × 10 run × 10 lipatan = 4,800 model).
Pilihan fitur
Kanggo model sing disaring, pilihan fitur (nggunakake papat metode peringkat fitur) ditindakake sajrone validasi silang. Kanggo saben 10 lipatan, amarga beda 10% saka dataset minangka data tes, mung papat fitur sing dipilih paling dhuwur kanggo saben set data latihan (yaiku, sangang lipatan liyane, utawa 90% sisa saka kabeh dataset) digunakake. kanggo mbangun model. Kita ora bisa ngonfirmasi papat fitur sing digunakake ing saben model, amarga informasi kasebut ora disimpen utawa kasedhiya ing platform model sing digunakake (Weka). Nanging, diwenehi konsistensi ing pilihan wiwitan fitur ndhuwur nalika rangking ditrapake kanggo kabeh set data gabungan lan persamaan sakteruse ing pagelaran model, fitur sing padha (umur, taun pendidikan, MTx-% C, lan tegese MTx-RT). ) minangka papat paling umum sing digunakake bebarengan karo pilihan fitur ing proses validasi silang.
RESULTS
Karakteristik numerik peserta (kalebu skor MoCA lan metrik kinerja MemTrax) saka set data sing gegandhengan kanggo saben strategi klasifikasi model kanggo prédhiksi kesehatan kognitif sing dituduhake MoCA (normal versus MCI) lan keruwetan diagnosis (ringan versus abot) ditampilake ing Tabel 3.
Tabel 3
Karakteristik peserta, skor MoCA, lan kinerja MemTrax kanggo saben strategi klasifikasi model
| Strategi Klasifikasi | Age | Education | MoCA diatur | MoCA Unadjusted | MTx-% C | MTx-RT |
| Kategori MoCA | 61.9 t (13.1) | 9.6 t (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 s (0.3) |
| Diagnosis Keparahan | 65.6 t (12.1) | 8.6 t (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 s (0.3) |
Nilai sing dituduhake (tegese, SD) sing dibedakake kanthi strategi klasifikasi model minangka wakil saka dataset gabungan sing digunakake kanggo prédhiksi kesehatan kognitif sing dituduhake MoCA (MCI versus normal) lan sub-dataset XL mung digunakake kanggo prédhiksi keruwetan diagnosis (entheng versus abot).
Kanggo saben kombinasi skor MoCA (diatur/ora diatur) lan ambang (26/23), ana prabédan statistik (p = 0.000) ing saben perbandingan pasangan (kesehatan kognitif normal versus MCI) kanggo umur, pendidikan, lan kinerja MemTrax (MTx-% C lan MTx-RT). Saben sub-dataset pasien ing kelas MCI sing gegandhengan kanggo saben kombinasi rata-rata udakara 9 nganti 15 taun, dilaporake babagan pendhidhikan kurang limang taun, lan kinerja MemTrax sing kurang apik kanggo loro metrik kasebut.
Asil kinerja modeling prediktif kanggo klasifikasi skor MoCA nggunakake telung siswa paling dhuwur, Regresi Logistik, Naïve Bayes, lan Mesin Vektor Dhukungan, ditampilake ing Tabel 4. Telu iki dipilih adhedhasar kinerja siswa absolut sing paling konsisten ing kabeh macem-macem model. diterapake ing dataset kanggo kabeh skema modeling. Kanggo dataset lan pemodelan sing ora difilter, saben nilai data ing Tabel 4 nuduhake kinerja model adhedhasar rata-rata AUC sing asale saka 100 model (10 run × 10 lipatan) sing dibangun kanggo saben kombinasi skema pemodelan, kanthi kombinasi skema modeling paling dhuwur. performing learning dituduhake kanthi kandel. Dene kanggo pemodelan dataset sing disaring, asil sing dilapurake ing Tabel 4 nggambarake kinerja model rata-rata sakabèhé saka 400 model kanggo saben siswa nggunakake saben metode peringkat fitur (4 metode peringkat fitur × 10 mlaku × 10 lipatan).
Tabel 4
Hasil klasifikasi skor MoCA dikotomis (AUC; 0.0–1.0) kanggo saben telung siswa sing paling apik kanggo kabeh skema modeling
| Set Fitur Digunakake | Skor MoCA | Ambang Cutoff | Getun Logistik | Naïve Bayes | Dhukungan Mesin Vektor |
| Ora disaring (10 fitur) | Laras | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Ora diatur | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Disaring (4 fitur) | Laras | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Ora diatur | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Nggunakake variasi set fitur, skor MoCA, lan ambang wates skor MoCA, kinerja paling dhuwur kanggo saben skema model ditampilake ing kandel (ora mesthi beda statistik saka kabeh liyane sing ora ana ing kandel kanggo model sing gegandhengan).
