Utility of MemTrax និង Machine Learning Modeling ក្នុងការចាត់ថ្នាក់នៃភាពអន់ថយនៃការយល់ដឹងកម្រិតស្រាល

អត្ថបទស្រាវជ្រាវ។

អ្នកនិពន្ធ៖ Bergeron, Michael F. | ដីឡូតិ៍, សារ៉ាយ | Zhou, Xianbo | ឌីង, តាវ | Khoshgoftaar, Taghi M. | Zhao, Feng | ឌូ, បូ | Chen, Xinjie | Wang, Xuan | Zhong, Lianmei | Liu, Xiaolei | Ashford, J. Wesson

DOI: 10.3233/JAD-191340

ទិនានុប្បវត្តិ: ទិនានុប្បវត្តិ ជំងឺអាល់ហ្សៃមឺរ, vol ។ 77, ទេ។ 4, ទំព័រ 1545-1558, 2020

អរូបី

សាវតារ:

ឧប្បត្តិហេតុរីករាលដាលនិងប្រេវ៉ាឡង់នៃ ជម្ងឺវង្វេង និងការចុះខ្សោយនៃការយល់ដឹងកម្រិតស្រាល (MCI) បានជំរុញឱ្យមានការអំពាវនាវជាបន្ទាន់សម្រាប់ការស្រាវជ្រាវដើម្បីធ្វើឱ្យមានសុពលភាពនៃការពិនិត្យ និងការវាយតម្លៃការយល់ដឹងពីការរកឃើញដំបូង។

គោលបំណង:

គោលបំណងនៃការស្រាវជ្រាវចម្បងរបស់យើងគឺដើម្បីកំណត់ថាតើរង្វាស់នៃការអនុវត្ត MemTrax ដែលបានជ្រើសរើស និងប្រជាសាស្រ្តពាក់ព័ន្ធ និងលក្ខណៈទម្រង់សុខភាពអាចប្រើប្រាស់យ៉ាងមានប្រសិទ្ធភាពនៅក្នុងគំរូទស្សន៍ទាយដែលត្រូវបានបង្កើតឡើងដោយការរៀនម៉ាស៊ីនដើម្បីចាត់ថ្នាក់សុខភាពការយល់ដឹង (ធម្មតាធៀបនឹង MCI) ដូចដែលត្រូវបានចង្អុលបង្ហាញដោយ ការវាយតម្លៃការយល់ដឹងរបស់ម៉ុងត្រេអាល់ (MoCA) ។

វិធីសាស្រ្ត:

យើងបានធ្វើការសិក្សាផ្នែកឆ្លងកាត់លើ 259 សរសៃប្រសាទ គ្លីនិកការចងចាំ និងថ្នាំផ្ទៃក្នុងអ្នកជំងឺពេញវ័យដែលត្រូវបានជ្រើសរើសពីពីរនាក់ មន្ទីរពេទ្យក្នុងប្រទេសចិន. អ្នកជំងឺម្នាក់ៗត្រូវបានផ្តល់ MoCA ជាភាសាចិន និងគ្រប់គ្រងដោយខ្លួនឯងនូវការទទួលស្គាល់ជាបន្តបន្ទាប់ MemTrax តាមអ៊ីនធឺណិត ការធ្វើតេស្តការចងចាំតាមអ៊ីនធឺណិត នៅថ្ងៃដដែល។ គំរូចំណាត់ថ្នាក់នៃការទស្សន៍ទាយត្រូវបានបង្កើតឡើងដោយប្រើការរៀនម៉ាស៊ីនជាមួយនឹងសុពលភាពឆ្លងកាត់ 10 ដង ហើយការអនុវត្តគំរូត្រូវបានវាស់វែងដោយប្រើតំបន់ក្រោមខ្សែកោងលក្ខណៈប្រតិបត្តិការអ្នកទទួល (AUC) ។ ម៉ូដែលត្រូវបានបង្កើតឡើងដោយប្រើរង្វាស់នៃការអនុវត្ត MemTrax ចំនួនពីរ (ភាគរយត្រឹមត្រូវ ពេលវេលាឆ្លើយតប) រួមជាមួយនឹងលក្ខណៈប្រជាសាស្រ្ត និងប្រវត្តិផ្ទាល់ខ្លួនទូទៅចំនួនប្រាំបី។

លទ្ធផល:

ការប្រៀបធៀបអ្នកសិក្សានៅទូទាំងបន្សំដែលបានជ្រើសរើសនៃពិន្ទុ និងកម្រិត MoCA ជាទូទៅ Naïve Bayes គឺជាអ្នកសិក្សាដែលមានសមត្ថភាពកំពូលជាមួយនឹងការអនុវត្តចំណាត់ថ្នាក់សរុបនៃ 0.9093 ។ លើសពីនេះ ក្នុងចំណោមអ្នកសិក្សាកំពូលទាំងបី ការអនុវត្តចំណាត់ថ្នាក់ដែលមានមូលដ្ឋានលើ MemTrax ជារួមគឺល្អលើសគេ ដោយគ្រាន់តែប្រើប្រាស់មុខងារកំពូលទាំងបួន (0.9119) បើប្រៀបធៀបទៅនឹងការប្រើប្រាស់មុខងារទូទៅទាំង 10 (0.8999)។

សេចក្តីសន្និដ្ឋាន:

ការអនុវត្ត MemTrax អាច​ត្រូវ​បាន​ប្រើប្រាស់​យ៉ាង​មាន​ប្រសិទ្ធភាព​ក្នុង​គំរូ​ទស្សន៍ទាយ​ការ​ចាត់ថ្នាក់​រៀន​ម៉ាស៊ីន កម្មវិធីពិនិត្យរកមើលភាពចុះខ្សោយនៃការយល់ដឹងដំណាក់កាលដំបូង.

សេចក្តីផ្តើម

ឧប្បត្តិហេតុនិងអត្រាប្រេវ៉ាឡង់ដែលត្រូវបានទទួលស្គាល់ (ទោះបីជាមានការវិនិច្ឆ័យតិចតួចក៏ដោយ) និងការកើនឡើងស្របគ្នាដែលកើនឡើងផ្នែកវេជ្ជសាស្ត្រ សង្គម និងសាធារណៈ សុខភាព ការចំណាយ និងបន្ទុកនៃជំងឺភ្លេចភ្លាំង (AD) និងការចុះខ្សោយនៃការយល់ដឹងកម្រិតស្រាល (MCI) កំពុងមានភាពតានតឹងកាន់តែខ្លាំងឡើងសម្រាប់អ្នកពាក់ព័ន្ធទាំងអស់ [1, 2] ។ សេណារីយ៉ូដ៏សោកសៅ និងសម្បូរសប្បាយនេះ បានជំរុញឱ្យមានការអំពាវនាវជាបន្ទាន់សម្រាប់ការស្រាវជ្រាវ ដើម្បីធ្វើឱ្យមានសុពលភាព ការរកឃើញដំបូង ឧបករណ៍ពិនិត្យ និងវាយតម្លៃការយល់ដឹងសម្រាប់ឧបករណ៍ប្រើប្រាស់ជាក់ស្តែងជាប្រចាំនៅក្នុងការកំណត់ផ្ទាល់ខ្លួន និងគ្លីនិកសម្រាប់អ្នកជំងឺវ័យចំណាស់នៅទូទាំងតំបន់ និងចំនួនប្រជាជនចម្រុះ [3] ។ ឧបករណ៍ទាំងនេះក៏ត្រូវតែផ្តល់សម្រាប់ការបកប្រែដោយគ្មានថ្នេរនៃលទ្ធផលព័ត៌មានទៅក្នុងកំណត់ត្រាសុខភាពអេឡិចត្រូនិច។ អត្ថប្រយោជន៍នឹងត្រូវបានដឹងដោយការជូនដំណឹងដល់អ្នកជំងឺ និងជួយគ្រូពេទ្យក្នុងការទទួលស្គាល់ការផ្លាស់ប្តូរសំខាន់ៗមុននេះ ហើយដូច្នេះអនុញ្ញាតឱ្យមានការបែងចែក ការអនុវត្ត និងតាមដានការព្យាបាលដែលមានលក្ខណៈបុគ្គលសមស្រប និងមានប្រសិទ្ធភាពជាងមុន និងការថែទាំអ្នកជំងឺសម្រាប់អ្នកចាប់ផ្តើមមានបទពិសោធន៍។ ការថយចុះការយល់ដឹង [៣, ៤] ។

ឧបករណ៍ MemTrax កុំព្យូទ័រ (https://memtrax.com) គឺជាការវាយតម្លៃការទទួលស្គាល់ជាបន្តបន្ទាប់ដ៏សាមញ្ញ និងខ្លីដែលអាចត្រូវបានគ្រប់គ្រងដោយខ្លួនឯងតាមអ៊ីនធឺណិត ដើម្បីវាស់ស្ទង់ដំណើរការនៃអង្គចងចាំតាមពេលវេលាដែលមានបញ្ហា ដែលអ្នកប្រើប្រាស់ឆ្លើយតបទៅនឹងរូបភាពដដែលៗ និងមិនមែនចំពោះបទបង្ហាញដំបូង [5, 6]។ ការស្រាវជ្រាវថ្មីៗ និងលទ្ធផលនៃផលប៉ះពាល់ជាក់ស្តែងកំពុងចាប់ផ្តើមបង្ហាញជាបណ្តើរៗ និងរួមបង្ហាញពីប្រសិទ្ធភាពព្យាបាលរបស់ MemTrax នៅដើម AD និង MCI ពិនិត្យ [5–7] ។ ទោះជាយ៉ាងណាក៏ដោយការប្រៀបធៀបដោយផ្ទាល់នៃឧបករណ៍ប្រើប្រាស់គ្លីនិកទៅនឹងដែលមានស្រាប់ សុខភាពយល់ដឹង ការវាយតម្លៃ និងស្តង់ដារសាមញ្ញត្រូវបានធានាដើម្បីជូនដំណឹងអំពីទស្សនវិស័យវិជ្ជាជីវៈ និងឧបករណ៍ប្រើប្រាស់ MemTrax បញ្ជាក់នៅក្នុងការរកឃើញដំបូង និងការគាំទ្រការធ្វើរោគវិនិច្ឆ័យ។ van der Hoek et al ។ [8] ប្រៀបធៀបរង្វាស់នៃការអនុវត្ត MemTrax ដែលបានជ្រើសរើស (ល្បឿនប្រតិកម្ម និងភាគរយត្រឹមត្រូវ) ទៅនឹងស្ថានភាពយល់ដឹង ដូចដែលបានកំណត់ដោយ Montreal ការវាយតម្លៃការយល់ដឹង (MoCA) ។ ទោះជាយ៉ាងណាក៏ដោយ ការសិក្សានេះត្រូវបានកំណត់ចំពោះការភ្ជាប់រង្វាស់នៃការអនុវត្តទាំងនេះជាមួយនឹងការកំណត់លក្ខណៈនៃស្ថានភាពការយល់ដឹង (ដូចដែលបានកំណត់ដោយ MoCA) និងការកំណត់ជួរដែលទាក់ទង និងតម្លៃកាត់ផ្តាច់។ អាស្រ័យហេតុនេះ ដើម្បីពង្រីកលើការស៊ើបអង្កេតនេះ និងកែលម្អការអនុវត្តចំណាត់ថ្នាក់ និងប្រសិទ្ធភាព សំណួរស្រាវជ្រាវចម្បងរបស់យើងគឺ៖

• តើអាចវាស់ស្ទង់ការអនុវត្ត MemTrax ដែលបានជ្រើសរើសរបស់បុគ្គល និងប្រជាសាស្រ្ត និងសុខភាពដែលពាក់ព័ន្ធ ទម្រង់ លក្ខណៈត្រូវបានប្រើប្រាស់យ៉ាងមានប្រសិទ្ធភាពនៅក្នុងគំរូទស្សន៍ទាយដែលត្រូវបានបង្កើតឡើងជាមួយនឹងការរៀនម៉ាស៊ីនដើម្បីចាត់ថ្នាក់នៃសុខភាពការយល់ដឹងដោយ dichotomously (ធម្មតាធៀបនឹង MCI) ដូចដែលនឹងត្រូវបានចង្អុលបង្ហាញដោយពិន្ទុ MoCA របស់មនុស្សម្នាក់?

ទីពីរយើងចង់ដឹងថា:

• រួមទាំងលក្ខណៈពិសេសដូចគ្នា តើគំរូរៀនម៉ាស៊ីនផ្អែកលើការអនុវត្ត MemTrax អាចត្រូវបានអនុវត្តយ៉ាងមានប្រសិទ្ធភាពចំពោះអ្នកជំងឺដើម្បីទស្សន៍ទាយពីភាពធ្ងន់ធ្ងរ (ស្រាលធៀបនឹងធ្ងន់ធ្ងរ) នៅក្នុងប្រភេទដែលបានជ្រើសរើសនៃភាពចុះខ្សោយនៃការយល់ដឹង ដូចដែលនឹងត្រូវបានកំណត់ដោយការវិនិច្ឆ័យគ្លីនិកឯករាជ្យដែរឬទេ?

ការមកដល់ និងការវិវឌ្ឍនៃការអនុវត្តជាក់ស្តែងនៃបញ្ញាសិប្បនិមិត្ត និងការរៀនម៉ាស៊ីនក្នុងការពិនិត្យ/រកឃើញបានបង្ហាញពីគុណសម្បត្តិជាក់ស្តែងផ្សេងគ្នារួចទៅហើយ ជាមួយនឹងគំរូទស្សន៍ទាយប្រកបដោយប្រសិទ្ធភាពដឹកនាំគ្រូពេទ្យក្នុងការវាយតម្លៃដ៏លំបាកនៃការយល់ដឹង/សុខភាពខួរក្បាល និងការគ្រប់គ្រងអ្នកជំងឺ។ នៅក្នុងការសិក្សារបស់យើង យើងបានជ្រើសរើសវិធីសាស្រ្តស្រដៀងគ្នានៅក្នុងគំរូចំណាត់ថ្នាក់ MCI និងការរើសអើងភាពធ្ងន់ធ្ងរនៃការថយចុះការយល់ដឹង ដូចដែលបានបញ្ជាក់ដោយការធ្វើរោគវិនិច្ឆ័យគ្លីនិកពីសំណុំទិន្នន័យចំនួនបីដែលតំណាងឱ្យអ្នកជំងឺក្នុង និងអ្នកជំងឺក្រៅស្ម័គ្រចិត្តដែលបានជ្រើសរើសពីមន្ទីរពេទ្យពីរក្នុងប្រទេសចិន។ ដោយប្រើគំរូទស្សន៍ទាយការរៀនរបស់ម៉ាស៊ីន យើងបានកំណត់អ្នកសិក្សាដែលមានសមត្ថភាពខ្ពស់ពីបន្សំនៃសំណុំទិន្នន័យ/អ្នកសិក្សាផ្សេងៗ ហើយបានចាត់ចំណាត់ថ្នាក់លក្ខណៈពិសេសដើម្បីណែនាំយើងក្នុងការកំណត់កម្មវិធីគំរូដែលអនុវត្តជាក់ស្តែងបំផុត។

សម្មតិកម្មរបស់យើងគឺថាគំរូដែលមានមូលដ្ឋានលើ MemTrax ដែលមានសុពលភាពអាចត្រូវបានគេប្រើប្រាស់ដើម្បីចាត់ថ្នាក់សុខភាពការយល់ដឹង dichotomously (ធម្មតា ឬ MCI) ដោយផ្អែកលើលក្ខណៈវិនិច្ឆ័យកម្រិតពិន្ទុសរុប MoCA ហើយថាគំរូទស្សន៍ទាយ MemTrax ស្រដៀងគ្នាអាចត្រូវបានប្រើប្រាស់យ៉ាងមានប្រសិទ្ធភាពក្នុងការរើសអើងភាពធ្ងន់ធ្ងរនៅក្នុងប្រភេទដែលបានជ្រើសរើស។ ធ្វើរោគវិនិច្ឆ័យតាមគ្លីនិក ការខូចខាតផ្នែកបញ្ញា. ការបង្ហាញពីលទ្ធផលដែលរំពឹងទុកនឹងមានសារសំខាន់ក្នុងការគាំទ្រដល់ប្រសិទ្ធភាពនៃ MemTrax ជាអេក្រង់រកឃើញដំបូងសម្រាប់ការថយចុះការយល់ដឹង និងការចាត់ថ្នាក់នៃការថយចុះការយល់ដឹង។ ការប្រៀបធៀបអំណោយផលទៅនឹងស្តង់ដារដែលបញ្ជាក់ដោយឧស្សាហកម្មដែលបំពេញបន្ថែមដោយភាពងាយស្រួល និងរហ័សនៃការប្រើប្រាស់កាន់តែច្រើននឹងមានឥទ្ធិពលក្នុងការជួយគ្រូពេទ្យឱ្យទទួលយកឧបករណ៍ដ៏សាមញ្ញ ដែលអាចទុកចិត្តបាន និងអាចចូលប្រើបាននេះជាអេក្រង់ដំបូងក្នុងការរកឃើញដំណាក់កាលដំបូង (រួមទាំង prodromal) ឱនភាពនៃការយល់ដឹង។ វិធីសាស្រ្ត និងឧបករណ៍ប្រើប្រាស់បែបនេះ អាចជំរុញការថែទាំ និងអន្តរាគមន៍អ្នកជំងឺទាន់ពេលវេលា និងប្រសើរជាងមុន។ ការយល់ដឹងអំពីការគិតឆ្ពោះទៅមុខទាំងនេះ និងរង្វាស់ និងគំរូដែលបានកែលម្អក៏អាចមានប្រយោជន៍ក្នុងការកាត់បន្ថយ ឬបញ្ឈប់ការវិវត្តនៃជំងឺវង្វេង រួមទាំង AD និង AD-related dementias (ADRD) ផងដែរ។

សំភារៈ​និង​វិធី​សា​ស្រ្ត

ចំនួនប្រជាជនសិក្សា

នៅចន្លោះខែមករា ឆ្នាំ 2018 និងខែសីហា ឆ្នាំ 2019 ការស្រាវជ្រាវផ្នែកឆ្លងកាត់ត្រូវបានបញ្ចប់លើអ្នកជំងឺដែលត្រូវបានជ្រើសរើសពីមន្ទីរពេទ្យចំនួនពីរក្នុងប្រទេសចិន។ ការគ្រប់គ្រង MemTrax [5] ដល់បុគ្គលដែលមានអាយុចាប់ពី 21 ឆ្នាំឡើងទៅ និងការប្រមូល និងវិភាគទិន្នន័យទាំងនោះត្រូវបានពិនិត្យ និងអនុម័តដោយ និងគ្រប់គ្រងដោយអនុលោមតាមស្តង់ដារសីលធម៌នៃ មនុសស គណៈកម្មាធិការការពារប្រធានបទនៃសាកលវិទ្យាល័យស្ទែនហ្វដ។ MemTrax និងការធ្វើតេស្តផ្សេងទៀតទាំងអស់សម្រាប់ការសិក្សារួមនេះត្រូវបានអនុវត្តដោយយោងតាមសេចក្តីប្រកាសរបស់ Helsinki ឆ្នាំ 1975 និងត្រូវបានអនុម័តដោយក្រុមប្រឹក្សាត្រួតពិនិត្យស្ថាប័ននៃមន្ទីរពេទ្យសម្ព័ន្ធទីមួយនៃសាកលវិទ្យាល័យវេជ្ជសាស្ត្រ Kunming ក្នុងទីក្រុង Kunming ខេត្ត Yunnan ប្រទេសចិន។ អ្នកប្រើប្រាស់ម្នាក់ៗត្រូវបានផ្តល់ជូន បានយល់ព្រម ទម្រង់បែបបទដើម្បីអាន/ពិនិត្យ ហើយបន្ទាប់មកយល់ព្រមចូលរួមដោយស្ម័គ្រចិត្ត។

