ಸೌಮ್ಯ ಅರಿವಿನ ದುರ್ಬಲತೆಯ ವರ್ಗೀಕರಣದಲ್ಲಿ MemTrax ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ ಮಾಡೆಲಿಂಗ್‌ನ ಉಪಯುಕ್ತತೆ
ಸಂಶೋಧನಾ ಬರಹ
ಲೇಖಕರು: ಬರ್ಗೆರಾನ್, ಮೈಕೆಲ್ ಎಫ್. | ಲ್ಯಾಂಡ್‌ಸೆಟ್, ಸಾರಾ | ಝೌ, ಕ್ಸಿಯಾನ್ಬೋ | ಡಿಂಗ್, ಟಾವೊ | ಖೋಷ್ಗೋಫ್ತಾರ್, ತಘಿ ಎಂ. | ಝಾವೋ, ಫೆಂಗ್ | ದು, ಬೊ | ಚೆನ್, ಕ್ಸಿಂಜಿ | ವಾಂಗ್, ಕ್ಸುವಾನ್ | ಝಾಂಗ್, ಲಿಯಾನ್ಮೀ | ಲಿಯು, Xiaolei| ಆಶ್ಫೋರ್ಡ್, ಜೆ. ವೆಸ್ಸನ್
DOI: 10.3233/JAD-191340
ಜರ್ನಲ್: ಜರ್ನಲ್ ಆಫ್ ಆಲ್ಝೈಮರ್ನ ಕಾಯಿಲೆ, ಸಂಪುಟ. 77, ಇಲ್ಲ. 4, ಪುಟಗಳು 1545-1558, 2020
ಅಮೂರ್ತ
ಹಿನ್ನೆಲೆ:
ವ್ಯಾಪಕವಾದ ಘಟನೆಗಳು ಮತ್ತು ಹರಡುವಿಕೆ ಆಲ್ಝೈಮರ್ನ ಕಾಯಿಲೆಯ ಮತ್ತು ಸೌಮ್ಯವಾದ ಅರಿವಿನ ದುರ್ಬಲತೆ (MCI) ಆರಂಭಿಕ ಪತ್ತೆ ಅರಿವಿನ ಸ್ಕ್ರೀನಿಂಗ್ ಮತ್ತು ಮೌಲ್ಯಮಾಪನವನ್ನು ಮೌಲ್ಯೀಕರಿಸಲು ಸಂಶೋಧನೆಗೆ ತುರ್ತು ಕರೆಯನ್ನು ಪ್ರೇರೇಪಿಸಿದೆ.
ಉದ್ದೇಶ:
ಆಯ್ದ MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಾಪನಗಳು ಮತ್ತು ಸಂಬಂಧಿತ ಜನಸಂಖ್ಯಾಶಾಸ್ತ್ರ ಮತ್ತು ಆರೋಗ್ಯ ಪ್ರೊಫೈಲ್ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಅರಿವಿನ ಆರೋಗ್ಯವನ್ನು ವರ್ಗೀಕರಿಸಲು (ಸಾಮಾನ್ಯ ವಿರುದ್ಧ MCI) ಯಂತ್ರ ಕಲಿಕೆಯೊಂದಿಗೆ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಭವಿಷ್ಯಸೂಚಕ ಮಾದರಿಗಳಲ್ಲಿ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸಿಕೊಳ್ಳಬಹುದೇ ಎಂದು ನಿರ್ಧರಿಸುವುದು ನಮ್ಮ ಪ್ರಾಥಮಿಕ ಸಂಶೋಧನೆಯ ಗುರಿಯಾಗಿದೆ. ಮಾಂಟ್ರಿಯಲ್ ಕಾಗ್ನಿಟಿವ್ ಅಸೆಸ್ಮೆಂಟ್ (MoCA).
ವಿಧಾನಗಳು:
ನಾವು 259 ನರವಿಜ್ಞಾನ, ಮೆಮೊರಿ ಕ್ಲಿನಿಕ್ ಮತ್ತು ಆಂತರಿಕ ಔಷಧ ವಯಸ್ಕ ರೋಗಿಗಳಲ್ಲಿ ಇಬ್ಬರಿಂದ ನೇಮಕಗೊಂಡ ವಯಸ್ಕ ರೋಗಿಗಳ ಮೇಲೆ ಅಡ್ಡ-ವಿಭಾಗದ ಅಧ್ಯಯನವನ್ನು ನಡೆಸಿದ್ದೇವೆ ಚೀನಾದಲ್ಲಿ ಆಸ್ಪತ್ರೆಗಳು. ಪ್ರತಿ ರೋಗಿಗೆ ಚೈನೀಸ್ ಭಾಷೆಯ MoCA ನೀಡಲಾಯಿತು ಮತ್ತು MemTrax ಆನ್ಲೈನ್ ಎಪಿಸೋಡಿಕ್ ಅನ್ನು ನಿರಂತರವಾಗಿ ಗುರುತಿಸಲಾಯಿತು. ಆನ್ಲೈನ್ ಮೆಮೊರಿ ಪರೀಕ್ಷೆ ಅದೇ ದಿನ. 10-ಪಟ್ಟು ಅಡ್ಡ ಮೌಲ್ಯೀಕರಣದೊಂದಿಗೆ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಮುನ್ಸೂಚಕ ವರ್ಗೀಕರಣ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲಾಗಿದೆ ಮತ್ತು ರಿಸೀವರ್ ಆಪರೇಟಿಂಗ್ ಕ್ಯಾರೆಕ್ಟರಿಸ್ಟಿಕ್ ಕರ್ವ್ (AUC) ಅಡಿಯಲ್ಲಿ ಪ್ರದೇಶವನ್ನು ಬಳಸಿಕೊಂಡು ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಅಳೆಯಲಾಗುತ್ತದೆ. ಎಂಟು ಸಾಮಾನ್ಯ ಜನಸಂಖ್ಯಾಶಾಸ್ತ್ರ ಮತ್ತು ವೈಯಕ್ತಿಕ ಇತಿಹಾಸದ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ಎರಡು MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು (ಶೇಕಡಾ ಸರಿಯಾದ, ಪ್ರತಿಕ್ರಿಯೆ ಸಮಯ) ಬಳಸಿಕೊಂಡು ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲಾಗಿದೆ.
ಫಲಿತಾಂಶಗಳು:
MoCA ಸ್ಕೋರ್‌ಗಳು ಮತ್ತು ಥ್ರೆಶೋಲ್ಡ್‌ಗಳ ಆಯ್ದ ಸಂಯೋಜನೆಗಳಾದ್ಯಂತ ಕಲಿಯುವವರನ್ನು ಹೋಲಿಸಿದಾಗ, ನೇವ್ ಬೇಯ್ಸ್ ಸಾಮಾನ್ಯವಾಗಿ 0.9093 ರ ಒಟ್ಟಾರೆ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯೊಂದಿಗೆ ಉನ್ನತ-ಕಾರ್ಯನಿರ್ವಹಣೆಯ ಕಲಿಯುವವರಾಗಿದ್ದರು. ಇದಲ್ಲದೆ, ಅಗ್ರ ಮೂರು ಕಲಿಯುವವರಲ್ಲಿ, ಎಲ್ಲಾ 0.9119 ಸಾಮಾನ್ಯ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು (10) ಬಳಸುವುದಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಕೇವಲ ಉನ್ನತ ಶ್ರೇಣಿಯ ನಾಲ್ಕು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು (0.8999) ಬಳಸಿಕೊಂಡು ಒಟ್ಟಾರೆಯಾಗಿ MemTrax-ಆಧಾರಿತ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆ ಉತ್ತಮವಾಗಿದೆ.
ತೀರ್ಮಾನ:
MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಯಂತ್ರ ಕಲಿಕೆಯ ವರ್ಗೀಕರಣ ಮುನ್ಸೂಚಕ ಮಾದರಿಯಲ್ಲಿ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸಿಕೊಳ್ಳಬಹುದು ಆರಂಭಿಕ ಹಂತದ ಅರಿವಿನ ದುರ್ಬಲತೆಯನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಸ್ಕ್ರೀನಿಂಗ್ ಅಪ್ಲಿಕೇಶನ್.
ಪರಿಚಯ
ಗುರುತಿಸಲ್ಪಟ್ಟ (ಅಂಡರ್ ಡಯಾಗ್ನೋಸ್ಡ್ ಆಗಿದ್ದರೂ) ವ್ಯಾಪಕ-ಹರಡುವ ಘಟನೆಗಳು ಮತ್ತು ಹರಡುವಿಕೆ ಮತ್ತು ಸಮಾನಾಂತರವಾಗಿ ಹೆಚ್ಚುತ್ತಿರುವ ವೈದ್ಯಕೀಯ, ಸಾಮಾಜಿಕ ಮತ್ತು ಸಾರ್ವಜನಿಕ ಆರೋಗ್ಯ ಆಲ್ಝೈಮರ್ನ ಕಾಯಿಲೆಯ ವೆಚ್ಚಗಳು ಮತ್ತು ಹೊರೆ (AD) ಮತ್ತು ಸೌಮ್ಯವಾದ ಅರಿವಿನ ದುರ್ಬಲತೆ (MCI) ಎಲ್ಲಾ ಪಾಲುದಾರರಿಗೆ ಹೆಚ್ಚು ಒತ್ತಡವನ್ನುಂಟುಮಾಡುತ್ತದೆ [1, 2]. ಈ ಸಂಕಟದ ಮತ್ತು ಬೂರ್ಜನೀಯ ಸನ್ನಿವೇಶವು ಮೌಲ್ಯೀಕರಿಸಲು ಸಂಶೋಧನೆಗೆ ತುರ್ತು ಕರೆಯನ್ನು ಪ್ರೇರೇಪಿಸಿದೆ ಆರಂಭಿಕ ಪತ್ತೆ ವಿವಿಧ ಪ್ರದೇಶಗಳು ಮತ್ತು ಜನಸಂಖ್ಯೆಯಾದ್ಯಂತ ವಯಸ್ಸಾದ ರೋಗಿಗಳಿಗೆ ವೈಯಕ್ತಿಕ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ಸೆಟ್ಟಿಂಗ್‌ಗಳಲ್ಲಿ ನಿಯಮಿತ ಪ್ರಾಯೋಗಿಕ ಉಪಯುಕ್ತತೆಗಾಗಿ ಅರಿವಿನ ತಪಾಸಣೆ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಸಾಧನಗಳು [3]. ಈ ಉಪಕರಣಗಳು ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಆರೋಗ್ಯ ದಾಖಲೆಗಳಿಗೆ ತಿಳಿವಳಿಕೆ ಫಲಿತಾಂಶಗಳ ತಡೆರಹಿತ ಅನುವಾದವನ್ನು ಒದಗಿಸಬೇಕು. ರೋಗಿಗಳಿಗೆ ತಿಳಿಸುವ ಮೂಲಕ ಮತ್ತು ವೈದ್ಯರಿಗೆ ಮುಂಚಿತವಾಗಿ ಗಮನಾರ್ಹ ಬದಲಾವಣೆಗಳನ್ನು ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡುವ ಮೂಲಕ ಪ್ರಯೋಜನಗಳನ್ನು ಅರಿತುಕೊಳ್ಳಲಾಗುತ್ತದೆ ಮತ್ತು ಇದರಿಂದಾಗಿ ಹೆಚ್ಚು ತ್ವರಿತ ಮತ್ತು ಸಮಯೋಚಿತ ಶ್ರೇಣೀಕರಣ, ಅನುಷ್ಠಾನ, ಮತ್ತು ಅನುಭವವನ್ನು ಪ್ರಾರಂಭಿಸುವವರಿಗೆ ಸೂಕ್ತವಾದ ವೈಯಕ್ತಿಕ ಮತ್ತು ಹೆಚ್ಚು ವೆಚ್ಚ-ಪರಿಣಾಮಕಾರಿ ಚಿಕಿತ್ಸೆ ಮತ್ತು ರೋಗಿಗಳ ಆರೈಕೆಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ. ಅರಿವಿನ ಅವನತಿ [3, 4].
ಗಣಕೀಕೃತ MemTrax ಉಪಕರಣ (https://memtrax.com) ಒಂದು ಸರಳ ಮತ್ತು ಸಂಕ್ಷಿಪ್ತ ನಿರಂತರ ಗುರುತಿಸುವಿಕೆ ಮೌಲ್ಯಮಾಪನವಾಗಿದ್ದು, ಸವಾಲಿನ ಸಮಯದ ಎಪಿಸೋಡಿಕ್ ಮೆಮೊರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಅಳೆಯಲು ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ ಸ್ವಯಂ-ನಿರ್ವಹಿಸಬಹುದು, ಅಲ್ಲಿ ಬಳಕೆದಾರರು ಪುನರಾವರ್ತಿತ ಚಿತ್ರಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತಾರೆ ಮತ್ತು ಆರಂಭಿಕ ಪ್ರಸ್ತುತಿಗೆ ಅಲ್ಲ [5, 6]. ಇತ್ತೀಚಿನ ಸಂಶೋಧನೆ ಮತ್ತು ಪರಿಣಾಮವಾಗಿ ಪ್ರಾಯೋಗಿಕ ಪರಿಣಾಮಗಳು ಹಂತಹಂತವಾಗಿ ಮತ್ತು ಸಾಮೂಹಿಕವಾಗಿ ಮೆಮ್‌ಟ್ರಾಕ್ಸ್‌ನ ವೈದ್ಯಕೀಯ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಆರಂಭಿಕ AD ಮತ್ತು MCI ಸ್ಕ್ರೀನಿಂಗ್‌ನಲ್ಲಿ ಪ್ರದರ್ಶಿಸಲು ಪ್ರಾರಂಭಿಸಿವೆ [5–7]. ಆದಾಗ್ಯೂ, ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವೈದ್ಯಕೀಯ ಉಪಯುಕ್ತತೆಯ ನೇರ ಹೋಲಿಕೆ ಅರಿವಿನ ಆರೋಗ್ಯ ವೃತ್ತಿಪರ ದೃಷ್ಟಿಕೋನವನ್ನು ತಿಳಿಸಲು ಮತ್ತು ಆರಂಭಿಕ ಪತ್ತೆ ಮತ್ತು ರೋಗನಿರ್ಣಯದ ಬೆಂಬಲದಲ್ಲಿ MemTrax ಉಪಯುಕ್ತತೆಯನ್ನು ದೃಢೀಕರಿಸಲು ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ಮಾನದಂಡಗಳನ್ನು ಸಮರ್ಥಿಸಲಾಗುತ್ತದೆ. ವ್ಯಾನ್ ಡೆರ್ ಹೋಕ್ ಮತ್ತು ಇತರರು. [8] ಆಯ್ಕೆಮಾಡಿದ MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು (ಪ್ರತಿಕ್ರಿಯೆಯ ವೇಗ ಮತ್ತು ಶೇಕಡಾವಾರು ಸರಿ) ಮಾಂಟ್ರಿಯಲ್ ನಿರ್ಧರಿಸಿದಂತೆ ಅರಿವಿನ ಸ್ಥಿತಿಗೆ ಹೋಲಿಸಿದೆ ಅರಿವಿನ ಮೌಲ್ಯಮಾಪನ (MoCA). ಆದಾಗ್ಯೂ, ಈ ಅಧ್ಯಯನವು ಈ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಅರಿವಿನ ಸ್ಥಿತಿಯ ಗುಣಲಕ್ಷಣಗಳೊಂದಿಗೆ (MoCA ನಿರ್ಧರಿಸಿದಂತೆ) ಮತ್ತು ಸಂಬಂಧಿತ ಶ್ರೇಣಿಗಳು ಮತ್ತು ಕಟ್ಆಫ್ ಮೌಲ್ಯಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲು ಸೀಮಿತವಾಗಿದೆ. ಅಂತೆಯೇ, ಈ ತನಿಖೆಯನ್ನು ವಿಸ್ತರಿಸಲು ಮತ್ತು ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಸುಧಾರಿಸಲು, ನಮ್ಮ ಪ್ರಾಥಮಿಕ ಸಂಶೋಧನಾ ಪ್ರಶ್ನೆ:
- ವ್ಯಕ್ತಿಯ ಆಯ್ಕೆಮಾಡಿದ MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳು ಮತ್ತು ಸಂಬಂಧಿತ ಜನಸಂಖ್ಯಾಶಾಸ್ತ್ರ ಮತ್ತು ಆರೋಗ್ಯ ಪ್ರೊಫೈಲ್ ಒಬ್ಬರ MoCA ಸ್ಕೋರ್‌ನಿಂದ ಸೂಚಿಸಲ್ಪಟ್ಟಂತೆ, ಅರಿವಿನ ಆರೋಗ್ಯವನ್ನು ದ್ವಿಮುಖವಾಗಿ (ಸಾಮಾನ್ಯ ಮತ್ತು MCI) ವರ್ಗೀಕರಿಸಲು ಯಂತ್ರ ಕಲಿಕೆಯೊಂದಿಗೆ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಭವಿಷ್ಯಸೂಚಕ ಮಾದರಿಯಲ್ಲಿ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸಿಕೊಳ್ಳಬಹುದು?