Mbandhingake siswa ing kabeh kombinasi versi skor MoCA lan ambang (masing-masing disetel / ora disetel lan 23/26) ing set data sing ora disaring gabungan (yaiku, nggunakake 10 fitur umum), Naïve Bayes umume dadi siswa sing paling apik kanthi kinerja sakabehe. kinerja klasifikasi 0.9093. Ngelingi telung siswa paling dhuwur, tes peringkat tandha sing digandhengake karo Bayesian nuduhake yen kemungkinan (Pr) saka Naïve Bayes sing ngluwihi Regresi Logistik yaiku 99.9%. Kajaba iku, ing antarane Naïve Bayes lan Mesin Vektor Dhukungan, kemungkinan 21.0% kesetaraan praktis ing kinerja siswa (saiki, kemungkinan 79.0% Naïve Bayes ngungguli Mesin Vektor Dhukungan), ditambah karo kemungkinan 0.0% Mesin Vektor Dhukungan tampil luwih apik, bisa diukur. nguatake kauntungan kinerja kanggo Naïve Bayes. Perbandhingan luwih lanjut saka versi skor MoCA ing kabeh siswa / batesan nyaranake kauntungan kinerja sing sithik nggunakake skor MoCA sing ora disetel versus sing disetel (0.9027 mungsuh 0.8971, mungguh; Pr (ora diatur > diatur) = 0.988). Kajaba iku, perbandingan ambang cutoff ing kabeh siswa lan versi skor MoCA nuduhake keuntungan kinerja klasifikasi cilik nggunakake 26 minangka ambang klasifikasi lawan 23 (0.9056 lawan 0.8942, mungguh; Pr (26 > 23) = 0.999). Pungkasan, mriksa kinerja klasifikasi kanggo model sing mung nggunakake asil sing disaring (yaiku, mung papat fitur peringkat paling dhuwur), Naïve Bayes (0.9143) sacara numerik minangka siswa sing paling apik ing kabeh versi / ambang skor MoCA. Nanging, ing kabeh teknik peringkat fitur digabungake, kabeh siswa sing paling apik nindakake kanthi cara sing padha. Tes peringkat tandha Bayesian nuduhake kemungkinan 100% kesetaraan praktis antarane saben pasangan siswa sing disaring. Kaya data sing ora difilter (nggunakake kabeh 10 fitur umum), ana maneh kauntungan kinerja kanggo versi skor MoCA sing ora disetel (Pr (ora diatur > diatur) = 1.000), uga kauntungan sing padha kanggo ambang klasifikasi 26 (Pr (26 > 23) = 1.000). Utamane, kinerja rata-rata saben telung siswa paling dhuwur ing kabeh versi skor MoCA / ambang mung nggunakake papat fitur peringkat paling dhuwur ngluwihi kinerja rata-rata siswa ing data sing ora disaring. Ora nggumunake, kinerja klasifikasi model sing disaring (nggunakake papat fitur paling dhuwur) sakabèhé luwih unggul (0.9119) tinimbang model sing ora disaring (0.8999), preduli saka model metode peringkat fitur sing dibandhingake karo model kasebut nggunakake kabeh 10 umum. fitur. Kanggo saben cara pilihan fitur, ana 100% kemungkinan kauntungan kinerja liwat model unfiltered.
Kanthi pasien sing dianggep kanggo klasifikasi keruwetan diagnosis AD, beda antarane klompok (MCI-AD versus AD) kanggo umur (p = 0.004), pendidikan (p = 0.028), skor MoCA diatur/ora diatur (p = 0.000), lan MTx-% C (p = 0.008) signifikan sacara statistik; dene kanggo MTx-RT ora (p = 0.097). Kanthi pasien kasebut dianggep kanggo klasifikasi keruwetan diagnosis VaD, beda antarane klompok (MCI-VaD versus VaD) kanggo skor MoCA sing disetel / ora diatur (p = 0.007) lan MTx-% C (p = 0.026) lan MTx-RT (p = 0.001) signifikan sacara statistik; dene kanggo umur (p = 0.511) lan pendidikan (p = 0.157) ora ana bedane antarane klompok sing signifikan.
Asil kinerja modeling prediktif kanggo klasifikasi keruwetan diagnosis nggunakake telung siswa sing dipilih sadurunge, Regresi Logistik, Naïve Bayes, lan Mesin Vektor Dhukungan, ditampilake ing Tabel 5. Dene siswa tambahan sing diteliti nuduhake kinerja sing rada kuwat kanthi siji saka rong kategori diagnosis klinis. , telu murid sing wis diidentifikasi minangka sing paling disenengi ing modeling sadurunge menehi kinerja sing paling konsisten karo loro skema model anyar. Mbandhingake siswa ing saben kategori diagnosis utama (AD lan VaD), ora ana prabédan kinerja klasifikasi sing konsisten ing antarane siswa kanggo MCI-VaD versus VaD, sanajan Mesin Vektor Dhukungan umume ditindakake kanthi luwih jelas. Kajaba iku, ora ana bedane sing signifikan ing antarane para siswa kanggo klasifikasi MCI-AD versus AD, sanajan Naïve Bayes (NB) nduweni kaluwihan kinerja tipis tinimbang Regresi Logistik (LR) lan mung pluralitas sing bisa diabaikan liwat Mesin Vektor Dhukungan, kanthi kemungkinan 61.4% lan 41.7%. Across loro dataset, ana kauntungan kinerja sakabèhé kanggo Dhukungan Vector Machine (SVM), karo Pr (SVM> LR) = 0.819 lan Pr (SVM > NB) = 0.934. Kinerja klasifikasi sakabèhé ing kabeh siswa ing prédhiksi keruwetan diagnosis ing sub-dataset XL luwih apik ing kategori diagnosis VaD versus AD (Pr (VAD > AD) = 0.998).
