MemTrax-ისა და მანქანათმცოდნეობის მოდელირების სარგებლობა მსუბუქი კოგნიტური უკმარისობის კლასიფიკაციაში
კვლევითი სტატია
ავტორები: Bergeron, Michael F. | ლანდსეტი, სარა | ჟოუ, ქსიანბო | დინგ, ტაო | Khoshgoftaar, Taghi M. | ჟაო, ფენგი | დუ, ბო | ჩენი, სინჯიე | Wang, Xuan | ჟონგი, ლიანმეი | ლიუ, ქსიაოლეი| ეშფორდი, ჯ.ვესონი
DOI: 10.3233/JAD-191340
ჟურნალი: ჟურნალი ალცჰეიმერის დაავადება, ტომი. არა, არა. 77, გვ. 4-1545, 1558
აბსტრაქტული
ფონის:
გავრცელებული სიხშირე და გავრცელება ალცჰეიმერის დაავადების და ზომიერი კოგნიტური გაუფასურება (MCI) გამოიწვია სასწრაფო მოწოდება კვლევისთვის, რათა დაადასტუროს ადრეული გამოვლენის კოგნიტური სკრინინგი და შეფასება.
მიზანი:
ჩვენი პირველადი კვლევის მიზანი იყო იმის დადგენა, შეიძლება თუ არა შერჩეული MemTrax შესრულების მეტრიკა და შესაბამისი დემოგრაფიული და ჯანმრთელობის პროფილის მახასიათებლები ეფექტურად იქნას გამოყენებული მანქანური სწავლებით შემუშავებულ პროგნოზირებულ მოდელებში კოგნიტური ჯანმრთელობის კლასიფიკაციისთვის (ნორმალური და MCI), როგორც ეს მითითებულია მონრეალის შემეცნებითი შეფასება (MoCA).
მეთოდები:
ჩვენ ჩავატარეთ ჯვარედინი კვლევა 259 ნევროლოგიის, მეხსიერების კლინიკისა და შინაგანი მედიცინის ზრდასრულ პაციენტზე, რომლებიც რეკრუტირებული იყვნენ ორიდან საავადმყოფოები ჩინეთში. თითოეულ პაციენტს გადაეცა ჩინურენოვანი მოხსენება და თვითადმინისტრირება გაუწია უწყვეტი ამოცნობის MemTrax ონლაინ ეპიზოდს მეხსიერების ტესტი ონლაინ იმავე დღეს. პროგნოზირებადი კლასიფიკაციის მოდელები აშენდა მანქანური სწავლის გამოყენებით 10-ჯერადი ჯვარედინი ვალიდაციის საშუალებით და მოდელის შესრულება გაზომილი იყო მიმღების ოპერაციული მახასიათებლების მრუდის ქვეშ (AUC) გამოყენებით. მოდელები აშენდა MemTrax-ის შესრულების ორი მეტრიკის გამოყენებით (პროცენტი სწორი, პასუხის დრო), რვა საერთო დემოგრაფიული და პირადი ისტორიის მახასიათებლებთან ერთად.
შედეგები:
შემსწავლელთა შედარებისას MCA ქულებისა და ზღურბლების შერჩეული კომბინაციების მიხედვით, ნაივ ბეიზი, როგორც წესი, იყო ყველაზე წარმატებული მოსწავლე, საერთო კლასიფიკაციის შესრულებით 0.9093. გარდა ამისა, საუკეთესო სამ მოსწავლეს შორის, MemTrax-ზე დაფუძნებული კლასიფიკაციის შესრულება მთლიანობაში უკეთესი იყო მხოლოდ ტოპ რეიტინგული ოთხი მახასიათებლის გამოყენებით (0.9119) 10-ვე საერთო მახასიათებლის გამოყენებასთან შედარებით (0.8999).
დასკვნა:
MemTrax-ის შესრულება შეიძლება ეფექტურად იქნას გამოყენებული მანქანური სწავლების კლასიფიკაციის პროგნოზირებულ მოდელში სკრინინგის აპლიკაცია ადრეული სტადიის კოგნიტური უკმარისობის გამოსავლენად.
შესავალი
აღიარებული (თუმცა არადიაგნოსტირებული) ფართოდ გავრცელებული შემთხვევა და პრევალენტობა და პარალელურად მზარდი სამედიცინო, სოციალური და საზოგადოებრივი ჯანმრთელობის ალცჰეიმერის დაავადების (AD) და მსუბუქი კოგნიტური გაუფასურების (MCI) ხარჯები და ტვირთი სულ უფრო დაძაბულია ყველა დაინტერესებული მხარისთვის [1, 2]. ამ შემაშფოთებელმა და ბურჟონურმა სცენარმა გამოიწვია სასწრაფო მოწოდება კვლევის დასადასტურებლად ადრეული გამოვლენა კოგნიტური სკრინინგის და შეფასების ინსტრუმენტები რეგულარული პრაქტიკული გამოყენებისთვის პერსონალურ და კლინიკურ გარემოში ხანდაზმული პაციენტებისთვის სხვადასხვა რეგიონებში და პოპულაციაში [3]. ეს ინსტრუმენტები ასევე უნდა ითვალისწინებდეს ინფორმაციული შედეგების უწყვეტ თარგმნას ჯანმრთელობის ელექტრონულ ჩანაწერებში. სარგებელი მიიღწევა პაციენტების ინფორმირებით და ექიმების დახმარებით მნიშვნელოვანი ცვლილებების ადრე აღიარებაში და ამგვარად საშუალებას მისცემს უფრო სწრაფ და დროულ სტრატიფიკაციას, განხორციელებას და თვალყურის დევნებას შესაბამისი ინდივიდუალური და უფრო ეკონომიური მკურნალობისა და პაციენტის მოვლის საშუალებით, ვინც იწყებს გამოცდილებას. შემეცნებითი ვარდნა [3, 4].
კომპიუტერიზებული MemTrax ინსტრუმენტი (https://memtrax.com) არის მარტივი და მოკლე უწყვეტი ამოცნობის შეფასება, რომელიც შეიძლება თვითდასაქმებული იყოს ონლაინ რეჟიმში რთული დროული ეპიზოდური მეხსიერების შესრულების გასაზომად, სადაც მომხმარებელი რეაგირებს განმეორებით სურათებზე და არა თავდაპირველ პრეზენტაციაზე [5, 6]. უახლესი კვლევები და შედეგად მიღებული პრაქტიკული შედეგები იწყებს პროგრესულ და ერთობლივად დემონსტრირებას MemTrax-ის კლინიკური ეფექტურობის ადრეულ AD და MCI სკრინინგში [5-7]. თუმცა, კლინიკური სარგებლობის პირდაპირი შედარება არსებულთან შემეცნებითი ჯანმრთელობა შეფასება და ჩვეულებრივი სტანდარტები გარანტირებულია პროფესიული პერსპექტივის ინფორმირებისთვის და MemTrax უტილიტატის ადრეული გამოვლენისა და დიაგნოსტიკური მხარდაჭერის დასადასტურებლად. ვან დერ ჰოეკი და სხვ. [8] შეადარა შერჩეული MemTrax-ის შესრულების მეტრიკა (რეაქციის სიჩქარე და პროცენტი სწორი) კოგნიტურ სტატუსს, რომელიც განსაზღვრულია მონრეალის მიერ კოგნიტური შეფასება (MoCA). თუმცა, ეს კვლევა შემოიფარგლებოდა ამ შესრულების მეტრიკის ასოცირებით კოგნიტური სტატუსის მახასიათებლებთან (როგორც განსაზღვრულია სამინისტროს მიერ) და ფარდობითი დიაპაზონებისა და ათვლის მნიშვნელობების განსაზღვრით. შესაბამისად, ამ გამოკვლევის გასაფართოებლად და კლასიფიკაციის შესრულებისა და ეფექტურობის გასაუმჯობესებლად, ჩვენი პირველადი კვლევის კითხვა იყო:
- შეუძლია ინდივიდის მიერ შერჩეული MemTrax შესრულების მეტრიკა და შესაბამისი დემოგრაფია და ჯანმრთელობა პროფაილი მახასიათებლები ეფექტურად იქნას გამოყენებული პროგნოზირებულ მოდელში, რომელიც შემუშავებულია მანქანათმცოდნეობით, კოგნიტური ჯანმრთელობის დიქოტომიურად კლასიფიკაციისთვის (ნორმალური და MCI), როგორც ეს მიუთითებს ადამიანის სამინისტროს ქულით?
ამის მეორეხარისხოვანია, გვინდოდა ვიცოდეთ:
- იგივე მახასიათებლების ჩათვლით, შეიძლება თუ არა MemTrax-ის შესრულებაზე დაფუძნებული მანქანათმცოდნეობის მოდელი ეფექტურად იქნას გამოყენებული პაციენტზე სიმძიმის პროგნოზირებისთვის კოგნიტური უკმარისობის შერჩეულ კატეგორიებში, როგორც ეს განისაზღვრება დამოუკიდებელი კლინიკური დიაგნოზით?
ხელოვნური ინტელექტისა და მანქანათმცოდნეობის სკრინინგში/გამოვლენაში გამოჩენამ და განვითარებადმა პრაქტიკულმა გამოყენებამ უკვე აჩვენა მკაფიო პრაქტიკული უპირატესობები, პროგნოზირებადი მოდელირებით, რომლებიც ეფექტურად ხელმძღვანელობენ კლინიკებს კოგნიტური/ტვინის ჯანმრთელობისა და პაციენტის მენეჯმენტის რთულ შეფასებაში. ჩვენს კვლევაში, ჩვენ ავირჩიეთ მსგავსი მიდგომა MCI კლასიფიკაციის მოდელირებაში და კოგნიტური დარღვევის სიმძიმის დისკრიმინაციაში, როგორც ეს დადასტურებულია კლინიკური დიაგნოზით სამი მონაცემთა ნაკრებიდან, რომლებიც წარმოადგენენ შერჩეულ მოხალისე სტაციონარულ პაციენტებს და ამბულატორიულ პაციენტებს ჩინეთის ორი საავადმყოფოდან. მანქანათმცოდნეობის პროგნოზირებადი მოდელირების გამოყენებით, ჩვენ გამოვავლინეთ ყველაზე წარმატებული მოსწავლეები მონაცემთა ნაკრებიდან/მოსწავლის სხვადასხვა კომბინაციიდან და დავასახელეთ მახასიათებლები, რათა დაგვეხმაროს ყველაზე კლინიკურად პრაქტიკული მოდელის აპლიკაციების განსაზღვრაში.
ჩვენი ჰიპოთეზა იყო, რომ დადასტურებული MemTrax-ზე დაფუძნებული მოდელი შეიძლება გამოყენებულ იქნას კოგნიტური ჯანმრთელობის დიქოტომიურად (ნორმალური ან MCI) კლასიფიკაციისთვის, MCA საერთო ქულის ბარიერის კრიტერიუმზე დაფუძნებული და რომ მსგავსი MemTrax პროგნოზირებადი მოდელი შეიძლება ეფექტურად იქნას გამოყენებული სიმძიმის დისკრიმინაციაში შერჩეულ კატეგორიებში. კლინიკურად დიაგნოზირებული შემეცნებითი ღირებულების. მოსალოდნელი შედეგების დემონსტრირება ხელს შეუწყობს MemTrax-ის ეფექტურობის მხარდაჭერას, როგორც კოგნიტური დაქვეითების და კოგნიტური დაქვეითების კლასიფიკაციის ადრეული გამოვლენის ეკრანს. ხელსაყრელი შედარება ინდუსტრიის სავარაუდო სტანდარტთან, რომელიც ავსებს ბევრად უფრო მარტივად და სარგებლობის სისწრაფეს, გავლენიანი იქნებოდა კლინიცისტებისთვის ამ მარტივი, საიმედო და ხელმისაწვდომი ინსტრუმენტის მიღებაში, როგორც საწყისი ეკრანი ადრეული (მათ შორის პროდრომული) სტადიის კოგნიტური დეფიციტის გამოვლენაში. ამგვარმა მიდგომამ და სარგებლიანობამ შეიძლება გამოიწვიოს უფრო დროული და უკეთესად სტრატიფიცირებული პაციენტის მოვლა და ჩარევა. ეს წინდახედული შეხედულებები და გაუმჯობესებული მეტრიკა და მოდელები ასევე შეიძლება იყოს გამოსადეგი დემენციის პროგრესირების შესამცირებლად ან შესაჩერებლად, მათ შორის AD და AD-თან დაკავშირებული დემენციების (ADRD) ჩათვლით.
მასალა და მეთოდები
სწავლის მოსახლეობა
2018 წლის იანვრიდან 2019 წლის აგვისტომდე, ჯვარედინი კვლევა დასრულდა პაციენტებზე, რომლებიც გადაიყვანეს ჩინეთის ორი საავადმყოფოდან. MemTrax-ის [5] ადმინისტრირება 21 წელზე მეტი ასაკის პირებზე და ამ მონაცემების შეგროვება და ანალიზი განხილული და დამტკიცებული იყო და ადმინისტრირებული იყო ეთიკური სტანდარტების შესაბამისად. ადამიანის სტენფორდის უნივერსიტეტის საგნების დაცვის კომიტეტი. MemTrax და ყველა სხვა ტესტირება ამ საერთო კვლევისთვის ჩატარდა 1975 წლის ჰელსინკის დეკლარაციის მიხედვით და დამტკიცებული კუნმინგის სამედიცინო უნივერსიტეტის პირველი შვილობილი საავადმყოფოს ინსტიტუციური განხილვის საბჭოს მიერ კუნმინში, იუნანი, ჩინეთი. თითოეულ მომხმარებელს მიეწოდა ინფორმირებული თანხმობა ჩამოაყალიბეთ წაკითხვა/განხილვა და შემდეგ ნებაყოფლობით დათანხმდით მონაწილეობაზე.