ಇದಕ್ಕೆ ದ್ವಿತೀಯಕ, ನಾವು ತಿಳಿದುಕೊಳ್ಳಲು ಬಯಸಿದ್ದೇವೆ:
- ಅದೇ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಒಳಗೊಂಡಂತೆ, ಸ್ವತಂತ್ರ ಕ್ಲಿನಿಕಲ್ ರೋಗನಿರ್ಣಯದಿಂದ ನಿರ್ಧರಿಸಲ್ಪಡುವ ಅರಿವಿನ ದುರ್ಬಲತೆಯ ಆಯ್ದ ವರ್ಗಗಳಲ್ಲಿ ತೀವ್ರತೆಯನ್ನು (ಸೌಮ್ಯ ಮತ್ತು ತೀವ್ರ) ಊಹಿಸಲು ಮೆಮ್ಟ್ರಾಕ್ಸ್ ಕಾರ್ಯಕ್ಷಮತೆ-ಆಧಾರಿತ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯನ್ನು ರೋಗಿಗೆ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಅನ್ವಯಿಸಬಹುದೇ?
ಸ್ಕ್ರೀನಿಂಗ್/ಡಿಟೆಕ್ಷನ್‌ನಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯ ಆಗಮನ ಮತ್ತು ವಿಕಸನಗೊಳ್ಳುತ್ತಿರುವ ಪ್ರಾಯೋಗಿಕ ಅನ್ವಯವು ಈಗಾಗಲೇ ವಿಭಿನ್ನ ಪ್ರಾಯೋಗಿಕ ಪ್ರಯೋಜನಗಳನ್ನು ಪ್ರದರ್ಶಿಸಿದೆ, ಭವಿಷ್ಯಸೂಚಕ ಮಾದರಿಯು ಅರಿವಿನ/ಮೆದುಳಿನ ಆರೋಗ್ಯ ಮತ್ತು ರೋಗಿಗಳ ನಿರ್ವಹಣೆಯ ಸವಾಲಿನ ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ವೈದ್ಯರಿಗೆ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾರ್ಗದರ್ಶನ ನೀಡುತ್ತದೆ. ನಮ್ಮ ಅಧ್ಯಯನದಲ್ಲಿ, MCI ವರ್ಗೀಕರಣ ಮಾಡೆಲಿಂಗ್ ಮತ್ತು ಅರಿವಿನ ದುರ್ಬಲತೆಯ ತೀವ್ರತೆಯ ತಾರತಮ್ಯದಲ್ಲಿ ನಾವು ಇದೇ ವಿಧಾನವನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ್ದೇವೆ, ಇದು ಮೂರು ಡೇಟಾಸೆಟ್‌ಗಳಿಂದ ಕ್ಲಿನಿಕಲ್ ರೋಗನಿರ್ಣಯದಿಂದ ದೃಢೀಕರಿಸಲ್ಪಟ್ಟಿದೆ ಎಂದು ಚೀನಾದ ಎರಡು ಆಸ್ಪತ್ರೆಗಳಿಂದ ಆಯ್ದ ಸ್ವಯಂಸೇವಕ ಒಳರೋಗಿಗಳು ಮತ್ತು ಹೊರರೋಗಿಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಪ್ರಿಡಿಕ್ಟಿವ್ ಮಾಡೆಲಿಂಗ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು, ನಾವು ವಿವಿಧ ಡೇಟಾಸೆಟ್/ಲರ್ನರ್ ಸಂಯೋಜನೆಗಳಿಂದ ಉನ್ನತ-ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಕಲಿಯುವವರನ್ನು ಗುರುತಿಸಿದ್ದೇವೆ ಮತ್ತು ಹೆಚ್ಚು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಪ್ರಾಯೋಗಿಕ ಮಾದರಿ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲು ನಮಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡಲು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಶ್ರೇಣೀಕರಿಸಿದ್ದೇವೆ.
MoCA ಒಟ್ಟು ಸ್ಕೋರ್ ಥ್ರೆಶೋಲ್ಡ್ ಮಾನದಂಡದ ಆಧಾರದ ಮೇಲೆ ಅರಿವಿನ ಆರೋಗ್ಯವನ್ನು ದ್ವಿಮುಖವಾಗಿ (ಸಾಮಾನ್ಯ ಅಥವಾ MCI) ವರ್ಗೀಕರಿಸಲು ಮೌಲ್ಯೀಕರಿಸಿದ MemTrax-ಆಧಾರಿತ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಳ್ಳಬಹುದು ಮತ್ತು ಅದೇ ರೀತಿಯ MemTrax ಮುನ್ಸೂಚಕ ಮಾದರಿಯನ್ನು ತೀವ್ರತೆಯನ್ನು ತಾರತಮ್ಯಮಾಡುವಲ್ಲಿ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸಿಕೊಳ್ಳಬಹುದು ಎಂಬುದು ನಮ್ಮ ಕಲ್ಪನೆಗಳು. ಪ್ರಾಯೋಗಿಕವಾಗಿ ರೋಗನಿರ್ಣಯ ಅರಿವಿನ ಕೊರತೆ. ನಿರೀಕ್ಷಿತ ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರದರ್ಶಿಸುವುದು ಅರಿವಿನ ಕುಸಿತ ಮತ್ತು ಅರಿವಿನ ದುರ್ಬಲತೆಯ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಆರಂಭಿಕ ಪತ್ತೆ ಪರದೆಯಂತೆ MemTrax ನ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಬೆಂಬಲಿಸುವಲ್ಲಿ ಸಹಕಾರಿಯಾಗುತ್ತದೆ. ಉದ್ಯಮದ ಉದ್ದೇಶಿತ ಮಾನದಂಡಕ್ಕೆ ಅನುಕೂಲಕರವಾದ ಹೋಲಿಕೆಯು ಹೆಚ್ಚು ಸುಲಭ ಮತ್ತು ಉಪಯುಕ್ತತೆಯ ತ್ವರಿತತೆಯಿಂದ ಪೂರಕವಾಗಿದೆ, ಇದು ಆರಂಭಿಕ (ಪ್ರೊಡ್ರೊಮಲ್ ಸೇರಿದಂತೆ) ಹಂತದ ಅರಿವಿನ ಕೊರತೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವಲ್ಲಿ ಆರಂಭಿಕ ಪರದೆಯಂತೆ ವೈದ್ಯರಿಗೆ ಈ ಸರಳ, ವಿಶ್ವಾಸಾರ್ಹ ಮತ್ತು ಪ್ರವೇಶಿಸಬಹುದಾದ ಸಾಧನವನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುವಲ್ಲಿ ಪ್ರಭಾವಶಾಲಿಯಾಗಿದೆ. ಅಂತಹ ಒಂದು ವಿಧಾನ ಮತ್ತು ಉಪಯುಕ್ತತೆಯು ಹೆಚ್ಚು ಸಮಯೋಚಿತ ಮತ್ತು ಉತ್ತಮ ಶ್ರೇಣೀಕೃತ ರೋಗಿಗಳ ಆರೈಕೆ ಮತ್ತು ಮಧ್ಯಸ್ಥಿಕೆಯನ್ನು ಪ್ರೇರೇಪಿಸುತ್ತದೆ. ಈ ಫಾರ್ವರ್ಡ್-ಥಿಂಕಿಂಗ್ ಒಳನೋಟಗಳು ಮತ್ತು ಸುಧಾರಿತ ಮೆಟ್ರಿಕ್‌ಗಳು ಮತ್ತು ಮಾದರಿಗಳು AD ಮತ್ತು AD-ಸಂಬಂಧಿತ ಬುದ್ಧಿಮಾಂದ್ಯತೆಗಳು (ADRD) ಸೇರಿದಂತೆ ಬುದ್ಧಿಮಾಂದ್ಯತೆಯ ಪ್ರಗತಿಯನ್ನು ತಗ್ಗಿಸಲು ಅಥವಾ ನಿಲ್ಲಿಸಲು ಸಹ ಸಹಾಯಕವಾಗಬಹುದು.
ಪದಾರ್ಥಗಳು ಮತ್ತು ವಿಧಾನಗಳು
ಜನಸಂಖ್ಯೆಯನ್ನು ಅಧ್ಯಯನ ಮಾಡಿ
ಜನವರಿ 2018 ಮತ್ತು ಆಗಸ್ಟ್ 2019 ರ ನಡುವೆ, ಚೀನಾದ ಎರಡು ಆಸ್ಪತ್ರೆಗಳಿಂದ ನೇಮಕಗೊಂಡ ರೋಗಿಗಳ ಮೇಲೆ ಅಡ್ಡ-ವಿಭಾಗದ ಸಂಶೋಧನೆ ಪೂರ್ಣಗೊಂಡಿದೆ. 5 ವರ್ಷ ಮತ್ತು ಅದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ವಯಸ್ಸಿನ ವ್ಯಕ್ತಿಗಳಿಗೆ MemTrax [21] ಆಡಳಿತ ಮತ್ತು ಆ ಡೇಟಾದ ಸಂಗ್ರಹಣೆ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯನ್ನು ಪರಿಶೀಲಿಸಲಾಗಿದೆ ಮತ್ತು ಅನುಮೋದಿಸಲಾಗಿದೆ ಮತ್ತು ಅದರ ನೈತಿಕ ಮಾನದಂಡಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ನಿರ್ವಹಿಸಲಾಗಿದೆ. ಮಾನವ ಸ್ಟ್ಯಾನ್‌ಫೋರ್ಡ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ವಿಷಯ ಸಂರಕ್ಷಣಾ ಸಮಿತಿ. MemTrax ಮತ್ತು ಈ ಒಟ್ಟಾರೆ ಅಧ್ಯಯನಕ್ಕಾಗಿ ಎಲ್ಲಾ ಇತರ ಪರೀಕ್ಷೆಗಳನ್ನು 1975 ರ ಹೆಲ್ಸಿಂಕಿ ಘೋಷಣೆಯ ಪ್ರಕಾರ ನಡೆಸಲಾಯಿತು ಮತ್ತು ಚೀನಾದ ಯುನ್ನಾನ್‌ನ ಕುನ್ಮಿಂಗ್‌ನಲ್ಲಿರುವ ಕುನ್ಮಿಂಗ್ ವೈದ್ಯಕೀಯ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಮೊದಲ ಸಂಯೋಜಿತ ಆಸ್ಪತ್ರೆಯ ಸಾಂಸ್ಥಿಕ ಪರಿಶೀಲನಾ ಮಂಡಳಿಯಿಂದ ಅನುಮೋದಿಸಲಾಗಿದೆ. ಪ್ರತಿ ಬಳಕೆದಾರರಿಗೆ ಒದಗಿಸಲಾಗಿದೆ ತಿಳುವಳಿಕೆಯುಳ್ಳ ಒಪ್ಪಿಗೆ ಫಾರ್ಮ್ ಅನ್ನು ಓದಲು/ವಿಮರ್ಶಿಸಲು ಮತ್ತು ನಂತರ ಸ್ವಯಂಪ್ರೇರಣೆಯಿಂದ ಭಾಗವಹಿಸಲು ಒಪ್ಪಿಕೊಳ್ಳಿ.
ಯಾನ್ಹುವಾ ಆಸ್ಪತ್ರೆಯಲ್ಲಿ (YH ಉಪ-ಡೇಟಾಸೆಟ್) ನರವಿಜ್ಞಾನ ಚಿಕಿತ್ಸಾಲಯದಲ್ಲಿ ಹೊರರೋಗಿಗಳ ಪೂಲ್‌ನಿಂದ ಭಾಗವಹಿಸುವವರನ್ನು ನೇಮಿಸಿಕೊಳ್ಳಲಾಗಿದೆ. ಕುನ್ಮಿಂಗ್ ಮೆಡಿಕಲ್‌ನ ಮೊದಲ ಅಂಗಸಂಸ್ಥೆ ಆಸ್ಪತ್ರೆಯಲ್ಲಿ ಮೆಮೊರಿ ಕ್ಲಿನಿಕ್ ಚೀನಾದ ಬೀಜಿಂಗ್‌ನಲ್ಲಿರುವ ವಿಶ್ವವಿದ್ಯಾಲಯ (XL ಉಪ-ಡೇಟಾಸೆಟ್). ಕುನ್ಮಿಂಗ್ ಮೆಡಿಕಲ್ ಯೂನಿವರ್ಸಿಟಿಯ ಮೊದಲ ಸಂಯೋಜಿತ ಆಸ್ಪತ್ರೆಯಲ್ಲಿ ನರವಿಜ್ಞಾನ (XL ಉಪ-ಡೇಟಾಸೆಟ್) ಮತ್ತು ಆಂತರಿಕ ಔಷಧ (KM ಉಪ-ಡೇಟಾಸೆಟ್) ಒಳರೋಗಿಗಳಿಂದ ಸಹ ಭಾಗವಹಿಸುವವರನ್ನು ನೇಮಿಸಿಕೊಳ್ಳಲಾಗಿದೆ. ಸೇರ್ಪಡೆ ಮಾನದಂಡಗಳು 1) ಕನಿಷ್ಠ 21 ವರ್ಷ ವಯಸ್ಸಿನ ಪುರುಷರು ಮತ್ತು ಮಹಿಳೆಯರು, 2) ಚೈನೀಸ್ ಮಾತನಾಡುವ ಸಾಮರ್ಥ್ಯ (ಮ್ಯಾಂಡರಿನ್), ಮತ್ತು 3) ಮೌಖಿಕ ಮತ್ತು ಲಿಖಿತ ನಿರ್ದೇಶನಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ. ಹೊರಗಿಡುವ ಮಾನದಂಡಗಳು ದೃಷ್ಟಿ ಮತ್ತು ಮೋಟಾರು ದುರ್ಬಲತೆಗಳು ಭಾಗವಹಿಸುವವರನ್ನು ಪೂರ್ಣಗೊಳಿಸುವುದನ್ನು ತಡೆಯುತ್ತದೆ ಮೆಮ್ಟ್ರಾಕ್ಸ್ ಪರೀಕ್ಷೆ, ಹಾಗೆಯೇ ನಿರ್ದಿಷ್ಟ ಪರೀಕ್ಷಾ ಸೂಚನೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಅಸಮರ್ಥತೆ.
MemTrax ನ ಚೀನೀ ಆವೃತ್ತಿ
ಆನ್ಲೈನ್ MemTrax ಪರೀಕ್ಷಾ ವೇದಿಕೆಯನ್ನು ಅನುವಾದಿಸಲಾಗಿದೆ ಚೈನೀಸ್‌ಗೆ (URL: https://www.memtrax.com.cn) ಮತ್ತು ಸ್ವ-ಆಡಳಿತಕ್ಕಾಗಿ WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) ಮೂಲಕ ಬಳಸಿಕೊಳ್ಳಲು ಮತ್ತಷ್ಟು ಅಳವಡಿಸಿಕೊಳ್ಳಲಾಗಿದೆ. ಡೇಟಾವನ್ನು ಚೀನಾದಲ್ಲಿರುವ ಕ್ಲೌಡ್ ಸರ್ವರ್‌ನಲ್ಲಿ (ಅಲಿ ಕ್ಲೌಡ್) ಸಂಗ್ರಹಿಸಲಾಗಿದೆ ಮತ್ತು ಅಲಿಬಾಬಾ (ಅಲಿಬಾಬಾ ಟೆಕ್ನಾಲಜಿ ಕಂ. ಲಿಮಿಟೆಡ್, ಹ್ಯಾಂಗ್‌ಝೌ, ಝೆಜಿಯಾಂಗ್, ಚೀನಾ) ನಿಂದ SJN ಬಯೋಮೆಡ್ LTD (ಕುನ್ಮಿಂಗ್, ಯುನ್ನಾನ್, ಚೀನಾ) ಪರವಾನಗಿ ಪಡೆದಿದೆ. ಇಲ್ಲಿ ಬಳಸಲಾದ MemTrax ಮತ್ತು ಪರೀಕ್ಷಾ ಮಾನ್ಯತೆಯ ಮಾನದಂಡಗಳ ನಿರ್ದಿಷ್ಟ ವಿವರಗಳನ್ನು ಹಿಂದೆ ವಿವರಿಸಲಾಗಿದೆ [6]. ರೋಗಿಗಳಿಗೆ ಯಾವುದೇ ಶುಲ್ಕವಿಲ್ಲದೆ ಪರೀಕ್ಷೆಯನ್ನು ಒದಗಿಸಲಾಗಿದೆ.
ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಿ
ಒಳರೋಗಿಗಳಿಗೆ ಮತ್ತು ಹೊರರೋಗಿಗಳಿಗೆ, ವಯಸ್ಸು, ಲಿಂಗ, ಶಿಕ್ಷಣದ ವರ್ಷಗಳು, ಉದ್ಯೋಗ, ಮುಂತಾದ ಜನಸಂಖ್ಯಾ ಮತ್ತು ವೈಯಕ್ತಿಕ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸಲು ಸಾಮಾನ್ಯ ಪೇಪರ್ ಪ್ರಶ್ನಾವಳಿ ಏಕಾಂಗಿಯಾಗಿ ವಾಸಿಸುತ್ತಿದ್ದಾರೆ ಅಥವಾ ಕುಟುಂಬದೊಂದಿಗೆ, ಮತ್ತು ವೈದ್ಯಕೀಯ ಇತಿಹಾಸವನ್ನು ಅಧ್ಯಯನ ತಂಡದ ಸದಸ್ಯರಿಂದ ನಿರ್ವಹಿಸಲಾಗಿದೆ. ಪ್ರಶ್ನಾವಳಿಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ನಂತರ, MoCA [12] ಮತ್ತು MemTrax ಪರೀಕ್ಷೆಗಳನ್ನು (MoCA ಮೊದಲು) ಪರೀಕ್ಷೆಗಳ ನಡುವೆ 20 ನಿಮಿಷಗಳಿಗಿಂತ ಹೆಚ್ಚಿಲ್ಲದಂತೆ ನಿರ್ವಹಿಸಲಾಯಿತು. MemTrax ಶೇಕಡಾವಾರು ಸರಿಯಾಗಿದೆ (MTx-% C), ಸರಾಸರಿ ಪ್ರತಿಕ್ರಿಯೆ ಸಮಯ (MTx-RT), ಮತ್ತು ಪರೀಕ್ಷೆಯ ದಿನಾಂಕ ಮತ್ತು ಸಮಯವನ್ನು ಪರೀಕ್ಷೆಗೆ ಒಳಪಡಿಸಿದ ಪ್ರತಿ ಭಾಗವಹಿಸುವವರಿಗೆ ಅಧ್ಯಯನ ತಂಡದ ಸದಸ್ಯರು ಕಾಗದದ ಮೇಲೆ ದಾಖಲಿಸಿದ್ದಾರೆ. ಪೂರ್ಣಗೊಂಡ ಪ್ರಶ್ನಾವಳಿ ಮತ್ತು MoCA ಯ ಫಲಿತಾಂಶಗಳನ್ನು ಪರೀಕ್ಷೆಗಳನ್ನು ನಿರ್ವಹಿಸಿದ ಸಂಶೋಧಕರು ಎಕ್ಸೆಲ್ ಸ್ಪ್ರೆಡ್‌ಶೀಟ್‌ಗೆ ಅಪ್‌ಲೋಡ್ ಮಾಡಿದ್ದಾರೆ ಮತ್ತು ಎಕ್ಸೆಲ್ ಫೈಲ್‌ಗಳನ್ನು ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಉಳಿಸುವ ಮೊದಲು ಸಹೋದ್ಯೋಗಿಯಿಂದ ಪರಿಶೀಲಿಸಲಾಗಿದೆ.
ಮೆಮ್ಟ್ರಾಕ್ಸ್ ಪರೀಕ್ಷೆ
MemTrax ಆನ್ಲೈನ್ ಪರೀಕ್ಷೆಯು 50 ಚಿತ್ರಗಳನ್ನು ಒಳಗೊಂಡಿತ್ತು (25 ಅನನ್ಯ ಮತ್ತು 25 ಪುನರಾವರ್ತನೆಗಳು; ಸಾಮಾನ್ಯ ದೃಶ್ಯಗಳು ಅಥವಾ ವಸ್ತುಗಳ 5 ಚಿತ್ರಗಳ 5 ಸೆಟ್‌ಗಳು) ನಿರ್ದಿಷ್ಟ ಹುಸಿ-ಯಾದೃಚ್ಛಿಕ ಕ್ರಮದಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ಭಾಗವಹಿಸುವವರು (ಸೂಚನೆಗಳ ಪ್ರಕಾರ) ಪರೀಕ್ಷೆಯನ್ನು ಪ್ರಾರಂಭಿಸಲು ಪರದೆಯ ಮೇಲಿನ ಪ್ರಾರಂಭ ಬಟನ್ ಅನ್ನು ಸ್ಪರ್ಶಿಸುತ್ತಾರೆ ಮತ್ತು ಚಿತ್ರ ಸರಣಿಯನ್ನು ವೀಕ್ಷಿಸಲು ಪ್ರಾರಂಭಿಸುತ್ತಾರೆ ಮತ್ತು ಪುನರಾವರ್ತಿತ ಚಿತ್ರ ಕಾಣಿಸಿಕೊಂಡಾಗಲೆಲ್ಲಾ ಸಾಧ್ಯವಾದಷ್ಟು ಬೇಗ ಪರದೆಯ ಮೇಲೆ ಚಿತ್ರವನ್ನು ಸ್ಪರ್ಶಿಸುತ್ತಾರೆ. ಪ್ರತಿ ಚಿತ್ರವು 3 ಸೆಕೆಂಡುಗಳವರೆಗೆ ಅಥವಾ ಪರದೆಯ ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಸ್ಪರ್ಶಿಸುವವರೆಗೆ ಕಾಣಿಸಿಕೊಂಡಿತು, ಇದು ಮುಂದಿನ ಚಿತ್ರದ ತಕ್ಷಣದ ಪ್ರಸ್ತುತಿಯನ್ನು ಪ್ರೇರೇಪಿಸಿತು. ಸ್ಥಳೀಯ ಸಾಧನದ ಆಂತರಿಕ ಗಡಿಯಾರವನ್ನು ಬಳಸಿಕೊಂಡು, ಪ್ರತಿ ಚಿತ್ರಕ್ಕೆ MTx-RT ಅನ್ನು ಚಿತ್ರದ ಪ್ರಸ್ತುತಿಯಿಂದ ಭಾಗವಹಿಸುವವರು ಪರದೆಯನ್ನು ಸ್ಪರ್ಶಿಸಿದ ಸಮಯದಿಂದ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ. ಪರೀಕ್ಷೆಯ ಸಮಯದಲ್ಲಿ. ಪ್ರತಿ ಚಿತ್ರಕ್ಕೂ MTx-RT ಅನ್ನು ರೆಕಾರ್ಡ್ ಮಾಡಲಾಗಿದೆ, ಯಾವುದೇ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಸೂಚಿಸುವ ಪೂರ್ಣ 3 ಸೆಕೆಂಡುಗಳನ್ನು ದಾಖಲಿಸಲಾಗಿದೆ. ಬಳಕೆದಾರರು ಸರಿಯಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸಿದ ಪುನರಾವರ್ತಿತ ಮತ್ತು ಆರಂಭಿಕ ಚಿತ್ರಗಳ ಶೇಕಡಾವಾರು ಪ್ರಮಾಣವನ್ನು ಸೂಚಿಸಲು MTx-% C ಅನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗಿದೆ (ನಿಜವಾದ ಧನಾತ್ಮಕ + ನಿಜವಾದ ಋಣಾತ್ಮಕ 50 ರಿಂದ ಭಾಗಿಸಿ). MemTrax ಆಡಳಿತ ಮತ್ತು ಅನುಷ್ಠಾನದ ಹೆಚ್ಚುವರಿ ವಿವರಗಳು, ಡೇಟಾ ಕಡಿತ, ಅಮಾನ್ಯ ಅಥವಾ "ಪ್ರತಿಕ್ರಿಯೆ ಇಲ್ಲ" ಡೇಟಾ, ಮತ್ತು ಪ್ರಾಥಮಿಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ಬೇರೆಡೆ ವಿವರಿಸಲಾಗಿದೆ [6].
MemTrax ಪರೀಕ್ಷೆಯನ್ನು ವಿವರವಾಗಿ ವಿವರಿಸಲಾಗಿದೆ ಮತ್ತು ಆಸ್ಪತ್ರೆಯ ಸೆಟ್ಟಿಂಗ್‌ನಲ್ಲಿ ಭಾಗವಹಿಸುವವರಿಗೆ ಅಭ್ಯಾಸ ಪರೀಕ್ಷೆಯನ್ನು (ಫಲಿತಾಂಶಗಳನ್ನು ರೆಕಾರ್ಡ್ ಮಾಡಲು ಪರೀಕ್ಷೆಯಲ್ಲಿ ಬಳಸಲಾದ ಅನನ್ಯ ಚಿತ್ರಗಳೊಂದಿಗೆ) ಒದಗಿಸಲಾಗಿದೆ. YH ಮತ್ತು KM ಉಪ-ಡೇಟಾಸೆಟ್‌ಗಳಲ್ಲಿ ಭಾಗವಹಿಸುವವರು WeChat ನಲ್ಲಿ ಅಪ್ಲಿಕೇಶನ್‌ನೊಂದಿಗೆ ಲೋಡ್ ಮಾಡಲಾದ ಸ್ಮಾರ್ಟ್‌ಫೋನ್‌ನಲ್ಲಿ MemTrax ಪರೀಕ್ಷೆಯನ್ನು ತೆಗೆದುಕೊಂಡರು; ಆದರೆ ಸೀಮಿತ ಸಂಖ್ಯೆಯ XL ಉಪ-ಡೇಟಾಸೆಟ್ ರೋಗಿಗಳು ಐಪ್ಯಾಡ್ ಅನ್ನು ಬಳಸಿದರು ಮತ್ತು ಉಳಿದವರು ಸ್ಮಾರ್ಟ್‌ಫೋನ್ ಬಳಸಿದರು. ಎಲ್ಲಾ ಭಾಗವಹಿಸುವವರು ಮೆಮ್ಟ್ರಾಕ್ಸ್ ಪರೀಕ್ಷೆಯನ್ನು ಅಧ್ಯಯನ ತನಿಖಾಧಿಕಾರಿ ಒಡ್ಡದೆ ಗಮನಿಸಿದರು.
ಮಾಂಟ್ರಿಯಲ್ ಅರಿವಿನ ಮೌಲ್ಯಮಾಪನ
ಚೀನೀ MoCA (MoCA-BC) [13] ಯ ಬೀಜಿಂಗ್ ಆವೃತ್ತಿಯನ್ನು ಅಧಿಕೃತ ಪರೀಕ್ಷಾ ಸೂಚನೆಗಳ ಪ್ರಕಾರ ತರಬೇತಿ ಪಡೆದ ಸಂಶೋಧಕರು ನಿರ್ವಹಿಸಿದ್ದಾರೆ ಮತ್ತು ಸ್ಕೋರ್ ಮಾಡಿದ್ದಾರೆ. ಸೂಕ್ತವಾಗಿ, MoCA-BC ವಿಶ್ವಾಸಾರ್ಹ ಎಂದು ತೋರಿಸಲಾಗಿದೆ ಅರಿವಿನ ಪರೀಕ್ಷೆ ಚೀನೀ ಹಿರಿಯ ವಯಸ್ಕರಲ್ಲಿ ಎಲ್ಲಾ ಶಿಕ್ಷಣ ಹಂತಗಳಲ್ಲಿ ತಪಾಸಣೆ [14]. ಪ್ರತಿ ಪರೀಕ್ಷೆಯು ಆಯಾ ಭಾಗವಹಿಸುವವರ ಅರಿವಿನ ಸಾಮರ್ಥ್ಯಗಳ ಆಧಾರದ ಮೇಲೆ ನಿರ್ವಹಿಸಲು ಸುಮಾರು 10 ರಿಂದ 30 ನಿಮಿಷಗಳನ್ನು ತೆಗೆದುಕೊಂಡಿತು.
MoCA ವರ್ಗೀಕರಣ ಮಾಡೆಲಿಂಗ್
ಎರಡು MemTrax ಸೇರಿದಂತೆ ಒಟ್ಟು 29 ಬಳಸಬಹುದಾದ ವೈಶಿಷ್ಟ್ಯಗಳಿದ್ದವು ಪರೀಕ್ಷಾ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳು ಮತ್ತು ಜನಸಂಖ್ಯಾಶಾಸ್ತ್ರ ಮತ್ತು ಆರೋಗ್ಯಕ್ಕೆ ಸಂಬಂಧಿಸಿದ 27 ವೈಶಿಷ್ಟ್ಯಗಳು ಪ್ರತಿ ಭಾಗವಹಿಸುವವರಿಗೆ ಮಾಹಿತಿ. ಪ್ರತಿ ರೋಗಿಯ MoCA ಒಟ್ಟು ಪರೀಕ್ಷಾ ಸ್ಕೋರ್ ಅನ್ನು ಬಳಸಲಾಗಿದೆ ಅರಿವಿನ ಸ್ಕ್ರೀನಿಂಗ್ ನಮ್ಮ ಭವಿಷ್ಯಸೂಚಕ ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು "ಬೆಂಚ್‌ಮಾರ್ಕ್". ಅಂತೆಯೇ, ವರ್ಗ ಲೇಬಲ್ ಅನ್ನು ರಚಿಸಲು MoCA ಅನ್ನು ಬಳಸಲಾಗಿರುವುದರಿಂದ, ನಾವು ಒಟ್ಟು ಸ್ಕೋರ್ ಅನ್ನು (ಅಥವಾ ಯಾವುದೇ MoCA ಉಪವಿಭಾಗದ ಸ್ಕೋರ್‌ಗಳನ್ನು) ಸ್ವತಂತ್ರ ವೈಶಿಷ್ಟ್ಯವಾಗಿ ಬಳಸಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ. ನಾವು ಪ್ರಾಥಮಿಕ ಪ್ರಯೋಗಗಳನ್ನು ಮಾಡಿದ್ದೇವೆ, ಇದರಲ್ಲಿ ನಾವು ಮೂಲ ಮೂರು ಆಸ್ಪತ್ರೆ/ಕ್ಲಿನಿಕ್(ಗಳು) ಉಪ-ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ರೂಪಿಸಿದ್ದೇವೆ ಮತ್ತು ನಂತರ ಎಲ್ಲಾ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸಂಯೋಜಿಸಿದ್ದೇವೆ. ಆದಾಗ್ಯೂ, ಮೂರು ಉಪ-ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಪ್ರತಿಯೊಂದು ನಾಲ್ಕು ಕ್ಲಿನಿಕ್‌ಗಳಲ್ಲಿ ಒಂದೇ ರೀತಿಯ ಡೇಟಾ ಅಂಶಗಳನ್ನು ಸಂಗ್ರಹಿಸಲಾಗಿಲ್ಲ; ಹೀಗಾಗಿ, ಸಂಯೋಜಿತ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿನ ನಮ್ಮ ಹಲವು ವೈಶಿಷ್ಟ್ಯಗಳು (ಎಲ್ಲಾ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸುವಾಗ) ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳ ಹೆಚ್ಚಿನ ಸಂಭವವನ್ನು ಹೊಂದಿವೆ. ಸುಧಾರಿತ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಕಾರಣವಾದ ಸಾಮಾನ್ಯ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಮಾತ್ರ ಬಳಸಿಕೊಂಡು ಸಂಯೋಜಿತ ಡೇಟಾಸೆಟ್‌ನೊಂದಿಗೆ ನಾವು ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಿದ್ದೇವೆ. ಮೂರು ರೋಗಿಗಳ ಉಪ-ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಕೆಲಸ ಮಾಡಲು ಹೆಚ್ಚಿನ ನಿದರ್ಶನಗಳನ್ನು ಹೊಂದಿರುವ ಸಂಯೋಜನೆಯಿಂದ ಇದನ್ನು ವಿವರಿಸಲಾಗಿದೆ ಮತ್ತು ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳ ಅನಗತ್ಯ ಹರಡುವಿಕೆಯೊಂದಿಗೆ ಯಾವುದೇ ವೈಶಿಷ್ಟ್ಯಗಳಿಲ್ಲ (ಸಂಯೋಜಿತ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಕೇವಲ ಒಂದು ವೈಶಿಷ್ಟ್ಯ, ಕೆಲಸದ ಪ್ರಕಾರ, ಯಾವುದೇ ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳನ್ನು ಹೊಂದಿದೆ, ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಕೇವಲ ಮೂರು ರೋಗಿಗಳ ನಿದರ್ಶನಗಳು), ಏಕೆಂದರೆ ಎಲ್ಲಾ ಮೂರು ಸೈಟ್‌ಗಳಲ್ಲಿ ದಾಖಲಿಸಲಾದ ಸಾಮಾನ್ಯ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಮಾತ್ರ ಸೇರಿಸಲಾಗಿದೆ. ಗಮನಾರ್ಹವಾಗಿ, ಸಂಯೋಜಿತ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಅಂತಿಮವಾಗಿ ಸೇರಿಸದ ಪ್ರತಿಯೊಂದು ವೈಶಿಷ್ಟ್ಯಕ್ಕಾಗಿ ನಾವು ನಿರ್ದಿಷ್ಟ ನಿರಾಕರಣೆಯ ಮಾನದಂಡವನ್ನು ಹೊಂದಿಲ್ಲ. ಆದಾಗ್ಯೂ, ನಮ್ಮ ಪ್ರಾಥಮಿಕ ಸಂಯೋಜಿತ ಡೇಟಾಸೆಟ್ ಮಾಡೆಲಿಂಗ್ನಲ್ಲಿ, ನಾವು ಮೊದಲು ಮೂರು ಪ್ರತ್ಯೇಕ ರೋಗಿಯ ಉಪ-ಡೇಟಾಸೆಟ್‌ಗಳಿಂದ ಎಲ್ಲಾ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸಿದ್ದೇವೆ. ಇದು ವ್ಯಾಪಕವಾಗಿ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಕಾರಣವಾಯಿತು, ಇದು ಪ್ರತಿ ಪ್ರತ್ಯೇಕ ಉಪ-ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಆರಂಭಿಕ ಪ್ರಾಥಮಿಕ ಮಾಡೆಲಿಂಗ್‌ಗಿಂತ ಕಡಿಮೆಯಾಗಿದೆ. ಇದಲ್ಲದೆ, ಎಲ್ಲಾ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನಿರ್ಮಿಸಲಾದ ಮಾದರಿಗಳ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯು ಉತ್ತೇಜನಕಾರಿಯಾಗಿದೆ, ಎಲ್ಲಾ ಕಲಿಯುವವರು ಮತ್ತು ವರ್ಗೀಕರಣ ಯೋಜನೆಗಳಲ್ಲಿ, ಸಾಮಾನ್ಯ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಮಾತ್ರ ಬಳಸುವಾಗ ಕಾರ್ಯಕ್ಷಮತೆ ಎರಡು ಪಟ್ಟು ಹೆಚ್ಚು ಮಾದರಿಗಳಿಗೆ ಸುಧಾರಿಸಿದೆ. ವಾಸ್ತವವಾಗಿ, ನಮ್ಮ ಉನ್ನತ ಕಲಿಯುವವರಲ್ಲಿ ಕೊನೆಗೊಂಡಿತು, ಸಾಮಾನ್ಯವಲ್ಲದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ತೆಗೆದುಹಾಕುವುದರ ಮೇಲೆ ಒಂದು ಮಾದರಿಯನ್ನು ಹೊರತುಪಡಿಸಿ ಎಲ್ಲವೂ ಸುಧಾರಿಸಿದೆ.