Tabel 5
Kinerja klasifikasi tingkat keruwetan diagnosis klinis dikotomis (AUC; 0.0-1.0) asil kanggo saben telung siswa sing paling apik kanggo loro skema modeling.
| Skema Pemodelan | Getun Logistik | Naïve Bayes | Dhukungan Mesin Vektor |
| MCI-AD lawan AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD lawan VaD | 0.8033 | 0.8044 | 0.8338 |
Kinerja paling dhuwur kanggo saben skema modeling ditampilake ing kandel (ora mesthi beda statistik tinimbang liyane sing ora ana ing kandel).
DISCUSSION
Deteksi awal owah-owahan ing kesehatan kognitif penting sarana praktis ing manajemen kesehatan pribadi lan kesehatan masyarakat. Pancen, iki uga dadi prioritas utama ing setelan klinis kanggo pasien ing saindenging jagad. Tujuan sing dienggo bareng yaiku menehi tandha marang pasien, pengasuh, lan panyedhiya lan menehi perawatan lan perawatan longitudinal sing cocog lan larang regane sadurunge kanggo wong-wong sing wiwit ngalami penurunan kognitif. Nggabungake telung subset data rumah sakit/klinik, kita nemtokake telung siswa sing luwih disenengi (kanthi siji sing misuwur -Naïve Bayes) kanggo nggawe model prediktif nggunakake Metrik kinerja MemTrax sing bisa andal nggolongake status kesehatan kognitif dikotomi (kesehatan kognitif normal utawa MCI) kaya sing bakal dituduhake kanthi skor agregat MoCA. Utamane, kinerja klasifikasi sakabèhé kanggo kabeh telung siswa saya apik nalika model kita mung nggunakake papat fitur peringkat paling dhuwur sing umume nyakup metrik kinerja MemTrax iki. Kajaba iku, kita mbukak potensial nyata kanggo nggunakake siswa sing padha lan metrik kinerja MemTrax ing skema pemodelan klasifikasi dhukungan diagnostik kanggo mbedakake keruwetan rong kategori diagnosis demensia: AD lan VaD.
Tes memori minangka pusat kanggo deteksi awal AD [23, 24]. Dadi, luwih becik yen MemTrax minangka online sing bisa ditrima, narik kawigaten, lan gampang ditindakake. test screening kanggo memori episodic ing populasi umum [6]. Akurasi pangenalan lan wektu nanggepi saka tugas kinerja sing terus-terusan iki utamane kanggo ngenali kerusakan awal lan berkembang lan defisit akibat ing proses neuroplastik sing ana gandhengane karo sinau, memori, lan kognisi. Yaiku, model ing kene sing adhedhasar metrik kinerja MemTrax sensitif lan luwih gampang lan kanthi biaya minimal mbukak defisit neuropatologis biologis sajrone tahap asimtomatik transisi sadurunge mundhut fungsional sing luwih substansial [25]. Ashford et al. nliti pola lan prilaku akurasi memori pangenalan lan wektu respon ing pangguna online sing melu dhewe karo MemTrax [6]. Ngormati manawa distribusi kasebut kritis ing modeling optimal lan ngembangake aplikasi perawatan pasien sing sah lan efektif, nemtokake profil pangenalan lan wektu respon sing ditrapake sacara klinis penting kanggo nggawe referensi dhasar sing penting kanggo sarana klinis lan riset. Nilai praktis MemTrax ing screening AD kanggo gangguan kognitif tahap awal lan dhukungan diagnostik diferensial kudu ditliti kanthi luwih rapet ing konteks setelan klinis ing ngendi komorbiditas lan kemampuan kognitif, sensori, lan motor sing mengaruhi kinerja tes bisa dianggep. Lan kanggo ngandhani perspektif profesional lan nyengkuyung sarana klinis praktis, pisanane kudu nduduhake perbandingan karo tes penilaian kesehatan kognitif sing wis ditetepake, sanajan sing terakhir bisa dingerteni kanthi logistik tes sing rumit, penolakan pendidikan lan basa, lan pengaruh budaya [26] . Ing babagan iki, perbandingan sing apik saka MemTrax babagan khasiat klinis kanggo MoCA sing umume dianggep minangka standar industri penting, utamane nalika nimbang luwih gampang panggunaan lan nampa pasien MemTrax.
Eksplorasi sadurunge mbandhingake MemTrax karo MoCA nyoroti alasan lan bukti awal sing njamin penyelidikan modeling kita [8]. Nanging, perbandingan sadurunge iki mung nggandhengake rong metrik kinerja MemTrax utama sing ditliti kanthi status kognitif sing ditemtokake dening MoCA lan nemtokake kisaran lan nilai cutoff. We deepened evaluasi sarana klinis MemTrax kanthi njelajah pendekatan basis modeling prediktif sing bakal menehi pertimbangan sing luwih individual babagan paramèter khusus pasien sing potensial cocog. Beda karo liyane, kita ora nemokake keuntungan ing kinerja model nggunakake koreksi pendidikan (penyesuaian) kanggo skor MoCA utawa ing macem-macem kesehatan kognitif discriminating ambang skor agregat MoCA saka awal dianjurake 26 kanggo 23 [12, 15]. Nyatane, kauntungan kinerja klasifikasi luwih disenengi nggunakake skor MoCA sing ora diatur lan ambang sing luwih dhuwur.