მონაწილეები დაკომპლექტებულნი იყვნენ ამბულატორიული პაციენტების ჯგუფიდან იანხუას საავადმყოფოს ნევროლოგიურ კლინიკაში (YH ქვე-მონაცემთა ნაკრები) და მეხსიერების კლინიკა კუნმინგის სამედიცინო პირველ შვილობილი საავადმყოფოში უნივერსიტეტი (XL ქვე-მონაცემთა ნაკრები) პეკინში, ჩინეთი. მონაწილეები ასევე დაკომპლექტებულნი იყვნენ ნევროლოგიიდან (XL ქვე-მონაცემთა ნაკრები) და შინაგანი მედიცინის (KM ქვე-მონაცემთა ნაკრები) სტაციონარული პაციენტებიდან კუნმინგის სამედიცინო უნივერსიტეტის პირველ შვილობილი საავადმყოფოდან. ჩართვის კრიტერიუმები მოიცავდა 1) მინიმუმ 21 წლის მამაკაცებსა და ქალებს, 2) ჩინური (მანდარინი) საუბრის უნარს და 3) ვერბალური და წერილობითი მიმართულებების გაგების უნარს. გამორიცხვის კრიტერიუმები იყო მხედველობისა და მოტორული დარღვევები, რომლებიც მონაწილეებს ხელს უშლიდა დასრულებაში MemTrax ტესტი, ასევე კონკრეტული ტესტის ინსტრუქციების გაგების შეუძლებლობა.
MemTrax-ის ჩინური ვერსია
ონლაინ რეჟიმში ითარგმნა MemTrax სატესტო პლატფორმა ჩინურ ენაზე (URL: https://www.memtrax.com.cn) და შემდგომში ადაპტირებულია WeChat-ის (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) მეშვეობით გამოსაყენებლად თვითმართვისთვის. მონაცემები ინახებოდა ღრუბლოვან სერვერზე (Ali Cloud), რომელიც მდებარეობს ჩინეთში და ლიცენზირებულია Alibaba-სგან (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, ჩინეთი) SJN Biomed LTD-ის (Kunming, Yunnan, ჩინეთი) მიერ. კონკრეტული დეტალები MemTrax-ის და აქ გამოყენებული ტესტის მოქმედების კრიტერიუმების შესახებ ადრე იყო აღწერილი [6]. ტესტი პაციენტებს გადაეცათ უფასოდ.
სასწავლო პროცედურები
სტაციონარული და ამბულატორიული პაციენტებისთვის, ზოგადი ქაღალდის კითხვარი დემოგრაფიული და პერსონალური ინფორმაციის შესაგროვებლად, როგორიცაა ასაკი, სქესი, განათლების წლები, პროფესია, მარტო ცხოვრება ან ოჯახთან ერთად და სამედიცინო ისტორიას ატარებდა საკვლევი ჯგუფის წევრი. კითხვარის შევსების შემდეგ, MCA [12] და MemTrax ტესტები ჩატარდა (MoCA პირველი) ტესტებს შორის არაუმეტეს 20 წუთისა. MemTrax პროცენტი სწორია (MTx-% C), პასუხის საშუალო დრო (MTx-RT) და ტესტირების თარიღი და დრო დაფიქსირდა ქაღალდზე საკვლევი გუნდის წევრის მიერ თითოეული ტესტირებული მონაწილისთვის. შევსებული კითხვარი და MCA-ს შედეგები აიტვირთა მკვლევარის მიერ Excel-ის ცხრილებში, რომელიც ატარებდა ტესტებს და დამოწმებული იქნა კოლეგის მიერ, სანამ Excel ფაილები შეინახებოდა ანალიზისთვის.
MemTrax ტესტი
MemTrax ონლაინ ტესტი მოიცავდა 50 სურათს (25 უნიკალური და 25 გამეორება; საერთო სცენების ან ობიექტების 5 გამოსახულების 5 კომპლექტი) ნაჩვენები კონკრეტული ფსევდო შემთხვევითი თანმიმდევრობით. მონაწილე (ინსტრუქციის მიხედვით) შეეხებოდა ეკრანზე დაწყების ღილაკს ტესტის დასაწყებად და სურათების სერიის ყურების დასაწყებად და კვლავ შეეხებოდა ეკრანზე გამოსახულებას რაც შეიძლება სწრაფად, როცა განმეორებითი სურათი გამოჩნდება. თითოეული სურათი ჩნდებოდა 3 წამის განმავლობაში ან სანამ ეკრანზე გამოსახული არ შეხებოდა, რამაც გამოიწვია შემდეგი სურათის დაუყოვნებელი პრეზენტაცია. ლოკალური მოწყობილობის შიდა საათის გამოყენებით, MTx-RT თითოეული სურათისთვის განისაზღვრებოდა სურათის პრეზენტაციიდან ეკრანზე შეხებამდე გასული დროით, როგორც საპასუხოდ, როგორც უკვე ნაჩვენები სურათის აღიარება. ტესტის დროს. MTx-RT ჩაწერილი იყო ყველა სურათზე, სრული 3 წამით ჩაწერილი, რაც მიუთითებს უპასუხოდ. MTx-% C გამოითვალა განმეორებითი და საწყისი სურათების პროცენტის მითითებით, რომელზეც მომხმარებელმა სწორად უპასუხა (ჭეშმარიტი დადებითი + ჭეშმარიტი უარყოფითი გაყოფილი 50-ზე). MemTrax-ის ადმინისტრაციისა და განხორციელების დამატებითი დეტალები, მონაცემთა შემცირების, არასწორი ან „პასუხის გარეშე“ მონაცემები და პირველადი მონაცემთა ანალიზი აღწერილია სხვაგან [6].
MemTrax ტესტი დეტალურად იყო ახსნილი და პრაქტიკული ტესტი (უნიკალური გამოსახულებებით, გარდა იმ გამოსახულებებისა, რომლებიც გამოიყენებოდა ტესტში შედეგების ჩასაწერად) მონაწილეებს საავადმყოფოში. YH და KM ქვე-მონაცემების მონაწილეებმა ჩაატარეს MemTrax ტესტი სმარტფონზე, რომელიც დატვირთული იყო აპლიკაციით WeChat-ზე; მაშინ როდესაც XL ქვე-მონაცემთა ჯგუფის პაციენტების შეზღუდული რაოდენობა იყენებდა iPad-ს, დანარჩენი კი სმარტფონს. ყველა მონაწილემ გაიარა MemTrax ტესტი კვლევის მკვლევართან ერთად, რომელიც შეუმჩნევლად აკვირდებოდა.
მონრეალის კოგნიტური შეფასება
ჩინეთის მოქალაქის სამინისტროს პეკინის ვერსია (MoCA-BC) [13] ადმინისტრირებას და ქულებს ატარებდნენ გაწვრთნილი მკვლევარების მიერ ოფიციალური ტესტის ინსტრუქციების მიხედვით. შესაფერისად, MCA-BC აღმოჩნდა საიმედო ტესტი შემეცნებითი სკრინინგი განათლების ყველა დონეზე ჩინელ ხანდაზმულ მოზარდებში [14]. თითოეული ტესტის ჩატარებას დაახლოებით 10-დან 30 წუთამდე დასჭირდა შესაბამისი მონაწილის შემეცნებითი შესაძლებლობებიდან გამომდინარე.
MoCA კლასიფიკაციის მოდელირება
სულ იყო 29 გამოსაყენებელი ფუნქცია, მათ შორის ორი MemTrax ტესტის შესრულების მეტრიკა და დემოგრაფიულ და ჯანმრთელობასთან დაკავშირებული 27 მახასიათებელი ინფორმაცია თითოეული მონაწილისთვის. თითოეული პაციენტის MCA საერთო ტესტის ქულა იყო გამოყენებული, როგორც კოგნიტური სკრინინგი „ეტალონი“ ჩვენი პროგნოზირებადი მოდელების მომზადებისთვის. შესაბამისად, იმის გამო, რომ MoCA გამოიყენებოდა კლასის ლეიბლის შესაქმნელად, ჩვენ ვერ გამოვიყენებდით საერთო ქულას (ან MoCA ქვეჯგუფის ქულებიდან) დამოუკიდებელ ფუნქციად. ჩვენ ჩავატარეთ წინასწარი ექსპერიმენტები, რომლებშიც ჩვენ მოვახდინეთ მოდელირება (კოგნიტური ჯანმრთელობის კლასიფიკაცია, რომელიც განსაზღვრულია სამინისტროს მიერ) თავდაპირველი სამი საავადმყოფო/კლინიკ(ები) ქვემონაცემების ინდივიდუალურად და შემდეგ გავაერთიანეთ ყველა მახასიათებლის გამოყენებით. თუმცა, მონაცემთა ყველა იგივე ელემენტი არ იყო შეგროვებული ოთხივე კლინიკაში, რომლებიც წარმოადგენენ სამ ქვემონაცემთა კომპლექტს; ამრიგად, ჩვენს ბევრ მახასიათებელს კომბინირებულ მონაცემთა ბაზაში (ყველა მახასიათებლის გამოყენებისას) ჰქონდა დაკარგული მნიშვნელობების მაღალი სიხშირე. შემდეგ ჩვენ ავაშენეთ მოდელები კომბინირებული მონაცემთა ნაკრებით მხოლოდ საერთო მახასიათებლების გამოყენებით, რამაც განაპირობა კლასიფიკაციის გაუმჯობესებული შესრულება. ეს, სავარაუდოდ, აიხსნებოდა იმით, რომ უფრო მეტი შემთხვევა იყო სამუშაოდ, სამი პაციენტის ქვე-მონაცემების კომბინაციით და არ იყო გამოტოვებული მნიშვნელობების არასათანადო გავრცელებით (მხოლოდ ერთი მახასიათებელი კომბინირებულ მონაცემთა ბაზაში, სამუშაოს ტიპს, ჰქონდა რაიმე დაკარგული მნიშვნელობები, გავლენას ახდენს მხოლოდ სამი პაციენტის შემთხვევა), რადგან ჩართული იყო მხოლოდ სამივე უბანზე დაფიქსირებული საერთო მახასიათებლები. აღსანიშნავია, რომ ჩვენ არ გვქონდა უარყოფის კონკრეტული კრიტერიუმი თითოეული მახასიათებლისთვის, რომელიც საბოლოოდ არ შედიოდა კომბინირებულ მონაცემთა ბაზაში. თუმცა, ჩვენი წინასწარი კომბინირებული მონაცემთა მოდელირებისას, ჩვენ პირველად გამოვიყენეთ ყველა მახასიათებელი სამი ცალკეული პაციენტის ქვე-მონაცემთაგან. ამან ფართოდ განაპირობა მოდელის შესრულება, რომელიც საზომად დაბალი იყო, ვიდრე თავდაპირველი წინასწარი მოდელირება თითოეულ ცალკეულ ქვემონაცემთა კომპლექტზე. უფრო მეტიც, მაშინ, როცა ყველა მახასიათებლის გამოყენებით აგებული მოდელების კლასიფიკაციის შესრულება წამახალისებელი იყო, ყველა შემსწავლელსა და კლასიფიკაციის სქემებში, შესრულება გაუმჯობესდა ორჯერ მეტი მოდელისთვის მხოლოდ საერთო მახასიათებლების გამოყენებისას. სინამდვილეში, მათ შორის, რაც საბოლოოდ გახდა ჩვენი საუკეთესო მოსწავლეები, ყველა მოდელი გაუმჯობესდა ერთის გარდა არასაერთო ფუნქციების აღმოფხვრის შემდეგ.
საბოლოო მთლიანი მონაცემთა ნაკრები (YH, XL და KM კომბინირებული) მოიცავდა 259 შემთხვევას, თითოეული წარმოადგენს უნიკალურ მონაწილეს, რომელმაც გაიარა როგორც MemTrax, ასევე MoCA ტესტები. იყო 10 საერთო დამოუკიდებელი ფუნქცია: MemTrax შესრულების მეტრიკა: MTx-% C და საშუალო MTx-RT; ინფორმაცია დემოგრაფიული და სამედიცინო ისტორიის შესახებ: ასაკი, სქესი, განათლების წლები, სამუშაოს ტიპი (ცისფერი საყელო/თეთრი საყელო), სოციალური მხარდაჭერა (ცდის ჩამბარებელი ცხოვრობს მარტო თუ ოჯახთან ერთად) და დიახ/არა პასუხები, ჰქონდა თუ არა მომხმარებელს დიაბეტის, ჰიპერლიპიდემიის ან ტვინის ტრავმული დაზიანების ისტორია. ორი დამატებითი მეტრიკა, MoCA აგრეგატული ქულა და MoCA აგრეგატული ქულა, მორგებული განათლების წლებისთვის [12], გამოიყენებოდა ცალ-ცალკე დამოკიდებული კლასიფიკაციის ეტიკეტების შესამუშავებლად, რითაც შეიქმნა ორი განსხვავებული მოდელირების სქემა ჩვენს კომბინირებულ მონაცემთა ბაზაში გამოსაყენებლად. MoCA-ს ქულის თითოეული ვერსიისთვის (მორგებული და დაუზუსტებელი), მონაცემები ისევ ცალ-ცალკე იყო მოდელირებული ბინარული კლასიფიკაციისთვის ორი განსხვავებული კრიტერიუმის ზღურბლის გამოყენებით - თავდაპირველად რეკომენდებული [12] და ალტერნატიული მნიშვნელობის გამოყენება და დაწინაურება სხვების მიერ [8, 15]. ალტერნატიული ზღურბლის კლასიფიკაციის სქემაში, პაციენტს ჩათვლილი ჰქონდა ნორმალური კოგნიტური ჯანმრთელობა, თუ მან მიიღო ≥23 ქულა MCA ტესტზე და ჰქონდა MCI, თუ ქულა იყო 22 ან უფრო დაბალი; ვინაიდან, საწყისი რეკომენდირებული კლასიფიკაციის ფორმატში, პაციენტს უნდა მიეღო 26 ან უკეთესი ქულა MoCA-ში, რათა მიეღო ნორმალური კოგნიტური ჯანმრთელობის ეტიკეტირება.
