Жеңіл когнитивтік бұзылыстарды жіктеудегі MemTrax және Machine Learning модельдеу утилитасы

Ғылыми мақала

Авторлары: Берджерон, Майкл Ф. | Ландсет, Сара | Чжоу, Сяньбо | Динг, Тао | Хошгофтаар, Таги М. | Чжао, Фэн | Ду, Бо | Чен, Синьцзе | Ван, Сюань | Чжун, Ляньмэй | Лю, Сяолэй| Эшфорд, Дж. Вессон

DOI: 10.3233/JAD-191340

Журнал: журналы Альцгеймер ауруы, том. 77, жоқ. 4, с. 1545-1558, 2020

дерексіз

Фонды:

Кең таралу жиілігі мен таралуы Альцгеймер ауруы және жеңіл когнитивті бұзылулар (АЕК) ерте анықтау когнитивті скрининг пен бағалауды растау үшін шұғыл зерттеуге шақырды.

Мақсаты:

Біздің негізгі зерттеу мақсатымыз таңдалған MemTrax өнімділік көрсеткіштерін және сәйкес демографиялық және денсаулық профилі сипаттамаларын когнитивтік денсаулықты (қалыпты және АЕК) жіктеу үшін машиналық оқытумен әзірленген болжамды модельдерде тиімді пайдалануға болатынын анықтау болды. Монреальдық когнитивтік бағалау (MoCA).

Әдістері:

Біз неврология, жад клиникасы және ішкі аурулар бойынша екі адамнан қабылданған 259 ересек пациентке көлденең зерттеу жүргіздік. Қытайдағы ауруханалар. Әрбір пациентке қытай тіліндегі MoCA берілді және MemTrax онлайн эпизодтық үздіксіз тануын өздігінен басқарды. есте сақтау сынағы онлайн сол күні. Болжалды жіктеу үлгілері 10 еселік айқаспалы валидациямен машиналық оқыту арқылы құрастырылды және үлгі өнімділігі Қабылдағыштың жұмыс сипаттамасы қисығы астындағы аумақ (AUC) арқылы өлшенді. Модельдер сегіз жалпы демографиялық және жеке тарих мүмкіндіктерімен бірге екі MemTrax өнімділік көрсеткіші (пайыз дұрыс, жауап беру уақыты) арқылы жасалған.

нәтижелері:

Оқушыларды MoCA ұпайлары мен шекті мәндерінің таңдалған комбинациялары бойынша салыстыра отырып, Наив Бэйс жалпы классификация көрсеткіші 0.9093 болатын ең жақсы нәтиже көрсеткен оқушы болды. Әрі қарай, үздік үш оқушының ішінде MemTrax негізіндегі классификация өнімділігі жалпы 0.9119 жалпы мүмкіндікті (10) пайдаланумен салыстырғанда тек жоғары төрт мүмкіндікті (0.8999) пайдалану арқылы жоғары болды.

Қорытынды:

MemTrax өнімділігін машиналық оқыту классификациясының болжамды үлгісінде тиімді пайдалануға болады ерте сатыдағы когнитивті бұзылыстарды анықтауға арналған скринингтік қосымша.

КІРІСПЕ

Танылған (диагностикаланбаған болса да) кең таралған сырқаттану мен таралу және параллельді ұлғайып келе жатқан медициналық, әлеуметтік және қоғамдық денсаулық Альцгеймер ауруы (АД) және жеңіл когнитивтік бұзылулардың (АЕК) шығындары мен ауыртпалығы барлық мүдделі тараптар үшін барған сайын қиындауда [1, 2]. Бұл қайғылы және қорқынышты сценарий растау үшін шұғыл зерттеулерге шақырды ерте анықтау әртүрлі аймақтар мен популяциялардағы егде жастағы емделушілерге жеке және клиникалық жағдайларда тұрақты практикалық пайдалылық үшін когнитивті скрининг және бағалау құралдары [3]. Бұл құралдар сонымен қатар ақпараттық нәтижелерді электрондық денсаулық жазбаларына үздіксіз аударуды қамтамасыз етуі керек. Артықшылықтар пациенттерді хабардар ету және дәрігерлерге елеулі өзгерістерді ертерек тануға көмектесу арқылы жүзеге асырылады және осылайша тәжірибені бастағандар үшін сәйкес жекелендірілген және үнемді емдеуді және пациенттерге күтім жасауды тезірек және уақтылы стратификациялауға, енгізуге және бақылауға мүмкіндік береді. когнитивті құлдырау [3, 4].

Компьютерленген MemTrax құралы (https://memtrax.com) - бұл пайдаланушы бастапқы көрсетілімге емес, қайталанатын кескіндерге жауап беретін күрделі уақытты эпизодтық жад өнімділігін өлшеу үшін желіде өзін-өзі басқаруға болатын қарапайым және қысқа үздіксіз тану бағалауы [5, 6]. Жақында жүргізілген зерттеулер мен нәтижелі практикалық салдарлар ерте AD және MCI скринингіндегі MemTrax клиникалық тиімділігін біртіндеп және ұжымдық түрде көрсете бастады [5-7]. Дегенмен, клиникалық пайдалылықты қолданыстағымен тікелей салыстыру танымдық денсаулық бағалау және дәстүрлі стандарттар кәсіби перспективаны хабардар ету және ерте анықтау және диагностикалық қолдау көрсетуде MemTrax утилитасын растау үшін кепілдік береді. van der Hoek және т.б. [8] таңдалған MemTrax өнімділік көрсеткіштерін (реакция жылдамдығы және дұрыс пайыз) Монреаль анықтаған когнитивтік күймен салыстырды. Когнитивті бағалау (MoCA). Дегенмен, бұл зерттеу осы өнімділік көрсеткіштерін когнитивтік күйдің сипаттамасымен (MoCA анықтағандай) байланыстырумен және салыстырмалы диапазондар мен шектік мәндерді анықтаумен шектелді. Тиісінше, осы зерттеуді кеңейту және жіктеу өнімділігі мен тиімділігін арттыру үшін біздің негізгі зерттеу сұрағымыз:

  • Жеке адамның таңдалған MemTrax өнімділік көрсеткіштерін және тиісті демографиялық және денсаулықты көрсете алады Профильді Когнитивті денсаулықты дихотомиялық (қалыпты және MCI) жіктеу үшін машиналық оқытумен әзірленген болжамды модельде сипаттамалар тиімді пайдаланылуы мүмкін, өйткені біреудің MoCA ұпайы көрсетілгендей ме?

Екіншіден, біз білгіміз келді:

  • Дәл осындай мүмкіндіктерді қоса алғанда, тәуелсіз клиникалық диагноз арқылы анықталатын когнитивті бұзылыстың таңдалған санаттары ішінде ауырлық дәрежесін (жеңіл және ауыр) болжау үшін MemTrax өнімділігіне негізделген машиналық оқыту үлгісін пациентке тиімді қолдануға бола ма?

Скринингте/анықтауда жасанды интеллект пен машиналық оқытудың пайда болуы және дамып келе жатқан практикалық қолданылуы нақты практикалық артықшылықтарды көрсетті, болжамды модельдеу клиниктерге когнитивті/ми денсаулығын және пациенттерді басқаруды күрделі бағалауда тиімді бағыттайды. Біздің зерттеуімізде біз Қытайдағы екі ауруханадан таңдалған ерікті стационарлық және амбулаторлық емделушілерді ұсынатын үш деректер жиынтығынан клиникалық диагнозбен расталған MCI классификациясын модельдеу және когнитивті бұзылыстың ауырлық дәрежесін кемсітудегі ұқсас тәсілді таңдадық. Машиналық оқытуды болжамды модельдеуді пайдалана отырып, біз әртүрлі деректер жинағы/оқушы комбинацияларынан ең жақсы нәтиже көрсететін оқушыларды анықтадық және клиникалық тұрғыдан ең практикалық модельдік қолданбаларды анықтауға көмектесетін мүмкіндіктерді сараптадық.

Біздің гипотезаларымыз расталған MemTrax негізіндегі модельді MoCA жиынтық балл шекті критерийі негізінде когнитивтік денсаулықты дихотомиялық (қалыпты немесе АЕК) жіктеу үшін пайдалануға болады және ұқсас MemTrax болжамдық моделін таңдалған санаттардағы ауырлықты кемсітуде тиімді пайдалануға болады. клиникалық диагноз қойылған танымдық құнсызданудан. Болжалды нәтижелерді көрсету MemTrax когнитивті құлдырауды және когнитивті бұзылуларды жіктеуді ерте анықтау экраны ретінде тиімділігін қолдауда маңызды рөл атқарады. Пайдалылықтың анағұрлым жеңілдігі мен жылдамдылығымен толықтырылған салалық стандартты қолайлы салыстыру клиниктерге осы қарапайым, сенімді және қол жетімді құралды ерте (соның ішінде продромальды) кезеңдегі когнитивті тапшылықты анықтаудың бастапқы экраны ретінде қабылдауға көмектесуде ықпалды болар еді. Мұндай тәсіл мен пайдалылық осылайша пациентке уақтылы және жақсырақ стратификацияланған күтім мен араласуды ынталандыруы мүмкін. Бұл болашақты ойлайтын түсініктер және жақсартылған көрсеткіштер мен модельдер деменцияның дамуын, соның ішінде AD және AD-мен байланысты деменцияларды (ADRD) азайтуға немесе тоқтатуға көмектесуі мүмкін.

МАТЕРИАЛДАР МЕН ТӘСІЛДЕР

Халықты зерттеу

2018 жылдың қаңтары мен 2019 жылдың тамызы аралығында Қытайдағы екі ауруханадан алынған науқастарға көлденең зерттеу аяқталды. MemTrax [5] 21 жастан асқан тұлғаларға әкімшілігі және осы деректерді жинау және талдау этикалық стандарттарына сәйкес қаралды және бекітілді және басқарылды. адам Стэнфорд университетінің субъектілерді қорғау комитеті. MemTrax және осы жалпы зерттеуге арналған барлық басқа сынақтар 1975 жылғы Хельсинки декларациясына сәйкес орындалды және Куньмин қаласындағы Куньмин медициналық университетінің бірінші еншілес ауруханасының Институционалдық шолу кеңесімен мақұлданды, Юньнань, Қытай. Әрбір пайдаланушыға берілген хабардар етілген келісім оқу/қарау, содан кейін өз еркімен қатысуға келісім беру үшін пішін.