Titik kunci ing praktik klinis
Pembelajaran mesin asring paling apik digunakake lan paling efektif ing modeling prediktif nalika data kasebut ekstensif lan multi-dimensi, yaiku, nalika ana akeh pengamatan lan macem-macem atribut sing nduweni nilai dhuwur (kontribusi). Nanging, kanthi data saiki, model sing disaring kanthi mung papat fitur sing dipilih luwih apik tinimbang sing nggunakake kabeh 10 fitur umum. Iki nuduhake manawa set data rumah sakit agregat ora duwe fitur klinis sing paling cocog (nilai dhuwur) kanggo nggolongake pasien kanthi cara iki. Nanging, fitur peringkat emphasis ing kunci kinerja MemTrax metrik - MTx-% C lan MTx-RT - ndhukung banget mbangun model screening defisit kognitif tahap awal ing tes iki sing prasaja, gampang kanggo ngatur, biaya murah, lan kanthi tepat mbukak babagan. kinerja memori, paling saiki minangka layar awal kanggo klasifikasi binar status kesehatan kognitif. Amarga galur sing terus-terusan ing panyedhiya lan sistem perawatan kesehatan, proses screening pasien lan aplikasi klinis kudu dikembangake kanthi cocog kanthi penekanan kanggo ngumpulake, nelusuri, lan model karakteristik pasien lan metrik tes sing paling migunani, mupangati, lan kabukten efektif ing diagnostik. lan dhukungan manajemen pasien.
Kanthi rong metrik MemTrax utama sing dadi pusat klasifikasi MCI, siswa sing paling apik (Naïve Bayes) nduweni kinerja prediksi sing dhuwur banget ing pirang-pirang model (AUC luwih saka 0.90) kanthi rasio positif-positif kanggo palsu-positif nyedhaki utawa luwih saka 4. : 1. Aplikasi klinis translasi sing nggunakake murid iki bakal nangkep (ngklasifikasikake kanthi bener) paling akeh sing duwe defisit kognitif, nalika nyilikake biaya sing digandhengake kanthi salah nggolongake wong sing duwe kesehatan kognitif normal minangka defisit kognitif (positif palsu) utawa ilang klasifikasi kasebut ing wong sing duwe defisit kognitif (negatif palsu). Salah siji saka skenario misklasifikasi kasebut bisa nyebabake beban psiko-sosial sing ora perlu kanggo pasien lan pengasuh.
Dene ing analisis awal lan lengkap, kita nggunakake kabeh sepuluh siswa ing saben skema modeling, kita fokusake asil ing telung klasifikasi sing nuduhake kinerja sing paling konsisten. Iki uga kanggo nyorot, adhedhasar data kasebut, para siswa sing diantisipasi bakal nindakake kanthi andal ing tingkat dhuwur ing aplikasi klinis praktis kanggo nemtokake klasifikasi status kognitif. Kajaba iku, amarga panliten iki dimaksudake minangka investigasi pambuka babagan utilitas machine learning ing screening kognitif lan tantangan klinis sing pas wektune, kita mutusake supaya teknik sinau tetep prasaja lan umum, kanthi nyetel parameter minimal. Kita ngapresiasi manawa pendekatan iki bisa uga mbatesi potensial kanggo kapabilitas prediksi khusus pasien sing luwih sempit. Mangkono uga, nalika latihan model mung nggunakake fitur paling dhuwur (pendekatan sing disaring) menehi informasi luwih lengkap babagan data kasebut (khusus kanggo kekurangan data sing diklumpukake lan nyoroti nilai kanggo ngoptimalake wektu lan sumber daya klinis sing larang regane), kita ngerti manawa durung wayahe kanggo nyepetake. orane katrangan saka model lan, mulane, kabeh (lan fitur liyane) kudu dianggep karo riset mangsa nganti kita duwe profil liyane definitif fitur prioritas sing bakal ditrapake kanggo populasi amba. Mangkono, kita uga ngakoni kanthi lengkap manawa data sing luwih inklusif lan representatif lan optimasi model kasebut lan model liyane bakal dibutuhake sadurunge nggabungake menyang aplikasi klinis sing efektif, utamane kanggo nampung komorbiditas sing mengaruhi kinerja kognitif sing kudu dipikirake ing evaluasi klinis luwih lanjut.
Utilitas MemTrax luwih didandani kanthi model keruwetan penyakit adhedhasar diagnosis klinis sing kapisah. Kinerja klasifikasi sakabèhé sing luwih apik kanggo prédhiksi keruwetan VaD (dibandhingake karo AD) ora kaget diwenehi fitur profil pasien ing model khusus kanggo kesehatan pembuluh darah lan risiko stroke, yaiku, hipertensi, hiperlipidemia, diabetes, lan (mesthi) riwayat stroke. Sanadyan luwih disenengi lan pas kanggo nindakake penilaian klinis sing padha kanggo pasien sing cocog karo kesehatan kognitif normal kanggo nglatih para siswa kanthi data sing luwih inklusif. Iki utamané dijamin, minangka MemTrax dimaksudaké kanggo digunakake utamané kanggo deteksi tahap awal saka defisit kognitif lan nelusuri sakteruse saka owah-owahan individu. Bisa uga manawa distribusi data sing luwih dikarepake ing dataset VaD nyumbang kanggo kinerja model sing luwih apik. Dataset VaD seimbang ing antarane rong kelas kasebut, dene dataset AD kanthi pasien MCI luwih sithik. Utamane ing set data cilik, malah sawetara conto tambahan bisa nggawe prabédan sing bisa diukur. Loro-lorone perspektif kasebut minangka argumentasi sing cukup ndasari bedane kinerja model keruwetan penyakit. Nanging, kanthi proporsi ngubungake kinerja sing luwih apik kanggo karakteristik numerik dataset utawa fitur bawaan khusus kanggo presentasi klinis sing dianggep durung wayahe. Nanging, novel iki nuduhake utilitas model klasifikasi prediktif MemTrax ing peran dhukungan diagnostik klinis nyedhiyakake perspektif sing penting lan negesake ngupayakake pemeriksaan tambahan karo pasien ing salawas-lawase MCI.