გაფილტრული მონაცემები MoCA კლასიფიკაციის მოდელირებისთვის
ჩვენ შემდგომ განვიხილეთ MoCA კლასიფიკაცია ოთხი ხშირად გამოყენებული ფუნქციების რანგის ტექნიკის გამოყენებით: Chi-Squared, Gain Ratio, Information Gain და Symmetrical Uncertainty. შუალედური პერსპექტივისთვის, ჩვენ გამოვიყენეთ რანკერები მთელ კომბინირებულ მონაცემთა ბაზაზე ჩვენი ოთხი მოდელირების სქემიდან თითოეულის გამოყენებით. ყველა რანკერი შეთანხმდა ერთსა და იმავე მთავარ მახასიათებლებზე, ანუ ასაკზე, განათლების წლების რაოდენობაზე და MemTrax-ის შესრულების ორივე მეტრიკაზე (MTx-% C, საშუალო MTx-RT). შემდეგ ჩვენ ხელახლა ავაშენეთ მოდელები თითოეული მახასიათებლის შერჩევის ტექნიკის გამოყენებით, რათა მოვამზადოთ მოდელები მხოლოდ პირველ ოთხ მახასიათებლებზე (იხ. მხატვრული შერჩევა ქვემოთ).
MCA ქულების კლასიფიკაციის მოდელირების სქემების შედეგიანი საბოლოო რვა ვარიაცია წარმოდგენილია ცხრილში 1.
ცხრილი 1
მოდელირების სქემის ვარიაციების შეჯამება, რომელიც გამოიყენება MoCA კლასიფიკაციისთვის (ნორმალური კოგნიტური ჯანმრთელობა MCI-ის წინააღმდეგ)
| მოდელირების სქემა | ნორმალური კოგნიტური ჯანმრთელობა (უარყოფითი კლასი) | MCI (დადებითი კლასი) |
| მორგებული-23 გაუფილტრავი/გაფილტრული | 101 (39.0%) | 158 (61.0%) |
| მორგებული-26 გაუფილტრავი/გაფილტრული | 49 (18.9%) | 210 (81.1%) |
| მოურგებელი-23 გაუფილტრავი/გაფილტრული | 92 (35.5%) | 167 (64.5%) |
| მოურგებელი-26 გაუფილტრავი/გაფილტრული | 42 (16.2%) | 217 (83.8%) |
თითოეულ კლასში მთლიანი პაციენტების შესაბამისი რაოდენობა და პროცენტი დიფერენცირებულია განათლების ქულის კორექტირებით (მორგებული ან დაურეგულირებელი) და კლასიფიკაციის ბარიერი (23 ან 26), როგორც გამოიყენება ორივე ფუნქციების კომპლექტზე (გაუფილტრავი და გაფილტრული).
MemTrax-ზე დაფუძნებული კლინიკური შეფასების მოდელირება
ჩვენი სამი ორიგინალური ქვე-მონაცემთაგან (YH, XL, KM), მხოლოდ XL ქვემონაცემთა ჯგუფის პაციენტებს დამოუკიდებლად დაუსვეს კლინიკურად კოგნიტური უკმარისობის დიაგნოზი (ანუ, მათი შესაბამისი MoCA ქულები არ იყო გამოყენებული ნორმალური და დაქვეითებულის კლასიფიკაციის დასადგენად). კონკრეტულად, XL პაციენტებს დაუსვეს დიაგნოზი ალცჰეიმერის დაავადების ტესტი (AD) ან სისხლძარღვთა დემენცია (VaD). თითოეული ამ პირველადი დიაგნოზის კატეგორიის ფარგლებში, იყო MCI-ის შემდგომი აღნიშვნა. MCI-ის, დემენციის, სისხლძარღვთა ნეიროკოგნიტური აშლილობისა და AD-ით გამოწვეული ნეიროკოგნიტური აშლილობის დიაგნოზი ეფუძნებოდა სპეციფიკურ და განმასხვავებელ დიაგნოსტიკურ კრიტერიუმებს, რომლებიც მოცემულია ფსიქიკური აშლილობის დიაგნოსტიკური და სტატისტიკური სახელმძღვანელოში: DSM-5 [16]. ამ დახვეწილი დიაგნოზის გათვალისწინებით, კლასიფიკაციის მოდელირების ორი სქემა ცალ-ცალკე იქნა გამოყენებული XL ქვემონაცემთა ნაკრებისთვის, რათა განასხვავოს სიმძიმის დონე (დარღვევის ხარისხი) თითოეული პირველადი დიაგნოზის კატეგორიისთვის. მოცემული დიაგნოსტიკური მოდელირების თითოეულ სქემაში (AD და VaD) გამოყენებული მონაცემები მოიცავდა დემოგრაფიულ და პაციენტის ისტორიის ინფორმაციას, ასევე MemTrax-ის შესრულებას (MTx-% C, საშუალო MTx-RT). თითოეული დიაგნოზი მონიშნული იყო რბილი, თუ დანიშნული იყო MCI; წინააღმდეგ შემთხვევაში, მძიმედ ითვლებოდა. ჩვენ თავდაპირველად განვიხილავდით MoCA ქულის ჩართვას დიაგნოსტიკის მოდელებში (მსუბუქი და მძიმე); მაგრამ ჩვენ დავადგინეთ, რომ ეს დაამარცხებდა ჩვენი მეორადი პროგნოზირებადი მოდელირების სქემის მიზანს. აქ მოსწავლეები გაივლიან ტრენინგს პროვაიდერისთვის ხელმისაწვდომი პაციენტის სხვა მახასიათებლებისა და უფრო მარტივი MemTrax ტესტის შესრულების მეტრიკის გამოყენებით (MCA-ის ნაცვლად) მითითების „ოქროს სტანდარტის“, დამოუკიდებელი კლინიკური დიაგნოზის წინააღმდეგ. AD დიაგნოსტიკის მონაცემთა ბაზაში იყო 69 შემთხვევა და VaD-ის 76 შემთხვევა (ცხრილი 2). ორივე მონაცემთა ნაკრებში იყო 12 დამოუკიდებელი მახასიათებელი. გარდა 10 მახასიათებლისა, რომელიც შედის MoCA ქულის კლასიფიკაციაში, პაციენტის ისტორია ასევე მოიცავდა ინფორმაციას ჰიპერტენზიისა და ინსულტის ისტორიაზე.
ცხრილი 2
დიაგნოსტიკის სიმძიმის კლასიფიკაციისთვის გამოყენებული მოდელირების სქემის ვარიაციების შეჯამება (მსუბუქი და მძიმე)
| მოდელირების სქემა | მსუბუქი (უარყოფითი კლასი) | მძიმე (დადებითი კლასი) |
| MCI-AD წინააღმდეგ AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD VaD-ის წინააღმდეგ | 38 (50.0%) | 38 (50.0%) |
თითოეულ კლასში მთლიანი პაციენტების შესაბამისი რაოდენობა და პროცენტი დიფერენცირებულია პირველადი დიაგნოზის კატეგორიის მიხედვით (AD ან VaD).
სტატისტიკა
მონაწილეთა მახასიათებლებისა და სხვა რიცხვითი მახასიათებლების შედარება ქვემონაცემებს შორის თითოეული მოდელის კლასიფიკაციის სტრატეგიისთვის (MCA კოგნიტური ჯანმრთელობისა და დიაგნოზის სიმძიმის პროგნოზირებისთვის) განხორციელდა Python პროგრამირების ენის გამოყენებით (ვერსია 2.7.1) [17]. მოდელის შესრულების განსხვავებები თავდაპირველად განისაზღვრა ერთი ან ორფაქტორიანი (როგორც შესაბამისი) ANOVA-ს გამოყენებით 95% ნდობის ინტერვალით და Tukey გულწრფელი მნიშვნელოვანი განსხვავების (HSD) ტესტის გამოყენებით შესრულების საშუალებების შესადარებლად. მოდელის შესრულებას შორის განსხვავებების ეს გამოკვლევა ჩატარდა პითონის და R-ის კომბინაციის გამოყენებით (ვერსია 3.5.1) [18]. ჩვენ გამოვიყენეთ ეს (თუმცა, ოპტიმალურზე ნაკლები) მიდგომა მხოლოდ როგორც ევრისტიკული დახმარება. ადრეული სტადია საწყისი მოდელის შესრულების შედარებისთვის პოტენციური კლინიკური გამოყენების მოლოდინში. შემდეგ ჩვენ გამოვიყენეთ ბაიესის ხელმოწერილი რანგის ტესტი უკანა განაწილების გამოყენებით, რათა განვსაზღვროთ მოდელის შესრულების განსხვავებების ალბათობა [19]. ამ ანალიზებისთვის, ჩვენ გამოვიყენეთ ინტერვალი -0.01, 0.01, რაც ნიშნავს, რომ თუ ორ ჯგუფს ჰქონდა შესრულების სხვაობა 0.01-ზე ნაკლები, ისინი განიხილება ერთნაირად (პრაქტიკული ეკვივალენტობის რეგიონში), ან სხვაგვარად ისინი განსხვავდებიან (ერთი უკეთესია ვიდრე სხვა). კლასიფიკატორების Bayesian შედარების შესასრულებლად და ამ ალბათობების გამოსათვლელად, ჩვენ გამოვიყენეთ baycomp ბიბლიოთეკა (ვერსია 1.0.2) Python 3.6.4-ისთვის.
პროგნოზირებადი მოდელირება
ჩვენ ავაშენეთ პროგნოზირებადი მოდელები ჩვენი მოდელირების სქემების ათი მთლიანი ვარიაციის გამოყენებით თითოეული პაციენტის MCA ტესტის შედეგის ან კლინიკური დიაგნოზის სიმძიმის პროგნოზირებისთვის (კლასიფიკაციისთვის). გამოიყენეს ყველა მოსწავლე და აშენდა მოდელები ღია კოდის პროგრამული უზრუნველყოფის პლატფორმის Weka-ს გამოყენებით [20]. ჩვენი წინასწარი ანალიზისთვის ჩვენ გამოვიყენეთ 10 ხშირად გამოყენებული სასწავლო ალგორითმი: 5-უახლოესი მეზობლები, C4.5 გადაწყვეტილების ხის ორი ვერსია, ლოგისტიკური რეგრესია, მრავალშრიანი პერცეპტრონი, გულუბრყვილო ბეიები, შემთხვევითი ტყის ორი ვერსია, რადიალური ბაზის ფუნქციის ქსელი და მხარდაჭერის ვექტორი. მანქანა. ამ ალგორითმების ძირითადი ატრიბუტები და კონტრასტები აღწერილია სხვაგან [21] (იხ. შესაბამისი დანართი). ესენი აირჩიეს იმიტომ, რომ ისინი წარმოადგენენ სხვადასხვა ტიპის შემსწავლელთა მრავალფეროვნებას და იმიტომ, რომ ჩვენ ვაჩვენეთ წარმატება მათი გამოყენებით წინა ანალიზებში მსგავსი მონაცემების შესახებ. ჰიპერპარამეტრის პარამეტრები არჩეული იყო ჩვენი წინა გამოკვლევიდან, რაც მიუთითებს იმაზე, რომ ისინი მტკიცეა სხვადასხვა მონაცემებზე [22]. ჩვენი წინასწარი ანალიზის შედეგებზე დაყრდნობით, იგივე კომბინირებული მონაცემთა ნაკრების გამოყენებით საერთო მახასიათებლებით, რომლებიც შემდგომში გამოიყენეს სრულ ანალიზში, ჩვენ გამოვავლინეთ სამი მოსწავლე, რომლებიც უზრუნველყოფდნენ სტაბილურად ძლიერ შესრულებას ყველა კლასიფიკაციაში: ლოგისტიკური რეგრესია, გულუბრყვილო ბეიზი და დამხმარე ვექტორული მანქანა.