Қатысушылар Янхуа ауруханасындағы неврологиялық клиникадағы амбулаториялық науқастар пулынан (YH қосалқы деректер жинағы) және Куньмин медицинасының бірінші еншілес ауруханасындағы жад клиникасы Университет (XL қосалқы деректер жинағы) Пекин, Қытай. Қатысушылар сонымен қатар Куньмин медициналық университетінің бірінші еншілес ауруханасында неврология (XL қосалқы деректер жинағы) және ішкі аурулар (KM қосалқы деректер жинағы) стационарларынан алынды. Қосылу критерийлері 1) кем дегенде 21 жастағы ерлер мен әйелдерді, 2) қытай (мандарин) тілінде сөйлеу қабілетін және 3) ауызша және жазбаша бағыттарды түсінуді қамтиды. Шығарудың критерийлері қатысушыларға тапсырманы орындауға кедергі келтіретін көру және моторлық бұзылулар болды MemTrax сынағы, сондай-ақ арнайы сынақ нұсқауларын түсіну қабілетсіздігі.

MemTrax қытай нұсқасы

онлайн MemTrax сынақ платформасы аударылды қытай тіліне (URL: https://www.memtrax.com.cn) және одан әрі өзін-өзі басқару үшін WeChat (Shenzhen Tencent Computer Systems Co. LTD., Шэньчжэнь, Гуандун, Қытай) арқылы пайдалануға бейімделген. Деректер Қытайда орналасқан бұлттық серверде (Ali Cloud) сақталды және Alibaba (Alibaba Technology Co. Ltd., Ханчжоу, Чжэцзян, Қытай) лицензиясын SJN Biomed LTD (Кунмин, Юннан, Қытай) алды. MemTrax туралы нақты мәліметтер және мұнда қолданылатын сынақ жарамдылық критерийлері бұрын сипатталған [6]. Сынақ пациенттерге тегін берілді.

Оқу процедуралары

Стационарлық және амбулаториялық науқастар үшін жасы, жынысы, білім алған жылдары, кәсібі сияқты демографиялық және жеке ақпаратты жинауға арналған жалпы қағаздағы сауалнама. жалғыз тұратын немесе отбасымен және ауру тарихын зерттеу тобының мүшесі басқарған. Сауалнама толтырылғаннан кейін сынақтар арасында 12 минуттан аспайтын MoCA [20] және MemTrax сынақтары (әуелі MoCA) жүргізілді. MemTrax пайызы дұрыс (MTx-% C), орташа жауап уақыты (MTx-RT) және тестілеу күні мен уақыты тестілеуден өткен әрбір қатысушы үшін зерттеу тобының мүшесімен қағазға жазылды. Толтырылған сауалнаманы және MoCA нәтижелерін тесттерді басқарған зерттеуші Excel электрондық кестесіне жүктеп салды және Excel файлдары талдаулар үшін сақталмас бұрын әріптесімен тексерілді.

MemTrax сынағы

MemTrax онлайн сынағы белгілі бір жалған кездейсоқ ретпен көрсетілген 50 кескінді (25 бірегей және 25 қайталау; жалпы көріністердің немесе нысандардың 5 кескінінің 5 жиынтығы) қамтиды. Қатысушы (нұсқауларға сәйкес) сынақты бастау және кескіндер сериясын қарауды бастау үшін экрандағы Бастау түймесін түртеді және қайталанатын сурет пайда болған сайын экрандағы кескінді мүмкіндігінше тез түртеді. Әрбір сурет 3 секунд ішінде немесе экрандағы кескін түртілгенше пайда болды, бұл келесі суретті дереу көрсетуге түрткі болды. Жергілікті құрылғының ішкі сағатын пайдалана отырып, әрбір сурет үшін MTx-RT суретті көрсетуден бастап, суретті бұрыннан көрсетілген деп тануды көрсетуге жауап ретінде қатысушы экранды түрткенге дейінгі уақытпен анықталды. сынақ кезінде. MTx-RT әрбір сурет үшін жазылды, жауап жоқтығын көрсететін толық 3 с жазылды. MTx-% C пайдаланушы дұрыс жауап берген қайталанатын және бастапқы кескіндердің пайызын көрсету үшін есептелді (шын оң + шынайы теріс 50-ге бөлінген). MemTrax әкімшілігі мен енгізуінің қосымша мәліметтері, деректерді азайту, жарамсыз немесе «жауап жоқ» деректер және бастапқы деректерді талдау басқа жерде сипатталған [6].

MemTrax сынағы егжей-тегжейлі түсіндірілді және стационар жағдайында қатысушыларға тәжірибе сынағы (нәтижелерді жазу үшін сынақта пайдаланылғандардан басқа бірегей суреттермен) ұсынылды. YH және KM қосалқы деректер жиынының қатысушылары WeChat қолданбасында қосымша жүктелген смартфонда MemTrax тестін тапсырды; ал XL қосалқы деректер жинағы пациенттерінің шектеулі саны iPad-ты, ал қалғандары смартфонды пайдаланды. Барлық қатысушылар MemTrax тестін зерттеуші зерттеушісінің назарынсыз бақылап отырды.

Монреальдық когнитивтік бағалау

Қытайлық МоКА (MoCA-BC) [13] Бейжің нұсқасын ресми сынақ нұсқауларына сәйкес дайындалған зерттеушілер басқарды және ұпай жинады. Сәйкес, MoCA-BC сенімді болып шықты когнитивті тест Қытайдың егде жастағы ересектеріндегі білім берудің барлық деңгейлері бойынша скрининг жүргізу [14]. Әрбір тест тиісті қатысушының когнитивтік қабілеттеріне қарай 10-30 минутқа жуық уақытты алды.

MoCA классификациясын модельдеу

Барлығы 29 пайдалы мүмкіндік болды, оның ішінде екі MemTrax тест өнімділігі көрсеткіштері және демографиялық және денсаулыққа қатысты 27 мүмкіндік әрбір қатысушы туралы ақпарат. Әрбір пациенттің MoCA жиынтық сынақ баллы ретінде пайдаланылды когнитивті скрининг Біздің болжамды модельдерімізді үйрету үшін «эталон». Сәйкесінше, MoCA сынып белгісін жасау үшін пайдаланылғандықтан, біз жиынтық ұпайды (немесе MoCA ішкі жиынының ұпайларының кез келгенін) тәуелсіз мүмкіндік ретінде пайдалана алмадық. Біз бастапқы үш аурухана/емхана(лар) ішкі деректер жиынын жеке модельдейтін (MoCA анықтаған когнитивтік денсаулықты жіктейтін) алдын ала эксперименттер жасадық, содан кейін барлық мүмкіндіктерді пайдалана отырып біріктірдік. Дегенмен, барлық бірдей деректер элементтері үш қосалқы деректер жинағын білдіретін төрт клиниканың әрқайсысында жиналмады; осылайша, біріктірілген деректер жинағындағы көптеген мүмкіндіктерімізде (барлық мүмкіндіктерді пайдаланған кезде) жоқ мәндердің жоғары жиілігі болды. Содан кейін біз біріктірілген деректер жиыны бар үлгілерді тек жалпы мүмкіндіктерді пайдалана отырып құрастырдық, нәтижесінде жіктеу өнімділігі жақсарды. Бұл үш емделуші ішкі деректер жиынын біріктіру арқылы жұмыс істеу үшін көбірек даналардың болуымен және жетіспейтін мәндердің шамадан тыс таралуы бар мүмкіндіктердің болмауымен түсіндіріледі (біріктірілген деректер жинағындағы жұмыс түріндегі бір ғана мүмкіндікте жетіспейтін мәндер болды, бұл тек үш емделуші данасы), себебі барлық үш сайтта жазылған жалпы мүмкіндіктер ғана қамтылған. Атап айтқанда, бізде біріктірілген деректер жинағына енбеген әрбір мүмкіндік үшін арнайы бас тарту критерийі болған жоқ. Дегенмен, алдын ала біріктірілген деректер жиынын модельдеуде біз алдымен пациенттің үш жеке қосалқы деректер жиынының әрқайсысының барлық мүмкіндіктерін пайдаландық. Бұл әрбір жеке ішкі деректер жинағындағы бастапқы алдын ала үлгілеуге қарағанда өлшенетіндей төмен болатын үлгі өнімділігіне әкелді. Оның үстіне, барлық мүмкіндіктерді пайдалана отырып құрастырылған модельдердің жіктеу өнімділігі барлық оқушылар мен жіктеу схемаларында көңіл көншітерлік болғанымен, тек жалпы мүмкіндіктерді пайдаланған кезде өнімділік екі есе көп үлгілерге жақсарды. Шындығында, біздің ең жақсы оқушыларымыз болғандардың арасында бір үлгіден басқаның барлығы ортақ емес мүмкіндіктерді жою арқылы жақсарды.

Соңғы жиынтық деректер жиыны (YH, XL және KM біріктірілген) әрқайсысы MemTrax және MoCA сынақтарын өткізген бірегей қатысушыны білдіретін 259 дананы қамтиды. 10 ортақ тәуелсіз мүмкіндіктер болды: MemTrax өнімділік көрсеткіштері: MTx-% C және орташа MTx-RT; демографиялық және ауру тарихы туралы ақпарат: жасы, жынысы, білім алған жылдары, жұмыс түрі (көк жағалы/ақ жағалы), әлеуметтік қолдау (тестілеуші ​​жалғыз немесе отбасымен бірге тұр ма) және пайдаланушының бар-жоғы туралы иә/жоқ жауаптары қант диабеті, гиперлипидемия немесе травматикалық ми жарақаты тарихы. Тәуелді жіктеу белгілерін әзірлеу үшін екі қосымша көрсеткіш, MoCA жиынтық ұпайы және MoCA жиынтық ұпайы білім беру жылдарына түзетілген [12] бөлек пайдаланылды, осылайша біздің біріктірілген деректер жиынтығына қолданылатын екі ерекше модельдеу схемасын жасады. MoCA ұпайының әрбір нұсқасы (түзетілген және түзетілмеген) үшін деректер екі түрлі критерий шегін - бастапқы ұсынылған [12] және басқалар пайдаланатын және көтерген балама мән [8, 15] арқылы екілік жіктеу үшін қайтадан бөлек үлгіленді. Баламалы шекті классификация схемасында, егер ол MoCA тестінде ≥23 балл жинаса және 22 немесе одан төмен балл болса, АЕК болса, науқастың когнитивті денсаулығы қалыпты деп есептелді; ал бастапқы ұсынылған жіктеу форматында пациент қалыпты когнитивті денсаулығы бар деп белгілеу үшін MoCA-да 26 немесе одан жоғары балл алуы керек еді.