Implementasine lan nuduhake utilitas MemTrax lan model-model kasebut ing China, ing ngendi basa lan budaya beda banget karo wilayah liya sing wis mapan (contone, Prancis, Walanda, lan Amerika Serikat) [7, 8, 27], luwih negesake potensial kanggo ditampa global lan nilai klinis saka platform basis MemTrax. Iki minangka conto sing bisa dibuktekake sajrone ngupayakake harmonisasi data lan ngembangake norma internasional praktis lan sumber daya model kanggo screening kognitif sing standar lan gampang diadaptasi kanggo digunakake ing saindenging jagad.
Langkah sabanjure ing modeling penurunan kognitif lan aplikasi
Disfungsi kognitif ing AD pancen ana ing kontinum, ora ing tahap utawa langkah sing diskret [28, 29]. Nanging, ing tahap awal iki, tujuane yaiku kanggo nggawe kemampuan kanggo mbangun model sing nggabungake MemTrax sing bisa mbedakake "normal" saka "ora normal". Data empiris sing luwih inklusif (contone, pencitraan otak, fitur genetik, biomarker, komorbiditas, lan penanda fungsional kompleks aktivitas sing mbutuhake kognitif kontrol) [30] ing macem-macem wilayah global, populasi, lan klompok umur kanggo nglatih lan ngembangake model pembelajaran mesin sing luwih canggih (kalebu gamelan bobot sing tepat) bakal ndhukung klasifikasi sing luwih dhuwur, yaiku, kapasitas kanggo nggolongake klompok pasien kanthi MCI dadi subset sing luwih cilik lan luwih definitif ing sadawane kontinum penurunan kognitif. Kajaba iku, diagnosis klinis sing cocog kanggo individu ing populasi pasien sing beda-beda ing wilayah penting kanthi efektif nglatih model sing luwih inklusif lan bisa diprediksi luwih kuat. Iki bakal nggampangake manajemen kasus stratifikasi sing luwih spesifik kanggo wong sing duwe latar mburi, pengaruh, lan profil kognitif karakteristik sing luwih sempit lan kanthi mangkono ngoptimalake dhukungan keputusan klinis lan perawatan pasien.
Akeh riset klinis sing relevan nganti saiki wis ngatasi pasien kanthi demensia sing paling entheng; lan, ing laku, asring banget intervensi pasien mung dicoba ing tahap lanjut. Nanging, amarga penurunan kognitif diwiwiti sadurunge kritéria klinis kanggo dimensia ditemtokake, layar awal adhedhasar MemTrax sing ditrapake kanthi efektif bisa nyengkuyung pendhidhikan sing cocog kanggo individu babagan penyakit kasebut lan kemajuane lan menehi intervensi luwih awal lan luwih tepat wektu. Mangkono, deteksi dini bisa ndhukung keterlibatan sing cocok wiwit saka olahraga, diet, dhukungan emosional, lan sosialisasi sing luwih apik kanggo intervensi farmakologis lan nguatake owah-owahan sing gegandhengan karo pasien ing prilaku lan persepsi sing siji-sijine utawa sacara agregat bisa nyuda utawa duweni potensi mungkasi perkembangan demensia [31, 32] . Kajaba iku, kanthi efektif screening awal, individu lan kulawargane bisa uga dijaluk nimbang uji klinis utawa njaluk penyuluhan lan dhukungan layanan sosial liyane kanggo mbantu njlentrehake pangarepan lan maksud lan ngatur tugas saben dina. Validasi luwih lanjut lan utilitas praktis sing nyebar kanthi cara iki bisa dadi instrumental kanggo nyuda utawa mungkasi kemajuan MCI, AD, lan ADRD kanggo akeh individu.
Pancen, pungkasane umur pasien sing kurang ing panaliten kita ora nggambarake populasi prihatin tradisional karo AD. Nanging, umur rata-rata kanggo saben klompok sing digunakake ing skema pemodelan klasifikasi adhedhasar skor / ambang MoCA lan keruwetan diagnosis (Tabel 3) negesake mayoritas sing jelas (luwih saka 80%) umure paling sethithik 50 taun. Distribusi iki cocok banget kanggo generalisasi, ndhukung utilitas model kasebut ing populasi ciri sing biasane kena pengaruh. wiwitan awal lan penyakit neurokognitif sing berkembang amarga AD lan VaD. Uga, bukti anyar lan perspektif nandheske faktor-faktor sing diakoni (contone, hipertensi, obesitas, diabetes, lan ngrokok) sing duweni potensi sing luwih dhuwur. skor risiko vaskular diwasa lan pertengahan umur lan akibat cedera otak pembuluh darah subtle sing berkembang sacara insidiously kanthi efek nyata sanajan ing umur enom. diwasa [33-35]. Mulane, kesempatan screening awal paling optimal kanggo ndeteksi awal defisit kognitif tahap lan miwiti strategi pencegahan lan intervensi sing efektif kanggo ngatasi demensia bakal muncul saka nliti faktor-faktor sing nyumbang lan pratondho anteseden ing spektrum umur, kalebu awal diwasa lan bisa uga bocah cilik (nyathet relevansi faktor genetik kayata apolipoprotein E saka awal ngandhut).