ჯვარედინი დადასტურება და მოდელის შესრულების მეტრიკა
ყველა პროგნოზირებადი მოდელისთვის (წინასწარი ანალიზების ჩათვლით), თითოეული მოდელი აგებულია 10-ჯერადი ჯვარედინი ვალიდაციის გამოყენებით და მოდელის შესრულება გაზომილი იყო მიმღების ოპერაციული მახასიათებლის მრუდის ქვეშ (AUC) გამოყენებით. ჯვარედინი ვალიდაცია დაიწყო 10 მოდელირების სქემის მონაცემთა ნაკრებიდან შემთხვევითი დაყოფით 10 თანაბარ სეგმენტად (ნაკეცად), ამ შესაბამისი სეგმენტებიდან ცხრა გამოიყენებოდა მოდელის მოსამზადებლად, ხოლო დანარჩენი სეგმენტი ტესტირებისთვის. ეს პროცედურა განმეორდა 10-ჯერ, სხვადასხვა სეგმენტის გამოყენებით, როგორც ტესტის ნაკრები თითოეულ გამეორებაში. შემდეგ შედეგები გაერთიანდა საბოლოო მოდელის შედეგის/ეფექტურობის გამოსათვლელად. თითოეული მოსწავლისთვის/მონაცემთა ნაკრების კომბინაციისთვის მთელი ეს პროცესი 10-ჯერ განმეორდა, ყოველ ჯერზე მონაცემები განსხვავებულად იყოფა. ამ უკანასკნელმა საფეხურმა შეამცირა მიკერძოება, უზრუნველყო გამეორებადობა და დაეხმარა მოდელის მთლიანი მუშაობის დადგენაში. საერთო ჯამში (MCA ქულისა და დიაგნოზის სიმძიმის კლასიფიკაციის სქემებისთვის ერთად) აშენდა 6,600 მოდელი. ეს მოიცავდა 1,800 გაუფილტრავ მოდელს (6 მოდელირების სქემა გამოყენებული მონაცემთა ნაკრებზე×3 მოსწავლე×10 გაშვება×10 ნაკეცი = 1,800 მოდელი) და 4,800 გაფილტრულ მოდელს (4 მოდელირების სქემა გამოყენებული მონაცემთა ბაზაზე×3 მოსწავლეზე×4 ფუნქციების შერჩევის ტექნიკა×10 გაშვება× 10 ნაკეცი = 4,800 მოდელი).
მხატვრული შერჩევა
გაფილტრული მოდელებისთვის ფუნქციების შერჩევა (ფუნქციების შეფასების ოთხი მეთოდის გამოყენებით) განხორციელდა ჯვარედინი ვალიდაციის ფარგლებში. 10 ნაკეციდან თითოეულისთვის, რადგან მონაცემთა ნაკრების განსხვავებული 10% იყო ტესტის მონაცემები, გამოყენებული იყო მხოლოდ ოთხი საუკეთესო შერჩეული ფუნქცია თითოეული სასწავლო ნაკრებისთვის (ანუ დანარჩენი ცხრა ნაკეცი, ან მთელი მონაცემთა ნაკრების დარჩენილი 90%). მოდელების ასაგებად. ჩვენ ვერ დავადასტურეთ, თუ რომელი ოთხი ფუნქცია იყო გამოყენებული თითოეულ მოდელში, რადგან ეს ინფორმაცია არ არის შენახული ან ხელმისაწვდომი ჩვენს მიერ გამოყენებული მოდელირების პლატფორმაში (Weka). თუმცა, ძირითადი მახასიათებლების თავდაპირველი შერჩევის თანმიმდევრულობის გათვალისწინებით, როდესაც რანკერები იქნა გამოყენებული მთელ კომბინირებულ მონაცემთა ბაზაზე და შემდგომი მსგავსება მოდელირებაში, იგივე მახასიათებლები (ასაკი, განათლების წლები, MTx-% C და საშუალო MTx-RT ), სავარაუდოდ, ყველაზე გავრცელებული ტოპ ოთხეულია, რომელიც გამოიყენება ჯვარედინი ვალიდაციის პროცესში ფუნქციის შერჩევის პარალელურად.
შედეგები
მონაწილეთა რიცხვითი მახასიათებლები (მათ შორის, MoCA ქულები და MemTrax შესრულების მეტრიკა) შესაბამისი მონაცემთა ნაკრების თითოეული მოდელის კლასიფიკაციის სტრატეგიისთვის, რათა პროგნოზირდეს MoCA-ში მითითებული კოგნიტური ჯანმრთელობა (ნორმალური წინააღმდეგ MCI) და დიაგნოზის სიმძიმე (მსუბუქი წინააღმდეგ მძიმე) ნაჩვენებია ცხრილში 3.
ცხრილი 3
მონაწილეთა მახასიათებლები, MoCA ქულები და MemTrax-ის შესრულება თითოეული მოდელის კლასიფიკაციის სტრატეგიისთვის
| კლასიფიკაციის სტრატეგია | ასაკი | განათლება | MoCA მორგებული | MoCA შეუსწორებელი | MTx-% C | MTx-RT |
| MCA კატეგორია | 61.9 წ (13.1) | 9.6 წ (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 წმ (0.3) |
| დიაგნოზის სიმძიმე | 65.6 წ (12.1) | 8.6 წ (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 წმ (0.3) |
ნაჩვენები მნიშვნელობები (საშუალო, SD), რომელიც დიფერენცირებულია მოდელირების კლასიფიკაციის სტრატეგიებით, წარმოადგენს კომბინირებულ მონაცემთა ბაზას, რომელიც გამოიყენება MoCA-ში მითითებული კოგნიტური ჯანმრთელობის პროგნოზირებისთვის (MCI ნორმალურთან შედარებით) და XL ქვემონაცემთა ნაკრები, რომელიც გამოიყენება მხოლოდ დიაგნოზის სიმძიმის პროგნოზირებისთვის (მსუბუქი და მძიმე).
MoCA ქულის (მორგებული/არაკორექტირებული) და ბარიერის (26/23) თითოეული კომბინაციისთვის იყო სტატისტიკური განსხვავება (p = 0.000) თითოეულ წყვილში (ნორმალური კოგნიტური ჯანმრთელობა MCI-ის წინააღმდეგ) ასაკის, განათლებისა და MemTrax-ის მუშაობის (MTx-% C და MTx-RT). თითოეული პაციენტის ქვე-მონაცემთა ნაკრები შესაბამის MCI კლასში თითოეული კომბინაციისთვის იყო საშუალოდ დაახლოებით 9-დან 15 წლამდე, მოხსენებული იყო დაახლოებით ხუთი წლით ნაკლები განათლების შესახებ და ჰქონდა ნაკლებად ხელსაყრელი MemTrax შესრულება ორივე მეტრიკისთვის.
პროგნოზირებადი მოდელირების შედეგების MCA ქულების კლასიფიკაცია სამი საუკეთესო მოსწავლის გამოყენებით, ლოგისტიკური რეგრესია, გულუბრყვილო ბეიზი და მხარდაჭერის ვექტორული მანქანა, ნაჩვენებია ცხრილში 4. ეს სამი არჩეული იყო მოსწავლის ყველაზე მაღალ აბსოლუტურ შესრულებაზე დაყრდნობით ყველა სხვადასხვა მოდელში. გამოყენებულია მონაცემთა ნაკრებებზე მოდელირების ყველა სქემისთვის. გაუფილტრავი მონაცემთა ნაკრებისა და მოდელირებისთვის, მე-4 ცხრილში მოცემული თითოეული მნიშვნელობა მიუთითებს მოდელის შესრულებაზე დაფუძნებული AUC-ის შესაბამის საშუალოზე, რომელიც მიღებულია 100 მოდელიდან (10 გაშვება×10 ნაკეცები), რომლებიც შექმნილია თითოეული მოსწავლის/მოდელირების სქემის კომბინაციისთვის, შესაბამისი უმაღლესი. შემსრულებელი მოსწავლე მითითებულია თამამად. ხოლო გაფილტრული მონაცემთა მოდელისთვის, მე-4 ცხრილში მოხსენებული შედეგები ასახავს 400 მოდელის მთლიანი მოდელის შესრულებას თითოეული მოსწავლისთვის, თითოეული მახასიათებლის შეფასების მეთოდის გამოყენებით (4 მახასიათებლის შეფასების მეთოდი×10 გაშვება×10 ნაკეცი).
ცხრილი 4
დიქოტომიური MoCA ქულების კლასიფიკაციის შესრულება (AUC; 0.0–1.0) შედეგები სამი ყველაზე წარმატებული მოსწავლისთვის ყველა შესაბამისი მოდელირების სქემისთვის
| გამოყენებულია ფუნქციების ნაკრები | თავდაცვის სამინისტროს ქულა | შეწყვეტის ბარიერი | ლოგისტიკური რეგრესია | გულუბრყვილო ბეისი | მხარდაჭერის ვექტორული მანქანა |
| გაუფილტრავი (10 ფუნქცია) | მორგებული | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| არარეგულირებული | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| გაფილტრული (4 ფუნქცია) | მორგებული | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| არარეგულირებული | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
ფუნქციების ნაკრების ვარიაციების, MoCA ქულის და MoCA ქულის ათვლის ბარიერის გამოყენებით, მოდელირების თითოეული სქემისთვის უმაღლესი შესრულება ნაჩვენებია თამამი (აუცილებლად არ არის სტატისტიკურად განსხვავებული, ვიდრე ყველა სხვა თამამი შესაბამისი მოდელისთვის).
შემსწავლელთა შედარებისას MCA ქულების ვერსიებისა და ზღურბლების (შესაბამისად, კორექტირებული/დაუსწორებელი და 23/26) კომბინაციით გაფილტრული მონაცემთა ნაკრების (ანუ, 10 საერთო მახასიათებლის გამოყენებით) შედარებისას, გულუბრყვილო ბეიზი, როგორც წესი, იყო ყველაზე წარმატებული მოსწავლე საერთო მაჩვენებლით. კლასიფიკაციის შესრულება 0.9093. სამი საუკეთესო მოსწავლის გათვალისწინებით, ბაიესიანთან დაკავშირებული ხელმოწერილი რანგის ტესტები მიუთითებდნენ, რომ ალბათობა (Pr) გულუბრყვილო ბეიზის ლოგისტიკურ რეგრესიას აჯობა 99.9%. უფრო მეტიც, გულუბრყვილო ბეიესსა და დამხმარე ვექტორულ მანქანას შორის, პრაქტიკული ეკვივალენტობის 21.0% ალბათობა მოსწავლის მუშაობაში (აქედან გამომდინარე, 79.0% ალბათობა იმისა, რომ გულუბრყვილო ბეისი აღემატებოდეს მხარდაჭერის ვექტორულ მანქანას), ერთად 0.0% ალბათობა იმისა, რომ დამხმარე ვექტორული მანქანა უკეთ იმოქმედოს, გაზომვად. აძლიერებს ნაივ ბეიეს შესრულების უპირატესობას. MoCA ქულების ვერსიის შემდგომმა შედარებამ ყველა მოსწავლის/ზღურბლში აჩვენა მცირე შესრულების უპირატესობა მორგებული სამინისტროს ქულების გამოყენებით (0.9027 და 0.8971, შესაბამისად; Pr (მოუსწორებელი > მორგებული) = 0.988). ანალოგიურად, ათვლის ზღურბლის შედარებამ ყველა მოსწავლისთვის და სამინისტროს ანგარიშების ვერსიებში მიუთითა კლასიფიკაციის შესრულების მცირე უპირატესობა 26-ის გამოყენებით, როგორც კლასიფიკაციის ბარიერი 23-ის წინააღმდეგ (0.9056 0.8942-ის წინააღმდეგ, შესაბამისად; Pr (26 > 23) = 0.999). და ბოლოს, მოდელების კლასიფიკაციის ეფექტურობის შესწავლისას, რომლებიც იყენებდნენ მხოლოდ გაფილტრულ შედეგებს (ანუ, მხოლოდ ოთხი მახასიათებლის საუკეთესო რეიტინგში), Naïve Bayes (0.9143) იყო რიცხობრივად ყველაზე წარმატებული მოსწავლე MCA ქულების ყველა ვერსიის/ზღვრების მიხედვით. თუმცა, ყველა მახასიათებლის რეიტინგის ტექნიკით ერთად, ყველა ყველაზე წარმატებული მოსწავლე ერთნაირად მოქმედებდა. ბაიესის ხელმოწერილი რანგის ტესტებმა აჩვენა პრაქტიკული ეკვივალენტობის 100% ალბათობა გაფილტრულ მოსწავლეთა თითოეულ წყვილს შორის. როგორც გაუფილტრავი მონაცემების შემთხვევაში (10-ვე საერთო მახასიათებლის გამოყენებით), კვლავ იყო ეფექტურობის უპირატესობა MCA ქულის დაუზუსტებელი ვერსიისთვის (Pr (მოუსწორებელი > მორგებული) = 1.000), ისევე როგორც ანალოგიურად მკაფიო უპირატესობა 26-ის კლასიფიკაციის ზღურბლისთვის (Pr (26 > 23) = 1.000). აღსანიშნავია, რომ სამი საუკეთესო მოსწავლის საშუალო წარმადობა სამინისტროს ყველა ქულის ვერსიებში/ზღურბლებში, რომლებიც იყენებენ მხოლოდ პირველ ადგილზე მყოფ ოთხ მახასიათებელს, აღემატებოდა ნებისმიერი მოსწავლის საშუალო შესრულებას გაუფილტრავ მონაცემებზე. გასაკვირი არ არის, რომ გაფილტრული მოდელების კლასიფიკაციის ეფექტურობა (უმაღლესი რანგის ოთხი მახასიათებლის გამოყენებით) მთლიანობაში აღემატებოდა (0.9119) გაუფილტრავ მოდელებს (0.8999), მიუხედავად ფუნქციების რანგის მეთოდის მოდელებისა, რომლებიც შედარებულია იმ შესაბამის მოდელებთან, რომლებიც იყენებენ 10-ვე ჩვეულებრივს. მახასიათებლები. თითოეული მახასიათებლის შერჩევის მეთოდისთვის არსებობდა 100%-იანი ალბათობა ეფექტურობის უპირატესობის გაუფილტრავ მოდელებთან შედარებით.