MoCA классификациясын модельдеу үшін сүзілген деректер

Әрі қарай біз төрт жиі қолданылатын функцияларды саралау әдістерін қолданып MoCA классификациясын қарастырдық: Хи-квадрат, өсу коэффициенті, ақпарат алу және симметриялық белгісіздік. Уақытша перспектива үшін біз төрт модельдеу схемасының әрқайсысын пайдалана отырып, рейтингтерді бүкіл біріктірілген деректер жиынына қолдандық. Барлық рейтингшілер бірдей басты мүмкіндіктер бойынша, яғни жас, білім алған жылдар саны және MemTrax өнімділік көрсеткіштерінің екеуі де (MTx-% C, орташа MTx-RT) бойынша келісті. Содан кейін біз үлгілерді тек ең жақсы төрт мүмкіндікке үйрету үшін әрбір мүмкіндікті таңдау әдісін пайдаланып үлгілерді қайта жасадық (қараңыз. Таңдауды таңдау төменде).

MoCA баллының классификациясын модельдеу схемаларының қорытынды сегіз нұсқасы 1-кестеде берілген.

Кесте 1

MoCA классификациясы үшін пайдаланылатын модельдеу схемасының вариацияларының қысқаша мазмұны (Қалыпты Когнитивті денсаулық АЕК қарсы)

Модельдеу схемасыҚалыпты когнитивті денсаулық (теріс класс)MCI (позитивті класс)
Түзетілген-23 Сүзгісіз/Сүзгіленген101 (% 39.0%)158 (% 61.0%)
Түзетілген-26 Сүзгісіз/Сүзгіленген49 (% 18.9%)210 (% 81.1%)
Түзетілмеген-23 Сүзілмеген/Сүзгіленген92 (% 35.5%)167 (% 64.5%)
Түзетілмеген-26 Сүзілмеген/Сүзгіленген42 (% 16.2%)217 (% 83.8%)

Әр сыныптағы жалпы емделушілердің тиісті саны мен пайызы білім алу үшін баллды түзету (Түзетілген немесе Түзетілмеген) және екі мүмкіндіктер жиынына да (Сүзгіленбеген және Сүзілген) қолданылатын жіктеу шегі (23 немесе 26) арқылы сараланады.

MemTrax негізіндегі клиникалық бағалауды модельдеу

Біздің үш бастапқы ішкі деректер жиынының (YH, XL, KM) тек XL қосалқы деректер жинағы пациенттеріне когнитивті бұзылуларға тәуелсіз клиникалық диагноз қойылды (яғни, олардың сәйкес MoCA ұпайлары қалыпты және бұзылғандар классификациясын құру үшін пайдаланылмаған). Атап айтқанда, XL науқастарына екеуі де диагноз қойылған Альцгеймер ауруы сынағы (AD) немесе тамырлы деменция (VaD). Осы бастапқы диагноз санаттарының әрқайсысында АЕК үшін қосымша тағайындау болды. АЕК, деменция, тамырлы нейрокогнитивті бұзылулар және AD-ге байланысты нейрокогнитивті бұзылулар диагноздары психикалық бұзылулардың диагностикалық және статистикалық нұсқаулығында сипатталған нақты және ерекше диагностикалық критерийлерге негізделген: DSM-5 [16]. Осы нақтыланған диагноздарды ескере отырып, әрбір бастапқы диагноз санаты үшін ауырлық деңгейін (бұзылу дәрежесі) ажырату үшін XL ішкі деректер жинағына екі жіктеу үлгілеу схемасы бөлек қолданылды. Осы диагностикалық модельдеу схемаларының (AD және VaD) әрқайсысында пайдаланылған деректер демографиялық және емделуші тарихы туралы ақпаратты, сондай-ақ MemTrax өнімділігін (MTx-% C, орташа MTx-RT) қамтиды. Әрбір диагноз АЕК тағайындалған болса, жұмсақ деп белгіленді; әйтпесе ауыр деп есептелді. Біз бастапқыда диагноз үлгілеріне MoCA ұпайын қосуды қарастырдық (жеңіл және ауыр); бірақ біз екінші болжамды модельдеу схемасының мақсатын бұзатынын анықтадық. Мұнда студенттер провайдерге оңай қол жетімді пациенттің басқа сипаттамаларын және тәуелсіз клиникалық диагностиканың «алтын стандартына» қарсы қарапайым MemTrax сынағының (MOCA орнына) өнімділік көрсеткіштерін қолдана отырып оқытылады. AD диагностикасының деректер жинағында 69 дана және VaD 76 дана болды (кесте 2). Екі деректер жиынында 12 тәуелсіз мүмкіндік болды. MoCA ұпайларының классификациясына енгізілген 10 мүмкіндіктен басқа, пациенттер тарихы гипертония және инсульт тарихы туралы ақпаратты қамтиды.

Кесте 2

Диагноздың ауырлық дәрежесін жіктеу үшін пайдаланылатын модельдеу схемасының вариацияларының қысқаша мазмұны (Жеңіл және ауыр)

Модельдеу схемасыЖеңіл (теріс класс)Ауыр (оң класс)
MCI-AD және AD12 (% 17.4%)57 (% 82.6%)
MCI-VaD және VaD38 (% 50.0%)38 (% 50.0%)

Әрбір сыныптағы жалпы пациенттердің сәйкес саны мен пайызы бастапқы диагноз категориясы бойынша (AD немесе VaD) сараланады.

статистика

Қатысушылардың сипаттамаларын және басқа да сандық мүмкіндіктерді әрбір модельді жіктеу стратегиясы үшін (MoCA когнитивтік денсаулықты және диагностиканың ауырлығын болжау үшін) ішкі деректер жиындары арасындағы салыстыру Python бағдарламалау тілі (2.7.1 нұсқасы) [17] арқылы орындалды. Модель өнімділігінің айырмашылықтары бастапқыда 95% сенімділік интервалы бар бір немесе екі факторлы (тиісті түрде) ANOVA және өнімділік құралдарын салыстыру үшін Tukey адал маңызды айырмашылық (HSD) сынағы арқылы анықталды. Модель өнімділігі арасындағы айырмашылықтарды тексеру Python және R (3.5.1 нұсқасы) тіркесімін қолдану арқылы орындалды [18]. Біз бұл әдісті эвристикалық көмек ретінде қолдандық ерте кезеңде ықтимал клиникалық қолдануды болжау кезінде үлгі өнімділігін бастапқы салыстыру үшін. Содан кейін біз модель өнімділігінің айырмашылықтарының ықтималдығын анықтау үшін кейінгі үлестіруді қолданып, Bayesian таңбаланған дәрежелік тестті қолдандық [19]. Бұл талдаулар үшін біз –0.01, 0.01 аралығын қолдандық, бұл екі топтың өнімділік айырмашылығы 0.01-ден аз болса, олар бірдей деп есептелетінін (тәжірибелік баламалық аймағында) немесе басқаша (бірден жақсырақ) айырмашылығы бар екенін білдіреді. басқа). Жіктеуіштердің Bayesian салыстыруын орындау және осы ықтималдықтарды есептеу үшін біз Python 1.0.2 үшін baycomp кітапханасын (3.6.4 нұсқасы) қолдандық.

Болжалды модельдеу

Біз әр пациенттің MoCA сынағының нәтижесін немесе клиникалық диагноздың ауырлығын болжау (жіктеу) үшін модельдеу схемаларымыздың он жалпы вариациясын пайдалана отырып, болжамдық үлгілерді құрастырдық. Барлық оқушылар қолданылды және модельдер Weka ашық бастапқы бағдарламалық қамтамасыз ету платформасы арқылы құрастырылды [20]. Алдын ала талдау үшін біз жиі қолданылатын 10 оқыту алгоритмін қолдандық: 5-Ең жақын көршілер, C4.5 шешім ағашының екі нұсқасы, Логистикалық регрессия, көпқабатты перцептрон, Naïve Bayes, кездейсоқ орманның екі нұсқасы, радиалды базалық функция желісі және қолдау векторы Машина. Бұл алгоритмдердің негізгі атрибуттары мен қарама-қайшылықтары басқа жерде сипатталған [21] (тиісті Қосымшаны қараңыз). Бұл таңдалды, себебі олар әр түрлі оқушылар типтерін ұсынатындықтан және біз оларды ұқсас деректер бойынша алдыңғы талдауларда қолданып табысты болғанымызды көрсеттік. Гиперпараметр параметрлері біздің алдыңғы зерттеулерімізден таңдалды, бұл олардың әртүрлі деректерде сенімді болуын көрсетеді [22]. Толық талдауда кейіннен пайдаланылған ортақ мүмкіндіктері бар бірдей біріктірілген деректер жиынтығын пайдаланып, алдын ала талдауымыздың нәтижелеріне сүйене отырып, біз барлық классификациялар бойынша тұрақты күшті өнімділікті қамтамасыз ететін үш оқушыны анықтадық: Логистикалық регрессия, аңқау Бейес және қолдау векторлық машина.

Айқас тексеру және үлгі өнімділігі көрсеткіші

Барлық болжамды модельдеу үшін (алдын ала талдауларды қоса) әрбір модель 10 еселік айқаспалы валидация арқылы құрастырылды және үлгі өнімділігі Қабылдағыштың жұмыс сипаттамасы қисығы астындағы аумақты (AUC) пайдаланып өлшенді. Айқас валидация үлгіні үйрету үшін осы сәйкес сегменттердің тоғызын және қалған сегментті тестілеу үшін пайдалана отырып, 10 модельдеу схемасының деректер жиынының әрқайсысын 10 тең сегменттерге (бүктемелер) кездейсоқ бөлуден басталды. Бұл процедура әр итерацияда сынақ жинағы ретінде басқа сегментті пайдаланып, 10 рет қайталанды. Содан кейін нәтижелер соңғы үлгінің нәтижесін/өнімділігін есептеу үшін біріктірілді. Әрбір оқушы/деректер жинағы комбинациясы үшін бұл бүкіл процесс 10 рет қайталанды, бұл ретте деректер әр жолы әртүрлі бөлінеді. Бұл соңғы қадам ауытқуды азайтты, қайталануды қамтамасыз етті және жалпы үлгі өнімділігін анықтауға көмектесті. Барлығы (MoCA баллы мен диагностиканың ауырлық жіктеу схемалары үшін біріктірілген) 6,600 1,800 модель құрастырылды. Бұған 6 сүзгіден өтпеген үлгі (деректер жиынына қолданылған 3 модельдеу схемасы×10 оқушы×10 жүгіріс×1,800 қат = 4,800 үлгі) және 4 сүзілген үлгі (деректер жиынына қолданылған 3 модельдеу схемасы×4 оқушы×10 мүмкіндікті таңдау әдісі×10 жүгіріс× 4,800 бүктеме = XNUMX үлгі).