អ្នកចូលរួមត្រូវបានជ្រើសរើសពីក្រុមអ្នកជម្ងឺក្រៅក្នុងគ្លីនិកសរសៃប្រសាទនៅមន្ទីរពេទ្យ Yanhua (សំណុំទិន្នន័យរង YH) និង គ្លីនិកសតិអារម្មណ៍នៅមន្ទីរពេទ្យសម្ព័ន្ធទីមួយនៃពេទ្យគុនមីង សាកលវិទ្យាល័យ (សំណុំទិន្នន័យរង XL) នៅទីក្រុងប៉េកាំង ប្រទេសចិន។ អ្នកចូលរួមក៏ត្រូវបានជ្រើសរើសពីអ្នកជម្ងឺសរសៃប្រសាទ (សំណុំទិន្នន័យរង XL) និងផ្នែកវេជ្ជសាស្ត្រផ្ទៃក្នុង (សំណុំទិន្នន័យរង KM) នៅមន្ទីរពេទ្យសម្ព័ន្ធទីមួយនៃសាកលវិទ្យាល័យវេជ្ជសាស្ត្រគុនមីង។ លក្ខណៈវិនិច្ឆ័យនៃការរួមបញ្ចូលរួមមាន 1) បុរស និងស្ត្រីដែលមានអាយុយ៉ាងតិច 21 ឆ្នាំ 2) សមត្ថភាពក្នុងការនិយាយភាសាចិន (ភាសាចិនកុកងឺ) និង 3) សមត្ថភាពក្នុងការយល់ពាក្យសំដី និងការណែនាំជាលាយលក្ខណ៍អក្សរ។ លក្ខណៈវិនិច្ឆ័យនៃការបដិសេធគឺការមើលឃើញ និងការចុះខ្សោយនៃម៉ូទ័រដែលរារាំងអ្នកចូលរួមពីការបំពេញ ការធ្វើតេស្ត MemTraxក៏ដូចជាអសមត្ថភាពក្នុងការយល់ពីការណែនាំតេស្តជាក់លាក់។

កំណែចិនរបស់ MemTrax

លើបណ្តាញ វេទិកាសាកល្បង MemTrax ត្រូវបានបកប្រែ ទៅជាភាសាចិន (URL៖ https://www.memtrax.com.cn) និងកែសម្រួលបន្ថែមទៀតដើម្បីប្រើប្រាស់តាមរយៈ WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) សម្រាប់ការគ្រប់គ្រងខ្លួនឯង។ ទិន្នន័យត្រូវបានរក្សាទុកនៅលើ cloud server (Ali Cloud) ដែលមានទីតាំងនៅប្រទេសចិន និងទទួលបានអាជ្ញាប័ណ្ណពី Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, China) ដោយ SJN Biomed LTD (Kunming, Yunnan, China)។ ព័ត៌មានលម្អិតជាក់លាក់នៅលើ MemTrax និងលក្ខណៈវិនិច្ឆ័យសុពលភាពសាកល្បងដែលប្រើនៅទីនេះត្រូវបានពិពណ៌នាពីមុន [6] ។ ការធ្វើតេស្តនេះត្រូវបានផ្តល់ជូនដោយមិនគិតថ្លៃដល់អ្នកជំងឺ។

នីតិវិធីសិក្សា

សម្រាប់អ្នកជំងឺក្នុង និងអ្នកជំងឺក្រៅ កម្រងសំណួរក្រដាសទូទៅសម្រាប់ការប្រមូលព័ត៌មានប្រជាសាស្រ្ត និងព័ត៌មានផ្ទាល់ខ្លួនដូចជា អាយុ ភេទ ឆ្នាំនៃការអប់រំ មុខរបរ។ រស់នៅម្នាក់ឯង។ ឬជាមួយក្រុមគ្រួសារ ហើយប្រវត្តិវេជ្ជសាស្រ្តត្រូវបានគ្រប់គ្រងដោយសមាជិកនៃក្រុមសិក្សា។ បន្ទាប់ពីការបញ្ចប់នៃកម្រងសំណួរ ការធ្វើតេស្ត MoCA [12] និង MemTrax ត្រូវបានគ្រប់គ្រង (MoCA ជាមុន) ដោយមិនលើសពី 20 នាទីរវាងការធ្វើតេស្ត។ MemTrax ភាគរយត្រឹមត្រូវ (MTx-% C) ពេលវេលាឆ្លើយតបមធ្យម (MTx-RT) និងកាលបរិច្ឆេទ និងពេលវេលានៃការធ្វើតេស្តត្រូវបានកត់ត្រានៅលើក្រដាសដោយសមាជិកនៃក្រុមសិក្សាសម្រាប់អ្នកចូលរួមនីមួយៗដែលបានធ្វើតេស្ត។ កម្រងសំណួរដែលបានបញ្ចប់ និងលទ្ធផលនៃ MoCA ត្រូវបានបញ្ចូលទៅក្នុងសៀវភៅបញ្ជី Excel ដោយអ្នកស្រាវជ្រាវដែលគ្រប់គ្រងការធ្វើតេស្ត និងផ្ទៀងផ្ទាត់ដោយសហសេវិក មុនពេលឯកសារ Excel ត្រូវបានរក្សាទុកសម្រាប់ការវិភាគ។

ការធ្វើតេស្ត MemTrax

ការធ្វើតេស្តលើបណ្តាញ MemTrax រួមបញ្ចូលរូបភាពចំនួន 50 (25 តែមួយគត់ និង 25 ឡើងវិញ; 5 សំណុំនៃរូបភាព 5 នៃឈុតធម្មតា ឬវត្ថុ) ដែលបង្ហាញក្នុងលំដាប់ចៃដន្យជាក់លាក់មួយ។ អ្នកចូលរួមនឹង (តាមការណែនាំ) ប៉ះប៊ូតុងចាប់ផ្តើមនៅលើអេក្រង់ ដើម្បីចាប់ផ្តើមការធ្វើតេស្ត ហើយចាប់ផ្តើមមើលស៊េរីរូបភាព ហើយប៉ះរូបភាពនៅលើអេក្រង់ម្តងទៀតឱ្យបានលឿនតាមដែលអាចធ្វើទៅបាន នៅពេលដែលរូបភាពម្តងហើយម្តងទៀតបានលេចឡើង។ រូបភាពនីមួយៗបានលេចឡើងក្នុងរយៈពេល 3 វិនាទី ឬរហូតដល់រូបភាពនៅលើអេក្រង់ត្រូវបានប៉ះ ដែលធ្វើឱ្យការបង្ហាញភ្លាមៗនៃរូបភាពបន្ទាប់។ ដោយប្រើនាឡិកាខាងក្នុងរបស់ឧបករណ៍មូលដ្ឋាន MTx-RT សម្រាប់រូបភាពនីមួយៗត្រូវបានកំណត់ដោយពេលវេលាដែលបានកន្លងផុតពីការបង្ហាញរូបភាពទៅពេលដែលអេក្រង់ត្រូវបានប៉ះដោយអ្នកចូលរួមក្នុងការឆ្លើយតបទៅនឹងការបង្ហាញពីការទទួលស្គាល់រូបភាពថាជារូបភាពដែលបានបង្ហាញរួចហើយ។ កំឡុងពេលធ្វើតេស្ត។ MTx-RT ត្រូវ​បាន​ថត​ទុក​សម្រាប់​គ្រប់​រូបភាព ដោយ​មាន​ការ​ថត​ពេញ 3 វិនាទី​ដែល​បង្ហាញ​ថា​គ្មាន​ការ​ឆ្លើយតប។ MTx-%C ត្រូវ​បាន​គណនា​ដើម្បី​បង្ហាញ​ពី​ភាគរយ​នៃ​រូបភាព​ដដែលៗ និង​ដំបូង​ដែល​អ្នក​ប្រើ​បាន​ឆ្លើយតប​ត្រឹមត្រូវ (ពិត​វិជ្ជមាន + អវិជ្ជមាន​ពិត​ចែក​នឹង 50)។ ព័ត៌មានលម្អិតបន្ថែមនៃការគ្រប់គ្រង និងការអនុវត្ត MemTrax ការកាត់បន្ថយទិន្នន័យ ទិន្នន័យមិនត្រឹមត្រូវ ឬគ្មានការឆ្លើយតប និងការវិភាគទិន្នន័យបឋមត្រូវបានពិពណ៌នានៅកន្លែងផ្សេង [6]។

ការធ្វើតេស្ត MemTrax ត្រូវបានពន្យល់យ៉ាងលម្អិត ហើយការធ្វើតេស្តអនុវត្តមួយ (ជាមួយនឹងរូបភាពប្លែកៗក្រៅពីរូបភាពដែលបានប្រើក្នុងការធ្វើតេស្តសម្រាប់ការថតលទ្ធផល) ត្រូវបានផ្តល់ជូនអ្នកចូលរួមក្នុងការកំណត់មន្ទីរពេទ្យ។ អ្នកចូលរួមនៅក្នុងសំណុំទិន្នន័យរង YH និង KM បានធ្វើតេស្ត MemTrax នៅលើស្មាតហ្វូនដែលត្រូវបានផ្ទុកជាមួយកម្មវិធីនៅលើ WeChat ។ ចំណែក​អ្នក​ជំងឺ​សំណុំ​ទិន្នន័យ​រង XL ចំនួន​មាន​កំណត់​បាន​ប្រើ iPad ហើយ​អ្នក​នៅ​សល់​ប្រើ​ស្មាតហ្វូន។ អ្នកចូលរួមទាំងអស់បានធ្វើតេស្ត MemTrax ជាមួយអ្នកសិក្សាស្រាវជ្រាវដោយសង្កេតដោយមិនមានការរំខាន។

ការវាយតម្លៃការយល់ដឹងរបស់ម៉ុងត្រេអាល់

កំណែទីក្រុងប៉េកាំងនៃ MoCA របស់ចិន (MoCA-BC) [13] ត្រូវបានគ្រប់គ្រង និងដាក់ពិន្ទុដោយអ្នកស្រាវជ្រាវដែលបានទទួលការបណ្តុះបណ្តាល យោងទៅតាមការណែនាំសាកល្បងជាផ្លូវការ។ ជាការប្រសើរណាស់ MoCA-BC ត្រូវបានបង្ហាញថាអាចទុកចិត្តបាន។ តេស្តសម្រាប់ការយល់ដឹង ការពិនិត្យលើគ្រប់កម្រិតនៃការអប់រំនៅក្នុងមនុស្សចាស់ចិន [14] ។ ការធ្វើតេស្តនីមួយៗចំណាយពេលប្រហែល 10 ទៅ 30 នាទីដើម្បីគ្រប់គ្រងដោយផ្អែកលើសមត្ថភាពយល់ដឹងរបស់អ្នកចូលរួមរៀងៗខ្លួន។

ការចាត់ថ្នាក់ MoCA គំរូ

មានមុខងារដែលអាចប្រើបានសរុបចំនួន 29 រួមទាំង MemTrax ពីរ តេស្តវាស់ស្ទង់សមត្ថភាព និងលក្ខណៈពិសេស 27 ទាក់ទងនឹងប្រជាសាស្រ្ត និងសុខភាព ព័ត៌មានសម្រាប់អ្នកចូលរួមម្នាក់ៗ។ ពិន្ទុតេស្តសរុប MoCA របស់អ្នកជំងឺម្នាក់ៗត្រូវបានគេប្រើជាពិន្ទុ ការត្រួតពិនិត្យការយល់ដឹង "ស្តង់ដារ" ដើម្បីបណ្តុះបណ្តាលគំរូព្យាករណ៍របស់យើង។ ដូច្នោះហើយ ដោយសារ MoCA ត្រូវបានប្រើដើម្បីបង្កើតស្លាកថ្នាក់ យើងមិនអាចប្រើពិន្ទុសរុប (ឬពិន្ទុរង MoCA ណាមួយ) ជាលក្ខណៈឯករាជ្យបានទេ។ យើងបានធ្វើការពិសោធន៍បឋម ដែលយើងបានយកគំរូតាម (ការចាត់ថ្នាក់សុខភាពការយល់ដឹងដែលកំណត់ដោយ MoCA) សំណុំទិន្នន័យរងរបស់មន្ទីរពេទ្យ/គ្លីនីកចំនួន XNUMX ដើមរៀងៗខ្លួន ហើយបន្ទាប់មកបញ្ចូលគ្នាដោយប្រើមុខងារទាំងអស់។ ទោះជាយ៉ាងណាក៏ដោយ ធាតុទិន្នន័យដូចគ្នាទាំងអស់មិនត្រូវបានប្រមូលនៅក្នុងគ្លីនិកនីមួយៗនៃ XNUMX ដែលតំណាងឱ្យសំណុំទិន្នន័យរងទាំងបីនោះទេ។ ដូច្នេះ លក្ខណៈពិសេសជាច្រើនរបស់យើងនៅក្នុងសំណុំទិន្នន័យរួមបញ្ចូលគ្នា (នៅពេលប្រើមុខងារទាំងអស់) មានឧប្បត្តិហេតុខ្ពស់នៃតម្លៃដែលបាត់។ បន្ទាប់មកយើងបានបង្កើតគំរូជាមួយនឹងសំណុំទិន្នន័យរួមបញ្ចូលគ្នាដោយប្រើតែលក្ខណៈទូទៅដែលនាំឱ្យប្រសើរឡើងនូវដំណើរការចាត់ថ្នាក់។ នេះទំនងជាត្រូវបានពន្យល់ដោយការរួមបញ្ចូលគ្នានៃការមានឧទាហរណ៍បន្ថែមទៀតដើម្បីធ្វើការជាមួយដោយការរួមបញ្ចូលគ្នានៃសំណុំទិន្នន័យរងអ្នកជំងឺទាំងបី និងមិនមានលក្ខណៈពិសេសជាមួយនឹងអត្រាប្រេវ៉ាឡង់មិនសមហេតុផលនៃតម្លៃដែលបាត់ (លក្ខណៈពិសេសតែមួយគត់នៅក្នុងសំណុំទិន្នន័យរួមបញ្ចូលគ្នា ប្រភេទការងារមានតម្លៃដែលបាត់ណាមួយដែលប៉ះពាល់ដល់ មានតែករណីអ្នកជំងឺចំនួនបី) ពីព្រោះមានតែលក្ខណៈទូទៅដែលត្រូវបានកត់ត្រានៅគេហទំព័រទាំងបីប៉ុណ្ណោះដែលត្រូវបានរួមបញ្ចូល។ គួរកត់សម្គាល់ថា យើងមិនមានលក្ខណៈវិនិច្ឆ័យនៃការបដិសេធជាក់លាក់សម្រាប់លក្ខណៈពិសេសនីមួយៗ ដែលទីបំផុតមិនត្រូវបានរួមបញ្ចូលនៅក្នុងសំណុំទិន្នន័យរួមបញ្ចូលគ្នានោះទេ។ ទោះជាយ៉ាងណាក៏ដោយ នៅក្នុងគំរូសំណុំទិន្នន័យរួមបឋមរបស់យើង យើងបានប្រើលក្ខណៈពិសេសទាំងអស់ពីសំណុំទិន្នន័យរងអ្នកជំងឺបីដាច់ដោយឡែកពីគ្នា។ នេះបណ្តាលឱ្យយ៉ាងទូលំទូលាយនៅក្នុងការអនុវត្តគំរូដែលទាបជាងការវាស់វែងគំរូបឋមលើសំណុំទិន្នន័យរងនីមួយៗ។ ជាងនេះទៅទៀត ខណៈពេលដែលការចាត់ថ្នាក់នៃម៉ូដែលដែលបានបង្កើតដោយប្រើលក្ខណៈពិសេសទាំងអស់គឺមានការលើកទឹកចិត្ត លើអ្នកសិក្សាទាំងអស់ និងគ្រោងការណ៍នៃចំណាត់ថ្នាក់ ការអនុវត្តបានប្រសើរឡើងសម្រាប់ម៉ូដែលជាច្រើនពីរដង នៅពេលប្រើតែលក្ខណៈទូទៅប៉ុណ្ណោះ។ ជាការពិត ក្នុងចំណោមអ្វីដែលបានបញ្ចប់ដោយអ្នកសិក្សាកំពូលរបស់យើង ទាំងអស់លើកលែងតែគំរូមួយត្រូវបានកែលម្អដោយការលុបបំបាត់លក្ខណៈពិសេសដែលមិនមែនជាទូទៅ។

សំណុំទិន្នន័យសរុបចុងក្រោយ (YH, XL, និង KM រួមបញ្ចូលគ្នា) រួមបញ្ចូល 259 ករណី ដែលនីមួយៗតំណាងឱ្យអ្នកចូលរួមតែមួយគត់ដែលបានធ្វើតេស្តទាំង MemTrax និង MoCA ។ មានលក្ខណៈពិសេសឯករាជ្យចំនួន 10 ដែលបានចែករំលែក៖ រង្វាស់នៃការអនុវត្ត MemTrax: MTx-% C និងមធ្យម MTx-RT; ព័ត៌មានអំពីប្រជាសាស្រ្ត និងប្រវត្តិវេជ្ជសាស្ត្រ៖ អាយុ ភេទ ឆ្នាំនៃការអប់រំ ប្រភេទការងារ (កអាវពណ៌ខៀវ/កអាវស) ជំនួយសង្គម (មិនថាអ្នកធ្វើតេស្តរស់នៅតែម្នាក់ឯង ឬជាមួយគ្រួសារ) និងចម្លើយ បាទ/ចាស ថាតើអ្នកប្រើប្រាស់មាន ប្រវត្តិនៃជំងឺទឹកនោមផ្អែម លើសជាតិខ្លាញ់ក្នុងឈាម ឬរបួសខួរក្បាល។ រង្វាស់បន្ថែមចំនួនពីរ ពិន្ទុសរុប MoCA និងពិន្ទុសរុប MoCA ដែលត្រូវបានកែសម្រួលសម្រាប់ឆ្នាំនៃការអប់រំ [12] ត្រូវបានប្រើដោយឡែកពីគ្នាដើម្បីបង្កើតស្លាកចំណាត់ថ្នាក់អាស្រ័យ ដូច្នេះបង្កើតគ្រោងការណ៍គំរូផ្សេងគ្នាពីរដែលត្រូវអនុវត្តចំពោះសំណុំទិន្នន័យរួមរបស់យើង។ សម្រាប់កំណែនីមួយៗ (បានកែតម្រូវ និងមិនបានកែតម្រូវ) នៃពិន្ទុ MoCA ទិន្នន័យត្រូវបានយកគំរូតាមដាច់ដោយឡែកម្តងទៀតសម្រាប់ការចាត់ថ្នាក់ប្រព័ន្ធគោលពីរដោយប្រើប្រាស់កម្រិតលក្ខណៈវិនិច្ឆ័យពីរផ្សេងគ្នា ដែលជាតម្លៃដែលបានណែនាំដំបូង [12] និងតម្លៃជំនួសដែលប្រើ និងផ្សព្វផ្សាយដោយអ្នកផ្សេងទៀត [8, 15] ។ នៅក្នុងគ្រោងការណ៍នៃការចាត់ថ្នាក់កម្រិតជំនួស អ្នកជំងឺត្រូវបានគេចាត់ទុកថាមានសុខភាពការយល់ដឹងធម្មតា ប្រសិនបើគាត់ទទួលបានពិន្ទុ≥23 លើការធ្វើតេស្ត MoCA និងមាន MCI ប្រសិនបើពិន្ទុគឺ 22 ឬទាបជាងនេះ។ ខណៈពេលដែលនៅក្នុងទម្រង់ចំណាត់ថ្នាក់ដែលបានណែនាំដំបូង អ្នកជំងឺត្រូវដាក់ពិន្ទុ 26 ឬប្រសើរជាងនេះនៅលើ MoCA ដើម្បីត្រូវបានដាក់ស្លាកថាមានសុខភាពការយល់ដឹងធម្មតា។