პაციენტებში, რომლებიც განიხილება AD დიაგნოზის სიმძიმის კლასიფიკაციისთვის, ჯგუფს შორის (MCI-AD წინააღმდეგ AD) განსხვავებები ასაკის მიხედვით (p = 0.004), განათლება (p = 0.028), MoCA ქულა მორგებული/დაუსწორებელი (p = 0.000) და MTx-% C (p = 0.008) იყო სტატისტიკურად მნიშვნელოვანი; ხოლო MTx-RT-სთვის ეს არ იყო (p = 0.097). იმ პაციენტებში, რომლებიც განიხილება VaD დიაგნოსტიკის სიმძიმის კლასიფიკაციისთვის, ჯგუფს შორის (MCI-VaD vs VaD) განსხვავებები MoCA ქულისთვის მორგებული/დაურეგულირებელი (p = 0.007) და MTx-% C (p = 0.026) და MTx-RT (p = 0.001) იყო სტატისტიკურად მნიშვნელოვანი; ხოლო ასაკისთვის (p = 0.511) და განათლება (p = 0.157) არ იყო მნიშვნელოვანი განსხვავებები ჯგუფს შორის.
პროგნოზირებადი მოდელირების შედეგები დიაგნოზის სიმძიმის კლასიფიკაციისთვის სამი ადრე შერჩეული მოსწავლის გამოყენებით, ლოგისტიკური რეგრესია, გულუბრყვილო ბეისი და დამხმარე ვექტორული მანქანა, ნაჩვენებია ცხრილში 5. მაშინ როცა დამატებით გამოკვლეულმა მოსწავლეებმა აჩვენეს ოდნავ უფრო ძლიერი შესრულება ინდივიდუალურად ორი კლინიკური დიაგნოზის კატეგორიიდან ერთ-ერთთან ერთად. , სამმა მოსწავლემ, რომლებიც ჩვენ განვსაზღვრეთ, როგორც ყველაზე ხელსაყრელად ჩვენს წინა მოდელირებაში, გვთავაზობდა ყველაზე თანმიმდევრულ შესრულებას ორივე ახალი მოდელირების სქემით. შემსწავლელთა შედარება პირველადი დიაგნოზის თითოეულ კატეგორიაში (AD და VaD), არ იყო მუდმივი კლასიფიკაციის ეფექტურობის განსხვავება მოსწავლეებს შორის MCI-VaD-თან შედარებით VaD, თუმცა მხარდაჭერის ვექტორული მანქანა ზოგადად უფრო მკაფიოდ მოქმედებდა. ანალოგიურად, არ იყო მნიშვნელოვანი განსხვავებები მოსწავლეებს შორის MCI-AD და AD კლასიფიკაციისთვის, თუმცა გულუბრყვილო ბეიესს (NB) ჰქონდა მცირე შესრულების უპირატესობა ლოგისტიკურ რეგრესიასთან (LR) და უბრალოდ უმნიშვნელო სიმრავლე მხარდაჭერის ვექტორულ მანქანასთან შედარებით, ალბათობით 61.4%. და 41.7% შესაბამისად. ორივე მონაცემთა ნაკრებში არსებობდა მხარდაჭერის ვექტორული აპარატის (SVM) მუშაობის საერთო უპირატესობა Pr (SVM > LR) = 0.819 და Pr (SVM > NB) = 0.934. ჩვენი საერთო კლასიფიკაციის წარმადობა ყველა მოსწავლეში XL ქვემონაცემებში დიაგნოზის სიმძიმის პროგნოზირებისას უკეთესი იყო VaD დიაგნოზის კატეგორიაში AD-სთან შედარებით (Pr (VAD > AD) = 0.998).
ცხრილი 5
დიქოტომიური კლინიკური დიაგნოზის სიმძიმის კლასიფიკაციის შესრულება (AUC; 0.0-1.0) შედეგები სამი ყველაზე წარმატებული მოსწავლისთვის, ორივე შესაბამისი მოდელირების სქემისთვის
| მოდელირების სქემა | ლოგისტიკური რეგრესია | გულუბრყვილო ბეისი | მხარდაჭერის ვექტორული მანქანა |
| MCI-AD წინააღმდეგ AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD VaD-ის წინააღმდეგ | 0.8033 | 0.8044 | 0.8338 |
თითოეული მოდელირების სქემისთვის ყველაზე მაღალი შესრულება ნაჩვენებია თამამი (აუცილებლად არ არის სტატისტიკურად განსხვავებული, ვიდრე სხვები თამამი).
განხილვა
მნიშვნელოვანია კოგნიტურ ჯანმრთელობაში ცვლილებების ადრეული გამოვლენა პრაქტიკული გამოყენება პირადი ჯანმრთელობის მენეჯმენტში და საზოგადოებრივ ჯანმრთელობაში. მართლაც, ის ასევე ძალიან მაღალი პრიორიტეტია კლინიკურ გარემოში პაციენტებისთვის მთელ მსოფლიოში. საერთო მიზანია გააფრთხილოს პაციენტები, მომვლელები და პროვაიდერები და დროულად დაიწყოს შესაბამისი და ეკონომიური მკურნალობა და გრძელვადიანი ზრუნვა მათთვის, ვინც იწყებს კოგნიტური დაქვეითებას. ჩვენი სამი საავადმყოფო/კლინიკ(ებ)ის მონაცემთა ქვეჯგუფის შერწყმით, ჩვენ გამოვავლინეთ სამი გამორჩეულად სასურველი მოსწავლე (ერთი გამორჩეული გამორჩეულით - გულუბრყვილო ბეიზი) პროგნოზირებადი მოდელების შესაქმნელად. MemTrax-ის შესრულების მეტრიკა, რომელიც შეიძლება საიმედოდ კლასიფიცირდეს კოგნიტური ჯანმრთელობის მდგომარეობის შესახებ დიქოტომიურად (ნორმალური კოგნიტური ჯანმრთელობა ან MCI), როგორც ეს მითითებული იქნება MCA-ს საერთო ქულით. აღსანიშნავია, რომ სამივე მოსწავლის საერთო კლასიფიკაციის შესრულება გაუმჯობესდა, როდესაც ჩვენმა მოდელებმა გამოიყენეს მხოლოდ ყველაზე მაღალი რანგის ოთხი მახასიათებელი, რომლებიც ძირითადად მოიცავდა MemTrax-ის შესრულების მეტრიკას. უფრო მეტიც, ჩვენ გამოვავლინეთ დასაბუთებული პოტენციალი იგივე მოსწავლეებისა და MemTrax-ის შესრულების მეტრიკის გამოყენებისთვის დიაგნოსტიკური მხარდაჭერის კლასიფიკაციის მოდელირების სქემაში, რათა განვასხვავოთ დემენციის დიაგნოზის ორი კატეგორიის სიმძიმე: AD და VaD.
მეხსიერების ტესტირება ცენტრალურია AD-ის ადრეული გამოვლენისთვის [23, 24]. ამრიგად, მიზანშეწონილია, რომ MemTrax იყოს მისაღები, მიმზიდველი და ადვილად განსახორციელებელი ონლაინ ეპიზოდური მეხსიერების სკრინინგის ტესტი საერთო პოპულაციაში [6]. ამოცნობის სიზუსტე და პასუხის დრო ამ უწყვეტი შესრულების ამოცანიდან განსაკუთრებით ვლინდება ადრეული და განვითარებადი გაუარესების და შემდგომი დეფიციტის იდენტიფიცირებაში ნეიროპლასტიკური პროცესებში, რომლებიც დაკავშირებულია სწავლასთან, მეხსიერებასთან და შემეცნებასთან. ანუ, აქ მოდელები, რომლებიც ძირითადად დაფუძნებულია MemTrax-ის შესრულების მეტრიკაზე, მგრძნობიარეა და უფრო ადვილად და მინიმალური ღირებულებით გამოავლენს ბიოლოგიურ ნეიროპათოლოგიურ დეფიციტს გარდამავალ ასიმპტომურ სტადიაზე ბევრად უფრო მნიშვნელოვანი ფუნქციური დაკარგვამდე [25]. ეშფორდი და სხვ. ყურადღებით შეისწავლა ამოცნობის მეხსიერების სიზუსტისა და რეაგირების დროის ნიმუშები და ქცევები ონლაინ მომხმარებლებში, რომლებიც დამოუკიდებლად მონაწილეობდნენ MemTrax-ში [6]. იმის გათვალისწინებით, რომ ეს განაწილებები გადამწყვეტია ოპტიმალური მოდელირებისა და პაციენტის მოვლის მოქმედი და ეფექტური აპლიკაციების შემუშავებისთვის, კლინიკურად გამოსაყენებელი აღიარებისა და რეაგირების დროის პროფილების განსაზღვრა აუცილებელია კლინიკური და კვლევითი სარგებლობისთვის ღირებული ფუნდამენტური მითითების შესაქმნელად. MemTrax-ის პრაქტიკული მნიშვნელობა AD სკრინინგში ადრეული სტადიის კოგნიტური უკმარისობისთვის და დიფერენციალური დიაგნოსტიკური მხარდაჭერისთვის საჭიროა უფრო მჭიდროდ შესწავლილი იყოს კლინიკური გარემოს კონტექსტში, სადაც განხილული იქნება თანმხლები დაავადებები და კოგნიტური, სენსორული და მოტორული შესაძლებლობები, რომლებიც გავლენას ახდენენ ტესტის შესრულებაზე. და პროფესიული პერსპექტივის ინფორმირებისთვის და პრაქტიკული კლინიკური სარგებლობის წახალისებისთვის, უპირველეს ყოვლისა, აუცილებელია კოგნიტური ჯანმრთელობის შეფასების დადგენილ ტესტთან შედარების დემონსტრირება, მიუხედავად იმისა, რომ ეს უკანასკნელი შეიძლება შესამჩნევად იყოს შეზღუდული დისტანციური ტესტირების ლოჯისტიკის, განათლებისა და ენის შემაკავებელი და კულტურული გავლენის გამო [26] . ამასთან დაკავშირებით, MemTrax-ის კლინიკური ეფექტურობის ხელსაყრელი შედარება MCA-სთან, რომელიც ჩვეულებრივ ინდუსტრიის სტანდარტად არის მიჩნეული, მნიშვნელოვანია, განსაკუთრებით მაშინ, როდესაც აფასებთ MemTrax-ის უფრო მარტივ გამოყენებას და პაციენტის მიღებას.
წინა კვლევა, რომელიც ადარებს MemTrax-ს და MCA-ს, ხაზს უსვამს დასაბუთებას და წინასწარ მტკიცებულებებს, რომლებიც ამართლებს ჩვენს სამოდელო გამოძიებას [8]. თუმცა, ეს წინა შედარება უბრალოდ აკავშირებდა MemTrax-ის შესრულების ორ საკვანძო მეტრიკას, რომელიც ჩვენ განვიხილეთ კოგნიტურ სტატუსთან, როგორც განსაზღვრულია MoCA-ს მიერ და განვსაზღვრეთ შესაბამისი დიაპაზონები და ათვლის მნიშვნელობები. ჩვენ გავაღრმავეთ MemTrax-ის კლინიკური სარგებლობის შეფასება პროგნოზირებად მოდელირებაზე დაფუძნებული მიდგომის შესწავლით, რომელიც უზრუნველყოფს სხვა პოტენციურად შესაბამისი პაციენტისთვის სპეციფიკური პარამეტრების უფრო ინდივიდუალურ განხილვას. სხვებისგან განსხვავებით, ჩვენ ვერ ვიპოვნეთ უპირატესობა მოდელის შესრულებაში განათლების კორექტირების (კორექტირების) გამოყენებით MCA-ს ქულის გამოყენებით ან კოგნიტური ჯანმრთელობის დისკრიმინაციული სამინისტროს ჯამური ქულის ზღვრის ცვალებადობაში თავდაპირველად რეკომენდებული 26-დან 23-მდე [12, 15]. ფაქტობრივად, კლასიფიკაციის შესრულების უპირატესობა უპირატესობას ანიჭებდა არაკორექტირებულ MCA ქულის და უმაღლესი ზღვრის გამოყენებას.
ძირითადი პუნქტები კლინიკურ პრაქტიკაში
მანქანათმცოდნეობა ხშირად საუკეთესოდ გამოიყენება და ყველაზე ეფექტურია პროგნოზირებად მოდელირებაში, როდესაც მონაცემები ვრცელი და მრავალგანზომილებიანია, ანუ, როდესაც არის მრავალი დაკვირვება და მაღალი ღირებულების (ხელშემწყობი) ატრიბუტების ფართო სპექტრი. თუმცა, ამ მიმდინარე მონაცემებით, გაფილტრული მოდელები მხოლოდ ოთხი შერჩეული ფუნქციით უკეთესად მუშაობდნენ, ვიდრე 10-ვე საერთო მახასიათებლის გამოყენებით. ეს გვაფიქრებინებს, რომ ჩვენს საერთო ჰოსპიტალურ მონაცემთა ბაზას არ გააჩნდა კლინიკურად ყველაზე შესაფერისი (მაღალი ღირებულების) მახასიათებლები პაციენტების ამ გზით ოპტიმალური კლასიფიკაციისთვის. მიუხედავად ამისა, ფუნქციების რანჟირების აქცენტი MemTrax-ის შესრულების ძირითად მეტრიკაზე - MTx-% C და MTx-RT - მტკიცედ უჭერს მხარს კოგნიტური დეფიციტის სკრინინგის მოდელების ადრეულ სტადიაზე შექმნას ამ ტესტის გარშემო, რომელიც არის მარტივი, ადვილად ადმინისტრირებადი, დაბალფასიანი და სათანადოდ გამოვლენილი. მეხსიერების შესრულება, ყოველ შემთხვევაში ახლა, როგორც საწყისი ეკრანი კოგნიტური ჯანმრთელობის მდგომარეობის ორობითი კლასიფიკაციისთვის. პროვაიდერებსა და ჯანდაცვის სისტემებზე მუდმივად მზარდი დატვირთვის გათვალისწინებით, პაციენტების სკრინინგის პროცესები და კლინიკური აპლიკაციები სათანადოდ უნდა განვითარდეს იმ პაციენტების მახასიათებლებისა და ტესტის მეტრიკის შეგროვებაზე, თვალყურის დევნებაზე და მოდელირებაზე, რომლებიც ყველაზე სასარგებლო, მომგებიანი და ეფექტურია დიაგნოსტიკაში. და პაციენტის მენეჯმენტის მხარდაჭერა.