Ing praktik, diagnosa klinis sing sah lan prosedur sing larang regane kanggo pencitraan canggih, profil genetik, lan ngukur biomarker sing njanjeni ora tansah kasedhiya utawa malah layak kanggo akeh panyedhiya. Dadi, ing pirang-pirang kasus, klasifikasi status kesehatan kognitif sakabèhé bisa uga kudu diturunake saka model nggunakake metrik prasaja liyane sing diwenehake dening pasien (contone, sing dilapurake dhewe. masalah memori, obat-obatan saiki, lan watesan aktivitas rutin) lan fitur demografi umum [7]. Registries kayata Universitas California Health Brain Registry (https://www.brainhealthregistry.org/) [27] lan liya-liyane kanthi gejala sing dilapurake dhewe, ukuran kualitatif (umpamane, turu lan saben dina kognisi), obat-obatan, status kesehatan, lan riwayat, lan demografi luwih rinci bakal dadi instrumental ing ngembangaken lan validasi aplikasi praktis saka model luwih primitif ing Clinic. Salajengipun, tes kayata MemTrax, sing nuduhake sarana kanggo ngevaluasi fungsi memori, bisa uga menehi perkiraan patologi AD sing luwih apik tinimbang marker biologis. Amarga fitur inti saka patologi AD yaiku gangguan neuroplastisitas lan mundhut sinapsis sing rumit banget, sing katon minangka episodik. disfungsi memori, ukuran kang netepke memori episodic bisa ing kasunyatan nyedhiyakake perkiraan beban patologis AD sing luwih apik tinimbang panandha biologis ing pasien sing urip [36].
Kanthi kabeh model prediktif-apa sing dilengkapi karo data sing kompleks lan inklusif saka teknologi canggih lan wawasan klinis sing apik ing pirang-pirang domain utawa sing diwatesi kanggo karakteristik informasi sing luwih dhasar lan kasedhiya saka profil pasien sing wis ana-kauntungan sing diakoni saka intelijen buatan. lan machine learning yaiku model asil bisa nyintesis lan "sinau" kanthi induktif saka data lan perspektif anyar sing relevan sing diwenehake dening panggunaan aplikasi sing terus-terusan. Sawise transfer teknologi praktis, amarga model ing kene (lan bakal dikembangake) diterapake lan diperkaya karo luwih akeh kasus lan data sing relevan (kalebu pasien sing duwe komorbiditas sing bisa nyebabake penurunan kognitif), kinerja prediksi lan klasifikasi kesehatan kognitif bakal luwih mantep, ngasilake sarana dhukungan keputusan klinis sing luwih efektif. Évolusi iki bakal diwujudake kanthi luwih lengkap lan praktis kanthi nggabungake MemTrax menyang platform khusus (ditargetake kanggo kapabilitas sing kasedhiya) sing bisa digunakake panyedhiya kesehatan ing wektu nyata ing klinik.
Penting kanggo validasi lan sarana model MemTrax kanggo dhukungan diagnostik lan perawatan pasien sing dikarepake banget data longitudinal sing migunani. Kanthi mirsani lan ngrekam owah-owahan bebarengan (yen ana) ing status klinis ing kisaran normal sing cukup liwat MCI tahap awal, model kanggo penilaian lan klasifikasi sing cocog bisa dilatih lan diowahi nalika umur pasien lan diobati. Yaiku, utilitas sing bola-bali bisa mbantu nglacak owah-owahan kognitif sing entheng, efektifitas intervensi, lan njaga perawatan stratifikasi kanthi informed. Pendekatan iki luwih cedhak karo praktik klinis lan manajemen pasien lan kasus.
watesan
Kita ngormati tantangan lan nilai kanggo ngumpulake data klinis sing resik ing setelan klinik/rumah sakit sing dikontrol. Nanging, mesthine bakal nguatake pemodelan yen dataset kita kalebu luwih akeh pasien kanthi fitur umum. Kajaba iku, khusus kanggo pemodelan diagnosis kita, mesthine luwih disenengi lan pas kanggo duwe penilaian klinis sing padha ditindakake ing pasien sing cocog karo kesehatan kognitif normal kanggo nglatih para siswa. Lan kaya sing digarisake dening kinerja klasifikasi sing luwih dhuwur nggunakake set data sing disaring (mung papat fitur sing paling dhuwur), luwih umum lan ngukur kesehatan kognitif / indikator kamungkinan wis apik kinerja modeling karo nomer luwih saka fitur umum ing kabeh patients.
Peserta tartamtu bisa uga ngalami penyakit liyane sing bisa nyebabake kekurangan kognitif transitory utawa kronis. Liyane saka sub-dataset XL ing ngendi pasien diagnosa diklasifikasikake minangka AD utawa VaD, data komorbiditas ora diklumpukake / dilapurake ing blumbang pasien YH, lan komorbiditas sing paling umum dilapurake ing sub-dataset KM yaiku diabetes. Nanging, bisa dibantah, yen kalebu pasien ing skema pemodelan kita kanthi komorbiditas sing bisa nyebabake utawa nambah tingkat kekurangan kognitif lan kinerja MemTrax sing luwih murah bakal luwih makili populasi pasien sing ditargetake ing donya nyata kanggo skrining kognitif awal sing luwih umum iki. lan pendekatan modeling. Maju, diagnosis akurat komorbiditas sing duweni potensi mengaruhi kinerja kognitif umume migunani kanggo ngoptimalake model lan aplikasi perawatan pasien.