ទិន្នន័យដែលបានត្រងសម្រាប់ការធ្វើគំរូចំណាត់ថ្នាក់ MoCA

យើងបានពិនិត្យមើលការចាត់ថ្នាក់ MoCA បន្ថែមទៀត ដោយប្រើបច្ចេកទេសចំណាត់ថ្នាក់លក្ខណៈដែលប្រើជាទូទៅចំនួនបួន៖ Chi-Squared, Gain Ratio, Information Gain, និង Symmetrical Uncertainty។ សម្រាប់ទស្សនវិស័យបណ្តោះអាសន្ន យើងបានអនុវត្តចំណាត់ថ្នាក់ទៅសំណុំទិន្នន័យរួមបញ្ចូលគ្នាទាំងមូលដោយប្រើគ្រោងការណ៍គំរូទាំងបួនរបស់យើង។ ចំណាត់ថ្នាក់ទាំងអស់បានយល់ព្រមលើលក្ខណៈពិសេសកំពូលដូចគ្នា ពោលគឺ អាយុ ចំនួនឆ្នាំនៃការអប់រំ និងទាំងការវាស់វែងការអនុវត្ត MemTrax (Mtx-%C មានន័យថា MTx-RT)។ បន្ទាប់​មក យើង​បាន​បង្កើត​ម៉ូដែល​ឡើង​វិញ​ដោយ​ប្រើ​បច្ចេកទេស​ជ្រើសរើស​លក្ខណៈ​នីមួយៗ ដើម្បី​បង្ហាត់​ម៉ូដែល​តែ​លើ​លក្ខណៈ​ពិសេស​កំពូល​ទាំង​បួន​ប៉ុណ្ណោះ (មើល ជម្រើសលក្ខណៈពិសេស ខាងក្រោម) ។

ការបំរែបំរួលចុងក្រោយចំនួនប្រាំបីនៃគម្រោងការចាត់ថ្នាក់ពិន្ទុ MoCA ត្រូវបានបង្ហាញនៅក្នុងតារាងទី 1 ។

តារាងទី ១

សេចក្តីសង្ខេបនៃបំរែបំរួលគ្រោងការណ៍គំរូដែលបានប្រើសម្រាប់ការចាត់ថ្នាក់ MoCA (ធម្មតា សុខភាពការយល់ដឹង ធៀបនឹង MCI)

គ្រោងការណ៍គំរូ	សុខភាពការយល់ដឹងធម្មតា (ថ្នាក់អវិជ្ជមាន)	MCI (ថ្នាក់វិជ្ជមាន)
លៃតម្រូវ-23 មិនបានត្រង/ត្រង	101 (39.0%)	158 (61.0%)
លៃតម្រូវ-26 មិនបានត្រង/ត្រង	49 (18.9%)	210 (81.1%)
Unadjusted-23 Unfiltered/ត្រង	92 (35.5%)	167 (64.5%)
Unadjusted-26 Unfiltered/ត្រង	42 (16.2%)	217 (83.8%)

ចំនួនរៀងៗខ្លួន និងភាគរយនៃអ្នកជំងឺសរុបក្នុងថ្នាក់នីមួយៗ មានភាពខុសប្លែកគ្នាដោយការកែតម្រូវពិន្ទុសម្រាប់ការអប់រំ (កែតម្រូវ ឬមិនបានកែតម្រូវ) និងកម្រិតនៃចំណាត់ថ្នាក់ (23 ឬ 26) ដូចដែលបានអនុវត្តចំពោះសំណុំមុខងារទាំងពីរ (មិនបានត្រង និងត្រង)។

គំរូវាយតម្លៃគ្លីនិកផ្អែកលើ MemTrax

ក្នុងចំណោមសំណុំទិន្នន័យរងដើមទាំងបីរបស់យើង (YH, XL, KM) មានតែអ្នកជំងឺសំណុំទិន្នន័យរង XL ប៉ុណ្ណោះដែលត្រូវបានធ្វើរោគវិនិច្ឆ័យដោយឯករាជ្យចំពោះភាពចុះខ្សោយនៃការយល់ដឹង (ឧទាហរណ៍ ពិន្ទុ MoCA រៀងៗខ្លួនរបស់ពួកគេមិនត្រូវបានប្រើក្នុងការបង្កើតចំណាត់ថ្នាក់នៃធម្មតាធៀបនឹងពិការភាពទេ)។ ជាពិសេសអ្នកជំងឺ XL ត្រូវបានគេធ្វើរោគវិនិច្ឆ័យថាមាន ការធ្វើតេស្តជំងឺអាល់ហ្សៃមឺរ (AD) ឬជំងឺវង្វេងសរសៃឈាម (VaD)។ នៅក្នុងប្រភេទរោគវិនិច្ឆ័យបឋមនីមួយៗ មានការកំណត់បន្ថែមសម្រាប់ MCI ។ ការធ្វើរោគវិនិច្ឆ័យនៃ MCI, ជំងឺវង្វេង, ជំងឺសរសៃប្រសាទសរសៃឈាម និងជំងឺសរសៃប្រសាទដោយសារ AD ត្រូវបានផ្អែកលើលក្ខណៈវិនិច្ឆ័យជាក់លាក់ និងប្លែកៗដែលមានចែងនៅក្នុងសៀវភៅណែនាំរោគវិនិច្ឆ័យ និងស្ថិតិនៃជំងឺផ្លូវចិត្ត: DSM-5 [16] ។ ដោយពិចារណាលើការធ្វើរោគវិនិច្ឆ័យដែលចម្រាញ់ទាំងនេះ គ្រោងការណ៍គំរូនៃការចាត់ថ្នាក់ពីរត្រូវបានអនុវត្តដោយឡែកពីគ្នាទៅនឹងសំណុំទិន្នន័យរង XL ដើម្បីបែងចែកកម្រិតនៃភាពធ្ងន់ធ្ងរ (កម្រិតនៃការថយចុះ) សម្រាប់ប្រភេទរោគវិនិច្ឆ័យបឋមនីមួយៗ។ ទិន្នន័យដែលបានប្រើប្រាស់នៅក្នុងគម្រោងគំរូរោគវិនិច្ឆ័យនីមួយៗ (AD និង VaD) រួមមានព័ត៌មានប្រជាសាស្រ្ត និងប្រវត្តិអ្នកជំងឺ ក៏ដូចជាការអនុវត្ត MemTrax (MTx-%C មានន័យថា MTx-RT)។ ការធ្វើរោគវិនិច្ឆ័យនីមួយៗត្រូវបានដាក់ស្លាកថាស្រាលប្រសិនបើ MCI កំណត់; បើមិនដូច្នេះទេ វាត្រូវបានចាត់ទុកថាធ្ងន់ធ្ងរ។ ដំបូងឡើយ យើងបានពិចារណារួមទាំងពិន្ទុ MoCA នៅក្នុងគំរូរោគវិនិច្ឆ័យ (ស្រាលធៀបនឹងធ្ងន់ធ្ងរ); ប៉ុន្តែយើងបានកំណត់ថានឹងកម្ចាត់គោលបំណងនៃគម្រោងគំរូព្យាករណ៍បន្ទាប់បន្សំរបស់យើង។ នៅទីនេះ អ្នកសិក្សានឹងត្រូវបានបណ្តុះបណ្តាលដោយប្រើលក្ខណៈអ្នកជំងឺផ្សេងទៀតដែលអាចរកបានសម្រាប់អ្នកផ្តល់សេវា និងការវាស់វែងការអនុវត្តនៃការធ្វើតេស្ត MemTrax សាមញ្ញជាង (ជំនួសឱ្យ MoCA) ប្រឆាំងនឹងឯកសារយោង "ស្តង់ដារមាស" ដែលជាការធ្វើរោគវិនិច្ឆ័យឯករាជ្យ។ មាន 69 ករណីនៅក្នុងសំណុំទិន្នន័យរោគវិនិច្ឆ័យ AD និង 76 ករណីនៃ VaD (តារាង 2) នៅក្នុងសំណុំទិន្នន័យទាំងពីរ មានលក្ខណៈពិសេសឯករាជ្យចំនួន 12 ។ បន្ថែមពីលើលក្ខណៈពិសេសទាំង 10 ដែលត្រូវបានរួមបញ្ចូលនៅក្នុងចំណាត់ថ្នាក់ពិន្ទុ MoCA ប្រវត្តិអ្នកជំងឺក៏បានបញ្ចូលព័ត៌មានអំពីប្រវត្តិជំងឺលើសឈាម និងជំងឺដាច់សរសៃឈាមខួរក្បាលផងដែរ។

តារាងទី ១

សេចក្តីសង្ខេបនៃបំរែបំរួលគ្រោងការណ៍គំរូដែលប្រើសម្រាប់ការចាត់ថ្នាក់ភាពធ្ងន់ធ្ងរនៃការធ្វើរោគវិនិច្ឆ័យ (កម្រិតស្រាលធៀបនឹងធ្ងន់ធ្ងរ)

គ្រោងការណ៍គំរូ	កម្រិតស្រាល (ថ្នាក់អវិជ្ជមាន)	ធ្ងន់ធ្ងរ (ថ្នាក់វិជ្ជមាន)
MCI-AD ធៀបនឹង AD	12 (17.4%)	57 (82.6%)
MCI-VaD ធៀបនឹង VaD	38 (50.0%)	38 (50.0%)

ចំនួនរៀងៗខ្លួន និងភាគរយនៃអ្នកជំងឺសរុបក្នុងថ្នាក់នីមួយៗត្រូវបានបែងចែកតាមប្រភេទរោគវិនិច្ឆ័យបឋម (AD ឬ VaD)។

ស្ថិតិ

ការប្រៀបធៀបលក្ខណៈអ្នកចូលរួម និងលក្ខណៈជាលេខផ្សេងទៀតរវាងសំណុំទិន្នន័យរងសម្រាប់យុទ្ធសាស្ត្រចំណាត់ថ្នាក់គំរូនីមួយៗ (ដើម្បីទស្សន៍ទាយសុខភាពការយល់ដឹងរបស់ MoCA និងភាពធ្ងន់ធ្ងរនៃការធ្វើរោគវិនិច្ឆ័យ) ត្រូវបានអនុវត្តដោយប្រើភាសាសរសេរកម្មវិធី Python (កំណែ 2.7.1) [17] ។ ភាពខុសគ្នានៃការអនុវត្តគំរូត្រូវបានកំណត់ដំបូងដោយប្រើ ANOVA តែមួយ ឬកត្តាពីរ (តាមសមស្រប) ជាមួយនឹងចន្លោះពេលទំនុកចិត្ត 95% និងការធ្វើតេស្ត Tukey ភាពខុសប្លែកគ្នាដ៏សំខាន់ (HSD) ដើម្បីប្រៀបធៀបមធ្យោបាយនៃការអនុវត្ត។ ការ​ពិនិត្យ​មើល​ភាព​ខុស​គ្នា​រវាង​ការ​បង្ហាញ​ម៉ូដែល​នេះ​ត្រូវ​បាន​អនុវត្ត​ដោយ​ប្រើ​ការ​រួម​បញ្ចូល​គ្នា​នៃ Python និង R (កំណែ 3.5.1) [18] ។ យើងបានប្រើវិធីសាស្រ្តនេះ (ទោះបីជាមានហេតុផលតិចជាងការប្រសើរបំផុតក៏ដោយ) គ្រាន់តែជាជំនួយការស៊ើបអង្កេតចំពោះបញ្ហានេះ ដំណាក់កាល​ដំបូង សម្រាប់ការប្រៀបធៀបការអនុវត្តគំរូដំបូងក្នុងការប្រមើលមើលកម្មវិធីព្យាបាលដែលមានសក្តានុពល។ បន្ទាប់មកយើងបានប្រើប្រាស់ការធ្វើតេស្តចំណាត់ថ្នាក់ដែលមានសញ្ញា Bayesian ដោយប្រើការចែកចាយក្រោយដើម្បីកំណត់ប្រូបាប៊ីលីតេនៃភាពខុសគ្នានៃការអនុវត្តគំរូ [19] ។ សម្រាប់ការវិភាគទាំងនេះ យើងបានប្រើចន្លោះពេល –0.01, 0.01 ដែលបង្ហាញថាប្រសិនបើក្រុមពីរមានភាពខុសគ្នានៃការអនុវត្តតិចជាង 0.01 ពួកគេត្រូវបានគេចាត់ទុកថាដូចគ្នា (នៅក្នុងតំបន់នៃសមមូលជាក់ស្តែង) ឬបើមិនដូច្នេះទេពួកគេខុសគ្នា (មួយប្រសើរជាង។ ផ្សេង​ទៀត)។ ដើម្បីអនុវត្តការប្រៀបធៀប Bayesian នៃអ្នកចាត់ថ្នាក់ និងគណនាប្រូបាប៊ីលីតេទាំងនេះ យើងបានប្រើបណ្ណាល័យ baycomp (កំណែ 1.0.2) សម្រាប់ Python 3.6.4 ។

ការទស្សន៍ទាយគំរូ

យើងបានបង្កើតគំរូទស្សន៍ទាយដោយប្រើការប្រែប្រួលសរុបចំនួនដប់នៃគំរូគំរូរបស់យើងដើម្បីទស្សន៍ទាយ (ចាត់ថ្នាក់) លទ្ធផលនៃការធ្វើតេស្ត MoCA របស់អ្នកជំងឺម្នាក់ៗ ឬភាពធ្ងន់ធ្ងរនៃការធ្វើរោគវិនិច្ឆ័យគ្លីនិក។ អ្នកសិក្សាទាំងអស់ត្រូវបានអនុវត្ត ហើយគំរូត្រូវបានបង្កើតឡើងដោយប្រើកម្មវិធីប្រភពបើកចំហ Weka [20] ។ សម្រាប់ការវិភាគបឋមរបស់យើង យើងបានប្រើក្បួនដោះស្រាយការរៀនដែលប្រើជាទូទៅចំនួន 10៖ 5-Nearest Neighbors ពីរកំណែនៃការសម្រេចចិត្ត C4.5, Logistic Regression, Multilayer Perceptron, Naïve Bayes, two versions of Random Forest, Radial Basis Function Network, និង Support Vector ម៉ាស៊ីន។ គុណលក្ខណៈសំខាន់ៗ និងភាពផ្ទុយគ្នានៃក្បួនដោះស្រាយទាំងនេះត្រូវបានពិពណ៌នានៅកន្លែងផ្សេងទៀត [21] (សូមមើលឧបសម្ព័ន្ធរៀងៗខ្លួន)។ ទាំងនេះត្រូវបានជ្រើសរើសដោយសារតែពួកគេតំណាងឱ្យប្រភេទផ្សេងៗគ្នានៃអ្នកសិក្សា ហើយដោយសារតែយើងបានបង្ហាញភាពជោគជ័យដោយប្រើពួកវានៅក្នុងការវិភាគពីមុនលើទិន្នន័យស្រដៀងគ្នា។ ការកំណត់ Hyper-parameter ត្រូវបានជ្រើសរើសពីការស្រាវជ្រាវពីមុនរបស់យើង ដែលបង្ហាញថាពួកវាមានភាពរឹងមាំលើទិន្នន័យផ្សេងៗគ្នា [22]។ ដោយផ្អែកលើលទ្ធផលនៃការវិភាគបឋមរបស់យើងដោយប្រើសំណុំទិន្នន័យរួមបញ្ចូលគ្នាដូចគ្នាជាមួយនឹងលក្ខណៈពិសេសទូទៅដែលត្រូវបានប្រើជាបន្តបន្ទាប់នៅក្នុងការវិភាគពេញលេញ យើងបានកំណត់អ្នកសិក្សាបីនាក់ដែលផ្តល់នូវការអនុវត្តខ្លាំងជាប់លាប់នៅគ្រប់ចំណាត់ថ្នាក់ទាំងអស់៖ Logistic Regression, Naïve Bayes និង Support Vector Machine។