ორი საკვანძო MemTrax მეტრიკა არის MCI კლასიფიკაციის ცენტრალური ნაწილი, ჩვენს ყველაზე წარმატებულ მოსწავლეს (Naïve Bayes) ჰქონდა ძალიან მაღალი პროგნოზირებადი შესრულება უმეტეს მოდელებში (AUC 0.90-ზე მეტი) ჭეშმარიტი დადებითი და ცრუ დადებითი თანაფარდობა უახლოვდება ან გარკვეულწილად აღემატება 4-ს. : 1. მთარგმნელობითი კლინიკური აპლიკაცია ამ მოსწავლის გამოყენებით აითვისებს (სწორად კლასიფიცირებს) კოგნიტური დეფიციტის მქონე ადამიანების უმეტესობას, ამავდროულად შეამცირებს ხარჯებს, რომლებიც დაკავშირებულია ნორმალური კოგნიტური ჯანმრთელობის მქონე პირის შეცდომით კლასიფიკაციასთან, როგორც კოგნიტიურ დეფიციტად (ცრუ დადებითი) ან აკლია ეს კლასიფიკაცია მათ, ვისაც აქვს კოგნიტური დეფიციტი (ცრუ უარყოფითი). არასწორი კლასიფიკაციის რომელიმე ამ სცენარმა შეიძლება დააკისროს ზედმეტი ფსიქო-სოციალური ტვირთი პაციენტსა და მომვლელებს.
მაშინ, როცა წინასწარ და სრულ ანალიზში ჩვენ ვიყენებდით ათივე მოსწავლეს თითოეულ მოდელირების სქემაში, ჩვენ გავამახვილეთ ჩვენი შედეგები სამ კლასიფიკატორზე, რომლებიც აჩვენებს ყველაზე თანმიმდევრულ ძლიერ შესრულებას. ეს ასევე უნდა გამოეყო, ამ მონაცემებზე დაყრდნობით, მოსწავლეები, რომლებიც მოსალოდნელია მაღალ დონეზე პრაქტიკულ კლინიკურ გამოყენებაში კოგნიტური სტატუსის კლასიფიკაციის განსაზღვრაში. უფრო მეტიც, რადგან ეს კვლევა გამიზნული იყო, როგორც შესავალი გამოკვლევა კოგნიტურ სკრინინგზე მანქანური სწავლის სარგებლიანობისა და ამ დროული კლინიკური გამოწვევების შესახებ, ჩვენ მივიღეთ გადაწყვეტილება, შეგვენარჩუნებინა სწავლის ტექნიკა მარტივი და განზოგადებული, მინიმალური პარამეტრების დარეგულირებით. ჩვენ ვაფასებთ, რომ ამ მიდგომამ შესაძლოა შეზღუდა უფრო ვიწრო განსაზღვრული პაციენტისთვის სპეციფიკური პროგნოზირების შესაძლებლობების პოტენციალი. ანალოგიურად, მაშინ, როდესაც მოდელების ტრენინგი მხოლოდ ძირითადი მახასიათებლების გამოყენებით (გაფილტრული მიდგომა) გვაწვდის ინფორმაციას ამ მონაცემების შესახებ (სპეციფიკური შეგროვებული მონაცემების ხარვეზებისთვის და ხაზს უსვამს მნიშვნელობას ძვირფასი კლინიკური დროისა და რესურსების ოპტიმიზაციაში), ჩვენ ვაღიარებთ, რომ მისი შემცირება ნაადრევია. მოდელების ფარგლები და, შესაბამისად, ყველა (და სხვა მახასიათებელი) გასათვალისწინებელია სამომავლო კვლევებით, სანამ არ გვექნება პრიორიტეტული მახასიათებლების უფრო საბოლოო პროფილი, რომელიც გამოყენებული იქნება ფართო პოპულაციისთვის. ამრიგად, ჩვენ ასევე სრულად ვაღიარებთ, რომ უფრო ინკლუზიური და ფართოდ წარმომადგენლობითი მონაცემები და ამ და სხვა მოდელების ოპტიმიზაცია საჭირო იქნება ეფექტურ კლინიკურ აპლიკაციაში მათი ინტეგრირებამდე, განსაკუთრებით კოგნიტურ შესრულებაზე მოქმედი თანმხლები დაავადებების დასაკმაყოფილებლად, რაც საჭირო იქნება შემდგომ კლინიკურ შეფასებაში.
MemTrax-ის სარგებლობა შემდგომში განვითარდა დაავადების სიმძიმის მოდელირებით ცალკე კლინიკურ დიაგნოზზე დაყრდნობით. უკეთესი საერთო კლასიფიკაციის შესრულება VaD-ის სიმძიმის პროგნოზირებაში (AD-თან შედარებით) არ იყო გასაკვირია პაციენტის პროფილის მახასიათებლები სისხლძარღვთა ჯანმრთელობისთვის სპეციფიკურ მოდელებში და ინსულტის რისკი, ანუ ჰიპერტენზია, ჰიპერლიპიდემია, დიაბეტი და (რა თქმა უნდა) ინსულტის ისტორია. თუმცა უფრო სასურველი და მართებული იქნებოდა ერთი და იგივე კლინიკური შეფასება ჩატარებულიყო ნორმალური კოგნიტური ჯანმრთელობის მქონე პაციენტებზე, რათა ესწავლებინათ მოსწავლეები ამ უფრო ინკლუზიური მონაცემებით. ეს განსაკუთრებით გამართლებულია, რადგან MemTrax განკუთვნილია ძირითადად გამოყენებული იქნას კოგნიტური დეფიციტის ადრეულ სტადიაზე და ინდივიდუალური ცვლილებების შემდგომი თვალყურის დევნებისთვის. ასევე სავარაუდოა, რომ მონაცემთა უფრო სასურველმა განაწილებამ VaD მონაცემთა ბაზაში ნაწილობრივ შეუწყო ხელი მოდელირების შედარებით უკეთეს შესრულებას. VaD მონაცემთა ნაკრები კარგად იყო დაბალანსებული ორ კლასს შორის, მაშინ როცა AD მონაცემთა ნაკრები გაცილებით ნაკლები MCI პაციენტებით არ იყო. განსაკუთრებით მცირე მონაცემთა ნაკრებებში, რამდენიმე დამატებით შემთხვევასაც კი შეუძლია გაზომვადი განსხვავება. ორივე პერსპექტივა არის გონივრული არგუმენტები, რომლებიც ემყარება განსხვავებებს დაავადების სიმძიმის მოდელირების შესრულებაში. თუმცა, მონაცემთა პროპორციულად მინიჭება გაუმჯობესებული ეფექტურობის მონაცემთა ციფრული მახასიათებლებისთვის ან განხილული კლინიკური პრეზენტაციისთვის დამახასიათებელი თანდაყოლილი მახასიათებლებისთვის ნაადრევია. მიუხედავად ამისა, ამ რომანმა აჩვენა MemTrax-ის პროგნოზირებადი კლასიფიკაციის მოდელის გამოყენება კლინიკური დიაგნოსტიკური მხარდაჭერის როლში, უზრუნველყოფს ღირებულ პერსპექტივას და ადასტურებს პაციენტებთან დამატებითი გამოკვლევის ძიებას MCI-ის კონტინიუმში.
MemTrax-ისა და ამ მოდელების დანერგვა და დემონსტრირება ჩინეთში, სადაც ენა და კულტურა მკვეთრად განსხვავდება სხვა დამკვიდრებული სარგებლობის რეგიონებისგან (მაგ., საფრანგეთი, ნიდერლანდები და შეერთებული შტატები) [7, 8, 27], კიდევ უფრო ხაზს უსვამს პოტენციალს. MemTrax-ზე დაფუძნებული პლატფორმის ფართო გლობალური მიღებისა და კლინიკური ღირებულებისთვის. ეს არის საჩვენებელი მაგალითი მონაცემთა ჰარმონიზაციისკენ სწრაფვისა და კოგნიტური სკრინინგისთვის პრაქტიკული საერთაშორისო ნორმებისა და მოდელირების რესურსების შემუშავებაში, რომლებიც სტანდარტიზებულია და ადვილად ადაპტირებულია მსოფლიოში გამოსაყენებლად.
შემდეგი ნაბიჯები კოგნიტური დაქვეითების მოდელირებასა და გამოყენებაში
კოგნიტური დისფუნქცია AD-ში მართლაც ხდება კონტინუუმზე და არა ცალკეულ ეტაპებზე ან საფეხურებზე [28, 29]. თუმცა, ამ ადრეულ ფაზაში, ჩვენი მიზანი იყო, პირველ რიგში, ჩამოგვეყალიბებინა მოდელი, რომელიც მოიცავს MemTrax-ს, რომელიც ფუნდამენტურად განასხვავებს „ნორმალურს“ „არანორმალურიდან“. უფრო ინკლუზიური ემპირიული მონაცემები (მაგ. ტვინის გამოსახულება, გენეტიკური მახასიათებლები, ბიომარკერები, თანმხლები დაავადებები და კომპლექსური ფუნქციური მარკერები აქტივობები, რომლებიც მოითხოვს შემეცნებითს კონტროლი) [30] სხვადასხვა გლობალურ რეგიონებში, პოპულაციაში და ასაკობრივ ჯგუფში, რათა მოამზადონ და განავითარონ უფრო დახვეწილი (მათ შორის, სათანადო შეწონილი ანსამბლი) მანქანათმცოდნეობის მოდელები, რომლებიც მხარს უჭერენ გაძლიერებული კლასიფიკაციის უფრო დიდ ხარისხს, ანუ შესაძლებლობას დაახარისხონ პაციენტების ჯგუფები MCI შევიდა უფრო მცირე და უფრო განსაზღვრულ ქვეჯგუფებად კოგნიტური დაქვეითების კონტინუუმის გასწვრივ. გარდა ამისა, აუცილებელია თანმხლები კლინიკური დიაგნოსტიკა ინდივიდებისთვის რეგიონალურად განსხვავებული პაციენტების პოპულაციაში ეფექტურად ვარჯიში ეს უფრო ინკლუზიური და პროგნოზირებად ძლიერი მოდელები. ეს ხელს შეუწყობს უფრო სპეციფიკურ სტრატიფიცირებულ შემთხვევებს მენეჯმენტს მსგავსი წარმოშობის, გავლენის და უფრო ვიწროდ განსაზღვრული დამახასიათებელი შემეცნებითი პროფილების მქონეთათვის და ამით ოპტიმიზაციას გაუწევს კლინიკურ გადაწყვეტილების მხარდაჭერას და პაციენტის მოვლას.
დღემდე ჩატარებული შესაბამისი კლინიკური კვლევების დიდი ნაწილი ეხებოდა პაციენტებს, სულ მცირე, მსუბუქი დემენციით; და, პრაქტიკაში, ძალიან ხშირად პაციენტის ჩარევა მხოლოდ მოწინავე ეტაპებზე ხდება. თუმცა, იმის გამო, რომ კოგნიტური დაქვეითება იწყება დემენციის კლინიკური კრიტერიუმების დაკმაყოფილებამდე, MemTrax-ზე დაფუძნებული ადრეული სკრინინგის ეფექტურად გამოყენებამ შეიძლება ხელი შეუწყოს ინდივიდების სათანადო განათლებას დაავადების და მისი პროგრესირების შესახებ და გამოავლინოს ადრეული და დროული ჩარევები. ამრიგად, ადრეულმა გამოვლენამ შეიძლება ხელი შეუწყოს შესაბამის ჩართულობას, დაწყებული ვარჯიშიდან, დიეტადან, ემოციური მხარდაჭერიდან და გაუმჯობესებული სოციალიზაციამდე ფარმაკოლოგიურ ჩარევამდე და გააძლიეროს პაციენტთან დაკავშირებული ცვლილებები ქცევაში და აღქმაში, რომ ცალკე ან მთლიანობაში შეიძლება შეამსუბუქოს ან პოტენციურად შეაჩეროს დემენციის პროგრესირება [31, 32] . უფრო მეტიც, ეფექტური ადრეული სკრინინგი, ინდივიდებს და მათ ოჯახებს შეიძლება სთხოვონ განიხილონ კლინიკური კვლევები ან მიიღონ კონსულტაცია და სხვა სოციალური სერვისების მხარდაჭერა, რათა დაეხმარონ მოლოდინების და განზრახვების გარკვევას და ყოველდღიური ამოცანების მართვას. შემდგომი ვალიდაცია და ფართოდ გავრცელებული პრაქტიკული გამოყენება ამ გზებით შეიძლება იყოს ინსტრუმენტული მრავალი ადამიანისათვის MCI, AD და ADRD-ის პროგრესირების შესამცირებლად ან შესაჩერებლად.