Pungkasan, pasien sub-dataset YH lan KM nggunakake smartphone kanggo njupuk tes MemTrax, dene sawetara pasien sub-dataset XL nggunakake iPad lan liyane nggunakake smartphone. Iki bisa uga ngenalake prabédan cilik sing gegandhengan karo piranti ing kinerja MemTrax kanggo model klasifikasi MoCA. Nanging, beda (yen ana) ing MTx-RT, contone, antarane piranti bakal diabaikan, utamané karo saben peserta diwenehi test "praktek" sakdurunge kinerja test direkam. Nanging, utilitas saka rong piranti genggam iki duweni potensi kompromi perbandingan langsung lan/utawa integrasi karo asil MemTrax liyane sing pangguna nanggapi mbaleni gambar kanthi nutul spasi ing keyboard komputer.
Titik kunci ing utilitas modeling prediktif MemTrax
- • Model prediksi kinerja paling dhuwur sing nyakup metrik kinerja MemTrax sing dipilih bisa andal nggolongake status kesehatan kognitif (kesehatan kognitif normal utawa MCI) kaya sing bakal dituduhake dening tes MoCA sing diakoni sacara luas.
- • Asil kasebut ndhukung integrasi metrik kinerja MemTrax sing dipilih dadi aplikasi screening model prediktif klasifikasi kanggo gangguan kognitif tahap awal.
- • Pemodelan klasifikasi kita uga ngumumake potensial kanggo nggunakake kinerja MemTrax ing aplikasi kanggo mbedakake keruwetan diagnosis dimensia.
Panemuan novel iki nggawe bukti definitif sing ndhukung utilitas machine learning kanggo mbangun model klasifikasi basis MemTrax sing luwih kuat kanggo dhukungan diagnostik ing manajemen kasus klinis sing efektif lan perawatan pasien kanggo individu sing ngalami gangguan kognitif.
ACKNOWLEDGMENTS
Kita ngakoni karya J. Wesson Ashford, Curtis B. Ashford, lan kanca-kanca kanggo ngembangake lan validasi tugas lan alat pangenalan terus-terusan online (MemTrax) sing digunakake ing kene lan kita matur nuwun marang akeh pasien demensia sing nyumbang kanggo riset dhasar kritis. . Kita uga matur nuwun marang Xianbo Zhou lan kanca-kancane ing SJN Biomed LTD, kolega lan kolaborator ing situs rumah sakit / klinik, utamane Dr. M. Luo lan M. Zhong, sing mbantu rekrutmen peserta, jadwal tes, lan ngumpulake, ngrekam, lan ngatur data ing ngarep, lan para peserta sukarelawan sing nyumbang wektu sing penting lan nggawe komitmen kanggo njupuk tes lan nyedhiyakake data ingkang aji kangge kita evaluasi wonten ing panaliten menika. Iki sinau iki didhukung sebagian dening MD Scientific Research Program Universitas Kedokteran Kunming (Grant no. 2017BS028 kanggo XL) lan Program Riset Jurusan Ilmu Pengetahuan lan Teknologi Yunnan (Grant no. 2019FE001 (-222) kanggo XL).
J. Wesson Ashford wis ngajokake aplikasi paten kanggo nggunakake paradigma pangenalan terus-terusan tartamtu sing diterangake ing kertas iki kanggo umum. testing saka memori.
MemTrax, LLC minangka perusahaan sing diduweni dening Curtis Ashford, lan perusahaan iki ngatur testing memori sistem diterangake ing kertas iki.
Pambocoran penulis kasedhiya online (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
PUSTAKA
| [1] Asosiasi Alzheimer (2016) 2016 Fakta penyakit Alzheimer lan tokoh. Demen Alzheimer 12, 459-509. | |
| [2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) Effect of early-stage penyakit Alzheimer babagan asil finansial rumah tangga. Kesehatan Ekon 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 ing neurologi: Setel pangukuran kualitas gangguan kognitif entheng. Neurology 93, 705-713. |
| [4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) Efektivitas biaya nggunakake tes skrining kognitif kanggo ndeteksi demensia lan gangguan kognitif entheng ing perawatan primer. Int J Geriatr Psikiatri 32, 1392–1400. | |
| [5] Ashford JW, Gere E, Bayley PJ (2011) Pangukuran memori ing setelan klompok gedhe nggunakake tes pangenalan terus-terusan. J Alzheimers Dis 27, 885-895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Tugas pangenalan terus-terusan komputerisasi kanggo pangukuran memori episodik. J Alzheimers Dis 69, 385-399. |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Episodic-memori performance in machine learning modeling for predicting cognitive health status classification. J Alzheimers Dis 70, 277-286. |
| [8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The tes MemTrax dibandhingake karo estimasi penilaian kognitif montreal saka gangguan kognitif entheng. J Alzheimers Dis 67, 1045-1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Nggunakake swara vokal terisolasi kanggo klasifikasi cedera otak traumatik entheng. Ing 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, Vancouver, BC, pp. 7577–7581. |
| [10] | Dabek F, Caban JJ (2015) Leveraging big data kanggo model kemungkinan ngembangaken kondisi psikologis sawise geger otak. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Pohon keputusan kanggo deteksi dini gangguan kognitif dening apoteker komunitas. Ngarep Pharmacol 9, 1232. |
| [12] | Nasreddine ZS, Phillips NA, Bedirian V, Charbonneau S, Whitehead V, Collin I, Cummings JL, Chertkow H (2005) The Montreal Cognitive Assessment, MoCA: A Brief screening tool for mild cognitive impairment. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012) The Beijing version of the montreal cognitive assessment as a brief screening tool for mild cognitive impairment: A community-based study. BMC Psikiatri 12, 156. |