ಅಂತಿಮ ಒಟ್ಟು ಡೇಟಾಸೆಟ್ (YH, XL ಮತ್ತು KM ಸಂಯೋಜಿತ) 259 ನಿದರ್ಶನಗಳನ್ನು ಒಳಗೊಂಡಿತ್ತು, ಪ್ರತಿಯೊಂದೂ MemTrax ಮತ್ತು MoCA ಪರೀಕ್ಷೆಗಳನ್ನು ತೆಗೆದುಕೊಂಡ ಅನನ್ಯ ಭಾಗವಹಿಸುವವರನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. 10 ಹಂಚಿಕೆಯ ಸ್ವತಂತ್ರ ವೈಶಿಷ್ಟ್ಯಗಳಿವೆ: MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳು: MTx-% C ಮತ್ತು ಸರಾಸರಿ MTx-RT; ಜನಸಂಖ್ಯಾ ಮತ್ತು ವೈದ್ಯಕೀಯ ಇತಿಹಾಸದ ಮಾಹಿತಿ: ವಯಸ್ಸು, ಲಿಂಗ, ಶಿಕ್ಷಣದ ವರ್ಷಗಳು, ಕೆಲಸದ ಪ್ರಕಾರ (ನೀಲಿ ಕಾಲರ್/ವೈಟ್ ಕಾಲರ್), ಸಾಮಾಜಿಕ ಬೆಂಬಲ (ಪರೀಕ್ಷೆ ತೆಗೆದುಕೊಳ್ಳುವವರು ಏಕಾಂಗಿಯಾಗಿ ಅಥವಾ ಕುಟುಂಬದೊಂದಿಗೆ ವಾಸಿಸುತ್ತಿರಲಿ), ಮತ್ತು ಬಳಕೆದಾರನು ಹೊಂದಿದ್ದೀರಾ ಎಂಬುದಕ್ಕೆ ಹೌದು/ಇಲ್ಲ ಉತ್ತರಗಳು ಮಧುಮೇಹ, ಹೈಪರ್ಲಿಪಿಡೆಮಿಯಾ ಅಥವಾ ಆಘಾತಕಾರಿ ಮಿದುಳಿನ ಗಾಯದ ಇತಿಹಾಸ. ಎರಡು ಹೆಚ್ಚುವರಿ ಮೆಟ್ರಿಕ್‌ಗಳು, MoCA ಒಟ್ಟು ಸ್ಕೋರ್ ಮತ್ತು MoCA ಒಟ್ಟು ಸ್ಕೋರ್ ಅನ್ನು ವರ್ಷಗಳ ಶಿಕ್ಷಣಕ್ಕೆ ಸರಿಹೊಂದಿಸಲಾಗಿದೆ [12], ಅವಲಂಬಿತ ವರ್ಗೀಕರಣ ಲೇಬಲ್‌ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಪ್ರತ್ಯೇಕವಾಗಿ ಬಳಸಲಾಗಿದೆ, ಹೀಗಾಗಿ ನಮ್ಮ ಸಂಯೋಜಿತ ಡೇಟಾಸೆಟ್‌ಗೆ ಅನ್ವಯಿಸಲು ಎರಡು ವಿಭಿನ್ನ ಮಾದರಿಯ ಯೋಜನೆಗಳನ್ನು ರಚಿಸಲಾಗಿದೆ. MoCA ಸ್ಕೋರ್‌ನ ಪ್ರತಿ ಆವೃತ್ತಿಗೆ (ಸರಿಹೊಂದಿಸಲಾದ ಮತ್ತು ಸರಿಹೊಂದಿಸದ) ಎರಡು ವಿಭಿನ್ನ ಮಾನದಂಡದ ಮಿತಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಬೈನರಿ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಡೇಟಾವನ್ನು ಮತ್ತೆ ಪ್ರತ್ಯೇಕವಾಗಿ ರೂಪಿಸಲಾಗಿದೆ-ಆರಂಭದಲ್ಲಿ ಶಿಫಾರಸು ಮಾಡಲಾದ ಒಂದು [12] ಮತ್ತು ಪರ್ಯಾಯ ಮೌಲ್ಯವನ್ನು ಇತರರು ಬಳಸಿ ಮತ್ತು ಪ್ರಚಾರ ಮಾಡಿದರು [8, 15]. ಪರ್ಯಾಯ ಥ್ರೆಶೋಲ್ಡ್ ವರ್ಗೀಕರಣ ಯೋಜನೆಯಲ್ಲಿ, ರೋಗಿಯು MoCA ಪರೀಕ್ಷೆಯಲ್ಲಿ ≥23 ಸ್ಕೋರ್ ಮಾಡಿದರೆ ಮತ್ತು ಸ್ಕೋರ್ 22 ಅಥವಾ ಅದಕ್ಕಿಂತ ಕಡಿಮೆ ಇದ್ದರೆ MCI ಹೊಂದಿದ್ದಲ್ಲಿ ಸಾಮಾನ್ಯ ಅರಿವಿನ ಆರೋಗ್ಯವನ್ನು ಹೊಂದಿದ್ದಾನೆ ಎಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ; ಆದರೆ, ಆರಂಭಿಕ ಶಿಫಾರಸು ಮಾಡಿದ ವರ್ಗೀಕರಣದ ಸ್ವರೂಪದಲ್ಲಿ, ರೋಗಿಯು ಸಾಮಾನ್ಯ ಅರಿವಿನ ಆರೋಗ್ಯವನ್ನು ಹೊಂದಿರುವಂತೆ ಲೇಬಲ್ ಮಾಡಲು MoCA ಯಲ್ಲಿ 26 ಅಥವಾ ಉತ್ತಮ ಅಂಕಗಳನ್ನು ಗಳಿಸಬೇಕಾಗಿತ್ತು.
MoCA ವರ್ಗೀಕರಣ ಮಾಡೆಲಿಂಗ್‌ಗಾಗಿ ಫಿಲ್ಟರ್ ಮಾಡಿದ ಡೇಟಾ
ನಾವು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ನಾಲ್ಕು ವೈಶಿಷ್ಟ್ಯದ ಶ್ರೇಯಾಂಕ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು MoCA ವರ್ಗೀಕರಣವನ್ನು ಮತ್ತಷ್ಟು ಪರಿಶೀಲಿಸಿದ್ದೇವೆ: ಚಿ-ಸ್ಕ್ವೇರ್ಡ್, ಗೇನ್ ರೇಶಿಯೋ, ಮಾಹಿತಿ ಲಾಭ ಮತ್ತು ಸಮ್ಮಿತೀಯ ಅನಿಶ್ಚಿತತೆ. ಮಧ್ಯಂತರ ದೃಷ್ಟಿಕೋನಕ್ಕಾಗಿ, ನಾವು ನಮ್ಮ ನಾಲ್ಕು ಮಾಡೆಲಿಂಗ್ ಸ್ಕೀಮ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸಂಪೂರ್ಣ ಸಂಯೋಜಿತ ಡೇಟಾಸೆಟ್‌ಗೆ ಶ್ರೇಯಾಂಕಗಳನ್ನು ಅನ್ವಯಿಸಿದ್ದೇವೆ. ಎಲ್ಲಾ ಶ್ರೇಯಾಂಕಿತರು ಒಂದೇ ರೀತಿಯ ಉನ್ನತ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಒಪ್ಪಿಕೊಂಡಿದ್ದಾರೆ, ಅಂದರೆ ವಯಸ್ಸು, ಶಿಕ್ಷಣದ ವರ್ಷಗಳ ಸಂಖ್ಯೆ, ಮತ್ತು ಎರಡೂ MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳು (MTx-% C, ಸರಾಸರಿ MTx-RT). ನಾವು ನಂತರ ಪ್ರತಿ ವೈಶಿಷ್ಟ್ಯದ ಆಯ್ಕೆಯ ತಂತ್ರವನ್ನು ಬಳಸಿಕೊಂಡು ಮಾದರಿಗಳನ್ನು ಮರುನಿರ್ಮಿಸಿದ್ದೇವೆ ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಕೇವಲ ನಾಲ್ಕು ಪ್ರಮುಖ ವೈಶಿಷ್ಟ್ಯಗಳ ಮೇಲೆ ತರಬೇತಿ ನೀಡುತ್ತೇವೆ (ನೋಡಿ ವೈಶಿಷ್ಟ್ಯದ ಆಯ್ಕೆ ಕೆಳಗೆ).
MoCA ಸ್ಕೋರ್ ವರ್ಗೀಕರಣ ಮಾಡೆಲಿಂಗ್ ಯೋಜನೆಗಳ ಫಲಿತಾಂಶದ ಅಂತಿಮ ಎಂಟು ಮಾರ್ಪಾಡುಗಳನ್ನು ಕೋಷ್ಟಕ 1 ರಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ.
ಕೋಷ್ಟಕ 1
MoCA ವರ್ಗೀಕರಣಕ್ಕೆ ಬಳಸಲಾದ ಮಾಡೆಲಿಂಗ್ ಸ್ಕೀಮ್ ಬದಲಾವಣೆಗಳ ಸಾರಾಂಶ (ಸಾಮಾನ್ಯ ಅರಿವಿನ ಆರೋಗ್ಯ MCI ವಿರುದ್ಧ)
| ಮಾಡೆಲಿಂಗ್ ಯೋಜನೆ | ಸಾಮಾನ್ಯ ಅರಿವಿನ ಆರೋಗ್ಯ (ನಕಾರಾತ್ಮಕ ವರ್ಗ) | MCI (ಧನಾತ್ಮಕ ವರ್ಗ) |
| ಸರಿಹೊಂದಿಸಲಾಗಿದೆ-23 ಶೋಧಿಸದ/ಫಿಲ್ಟರ್ | 101 (39.0%) | 158 (61.0%) |
| ಸರಿಹೊಂದಿಸಲಾಗಿದೆ-26 ಶೋಧಿಸದ/ಫಿಲ್ಟರ್ | 49 (18.9%) | 210 (81.1%) |
| ಸರಿಹೊಂದಿಸದ-23 ಶೋಧಿಸದ/ಫಿಲ್ಟರ್ | 92 (35.5%) | 167 (64.5%) |
| ಸರಿಹೊಂದಿಸದ-26 ಶೋಧಿಸದ/ಫಿಲ್ಟರ್ | 42 (16.2%) | 217 (83.8%) |
ಪ್ರತಿ ತರಗತಿಯಲ್ಲಿನ ಒಟ್ಟು ರೋಗಿಗಳ ಸಂಖ್ಯೆ ಮತ್ತು ಶೇಕಡಾವನ್ನು ಶಿಕ್ಷಣಕ್ಕಾಗಿ ಸ್ಕೋರ್ ಹೊಂದಾಣಿಕೆ (ಹೊಂದಾಣಿಕೆ ಅಥವಾ ಸರಿಹೊಂದಿಸಲಾಗಿಲ್ಲ) ಮತ್ತು ವರ್ಗೀಕರಣ ಮಿತಿ (23 ಅಥವಾ 26) ಮೂಲಕ ಪ್ರತ್ಯೇಕಿಸಲಾಗುತ್ತದೆ, ಎರಡೂ ವೈಶಿಷ್ಟ್ಯದ ಸೆಟ್‌ಗಳಿಗೆ (ಫಿಲ್ಟರ್ ಮಾಡದ ಮತ್ತು ಫಿಲ್ಟರ್ ಮಾಡದ) ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ.