მართლაც, ჩვენს კვლევაში პაციენტის ასაკობრივი დიაპაზონის დაბალი დონე არ წარმოადგენს AD-ით ტრადიციულ შეშფოთებულ პოპულაციას. მიუხედავად ამისა, საშუალო ასაკი თითოეული ჯგუფისთვის, რომელიც გამოიყენება კლასიფიკაციის მოდელირების სქემებში, რომელიც დაფუძნებულია MCA ქულის/ზღვრისა და დიაგნოზის სიმძიმის საფუძველზე (ცხრილი 3) ხაზს უსვამს, რომ უმრავლესობა (80%-ზე მეტი) არის მინიმუმ 50 წელი. ამგვარად, ეს განაწილება ძალიან მიზანშეწონილია განზოგადებისთვის, რაც მხარს უჭერს ამ მოდელების გამოყენებას პოპულაციაში, რომელიც ახასიათებს მათ, ვინც ჩვეულებრივ გავლენას ახდენს ადრეული დაწყება და მზარდი ნეიროკოგნიტური დაავადება AD და VaD-ის გამო. ასევე, ბოლოდროინდელი მტკიცებულებები და პერსპექტივა ხაზს უსვამს იმ აღიარებულ ფაქტორებს (მაგ., ჰიპერტენზია, სიმსუქნე, დიაბეტი და მოწევა), რომლებიც პოტენციურად ხელს უწყობენ ადრეულ ზრდას. ზრდასრულთა და შუახნის ასაკის სისხლძარღვთა რისკის ქულები და, შესაბამისად, ტვინის სისხლძარღვთა დახვეწილი დაზიანება, რომელიც ვითარდება მზაკვრულად და აშკარა ეფექტებით ახალგაზრდებშიც კი მოზრდილები [33-35]. შესაბამისად, ყველაზე ოპტიმალური საწყისი სკრინინგის შესაძლებლობა ადრეული გამოვლენისთვის კოგნიტური დეფიციტის სტადია და ეფექტური პრევენციისა და ინტერვენციის სტრატეგიების ინიცირება დემენციის წარმატებით მოსაგვარებლად წარმოიქმნება ხელშემწყობი ფაქტორების და წინამორბედი ინდიკატორების შესწავლის შედეგად ასაკობრივი სპექტრის მასშტაბით, მათ შორის ადრეული ზრდასრულობისა და პოტენციურად ბავშვობის ჩათვლით (აღნიშნავს გენეტიკური ფაქტორების შესაბამისობას, როგორიცაა აპოლიპოპროტეინი E გესტაციის ადრეული პერიოდიდან).
პრაქტიკაში, მოქმედი კლინიკური დიაგნოზები და ძვირადღირებული პროცედურები მოწინავე ვიზუალიზაციისთვის, გენეტიკური პროფილირებისთვის და პერსპექტიული ბიომარკერების გაზომვისთვის ყოველთვის არ არის ხელმისაწვდომი ან თუნდაც განხორციელებადი მრავალი პროვაიდერისთვის. ამრიგად, ხშირ შემთხვევაში, ზოგადი კოგნიტური ჯანმრთელობის მდგომარეობის საწყისი კლასიფიკაცია შეიძლება იყოს მიღებული მოდელებიდან, რომლებიც იყენებენ პაციენტის მიერ მოწოდებულ სხვა მარტივ მეტრებს (მაგ., თვითშეტყობინება მეხსიერების პრობლემები, მიმდინარე მედიკამენტები და რუტინული აქტივობის შეზღუდვები) და საერთო დემოგრაფიული მახასიათებლები [7]. რეესტრები, როგორიცაა კალიფორნიის უნივერსიტეტი ტვინის ჯანმრთელობა რეესტრი (https://www.brainhealthregistry.org/) [27] და სხვები, რომლებსაც აქვთ სიმპტომების თანდაყოლილი უფრო დიდი სიგანი, ხარისხობრივი ზომები (მაგ., ძილი და ყოველდღიური შემეცნება), მედიკამენტები, ჯანმრთელობის მდგომარეობა და ისტორია, და უფრო დეტალური დემოგრაფია ხელს შეუწყობს კლინიკაში ამ უფრო პრიმიტიული მოდელების პრაქტიკული გამოყენების შემუშავებასა და დადასტურებას. გარდა ამისა, ტესტი, როგორიცაა MemTrax, რომელმაც აჩვენა სარგებლობა მეხსიერების ფუნქციის შეფასებაში, შეიძლება რეალურად უზრუნველყოს AD პათოლოგიის არსებითად უკეთესი შეფასება, ვიდრე ბიოლოგიური მარკერები. იმის გათვალისწინებით, რომ AD პათოლოგიის ძირითადი მახასიათებელია ნეიროპლასტიურობის დარღვევა და სინაფსების უაღრესად რთული დაკარგვა, რაც ვლინდება ეპიზოდური სახით. მეხსიერების დისფუნქცია, საზომი, რომელიც აფასებს ეპიზოდურ მეხსიერებას, სინამდვილეში შეიძლება უზრუნველყოფს AD პათოლოგიური ტვირთის უკეთეს შეფასებას, ვიდრე ბიოლოგიური მარკერები ცოცხალ პაციენტში [36].
ყველა პროგნოზირებულ მოდელთან ერთად, იქნება ეს კომპლექსური და ინკლუზიური მონაცემებით დაკომპლექტებული უახლესი ტექნოლოგიით და დახვეწილი კლინიკური შეხედულებებით მრავალ დომენზე, ან შემოიფარგლება არსებული პაციენტების პროფილებისთვის დამახასიათებელი უფრო საბაზისო და ადვილად ხელმისაწვდომი ინფორმაციით - ხელოვნური ინტელექტის აღიარებული უპირატესობა და მანქანათმცოდნეობა არის ის, რომ შედეგად მოდელებს შეუძლიათ სინთეზირება და ინდუქციურად „ისწავლონ“ შესაბამისი ახალი მონაცემებიდან და პერსპექტივიდან, რომელიც უზრუნველყოფილია აპლიკაციის მუდმივი გამოყენებით. პრაქტიკული ტექნოლოგიების გადაცემის შემდეგ, რადგან აქ მოდელები (და განსავითარებელი) გამოიყენება და გამდიდრებულია მეტი შემთხვევებითა და შესაბამისი მონაცემებით (მათ შორის, პაციენტებს თანმხლები დაავადებებით, რომლებსაც შეიძლება თან ახლდეს კოგნიტური დაქვეითება), პროგნოზის შესრულება და კოგნიტური ჯანმრთელობის კლასიფიკაცია უფრო ძლიერი იქნება. შედეგად მიღებული კლინიკური გადაწყვეტილების მხარდაჭერის უფრო ეფექტური გამოყენება. ეს ევოლუცია უფრო სრულად და პრაქტიკულად განხორციელდება MemTrax-ის ჩვეულ (ხელმისაწვდომ შესაძლებლობებზე გათვლილი) პლატფორმებში ჩასმით, რომლებსაც ჯანდაცვის პროვაიდერებს შეუძლიათ გამოიყენონ რეალურ დროში კლინიკაში.
MemTrax მოდელის ვალიდაციისა და სარგებლობისთვის აუცილებელია დიაგნოსტიკური მხარდაჭერისა და პაციენტის მოვლისთვის ძალიან მოთხოვნადი მნიშვნელოვანი გრძივი მონაცემები. კლინიკურ სტატუსში თანმხლები ცვლილებების (ასეთის არსებობის შემთხვევაში) დაკვირვებით და ჩაწერით ნორმალურ ადექვატურ დიაპაზონში ადრეული სტადიის MCI-მდე, მოდელების შესაბამისი მიმდინარე შეფასებისა და კლასიფიკაციისთვის შეიძლება ტრენინგი და მოდიფიცირება პაციენტების ასაკთან ერთად და მკურნალობენ. ანუ, განმეორებით გამოყენებას შეუძლია დაეხმაროს ზომიერი კოგნიტური ცვლილებების გრძივი თვალყურის დევნებას, ინტერვენციის ეფექტურობას და ინფორმირებული სტრატიფიცირებული მოვლის შენარჩუნებას. ეს მიდგომა უფრო მჭიდროდ შეესაბამება კლინიკურ პრაქტიკას და პაციენტისა და შემთხვევის მართვას.
შეზღუდვები
ჩვენ ვაფასებთ გამოწვევას და ღირებულებას სუფთა კლინიკური მონაცემების შეგროვებაში კონტროლირებად კლინიკაში/საავადმყოფოში. მიუხედავად ამისა, ეს გააძლიერებდა ჩვენს მოდელირებას, თუ ჩვენი მონაცემთა ნაკრები მოიცავს უფრო მეტ პაციენტს საერთო მახასიათებლებით. უფრო მეტიც, სპეციფიკური ჩვენი დიაგნოსტიკის მოდელისთვის, უფრო სასურველი და მართებული იქნებოდა, რომ იგივე კლინიკური შეფასება ჩატარებულიყო ნორმალური კოგნიტური ჯანმრთელობის მქონე პაციენტებზე, რათა მოემზადებინათ მოსწავლეები. და როგორც ხაზგასმულია უმაღლესი კლასიფიკაციის ეფექტურობა გაფილტრული მონაცემთა ნაკრების გამოყენებით (მხოლოდ ზედა რანგის ოთხი მახასიათებელი), უფრო ზოგადი და კოგნიტური ჯანმრთელობის ზომები/ინდიკატორები სავარაუდოდ გაუმჯობესებული იქნებოდა მუშაობის მოდელირება საერთო მახასიათებლების უფრო დიდი რაოდენობით ყველა პაციენტში.
ზოგიერთ მონაწილეს შესაძლოა თან ახლდეს სხვა დაავადებები, რამაც შეიძლება გამოიწვიოს გარდამავალი ან ქრონიკული კოგნიტური ხარვეზები. გარდა XL ქვემონაცემთა ნაკრებისა, სადაც პაციენტები დიაგნოსტიკურად იყო კლასიფიცირებული, როგორც AD ან VaD-ის მქონე, თანმხლები დაავადებების მონაცემები არ იყო შეგროვებული/მოხსენებული YH პაციენტთა ჯგუფში, და KM ქვემონაცემთა ნაკრების უპირატესი მოხსენებული თანმხლები დაავადება იყო დიაბეტი. თუმცა, საკამათოა, რომ პაციენტების ჩართვა ჩვენს სამოდელო სქემებში თანმხლები დაავადებებით, რომლებმაც შეიძლება გამოიწვიოს ან გააძლიეროს კოგნიტური დეფიციტის დონე და, შესაბამისად, დაბალი MemTrax შესრულება, უფრო წარმომადგენლობითი იქნება რეალურ სამყაროში მიზნობრივი პაციენტების პოპულაციისთვის ამ უფრო გენერალიზებული ადრეული კოგნიტური სკრინინგისთვის. და მოდელირების მიდგომა. წინსვლა, თანმხლები დაავადებების ზუსტი დიაგნოზი, რომლებიც პოტენციურად იმოქმედებს კოგნიტურ შესრულებაზე, ზოგადად მომგებიანია მოდელების ოპტიმიზაციისთვის და შედეგიანი პაციენტის მოვლის აპლიკაციებისთვის.
და ბოლოს, YH და KM ქვე-მონაცემთა ჯგუფის პაციენტებმა გამოიყენეს სმარტფონი MemTrax ტესტის ჩასატარებლად, ხოლო XL ქვე-მონაცემთა ჯგუფის პაციენტების შეზღუდული რაოდენობა იყენებდა iPad-ს, დანარჩენი კი სმარტფონს. ამან შეიძლებოდა შეეტანა მოწყობილობასთან დაკავშირებული მცირე განსხვავება MemTrax-ის შესრულებაში MoCA კლასიფიკაციის მოდელირებისთვის. თუმცა, განსხვავებები (ასეთის არსებობის შემთხვევაში) MTx-RT-ში, მაგალითად, მოწყობილობებს შორის, სავარაუდოდ, უმნიშვნელო იქნება, განსაკუთრებით მაშინ, როდესაც თითოეულ მონაწილეს ეძლევა „პრაქტიკული“ ტესტი ჩაწერილი ტესტის შესრულების წინ. მიუხედავად ამისა, ამ ორი ხელის მოწყობილობის სარგებლობა პოტენციურად არღვევს პირდაპირ შედარებას და/ან ინტეგრაციას სხვა MemTrax შედეგებთან, სადაც მომხმარებლები პასუხობდნენ განმეორებით სურათებს კომპიუტერის კლავიატურაზე დისტანციური ზოლის შეხებით.
ძირითადი პუნქტები MemTrax პროგნოზირებადი მოდელირების პროგრამაზე
- • ჩვენი ყველაზე წარმატებული პროგნოზირებადი მოდელები, რომლებიც მოიცავს შერჩეულ MemTrax-ის შესრულების მეტრებს, შეუძლიათ საიმედოდ კლასიფიცირდეს კოგნიტური ჯანმრთელობის მდგომარეობა (ნორმალური კოგნიტური ჯანმრთელობა ან MCI), როგორც ეს იქნება ფართოდ აღიარებული MCA ტესტით.
- • ეს შედეგები მხარს უჭერს შერჩეული MemTrax შესრულების მეტრიკის ინტეგრაციას კლასიფიკაციის პროგნოზირებადი მოდელის სკრინინგის აპლიკაციაში ადრეული სტადიის კოგნიტური უკმარისობისთვის.
- • ჩვენმა კლასიფიკაციის მოდელირებამ ასევე გამოავლინა MemTrax-ის ეფექტურობის გამოყენების პოტენციალი დემენციის დიაგნოზის სიმძიმის განმასხვავებლად.