Таңдауды таңдау

Сүзгіден өткен үлгілер үшін мүмкіндікті таңдау (мүмкіндіктерді бағалаудың төрт әдісін қолдану арқылы) айқас тексеру аясында орындалды. 10 бүктеменің әрқайсысы үшін деректер жиынының әртүрлі 10%-ы сынақ деректері болғандықтан, әрбір оқу деректер жинағы үшін тек таңдаулы төрт таңдаулы мүмкіндік (яғни, қалған тоғыз қат немесе бүкіл деректер жиынының қалған 90%-ы) пайдаланылды. үлгілерді құрастыру. Біз әрбір модельде қандай төрт мүмкіндіктің пайдаланылғанын растай алмадық, себебі бұл ақпарат біз пайдаланған модельдеу платформасында (Weka) сақталмайды немесе қолжетімді болмайды. Дегенмен, ранкерлер бүкіл біріктірілген деректер жиынына қолданылған кездегі жоғарғы мүмкіндіктерді бастапқы таңдаудағы сәйкестікті және модельдеу көрсеткіштерінің кейінгі ұқсастығын ескере отырып, дәл осы ерекшеліктер (жас, білім жылдары, MTx-% C және орташа MTx-RT) ) кросс-тексеру процесінде мүмкіндікті таңдаумен қатар қолданылатын ең көп таралған төртеуі болуы мүмкін.

НӘТИЖЕЛЕРІ

MoCA-көрсетілген когнитивтік денсаулықты (қалыпты және АЕК-ке қарсы) және диагноздың ауырлығын (жеңіл және ауыр) болжау үшін әрбір модельді жіктеу стратегиясы үшін сәйкес деректер жиынының қатысушылардың сандық сипаттамалары (MoCA ұпайлары мен MemTrax өнімділік көрсеткіштерін қоса) 3-кестеде көрсетілген.

Кесте 3

Әрбір модельді жіктеу стратегиясы үшін қатысушы сипаттамалары, MoCA ұпайлары және MemTrax өнімділігі

Жіктеу стратегиясыжасбілімMoCA реттелдіMoCA ТүзетілмегенMTx-% CMTx-RT
MoCA санаты61.9 жас (13.1)9.6 жас (4.6)19.2 (6.5)18.4 (6.7)74.8% (15.0)1.4 с (0.3)
Диагноздың ауырлығы65.6 жас (12.1)8.6 жас (4.4)16.7 (6.2)15.8 (6.3)68.3% (13.8)1.5 с (0.3)

Модельдеу жіктеу стратегиялары арқылы сараланған көрсетілген мәндер (орташа, SD) MoCA-индикацияланған когнитивті денсаулықты (MCI қалыптыға қарсы) болжау үшін пайдаланылатын біріктірілген деректер жиынтығының өкілі және XL ішкі деректер жинағы диагноздың ауырлығын (жеңіл және ауыр) болжау үшін ғана пайдаланылады.

MoCA баллының (түзетілген/түзетілмеген) және шекті мәннің (26/23) әрбір комбинациясы үшін статистикалық айырмашылық болды (p = 0.000) жас, білім және MemTrax өнімділігі (MTx-% C және MTx-RT) бойынша әрбір жұптық салыстыруда (қалыпты когнитивтік денсаулыққа қарсы АЕК). Әрбір комбинация үшін сәйкес MCI класындағы әрбір емделуші ішкі деректер жинағы орта есеппен шамамен 9-15 жастан үлкен болды, шамамен бес жыл аз білім туралы хабарлады және екі көрсеткіш үшін де қолайлы емес MemTrax өнімділігі болды.

Логистикалық регрессия, аңқау Бейс және қолдау векторлық машинасы сияқты үздік үш оқушыны қолданатын MoCA ұпайларының жіктелуі үшін болжамды модельдеу өнімділігі нәтижелері 4-кестеде көрсетілген. Бұл үшеуі барлық әртүрлі модельдердегі ең тұрақты жоғары абсолютті оқушы өнімділігі негізінде таңдалған. барлық модельдеу схемалары үшін деректер жиынына қолданылады. Сүзгіден өтпеген деректер жинағы мен модельдеу үшін 4-кестедегі деректер мәндерінің әрқайсысы әрбір оқушы/модельдеу схемасының комбинациясы үшін құрастырылған 100 үлгіден (10 жүгіріс × 10 бүктеме) алынған AUC сәйкес орташа мәніне негізделген үлгі өнімділігін көрсетеді, сәйкес ең жоғары орындаушы оқушы қою қаріппен белгіленген. Сүзгіленген деректер жиынын модельдеуге қатысты, 4-кестеде берілген нәтижелер мүмкіндіктерді бағалау әдістерінің әрқайсысын (400 мүмкіндікті саралау әдісі × 4 жүгіріс × 10 есе) пайдаланатын әрбір оқушыға арналған 10 үлгідегі жалпы үлгі өнімділігін көрсетеді.

Кесте 4

Барлық сәйкес үлгілеу схемалары үшін үздік үш оқушының әрқайсысы үшін MoCA ұпайының дихотомиялық классификациясының өнімділігі (AUC; 0.0–1.0) нәтижелері

Қолданылған мүмкіндіктер жинағыMoCA ұпайыКесу шегіЛогистикалық регрессияАңғал БейсВекторлық машинаны қолдау
Сүзгісіз (10 мүмкіндік)Реттелген230.88620.89130.8695
260.89710.92210.9161
Түзетілмеген230.91030.90850.8995
260.88340.91530.8994
Сүзілген (4 мүмкіндік)Реттелген230.89290.89540.8948
260.91880.92470.9201
Түзетілмеген230.91350.91340.9122
260.91590.92360.9177

Функциялар жиынтығының, MoCA ұпайының және MoCA ұпайының шектік шегінің вариацияларын пайдалану арқылы әрбір модельдеу схемасы үшін ең жоғары өнімділік мына жерде көрсетілген. батыл (басқалардың барлығынан статистикалық түрде айырмашылығы жоқ батыл сәйкес үлгі үшін).

Біріктірілген сүзгіден өтпеген деректер жиынындағы (яғни, 23 ортақ мүмкіндікті пайдалану) MoCA ұпай нұсқаларының және шекті мәндерінің (тиісінше, 26/10) барлық комбинациялары бойынша оқушыларды салыстыра отырып, Наиве Бэйс жалпы көрсеткіш бойынша ең жақсы нәтиже көрсеткен оқушы болды. жіктеу өнімділігі 0.9093. Үздік үш оқушыны ескере отырып, Байезиандық корреляциялық қол қойылған дәрежелік тесттер ықтималдық ((Pr) логистикалық регрессиядан асып түсетін Naive Bayes 99.9% құрады. Сонымен қатар, Naïve Bayes және Support Vector Machine арасында оқушының өнімділігіндегі практикалық баламалылықтың 21.0% ықтималдығы (осылайша, Naive Bayes-тің қолдау векторлық машинасынан асып түсу ықтималдығы 79.0%) және қолдау векторлық машинасының жақсырақ, өлшенетіндей орындауының 0.0% ықтималдығы. Naïve Bayes үшін өнімділік артықшылығын күшейтеді. Барлық оқушылар/шекті мәндер бойынша MoCA ұпай нұсқасын одан әрі салыстыру түзетілмеген MoCA ұпайларын (тиісінше 0.9027 және 0.8971) пайдалану арқылы өнімділіктің шамалы артықшылығын ұсынды; Pr (түзетілмеген > түзетілген) = 0.988). Сол сияқты, барлық оқушылар мен MoCA ұпай нұсқалары бойынша шекті шекті салыстыру 26-ке қарсы жіктеу шегі ретінде 23 (тиісінше 0.9056 және 0.8942); Pr (26 > 23) = 0.999). Соңында, тек сүзілген нәтижелерді (яғни, тек жоғары төрт мүмкіндікті) пайдаланатын үлгілер үшін жіктеу өнімділігін зерттей отырып, Naïve Bayes (0.9143) барлық MoCA ұпай нұсқалары/шектері бойынша сандық жағынан ең жақсы нәтиже көрсеткен оқушы болды. Дегенмен, барлық мүмкіндіктерді бағалау әдістері біріктірілгенде, барлық үздік оқушылар бірдей орындады. Байесиялық қол қойылған дәрежелік сынақтар сүзгіден өткен оқушылардың әрбір жұбы арасындағы практикалық эквиваленттіліктің 100% ықтималдығын көрсетті. Сүзгіден өтпеген деректер сияқты (барлық 10 жалпы мүмкіндікті пайдалана отырып), MoCA ұпайының түзетілмеген нұсқасы үшін өнімділік артықшылығы тағы болды (Pr (түзетілмеген > түзетілген) = 1.000), сондай-ақ 26 (түзетілмеген) жіктеу шегі үшін ұқсас айқын артықшылықPr (26 > 23) = 1.000). Атап өтерлігі, тек жоғары төрт мүмкіндікті пайдаланатын MoCA ұпайларының барлық нұсқалары/шекті мәндері бойынша үздік үш оқушының әрқайсысының орташа өнімділігі сүзгіден өтпеген деректер бойынша кез келген оқушының орташа өнімділігінен асып түсті. Таңқаларлық емес, сүзгіден өткен үлгілердің жіктеу өнімділігі (жоғары төрт мүмкіндікті пайдалана отырып) жалпы 0.9119 ортақ үлгіні пайдаланатын сәйкес үлгілермен салыстырылған мүмкіндіктерді бағалау әдісі үлгілеріне қарамастан, сүзгіден өтпеген үлгілерден (0.8999) жоғары (10) болды. Ерекше өзгешеліктері. Әрбір мүмкіндікті таңдау әдісі үшін сүзгіден өтпеген үлгілерге қарағанда өнімділік артықшылығының 100% ықтималдығы болды.

АД диагностикасының ауырлық жіктелуі үшін қарастырылған науқастарда жас бойынша топтар арасындағы (ACI-AD қарсы AD) айырмашылықтар (p = 0.004), білім (p = 0.028), MoCA балл түзетілген/түзетілмеген (p = 0.000) және MTx-% C (p = 0.008) статистикалық маңызды болды; ал MTx-RT үшін олай емес (p = 0.097). VaD диагностикасының ауырлық классификациясы үшін қарастырылған науқастарда MoCA баллының топтар арасындағы (MCI-VaD қарсы VaD) айырмашылықтары түзетілген/түзетілмеген (p = 0.007) және MTx-% C (p = 0.026) және MTx-RT (p = 0.001) статистикалық маңызды болды; ал жасы бойынша (p = 0.511) және білім (p = 0.157) топтар арасында айтарлықтай айырмашылықтар болған жоқ.