MemTrax ಆಧಾರಿತ ಕ್ಲಿನಿಕಲ್ ಮೌಲ್ಯಮಾಪನ ಮಾಡೆಲಿಂಗ್
ನಮ್ಮ ಮೂರು ಮೂಲ ಉಪ-ಡೇಟಾಸೆಟ್‌ಗಳಲ್ಲಿ (YH, XL, KM), ಕೇವಲ XL ಉಪ-ಡೇಟಾಸೆಟ್ ರೋಗಿಗಳು ಸ್ವತಂತ್ರವಾಗಿ ಅರಿವಿನ ದುರ್ಬಲತೆಗೆ ಪ್ರಾಯೋಗಿಕವಾಗಿ ರೋಗನಿರ್ಣಯ ಮಾಡಿದರು (ಅಂದರೆ, ಸಾಮಾನ್ಯ ಮತ್ತು ದುರ್ಬಲಗೊಂಡ ವರ್ಗೀಕರಣವನ್ನು ಸ್ಥಾಪಿಸುವಲ್ಲಿ ಅವರ ಸಂಬಂಧಿತ MoCA ಸ್ಕೋರ್‌ಗಳನ್ನು ಬಳಸಲಾಗಿಲ್ಲ). ನಿರ್ದಿಷ್ಟವಾಗಿ, XL ರೋಗಿಗಳಿಗೆ ರೋಗನಿರ್ಣಯ ಮಾಡಲಾಯಿತು ಆಲ್ಝೈಮರ್ನ ಕಾಯಿಲೆ ಪರೀಕ್ಷೆ (AD) ಅಥವಾ ನಾಳೀಯ ಬುದ್ಧಿಮಾಂದ್ಯತೆ (VaD). ಈ ಪ್ರತಿಯೊಂದು ಪ್ರಾಥಮಿಕ ರೋಗನಿರ್ಣಯದ ವರ್ಗಗಳಲ್ಲಿ, MCI ಗಾಗಿ ಮತ್ತಷ್ಟು ಪದನಾಮವಿದೆ. AD ಯ ಕಾರಣದಿಂದ MCI, ಬುದ್ಧಿಮಾಂದ್ಯತೆ, ನಾಳೀಯ ನ್ಯೂರೋಕಾಗ್ನಿಟಿವ್ ಡಿಸಾರ್ಡರ್ ಮತ್ತು ನ್ಯೂರೋಕಾಗ್ನಿಟಿವ್ ಡಿಸಾರ್ಡರ್ ರೋಗನಿರ್ಣಯಗಳು ಮಾನಸಿಕ ಅಸ್ವಸ್ಥತೆಗಳ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಅಂಕಿಅಂಶಗಳ ಕೈಪಿಡಿಯಲ್ಲಿ ವಿವರಿಸಿರುವ ನಿರ್ದಿಷ್ಟ ಮತ್ತು ವಿಶಿಷ್ಟವಾದ ರೋಗನಿರ್ಣಯದ ಮಾನದಂಡಗಳನ್ನು ಆಧರಿಸಿವೆ: DSM-5 [16]. ಈ ಸಂಸ್ಕರಿಸಿದ ರೋಗನಿರ್ಣಯಗಳನ್ನು ಪರಿಗಣಿಸಿ, ಪ್ರತಿ ಪ್ರಾಥಮಿಕ ರೋಗನಿರ್ಣಯದ ವರ್ಗಕ್ಕೆ ತೀವ್ರತೆಯ ಮಟ್ಟವನ್ನು (ದುರ್ಬಲತೆಯ ಮಟ್ಟ) ಪ್ರತ್ಯೇಕಿಸಲು XL ಉಪ-ಡೇಟಾಸೆಟ್‌ಗೆ ಎರಡು ವರ್ಗೀಕರಣ ಮಾಡೆಲಿಂಗ್ ಯೋಜನೆಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಅನ್ವಯಿಸಲಾಗಿದೆ. ಈ ಪ್ರತಿಯೊಂದು ಡಯಾಗ್ನೋಸ್ಟಿಕ್ ಮಾಡೆಲಿಂಗ್ ಸ್ಕೀಮ್‌ಗಳಲ್ಲಿ (AD ಮತ್ತು VaD) ಬಳಸಲಾದ ಡೇಟಾವು ಜನಸಂಖ್ಯಾ ಮತ್ತು ರೋಗಿಗಳ ಇತಿಹಾಸದ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿದೆ, ಜೊತೆಗೆ MemTrax ಕಾರ್ಯಕ್ಷಮತೆ (MTx-% C, ಸರಾಸರಿ MTx-RT). MCI ಗೊತ್ತುಪಡಿಸಿದರೆ ಪ್ರತಿ ರೋಗನಿರ್ಣಯವನ್ನು ಸೌಮ್ಯ ಎಂದು ಲೇಬಲ್ ಮಾಡಲಾಗಿದೆ; ಇಲ್ಲದಿದ್ದರೆ, ಅದನ್ನು ತೀವ್ರವಾಗಿ ಪರಿಗಣಿಸಲಾಗಿದೆ. ರೋಗನಿರ್ಣಯದ ಮಾದರಿಗಳಲ್ಲಿ MoCA ಸ್ಕೋರ್ ಅನ್ನು ಒಳಗೊಂಡಂತೆ ನಾವು ಆರಂಭದಲ್ಲಿ ಪರಿಗಣಿಸಿದ್ದೇವೆ (ಸೌಮ್ಯ ಮತ್ತು ತೀವ್ರ); ಆದರೆ ಇದು ನಮ್ಮ ದ್ವಿತೀಯ ಭವಿಷ್ಯಸೂಚಕ ಮಾದರಿಯ ಯೋಜನೆಯ ಉದ್ದೇಶವನ್ನು ಸೋಲಿಸುತ್ತದೆ ಎಂದು ನಾವು ನಿರ್ಧರಿಸಿದ್ದೇವೆ. ಇಲ್ಲಿ ಕಲಿಯುವವರಿಗೆ ಒದಗಿಸುವವರಿಗೆ ಸುಲಭವಾಗಿ ಲಭ್ಯವಿರುವ ಇತರ ರೋಗಿಗಳ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಬಳಸಿಕೊಂಡು ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ ಮತ್ತು "ಚಿನ್ನದ ಮಾನದಂಡ", ಸ್ವತಂತ್ರ ಕ್ಲಿನಿಕಲ್ ರೋಗನಿರ್ಣಯದ ವಿರುದ್ಧ ಸರಳವಾದ MemTrax ಪರೀಕ್ಷೆಯ (MoCA ಬದಲಿಗೆ) ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್ಸ್. AD ರೋಗನಿರ್ಣಯದ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ 69 ನಿದರ್ಶನಗಳು ಮತ್ತು VaD ಯ 76 ನಿದರ್ಶನಗಳು (ಟೇಬಲ್ 2) ಎರಡೂ ಡೇಟಾಸೆಟ್‌ಗಳಲ್ಲಿ, 12 ಸ್ವತಂತ್ರ ವೈಶಿಷ್ಟ್ಯಗಳಿವೆ. MoCA ಸ್ಕೋರ್ ವರ್ಗೀಕರಣದಲ್ಲಿ ಒಳಗೊಂಡಿರುವ 10 ವೈಶಿಷ್ಟ್ಯಗಳ ಜೊತೆಗೆ, ರೋಗಿಯ ಇತಿಹಾಸವು ಅಧಿಕ ರಕ್ತದೊತ್ತಡ ಮತ್ತು ಪಾರ್ಶ್ವವಾಯು ಇತಿಹಾಸದ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿದೆ.
ಕೋಷ್ಟಕ 2
ರೋಗನಿರ್ಣಯದ ತೀವ್ರತೆಯ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಬಳಸಲಾಗುವ ಮಾಡೆಲಿಂಗ್ ಯೋಜನೆಯ ವ್ಯತ್ಯಾಸಗಳ ಸಾರಾಂಶ (ಸೌಮ್ಯ ಮತ್ತು ತೀವ್ರ)
| ಮಾಡೆಲಿಂಗ್ ಯೋಜನೆ | ಸೌಮ್ಯ (ನಕಾರಾತ್ಮಕ ವರ್ಗ) | ತೀವ್ರ (ಧನಾತ್ಮಕ ವರ್ಗ) |
| MCI-AD ವಿರುದ್ಧ AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD ವಿರುದ್ಧ VaD | 38 (50.0%) | 38 (50.0%) |
ಪ್ರತಿ ವರ್ಗದ ಒಟ್ಟು ರೋಗಿಗಳ ಆಯಾ ಸಂಖ್ಯೆ ಮತ್ತು ಶೇಕಡಾವನ್ನು ಪ್ರಾಥಮಿಕ ರೋಗನಿರ್ಣಯದ ವರ್ಗದಿಂದ (AD ಅಥವಾ VaD) ಪ್ರತ್ಯೇಕಿಸಲಾಗಿದೆ.
ಅಂಕಿಅಂಶ
ಪೈಥಾನ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆ (ಆವೃತ್ತಿ 2.7.1) [17] ಬಳಸಿಕೊಂಡು ಭಾಗವಹಿಸುವವರ ಗುಣಲಕ್ಷಣಗಳು ಮತ್ತು ಪ್ರತಿ ಮಾದರಿ ವರ್ಗೀಕರಣ ತಂತ್ರಕ್ಕಾಗಿ (MoCA ಅರಿವಿನ ಆರೋಗ್ಯ ಮತ್ತು ರೋಗನಿರ್ಣಯದ ತೀವ್ರತೆಯನ್ನು ಊಹಿಸಲು) ಉಪ-ಡೇಟಾಸೆಟ್‌ಗಳ ನಡುವಿನ ಇತರ ಸಂಖ್ಯಾತ್ಮಕ ವೈಶಿಷ್ಟ್ಯಗಳ ಹೋಲಿಕೆಯನ್ನು ನಡೆಸಲಾಯಿತು. 95% ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರದೊಂದಿಗೆ ಏಕ-ಅಥವಾ ಎರಡು-ಅಂಶ (ಸೂಕ್ತವಾದ) ANOVA ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯ ವಿಧಾನಗಳನ್ನು ಹೋಲಿಸಲು Tukey ಪ್ರಾಮಾಣಿಕ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸ (HSD) ಪರೀಕ್ಷೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಆರಂಭದಲ್ಲಿ ನಿರ್ಧರಿಸಲಾಯಿತು. ಮಾದರಿ ಪ್ರದರ್ಶನಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳ ಈ ಪರೀಕ್ಷೆಯನ್ನು ಪೈಥಾನ್ ಮತ್ತು R (ಆವೃತ್ತಿ 3.5.1) [18] ಸಂಯೋಜನೆಯನ್ನು ಬಳಸಿಕೊಂಡು ನಡೆಸಲಾಯಿತು. ನಾವು ಇದನ್ನು ಹ್ಯೂರಿಸ್ಟಿಕ್ ಸಹಾಯವಾಗಿ ಮಾತ್ರ (ಆದರೂ, ಸೂಕ್ತಕ್ಕಿಂತ ಕಡಿಮೆ) ವಿಧಾನವನ್ನು ಬಳಸಿದ್ದೇವೆ ಆರಂಭಿಕ ಹಂತ ಸಂಭಾವ್ಯ ಕ್ಲಿನಿಕಲ್ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ನಿರೀಕ್ಷಿಸುವಲ್ಲಿ ಆರಂಭಿಕ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆ ಹೋಲಿಕೆಗಳಿಗಾಗಿ. ನಾವು ನಂತರ ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯ ವ್ಯತ್ಯಾಸಗಳ ಸಂಭವನೀಯತೆಯನ್ನು ನಿರ್ಧರಿಸಲು ಹಿಂಭಾಗದ ವಿತರಣೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಬೇಸಿಯನ್ ಸಹಿ-ಶ್ರೇಣಿಯ ಪರೀಕ್ಷೆಯನ್ನು ಬಳಸಿಕೊಂಡಿದ್ದೇವೆ [19]. ಈ ವಿಶ್ಲೇಷಣೆಗಳಿಗಾಗಿ, ನಾವು ಮಧ್ಯಂತರ -0.01, 0.01 ಅನ್ನು ಬಳಸಿದ್ದೇವೆ, ಎರಡು ಗುಂಪುಗಳು 0.01 ಕ್ಕಿಂತ ಕಡಿಮೆ ಕಾರ್ಯಕ್ಷಮತೆಯ ವ್ಯತ್ಯಾಸವನ್ನು ಹೊಂದಿದ್ದರೆ, ಅವುಗಳನ್ನು ಒಂದೇ ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ (ಪ್ರಾಯೋಗಿಕ ಸಮಾನತೆಯ ಪ್ರದೇಶದಲ್ಲಿ), ಅಥವಾ ಅವು ವಿಭಿನ್ನವಾಗಿವೆ (ಒಂದು ಉತ್ತಮವಾಗಿದೆ ಇತರ). ಕ್ಲಾಸಿಫೈಯರ್‌ಗಳ ಬೇಸಿಯನ್ ಹೋಲಿಕೆಯನ್ನು ನಿರ್ವಹಿಸಲು ಮತ್ತು ಈ ಸಂಭವನೀಯತೆಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು, ನಾವು ಪೈಥಾನ್ 1.0.2 ಗಾಗಿ ಬೇಕಾಂಪ್ ಲೈಬ್ರರಿಯನ್ನು (ಆವೃತ್ತಿ 3.6.4) ಬಳಸಿದ್ದೇವೆ.
ಮುನ್ಸೂಚಕ ಮಾಡೆಲಿಂಗ್
ಪ್ರತಿ ರೋಗಿಯ MoCA ಪರೀಕ್ಷೆಯ ಫಲಿತಾಂಶ ಅಥವಾ ಕ್ಲಿನಿಕಲ್ ರೋಗನಿರ್ಣಯದ ತೀವ್ರತೆಯನ್ನು ಊಹಿಸಲು (ವರ್ಗೀಕರಿಸಲು) ನಮ್ಮ ಮಾಡೆಲಿಂಗ್ ಯೋಜನೆಗಳ ಹತ್ತು ಒಟ್ಟು ವ್ಯತ್ಯಾಸಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನಾವು ಭವಿಷ್ಯಸೂಚಕ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಿದ್ದೇವೆ. ಎಲ್ಲಾ ಕಲಿಯುವವರನ್ನು ಅನ್ವಯಿಸಲಾಗಿದೆ ಮತ್ತು ಓಪನ್ ಸೋರ್ಸ್ ಸಾಫ್ಟ್‌ವೇರ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ವೆಕಾ [20] ಬಳಸಿ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲಾಗಿದೆ. ನಮ್ಮ ಪ್ರಾಥಮಿಕ ವಿಶ್ಲೇಷಣೆಗಾಗಿ, ನಾವು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ 10 ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಬಳಸಿದ್ದೇವೆ: 5-ಹತ್ತಿರದ ನೆರೆಹೊರೆಯವರು, C4.5 ನಿರ್ಧಾರ ವೃಕ್ಷದ ಎರಡು ಆವೃತ್ತಿಗಳು, ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್, ಮಲ್ಟಿಲೇಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್, ನೈವ್ ಬೇಯೆಸ್, ರಾಂಡಮ್ ಫಾರೆಸ್ಟ್‌ನ ಎರಡು ಆವೃತ್ತಿಗಳು, ರೇಡಿಯಲ್ ಬೇಸಿಸ್ ಫಂಕ್ಷನ್ ನೆಟ್‌ವರ್ಕ್, ಮತ್ತು ಬೆಂಬಲ ವಿ. ಯಂತ್ರ. ಈ ಅಲ್ಗಾರಿದಮ್‌ಗಳ ಪ್ರಮುಖ ಗುಣಲಕ್ಷಣಗಳು ಮತ್ತು ವೈರುಧ್ಯಗಳನ್ನು ಬೇರೆಡೆ ವಿವರಿಸಲಾಗಿದೆ [21] (ಸಂಬಂಧಿತ ಅನುಬಂಧವನ್ನು ನೋಡಿ). ವಿವಿಧ ರೀತಿಯ ಕಲಿಯುವವರನ್ನು ಪ್ರತಿನಿಧಿಸುವುದರಿಂದ ಮತ್ತು ಇದೇ ಡೇಟಾದಲ್ಲಿ ಹಿಂದಿನ ವಿಶ್ಲೇಷಣೆಗಳಲ್ಲಿ ನಾವು ಅವುಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಯಶಸ್ಸನ್ನು ಪ್ರದರ್ಶಿಸಿರುವುದರಿಂದ ಇವುಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ. ಹೈಪರ್-ಪ್ಯಾರಾಮೀಟರ್ ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ನಮ್ಮ ಹಿಂದಿನ ಸಂಶೋಧನೆಯಿಂದ ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ, ಅವುಗಳು ವಿವಿಧ ಡೇಟಾ [22] ಮೇಲೆ ದೃಢವಾಗಿರುತ್ತವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಸಂಪೂರ್ಣ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ನಂತರ ಬಳಸಲಾದ ಸಾಮಾನ್ಯ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ಅದೇ ಸಂಯೋಜಿತ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ನಮ್ಮ ಪ್ರಾಥಮಿಕ ವಿಶ್ಲೇಷಣೆಯ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ, ಎಲ್ಲಾ ವರ್ಗೀಕರಣಗಳಲ್ಲಿ ಸ್ಥಿರವಾಗಿ ಬಲವಾದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಒದಗಿಸಿದ ಮೂರು ಕಲಿಯುವವರನ್ನು ನಾವು ಗುರುತಿಸಿದ್ದೇವೆ: ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್, ನೈವ್ ಬೇಯ್ಸ್ ಮತ್ತು ಸಪೋರ್ಟ್ ವೆಕ್ಟರ್ ಮೆಷಿನ್.