ეს ახალი აღმოჩენები ადგენს საბოლოო მტკიცებულებას, რომელიც მხარს უჭერს მანქანათმცოდნეობის სარგებლობას MemTrax-ზე დაფუძნებული კლასიფიკაციის გაუმჯობესებული ძლიერი მოდელების შესაქმნელად, დიაგნოსტიკური მხარდაჭერისთვის ეფექტური კლინიკური შემთხვევის მენეჯმენტში და პაციენტზე ზრუნვაში იმ პირებისთვის, რომლებსაც განიცდიან კოგნიტური დაქვეითება.
მადლობა
ჩვენ ვაღიარებთ ჯ. უესონ ეშფორდის, კურტის ბ. ეშფორდის და კოლეგების მუშაობას აქ გამოყენებული უწყვეტი ამოცნობის ამოცანისა და ხელსაწყოს (MemTrax) შემუშავებისა და ვალიდაციისთვის და მადლობელი ვართ დემენციის მქონე მრავალი პაციენტის, რომლებმაც წვლილი შეიტანეს კრიტიკულ ფუნდამენტურ კვლევაში. . ჩვენ ასევე მადლობას ვუხდით Xianbo Zhou-ს და მის კოლეგებს SJN Biomed LTD-ში, მის კოლეგებსა და თანამშრომლებს საავადმყოფოების/კლინიკების ადგილებში, განსაკუთრებით Dr. მ. ლუო და მ. ჟონგი, რომლებიც დაეხმარნენ მონაწილეების რეკრუტირებას, ტესტების დაგეგმვას და მონაცემთა შეგროვებას, ჩაწერას და წინა პლანზე მართვას, და მოხალისე მონაწილეებს, რომლებმაც თავიანთი ძვირფასი დრო დაუთმეს და აიღეს ვალდებულება, ჩაეტარებინათ ტესტები და უზრუნველყონ. ჩვენთვის ღირებული მონაცემები ამ კვლევაში შესაფასებლად. ეს კვლევა ნაწილობრივ მხარდაჭერილი იყო MD Scientific Research-ის მიერ კუნმინგის სამედიცინო უნივერსიტეტის პროგრამა (გრანტი No. 2017BS028 to XL) და იუნანის მეცნიერებისა და ტექნოლოგიების დეპარტამენტის კვლევითი პროგრამა (გრანტი no. 2019FE001 (-222) to XL).
ჯ. უესონ ეშფორდმა შეიტანა პატენტის განაცხადი ამ ნაშრომში აღწერილი სპეციფიკური უწყვეტი აღიარების პარადიგმის გამოყენების შესახებ ზოგადისთვის. მეხსიერების ტესტირება.
MemTrax, LLC არის კომპანია, რომელიც ეკუთვნის კურტის ეშფორდს და ეს კომპანია მართავს მას მეხსიერების ტესტირება ამ სტატიაში აღწერილი სისტემა.
ავტორთა გამჟღავნება ხელმისაწვდომია ონლაინ (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
ლიტერატურა
| [1] ალცჰეიმერის ასოციაცია (2016) 2016 ალცჰეიმერის დაავადების ფაქტები და ფიგურები. ალცჰეიმერის დემენცია 12, 459-509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) ადრეული სტადიის ეფექტი ალცჰეიმერის დაავადების ოჯახის ფინანსურ შედეგებზე. ჯანმრთელობის ეკონ 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) ხარისხის გაუმჯობესება ნევროლოგია: მსუბუქი კოგნიტური დარღვევის ხარისხის საზომი ნაკრები. ნევროლოგია 93, 705-713. |
| [4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) გამოყენების ეფექტურობა კოგნიტური სკრინინგის ტესტები პირველადი ჯანდაცვის განყოფილებაში დემენციის და მსუბუქი კოგნიტური გაუფასურების გამოსავლენად. Int J Geriatr Psychiatry 32, 1392–1400. | |
| [5] Ashford JW, Gere E, Bayley PJ (2011) მეხსიერების გაზომვა დიდი ჯგუფის პარამეტრებში უწყვეტი ამოცნობის ტესტის გამოყენებით. J Alzheimers Dis 27, 885–895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) კომპიუტერიზებული უწყვეტი ამოცნობის ამოცანა ეპიზოდური მეხსიერების გაზომვისთვის. J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) ეპიზოდური მეხსიერების შესრულება მანქანათმცოდნეობის მოდელირებაში კოგნიტური ჯანმრთელობის მდგომარეობის კლასიფიკაციის პროგნოზირებისთვის. J Alzheimers Dis 70, 277–286. |
| [8] van der Hoek MD, Nieuwenhuizen A, Keijer J, Ashford JW (2019) The MemTrax ტესტი შედარებით მსუბუქი კოგნიტური უკმარისობის მონრეალის კოგნიტური შეფასების შეფასებასთან. J Alzheimers Dis 67, 1045–1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) იზოლირებული ხმოვანი ბგერების გამოყენება ტვინის მსუბუქი ტრავმული დაზიანების კლასიფიკაციისთვის. 2013 წელს IEEE საერთაშორისო კონფერენცია აკუსტიკის, მეტყველების და სიგნალის დამუშავების შესახებ, ვანკუვერი, BC, გვ. 7577–7581. |
| [10] | Dabek F, Caban JJ (2015) დიდი მონაცემების გამოყენება ტვინის შერყევის შემდეგ ფსიქოლოგიური მდგომარეობის განვითარების ალბათობის მოდელირებისთვის. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) გადაწყვეტილების ხე თემის ფარმაცევტების მიერ კოგნიტური უკმარისობის ადრეული გამოვლენისთვის. ფრონტ ფარმაკოლი 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: მოკლე სკრინინგის ინსტრუმენტი მსუბუქი შემეცნებითი უკმარისობისთვის. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012) მონრეალის კოგნიტური შეფასების პეკინის ვერსია, როგორც მსუბუქი კოგნიტური უკმარისობის მოკლე სკრინინგის ინსტრუმენტი: საზოგადოებაზე დაფუძნებული კვლევა. 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). J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N, Leach L, Murphy KJ (2018) მონრეალის შემეცნებითი შეფასების (MoCA) შეფასების ქულების ხელახალი გამოკვლევა. Int J Geriatr Psychiatry 33, 379–388. |
| [16] | ამერიკის ფსიქიატრიული ასოციაცია (2013) სამუშაო ჯგუფი ფსიქიკური აშლილობების დიაგნოსტიკური და სტატისტიკური სახელმძღვანელო: DSM-5™, American Psychiatric Publishing, Inc., ვაშინგტონი, DC. |
| [17] | პითონი. Python Software Foundation, http://www.python.org, წვდომა 15 წლის 2019 ნოემბერს. |
| [18] | R Core Group, R: ენა და გარემო სტატისტიკური გამოთვლისთვის R Foundation for Statistical Computing, ვენა, ავსტრია. https://www.R-project.org/, 2018, წვდომა 15 წლის 2019 ნოემბერს. |
| [19] | Benavoli A, Corani G, Demšar J, Zaffalon M (2017) ცვლილების დრო: გაკვეთილი მრავალი კლასიფიკატორის შედარებისთვის ბაიესის ანალიზის საშუალებით. J Mach Learn Res 18, 1–36. |
| [20] | Frank E, Hall MA, Witten IH (2016) WEKA Workbench. In მონაცემთა მოპოვება: პრაქტიკული მანქანათმცოდნეობის ინსტრუმენტები და ტექნიკა, Frank E, Hall MA, Witten IH, Pal CJ, eds. მორგან კაუფმანი 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) მანქანათმცოდნეობა საშუალო სკოლის სპორტული შერყევის სიმპტომების მოგვარების მოდელირებაში. Med Sci Sports Exerc 51, 1362–1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) დისბალანსირებული მონაცემების სწავლის ექსპერიმენტული პერსპექტივები. In მანქანათმცოდნეობის 24-ე საერთაშორისო კონფერენციის მასალები, Corvalis, Oregon, USA, გვ. 935-942. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) ალცჰეიმერის პაციენტის შეფასება და მინი-მენტალური მდგომარეობა: ელემენტის დამახასიათებელი მრუდის ანალიზი.P. J Gerontol 44, 139–146. |
| [24] Ashford JW, Jarvik L (1985) ალცჰეიმერის დაავადება: განაპირობებს თუ არა ნეირონის პლასტიურობა აქსონალურ ნეიროფიბრილარულ გადაგვარებას? N Engl J Med 313, 388–389. | |
| [25] Jack CR Jr, Therneau TM, Weigand SD, Wiste HJ, Knopman DS, Vemuri P, Lowe VJ, Mielke MM, Roberts RO, Machulda MM, Graff-Radford J, Jones DT, Schwarz CGL, Gunje , Rocca WA, Petersen RC (2019) ბიოლოგიურად და კლინიკურად განსაზღვრული ალცჰეიმერის სპექტრის ერთეულების პრევალენტობა დაბერების-ალცჰეიმერის დაავადების ეროვნული ინსტიტუტის გამოყენებით ასოციაციის კვლევა ჩარჩო. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X, Ashford JW (2019) მიღწევები სკრინინგის ინსტრუმენტებში ალცჰეიმერის დაავადების. დაბერების მედი 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) ტვინის ჯანმრთელობა რეესტრი: ინტერნეტზე დაფუძნებული პლატფორმა ნეირომეცნიერების კვლევებისთვის მონაწილეთა რეკრუტირების, შეფასებისა და გრძივი მონიტორინგისთვის. ალცჰეიმერის დემენცია 14, 1063-1076. | |
| [28] Ashford JW, Schmitt FA (2001) დროის კურსის მოდელირება ალცჰეიმერის დემენცია. Curr Psychiatry Rep 3, 20–28. | |
| [29] | Li X, Wang X, Su L, Hu X, Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE): პროტოკოლი ჩინური გრძივი დაკვირვების კვლევისთვის, რათა შეიმუშაოს რისკის პროგნოზირების მოდელები სუბიექტური კოგნიტური უკმარისობის მქონე პირებში. კლება. BMJ Open 9, e028188. |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) ხუთწლიანი ბიომარკერის პროგრესირების ცვალებადობა ალცჰეიმერის დაავადების დემენცია პროგნოზი: შეუძლია თუ არა ყოველდღიური ცხოვრების მარკერის კომპლექსურ ინსტრუმენტულ აქტივობებს შეავსოს ხარვეზები? ალცჰეიმერის დემენცია (Amst) 1, 521–532. | |
| [31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) ალცჰეიმერის დაავადების პრევენცია და მკურნალობა: ვარჯიშის ბიოლოგიური მექანიზმები. J Alzheimers Dis 69, 311–338. | |
| [32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) Therapies for ალცჰეიმერის დაავადების პრევენცია და მკურნალობა. 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) ასოციაციები სისხლძარღვთა რისკს შორის ზრდასრულ ასაკში და ტვინის პათოლოგიას შორის გვიან ცხოვრებაში: მტკიცებულება ბრიტანული დაბადების კოჰორტიდან. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) ასაკისა და ამილოიდური ყუთების მიღმა დემენციის აზროვნების პრევენცია. 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) სისტოლური არტერიული წნევის ეფექტები თეთრი ნივთიერების მთლიანობაზე ახალგაზრდა მოზრდილებში Framingham Heart Study-ში -სექციური შესწავლა. 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) ბიომარკერის ტესტირების სიზუსტე ნეიროპათოლოგიურად განსაზღვრულისთვის ალცჰეიმერის დაავადება ხანდაზმულებში დემენციით. Ann Intern Med 172, 669–677. |
კავშირები: [a] SIVOTEC Analytics, Boca Raton, FL, აშშ | [b] კომპიუტერული და ელექტროტექნიკის და კომპიუტერული მეცნიერების დეპარტამენტი, ფლორიდის ატლანტიკური უნივერსიტეტი, ბოკა რატონი, FL, აშშ | [c] SJN Biomed LTD, Kunming, Yunnan, ჩინეთი | [d] ცენტრი ალცჰეიმერის კვლევა, ვაშინგტონის კლინიკური კვლევის ინსტიტუტი, ვაშინგტონი, DC, აშშ | [e] სარეაბილიტაციო მედიცინის დეპარტამენტი, კუნმინგის სამედიცინო უნივერსიტეტის პირველი შვილობილი საავადმყოფო, კუნმინგი, იუნანი, ჩინეთი | [f] ნევროლოგიის დეპარტამენტი, Dehong People's Hospital, Dehong, Yunnan, China | [g] ნევროლოგიის დეპარტამენტი, კუნმინგის სამედიცინო უნივერსიტეტის პირველი შვილობილი საავადმყოფო, ვუხუას ოლქი, კუნმინგი, იუნანის პროვინცია, ჩინეთი | [h] ომთან დაკავშირებული ავადმყოფობისა და დაზიანებების კვლევის ცენტრი, VA პალო ალტო ჯანდაცვა System, Palo Alto, CA, აშშ | [i] ფსიქიატრიისა და ქცევითი მეცნიერებების დეპარტამენტი, სტენფორდის უნივერსიტეტის მედიცინის სკოლა, პალო ალტო, კალიფორნია, აშშ
კორესპონდენცია: [*] მიმოწერა: მაიკლ ფ. ბერგერონთან, დოქტორი, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. ელფოსტა: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, ნევროლოგიის დეპარტამენტი, კუნმინგის სამედიცინო უნივერსიტეტის პირველი შვილობილი საავადმყოფო, 295 Xichang Road, Wuhua District, Kunming, Yunnan Province 650032, ჩინეთი. ელ.ფოსტა: ring@vip.163.com.
საკვანძო სიტყვები: დაბერება, ალცჰეიმერის დაავადების, დემენცია, მასობრივი სკრინინგი