ភាពត្រឹមត្រូវឆ្លងកាត់ និងម៉ែត្រនៃការអនុវត្តគំរូ

សម្រាប់គំរូព្យាករណ៍ទាំងអស់ (រួមទាំងការវិភាគបឋម) គំរូនីមួយៗត្រូវបានសាងសង់ឡើងដោយប្រើការបញ្ជាក់ឆ្លងកាត់ 10 ដង ហើយការអនុវត្តគំរូត្រូវបានវាស់ដោយប្រើ Area Under the Receiver Operating Characteristic Curve (AUC)។ សុពលភាពឆ្លងកាត់បានចាប់ផ្តើមជាមួយនឹងការបែងចែកដោយចៃដន្យនូវសំណុំទិន្នន័យគ្រោងការណ៍គំរូទាំង 10 ទៅជា 10 ផ្នែកស្មើៗគ្នា (ផ្នត់) ដោយប្រើផ្នែកចំនួន 10 នៃផ្នែកទាំងនេះដើម្បីបណ្តុះបណ្តាលគំរូ និងផ្នែកដែលនៅសល់សម្រាប់ការធ្វើតេស្ត។ នីតិវិធីនេះត្រូវបានធ្វើម្តងទៀតចំនួន 10 ដង ដោយប្រើផ្នែកផ្សេងគ្នាដូចការធ្វើតេស្តដែលបានកំណត់ក្នុងការធ្វើម្តងទៀតនីមួយៗ។ បន្ទាប់មកលទ្ធផលត្រូវបានបញ្ចូលគ្នាដើម្បីគណនាលទ្ធផល/ដំណើរការរបស់គំរូចុងក្រោយ។ សម្រាប់ការរួមបញ្ចូលគ្នារវាងអ្នកសិក្សា/សំណុំទិន្នន័យនីមួយៗ ដំណើរការទាំងមូលនេះត្រូវបានធ្វើម្តងទៀត 6,600 ដង ដោយទិន្នន័យត្រូវបានបំបែកខុសៗគ្នារាល់ពេល។ ជំហានចុងក្រោយនេះបានកាត់បន្ថយភាពលំអៀង ធានាភាពអាចចម្លងបាន និងជួយក្នុងការកំណត់ដំណើរការគំរូទាំងមូល។ សរុប (សម្រាប់ពិន្ទុ MoCA និងគ្រោងការណ៍ចាត់ថ្នាក់ភាពធ្ងន់ធ្ងរនៃការធ្វើរោគវិនិច្ឆ័យរួមបញ្ចូលគ្នា) គំរូ 1,800 ត្រូវបានបង្កើតឡើង។ នេះរួមបញ្ចូលគំរូដែលមិនបានត្រងចំនួន 6 (គ្រោងការណ៍គំរូចំនួន 3 បានអនុវត្តចំពោះសំណុំទិន្នន័យ × 10 អ្នកសិក្សា × 10 រត់ × 1,800 ដង = 4,800 គំរូ) និងគំរូដែលបានត្រងចំនួន 4 (គ្រោងការណ៍គំរូចំនួន 3 បានអនុវត្តចំពោះសំណុំទិន្នន័យ × 4 អ្នកសិក្សា × 10 បច្ចេកទេសជ្រើសរើសលក្ខណៈពិសេស × 10 ដំណើរការ × 4,800 ដង = XNUMX គំរូ) ។

ជម្រើសលក្ខណៈពិសេស

សម្រាប់ម៉ូដែលដែលបានត្រង ការជ្រើសរើសលក្ខណៈពិសេស (ដោយប្រើវិធីសាស្រ្តចំណាត់ថ្នាក់លក្ខណៈពិសេសទាំងបួន) ត្រូវបានអនុវត្តនៅក្នុងសុពលភាពឆ្លង។ សម្រាប់ 10 ដងនីមួយៗ ដោយសារភាពខុសគ្នា 10% នៃសំណុំទិន្នន័យគឺជាទិន្នន័យសាកល្បង មានតែលក្ខណៈពិសេសដែលបានជ្រើសរើសកំពូលទាំង 90 សម្រាប់សំណុំទិន្នន័យបណ្តុះបណ្តាលនីមួយៗ (ឧទាហរណ៍ ប្រាំបួនផ្នត់ផ្សេងទៀត ឬ XNUMX% នៃសំណុំទិន្នន័យទាំងមូល) ត្រូវបានប្រើប្រាស់ ដើម្បីបង្កើតគំរូ។ យើងមិនអាចបញ្ជាក់បានថាលក្ខណៈពិសេសទាំងបួនណាត្រូវបានប្រើប្រាស់នៅក្នុងម៉ូដែលនីមួយៗ ដោយសារព័ត៌មាននោះមិនត្រូវបានរក្សាទុក ឬធ្វើឱ្យមាននៅក្នុងវេទិកាគំរូដែលយើងបានប្រើប្រាស់ (Weka)។ ទោះជាយ៉ាងណាក៏ដោយ ដោយសារភាពស៊ីសង្វាក់គ្នានៅក្នុងការជ្រើសរើសដំបូងរបស់យើងនៃលក្ខណៈពិសេសកំពូល នៅពេលដែលចំណាត់ថ្នាក់ត្រូវបានអនុវត្តចំពោះសំណុំទិន្នន័យរួមបញ្ចូលគ្នាទាំងមូល និងភាពស្រដៀងគ្នាជាបន្តបន្ទាប់នៅក្នុងការអនុវត្តគំរូ លក្ខណៈពិសេសដូចគ្នាទាំងនេះ (អាយុ ឆ្នាំនៃការអប់រំ MTx-% C និងមធ្យម MTx-RT ) ទំនង​ជា​កំពូល​ទាំង​បួន​ដែល​ប្រើ​ដោយ​ប្រើ​រួម​ជា​មួយ​នឹង​ការ​ជ្រើស​រើស​លក្ខណៈ​ពិសេស​ក្នុង​ដំណើរ​ការ​ឆ្លង​កាត់​សុពលភាព។

លទ្ធផល

លក្ខណៈជាលេខអ្នកចូលរួម (រាប់បញ្ចូលទាំងពិន្ទុ MoCA និងរង្វាស់នៃការអនុវត្ត MemTrax) នៃសំណុំទិន្នន័យរៀងៗខ្លួនសម្រាប់យុទ្ធសាស្ត្រចាត់ថ្នាក់គំរូនីមួយៗ ដើម្បីទស្សន៍ទាយសុខភាពការយល់ដឹងដែលបង្ហាញដោយ MoCA (ធម្មតាធៀបនឹង MCI) និងភាពធ្ងន់ធ្ងរនៃការធ្វើរោគវិនិច្ឆ័យ (ស្រាលធៀបនឹងធ្ងន់ធ្ងរ) ត្រូវបានបង្ហាញក្នុងតារាងទី 3 ។

តារាងទី ១

លក្ខណៈរបស់អ្នកចូលរួម ពិន្ទុ MoCA និងការអនុវត្ត MemTrax សម្រាប់យុទ្ធសាស្រ្តចាត់ថ្នាក់គំរូនីមួយៗ

យុទ្ធសាស្ត្រចំណាត់ថ្នាក់	អាយុ	ការអប់រំ	MoCA បានកែតម្រូវ	MoCA មិនបានកែតម្រូវ	MTx-%C	MTx-RT
ប្រភេទ MoCA	61.9 ឆ្នាំ (13.1)	9.6 ឆ្នាំ (4.6)	19.2 (6.5)	18.4 (6.7)	៥៨,៧% (ឆ្នាំ ២០១៣)	1.4 វិ (0.3)
ភាពធ្ងន់ធ្ងរនៃការធ្វើរោគវិនិច្ឆ័យ	65.6 ឆ្នាំ (12.1)	8.6 ឆ្នាំ (4.4)	16.7 (6.2)	15.8 (6.3)	៥៨,៧% (ឆ្នាំ ២០១៣)	1.5 វិ (0.3)

តម្លៃដែលបានបង្ហាញ (មធ្យម, SD) ខុសគ្នាដោយយុទ្ធសាស្រ្តចាត់ថ្នាក់គំរូគឺតំណាងនៃសំណុំទិន្នន័យរួមបញ្ចូលគ្នាដែលប្រើដើម្បីទស្សន៍ទាយសុខភាពការយល់ដឹងដែលបង្ហាញដោយ MoCA (MCI ធៀបនឹងធម្មតា) និងសំណុំទិន្នន័យរង XL ដែលប្រើសម្រាប់តែទស្សន៍ទាយពីភាពធ្ងន់ធ្ងរនៃការធ្វើរោគវិនិច្ឆ័យ (ស្រាលធៀបនឹងធ្ងន់ធ្ងរ)។

សម្រាប់ការរួមបញ្ចូលគ្នានីមួយៗនៃពិន្ទុ MoCA (កែសម្រួល/មិនកែសម្រួល) និងកម្រិត (26/23) មានភាពខុសគ្នាខាងស្ថិតិ (p = 0.000) នៅក្នុងការប្រៀបធៀបជាគូនីមួយៗ (សុខភាពការយល់ដឹងធម្មតាធៀបនឹង MCI) សម្រាប់អាយុ ការអប់រំ និងការអនុវត្ត MemTrax (MTx-%C និង MTx-RT)។ សំណុំទិន្នន័យរងអ្នកជំងឺនីមួយៗនៅក្នុងថ្នាក់ MCI រៀងៗខ្លួនសម្រាប់ការរួមបញ្ចូលគ្នានីមួយៗជាមធ្យមមានអាយុពី 9 ទៅ 15 ឆ្នាំ រាយការណ៍អំពីការអប់រំតិចជាងប្រាំឆ្នាំ ហើយមានការអនុវត្ត MemTrax មិនសូវអំណោយផលសម្រាប់ម៉ែត្រទាំងពីរ។

លទ្ធផលនៃការអនុវត្តគំរូព្យាករណ៍សម្រាប់ការចាត់ថ្នាក់ពិន្ទុ MoCA ដោយប្រើអ្នកសិក្សាកំពូលទាំងបី គឺ Logistic Regression, Naïve Bayes និង Support Vector Machine ត្រូវបានបង្ហាញក្នុងតារាងទី 4 ។ ទាំងបីនេះត្រូវបានជ្រើសរើសដោយផ្អែកលើការអនុវត្តជាក់ស្តែងខ្ពស់បំផុតរបស់អ្នកសិក្សានៅគ្រប់ម៉ូដែលផ្សេងៗ។ បានអនុវត្តទៅសំណុំទិន្នន័យសម្រាប់គ្រោងការណ៍គំរូទាំងអស់។ សម្រាប់សំណុំទិន្នន័យ និងការធ្វើគំរូដែលមិនបានត្រង តម្លៃទិន្នន័យនីមួយៗក្នុងតារាងទី 4 បង្ហាញពីការអនុវត្តគំរូដោយផ្អែកលើ AUC រៀងៗខ្លួន ដែលទទួលបានពីគំរូ 100 (10 រត់×10 ដង) ដែលបង្កើតឡើងសម្រាប់អ្នកសិក្សា/ការបញ្ចូលគ្នានៃគំរូនីមួយៗ ជាមួយនឹងតម្លៃខ្ពស់បំផុតរៀងៗខ្លួន។ អ្នកសិក្សាដែលអនុវត្តបានចង្អុលបង្ហាញជាអក្សរដិត។ ចំណែកឯសម្រាប់គំរូសំណុំទិន្នន័យដែលបានត្រង លទ្ធផលដែលបានរាយការណ៍នៅក្នុងតារាងទី 4 ឆ្លុះបញ្ចាំងពីការអនុវត្តគំរូជាមធ្យមសរុបពីគំរូ 400 សម្រាប់អ្នកសិក្សាម្នាក់ៗដោយប្រើវិធីសាស្រ្តចំណាត់ថ្នាក់លក្ខណៈពិសេសនីមួយៗ (វិធីសាស្ត្រចំណាត់ថ្នាក់លក្ខណៈពិសេស 4 × 10 រត់× 10 ដង)។

តារាងទី ១

លទ្ធផលចំណាត់ថ្នាក់ពិន្ទុ Dichotomous MoCA (AUC; 0.0–1.0) សម្រាប់អ្នកសិក្សាដែលមានសមត្ថភាពកំពូលទាំងបីសម្រាប់គម្រោងគំរូរៀងៗខ្លួន។

សំណុំមុខងារបានប្រើ	ពិន្ទុ MoCA	កម្រិតនៃការកាត់ផ្តាច់	តំរែតំរង់ឡូជីខល។	Naive Bayes	គាំទ្រម៉ាស៊ីនវ៉ិចទ័រ
មិនបានត្រង (លក្ខណៈពិសេស 10)	កែសំរួល	23	0.8862	0.8913	0.8695
		26	0.8971	0.9221	0.9161
	មិនសមហេតុផល	23	0.9103	0.9085	0.8995
		26	0.8834	0.9153	0.8994
ត្រង (លក្ខណៈពិសេស 4)	កែសំរួល	23	0.8929	0.8954	0.8948
		26	0.9188	0.9247	0.9201
	មិនសមហេតុផល	23	0.9135	0.9134	0.9122
		26	0.9159	0.9236	0.9177

ការប្រើប្រាស់បំរែបំរួលនៃសំណុំលក្ខណៈពិសេស ពិន្ទុ MoCA និងកម្រិតកាត់ពិន្ទុ MoCA ការអនុវត្តខ្ពស់បំផុតសម្រាប់គម្រោងគំរូនីមួយៗត្រូវបានបង្ហាញនៅក្នុង ដិត (មិនចាំបាច់មានស្ថិតិខុសគ្នាជាងអ្នកផ្សេងទៀតទាំងអស់ដែលមិនមាននៅក្នុង ដិត សម្រាប់ម៉ូដែលរៀងៗខ្លួន)។

ការប្រៀបធៀបអ្នកសិក្សានៅទូទាំងបន្សំទាំងអស់នៃកំណែពិន្ទុ MoCA និងកម្រិតកំណត់ (កែតម្រូវ/មិនបានកែតម្រូវ និង 23/26 រៀងគ្នា) នៅក្នុងសំណុំទិន្នន័យដែលមិនបានត្រងរួមបញ្ចូលគ្នា (មានន័យថា ការប្រើប្រាស់មុខងារទូទៅទាំង 10) Naïve Bayes ជាទូទៅគឺជាអ្នកសិក្សាដែលដំណើរការកំពូលជាមួយនឹងលទ្ធផលរួម។ ចំណាត់ថ្នាក់នៃការអនុវត្ត 0.9093 ។ ដោយពិចារណាលើអ្នកសិក្សាកំពូលទាំងបី ការធ្វើតេស្តចំណាត់ថ្នាក់ដែលទាក់ទងគ្នាជាមួយ Bayesian បានបង្ហាញថាប្រូបាប៊ីលីតេ (Pr) នៃ Naïve Bayes ដែលដំណើរការបានជាង Logistic Regression គឺ 99.9% ។ លើសពីនេះទៅទៀត រវាង Naïve Bayes និងម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ ប្រូបាប៊ីលីតេ 21.0% នៃសមមូលជាក់ស្តែងក្នុងការអនុវត្តរបស់អ្នកសិក្សា (ដូច្នេះ ប្រូបាប៊ីលីតេ 79.0% នៃ Naïve Bayes ដំណើរការជាងម៉ាស៊ីនវ៉ិចទ័រជំនួយ) រួមជាមួយនឹងប្រូបាប៊ីលីតេ 0.0% នៃម៉ាស៊ីនវ៉ិចទ័រគាំទ្រដែលដំណើរការបានប្រសើរជាង ដែលអាចវាស់វែងបាន។ ពង្រឹងអត្ថប្រយោជន៍នៃការអនុវត្តសម្រាប់ Naïve Bayes ។ ការប្រៀបធៀបបន្ថែមទៀតនៃកំណែពិន្ទុ MoCA នៅទូទាំងអ្នកសិក្សា/កម្រិតទាំងអស់បានណែនាំអត្ថប្រយោជន៍នៃការអនុវត្តតិចតួចដោយប្រើពិន្ទុ MoCA ដែលមិនមានការកែតម្រូវធៀបនឹងការកែតម្រូវ (0.9027 ធៀបនឹង 0.8971 រៀងគ្នា; Pr (មិនបានកែតម្រូវ > កែតម្រូវ) = 0.988) ។ ស្រដៀងគ្នានេះដែរ ការប្រៀបធៀបកម្រិតនៃការកាត់ផ្តាច់នៅទូទាំងអ្នកសិក្សាទាំងអស់ និងកំណែពិន្ទុ MoCA បានបង្ហាញពីអត្ថប្រយោជន៍នៃការអនុវត្តចំណាត់ថ្នាក់តូចមួយដោយប្រើ 26 ជាកម្រិតនៃការចាត់ថ្នាក់ធៀបនឹង 23 (0.9056 ធៀបនឹង 0.8942 រៀងគ្នា; Pr (26> 23) = 0.999)។ ជាចុងក្រោយ ការពិនិត្យមើលដំណើរការចាត់ថ្នាក់សម្រាប់ម៉ូដែលដែលប្រើប្រាស់តែលទ្ធផលដែលបានត្រង (ឧទាហរណ៍លក្ខណៈពិសេសទាំងបួនដែលជាប់ចំណាត់ថ្នាក់កំពូលប៉ុណ្ណោះ) Naïve Bayes (0.9143) គឺជាអ្នកសិក្សាដែលមានលទ្ធផលខ្ពស់បំផុតនៅគ្រប់កំណែ/កម្រិតពិន្ទុ MoCA ទាំងអស់។ ទោះជាយ៉ាងណាក៏ដោយ គ្រប់បច្ចេកទេសចំណាត់ថ្នាក់លក្ខណៈពិសេសទាំងអស់រួមបញ្ចូលគ្នា អ្នកសិក្សាដែលមានសមត្ថភាពខ្ពស់ទាំងអស់បានអនុវត្តដូចគ្នានេះ។ ការធ្វើតេស្តចំណាត់ថ្នាក់ដែលបានចុះហត្ថលេខា Bayesian បានបង្ហាញពីប្រូបាប៊ីលីតេ 100% នៃសមមូលជាក់ស្តែងរវាងគូនីមួយៗនៃអ្នកសិក្សាដែលបានត្រង។ ដូចទៅនឹងទិន្នន័យដែលមិនបានត្រង (ដោយប្រើមុខងារទូទៅទាំង 10) មានអត្ថប្រយោជន៍នៃការអនុវត្តម្តងទៀតសម្រាប់កំណែដែលមិនមានការកែតម្រូវនៃពិន្ទុ MoCA (Pr (unadjusted > adjusted) = 1.000) ក៏ដូចជាអត្ថប្រយោជន៍ផ្សេងគ្នាស្រដៀងគ្នាសម្រាប់កម្រិតនៃការចាត់ថ្នាក់នៃ 26 (Pr (26> 23) = 1.000)។ គួរកត់សម្គាល់ថាការអនុវត្តជាមធ្យមរបស់អ្នកសិក្សាកំពូលទាំងបីនាក់នៅគ្រប់កំណែ/កម្រិតពិន្ទុ MoCA ទាំងអស់ ដោយប្រើតែលក្ខណៈពិសេសទាំងបួនដែលជាប់ចំណាត់ថ្នាក់កំពូលបានលើសពីការអនុវត្តជាមធ្យមរបស់អ្នកសិក្សាណាមួយលើទិន្នន័យដែលមិនបានត្រង។ មិនគួរឱ្យភ្ញាក់ផ្អើលទេ ការចាត់ថ្នាក់នៃម៉ូដែលដែលបានត្រង (ដោយប្រើមុខងារកំពូលទាំងបួន) ជាទូទៅគឺល្អជាង (0.9119) ទៅនឹងម៉ូដែលដែលមិនបានត្រង (0.8999) ដោយមិនគិតពីម៉ូដែលវិធីសាស្ត្រចាត់ថ្នាក់លក្ខណៈដែលត្រូវបានប្រៀបធៀបទៅនឹងម៉ូដែលរៀងៗខ្លួនដោយប្រើ 10 ទូទៅ។ លក្ខណៈ។ សម្រាប់វិធីសាស្រ្តជ្រើសរើសលក្ខណៈពិសេសនីមួយៗ វាមានប្រូបាប៊ីលីតេ 100% នៃអត្ថប្រយោជន៍នៃការអនុវត្តលើម៉ូដែលដែលមិនបានត្រង។