ಕ್ರಾಸ್-ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆ ಮೆಟ್ರಿಕ್
ಎಲ್ಲಾ ಮುನ್ಸೂಚಕ ಮಾಡೆಲಿಂಗ್‌ಗಾಗಿ (ಪ್ರಾಥಮಿಕ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ಒಳಗೊಂಡಂತೆ), ಪ್ರತಿ ಮಾದರಿಯನ್ನು 10-ಪಟ್ಟು ಕ್ರಾಸ್ ಮೌಲ್ಯೀಕರಣವನ್ನು ಬಳಸಿಕೊಂಡು ನಿರ್ಮಿಸಲಾಗಿದೆ ಮತ್ತು ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ರಿಸೀವರ್ ಆಪರೇಟಿಂಗ್ ಕ್ಯಾರೆಕ್ಟರಿಸ್ಟಿಕ್ ಕರ್ವ್ (AUC) ಅಡಿಯಲ್ಲಿ ಪ್ರದೇಶವನ್ನು ಬಳಸಿಕೊಂಡು ಅಳೆಯಲಾಗುತ್ತದೆ. ಪ್ರತಿ 10 ಮಾಡೆಲಿಂಗ್ ಸ್ಕೀಮ್ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ 10 ಸಮಾನ ಭಾಗಗಳಾಗಿ (ಫೋಲ್ಡ್‌ಗಳು) ವಿಭಜಿಸುವುದರೊಂದಿಗೆ ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನವು ಪ್ರಾರಂಭವಾಯಿತು, ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು ಈ ಒಂಬತ್ತು ವಿಭಾಗಗಳನ್ನು ಮತ್ತು ಪರೀಕ್ಷೆಗಾಗಿ ಉಳಿದ ವಿಭಾಗವನ್ನು ಬಳಸಿ. ಪ್ರತಿ ಪುನರಾವರ್ತನೆಯಲ್ಲಿ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಂತೆ ವಿಭಿನ್ನ ವಿಭಾಗವನ್ನು ಬಳಸಿಕೊಂಡು ಈ ವಿಧಾನವನ್ನು 10 ಬಾರಿ ಪುನರಾವರ್ತಿಸಲಾಗುತ್ತದೆ. ಅಂತಿಮ ಮಾದರಿಯ ಫಲಿತಾಂಶ/ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಫಲಿತಾಂಶಗಳನ್ನು ನಂತರ ಸಂಯೋಜಿಸಲಾಗಿದೆ. ಪ್ರತಿ ಕಲಿಯುವವರಿಗೆ/ಡೇಟಾಸೆಟ್ ಸಂಯೋಜನೆಗೆ, ಈ ಸಂಪೂರ್ಣ ಪ್ರಕ್ರಿಯೆಯನ್ನು 10 ಬಾರಿ ಪುನರಾವರ್ತಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಪ್ರತಿ ಬಾರಿ ಡೇಟಾವನ್ನು ವಿಭಿನ್ನವಾಗಿ ವಿಭಜಿಸಲಾಗುತ್ತದೆ. ಈ ಕೊನೆಯ ಹಂತವು ಪಕ್ಷಪಾತವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಪುನರಾವರ್ತನೆಯನ್ನು ಖಾತ್ರಿಪಡಿಸಿತು ಮತ್ತು ಒಟ್ಟಾರೆ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನಿರ್ಧರಿಸುವಲ್ಲಿ ಸಹಾಯ ಮಾಡಿತು. ಒಟ್ಟಾರೆಯಾಗಿ (MoCA ಸ್ಕೋರ್ ಮತ್ತು ರೋಗನಿರ್ಣಯದ ತೀವ್ರತೆಯ ವರ್ಗೀಕರಣ ಯೋಜನೆಗಳನ್ನು ಸಂಯೋಜಿಸಿ), 6,600 ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲಾಗಿದೆ. ಇದು 1,800 ಫಿಲ್ಟರ್ ಮಾಡದ ಮಾದರಿಗಳನ್ನು ಒಳಗೊಂಡಿದೆ (6 ಮಾಡೆಲಿಂಗ್ ಸ್ಕೀಮ್‌ಗಳನ್ನು ಡೇಟಾಸೆಟ್‌ಗೆ ಅನ್ವಯಿಸಲಾಗಿದೆ×3 ಕಲಿಯುವವರು×10 ರನ್‌ಗಳು×10 ಫೋಲ್ಡ್‌ಗಳು = 1,800 ಮಾದರಿಗಳು) ಮತ್ತು 4,800 ಫಿಲ್ಟರ್ ಮಾಡಲಾದ ಮಾದರಿಗಳು (ಡೇಟಾಸೆಟ್‌ಗೆ ಅನ್ವಯಿಸಲಾದ 4 ಮಾಡೆಲಿಂಗ್ ಸ್ಕೀಮ್‌ಗಳು×3 ಕಲಿಯುವವರಿಗೆ×4 ವೈಶಿಷ್ಟ್ಯ ಆಯ್ಕೆ ತಂತ್ರಗಳು×10 ರನ್× 10 ಮಡಿಕೆಗಳು = 4,800 ಮಾದರಿಗಳು).
ವೈಶಿಷ್ಟ್ಯದ ಆಯ್ಕೆ
ಫಿಲ್ಟರ್ ಮಾಡಲಾದ ಮಾದರಿಗಳಿಗೆ, ವೈಶಿಷ್ಟ್ಯದ ಆಯ್ಕೆಯನ್ನು (ನಾಲ್ಕು ವೈಶಿಷ್ಟ್ಯದ ಶ್ರೇಯಾಂಕ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು) ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನದೊಳಗೆ ನಿರ್ವಹಿಸಲಾಗಿದೆ. ಪ್ರತಿ 10 ಫೋಲ್ಡ್‌ಗಳಿಗೆ, ಡೇಟಾಸೆಟ್‌ನ ವಿಭಿನ್ನ 10% ಪರೀಕ್ಷಾ ಡೇಟಾದಂತೆ, ಪ್ರತಿ ತರಬೇತಿ ಡೇಟಾಸೆಟ್‌ಗೆ (ಅಂದರೆ, ಇತರ ಒಂಬತ್ತು ಮಡಿಕೆಗಳು, ಅಥವಾ ಸಂಪೂರ್ಣ ಡೇಟಾಸೆಟ್‌ನ ಉಳಿದ 90%) ಆಯ್ದ ನಾಲ್ಕು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಮಾತ್ರ ಬಳಸಲಾಗಿದೆ. ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು. ಪ್ರತಿ ಮಾದರಿಯಲ್ಲಿ ಯಾವ ನಾಲ್ಕು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ಖಚಿತಪಡಿಸಲು ನಮಗೆ ಸಾಧ್ಯವಾಗಲಿಲ್ಲ, ಏಕೆಂದರೆ ಆ ಮಾಹಿತಿಯನ್ನು ನಾವು ಬಳಸಿದ ಮಾಡೆಲಿಂಗ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ (ವೆಕಾ) ಸಂಗ್ರಹಿಸಲಾಗಿಲ್ಲ ಅಥವಾ ಲಭ್ಯವಿಲ್ಲ. ಆದಾಗ್ಯೂ, ಸಂಪೂರ್ಣ ಸಂಯೋಜಿತ ಡೇಟಾಸೆಟ್‌ಗೆ ಶ್ರೇಯಾಂಕಗಳನ್ನು ಅನ್ವಯಿಸಿದಾಗ ಉನ್ನತ ವೈಶಿಷ್ಟ್ಯಗಳ ನಮ್ಮ ಆರಂಭಿಕ ಆಯ್ಕೆಯಲ್ಲಿನ ಸ್ಥಿರತೆ ಮತ್ತು ಮಾಡೆಲಿಂಗ್ ಪ್ರದರ್ಶನಗಳಲ್ಲಿನ ನಂತರದ ಹೋಲಿಕೆ, ಇದೇ ವೈಶಿಷ್ಟ್ಯಗಳು (ವಯಸ್ಸು, ಶಿಕ್ಷಣದ ವರ್ಷಗಳು, MTx-% C, ಮತ್ತು ಸರಾಸರಿ MTx-RT ) ಕ್ರಾಸ್-ಮೌಲ್ಯಮಾಪನ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ವೈಶಿಷ್ಟ್ಯದ ಆಯ್ಕೆಯೊಂದಿಗೆ ಸಂಯೋಜಿತವಾಗಿ ಬಳಸಲಾಗುವ ಅತ್ಯಂತ ಪ್ರಚಲಿತ ಟಾಪ್ ನಾಲ್ಕು.
ಫಲಿತಾಂಶಗಳು
MoCA- ಸೂಚಿಸಿದ ಅರಿವಿನ ಆರೋಗ್ಯ (ಸಾಮಾನ್ಯ ವಿರುದ್ಧ MCI) ಮತ್ತು ರೋಗನಿರ್ಣಯದ ತೀವ್ರತೆಯನ್ನು (ಸೌಮ್ಯ ಮತ್ತು ತೀವ್ರ) ಊಹಿಸಲು ಪ್ರತಿ ಮಾದರಿ ವರ್ಗೀಕರಣ ತಂತ್ರಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಡೇಟಾಸೆಟ್‌ಗಳ ಭಾಗವಹಿಸುವವರ ಸಂಖ್ಯಾತ್ಮಕ ಗುಣಲಕ್ಷಣಗಳನ್ನು (MoCA ಸ್ಕೋರ್‌ಗಳು ಮತ್ತು MemTrax ಕಾರ್ಯಕ್ಷಮತೆ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಒಳಗೊಂಡಂತೆ) ಟೇಬಲ್ 3 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.
ಕೋಷ್ಟಕ 3
ಭಾಗವಹಿಸುವವರ ಗುಣಲಕ್ಷಣಗಳು, MoCA ಅಂಕಗಳು ಮತ್ತು ಪ್ರತಿ ಮಾದರಿ ವರ್ಗೀಕರಣ ತಂತ್ರಕ್ಕಾಗಿ MemTrax ಕಾರ್ಯಕ್ಷಮತೆ
| ವರ್ಗೀಕರಣ ತಂತ್ರ | ವಯಸ್ಸು | ಶಿಕ್ಷಣ | MoCA ಹೊಂದಿಸಲಾಗಿದೆ | MoCA ಸರಿಹೊಂದಿಸಲಾಗಿಲ್ಲ | MTx-% C | MTx-RT |
| MoCA ವರ್ಗ | 61.9 ವರ್ಷ (13.1) | 9.6 ವರ್ಷ (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 ಸೆ (0.3) |
| ರೋಗನಿರ್ಣಯದ ತೀವ್ರತೆ | 65.6 ವರ್ಷ (12.1) | 8.6 ವರ್ಷ (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 ಸೆ (0.3) |
ಮಾಡೆಲಿಂಗ್ ವರ್ಗೀಕರಣ ತಂತ್ರಗಳಿಂದ ಭಿನ್ನವಾಗಿರುವ (ಸರಾಸರಿ, SD) ಮೌಲ್ಯಗಳು MoCA- ಸೂಚಿಸಿದ ಅರಿವಿನ ಆರೋಗ್ಯವನ್ನು ಊಹಿಸಲು ಬಳಸಲಾಗುವ ಸಂಯೋಜಿತ ಡೇಟಾಸೆಟ್‌ನ ಪ್ರತಿನಿಧಿಗಳಾಗಿವೆ (MCI ವರ್ಸಸ್ ಸಾಮಾನ್ಯ) ಮತ್ತು XL ಉಪ-ಡೇಟಾಸೆಟ್ ರೋಗನಿರ್ಣಯದ ತೀವ್ರತೆಯನ್ನು ಊಹಿಸಲು ಮಾತ್ರ ಬಳಸಲಾಗುತ್ತದೆ (ಸೌಮ್ಯ ಮತ್ತು ತೀವ್ರ).
MoCA ಸ್ಕೋರ್ (ಹೊಂದಾಣಿಕೆ/ಹೊಂದಾಣಿಕೆ ಮಾಡದ) ಮತ್ತು ಥ್ರೆಶೋಲ್ಡ್ (26/23) ಗಳ ಪ್ರತಿ ಸಂಯೋಜನೆಗೆ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವ್ಯತ್ಯಾಸವಿತ್ತು (p = 0.000) ವಯಸ್ಸು, ಶಿಕ್ಷಣ ಮತ್ತು MemTrax ಕಾರ್ಯಕ್ಷಮತೆಗಾಗಿ (MTx-% C ಮತ್ತು MTx-RT) ಪ್ರತಿ ಜೋಡಿವಾರು ಹೋಲಿಕೆಯಲ್ಲಿ (ಸಾಮಾನ್ಯ ಅರಿವಿನ ಆರೋಗ್ಯ ವರ್ಸಸ್ MCI). ಪ್ರತಿ ಸಂಯೋಜನೆಗೆ ಸಂಬಂಧಿಸಿದ MCI ವರ್ಗದಲ್ಲಿನ ಪ್ರತಿ ರೋಗಿಯ ಉಪ-ಡೇಟಾಸೆಟ್ ಸರಾಸರಿ 9 ರಿಂದ 15 ವರ್ಷ ಹಳೆಯದು, ಸುಮಾರು ಐದು ಕಡಿಮೆ ವರ್ಷಗಳ ಶಿಕ್ಷಣವನ್ನು ವರದಿ ಮಾಡಿದೆ ಮತ್ತು ಎರಡೂ ಮೆಟ್ರಿಕ್‌ಗಳಿಗೆ ಕಡಿಮೆ ಅನುಕೂಲಕರವಾದ MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೊಂದಿದೆ.
MoCA ಸ್ಕೋರ್ ವರ್ಗೀಕರಣಗಳಿಗಾಗಿ ಮುನ್ಸೂಚಕ ಮಾಡೆಲಿಂಗ್ ಕಾರ್ಯಕ್ಷಮತೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರಮುಖ ಮೂರು ಕಲಿಯುವವರು, ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್, ನೈವ್ ಬೇಯ್ಸ್ ಮತ್ತು ಸಪೋರ್ಟ್ ವೆಕ್ಟರ್ ಮೆಷಿನ್ ಅನ್ನು ಟೇಬಲ್ 4 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ಈ ಮೂರನ್ನು ಎಲ್ಲಾ ವಿವಿಧ ಮಾದರಿಗಳಲ್ಲಿ ಅತ್ಯಂತ ಸ್ಥಿರವಾಗಿ ಹೆಚ್ಚಿನ ಸಂಪೂರ್ಣ ಕಲಿಕೆಯ ಕಾರ್ಯಕ್ಷಮತೆಯ ಆಧಾರದ ಮೇಲೆ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ. ಎಲ್ಲಾ ಮಾಡೆಲಿಂಗ್ ಸ್ಕೀಮ್‌ಗಳಿಗೆ ಡೇಟಾಸೆಟ್‌ಗಳಿಗೆ ಅನ್ವಯಿಸಲಾಗಿದೆ. ಫಿಲ್ಟರ್ ಮಾಡದ ಡೇಟಾಸೆಟ್ ಮತ್ತು ಮಾಡೆಲಿಂಗ್‌ಗಾಗಿ, ಟೇಬಲ್ 4 ರಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ಡೇಟಾ ಮೌಲ್ಯಗಳು ಪ್ರತಿ ಕಲಿಯುವವರಿಗೆ/ಮಾಡೆಲಿಂಗ್ ಸ್ಕೀಮ್ ಸಂಯೋಜನೆಯೊಂದಿಗೆ ನಿರ್ಮಿಸಲಾದ 100 ಮಾದರಿಗಳಿಂದ (10 ರನ್ × 10 ಫೋಲ್ಡ್‌ಗಳು) ಪಡೆದ AUC ಆಯಾ ಸರಾಸರಿ ಆಧರಿಸಿ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಪ್ರದರ್ಶನ ಕಲಿಯುವವರನ್ನು ದಪ್ಪದಲ್ಲಿ ಸೂಚಿಸಲಾಗುತ್ತದೆ. ಫಿಲ್ಟರ್ ಮಾಡಲಾದ ಡೇಟಾಸೆಟ್ ಮಾಡೆಲಿಂಗ್‌ಗೆ ಸಂಬಂಧಿಸಿದಂತೆ, ಟೇಬಲ್ 4 ರಲ್ಲಿ ವರದಿ ಮಾಡಲಾದ ಫಲಿತಾಂಶಗಳು ಪ್ರತಿ ಫೀಚರ್ ಶ್ರೇಯಾಂಕ ವಿಧಾನಗಳನ್ನು (400 ವೈಶಿಷ್ಟ್ಯದ ಶ್ರೇಯಾಂಕ ವಿಧಾನಗಳನ್ನು × 4 ರನ್ × 10 ಫೋಲ್ಡ್‌ಗಳು) ಬಳಸಿಕೊಂಡು ಪ್ರತಿ ಕಲಿಯುವವರಿಗೆ 10 ಮಾದರಿಗಳಿಂದ ಒಟ್ಟಾರೆ ಸರಾಸರಿ ಮಾದರಿ ಪ್ರದರ್ಶನಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ.
ಕೋಷ್ಟಕ 4
ಡಿಕೋಟೊಮಸ್ MoCA ಸ್ಕೋರ್ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆ (AUC; 0.0–1.0) ಫಲಿತಾಂಶಗಳು ಮೂರು ಉನ್ನತ-ಕಾರ್ಯನಿರ್ವಹಣೆಯ ಕಲಿಯುವವರಿಗೆ ಎಲ್ಲಾ ಸಂಬಂಧಿತ ಮಾದರಿ ಯೋಜನೆಗಳಿಗೆ
| ವೈಶಿಷ್ಟ್ಯದ ಸೆಟ್ ಬಳಸಲಾಗಿದೆ | MoCA ಸ್ಕೋರ್ | ಕಟ್ಆಫ್ ಥ್ರೆಶೋಲ್ಡ್ | ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ | ನೈವ್ ಬೇಯ್ಸ್ | ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರ |
| ಫಿಲ್ಟರ್ ಮಾಡದ (10 ವೈಶಿಷ್ಟ್ಯಗಳು) | ಹೊಂದಿಸಲಾಗಿದೆ | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| ಸರಿಹೊಂದಿಸಲಾಗಿಲ್ಲ | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| ಫಿಲ್ಟರ್ ಮಾಡಲಾಗಿದೆ (4 ವೈಶಿಷ್ಟ್ಯಗಳು) | ಹೊಂದಿಸಲಾಗಿದೆ | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| ಸರಿಹೊಂದಿಸಲಾಗಿಲ್ಲ | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
ವೈಶಿಷ್ಟ್ಯದ ಸೆಟ್, MoCA ಸ್ಕೋರ್ ಮತ್ತು MoCA ಸ್ಕೋರ್ ಕಟ್ಆಫ್ ಥ್ರೆಶೋಲ್ಡ್ನ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಬಳಸಿಕೊಂಡು, ಪ್ರತಿ ಮಾಡೆಲಿಂಗ್ ಯೋಜನೆಗೆ ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರಿಸಲಾಗಿದೆ ದಪ್ಪ (ಇಲ್ಲದ ಇತರರಿಗಿಂತ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಭಿನ್ನವಾಗಿರಬೇಕಾಗಿಲ್ಲ ದಪ್ಪ ಆಯಾ ಮಾದರಿಗಾಗಿ).