Бұрын таңдалған үш оқушыны, Логистикалық регрессияны, аңғал Бэйсті және қолдау векторын машинаны пайдалана отырып диагноздың ауырлық классификациясы үшін болжамды модельдеу өнімділігінің нәтижелері 5-кестеде көрсетілген. Ал қосымша тексерілген оқушылар екі клиникалық диагноз санатының бірімен жеке-жеке сәл күштірек көрсеткіштер көрсетті. , біз алдыңғы үлгілеуде ең қолайлы деп анықтаған үш оқушы екі жаңа модельдеу схемасымен де ең үйлесімді өнімділікті ұсынды. Оқушыларды бастапқы диагностика санаттарының (AD және VaD) әрқайсысы бойынша салыстыра отырып, MCI-VaD және VaD бойынша оқушылар арасында жүйелі жіктеу өнімділігі айырмашылығы болған жоқ, дегенмен Support Vector Machine әдетте анағұрлым маңыздырақ орындады. Сол сияқты, MCI-AD және AD классификациясы бойынша оқушылар арасында айтарлықтай айырмашылықтар болған жоқ, дегенмен Naïve Bayes (NB) логистикалық регрессияға (LR) қарағанда аз өнімділік артықшылығына және 61.4% ықтималдықпен қолдау векторлық машинасына қарағанда шамалы көптікке ие болды. және тиісінше 41.7%. Екі деректер жиынында қолдау векторлық машинасының (SVM) жалпы өнімділік артықшылығы болды Pr (SVM > LR) = 0.819 және Pr (SVM > NB) = 0.934. XL ішкі деректер жинағындағы диагноздың ауырлығын болжауда барлық оқушылар арасындағы жалпы жіктеу көрсеткіштеріміз AD диагностикасымен салыстырғанда VaD диагностикасы санатында жақсырақ болды (Pr (VAD > AD) = 0.998).

Кесте 5

Дихотомиялық клиникалық диагностиканың ауырлық классификациясының өнімділігі (AUC; 0.0–1.0) екі сәйкес модельдеу схемалары үшін ең жақсы нәтиже көрсеткен үш оқушының әрқайсысы үшін нәтижелер

Модельдеу схемасыЛогистикалық регрессияАңғал БейсВекторлық машинаны қолдау
MCI-AD және AD0.74650.78100.7443
MCI-VaD және VaD0.80330.80440.8338

Әрбір модельдеу схемасы үшін ең жоғары өнімділік мынада көрсетілген батыл (басқалардан статистикалық түрде ерекшеленбейді батыл).

ТАЛҚЫЛАУ

Когнитивті денсаулықтағы өзгерістерді ерте анықтау маңызды жеке денсаулықты басқарудағы және қоғамдық денсаулық сақтаудағы практикалық пайдалылық. Шынында да, бұл бүкіл әлем бойынша емделушілер үшін клиникалық жағдайларда өте жоғары басымдық болып табылады. Ортақ мақсат пациенттерді, күтім көрсетушілерді және провайдерлерді ескерту және когнитивті құлдырауды бастан өткере бастағандарға ертерек тиісті және үнемді емдеу және бойлық күтім жасау болып табылады. Үш аурухана/емхана(лар) деректер жиынын біріктіре отырып, біз болжамды модельдерді қолдану үшін үш ерекше ұнамды оқушыны (бір ерекше көзге түскен – Наиве Бэйс) анықтадық. Когнитивті денсаулық күйін сенімді түрде жіктей алатын MemTrax өнімділік көрсеткіштері дихотомиялық (қалыпты когнитивті денсаулық немесе АЕК) MoCA жиынтық баллымен көрсетілгендей. Біздің үлгілеріміз MemTrax өнімділік көрсеткіштерін қамтитын ең жоғары төрт мүмкіндікті ғана пайдаланғанда, барлық үш оқушы үшін жалпы жіктеу өнімділігі жақсарды. Сонымен қатар, біз деменция диагнозының екі санатының ауырлығын ажырату үшін диагностикалық қолдау классификациясының модельдеу схемасында бірдей оқушыларды және MemTrax өнімділік көрсеткіштерін пайдаланудың негізделген әлеуетін анықтадық: AD және VaD.

Жадты тексеру АД-ны ерте анықтауда орталық болып табылады [23, 24]. Осылайша, MemTrax онлайн режимінде қолайлы, тартымды және оңай іске асырылатыны орынды. эпизодтық есте сақтау үшін скринингтік тест жалпы халық арасында [6]. Осы үздіксіз орындау тапсырмасын тану дәлдігі мен жауап беру уақыттары әсіресе оқыту, есте сақтау және танымға байланысты нейропластикалық процестердің ерте және дамып келе жатқан нашарлауын және одан кейінгі кемшіліктерді анықтауда айқын көрсетеді. Яғни, негізінен MemTrax өнімділік көрсеткіштеріне негізделген мұндағы модельдер айтарлықтай функционалдық жоғалтуға дейін өтпелі асимптоматикалық кезеңдегі биологиялық невропатологиялық тапшылықтарды оңай және ең аз шығынмен анықтауға сезімтал және ықтималдығы жоғары [25]. Эшфорд және т.б. MemTrax бағдарламасына өз бетінше қатысқан желідегі пайдаланушылардағы тану жады дәлдігі мен жауап беру уақытының үлгілері мен мінез-құлқын мұқият зерттеді [6]. Бұл үлестірулердің оңтайлы үлгілеуде және жарамды және тиімді емделушілерді күту қолданбаларын әзірлеуде маңызды екенін құрметтеу, клиникалық түрде қолданылатын тану және жауап беру уақыты профильдерін анықтау клиникалық және зерттеу утилитасы үшін құнды негіздік анықтаманы құру үшін маңызды. Ерте кезеңдегі когнитивті бұзылулар мен дифференциалды диагностикалық қолдау үшін AD скринингіндегі MemTrax-тың практикалық мәні одан кейін сынақ өнімділігіне әсер ететін когнитивтік, сенсорлық және моторлық мүмкіндіктер мен ілеспелі ауруларды қарастыруға болатын клиникалық жағдайдың контекстінде мұқият зерттелуі керек. Кәсіби перспективаны хабардар ету және практикалық клиникалық пайдалылықты ынталандыру үшін, ең алдымен, денсаулықты бағалаудың белгіленген когнитивті тестімен салыстыруды көрсету өте маңызды, тіпті соңғысы күрделі тестілеу логистикасы, білім беру және тілдік тежегіштер және мәдени әсерлермен танылатын түрде шектелуі мүмкін [26] . Осыған байланысты MemTrax-ті клиникалық тиімділік бойынша әдетте салалық стандарт ретінде қарастырылатын MoCA-мен қолайлы салыстыру, әсіресе MemTrax-ты қолданудың жеңілдігі мен пациенттердің қабылдауын өлшегенде маңызды.

MemTrax-ты MoCA-мен салыстыратын алдыңғы зерттеулер біздің модельдеу зерттеуімізге кепілдік беретін негіздеме мен алдын ала дәлелдерді көрсетеді [8]. Дегенмен, бұл алдын ала салыстыру біз зерттеген екі негізгі MemTrax өнімділік көрсеткіштерін MoCA анықтаған когнитивтік күймен және сәйкес диапазондар мен шектік мәндерді анықтағанмен байланыстырды. Біз MemTrax клиникалық пайдалылығын бағалауды болжамды модельдеуге негізделген тәсілді зерттеу арқылы тереңдеттік, ол басқа ықтимал сәйкес пациентке тән параметрлерді жекелендірілген қарастыруды қамтамасыз етеді. Басқалардан айырмашылығы, біз MoCA ұпайына білім беруді түзету (түзету) арқылы немесе когнитивті денсаулықты ажырататын MoCA жиынтық ұпай шегін бастапқыда ұсынылған 26-дан 23-ке дейін өзгертуде модель өнімділігінде артықшылық таппадық [12, 15]. Шындығында, жіктеу өнімділігінің артықшылығы түзетілмеген MoCA ұпайы мен жоғары шекті пайдалану арқылы қолайлы болды.

Клиникалық тәжірибедегі негізгі нүктелер

Деректер ауқымды және көп өлшемді болған кезде, яғни көптеген бақылаулар және жоғары құнды (үлестіретін) атрибуттардың қатарлас кең массиві болған кезде машиналық оқыту көбінесе болжамды модельдеуде жақсы қолданылады және тиімдірек болады. Дегенмен, осы ағымдағы деректермен тек төрт таңдау мүмкіндігі бар сүзілген үлгілер барлық 10 жалпы мүмкіндікті пайдаланатындарға қарағанда жақсырақ жұмыс істеді. Бұл біздің жиынтық аурухана деректер жинағында пациенттерді осылайша оңтайлы жіктеу үшін ең клиникалық сәйкес (жоғары құнды) мүмкіндіктер болмағанын көрсетеді. Осыған қарамастан, MemTrax өнімділігінің негізгі көрсеткіштеріне (MTx-% C және MTx-RT) ерекше көңіл бөлу осы сынақтың айналасында когнитивті тапшылықты скринингтік үлгілерді құруды қатты қолдайды, бұл қарапайым, басқаруға оңай, құны төмен және жад өнімділігі, кем дегенде дәл қазір когнитивті денсаулық күйінің екілік классификациясы үшін бастапқы экран ретінде. Провайдерлер мен денсаулық сақтау жүйелеріне үнемі өсіп келе жатқан жүктемені ескере отырып, пациенттерді скрининг процестері мен клиникалық қолданбалар диагностикада ең пайдалы, тиімді және дәлелденген пациент сипаттамалары мен сынақ көрсеткіштерін жинауға, қадағалауға және модельдеуге баса назар аудара отырып, лайықты түрде әзірленуі керек. және пациенттерді басқаруды қолдау.

Екі негізгі MemTrax көрсеткіші MCI классификациясында орталық болғандықтан, біздің үздік оқушы (Naïve Bayes) көптеген модельдерде өте жоғары болжамдық өнімділікке ие болды (AUC 0.90-нан жоғары), шын-оң және жалған-оң арақатынасы 4-ке жақындады немесе біршама жоғары болды. : 1. Осы оқушыны қолданатын трансляциялық клиникалық қолданба осылайша когнитивті дефициті бар адамдардың көпшілігін қамтиды (дұрыс жіктейді), сонымен бірге когнитивті денсаулығы қалыпты біреуді когнитивті тапшылығы бар (жалған позитивті) немесе қателесіп жіктеуге байланысты шығындарды азайтады. когнитивті тапшылығы бар (жалған теріс) бар адамдарда бұл жіктеу жоқ. Қате жіктеудің осы сценарийлерінің кез келгені пациентке және күтім көрсетушілерге артық психо-әлеуметтік ауыртпалық түсіруі мүмкін.