ជាមួយនឹងអ្នកជំងឺដែលត្រូវបានពិចារណាសម្រាប់ការចាត់ថ្នាក់ភាពធ្ងន់ធ្ងរនៃការធ្វើរោគវិនិច្ឆ័យ AD ភាពខុសគ្នារវាងក្រុម (MCI-AD ធៀបនឹង AD) ភាពខុសគ្នាសម្រាប់អាយុ (p = 0.004), ការអប់រំ (p = 0.028), ពិន្ទុ MoCA កែតម្រូវ/មិនកែតម្រូវ (p = 0.000), និង MTx-%C (p = 0.008) មានសារៈសំខាន់ជាស្ថិតិ; ចំណែកឯ MTx-RT វាមិនមែន (p = 0.097) ។ ជាមួយនឹងអ្នកជំងឺទាំងនោះដែលត្រូវបានពិចារណាសម្រាប់ការចាត់ថ្នាក់ភាពធ្ងន់ធ្ងរនៃការវិភាគ VaD ភាពខុសគ្នារវាងក្រុម (MCI-VaD ធៀបនឹង VaD) សម្រាប់ពិន្ទុ MoCA ដែលបានកែតម្រូវ/មិនកែតម្រូវ (p = 0.007) និង MTx-%C (p = 0.026) និង MTx-RT (p = 0.001) មានសារៈសំខាន់ជាស្ថិតិ; ចំណែក​ឯ​អាយុ (p = 0.511) និងការអប់រំ (p = 0.157) មិនមានភាពខុសគ្នាខ្លាំងរវាងក្រុមទេ។

លទ្ធផលនៃការអនុវត្តគំរូព្យាករណ៍សម្រាប់ការចាត់ថ្នាក់នៃភាពធ្ងន់ធ្ងរនៃការធ្វើរោគវិនិច្ឆ័យដោយប្រើអ្នកសិក្សាដែលបានជ្រើសរើសពីមុនចំនួនបីគឺ Logistic Regression, Naïve Bayes និង Support Vector Machine ត្រូវបានបង្ហាញក្នុងតារាងទី 5។ ខណៈដែលអ្នកសិក្សាដែលបានពិនិត្យបន្ថែមបានបង្ហាញពីការសម្តែងខ្លាំងជាងបន្តិចរៀងៗខ្លួនជាមួយនឹងប្រភេទមួយក្នុងចំណោមប្រភេទរោគវិនិច្ឆ័យទាំងពីរ។ អ្នកសិក្សាបីនាក់ដែលយើងបានកំណត់ថាមានភាពអំណោយផលបំផុតនៅក្នុងការធ្វើគំរូមុនរបស់យើងបានផ្តល់នូវការអនុវត្តស្របគ្នាបំផុតជាមួយនឹងគ្រោងការណ៍គំរូថ្មីទាំងពីរ។ ការប្រៀបធៀបអ្នកសិក្សានៅទូទាំងប្រភេទរោគវិនិច្ឆ័យបឋមនីមួយៗ (AD និង VaD) មិនមានភាពខុសគ្នានៃការចាត់ថ្នាក់ស្របគ្នារវាងអ្នកសិក្សាសម្រាប់ MCI-VaD ធៀបនឹង VaD ទេ ទោះបីជាម៉ាស៊ីនគាំទ្រវ៉ិចទ័រជាទូទៅដំណើរការបានលេចធ្លោជាងក៏ដោយ។ ស្រដៀងគ្នានេះដែរ មិនមានភាពខុសគ្នាខ្លាំងរវាងអ្នកសិក្សាសម្រាប់ការចាត់ថ្នាក់ MCI-AD ធៀបនឹង AD ទេ បើទោះបីជា Naïve Bayes (NB) មានអត្ថប្រយោជន៍នៃការអនុវត្តតិចតួចជាង Logistic Regression (LR) និងគ្រាន់តែជាពហុវចនៈមិនច្បាស់លាស់លើ Support Vector Machine ដែលមានប្រូបាប៊ីលីតេនៃ 61.4% និង 41.7% រៀងគ្នា។ នៅទូទាំងសំណុំទិន្នន័យទាំងពីរ វាមានអត្ថប្រយោជន៍នៃការអនុវត្តជារួមសម្រាប់ Support Vector Machine (SVM) ជាមួយ Pr (SVM > LR) = 0.819 និង Pr (SVM > NB) = 0.934 ។ ការអនុវត្តចំណាត់ថ្នាក់រួមរបស់យើងនៅទូទាំងអ្នកសិក្សាទាំងអស់ក្នុងការទស្សន៍ទាយពីភាពធ្ងន់ធ្ងរនៃការធ្វើរោគវិនិច្ឆ័យនៅក្នុងសំណុំទិន្នន័យរង XL គឺប្រសើរជាងនៅក្នុងប្រភេទការវិនិច្ឆ័យ VaD ធៀបនឹង AD (Pr (VAD > AD) = 0.998)។

តារាងទី ១

លទ្ធផល​នៃ​ការ​ធ្វើ​ចំណាត់​ថ្នាក់​ភាព​ធ្ងន់ធ្ងរ​នៃ​ការ​ធ្វើ​ចំណាត់​ថ្នាក់​ឌីកូតូមុស (AUC; 0.0–1.0) សម្រាប់​អ្នក​សិក្សា​ដែល​មាន​សមត្ថភាព​កំពូល​ទាំង​បី​សម្រាប់​គម្រោង​គំរូ​រៀង​ខ្លួន

គ្រោងការណ៍គំរូ	តំរែតំរង់ឡូជីខល។	Naive Bayes	គាំទ្រម៉ាស៊ីនវ៉ិចទ័រ
MCI-AD ធៀបនឹង AD	0.7465	0.7810	0.7443
MCI-VaD ធៀបនឹង VaD	0.8033	0.8044	0.8338

ការអនុវត្តខ្ពស់បំផុតសម្រាប់គ្រោងការណ៍គំរូនីមួយៗត្រូវបានបង្ហាញនៅក្នុង ដិត (មិនចាំបាច់មានស្ថិតិខុសគ្នាជាងអ្នកផ្សេងទៀតដែលមិននៅក្នុង ដិត).

សន្ទនា

ការរកឃើញដំបូងនៃការផ្លាស់ប្តូរនៅក្នុងសុខភាពការយល់ដឹងមានសារៈសំខាន់ណាស់។ ឧបករណ៍ប្រើប្រាស់ជាក់ស្តែងក្នុងការគ្រប់គ្រងសុខភាពផ្ទាល់ខ្លួន និងសុខភាពសាធារណៈដូចគ្នា។ ជាការពិត វាក៏ជាអាទិភាពខ្ពស់ក្នុងការកំណត់គ្លីនិកសម្រាប់អ្នកជំងឺទូទាំងពិភពលោកផងដែរ។ គោលដៅរួមគឺដើម្បីជូនដំណឹងដល់អ្នកជំងឺ អ្នកថែទាំ និងអ្នកផ្តល់សេវា ហើយជម្រុញការព្យាបាលដែលសមស្រប និងមានប្រសិទ្ធភាព និងការថែទាំយូរអង្វែងសម្រាប់អ្នកដែលចាប់ផ្តើមមានការថយចុះការយល់ដឹង។ ការរួមបញ្ចូលគ្នានូវសំណុំរងទិន្នន័យមន្ទីរពេទ្យ/គ្លីនិកចំនួនបីរបស់យើង យើងបានកំណត់អ្នកសិក្សាដែលចូលចិត្តដោយឡែកចំនួនបីនាក់ (ជាមួយនឹងលក្ខណៈពិសេសគួរឱ្យកត់សម្គាល់មួយ – Naïve Bayes) ដើម្បីបង្កើតគំរូទស្សន៍ទាយដោយប្រើ រង្វាស់នៃការអនុវត្ត MemTrax ដែលអាចទុកចិត្តបានចាត់ថ្នាក់ស្ថានភាពសុខភាពការយល់ដឹង dichotomously (សុខភាពការយល់ដឹងធម្មតាឬ MCI) ដូចដែលនឹងត្រូវបានចង្អុលបង្ហាញដោយពិន្ទុសរុប MoCA ។ គួរកត់សម្គាល់ថាការអនុវត្តចំណាត់ថ្នាក់រួមសម្រាប់អ្នកសិក្សាទាំងបីបានប្រសើរឡើងនៅពេលដែលគំរូរបស់យើងបានប្រើប្រាស់តែលក្ខណៈពិសេសទាំងបួនដែលជាប់ចំណាត់ថ្នាក់កំពូលដែលគ្របដណ្តប់ជាចម្បងលើរង្វាស់នៃការអនុវត្ត MemTrax ទាំងនេះ។ លើសពីនេះទៅទៀត យើងបានបង្ហាញឱ្យឃើញពីសក្តានុពលជាក់ស្តែងសម្រាប់ការប្រើប្រាស់អ្នកសិក្សាដូចគ្នា និងរង្វាស់នៃការអនុវត្ត MemTrax នៅក្នុងគម្រោងគំរូនៃការចាត់ថ្នាក់នៃការគាំទ្រការវិនិច្ឆ័យ ដើម្បីបែងចែកភាពធ្ងន់ធ្ងរនៃប្រភេទជំងឺវង្វេងពីរប្រភេទ៖ AD និង VaD ។

ការធ្វើតេស្តអង្គចងចាំ គឺជាចំណុចកណ្តាលនៃការរកឃើញដំបូងនៃ AD [23, 24] ។ ដូច្នេះ វាជាឱកាសដែល MemTrax គឺជាកម្មវិធីដែលអាចទទួលយកបាន ចូលរួម និងងាយស្រួលអនុវត្តតាមអ៊ីនធឺណិត។ ការធ្វើតេស្តសម្រាប់ការចងចាំភាគ នៅក្នុងប្រជាជនទូទៅ [6] ។ ភាពត្រឹមត្រូវនៃការទទួលស្គាល់ និងពេលវេលាឆ្លើយតបពីកិច្ចការបន្តបន្ទាប់នេះ គឺបង្ហាញឱ្យឃើញជាពិសេសក្នុងការកំណត់អត្តសញ្ញាណការខ្សោះជីវជាតិដំបូង និងការវិវត្ត និងឱនភាពជាលទ្ធផលនៅក្នុងដំណើរការ neuroplastic ដែលទាក់ទងនឹងការរៀន ការចងចាំ និងការយល់ដឹង។ នោះគឺជាគំរូនៅទីនេះ ដែលភាគច្រើនផ្អែកលើរង្វាស់នៃការអនុវត្ត MemTrax មានភាពរសើបចំពោះ និងទំនងជាងាយស្រួល ហើយជាមួយនឹងការចំណាយតិចតួចបំផុតបង្ហាញពីឱនភាពប្រព័ន្ធប្រសាទជីវសាស្រ្តក្នុងកំឡុងដំណាក់កាល asymptomatic អន្តរកាល មុនពេលការបាត់បង់មុខងារច្រើន [25] ។ Ashford et al ។ បានពិនិត្យយ៉ាងដិតដល់នូវគំរូ និងអាកប្បកិរិយានៃភាពត្រឹមត្រូវនៃការចងចាំការទទួលស្គាល់ និងពេលវេលាឆ្លើយតបនៅក្នុងអ្នកប្រើប្រាស់អនឡាញ ដែលបានចូលរួមដោយខ្លួនឯងជាមួយ MemTrax [6] ។ ដោយគោរពថាការចែកចាយទាំងនេះមានសារៈសំខាន់ក្នុងការបង្កើតគំរូដ៏ល្អប្រសើរ និងបង្កើតកម្មវិធីថែទាំអ្នកជំងឺដែលមានសុពលភាព និងមានប្រសិទ្ធភាព ការកំណត់ការទទួលស្គាល់ដែលអាចអនុវត្តបានតាមគ្លីនិក និងទម្រង់ពេលវេលាឆ្លើយតបគឺមានសារៈសំខាន់ក្នុងការបង្កើតឯកសារយោងជាមូលដ្ឋានដ៏មានតម្លៃសម្រាប់ឧបករណ៍ប្រើប្រាស់ព្យាបាល និងស្រាវជ្រាវ។ តម្លៃជាក់ស្តែងនៃ MemTrax ក្នុងការពិនិត្យ AD សម្រាប់ការចុះខ្សោយនៃការយល់ដឹងនៅដំណាក់កាលដំបូង និងការគាំទ្រការវិនិច្ឆ័យឌីផេរ៉ង់ស្យែល ចាំបាច់ត្រូវពិនិត្យឱ្យកាន់តែជិតស្និទ្ធនៅក្នុងបរិបទនៃការកំណត់គ្លីនិក ដែលភាពច្របូកច្របល់ និងសមត្ថភាពនៃការយល់ដឹង អារម្មណ៍ និងម៉ូទ័រដែលប៉ះពាល់ដល់ការអនុវត្តការធ្វើតេស្តអាចត្រូវបានពិចារណា។ ហើយដើម្បីជូនដំណឹងអំពីទស្សនវិស័យវិជ្ជាជីវៈ និងលើកទឹកចិត្តដល់ឧបករណ៍ប្រើប្រាស់ជាក់ស្តែង វាជាការចាំបាច់ដំបូងដើម្បីបង្ហាញការប្រៀបធៀបទៅនឹងការធ្វើតេស្តវាយតម្លៃសុខភាពការយល់ដឹងដែលបានបង្កើតឡើង បើទោះបីជាការសាកល្បងចុងក្រោយអាចត្រូវបានកំណត់ដោយភាពលំបាកនៃការដឹកជញ្ជូន ការអប់រំ និងការរារាំងភាសា និងឥទ្ធិពលវប្បធម៌ [26] . ក្នុងន័យនេះ ការប្រៀបធៀបដ៏អំណោយផលនៃ MemTrax ក្នុងប្រសិទ្ធភាពព្យាបាលចំពោះ MoCA ដែលត្រូវបានគេសន្មតថាជាស្តង់ដារឧស្សាហកម្មមានសារៈសំខាន់ ជាពិសេសនៅពេលថ្លឹងថ្លែងពីភាពងាយស្រួលកាន់តែច្រើន និងការទទួលយកដោយអ្នកជំងឺនៃ MemTrax ។

ការរុករកពីមុនដែលប្រៀបធៀប MemTrax ទៅ MoCA បង្ហាញពីហេតុផល និងភស្តុតាងបឋមដែលធានាការស៊ើបអង្កេតគំរូរបស់យើង [8] ។ ទោះជាយ៉ាងណាក៏ដោយ ការប្រៀបធៀបពីមុននេះគ្រាន់តែបានផ្សារភ្ជាប់ទៅនឹងរង្វាស់នៃការអនុវត្ត MemTrax សំខាន់ៗពីរដែលយើងបានពិនិត្យជាមួយនឹងស្ថានភាពការយល់ដឹងដែលកំណត់ដោយ MoCA និងបានកំណត់ជួររៀងៗខ្លួន និងតម្លៃកាត់ផ្តាច់។ យើងបានធ្វើឱ្យស៊ីជម្រៅលើការវាយតម្លៃឧបករណ៍ប្រើប្រាស់គ្លីនិករបស់ MemTrax ដោយស្វែងរកវិធីសាស្រ្តផ្អែកលើគំរូព្យាករណ៍ដែលនឹងផ្តល់នូវការពិចារណាជាលក្ខណៈបុគ្គលបន្ថែមទៀតអំពីប៉ារ៉ាម៉ែត្រជាក់លាក់អ្នកជំងឺដែលមានសក្តានុពលពាក់ព័ន្ធផ្សេងទៀត។ ផ្ទុយពីអ្នកដទៃ យើងមិនបានរកឃើញអត្ថប្រយោជន៍មួយនៅក្នុងការអនុវត្តគំរូដោយប្រើការកែតម្រូវការអប់រំ (ការកែតម្រូវ) ទៅនឹងពិន្ទុ MoCA ឬនៅក្នុងការខុសប្លែកគ្នានៃសុខភាពការយល់ដឹងដែលរើសអើងកម្រិតពិន្ទុសរុប MoCA ពីកម្រិតដែលបានណែនាំដំបូង 26 ទៅ 23 [12, 15] ។ តាមពិត អត្ថប្រយោជន៍នៃការអនុវត្តចំណាត់ថ្នាក់បានពេញចិត្តនឹងការប្រើប្រាស់ពិន្ទុ MoCA ដែលមិនមានការកែតម្រូវ និងកម្រិតខ្ពស់ជាងនេះ។

ចំណុចសំខាន់ក្នុងការអនុវត្តគ្លីនិក

ការរៀនម៉ាស៊ីនជាញឹកញាប់ត្រូវបានប្រើប្រាស់យ៉ាងល្អបំផុត និងមានប្រសិទ្ធភាពបំផុតក្នុងការធ្វើគំរូទស្សន៍ទាយ នៅពេលដែលទិន្នន័យមានលក្ខណៈទូលំទូលាយ និងពហុវិមាត្រ ពោលគឺនៅពេលដែលមានការសង្កេតជាច្រើន និងគុណលក្ខណៈតម្លៃខ្ពស់ (រួមចំណែក) រួមផ្សំគ្នា។ ប៉ុន្តែជាមួយនឹងទិន្នន័យបច្ចុប្បន្នទាំងនេះ ម៉ូដែលដែលបានត្រងដែលមានមុខងារជ្រើសរើសតែ 10 ប៉ុណ្ណោះ ដំណើរការបានល្អជាងអ្នកដែលប្រើប្រាស់មុខងារទូទៅទាំង XNUMX ។ នេះបង្ហាញថាសំណុំទិន្នន័យមន្ទីរពេទ្យសរុបរបស់យើងមិនមានលក្ខណៈពិសេសសមស្របបំផុត (តម្លៃខ្ពស់) គ្លីនិកដើម្បីចាត់ថ្នាក់អ្នកជំងឺឱ្យមានប្រសិទ្ធភាពតាមវិធីនេះ។ ទោះជាយ៉ាងណាក៏ដោយ លក្ខណៈពិសេសចំណាត់ថ្នាក់ដែលសង្កត់ធ្ងន់លើរង្វាស់នៃការអនុវត្ត MemTrax សំខាន់ៗ—MTx-% C និង MTx-RT—គាំទ្រយ៉ាងខ្លាំងក្នុងការបង្កើតគំរូពិនិត្យឱនភាពការយល់ដឹងដំណាក់កាលដំបូងជុំវិញការធ្វើតេស្តនេះ ដែលមានលក្ខណៈសាមញ្ញ ងាយស្រួលក្នុងការគ្រប់គ្រង ចំណាយទាប និងបង្ហាញយ៉ាងត្រឹមត្រូវទាក់ទងនឹង ដំណើរការអង្គចងចាំ យ៉ាងហោចណាស់ឥឡូវនេះជាអេក្រង់ដំបូងសម្រាប់ការចាត់ថ្នាក់ប្រព័ន្ធគោលពីរនៃស្ថានភាពសុខភាពការយល់ដឹង។ ដោយមើលឃើញពីភាពតានតឹងដែលមិនធ្លាប់មាននៅលើអ្នកផ្តល់សេវា និងប្រព័ន្ធថែទាំសុខភាព ដំណើរការពិនិត្យអ្នកជំងឺ និងកម្មវិធីព្យាបាលគួរតែត្រូវបានបង្កើតឡើងយ៉ាងសមស្រប ដោយសង្កត់ធ្ងន់លើការប្រមូល តាមដាន និងធ្វើគំរូតាមលក្ខណៈអ្នកជំងឺ និងឧបករណ៍វាស់ស្ទង់ដែលមានប្រយោជន៍បំផុត អត្ថប្រយោជន៍ និងបង្ហាញថាមានប្រសិទ្ធភាពក្នុងការធ្វើរោគវិនិច្ឆ័យ។ និងការគាំទ្រផ្នែកគ្រប់គ្រងអ្នកជំងឺ។