ಸಂಯೋಜಿತ ಫಿಲ್ಟರ್ ಮಾಡದ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ (ಅಂದರೆ, 23 ಸಾಮಾನ್ಯ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸಿಕೊಂಡು) MoCA ಸ್ಕೋರ್ ಆವೃತ್ತಿಗಳು ಮತ್ತು ಥ್ರೆಶೋಲ್ಡ್‌ಗಳ (ಕ್ರಮವಾಗಿ ಸರಿಹೊಂದಿಸಲಾದ/ಹೊಂದಿಸದ ಮತ್ತು 26/10) ಎಲ್ಲಾ ಸಂಯೋಜನೆಗಳಾದ್ಯಂತ ಕಲಿಯುವವರನ್ನು ಹೋಲಿಸಿ, Naïve Bayes ಸಾಮಾನ್ಯವಾಗಿ ಒಟ್ಟಾರೆಯಾಗಿ ಉನ್ನತ-ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಕಲಿಯುವವರಾಗಿದ್ದರು. 0.9093 ರ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆ. ಅಗ್ರ ಮೂರು ಕಲಿಯುವವರನ್ನು ಪರಿಗಣಿಸಿ, ಬೇಯೆಸಿಯನ್-ಸಂಬಂಧಿತ ಸಹಿ-ಶ್ರೇಣಿಯ ಪರೀಕ್ಷೆಗಳು ಸಂಭವನೀಯತೆ (Prನೈವ್ ಬೇಯ್ಸ್‌ನ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಶನ್ ಅನ್ನು 99.9% ಮೀರಿಸಿದೆ. ಮೇಲಾಗಿ, Naïve Bayes ಮತ್ತು Support Vector Machine ನಡುವೆ, ಕಲಿಯುವವರ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಪ್ರಾಯೋಗಿಕ ಸಮಾನತೆಯ 21.0% ಸಂಭವನೀಯತೆ (ಹೀಗಾಗಿ, Naïve Bayes ನ 79.0% ಸಂಭವನೀಯತೆ ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರವನ್ನು ಮೀರಿಸುತ್ತದೆ), ಜೊತೆಗೆ 0.0% ಬೆಂಬಲ ವೆಕ್ಟರ್‌ನ ಸಂಭವನೀಯತೆ ಉತ್ತಮವಾಗಿದೆ. Naïve Bayes ಗೆ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅನುಕೂಲವನ್ನು ಬಲಪಡಿಸುತ್ತದೆ. ಎಲ್ಲಾ ಕಲಿಯುವವರು/ಮಿತಿಗಳಾದ್ಯಂತ MoCA ಸ್ಕೋರ್ ಆವೃತ್ತಿಯ ಹೆಚ್ಚಿನ ಹೋಲಿಕೆಯು ಹೊಂದಾಣಿಕೆ ಮಾಡದ MoCA ಸ್ಕೋರ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸ್ವಲ್ಪ ಕಾರ್ಯಕ್ಷಮತೆಯ ಪ್ರಯೋಜನವನ್ನು ಸೂಚಿಸಿದೆ (ಕ್ರಮವಾಗಿ 0.9027 ವರ್ಸಸ್ 0.8971; Pr (ಹೊಂದಾಣಿಕೆಯಾಗದ > ಹೊಂದಾಣಿಕೆ) = 0.988). ಅದೇ ರೀತಿ, ಎಲ್ಲಾ ಕಲಿಯುವವರ ಮತ್ತು MoCA ಸ್ಕೋರ್ ಆವೃತ್ತಿಗಳಾದ್ಯಂತ ಕಟ್ಆಫ್ ಥ್ರೆಶೋಲ್ಡ್ನ ಹೋಲಿಕೆಯು 26 ಅನ್ನು ವರ್ಗೀಕರಣ ಮಿತಿ ಮತ್ತು 23 (0.9056 ವರ್ಸಸ್ 0.8942, ಅನುಕ್ರಮವಾಗಿ XNUMX ವರ್ಸಸ್ XNUMX) ಬಳಸಿಕೊಂಡು ಸಣ್ಣ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯ ಪ್ರಯೋಜನವನ್ನು ಸೂಚಿಸುತ್ತದೆ; Pr (26 > 23) = 0.999). ಕೊನೆಯದಾಗಿ, ಫಿಲ್ಟರ್ ಮಾಡಲಾದ ಫಲಿತಾಂಶಗಳನ್ನು (ಅಂದರೆ, ಉನ್ನತ ಶ್ರೇಣಿಯ ನಾಲ್ಕು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಮಾತ್ರ) ಬಳಸಿಕೊಂಡು ಮಾದರಿಗಳ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪರಿಶೀಲಿಸಿದಾಗ, Naïve Bayes (0.9143) ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಎಲ್ಲಾ MoCA ಸ್ಕೋರ್ ಆವೃತ್ತಿಗಳು/ಥ್ರೆಶೋಲ್ಡ್‌ಗಳಾದ್ಯಂತ ಉನ್ನತ-ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಕಲಿಯುವವರಾಗಿದ್ದರು. ಆದಾಗ್ಯೂ, ಎಲ್ಲಾ ವೈಶಿಷ್ಟ್ಯದ ಶ್ರೇಯಾಂಕ ತಂತ್ರಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸಿ, ಎಲ್ಲಾ ಉನ್ನತ-ಕಾರ್ಯನಿರ್ವಹಣೆಯ ಕಲಿಯುವವರು ಒಂದೇ ರೀತಿಯ ಪ್ರದರ್ಶನ ನೀಡಿದರು. ಬೇಯೆಸಿಯನ್ ಸಹಿ-ಶ್ರೇಣಿಯ ಪರೀಕ್ಷೆಗಳು ಪ್ರತಿ ಜೋಡಿ ಫಿಲ್ಟರ್ ಮಾಡಲಾದ ಕಲಿಯುವವರ ನಡುವೆ ಪ್ರಾಯೋಗಿಕ ಸಮಾನತೆಯ 100% ಸಂಭವನೀಯತೆಯನ್ನು ತೋರಿಸಿದೆ. ಫಿಲ್ಟರ್ ಮಾಡದ ಡೇಟಾದಂತೆ (ಎಲ್ಲಾ 10 ಸಾಮಾನ್ಯ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸಿ), MoCA ಸ್ಕೋರ್‌ನ ಸರಿಹೊಂದಿಸದ ಆವೃತ್ತಿಗೆ ಮತ್ತೊಮ್ಮೆ ಕಾರ್ಯಕ್ಷಮತೆಯ ಪ್ರಯೋಜನವಿದೆ (Pr (ಹೊಂದಾಣಿಕೆಯಾಗದ > ಹೊಂದಾಣಿಕೆ) = 1.000), ಹಾಗೆಯೇ 26 ರ ವರ್ಗೀಕರಣದ ಮಿತಿಗೆ ಇದೇ ರೀತಿಯ ವಿಶಿಷ್ಟ ಪ್ರಯೋಜನ (Pr (26 > 23) = 1.000). ಗಮನಾರ್ಹವಾಗಿ, ಎಲ್ಲಾ MoCA ಸ್ಕೋರ್ ಆವೃತ್ತಿಗಳು/ಥ್ರೆಶೋಲ್ಡ್‌ಗಳಲ್ಲಿ ಅಗ್ರ-ಶ್ರೇಣಿಯ ನಾಲ್ಕು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅಗ್ರ ಮೂರು ಕಲಿಯುವವರ ಸರಾಸರಿ ಕಾರ್ಯಕ್ಷಮತೆಯು ಫಿಲ್ಟರ್ ಮಾಡದ ಡೇಟಾದಲ್ಲಿ ಯಾವುದೇ ಕಲಿಯುವವರ ಸರಾಸರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೀರಿದೆ. ಎಲ್ಲಾ 0.9119 ಸಾಮಾನ್ಯ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಆಯಾ ಮಾದರಿಗಳಿಗೆ ಹೋಲಿಸಿದ ವೈಶಿಷ್ಟ್ಯದ ಶ್ರೇಯಾಂಕದ ವಿಧಾನದ ಮಾದರಿಗಳ ಹೊರತಾಗಿಯೂ, ಫಿಲ್ಟರ್ ಮಾಡಲಾದ ಮಾದರಿಗಳ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯು (0.8999) ಫಿಲ್ಟರ್ ಮಾಡದ ಮಾದರಿಗಳಿಗಿಂತ (10) ಉತ್ತಮವಾಗಿದೆ (100). ವೈಶಿಷ್ಟ್ಯಗಳು. ಪ್ರತಿ ವೈಶಿಷ್ಟ್ಯದ ಆಯ್ಕೆ ವಿಧಾನಕ್ಕಾಗಿ, ಫಿಲ್ಟರ್ ಮಾಡದ ಮಾದರಿಗಳಿಗಿಂತ ಕಾರ್ಯಕ್ಷಮತೆಯ ಪ್ರಯೋಜನದ XNUMX% ಸಂಭವನೀಯತೆ ಇತ್ತು.
AD ರೋಗನಿರ್ಣಯದ ತೀವ್ರತೆಯ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಪರಿಗಣಿಸಲಾದ ರೋಗಿಗಳೊಂದಿಗೆ, ಗುಂಪಿನ ನಡುವಿನ (MCI-AD ವರ್ಸಸ್ AD) ವಯಸ್ಸಿನ ವ್ಯತ್ಯಾಸಗಳು (p = 0.004), ಶಿಕ್ಷಣ (p = 0.028), MoCA ಸ್ಕೋರ್ ಸರಿಹೊಂದಿಸಲಾಗಿದೆ/ಹೊಂದಿಸಲಾಗಿಲ್ಲ (p = 0.000), ಮತ್ತು MTx-% C (p = 0.008) ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಮಹತ್ವದ್ದಾಗಿದೆ; ಆದರೆ MTx-RT ಗಾಗಿ ಅದು ಇರಲಿಲ್ಲ (p = 0.097). VaD ರೋಗನಿರ್ಣಯದ ತೀವ್ರತೆಯ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಪರಿಗಣಿಸಲಾದ ರೋಗಿಗಳೊಂದಿಗೆ, MoCA ಸ್ಕೋರ್‌ಗೆ (MCI-VaD ವರ್ಸಸ್ VaD) ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಸರಿಹೊಂದಿಸಲಾಗಿದೆ/ಹೊಂದಿಸಲಾಗಿಲ್ಲ (p = 0.007) ಮತ್ತು MTx-% C (p = 0.026) ಮತ್ತು MTx-RT (p = 0.001) ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಮಹತ್ವದ್ದಾಗಿದೆ; ಆದರೆ ವಯಸ್ಸಿಗೆ (p = 0.511) ಮತ್ತು ಶಿಕ್ಷಣ (p = 0.157) ಗುಂಪಿನ ನಡುವೆ ಯಾವುದೇ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸಗಳಿಲ್ಲ.
ಈ ಹಿಂದೆ ಆಯ್ಕೆಮಾಡಿದ ಮೂರು ಕಲಿಯುವವರಿಗೆ, ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್, ನೈವ್ ಬೇಯ್ಸ್ ಮತ್ತು ಸಪೋರ್ಟ್ ವೆಕ್ಟರ್ ಮೆಷಿನ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ರೋಗನಿರ್ಣಯದ ತೀವ್ರತೆಯ ವರ್ಗೀಕರಣಗಳಿಗಾಗಿ ಮುನ್ಸೂಚಕ ಮಾಡೆಲಿಂಗ್ ಕಾರ್ಯಕ್ಷಮತೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ಕೋಷ್ಟಕ 5 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ಆದರೆ ಹೆಚ್ಚುವರಿ ಪರೀಕ್ಷಿಸಿದ ಕಲಿಯುವವರು ಎರಡು ಕ್ಲಿನಿಕಲ್ ರೋಗನಿರ್ಣಯದ ವರ್ಗಗಳಲ್ಲಿ ಒಂದನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಸ್ವಲ್ಪ ಬಲವಾದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರದರ್ಶಿಸಿದರು. , ನಮ್ಮ ಹಿಂದಿನ ಮಾಡೆಲಿಂಗ್ನಲ್ಲಿ ನಾವು ಹೆಚ್ಚು ಅನುಕೂಲಕರವೆಂದು ಗುರುತಿಸಿದ ಮೂವರು ಕಲಿಯುವವರು ಹೊಸ ಮಾಡೆಲಿಂಗ್ ಯೋಜನೆಗಳೊಂದಿಗೆ ಹೆಚ್ಚು ಸ್ಥಿರವಾದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೀಡಿದರು. ಪ್ರತಿಯೊಂದು ಪ್ರಾಥಮಿಕ ರೋಗನಿರ್ಣಯದ ವರ್ಗಗಳ (AD ಮತ್ತು VaD) ಮೂಲಕ ಕಲಿಯುವವರನ್ನು ಹೋಲಿಸಿದಾಗ, MCI-VaD ಮತ್ತು VaD ಗಾಗಿ ಕಲಿಯುವವರ ನಡುವೆ ಯಾವುದೇ ಸ್ಥಿರವಾದ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯ ವ್ಯತ್ಯಾಸವಿಲ್ಲ, ಆದಾಗ್ಯೂ ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರವು ಸಾಮಾನ್ಯವಾಗಿ ಹೆಚ್ಚು ಪ್ರಮುಖವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಅದೇ ರೀತಿ, MCI-AD ವರ್ಸಸ್ AD ವರ್ಗೀಕರಣಕ್ಕೆ ಕಲಿಯುವವರ ನಡುವೆ ಯಾವುದೇ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸಗಳಿಲ್ಲ, ಆದರೂ ನೈವ್ ಬೇಯೆಸ್ (NB) ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ (LR) ಗಿಂತ ಸ್ವಲ್ಪ ಕಾರ್ಯಕ್ಷಮತೆಯ ಪ್ರಯೋಜನವನ್ನು ಹೊಂದಿತ್ತು ಮತ್ತು ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರದ ಮೇಲೆ ಕೇವಲ ಅತ್ಯಲ್ಪ ಬಹುತ್ವವನ್ನು ಹೊಂದಿತ್ತು, ಸಂಭವನೀಯತೆ 61.4%. ಮತ್ತು ಕ್ರಮವಾಗಿ 41.7%. ಎರಡೂ ಡೇಟಾಸೆಟ್‌ಗಳಾದ್ಯಂತ, ಬೆಂಬಲ ವೆಕ್ಟರ್ ಮೆಷಿನ್ (SVM) ಗಾಗಿ ಒಟ್ಟಾರೆ ಕಾರ್ಯಕ್ಷಮತೆಯ ಪ್ರಯೋಜನವಿದೆ, ಜೊತೆಗೆ Pr (SVM > LR) = 0.819 ಮತ್ತು Pr (SVM > NB) = 0.934. XL ಉಪ-ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ರೋಗನಿರ್ಣಯದ ತೀವ್ರತೆಯನ್ನು ಊಹಿಸುವಲ್ಲಿ ಎಲ್ಲಾ ಕಲಿಯುವವರಲ್ಲಿ ನಮ್ಮ ಒಟ್ಟಾರೆ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯು AD ಗಿಂತ VaD ರೋಗನಿರ್ಣಯದ ವರ್ಗದಲ್ಲಿ ಉತ್ತಮವಾಗಿದೆ (Pr (VAD > AD) = 0.998).
ಕೋಷ್ಟಕ 5
ಡಿಕೋಟೊಮಸ್ ಕ್ಲಿನಿಕಲ್ ಡಯಾಗ್ನೋಸಿಸ್ ತೀವ್ರತೆಯ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆ (AUC; 0.0–1.0) ಪ್ರತಿ ಮೂರು ಉನ್ನತ-ಕಾರ್ಯನಿರ್ವಹಣೆಯ ಕಲಿಯುವವರಿಗೆ ಸಂಬಂಧಿಸಿದ ಮಾದರಿ ಯೋಜನೆಗಳಿಗೆ ಫಲಿತಾಂಶಗಳು
| ಮಾಡೆಲಿಂಗ್ ಯೋಜನೆ | ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ | ನೈವ್ ಬೇಯ್ಸ್ | ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರ |
| MCI-AD ವಿರುದ್ಧ AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD ವಿರುದ್ಧ VaD | 0.8033 | 0.8044 | 0.8338 |
ಪ್ರತಿ ಮಾಡೆಲಿಂಗ್ ಯೋಜನೆಗೆ ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರಿಸಲಾಗಿದೆ ದಪ್ಪ (ಇತರರಿಗಿಂತ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಭಿನ್ನವಾಗಿರಬಾರದು ದಪ್ಪ).