Алдын ала және толық талдауда біз әрбір модельдеу схемасында он оқушының барлығын пайдаланған болсақ, біз өз нәтижелерімізді ең тұрақты күшті өнімділікті көрсететін үш классификаторға бағыттадық. Бұл сондай-ақ осы деректерге сүйене отырып, когнитивті статустың жіктелуін анықтауда практикалық клиникалық қолдануда сенімді түрде жоғары деңгейде жұмыс істейтін оқушыларды атап өту болды. Сонымен қатар, бұл зерттеу когнитивті скринингте машиналық оқытудың пайдалылығын және дер кезінде шешілетін клиникалық қиындықтарды кіріспе зерттеу ретінде қарастырылғандықтан, біз параметрлерді ең аз баптаумен оқыту әдістерін қарапайым және жалпылама сақтау туралы шешім қабылдадық. Біз бұл тәсілдің неғұрлым тар анықталған пациентке тән болжау мүмкіндіктерінің әлеуетін шектегенін бағалаймыз. Сол сияқты, үлгілерді тек жоғарғы мүмкіндіктерді (сүзгіден өткен тәсіл) пайдалана отырып оқыту бізге осы деректерге қатысты қосымша ақпарат беретінімен (жиналған деректердегі кемшіліктерге және қымбат клиникалық уақыт пен ресурстарды оңтайландырудың мәнін атап өтуге ерекше), біз оны тарылту ерте екенін мойындаймыз. үлгілердің ауқымы және, демек, барлық (және басқа да мүмкіндіктер) бізде кең популяцияға қолданылатын басым белгілердің неғұрлым нақты профилін алғанға дейін болашақ зерттеулерде қарастырылуы керек. Осылайша, біз сондай-ақ осы және басқа модельдерді тиімді клиникалық қолданбаға біріктіру алдында, әсіресе, әрі қарай клиникалық бағалауда қарастырылуы қажет когнитивті өнімділікке әсер ететін ілеспелі ауруларды орналастыру үшін неғұрлым инклюзивті және кең өкілдік деректер мен оңтайландыру қажет болатынын толық мойындаймыз.

MemTrax утилитасы бөлек клиникалық диагнозға негізделген аурудың ауырлығын модельдеу арқылы одан әрі жетілдірілді. VaD ауырлығын болжауда (AD-мен салыстырғанда) жақсырақ жалпы жіктеу өнімділігі болмады Қан тамырлары денсаулығына тән үлгілердегі пациент профилінің ерекшеліктерін ескере отырып, таңқаларлық және инсульт қаупі, яғни гипертония, гиперлипидемия, қант диабеті және (әрине) инсульт тарихы. Студенттерді осы инклюзивті деректермен оқыту үшін когнитивті денсаулығы қалыпты сәйкес науқастарға бірдей клиникалық бағалау жүргізген дұрысырақ және орынды болар еді. Бұл әсіресе кепілдендірілген, өйткені MemTrax негізінен когнитивті тапшылықты ерте кезеңде анықтау және жеке өзгерістерді кейінгі бақылау үшін пайдалануға арналған. Сондай-ақ, VaD деректер жинағындағы деректердің неғұрлым қолайлы таралуы үлгілеудің салыстырмалы түрде жақсырақ өнімділігіне ішінара ықпал еткені орынды. VaD деректер жинағы екі сынып арасында жақсы теңдестірілді, ал MCI пациенттері әлдеқайда аз AD деректер жинағы олай емес. Әсіресе шағын деректер жиындарында, тіпті бірнеше қосымша даналар өлшенетін айырмашылықты жасай алады. Екі перспектива да аурудың ауырлығын модельдеу өнімділігіндегі айырмашылықтардың негізінде жатқан ақылға қонымды дәлелдер. Дегенмен, жақсартылған өнімділікті деректер жиынының сандық сипаттамаларына немесе қарастырылып отырған клиникалық көрсетілімге тән ерекшеліктерге пропорционалды түрде жатқызу ертерек. Осыған қарамастан, бұл роман MemTrax болжамды жіктеу моделінің клиникалық диагностикалық қолдау рөліндегі пайдалылығын көрсетті және құнды перспективаны қамтамасыз етеді және АЕК континуумы ​​бойынша пациенттермен қосымша тексеруге ұмтылуды растайды.

Қытайда MemTrax және осы үлгілердің іске асырылуы және көрсетілген пайдалылығы, оның тілі мен мәдениеті белгіленген қызметтік бағдарламаның басқа аймақтарынан (мысалы, Франция, Нидерланды және Америка Құрама Штаттары) түбегейлі ерекшеленетін [7, 8, 27] әлеуетті одан әрі көрсетеді. MemTrax негізіндегі платформаның кең таралған жаһандық қабылдауы және клиникалық мәні үшін. Бұл деректерді үйлестіруге ұмтылудың және практикалық халықаралық нормаларды әзірлеудің және дүние жүзінде қолдануға стандартталған және оңай бейімделген когнитивті скринингке арналған ресурстарды модельдеудің көрнекі үлгісі.

Когнитивті құлдырауды модельдеу және қолданудағы келесі қадамдар

АД-дағы когнитивті дисфункция шынымен де дискретті кезеңдерде немесе қадамдарда емес, континуумда болады [28, 29]. Дегенмен, осы бастапқы кезеңде біздің мақсатымыз алдымен «қалыпты» мен «қалыпты емес» дегенді түбегейлі ажырата алатын MemTrax-ті қамтитын модель құру қабілетімізді анықтау болды. Неғұрлым инклюзивті эмпирикалық деректер (мысалы, миды бейнелеу, генетикалық ерекшеліктер, биомаркерлер, ілеспелі аурулар және кешеннің функционалдық маркерлері танымдық әрекетті қажет етеді бақылау) [30] әртүрлі жаһандық аймақтарда, популяцияларда және жас топтарында анағұрлым күрделі (оның ішінде дұрыс өлшенген ансамбльді) оқыту және дамыту үшін машиналық оқыту үлгілері жақсартылған классификацияның үлкен дәрежесін, яғни пациенттердің топтарын санаттау мүмкіндігін қолдайды. Когнитивті құлдырау континуумы ​​бойынша кішірек және нақтырақ ішкі жиындарға АЕК. Сонымен қатар, аймақтық әр түрлі пациенттер популяциясындағы жеке тұлғалар үшін қатарлас клиникалық диагноздар маңызды болып табылады. тиімді жаттықтыру бұл анағұрлым инклюзивті және болжамды сенімді модельдер. Бұл ұқсас ортасы, әсерлері және неғұрлым тар анықталған тән когнитивтік профильдері бар адамдар үшін нақты стратификацияланған жағдайды басқаруды жеңілдетеді және осылайша клиникалық шешімдерді қолдау мен пациенттерге күтім жасауды оңтайландырады.

Тиісті клиникалық зерттеулердің көпшілігі кем дегенде жеңіл деменциямен ауыратын науқастарға қатысты; және іс жүзінде пациенттің араласуы тек озық сатыларда ғана жасалады. Дегенмен, когнитивті құлдырау деменцияның клиникалық критерийлері орындалмай тұрып басталатындықтан, тиімді қолданылған MemTrax негізіндегі ерте экран ауру және оның дамуы туралы адамдарға тиісті білім беруге және ертерек және уақтылы араласуға ынталандыруы мүмкін. Осылайша, ерте анықтау жаттығудан, диетадан, эмоционалды қолдаудан және жақсартылған әлеуметтенуден бастап фармакологиялық араласуға дейін қолайлы қатысуды қолдай алады және жеке немесе жиынтықта деменцияның дамуын жеңілдететін немесе тоқтатуы мүмкін пациенттің мінез-құлқы мен қабылдауындағы өзгерістерді күшейте алады [31, 32] . Сонымен қатар, тиімді ерте скрининг, жеке адамдар мен олардың отбасыларына күтулер мен ниеттерді нақтылауға және күнделікті тапсырмаларды басқаруға көмектесу үшін клиникалық сынақтарды қарастыруға немесе кеңес және басқа әлеуметтік қызметтерге қолдау көрсетуге шақырылуы мүмкін. Әрі қарай тексеру және осы жолдармен кең таралған практикалық пайдалылық көптеген адамдар үшін MCI, AD және ADRD прогрессиясын азайтуға немесе тоқтатуға көмектесуі мүмкін.

Шынында да, біздің зерттеуіміздегі пациенттердің жас диапазонының төменгі шегі AD-мен дәстүрлі алаңдаушылық тудыратын популяцияны көрсетпейді. Осыған қарамастан, MoCA баллына/табалдырығына және диагностиканың ауырлығына (3-кесте) негізделген жіктеу модельдеу схемаларында пайдаланылған әрбір топтың орташа жасы айқын көпшіліктің (80%-дан астамы) кемінде 50 жасты көрсетеді. Осылайша, бұл үлестіру жалпылау үшін өте қолайлы, бұл әдетте әсер ететіндерді сипаттайтын популяциядағы осы үлгілердің пайдалылығын қолдайды. ерте басталуы және AD және VaD салдарынан дамып келе жатқан нейрокогнитивтік ауру. Сондай-ақ, соңғы дәлелдер мен перспективалар ерте ерте көтерілуге ​​ықпал ететін белгілі факторларға (мысалы, гипертония, семіздік, қант диабеті және темекі шегу) баса назар аударады. ересектер мен орта жастағылардағы қан тамырларының қауіп-қатер көрсеткіштері және соған байланысты жасырын дамып келе жатқан қан тамырларының зақымдануы, тіпті жас кезінде де айқын әсерлері бар. ересектер [33–35]. Тиісінше, ерте анықтау үшін ең оңтайлы бастапқы скрининг мүмкіндігі когнитивті тапшылықты кезеңге айналдыру және деменцияны сәтті шешуде тиімді алдын алу және араласу стратегияларын бастау ерте есейген және әлеуетті тіпті балалық шақты (ерте жүктіліктен бастап аполипопротеин Е сияқты генетикалық факторлардың өзектілігін ескере отырып) жас спектрі бойынша ықпал ететін факторлар мен алдыңғы көрсеткіштерді зерттеу нәтижесінде пайда болады.