ជាមួយនឹងរង្វាស់ MemTrax សំខាន់ៗចំនួនពីរដែលជាចំណុចកណ្តាលនៃការចាត់ថ្នាក់ MCI អ្នកសិក្សាដែលដំណើរការកំពូលរបស់យើង (Naïve Bayes) មានដំណើរការទស្សន៍ទាយខ្ពស់នៅក្នុងម៉ូដែលភាគច្រើន (AUC លើសពី 0.90) ជាមួយនឹងសមាមាត្រពិតទៅវិជ្ជមានមិនពិតជិតដល់ ឬលើសពី 4 ។ : 1. កម្មវិធីព្យាបាលការបកប្រែដោយប្រើអ្នកសិក្សានេះនឹងចាប់យក (ចាត់ថ្នាក់ឱ្យបានត្រឹមត្រូវ) ដោយភាគច្រើននៃអ្នកដែលមានឱនភាពនៃការយល់ដឹង ខណៈពេលដែលកាត់បន្ថយការចំណាយដែលទាក់ទងនឹងការចាត់ថ្នាក់ខុសអ្នកដែលមានសុខភាពការយល់ដឹងធម្មតាថាមានឱនភាពការយល់ដឹង (វិជ្ជមានក្លែងក្លាយ) ឬ បាត់ការចាត់ថ្នាក់នោះចំពោះអ្នកដែលមានឱនភាពនៃការយល់ដឹង (អវិជ្ជមានមិនពិត)។ សេណារីយ៉ូមួយក្នុងចំណោមសេណារីយ៉ូនៃការចាត់ថ្នាក់ខុសទាំងនេះអាចដាក់បន្ទុកផ្លូវចិត្ត-សង្គមមិនសមរម្យដល់អ្នកជំងឺ និងអ្នកថែទាំ។

ខណៈពេលដែលនៅក្នុងការវិភាគបឋម និងពេញលេញ យើងបានប្រើអ្នកសិក្សាទាំងដប់នាក់នៅក្នុងគ្រោងការណ៍គំរូនីមួយៗ យើងបានផ្តោតទៅលើលទ្ធផលរបស់យើងលើអ្នកចាត់ថ្នាក់ទាំងបីដែលបង្ហាញពីការអនុវត្តខ្លាំងជាប់លាប់បំផុត។ នេះក៏ជាការគូសបញ្ជាក់ផងដែរ ដោយផ្អែកលើទិន្នន័យទាំងនេះ អ្នកសិក្សាដែលនឹងធ្វើការរំពឹងទុកដោយពឹងផ្អែកនៅកម្រិតខ្ពស់ក្នុងការអនុវត្តជាក់ស្តែងក្នុងការកំណត់ចំណាត់ថ្នាក់នៃស្ថានភាពការយល់ដឹង។ លើសពីនេះទៅទៀត ដោយសារការសិក្សានេះមានបំណងជាការស៊ើបអង្កេតបឋមទៅលើឧបករណ៍ប្រើប្រាស់នៃការរៀនម៉ាស៊ីនលើការពិនិត្យការយល់ដឹង និងបញ្ហាប្រឈមក្នុងការព្យាបាលទាន់ពេលវេលាទាំងនេះ យើងបានសម្រេចចិត្តរក្សាបច្ចេកទេសសិក្សាឱ្យមានលក្ខណៈសាមញ្ញ និងមានលក្ខណៈទូទៅ ដោយមានការលៃតម្រូវប៉ារ៉ាម៉ែត្រតិចតួចបំផុត។ យើងពេញចិត្តក្នុងការស្តាប់ដែលវិធីសាស្រ្តនេះអាចកំណត់សក្តានុពលសម្រាប់សមត្ថភាពទស្សន៍ទាយជាក់លាក់សម្រាប់អ្នកជំងឺដែលបានកំណត់ឱ្យកាន់តែតូចចង្អៀត។ ដូចគ្នានេះដែរ ខណៈពេលដែលការបណ្តុះបណ្តាលគំរូដោយប្រើតែលក្ខណៈពិសេសកំពូល (វិធីសាស្រ្តដែលបានត្រង) ប្រាប់យើងបន្ថែមទៀតអំពីទិន្នន័យទាំងនេះ (ជាក់លាក់ចំពោះភាពខ្វះខាតនៃទិន្នន័យដែលបានប្រមូល និងការរំលេចតម្លៃក្នុងការបង្កើនប្រសិទ្ធភាពពេលវេលា និងធនធានព្យាបាលដ៏មានតម្លៃ) យើងទទួលស្គាល់ថាវាឆាប់ពេកក្នុងការបង្រួម វិសាលភាពនៃម៉ូដែល ហើយដូច្នេះ ទាំងអស់ (និងលក្ខណៈពិសេសផ្សេងទៀត) គួរតែត្រូវបានពិចារណាជាមួយនឹងការស្រាវជ្រាវនាពេលអនាគត រហូតទាល់តែយើងមានទម្រង់ច្បាស់លាស់បន្ថែមទៀតនៃលក្ខណៈពិសេសអាទិភាពដែលនឹងអាចអនុវត្តបានចំពោះប្រជាជនទូលំទូលាយ។ ដូច្នេះហើយ យើងក៏ទទួលស្គាល់យ៉ាងពេញទំហឹងថា ទិន្នន័យតំណាងដែលរួមបញ្ចូល និងទូលំទូលាយ និងការបង្កើនប្រសិទ្ធភាពនៃគំរូទាំងនេះ និងគំរូផ្សេងទៀតនឹងចាំបាច់មុនពេលបញ្ចូលពួកវាទៅក្នុងកម្មវិធីព្យាបាលដ៏មានប្រសិទ្ធភាព ជាពិសេសដើម្បីសម្រួលដល់ការរួមផ្សំដែលប៉ះពាល់ដល់ដំណើរការនៃការយល់ដឹង ដែលនឹងត្រូវពិចារណាក្នុងការវាយតម្លៃបន្ថែម។

ឧបករណ៍ប្រើប្រាស់របស់ MemTrax ត្រូវបានពង្រឹងបន្ថែមដោយការធ្វើគំរូនៃភាពធ្ងន់ធ្ងរនៃជំងឺដោយផ្អែកលើការធ្វើរោគវិនិច្ឆ័យគ្លីនិកដាច់ដោយឡែក។ ការអនុវត្តចំណាត់ថ្នាក់ជារួមប្រសើរជាងមុនក្នុងការព្យាករណ៍ពីភាពធ្ងន់ធ្ងរនៃ VaD (បើប្រៀបធៀបទៅនឹង AD) គឺមិនមែនទេ។ គួរឱ្យភ្ញាក់ផ្អើលដោយសារតែលក្ខណៈពិសេសទម្រង់អ្នកជំងឺនៅក្នុងគំរូជាក់លាក់ចំពោះសុខភាពសរសៃឈាម និងហានិភ័យនៃជំងឺដាច់សរសៃឈាមខួរក្បាល ពោលគឺ លើសឈាម លើសជាតិខ្លាញ់ក្នុងឈាម ជំងឺទឹកនោមផ្អែម និង (ជាការពិត) ប្រវត្តិជំងឺដាច់សរសៃឈាមខួរក្បាល។ ទោះបីជាវាជាការចង់បាន និងសមជាងក្នុងការវាយតម្លៃគ្លីនិកដូចគ្នាដែលធ្វើឡើងលើអ្នកជំងឺដែលត្រូវគ្នាជាមួយនឹងសុខភាពការយល់ដឹងធម្មតា ដើម្បីបណ្តុះបណ្តាលអ្នកសិក្សាជាមួយនឹងទិន្នន័យដែលរួមបញ្ចូលកាន់តែច្រើនទាំងនេះ។ នេះត្រូវបានធានាជាពិសេស ដោយសារ MemTrax មានបំណងប្រើជាចម្បងសម្រាប់ការរកឃើញដំណាក់កាលដំបូងនៃឱនភាពនៃការយល់ដឹង និងការតាមដានជាបន្តបន្ទាប់នៃការផ្លាស់ប្តូរបុគ្គល។ វាក៏អាចជឿជាក់បានដែរថាការចែកចាយទិន្នន័យដែលគួរឱ្យចង់បាននៅក្នុងសំណុំទិន្នន័យ VaD បានរួមចំណែកមួយផ្នែកដល់ការអនុវត្តគំរូដែលប្រសើរជាងប្រៀបធៀប។ សំណុំទិន្នន័យ VaD មានតុល្យភាពល្អរវាងថ្នាក់ទាំងពីរ ចំណែកសំណុំទិន្នន័យ AD ដែលមានអ្នកជំងឺ MCI តិចជាងមុនគឺមិនមានទេ។ ជាពិសេសនៅក្នុងសំណុំទិន្នន័យតូចៗ សូម្បីតែករណីបន្ថែមមួយចំនួនអាចបង្កើតភាពខុសគ្នាដែលអាចវាស់វែងបាន។ ទស្សនវិស័យទាំងពីរនេះគឺជាទឡ្ហីករណ៍សមហេតុផលដែលផ្អែកលើភាពខុសគ្នានៃការអនុវត្តគំរូនៃភាពធ្ងន់ធ្ងរនៃជំងឺ។ ទោះជាយ៉ាងណាក៏ដោយ សមាមាត្រដែលសន្មតថាការធ្វើឱ្យប្រសើរឡើងនៃការអនុវត្តចំពោះលក្ខណៈលេខនៃសំណុំទិន្នន័យ ឬលក្ខណៈពិសេសដែលមានស្រាប់ជាក់លាក់ចំពោះការបង្ហាញគ្លីនិកដែលកំពុងពិចារណាគឺមិនទាន់គ្រប់ខែ។ ទោះជាយ៉ាងណាក៏ដោយប្រលោមលោកនេះបានបង្ហាញពីអត្ថប្រយោជន៍នៃគំរូចំណាត់ថ្នាក់ព្យាករណ៍ MemTrax ក្នុងតួនាទីនៃការគាំទ្រការធ្វើរោគវិនិច្ឆ័យគ្លីនិកផ្តល់នូវទស្សនវិស័យដ៏មានតម្លៃ និងបញ្ជាក់ពីការខិតខំប្រឹងប្រែងសម្រាប់ការពិនិត្យបន្ថែមជាមួយអ្នកជំងឺទូទាំងផ្នែកបន្តនៃ MCI ។

ការអនុវត្ត និងបង្ហាញឧបករណ៍ប្រើប្រាស់របស់ MemTrax និងគំរូទាំងនេះនៅក្នុងប្រទេសចិន ដែលភាសា និងវប្បធម៌មានភាពខុសប្លែកគ្នាយ៉ាងខ្លាំងពីតំបន់ផ្សេងទៀតនៃឧបករណ៍ប្រើប្រាស់ដែលបានបង្កើតឡើង (ឧទាហរណ៍ ប្រទេសបារាំង ហូឡង់ និងសហរដ្ឋអាមេរិក) [7, 8, 27] គូសបញ្ជាក់បន្ថែមអំពីសក្តានុពល សម្រាប់ការទទួលយកជាសាកលដ៏ទូលំទូលាយ និងតម្លៃព្យាបាលនៃវេទិកាដែលមានមូលដ្ឋានលើ MemTrax ។ នេះជាឧទាហរណ៍ជាក់ស្តែងក្នុងការខិតខំឆ្ពោះទៅរកការចុះសម្រុងគ្នានៃទិន្នន័យ និងបង្កើតបទដ្ឋានអន្តរជាតិជាក់ស្តែង និងធនធានគំរូសម្រាប់ការត្រួតពិនិត្យការយល់ដឹងដែលមានលក្ខណៈស្តង់ដារ និងងាយប្រែប្រួលសម្រាប់ការប្រើប្រាស់ទូទាំងពិភពលោក។

ជំហានបន្ទាប់នៅក្នុងគំរូការធ្លាក់ចុះការយល់ដឹង និងការអនុវត្តន៍

ភាពមិនដំណើរការនៃការយល់ដឹងនៅក្នុង AD ពិតជាកើតឡើងនៅលើការបន្ត មិនមែននៅក្នុងដំណាក់កាលដាច់ពីគ្នា ឬជំហាន [28, 29] នោះទេ។ ទោះជាយ៉ាងណាក៏ដោយ នៅដំណាក់កាលដំបូងនេះ គោលដៅរបស់យើងគឺបង្កើតសមត្ថភាពរបស់យើងក្នុងការសាងសង់គំរូដែលរួមបញ្ចូល MemTrax ដែលអាចបែងចែកជាមូលដ្ឋាន "ធម្មតា" ពី "មិនធម្មតា" ។ ទិន្នន័យជាក់ស្តែងដែលរួមបញ្ចូលបន្ថែមទៀត (ឧ. ការថតរូបភាពខួរក្បាល លក្ខណៈហ្សែន សញ្ញាសម្គាល់ជីវសាស្ត្រ ភាពច្របូកច្របល់ និងសញ្ញាសម្គាល់មុខងារនៃស្មុគស្មាញ សកម្មភាពដែលទាមទារការយល់ដឹង control) [30] នៅទូទាំងតំបន់ផ្សេងៗគ្នា ចំនួនប្រជាជន និងក្រុមអាយុ ដើម្បីបណ្តុះបណ្តាល និងអភិវឌ្ឍគំរូនៃការរៀនម៉ាស៊ីនដែលមានលក្ខណៈទំនើបជាងមុន (រួមទាំងក្រុមដែលមានទម្ងន់សមរម្យ) នឹងគាំទ្រដល់កម្រិតនៃការធ្វើចំណាត់ថ្នាក់ដែលប្រសើរឡើងជាងមុន ពោលគឺសមត្ថភាពក្នុងការចាត់ថ្នាក់ក្រុមអ្នកជំងឺដែលមាន MCI ទៅជាសំណុំរងតូចជាង និងច្បាស់លាស់ជាងនេះនៅតាមបណ្តោយការធ្លាក់ចុះនៃការយល់ដឹង។ ជាងនេះទៅទៀត ការធ្វើរោគវិនិច្ឆ័យគ្លីនីកស្របគ្នាសម្រាប់បុគ្គលម្នាក់ៗនៅទូទាំងចំនួនអ្នកជំងឺចម្រុះក្នុងតំបន់គឺចាំបាច់ដើម្បី បណ្តុះបណ្តាលប្រកបដោយប្រសិទ្ធភាព ម៉ូដែលទាំងនេះរួមបញ្ចូល និងអាចព្យាករណ៍បានកាន់តែរឹងមាំ។ នេះនឹងជួយសម្រួលដល់ការគ្រប់គ្រងករណីដែលមានកម្រិតជាក់លាក់បន្ថែមទៀតសម្រាប់អ្នកដែលមានប្រវត្តិ ឥទ្ធិពលស្រដៀងគ្នា និងទម្រង់យល់ដឹងដែលកំណត់លក្ខណៈតូចចង្អៀតជាងមុន ហើយដូច្នេះវាធ្វើឱ្យប្រសើរនូវការគាំទ្រការសម្រេចចិត្តផ្នែកព្យាបាល និងការថែទាំអ្នកជំងឺ។

ភាគច្រើននៃការស្រាវជ្រាវគ្លីនិកដែលពាក់ព័ន្ធរហូតមកដល់បច្ចុប្បន្នបានដោះស្រាយអ្នកជំងឺដែលមានជំងឺវង្វេងកម្រិតស្រាល។ ហើយនៅក្នុងការអនុវត្ត ការធ្វើអន្តរាគមន៍ដោយអ្នកជំងឺជាញឹកញាប់ពេកគឺត្រូវបានប៉ុនប៉ងតែក្នុងដំណាក់កាលកម្រិតខ្ពស់ប៉ុណ្ណោះ។ ទោះជាយ៉ាងណាក៏ដោយ ដោយសារតែការថយចុះនៃការយល់ដឹងចាប់ផ្តើមបានល្អ មុនពេលដែលលក្ខណៈវិនិច្ឆ័យព្យាបាលសម្រាប់ជំងឺវង្វេងត្រូវបានបំពេញ អេក្រង់ដំបូងដែលមានមូលដ្ឋានលើ MemTrax ដែលត្រូវបានអនុវត្តយ៉ាងមានប្រសិទ្ធភាពអាចលើកទឹកចិត្តឱ្យមានការអប់រំសមរម្យរបស់បុគ្គលអំពីជំងឺ និងការវិវត្តរបស់វា និងជំរុញឱ្យមានអន្តរាគមន៍ទាន់ពេលវេលា និងទាន់ពេលវេលា។ ដូច្នេះ ការរកឃើញដំបូងអាចគាំទ្រដល់ការចូលរួមដែលសមស្រប រាប់ចាប់ពីការហាត់ប្រាណ របបអាហារ ការគាំទ្រផ្នែកអារម្មណ៍ និងការធ្វើឱ្យសង្គមប្រសើរឡើងដល់ការអន្តរាគមន៍ផ្នែកឱសថ និងពង្រឹងការផ្លាស់ប្តូរទាក់ទងនឹងអ្នកជំងឺក្នុងអាកប្បកិរិយា និងការយល់ឃើញដែលតែមួយ ឬជារួមអាចកាត់បន្ថយ ឬអាចបញ្ឈប់ការវិវត្តនៃជំងឺវង្វេង [31, 32] . លើសពីនេះទៅទៀតជាមួយនឹងប្រសិទ្ធភាព ការពិនិត្យដំបូងបុគ្គល និងក្រុមគ្រួសាររបស់ពួកគេអាចត្រូវបានជម្រុញឱ្យពិចារណាលើការសាកល្បងព្យាបាល ឬទទួលបានការប្រឹក្សា និងជំនួយផ្នែកសេវាកម្មសង្គមផ្សេងទៀត ដើម្បីជួយបញ្ជាក់ពីការរំពឹងទុក និងចេតនា និងគ្រប់គ្រងកិច្ចការប្រចាំថ្ងៃ។ សុពលភាពបន្ថែមទៀត និងឧបករណ៍ប្រើប្រាស់ជាក់ស្តែងដែលរីករាលដាលនៅក្នុងវិធីទាំងនេះអាចជាឧបករណ៍ក្នុងការកាត់បន្ថយ ឬបញ្ឈប់ការវិវត្តនៃ MCI, AD, និង ADRD សម្រាប់បុគ្គលជាច្រើន។