| [14] | Chen KL, Xu Y, Chu AQ, Ding D, Liang XN, Nasreddine ZS, Dong Q, Hong Z, Zhao QH, Guo QH (2016) Validation of the Chinese version of Montreal cognitive assessment basic for screening mild cognitive impairment. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N, Leach L, Murphy KJ (2018) A re-pemeriksaan saka Montreal Cognitive Assessment (MoCA) skor cutoff. Int J Geriatr Psikiatri 33, 379–388. |
| [16] | American Psychiatric Association (2013) Task Force Diagnostik lan manual statistik kelainan mental: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC. |
| [17] | Python. Python Software Foundation, http://www.python.org, Diakses 15 November 2019. |
| [18] | R Core Group, R: Basa lan lingkungan kanggo komputasi statistik R Foundation for Statistical Computing, Wina, Austria. https://www.R-project.org/, 2018, Diakses 15 November 2019. |
| [19] | Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Wektu kanggo owah-owahan: Tutorial kanggo mbandhingake sawetara klasifikasi liwat analisis Bayesian. J Mach Sinau Res 18, 1–36. |
| [20] | Frank E, Hall MA, Witten IH (2016) The WEKA Workbench. Ing Data Mining: Praktis Machine Learning Piranti lan Teknik, 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) Machine learning in modeling high school sport concussion symptoms resolve. Med Sci Olahraga Exerc 51, 1362-1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Perspektif eksperimen babagan sinau saka data sing ora seimbang. Ing Prosiding Konferensi Internasional kaping 24 babagan Pembelajaran Mesin, Corvalis, Oregon, AS, kaca 935-942. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Evaluasi pasien Alzheimer lan negara mental mini: Analisis kurva karakteristik item.P. J Gerontol 44, 139–146. |
| [24] Ashford JW , Jarvik L (1985) Penyakit Alzheimer: Apa plastisitas neuron predisposisi kanggo degenerasi neurofibrillary axonal? 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 sing ditetepake sacara biologis vs klinis nggunakake Institut Nasional babagan Aging-Alzheimer Riset Asosiasi kerangka. JAMA Neurol 76, 1174-1183. | |
| [26] Zhou X, Ashford JW (2019) Kemajuan ing instrumen screening kanggo penyakit Alzheimer. Sepuh Med 2, 88–93. | |
| [27] Weiner MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) The Health Brain Registry: Platform basis internet kanggo rekrutmen, penilaian, lan ngawasi longitudinal peserta kanggo pasinaon neuroscience. Alzheimer Demen 14, 1063-1076. | |
| [28] Ashford JW, Schmitt FA (2001) Modeling the time-course of Alzheimer demensia. Psikiatri Curr Rep 3, 20–28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE): Protokol kanggo studi observasi longitudinal Cina kanggo ngembangake model prediksi risiko konversi menyang gangguan kognitif entheng ing individu kanthi kognitif subyektif nolak. BMJ Open 9, e028188. |
| [30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015) Variabilitas kemajuan biomarker limang taun kanggo Demensia penyakit Alzheimer prediksi: Bisa aktivitas instrumental Komplek saka penanda urip saben dina ngisi kesenjangan? Alzheimers Dement (Amst) 1, 521–532. | |
| [31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) Nyegah lan perawatan saka penyakit Alzheimer: Mekanisme latihan biologis. J Alzheimers Dis 69, 311-338. | |
| [32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) Therapies for Nyegah lan perawatan saka 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 antarane risiko vaskular antarane diwasa lan patologi otak ing pungkasan urip: Bukti saka kohort lair Inggris. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) Nyegah demensia-mikir ngluwihi umur lan kothak 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. - sinau bagean. Lancet Neurol 2012, 11-1039. |
| [36] Fink HA, Linskens EJ, Silverman PC, McCarten JR, Hemmy LS, Ouellette JM, Greer NL, Wilt TJ, Butler M (2020) Akurasi tes biomarker kanggo neuropathologically ditetepake Penyakit Alzheimer ing wong diwasa lawas kanthi dimensia. Ann Intern Med 172, 669–677. |
Afiliasi: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] Jurusan Teknik Komputer lan Elektro lan Ilmu Komputer, Florida Atlantic University, Boca Raton, FL, USA | [c] SJN Biomed LTD, Kunming, Yunnan, China | [d] Pusat kanggo Riset Alzheimer, Institut Riset 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 lan Ciloko sing Gegandhengan karo Perang, VA Palo Alto Health Care System, Palo Alto, CA, USA | [i] Departemen Psikiatri & Ilmu Perilaku, Sekolah Kedokteran Universitas Stanford, Palo Alto, CA, AS
Correspondence: [*] Correspondence kanggo: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. E-mail: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Departemen Neurologi, Rumah Sakit Afiliasi Pertama Universitas Kedokteran Kunming, 295 Xichang Road, Distrik Wuhua, Kunming, Provinsi Yunnan 650032, China. E-mail: ring@vip.163.com.
Kata Kunci: Aging, penyakit Alzheimer, demensia, skrining massal