Іс жүзінде жарамды клиникалық диагноздар мен кеңейтілген бейнелеуге, генетикалық профильге және перспективалы биомаркерлерді өлшеуге арналған қымбат процедуралар әрдайым қол жетімді емес немесе көптеген провайдерлер үшін мүмкін емес. Осылайша, көптеген жағдайларда бастапқы жалпы когнитивтік денсаулық күйінің жіктелуін пациент ұсынған басқа қарапайым көрсеткіштерді (мысалы, өзін-өзі хабарлау) пайдаланатын үлгілерден алу қажет болуы мүмкін. жад проблемалары, ағымдағы дәрі-дәрмектер және күнделікті әрекет шектеулері) және жалпы демографиялық ерекшеліктер [7]. Калифорния университеті сияқты тізілімдер Brain Денсаулық Реестр (https://www.brainhealthregistry.org/) [27] және өзін-өзі хабарлаған симптомдардың, сапалық өлшемдердің (мысалы, ұйқы және күнделікті таным), дәрі-дәрмектің, денсаулық жағдайы мен тарихының, және егжей-тегжейлі демографиялық деректер клиникада осы қарапайым үлгілердің практикалық қолданылуын әзірлеу және растау үшін маңызды болады. Сонымен қатар, жад функциясын бағалауда пайдалылығын көрсеткен MemTrax сияқты сынақ биологиялық маркерлерге қарағанда AD патологиясын айтарлықтай жақсы бағалауды қамтамасыз етуі мүмкін. АД патологиясының негізгі ерекшелігі нейропластиканың бұзылуы және эпизодтық түрде көрінетін синапстардың өте күрделі жоғалуы екенін ескере отырып есте сақтау дисфункциясы, эпизодтық жадты бағалайтын шара шын мәнінде мүмкін тірі пациенттегі биологиялық маркерлерге қарағанда AD патологиялық ауыртпалығын жақсы бағалауды қамтамасыз етеді [36].

Барлық болжамды модельдермен — заманауи технологиядан алынған күрделі және инклюзивті деректермен және бірнеше домендегі нақтыланған клиникалық түсініктермен толықтырылған немесе бар пациент профильдеріне тән неғұрлым қарапайым және оңай қол жетімді ақпаратпен шектелген — жасанды интеллекттің мойындалған артықшылығы және машиналық оқыту нәтижесінде алынған модельдер қолданбаны үздіксіз пайдалану арқылы қамтамасыз етілген сәйкес жаңа деректер мен перспективалардан синтездеуге және индуктивті түрде «үйренуге» мүмкіндік береді. Технологиялардың практикалық трансферінен кейін, мұндағы (және әзірленетін) модельдер қолданылып, көбірек жағдайлармен және сәйкес деректермен (соның ішінде когнитивті құлдыраумен бірге жүруі мүмкін ілеспе аурулары бар емделушілерде) байытылғандықтан, болжам өнімділігі мен когнитивті денсаулықты жіктеу сенімдірек болады, нәтижесінде клиникалық шешімді қолдаудың тиімді құралы. Бұл эволюция MemTrax-ті медициналық қызмет көрсетушілер клиникада нақты уақыт режимінде пайдалана алатын арнайы (қол жетімді мүмкіндіктерге бағытталған) платформаларға ендіру арқылы толық және іс жүзінде жүзеге асырылатын болады.

Диагностикалық қолдау және емделушілерді күту үшін MemTrax моделінің валидациясы мен пайдалылығы үшін өте қажет мәнді бойлық деректер өте сұранысқа ие. Клиникалық күйдегі қатарлас өзгерістерді (егер бар болса) қалыпты диапазондағы АЕК ерте сатысы арқылы бақылап және жазу арқылы тиісті тұрақты бағалау мен жіктеуге арналған үлгілерді пациенттердің жасына қарай оқытуға және өзгертуге және емдеуге болады. Яғни, қайталанатын утилита жеңіл когнитивтік өзгерістерді бойлық бақылауға, араласу тиімділігіне және ақпараттандырылған стратификацияланған күтімді сақтауға көмектеседі. Бұл тәсіл клиникалық тәжірибеге және пациент пен жағдайды басқаруға көбірек сәйкес келеді.

шектеулер

Біз бақыланатын емхана/аурухана жағдайында таза клиникалық деректерді жинаудың қиындығы мен құндылығын бағалаймыз. Дегенмен, егер деректер жиынтығымызға ортақ мүмкіндіктері бар пациенттер көбірек болса, бұл модельдеуді күшейткен болар еді. Сонымен қатар, біздің диагностикалық модельдеуімізге тән, студенттерді оқыту үшін когнитивті денсаулығы қалыпты сәйкес пациенттерге бірдей клиникалық бағалау жүргізген дұрысырақ және орынды болар еді. Сүзгіден өткен деректер жинағын (тек жоғары дәрежелі төрт мүмкіндікті) пайдалана отырып, жоғары классификация өнімділігімен атап өтілгендей, жалпы және когнитивті денсаулық шаралары/көрсеткіштері жақсарған болар еді барлық емделушілерде жалпы мүмкіндіктердің көбірек саны бар модельдеу өнімділігі.

Кейбір қатысушылар бір мезгілде өтпелі немесе созылмалы когнитивті кемшіліктерді тудыруы мүмкін басқа ауруларды бастан өткерген болуы мүмкін. Пациенттер диагностикалық тұрғыдан AD немесе VaD ретінде жіктелген XL ішкі деректер жинағынан басқа, YH пациенттер пулында ілеспелі аурулар туралы деректер жиналмады/хабарланбады, ал KM ішкі деректер жинағында әзірге басым хабарланған ілеспелі ауру қант диабеті болды. Дегенмен, когнитивті жетіспеушілік деңгейін тудыруы немесе күшейтуі және соның салдарынан төмен MemTrax өнімділігі болуы мүмкін қатар жүретін аурулары бар модельдеу схемаларымызға пациенттерді қосу осы жалпыланған ерте когнитивті скрининг үшін нақты әлемдегі мақсатты пациенттердің популяциясын көбірек көрсететіні дау туғызады. және модельдеу тәсілі. Алға жылжу, когнитивті өнімділікке ықтимал әсер ететін ілеспелі ауруларды дәл диагностикалау модельдерді оңтайландыру және пациенттерді күтудің нәтижелі қолданбалары үшін кеңінен пайдалы.

Соңында, YH және KM қосалқы деректер жинағының пациенттері MemTrax сынағы үшін смартфонды пайдаланды, ал XL қосалқы деректер жиынтығы пациенттерінің шектеулі саны iPad, ал қалғандары смартфонды пайдаланды. Бұл MoCA классификациясын модельдеу үшін MemTrax өнімділігінде құрылғыға қатысты шамалы айырмашылықты енгізуі мүмкін. Дегенмен, MTx-RT-дегі, мысалы, құрылғылар арасындағы айырмашылықтар (бар болса) шамалы болуы мүмкін, әсіресе әрбір қатысушыға жазылған сынақ өнімділігі алдында «тәжірибе» сынағы берілгенде. Осыған қарамастан, осы екі портативті құрылғының утилитасы пайдаланушылар компьютер пернетақтасындағы бос орын пернесін түрту арқылы қайталанатын суреттерге жауап берген басқа MemTrax нәтижелерімен тікелей салыстыруды және/немесе біріктіруді бұзуы мүмкін.

MemTrax болжамды модельдеу утилитасының негізгі нүктелері

  • • Таңдалған MemTrax өнімділік көрсеткіштерін қамтитын біздің ең тиімді болжамды үлгілеріміз танымдық денсаулық күйін (қалыпты когнитивтік денсаулық немесе АЕК) кеңінен танылған MoCA тесті көрсеткендей сенімді түрде жіктей алады.
  • • Бұл нәтижелер таңдалған MemTrax өнімділік көрсеткіштерін ерте сатыдағы когнитивті бұзылыстарға арналған классификациялық болжамды үлгі скрининг қолданбасына біріктіруді қолдайды.
  • • Біздің классификациялық модельдеу сонымен қатар деменция диагнозының ауырлығын ажырату үшін қолданбаларда MemTrax өнімділігін пайдалану мүмкіндігін ашты.

Бұл жаңа тұжырымдар тиімді клиникалық жағдайды басқаруда диагностикалық қолдау және когнитивті бұзылыстары бар адамдарға емделушілерді күту үшін MemTrax негізіндегі жетілдірілген сенімді жіктеу үлгілерін құруда машиналық оқытудың пайдалылығын қолдайтын нақты дәлелдер келтіреді.

ЕСКЕРТУЛЕР

Біз Дж. Вессон Эшфордтың, Кертис Б. Эшфордтың және әріптестердің осы жерде қолданылатын онлайн үздіксіз тану тапсырмасы мен құралын (MemTrax) әзірлеу және тексеру бойынша жұмысын мойындаймыз және сыни іргелі зерттеулерге үлес қосқан деменциямен ауыратын көптеген пациенттерге алғыс айтамыз. . Біз сондай-ақ Сяньбо Чжоуға және оның SJN Biomed LTD-дегі әріптестеріне, оның әріптестеріне және ауруханалар/клиникалар учаскелеріндегі әріптестеріне, әсіресе Dr. Қатысушыларды іріктеуге, сынақтарды жоспарлауға, деректерді жинауға, жазуға және басқаруға көмектескен М.Луо мен М.Чжун және құнды уақыттарын бөліп, сынақтарды тапсыруға және қамтамасыз етуге міндеттеме алған ерікті қатысушылар. осы зерттеуде бағалау үшін біз үшін құнды деректер. Бұл зерттеуге MD Scientific Research ішінара қолдау көрсетті Куньмин медициналық университетінің бағдарламасы (Грант № 2017BS028 XL) және Юньнань ғылым және технология департаментінің зерттеу бағдарламасы (грант № 2019FE001 (-222) XL).

Дж. Вессон Эшфорд осы құжатта сипатталған арнайы үздіксіз тану парадигмасын жалпы пайдалану үшін патенттік өтінім берді. есте сақтау қабілетін тексеру.

MemTrax, LLC - бұл Кертис Эшфордқа тиесілі компания және бұл компания есте сақтау сынағы осы мақалада сипатталған жүйе.

Авторлардың ашып көрсетулері Интернетте қолжетімді (https://www.j-alz.com/manuscript-disclosures/19-1340r2).