ជាការពិតណាស់ កម្រិតទាបនៃអាយុអ្នកជំងឺនៅក្នុងការសិក្សារបស់យើងមិនតំណាងឱ្យចំនួនប្រជាជននៃការព្រួយបារម្ភជាប្រពៃណីជាមួយ AD នោះទេ។ ទោះជាយ៉ាងណាក៏ដោយ អាយុជាមធ្យមសម្រាប់ក្រុមនីមួយៗដែលបានប្រើប្រាស់នៅក្នុងគម្រោងគំរូនៃការចាត់ថ្នាក់ដោយផ្អែកលើពិន្ទុ/កម្រិតនៃ MoCA និងភាពធ្ងន់ធ្ងរនៃការធ្វើរោគវិនិច្ឆ័យ (តារាងទី 3) គូសបញ្ជាក់ភាគច្រើនច្បាស់លាស់ (ជាង 80%) ដែលមានអាយុយ៉ាងតិច 50 ឆ្នាំ។ ដូច្នេះការចែកចាយនេះគឺសមរម្យណាស់សម្រាប់ការធ្វើទូទៅ ដោយគាំទ្រដល់ការប្រើប្រាស់នៃគំរូទាំងនេះនៅក្នុងចំនួនប្រជាជនដែលកំណត់លក្ខណៈអ្នកដែលរងផលប៉ះពាល់ជាធម្មតាដោយ ការចាប់ផ្តើមដំបូង និងជំងឺសរសៃប្រសាទដែលកំពុងរីកចម្រើនដោយសារតែ AD និង VaD ។ ផងដែរ ភស្តុតាងថ្មីៗ និងទស្សនវិស័យសង្កត់ធ្ងន់លើកត្តាដែលគេទទួលស្គាល់ទាំងនោះ (ឧទាហរណ៍ លើសឈាម ធាត់ ទឹកនោមផ្អែម និងការជក់បារី) ដែលអាចរួមចំណែកដល់ការឆាប់ចាស់។ ពិន្ទុហានិភ័យសរសៃឈាមពេញវ័យ និងពាក់កណ្តាលជីវិត និងផលវិបាកនៃរបួសខួរក្បាលសរសៃឈាមតូចៗ ដែលវិវឌ្ឍយ៉ាងខ្ជាប់ខ្ជួន ជាមួយនឹងផលប៉ះពាល់ជាក់ស្តែង សូម្បីតែនៅក្មេងក៏ដោយ។ មនុស្សពេញវ័យ [33–35] ។ ដូច្នោះហើយ ឱកាសពិនិត្យដំបូងដ៏ល្អប្រសើរបំផុតសម្រាប់ការរកឃើញទាន់ពេល ដំណាក់កាលនៃឱនភាពនៃការយល់ដឹង និងការផ្តួចផ្តើមយុទ្ធសាស្រ្តបង្ការ និងអន្តរាគមន៍ប្រកបដោយប្រសិទ្ធភាពក្នុងការដោះស្រាយជំងឺវង្វេងដោយជោគជ័យ នឹងកើតឡើងពីការពិនិត្យមើលកត្តារួមចំណែក និងសូចនាករមុនៗនៅទូទាំងវិសាលគមអាយុ រួមទាំងការពេញវ័យដំបូង និងអាចមានសក្តានុពលសូម្បីតែកុមារភាព (ការកត់សម្គាល់ពីភាពពាក់ព័ន្ធនៃកត្តាហ្សែនដូចជា apolipoprotein E ពីការមានផ្ទៃពោះដំបូង)។

នៅក្នុងការអនុវត្ត ការធ្វើរោគវិនិច្ឆ័យត្រឹមត្រូវ និងនីតិវិធីចំណាយថ្លៃដើមសម្រាប់ការថតរូបភាពកម្រិតខ្ពស់ ទម្រង់ហ្សែន និងការវាស់ស្ទង់ biomarkers សន្យាមិនតែងតែអាចរកបាន ឬសូម្បីតែអាចធ្វើទៅបានសម្រាប់អ្នកផ្តល់សេវាជាច្រើន។ ដូច្នេះ នៅក្នុងករណីជាច្រើន ការចាត់ថ្នាក់ស្ថានភាពសុខភាពការយល់ដឹងជារួមដំបូងអាចនឹងត្រូវចេញមកពីគំរូដោយប្រើរង្វាស់សាមញ្ញផ្សេងទៀតដែលផ្តល់ដោយអ្នកជំងឺ (ឧ. រាយការណ៍ដោយខ្លួនឯង បញ្ហានៃការចងចាំឱសថបច្ចុប្បន្ន និងការកំណត់សកម្មភាពជាប្រចាំ) និងលក្ខណៈប្រជាសាស្រ្តទូទៅ [7] ។ ការចុះឈ្មោះដូចជាសាកលវិទ្យាល័យកាលីហ្វ័រញ៉ា សុខភាពខួរក្បាល Registry (https://www.brainhealthregistry.org/) [27] និងអ្នកផ្សេងទៀតដែលមានវិសាលភាពកាន់តែច្រើននៃរោគសញ្ញាដែលបានរាយការណ៍ដោយខ្លួនឯង វិធានការគុណភាព (ឧទាហរណ៍ ការគេង និងការយល់ដឹងប្រចាំថ្ងៃ) ថ្នាំ ស្ថានភាពសុខភាព និងប្រវត្តិ និង ប្រជាសាស្រ្តលម្អិតបន្ថែមទៀតនឹងក្លាយជាឧបករណ៍ក្នុងការអភិវឌ្ឍន៍ និងធ្វើឱ្យមានសុពលភាពនៃការអនុវត្តជាក់ស្តែងនៃគំរូបឋមទាំងនេះនៅក្នុងគ្លីនិក។ លើសពីនេះ ការធ្វើតេស្តដូចជា MemTrax ដែលបានបង្ហាញឧបករណ៍ប្រើប្រាស់ក្នុងការវាយតម្លៃមុខងារនៃការចងចាំ ជាការពិតអាចផ្តល់នូវការប៉ាន់ប្រមាណយ៉ាងសំខាន់នៃរោគវិទ្យា AD ជាងសញ្ញាសម្គាល់ជីវសាស្រ្ត។ បានផ្តល់ឱ្យថាលក្ខណៈពិសេសស្នូលនៃរោគវិទ្យា AD គឺការរំខាននៃ neuroplasticity និងការបាត់បង់ស្មុគស្មាញលើសលប់នៃ synapses ដែលត្រូវបានបង្ហាញថាជាដំណាក់កាល ភាពមិនដំណើរការនៃការចងចាំ ដែលជារង្វាស់ដែលវាយតម្លៃការចងចាំជាដំណាក់កាលអាចជាការពិត ផ្តល់នូវការប៉ាន់ប្រមាណនៃបន្ទុករោគវិទ្យា AD ប្រសើរជាងសញ្ញាសម្គាល់ជីវសាស្រ្តនៅក្នុងអ្នកជំងឺដែលកំពុងរស់នៅ [36] ។

ជាមួយនឹងគំរូទស្សន៍ទាយទាំងអស់ - ថាតើត្រូវបានបំពេញដោយទិន្នន័យស្មុគស្មាញ និងរួមបញ្ចូលពីបច្ចេកវិទ្យាទំនើបបំផុត និងការយល់ដឹងផ្នែកព្យាបាលដែលចម្រាញ់នៅទូទាំងដែនច្រើន ឬដែលកំណត់ចំពោះព័ត៌មានជាមូលដ្ឋាន និងងាយស្រួលបន្ថែមទៀតដែលជាលក្ខណៈនៃទម្រង់អ្នកជំងឺដែលមានស្រាប់ - អត្ថប្រយោជន៍ដែលត្រូវបានទទួលស្គាល់នៃបញ្ញាសិប្បនិម្មិត និងការរៀនម៉ាស៊ីនគឺថាគំរូលទ្ធផលអាចសំយោគនិង "រៀន" ពីទិន្នន័យថ្មីដែលពាក់ព័ន្ធនិងទស្សនៈដែលផ្តល់ដោយការប្រើប្រាស់កម្មវិធីដែលកំពុងដំណើរការ។ បន្ទាប់ពីការផ្ទេរបច្ចេកវិទ្យាជាក់ស្តែង ដោយសារគំរូនៅទីនេះ (និងត្រូវបានអភិវឌ្ឍ) ត្រូវបានអនុវត្ត និងសំបូរទៅដោយករណី និងទិន្នន័យពាក់ព័ន្ធជាច្រើនទៀត (រួមទាំងអ្នកជំងឺដែលមានជំងឺដែលអាចកើតមានជាមួយនឹងការថយចុះនៃការយល់ដឹង) ការអនុវត្តការទស្សន៍ទាយ និងការចាត់ថ្នាក់សុខភាពការយល់ដឹងនឹងកាន់តែរឹងមាំ។ ជាលទ្ធផលនៅក្នុងឧបករណ៍ប្រើប្រាស់គាំទ្រការសម្រេចចិត្តព្យាបាលមានប្រសិទ្ធភាពជាងមុន។ ការវិវត្តន៍នេះនឹងត្រូវបានដឹងយ៉ាងពេញលេញ និងអនុវត្តជាក់ស្តែងជាមួយនឹងការបង្កប់ MemTrax ទៅក្នុងវេទិកាផ្ទាល់ខ្លួន (កំណត់គោលដៅតាមសមត្ថភាពដែលមាន) ដែលអ្នកផ្តល់សេវាថែទាំសុខភាពអាចប្រើប្រាស់ក្នុងពេលវេលាជាក់ស្តែងនៅក្នុងគ្លីនិក។

ភាពចាំបាច់ចំពោះសុពលភាព និងការប្រើប្រាស់នៃគំរូ MemTrax សម្រាប់ការគាំទ្រផ្នែករោគវិនិច្ឆ័យ និងការថែទាំអ្នកជំងឺ ត្រូវបានគេស្វែងរកយ៉ាងខ្លាំង បន្ទាប់ពីទិន្នន័យបណ្តោយដ៏មានអត្ថន័យ។ ដោយការសង្កេត និងកត់ត្រាការផ្លាស់ប្តូរស្របគ្នា (ប្រសិនបើមាន) នៅក្នុងស្ថានភាពព្យាបាលនៅទូទាំងជួរធម្មតាគ្រប់គ្រាន់តាមរយៈ MCI ដំណាក់កាលដំបូង គំរូសម្រាប់ការវាយតម្លៃ និងចំណាត់ថ្នាក់បន្តសមស្របអាចត្រូវបានបណ្តុះបណ្តាល និងកែប្រែទៅតាមអាយុរបស់អ្នកជំងឺ និងត្រូវបានព្យាបាល។ នោះគឺ ឧបករណ៍ប្រើប្រាស់ម្តងហើយម្តងទៀតអាចជួយដល់ការតាមដានរយៈពេលយូរនៃការផ្លាស់ប្តូរការយល់ដឹងកម្រិតស្រាល ប្រសិទ្ធភាពនៃការធ្វើអន្តរាគមន៍ និងការថែរក្សាការថែទាំដែលមានការជូនដំណឹង។ វិធីសាស្រ្តនេះតម្រឹមកាន់តែជិតស្និទ្ធជាមួយការអនុវត្តគ្លីនិក និងការគ្រប់គ្រងអ្នកជំងឺ និងករណី។

ដែនកំណត់

យើងកោតសរសើរចំពោះបញ្ហាប្រឈម និងតម្លៃក្នុងការប្រមូលទិន្នន័យគ្លីនិកស្អាតនៅក្នុងការកំណត់គ្លីនិក/មន្ទីរពេទ្យដែលគ្រប់គ្រង។ ទោះជាយ៉ាងណាក៏ដោយ វានឹងពង្រឹងការធ្វើគំរូរបស់យើង ប្រសិនបើសំណុំទិន្នន័យរបស់យើងរួមបញ្ចូលអ្នកជំងឺកាន់តែច្រើនជាមួយនឹងលក្ខណៈពិសេសទូទៅ។ ជាងនេះទៅទៀត ជាក់លាក់ចំពោះគំរូរោគវិនិច្ឆ័យរបស់យើង វាជាការចង់បាន និងសមជាងដើម្បីឱ្យមានការវាយតម្លៃគ្លីនិកដូចគ្នាដែលបានធ្វើឡើងលើអ្នកជំងឺដែលត្រូវគ្នាជាមួយនឹងសុខភាពការយល់ដឹងធម្មតា ដើម្បីបណ្តុះបណ្តាលអ្នកសិក្សា។ ហើយដូចដែលត្រូវបានគូសបញ្ជាក់ដោយការអនុវត្តចំណាត់ថ្នាក់ខ្ពស់ជាងដោយប្រើសំណុំទិន្នន័យដែលបានត្រង (តែលក្ខណៈពិសេសទាំងបួនដែលជាប់ចំណាត់ថ្នាក់កំពូល) ទូទៅ និង វិធានការ / សូចនាករសុខភាពការយល់ដឹងទំនងជាមានភាពប្រសើរឡើង ការអនុវត្តគំរូជាមួយនឹងចំនួនកាន់តែច្រើននៃលក្ខណៈពិសេសទូទៅនៅទូទាំងអ្នកជំងឺទាំងអស់។

អ្នកចូលរួមមួយចំនួនប្រហែលជាបានជួបប្រទះនឹងជំងឺផ្សេងទៀតជាបន្តបន្ទាប់ដែលអាចបណ្តាលឱ្យមានការផ្លាស់ប្តូរបណ្តោះអាសន្ន ឬកង្វះការយល់ដឹងរ៉ាំរ៉ៃ។ ក្រៅពីសំណុំទិន្នន័យរង XL ដែលអ្នកជំងឺត្រូវបានចាត់ថ្នាក់តាមរោគវិនិច្ឆ័យថាមាន AD ឬ VaD ទិន្នន័យនៃការកើតជំងឺមិនត្រូវបានគេប្រមូល/រាយការណ៍នៅក្នុងក្រុមអ្នកជំងឺ YH ទេ ហើយភាគច្រើនដែលបានរាយការណ៍អំពីជំងឺរហូតមកដល់ពេលនេះនៅក្នុងសំណុំទិន្នន័យរង KM គឺជំងឺទឹកនោមផ្អែម។ ទោះជាយ៉ាងណាក៏ដោយ វាអាចប្រកែកបានថា រួមទាំងអ្នកជំងឺនៅក្នុងគម្រោងគំរូរបស់យើងដែលមានជំងឺដែលអាចជម្រុញ ឬធ្វើឱ្យកម្រិតនៃកង្វះការយល់ដឹងកាន់តែធ្ងន់ធ្ងរ ហើយលទ្ធផលនៃការអនុវត្ត MemTrax កាន់តែទាប នឹងក្លាយជាតំណាងកាន់តែច្រើននៃចំនួនអ្នកជំងឺដែលបានកំណត់គោលដៅក្នុងពិភពលោកពិតប្រាកដសម្រាប់ការត្រួតពិនិត្យការយល់ដឹងដំបូងដែលមានលក្ខណៈទូទៅបន្ថែមទៀតនេះ។ និងវិធីសាស្រ្តគំរូ។ ឆ្ពោះទៅមុខ ការធ្វើរោគវិនិច្ឆ័យត្រឹមត្រូវនៃបញ្ហារួមផ្សំដែលជះឥទ្ធិពលដល់ដំណើរការនៃការយល់ដឹងមានអត្ថប្រយោជន៍យ៉ាងទូលំទូលាយសម្រាប់ការបង្កើនប្រសិទ្ធភាពគំរូ និងកម្មវិធីថែទាំអ្នកជំងឺជាលទ្ធផល។

ចុងក្រោយ អ្នកជំងឺសំណុំទិន្នន័យរង YH និង KM បានប្រើស្មាតហ្វូនដើម្បីធ្វើតេស្ត MemTrax ចំណែកឯអ្នកជំងឺសំណុំទិន្នន័យរង XL មួយចំនួនបានប្រើ iPad ហើយអ្នកផ្សេងទៀតប្រើស្មាតហ្វូន។ នេះអាចបង្ហាញពីភាពខុសគ្នាដែលទាក់ទងនឹងឧបករណ៍តិចតួចនៅក្នុងការអនុវត្ត MemTrax សម្រាប់ការធ្វើចំណាត់ថ្នាក់ MoCA គំរូ។ ទោះជាយ៉ាងណាក៏ដោយ ភាពខុសគ្នា (ប្រសិនបើមាន) នៅក្នុង MTx-RT ជាឧទាហរណ៍ រវាងឧបករណ៍ទំនងជាមានការធ្វេសប្រហែស ជាពិសេសជាមួយនឹងអ្នកចូលរួមម្នាក់ៗត្រូវបានផ្តល់ការធ្វើតេស្ត "ការអនុវត្ត" មុនពេលដំណើរការសាកល្បងដែលបានកត់ត្រាទុក។ ទោះជាយ៉ាងណាក៏ដោយ ឧបករណ៍ប្រើប្រាស់ឧបករណ៍យួរដៃទាំងពីរនេះ អាចមានលទ្ធភាពសម្របសម្រួលការប្រៀបធៀបដោយផ្ទាល់ទៅនឹង និង/ឬការរួមបញ្ចូលជាមួយលទ្ធផល MemTrax ផ្សេងទៀត ដែលអ្នកប្រើប្រាស់បានឆ្លើយតបទៅនឹងរូបភាពដដែលៗដោយការប៉ះ spacebar នៅលើក្តារចុចកុំព្យូទ័រ។

ចំណុចសំខាន់ៗនៅលើឧបករណ៍ប្រើប្រាស់គំរូព្យាករណ៍ MemTrax

• • គំរូទស្សន៍ទាយដែលដំណើរការបានកំពូលរបស់យើងដែលគ្របដណ្តប់លើរង្វាស់នៃការអនុវត្ត MemTrax ដែលបានជ្រើសរើសអាចបែងចែកស្ថានភាពសុខភាពការយល់ដឹង (សុខភាពការយល់ដឹងធម្មតា ឬ MCI) យ៉ាងជឿជាក់ ដូចដែលត្រូវបានចង្អុលបង្ហាញដោយការធ្វើតេស្ត MoCA ដែលត្រូវបានទទួលស្គាល់យ៉ាងទូលំទូលាយ។
• • លទ្ធផលទាំងនេះគាំទ្រដល់ការរួមបញ្ចូលរង្វាស់នៃការអនុវត្ត MemTrax ដែលបានជ្រើសរើសទៅក្នុងកម្មវិធីពិនិត្យគំរូទស្សន៍ទាយចំណាត់ថ្នាក់សម្រាប់ការចុះខ្សោយនៃការយល់ដឹងដំណាក់កាលដំបូង។
• • ការធ្វើគំរូចំណាត់ថ្នាក់របស់យើងក៏បានបង្ហាញពីសក្តានុពលសម្រាប់ការប្រើប្រាស់ដំណើរការ MemTrax នៅក្នុងកម្មវិធីសម្រាប់បែងចែកភាពធ្ងន់ធ្ងរនៃការធ្វើរោគវិនិច្ឆ័យជំងឺវង្វេង។

ការរកឃើញប្រលោមលោកទាំងនេះបង្កើតភ័ស្តុតាងច្បាស់លាស់ដែលគាំទ្រឧបករណ៍ប្រើប្រាស់នៃការរៀនម៉ាស៊ីនក្នុងការកសាងគំរូចំណាត់ថ្នាក់ដែលមានមូលដ្ឋានលើ MemTrax ដ៏រឹងមាំសម្រាប់ការគាំទ្រផ្នែករោគវិនិច្ឆ័យក្នុងការគ្រប់គ្រងករណីព្យាបាលប្រកបដោយប្រសិទ្ធភាព និងការថែទាំអ្នកជំងឺសម្រាប់បុគ្គលដែលជួបប្រទះការចុះខ្សោយនៃការយល់ដឹង។

ការទទួលស្គាល់

យើងទទួលស្គាល់ការងាររបស់ J. Wesson Ashford, Curtis B. Ashford និងសហសេវិកសម្រាប់ការបង្កើត និងធ្វើឱ្យមានសុពលភាពលើការងារ និងឧបករណ៍ទទួលស្គាល់ជាបន្តតាមអ៊ីនធឺណិត (MemTrax) ដែលបានប្រើប្រាស់នៅទីនេះ ហើយយើងមានអំណរគុណចំពោះអ្នកជំងឺជាច្រើនដែលមានជំងឺវង្វេងដែលបានរួមចំណែកដល់ការស្រាវជ្រាវជាមូលដ្ឋានដ៏សំខាន់។ . យើងក៏សូមអរគុណ Xianbo Zhou និងសហការីរបស់គាត់នៅ SJN Biomed LTD សហការី និងសហការីរបស់គាត់នៅទីតាំងមន្ទីរពេទ្យ/គ្លីនិក ជាពិសេស Drs. M. Luo និង M. Zhong ដែលបានជួយក្នុងការជ្រើសរើសអ្នកចូលរួម កំណត់ពេលធ្វើតេស្ត និងប្រមូល កត់ត្រា និងគ្រប់គ្រងទិន្នន័យខាងមុខ ហើយអ្នកចូលរួមស្ម័គ្រចិត្តដែលបានបរិច្ចាគពេលវេលាដ៏មានតម្លៃរបស់ពួកគេ ហើយបានប្តេជ្ញាចិត្តក្នុងការធ្វើតេស្ត និងផ្តល់ ទិន្នន័យដ៏មានតម្លៃសម្រាប់យើងដើម្បីវាយតម្លៃក្នុងការសិក្សានេះ។ នេះ។ ការសិក្សាត្រូវបានគាំទ្រមួយផ្នែកដោយ MD Scientific Research កម្មវិធីនៃសាកលវិទ្យាល័យវេជ្ជសាស្ត្រគុនមីង (ជំនួយឥតសំណងលេខ 2017BS028 ដល់ XL) និងកម្មវិធីស្រាវជ្រាវនៃនាយកដ្ឋានវិទ្យាសាស្ត្រ និងបច្ចេកវិទ្យាយូណាន (ជំនួយឥតសំណង 2019FE001 (-222) ដល់ XL) ។

J. Wesson Ashford បានដាក់ពាក្យស្នើសុំប៉ាតង់សម្រាប់ការប្រើប្រាស់គំរូនៃការទទួលស្គាល់ជាបន្តជាក់លាក់ដែលបានពិពណ៌នានៅក្នុងឯកសារនេះសម្រាប់ទូទៅ។ ការធ្វើតេស្តការចងចាំ.

MemTrax, LLC គឺជាក្រុមហ៊ុនដែលគ្រប់គ្រងដោយ Curtis Ashford ហើយក្រុមហ៊ុននេះកំពុងគ្រប់គ្រង ការធ្វើតេស្តការចងចាំ ប្រព័ន្ធដែលបានពិពណ៌នានៅក្នុងអត្ថបទនេះ។

ការបង្ហាញរបស់អ្នកនិពន្ធមាននៅលើអ៊ីនធឺណិត (https://www.j-alz.com/manuscript-disclosures/19-1340r2) ។

សេចក្តីយោង

[1] សមាគម Alzheimer's (2016) 2016 ការពិតអំពីជំងឺភ្លេចភ្លាំង និងតួលេខ។ ជំងឺភ្លេចភ្លាំង 12, 459–509 ។
[2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) ឥទ្ធិពលនៃដំណាក់កាលដំបូង ជម្ងឺវង្វេង អំពីលទ្ធផលហិរញ្ញវត្ថុគ្រួសារ។ Health Econ ២៩, ១៨–២៩។
[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) ការកែលម្អគុណភាពនៅក្នុង សរសៃប្រសាទ៖ សំណុំរង្វាស់គុណភាពនៃការចុះខ្សោយនៃការយល់ដឹងកម្រិតស្រាល។ សរសៃប្រសាទ 93, 705–713 ។
[4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) ប្រសិទ្ធភាពនៃការប្រើប្រាស់ ការធ្វើតេស្តពិនិត្យការយល់ដឹងសម្រាប់រកមើលជំងឺវង្វេង និងការថយចុះការយល់ដឹងកម្រិតស្រាលក្នុងការថែទាំបឋម. Int J Geriatr Psychiatry 32, 1392–1400។
[5] Ashford JW, Gere E, Bayley PJ (2011) វាស់អង្គចងចាំ នៅក្នុងការកំណត់ក្រុមធំដោយប្រើការធ្វើតេស្តទទួលស្គាល់ជាបន្ត។ J Alzheimers Dis 27, 885–895 ។
[6]	Ashford JW , Tarpin-Bernard F , Ashford CB , Ashford MT (2019) កិច្ចការទទួលស្គាល់ជាបន្តបន្ទាប់តាមកុំព្យូទ័រសម្រាប់ការវាស់វែងនៃអង្គចងចាំភាគ។ J Alzheimers Dis 69, 385–399 ។
[7]	Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) ដំណើរការនៃការចងចាំ Episodic នៅក្នុងគំរូរៀនម៉ាស៊ីនសម្រាប់ការទស្សន៍ទាយចំណាត់ថ្នាក់នៃស្ថានភាពសុខភាពការយល់ដឹង។ J Alzheimers Dis 70, 277–286 ។
[8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The ការធ្វើតេស្ត MemTrax បើប្រៀបធៀបទៅនឹងការប៉ាន់ប្រមាណការវាយតម្លៃការយល់ដឹងរបស់ម៉ុងត្រេអាល់នៃការថយចុះការយល់ដឹងកម្រិតស្រាល។ J Alzheimers Dis 67, 1045–1054 ។
[9]	Falcone M , Yadav N , Poellabauer C , Flynn P (2013) ការប្រើសំឡេងស្រៈដាច់ស្រយាលសម្រាប់ការចាត់ថ្នាក់នៃរបួសខួរក្បាលកម្រិតស្រាល។ នៅក្នុង 2013 IEEE សន្និសីទអន្តរជាតិស្តីពីសូរស័ព្ទ ការនិយាយ និងដំណើរការសញ្ញា ទីក្រុង Vancouver, BC, ទំព័រ 7577–7581។
[10]	Dabek F , Caban JJ (2015) ការប្រើប្រាស់ទិន្នន័យធំដើម្បីធ្វើគំរូពីលទ្ធភាពនៃការវិវត្តន៍នៃស្ថានភាពផ្លូវចិត្តបន្ទាប់ពីការប៉ះទង្គិច។ Procedia Comput Sci 53, 265–273 ។
[11]	Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) មែកធាងការសម្រេចចិត្តសម្រាប់ការរកឃើញដំបូងនៃការថយចុះការយល់ដឹងដោយឱសថការីសហគមន៍។ Front Pharmacol 9, 1232 ។
[12]	Nasreddine ZS , Phillips NA , Bedirian V , Charbonneau S , Whitehead V , Collin I , Cummings JL , Chertkow H (2005) The Montreal Cognitive Assessment, MoCA: ឧបករណ៍ពិនិត្យខ្លីៗសម្រាប់ការចុះខ្សោយនៃការយល់ដឹងកម្រិតស្រាល។ J Am Geriatr Soc 53, 695–699 ។
[13]	Yu J , Li J , Huang X (2012) កំណែទីក្រុងប៉េកាំងនៃការវាយតម្លៃការយល់ដឹងរបស់ម៉ុងត្រេអាល់ ជាឧបករណ៍ពិនិត្យសង្ខេបសម្រាប់ពិការភាពនៃការយល់ដឹងកម្រិតស្រាល៖ ការសិក្សាផ្អែកលើសហគមន៍។ BMC ចិត្តវិទ្យា ១២, ១៥៦.
[14]	Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) សុពលភាពនៃកំណែភាសាចិននៃការវាយតម្លៃការយល់ដឹងរបស់ម៉ុងត្រេអាល់ ជាមូលដ្ឋានសម្រាប់ពិនិត្យការចុះខ្សោយនៃការយល់ដឹងកម្រិតស្រាល។ J Am Geriatr Soc 64, e285–e290។
[15]	Carson N , Leach L , Murphy KJ (2018) ការពិនិត្យឡើងវិញនៃពិន្ទុកាត់ផ្តាច់ការវាយតម្លៃការយល់ដឹងរបស់ម៉ុងត្រេអាល់ (MoCA) ។ Int J Geriatr Psychiatry 33, 379–388 ។
[16]	សមាគមន៍ចិត្តសាស្រ្តអាមេរិក (2013) ក្រុមការងារពិនិត្យរោគវិនិច្ឆ័យ និងស្ថិតិនៃបញ្ហាផ្លូវចិត្ត៖ DSM-5™, American Psychiatric Publishing, Inc., Washington, DC ។
[17]	ពស់ថ្លាន់។ Python Software Foundation, http://www.python.org, ចូលប្រើនៅថ្ងៃទី ១៥ ខែវិច្ឆិកា ឆ្នាំ ២០១៩។
[18]	R Core Group, R: ភាសា និងបរិស្ថានសម្រាប់ការគណនាស្ថិតិ R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/, 2018, ចូលប្រើនៅថ្ងៃទី 15 ខែវិច្ឆិកា ឆ្នាំ 2019។
[19]	Benavoli A , Corani G , Demšar J , Zaffalon M (2017) ពេលវេលាសម្រាប់ការផ្លាស់ប្តូរ៖ ការបង្រៀនសម្រាប់ការប្រៀបធៀបអ្នកចាត់ថ្នាក់ច្រើនតាមរយៈការវិភាគ Bayesian ។ J Mach Learn Res ទំព័រ ១៨, ១–៣៦ ។
[20]	Frank E, Hall MA, Witten IH (2016) The WEKA Workbench ។ ក្នុង ការជីកយករ៉ែទិន្នន័យ៖ ឧបករណ៍រៀនម៉ាស៊ីនជាក់ស្តែង និងបច្ចេកទេស, Frank E, Hall MA, Witten IH, Pal CJ, eds ។ Morgan Kaufmann https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf
[21]	Bergeron MF , Landset S , Maugans TA , Williams VB , Collins CL , Wasserman EB , Khoshgoftaar TM (2019) ការរៀនម៉ាស៊ីននៅក្នុងការធ្វើគំរូនៃរោគសញ្ញានៃការប៉ះទង្គិចកីឡានៅវិទ្យាល័យ។ Med Sci Sports Exerc 51, 1362–1371។
[22]	Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) ទស្សនវិស័យពិសោធន៍លើការរៀនពីទិន្នន័យអតុល្យភាព។ ក្នុង ដំណើរការនៃសន្និសីទអន្តរជាតិលើកទី 24 ស្តីពីការរៀនម៉ាស៊ីន, Corvalis រដ្ឋ Oregon សហរដ្ឋអាមេរិក ទំព័រ 935-942 ។
[23]	Ashford JW , Kolm P , Colliver JA , Bekian C , Hsu LN (1989) ការវាយតម្លៃអ្នកជំងឺអាល់ហ្សៃមឺរ និងស្ថានភាពផ្លូវចិត្តតូច៖ ការវិភាគខ្សែកោងលក្ខណៈធាតុ។ J Gerontol 44, 139–146 ។
[24] Ashford JW, Jarvik L (1985) ជំងឺអាល់ហ្សៃមឺរៈ តើ​ភាព​ប្លាស្ទិក​ណឺរ៉ូន​បង្ក​ឱ្យ​មាន​ការ​ខូច​ទ្រង់ទ្រាយ​សរសៃ​ប្រសាទ axonal? N Engl J Med 313, 388–389 ។
[25] Jack CR Jr , Therneau TM , Weigand SD , ​​Wiste HJ , Knopman DS , Vemuri P , Lowe VJ , Mielke MM , Roberts RO , Machulda MM , Graff-Radford J , Jones DT , Schwarz CG , Gunjter J , Rocca WA , Petersen RC (2019) អត្រាប្រេវ៉ាឡង់នៃជីវសាស្រ្តធៀបនឹងអង្គធាតុវិសាលគម Alzheimer ដែលបានកំណត់ដោយគ្លីនិកដោយប្រើវិទ្យាស្ថានជាតិស្តីពីភាពចាស់-Alzheimer ការស្រាវជ្រាវសមាគម ក្របខ័ណ្ឌ។ JAMA Neurol 76, 1174–1183។
[26] Zhou X , Ashford JW (2019) ភាពជឿនលឿនក្នុងឧបករណ៍បញ្ចាំងសម្រាប់ ជម្ងឺវង្វេង. Aging Med 2, 88–93 ។
[27] Weiner MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) The សុខភាពខួរក្បាល ការចុះឈ្មោះ៖ វេទិកាផ្អែកលើអ៊ីនធឺណិតសម្រាប់ការជ្រើសរើស ការវាយតម្លៃ និងការត្រួតពិនិត្យរយៈពេលវែងនៃអ្នកចូលរួមសម្រាប់ការសិក្សាផ្នែកសរសៃប្រសាទ។ ជំងឺភ្លេចភ្លាំង ១៤, ១០៦៣–១០៧៦។
[28] Ashford JW, Schmitt FA (2001) ការធ្វើគំរូតាមពេលវេលានៃ ជំងឺវង្វេងអាល់ហ្សៃមឺរ. Curr Psychiatry Rep ទី 3, 20–28 ។
[29]	Li X , Wang X , Su L , Hu X , Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE)៖ ពិធីសារសម្រាប់ការសិក្សាតាមបណ្តោយរបស់ចិន ដើម្បីបង្កើតគំរូព្យាករណ៍ហានិភ័យនៃការបំប្លែងទៅជាការចុះខ្សោយនៃការយល់ដឹងកម្រិតស្រាលចំពោះបុគ្គលដែលមានការយល់ដឹងតាមប្រធានបទ ការធ្លាក់ចុះ។ BMJ Open 9, e028188 ។
[30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) ភាពប្រែប្រួលនៃដំណើរការ biomarker ប្រាំឆ្នាំសម្រាប់ ជម្ងឺវង្វេងវង្វាន់អាល់ហ្សៃមឺរ ការទស្សន៍ទាយ៖ តើសកម្មភាពឧបករណ៍ស្មុគ្រស្មាញនៃសញ្ញាសម្គាល់ការរស់នៅប្រចាំថ្ងៃអាចបំពេញចន្លោះបានទេ? ជំងឺភ្លេចភ្លាំង (Amst) 1, 521–532។
[31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) ការការពារ និងព្យាបាលជំងឺអាល់ហ្សៃមឺរ៖ យន្តការជីវសាស្រ្តនៃការធ្វើលំហាត់ប្រាណ។ J Alzheimers Dis 69, 311–338 ។
[32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) ការព្យាបាលសម្រាប់ ការការពារ និងព្យាបាលជំងឺ Alzheimer's. 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) សមាគមរវាងហានិភ័យនៃសរសៃឈាមនៅទូទាំងវ័យពេញវ័យ និងជំងឺខួរក្បាលក្នុងជីវិតចុង៖ ភស្តុតាងពីក្រុមកំណើតនៅអង់គ្លេស។ JAMA Neurol 77, 175–183 ។
[34]	Seshadri S (2020) ការការពារជំងឺវង្វេង - ការគិតលើសពីអាយុ និងប្រអប់អាមីឡូអ៊ីត។ 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) ឥទ្ធិពលនៃសម្ពាធឈាមស៊ីស្តូលីកលើភាពសុចរិតនៃសារធាតុសក្នុងមនុស្សវ័យជំទង់ក្នុងការសិក្សាបេះដូង Framingham: ឈើឆ្កាង - ការសិក្សាផ្នែក។ 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) ភាពត្រឹមត្រូវនៃការធ្វើតេស្ត biomarker សម្រាប់ neuropathologically កំណត់ ជំងឺ Alzheimer ចំពោះមនុស្សចាស់ដែលមានជំងឺវង្វេង. Ann Intern Med ១៧២, ៦៦៩–៦៧៧។

សម្ព័ន្ធភាព៖ [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] នាយកដ្ឋានវិស្វកម្មកុំព្យូទ័រ និងអគ្គិសនី និងវិទ្យាសាស្ត្រកុំព្យូទ័រ សាកលវិទ្យាល័យ Florida Atlantic, Boca Raton, FL, សហរដ្ឋអាមេរិក | [c] SJN Biomed LTD, Kunming, Yunnan, China | [ឃ] មជ្ឈមណ្ឌលសម្រាប់ ការស្រាវជ្រាវអាល់ហ្សៃមឺរ, Washington Institute of Clinical Research, Washington, DC, USA | [e] នាយកដ្ឋានឱសថស្តារនីតិសម្បទា មន្ទីរពេទ្យសម្ព័ន្ធទីមួយនៃសាកលវិទ្យាល័យវេជ្ជសាស្ត្រ Kunming, Kunming, Yunnan, China | [f] នាយកដ្ឋានសរសៃប្រសាទ មន្ទីរពេទ្យប្រជាជន Dehong ក្រុង Dehong យូណាន ប្រទេសចិន | [g] នាយកដ្ឋានប្រសាទវិទ្យា ដែលជាមន្ទីរពេទ្យសម្ព័ន្ធទីមួយនៃសាកលវិទ្យាល័យវេជ្ជសាស្ត្រ Kunming ស្រុក Wuhua ក្រុង Kunming ខេត្ត Yunnan ប្រទេសចិន | [h] មជ្ឈមណ្ឌលសិក្សាអំពីជំងឺ និងរបួសដែលទាក់ទងនឹងសង្គ្រាម VA Palo Alto ថែទាំសុខភាព ប្រព័ន្ធ, Palo Alto, CA, សហរដ្ឋអាមេរិក | [i] នាយកដ្ឋានចិត្តវិទ្យា និងវិទ្យាសាស្ត្រអាកប្បកិរិយា សាលាវេជ្ជសាស្ត្រសាកលវិទ្យាល័យ Stanford, Palo Alto, CA, សហរដ្ឋអាមេរិក

ការឆ្លើយឆ្លង៖ [*] ការឆ្លើយឆ្លងទៅកាន់៖ Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. អ៊ីមែល៖ mbergeron@sivotecanalytics.com ។ Xiaolei Liu, MD, Department of Neurology, First Affiliated Hospital of Kunming Medical University, 295 Xichang Road, ស្រុក Wuhua, Kunming, Yunnan Province 650032, China. អ៊ីមែល៖ ring@vip.163.com ។

ពាក្យ​គន្លឹះ៖ ភាព​ចាស់, ជម្ងឺវង្វេង, ជំងឺវង្វេង, ការពិនិត្យទ្រង់ទ្រាយធំ