есте сақтау сынағы деменция сынағы есте сақтау қабілетін жоғалту сынағы қысқа мерзімді есте сақтау сынағы қошқар сынау ақыл-ой диетасы әртүрлі кітаптар когнитивті тест онлайн
Кертис Эшфорд – Когнитивті зерттеулердің үйлестірушісі

СІЛТЕМЕЛЕР

[1] Альцгеймер қауымдастығы (2016) 2016 Альцгеймер ауруы фактілері және сандар. Альцгеймер демменті 12, 459–509.
[2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Ерте кезеңнің әсері Альцгеймер ауруы үй шаруашылығының қаржылық нәтижелері туралы. Health Econ 29, 18–29.
[3] Foster NL , Bondi MW , Das R , Foss M , Hershey LA , Koh S , Logan R , Poole C , Shega JW , Sood A , Thothala N , Wicklund M , Yu M , Bennett A , Wang D (2019) сапаны жақсарту неврология: жеңіл когнитивті бұзылулар сапасын өлшеу жиынтығы. Неврология 93, 705–713.
[4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) Қолдану құнының тиімділігі Бастапқы медициналық көмек көрсетуде деменция мен жеңіл когнитивтік бұзылыстарды анықтауға арналған когнитивті скринингтік сынақтар. Int J Geriatr психиатрия 32, 1392–1400.
[5] Эшфорд Дж.У., Гир Е, Бэйли ПДЖ (2011) Есте сақтауды өлшеу үздіксіз тану сынағы арқылы үлкен топ параметрлерінде. J Alzheimers Dis 27, 885–895.
[6] Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Эпизодтық жадты өлшеуге арналған компьютерленген үздіксіз тану тапсырмасы. J Alzheimers Dis 69, 385–399.
[7] Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) Когнитивті денсаулық күйінің жіктелуін болжау үшін машиналық оқытуды модельдеудегі эпизодтық жады өнімділігі. J Alzheimers Dis 70, 277–286.
[8] Ван дер Хоек MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The MemTrax сынағы жеңіл когнитивтік бұзылыстың Монреальдық когнитивті бағалау бағасымен салыстырғанда. J Alzheimers Dis 67, 1045–1054.
[9] Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Жеңіл травматикалық ми жарақатын жіктеу үшін оқшауланған дауысты дыбыстарды пайдалану. 2013 жылы IEEE халықаралық акустика, сөйлеу және сигналдарды өңдеу конференциясы, Ванкувер, BC, 7577–7581 беттер.
[10] Dabek F, Caban JJ (2015) Ми шайқалғаннан кейін психологиялық жағдайлардың даму ықтималдығын модельдеу үшін үлкен деректерді пайдалану. Procedia Comput Sci 53, 265–273.
[11] Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) Қоғамдық фармацевтердің когнитивті бұзылыстарды ерте анықтауға арналған шешім ағашы. Front Pharmacol 9, 1232.
[12] Насреддин ЗС, Филлипс Н.А., Бедириан В, Шарбонно С, Уайтхед V, Коллин I, Каммингс Дж.Л., Чертков Н (2005) Монреальдық когнитивтік бағалау, MoCA: жеңіл когнитивтік бұзылыстарға арналған қысқаша скрининг құралы. J Am Geriatr Soc 53, 695–699.
[13] Ю Дж, Ли Дж, Хуан Х (2012) Монреальдық когнитивті бағалаудың Бейжің нұсқасы жұмсақ когнитивті бұзылыстарды қысқаша скринингтік құрал ретінде: қоғамдастық негізіндегі зерттеу. BMC психиатрия 12, 156.
[14] Chen KL, Xu Y, Chu AQ, Ding D, Liang XN, Nasreddine ZS, Dong Q, Hong Z, Zhao QH, Guo QH (2016) Жеңіл когнитивтік бұзылыстарды скринингке арналған Монреаль когнитивтік бағалаудың негізгі қытай нұсқасын тексеру. J Am Geriatr Soc 64, e285–e290.
[15] Carson N, Leach L, Murphy KJ (2018) Монреальдық когнитивтік бағалаудың (MoCA) шекті ұпайларын қайта тексеру. Int J Geriatr психиатрия 33, 379–388.
[16] Америкалық психиатрлар қауымдастығы (2013) Психикалық бұзылулардың диагностикалық және статистикалық нұсқаулығы: DSM-5™, American Psychiatric Publishing, Inc., Вашингтон, ДС.
[17] Python. Python Software Foundation, http://www.python.org, 15 жылдың 2019 қарашасында қол жеткізілді.
[18] R Core Group, R: Статистикалық есептеулерге арналған тіл және орта R Статистикалық есептеулер қоры, Вена, Австрия. https://www.R-project.org/, 2018 ж., 15 жылдың 2019 қарашасында қол жеткізілді.
[19] Benavoli A , Corani G , Demšar J , Zaffalon M (2017) Өзгеріс уақыты: Байес талдауы арқылы бірнеше жіктеуіштерді салыстыруға арналған оқулық. J Mach Learn Res 18, 1–36.
[20] Frank E, Hall MA, Witten IH (2016) WEKA жұмыс үстелі. жылы Деректерді өндіру: машинаны оқытудың практикалық құралдары мен әдістері, Frank E, Hall MA, Witten IH, Pal CJ, ред. Морган Кауфман 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) Орта мектептегі спорттық контузия симптомын шешуде машинаны оқыту. Med Sci Sports Exerc 51, 1362–1371.
[22] Ван Хулсе Дж, Хошгофтаар ТМ, Наполитано А (2007) Теңгерімсіз деректерден үйренудің эксперименттік перспективалары. жылы Машинаны оқыту бойынша 24-ші халықаралық конференция материалдары, Корвалис, Орегон, АҚШ, 935-942 беттер.
[23] Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Альцгеймер пациентін бағалау және шағын психикалық күй: Элементке тән қисық талдау.P. Дж Геронтол 44, 139–146.
[24] Эшфорд Дж.У., Джарвик Л (1985) Альцгеймер ауруы: Нейрондардың пластикасы аксональды нейрофибриллярлық дегенерацияға бейімді ме? N Engl J Med 313, 388–389.
[25] Джек CR кіші, Тернеу TM, Вейганд SD, Висте ХДж, Кнопман DS, Вемури П, Лоу ВДж, Миелке ММ, Робертс РО, Мачульда MM, Графф-Рэдфорд Дж, Джонс ДТ, Шварц СГ, Гюнтерм Дж.Л. , Rocca WA, Petersen RC (2019) Қартаю-Альцгеймер ұлттық институтын қолданатын альцгеймер спектрінің биологиялық және клиникалық анықталған нысандарының таралуы Қауымдастықты зерттеу шеңбер. JAMA Neurol 76, 1174–1183.
[26] Чжоу X, Эшфорд JW (2019) скринингтік құралдардағы жетістіктер Альцгеймер ауруы. Қартаю Med 2, 88–93.
[27] Weiner MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) The Brain Денсаулық Тіркеу: Неврологияны зерттеуге қатысушыларды іріктеуге, бағалауға және бойлық бақылауға арналған интернетке негізделген платформа. Альцгеймер демменті 14, 1063–1076.
[28] Ashford JW, Schmitt FA (2001) Уақыт курсын модельдеу Альцгеймер деменциясы. Curr Psychiatry Rep 3, 20–28.
[29] Li X, Wang X, Su L, Hu X, Han Y (2019) Қытайдың когнитивтік құлдырау бойынша бойлық зерттеуі (SILCODE): субъективті когнитивтік қабілеті бар адамдарда жеңіл когнитивтік бұзылыстарға айналудың тәуекелді болжау үлгілерін әзірлеуге арналған қытайлық бойлық бақылау зерттеуінің хаттамасы құлдырау. BMJ Open 9, e028188.
[30] Тарнанас I , Цолаки А , Видерхольд М , Видерхольд Б , Цолаки М (2015) бес жылдық биомаркер прогрессияның өзгергіштігі Альцгеймер ауруы деменция Болжам: Күнделікті өмір маркерінің күрделі аспаптық әрекеттері олқылықтарды толтыра ала ма? Альцгеймерлердің дементі (Амст) 1, 521–532.
[31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) Альцгеймер ауруының алдын алу және емдеу: Жаттығудың биологиялық механизмдері. J Alzheimers Dis 69, 311–338.
[32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Therapies for Альцгеймер ауруының алдын алу және емдеу. 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, Модат М, Томас Д, Ричардс М, Фокс НК, Шотт Дж.М (2020) Ересек жаста қан тамырларының қаупі мен кейінгі өмірдегі ми патологиясы арасындағы байланыс: Британдық туу когортының дәлелі. JAMA Neurol 77, 175–183.
[34] Seshadri S (2020) Жас және амилоидты қораптардан тыс деменция-ойлаудың алдын алу. 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) Framingham Cross Heart зерттеуіндегі жас ересектердегі ақ заттың тұтастығына систолалық қан қысымының әсері: -секциялық оқу. 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) Нейропатологиялық анықталған биомаркерді сынау дәлдігі Деменциясы бар егде жастағы адамдардағы Альцгеймер ауруы. Энн Интерн Мед 172, 669–677.

Филиалдар: [a] SIVOTEC Analytics, Бока Ратон, Флорида, АҚШ | [b] Компьютерлік және электротехника және компьютерлік ғылым кафедрасы, Флорида Атлант университеті, Бока Ратон, Флорида, АҚШ | [c] SJN Biomed LTD, Куньмин, Юньнань, Қытай | [d] орталығы Альцгеймер зерттеулері, Вашингтон клиникалық зерттеулер институты, Вашингтон, ДС, АҚШ | [e] Реабилитациялық медицина бөлімі, Куньмин медициналық университетінің бірінші еншілес ауруханасы, Куньмин, Юньнань, Қытай | [f] Неврология бөлімі, Дехонг халық ауруханасы, Дехонг, Юньнань, Қытай | [g] Неврология бөлімі, Куньмин медициналық университетінің бірінші еншілес ауруханасы, Вухуа ауданы, Куньмин, Юньнань провинциясы, Қытай | [h] Соғысқа байланысты аурулар мен жарақаттарды зерттеу орталығы, VA Пало Альто Денсаулық сақтау Жүйе, Пало Альто, Калифорния, АҚШ | [i] Психиатрия және мінез-құлық ғылымдары бөлімі, Стэнфорд университетінің Медицина мектебі, Пало Альто, Калифорния, АҚШ

Корреспонденция: [*] Корреспонденция: Майкл Ф. Берджерон, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, АҚШ. Электрондық пошта: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, неврология бөлімі, Куньмин медициналық университетінің бірінші еншілес ауруханасы, 295 Сичан жолы, Вухуа ауданы, Куньмин, Юньнань провинциясы 650032, Қытай. Электрондық пошта: ring@vip.163.com.

Түйін сөздер: Қартаю, Альцгеймер ауруы, деменция, жаппай скрининг