ಚರ್ಚೆ
ಅರಿವಿನ ಆರೋಗ್ಯದಲ್ಲಿನ ಬದಲಾವಣೆಗಳ ಆರಂಭಿಕ ಪತ್ತೆ ಮುಖ್ಯವಾಗಿದೆ ವೈಯಕ್ತಿಕ ಆರೋಗ್ಯ ನಿರ್ವಹಣೆ ಮತ್ತು ಸಾರ್ವಜನಿಕ ಆರೋಗ್ಯದಲ್ಲಿ ಪ್ರಾಯೋಗಿಕ ಉಪಯುಕ್ತತೆ. ವಾಸ್ತವವಾಗಿ, ವಿಶ್ವಾದ್ಯಂತ ರೋಗಿಗಳಿಗೆ ಕ್ಲಿನಿಕಲ್ ಸೆಟ್ಟಿಂಗ್‌ಗಳಲ್ಲಿ ಇದು ಹೆಚ್ಚಿನ ಆದ್ಯತೆಯಾಗಿದೆ. ಹಂಚಿಕೆಯ ಗುರಿಯು ರೋಗಿಗಳು, ಆರೈಕೆದಾರರು ಮತ್ತು ಪೂರೈಕೆದಾರರನ್ನು ಎಚ್ಚರಿಸುವುದು ಮತ್ತು ಅರಿವಿನ ಕುಸಿತವನ್ನು ಅನುಭವಿಸಲು ಪ್ರಾರಂಭಿಸುವವರಿಗೆ ಮುಂಚಿನ ಸೂಕ್ತವಾದ ಮತ್ತು ವೆಚ್ಚ-ಪರಿಣಾಮಕಾರಿ ಚಿಕಿತ್ಸೆ ಮತ್ತು ಉದ್ದದ ಆರೈಕೆಯನ್ನು ಪ್ರೇರೇಪಿಸುವುದು. ನಮ್ಮ ಮೂರು ಆಸ್ಪತ್ರೆ/ಕ್ಲಿನಿಕ್(ಗಳು) ಡೇಟಾ ಉಪವಿಭಾಗಗಳನ್ನು ವಿಲೀನಗೊಳಿಸುವುದರಿಂದ, ನಾವು ಮೂರು ವಿಶಿಷ್ಟವಾದ ಆದ್ಯತೆಯ ಕಲಿಯುವವರನ್ನು ಗುರುತಿಸಿದ್ದೇವೆ (ಒಂದು ಗಮನಾರ್ಹವಾದ ಸ್ಟ್ಯಾಂಡ್‌ಔಟ್ -ನೇವ್ ಬೇಯೆಸ್) ಬಳಸಿಕೊಂಡು ಭವಿಷ್ಯಸೂಚಕ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ಅರಿವಿನ ಆರೋಗ್ಯ ಸ್ಥಿತಿಯನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ವರ್ಗೀಕರಿಸಬಹುದಾದ MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಾಪನಗಳು MoCA ಒಟ್ಟು ಸ್ಕೋರ್‌ನಿಂದ ಸೂಚಿಸಲ್ಪಟ್ಟಂತೆ ದ್ವಿಮುಖವಾಗಿ (ಸಾಮಾನ್ಯ ಅರಿವಿನ ಆರೋಗ್ಯ ಅಥವಾ MCI). ಗಮನಾರ್ಹವಾಗಿ, ನಮ್ಮ ಮಾದರಿಗಳು ಈ MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಉನ್ನತ-ಶ್ರೇಣಿಯ ನಾಲ್ಕು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಮಾತ್ರ ಬಳಸಿಕೊಂಡಾಗ ಎಲ್ಲಾ ಮೂರು ಕಲಿಯುವವರ ಒಟ್ಟಾರೆ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆ ಸುಧಾರಿಸಿದೆ. ಇದಲ್ಲದೆ, ಬುದ್ಧಿಮಾಂದ್ಯತೆಯ ರೋಗನಿರ್ಣಯದ ಎರಡು ವರ್ಗಗಳ ತೀವ್ರತೆಯನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಡಯಾಗ್ನೋಸ್ಟಿಕ್ ಬೆಂಬಲ ವರ್ಗೀಕರಣ ಮಾಡೆಲಿಂಗ್ ಯೋಜನೆಯಲ್ಲಿ ಅದೇ ಕಲಿಯುವವರು ಮತ್ತು MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಸಮರ್ಥ ಸಾಮರ್ಥ್ಯವನ್ನು ನಾವು ಬಹಿರಂಗಪಡಿಸಿದ್ದೇವೆ: AD ಮತ್ತು VaD.
ಮೆಮೊರಿ ಪರೀಕ್ಷೆ ADಯ ಆರಂಭಿಕ ಪತ್ತೆಗೆ ಕೇಂದ್ರವಾಗಿದೆ [23, 24]. ಹೀಗಾಗಿ, MemTrax ಸ್ವೀಕಾರಾರ್ಹ, ತೊಡಗಿಸಿಕೊಳ್ಳುವ ಮತ್ತು ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ ಕಾರ್ಯಗತಗೊಳಿಸಲು ಸುಲಭವಾಗಿದೆ ಎಂಬುದು ಅನುಕೂಲಕರವಾಗಿದೆ ಎಪಿಸೋಡಿಕ್ ಮೆಮೊರಿಗಾಗಿ ಸ್ಕ್ರೀನಿಂಗ್ ಪರೀಕ್ಷೆ ಸಾಮಾನ್ಯ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ [6]. ಈ ನಿರಂತರ ಕಾರ್ಯನಿರ್ವಹಣೆಯ ಕಾರ್ಯದಿಂದ ಗುರುತಿಸುವಿಕೆಯ ನಿಖರತೆ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆ ಸಮಯಗಳು ನಿರ್ದಿಷ್ಟವಾಗಿ ಆರಂಭಿಕ ಮತ್ತು ವಿಕಸನಗೊಳ್ಳುತ್ತಿರುವ ಕ್ಷೀಣತೆ ಮತ್ತು ಕಲಿಕೆ, ಸ್ಮರಣೆ ಮತ್ತು ಅರಿವಿಗೆ ಸಂಬಂಧಿಸಿದ ನ್ಯೂರೋಪ್ಲಾಸ್ಟಿಕ್ ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿನ ಕೊರತೆಗಳನ್ನು ಗುರುತಿಸುವಲ್ಲಿ ಬಹಿರಂಗಪಡಿಸುತ್ತವೆ. ಅಂದರೆ, MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಹೆಚ್ಚಾಗಿ ಆಧರಿಸಿದ ಮಾದರಿಗಳು ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತವೆ ಮತ್ತು ಹೆಚ್ಚು ಗಣನೀಯವಾದ ಕ್ರಿಯಾತ್ಮಕ ನಷ್ಟಕ್ಕೆ ಮುಂಚಿತವಾಗಿ ಪರಿವರ್ತನೆಯ ಲಕ್ಷಣರಹಿತ ಹಂತದಲ್ಲಿ ಜೈವಿಕ ನರರೋಗಶಾಸ್ತ್ರದ ಕೊರತೆಗಳನ್ನು ಸುಲಭವಾಗಿ ಮತ್ತು ಕನಿಷ್ಠ ವೆಚ್ಚದೊಂದಿಗೆ ಬಹಿರಂಗಪಡಿಸುವ ಸಾಧ್ಯತೆಯಿದೆ [25]. ಆಶ್ಫೋರ್ಡ್ ಮತ್ತು ಇತರರು. MemTrax [6] ನೊಂದಿಗೆ ತಮ್ಮದೇ ಆದ ಆನ್ಲೈನ್ ಬಳಕೆದಾರರಲ್ಲಿ ಗುರುತಿಸುವಿಕೆಯ ಮೆಮೊರಿ ನಿಖರತೆ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆ ಸಮಯದ ಮಾದರಿಗಳು ಮತ್ತು ನಡವಳಿಕೆಗಳನ್ನು ನಿಕಟವಾಗಿ ಪರಿಶೀಲಿಸಲಾಗಿದೆ. ಸೂಕ್ತವಾದ ಮಾಡೆಲಿಂಗ್ ಮತ್ತು ಮಾನ್ಯ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ರೋಗಿಗಳ ಆರೈಕೆ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವಲ್ಲಿ ಈ ವಿತರಣೆಗಳು ನಿರ್ಣಾಯಕವಾಗಿವೆ ಎಂದು ಗೌರವಿಸುವುದು, ಪ್ರಾಯೋಗಿಕವಾಗಿ ಅನ್ವಯವಾಗುವ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆ ಸಮಯದ ಪ್ರೊಫೈಲ್‌ಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು ಕ್ಲಿನಿಕಲ್ ಮತ್ತು ಸಂಶೋಧನಾ ಉಪಯುಕ್ತತೆಗೆ ಮೌಲ್ಯಯುತವಾದ ಅಡಿಪಾಯದ ಉಲ್ಲೇಖವನ್ನು ಸ್ಥಾಪಿಸುವಲ್ಲಿ ಅತ್ಯಗತ್ಯ. ಆರಂಭಿಕ ಹಂತದ ಅರಿವಿನ ದುರ್ಬಲತೆ ಮತ್ತು ಭೇದಾತ್ಮಕ ರೋಗನಿರ್ಣಯದ ಬೆಂಬಲಕ್ಕಾಗಿ AD ಸ್ಕ್ರೀನಿಂಗ್‌ನಲ್ಲಿ MemTrax ನ ಪ್ರಾಯೋಗಿಕ ಮೌಲ್ಯವನ್ನು ನಂತರ ಕ್ಲಿನಿಕಲ್ ಸೆಟ್ಟಿಂಗ್‌ನ ಸಂದರ್ಭದಲ್ಲಿ ಹೆಚ್ಚು ನಿಕಟವಾಗಿ ಪರೀಕ್ಷಿಸಬೇಕಾಗಿದೆ, ಅಲ್ಲಿ ಸಹವರ್ತಿ ರೋಗಗಳು ಮತ್ತು ಪರೀಕ್ಷಾ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ಅರಿವಿನ, ಸಂವೇದನಾಶೀಲ ಮತ್ತು ಮೋಟಾರು ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಪರಿಗಣಿಸಬಹುದು. ಮತ್ತು ವೃತ್ತಿಪರ ದೃಷ್ಟಿಕೋನವನ್ನು ತಿಳಿಸಲು ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಕ್ಲಿನಿಕಲ್ ಉಪಯುಕ್ತತೆಯನ್ನು ಉತ್ತೇಜಿಸಲು, ಸ್ಥಾಪಿತವಾದ ಅರಿವಿನ ಆರೋಗ್ಯ ಮೌಲ್ಯಮಾಪನ ಪರೀಕ್ಷೆಗೆ ಹೋಲಿಕೆಯನ್ನು ಪ್ರದರ್ಶಿಸುವುದು ಮೊದಲ ಕಡ್ಡಾಯವಾಗಿದೆ, ಆದಾಗ್ಯೂ ಎರಡನೆಯದು ತೊಡಕಿನ ಪರೀಕ್ಷಾ ಜಾರಿಗಳು, ಶಿಕ್ಷಣ ಮತ್ತು ಭಾಷಾ ನಿರೋಧಕಗಳು ಮತ್ತು ಸಾಂಸ್ಕೃತಿಕ ಪ್ರಭಾವಗಳಿಂದ ಗುರುತಿಸಬಹುದಾದ ನಿರ್ಬಂಧವನ್ನು ಹೊಂದಿರಬಹುದು [26] . ಈ ನಿಟ್ಟಿನಲ್ಲಿ, ವೈದ್ಯಕೀಯ ದಕ್ಷತೆಯಲ್ಲಿ MemTrax ನ ಅನುಕೂಲಕರವಾದ ಹೋಲಿಕೆಯನ್ನು MoCA ಗೆ ಸಾಮಾನ್ಯವಾಗಿ ಉದ್ಯಮದ ಮಾನದಂಡವೆಂದು ಹೇಳಲಾಗುತ್ತದೆ, ವಿಶೇಷವಾಗಿ MemTrax ನ ಹೆಚ್ಚಿನ ಉಪಯುಕ್ತತೆ ಮತ್ತು ರೋಗಿಯ ಸ್ವೀಕಾರವನ್ನು ತೂಗುವಾಗ.
MemTrax ಅನ್ನು MoCA ಗೆ ಹೋಲಿಸಿದ ಹಿಂದಿನ ಪರಿಶೋಧನೆಯು ನಮ್ಮ ಮಾಡೆಲಿಂಗ್ ತನಿಖೆಯನ್ನು ಸಮರ್ಥಿಸುವ ತಾರ್ಕಿಕ ಮತ್ತು ಪ್ರಾಥಮಿಕ ಪುರಾವೆಗಳನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ [8]. ಆದಾಗ್ಯೂ, ಈ ಮುಂಚಿನ ಹೋಲಿಕೆಯು MoCA ಯಿಂದ ನಿರ್ಧರಿಸಲ್ಪಟ್ಟ ಅರಿವಿನ ಸ್ಥಿತಿಯೊಂದಿಗೆ ನಾವು ಪರೀಕ್ಷಿಸಿದ ಎರಡು ಪ್ರಮುಖ MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸಿದೆ ಮತ್ತು ಸಂಬಂಧಿತ ಶ್ರೇಣಿಗಳು ಮತ್ತು ಕಟ್ಆಫ್ ಮೌಲ್ಯಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿದೆ. ಇತರ ಸಂಭಾವ್ಯ ಸಂಬಂಧಿತ ರೋಗಿಯ-ನಿರ್ದಿಷ್ಟ ನಿಯತಾಂಕಗಳ ಹೆಚ್ಚು ವೈಯಕ್ತಿಕವಾದ ಪರಿಗಣನೆಯನ್ನು ಒದಗಿಸುವ ಭವಿಷ್ಯಸೂಚಕ ಮಾಡೆಲಿಂಗ್-ಆಧಾರಿತ ವಿಧಾನವನ್ನು ಅನ್ವೇಷಿಸುವ ಮೂಲಕ ನಾವು MemTrax ನ ಕ್ಲಿನಿಕಲ್ ಉಪಯುಕ್ತತೆಯ ಮೌಲ್ಯಮಾಪನವನ್ನು ಆಳಗೊಳಿಸಿದ್ದೇವೆ. ಇತರರಿಗೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, MoCA ಸ್ಕೋರ್‌ಗೆ ಶಿಕ್ಷಣ ತಿದ್ದುಪಡಿ (ಹೊಂದಾಣಿಕೆ) ಬಳಸಿಕೊಂಡು ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಅಥವಾ ಮೂಲತಃ ಶಿಫಾರಸು ಮಾಡಲಾದ 26 ರಿಂದ 23 [12, 15] ರಿಂದ MoCA ಒಟ್ಟು ಸ್ಕೋರ್ ಮಿತಿಯನ್ನು ತಾರತಮ್ಯ ಮಾಡುವ ಅರಿವಿನ ಆರೋಗ್ಯದ ವ್ಯತ್ಯಾಸದಲ್ಲಿ ನಾವು ಪ್ರಯೋಜನವನ್ನು ಕಂಡುಕೊಂಡಿಲ್ಲ. ವಾಸ್ತವವಾಗಿ, ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅನುಕೂಲವು ಸರಿಹೊಂದಿಸದ MoCA ಸ್ಕೋರ್ ಮತ್ತು ಹೆಚ್ಚಿನ ಮಿತಿಯನ್ನು ಬಳಸುತ್ತದೆ.
ಕ್ಲಿನಿಕಲ್ ಅಭ್ಯಾಸದಲ್ಲಿ ಪ್ರಮುಖ ಅಂಶಗಳು
ದತ್ತಾಂಶವು ವ್ಯಾಪಕ ಮತ್ತು ಬಹು-ಆಯಾಮದದ್ದಾಗಿರುವಾಗ, ಅಂದರೆ, ಹಲವಾರು ಅವಲೋಕನಗಳು ಮತ್ತು ಹೆಚ್ಚಿನ-ಮೌಲ್ಯದ (ಕೊಡುಗೆ ನೀಡುವ) ಗುಣಲಕ್ಷಣಗಳ ಸಹವರ್ತಿಯಾದಾಗ, ಯಂತ್ರ ಕಲಿಕೆಯು ಭವಿಷ್ಯಸೂಚಕ ಮಾಡೆಲಿಂಗ್ನಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಉತ್ತಮವಾಗಿ ಬಳಸಲ್ಪಡುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿದೆ. ಆದರೂ, ಈ ಪ್ರಸ್ತುತ ಡೇಟಾದೊಂದಿಗೆ, ಕೇವಲ ನಾಲ್ಕು ಆಯ್ದ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ಫಿಲ್ಟರ್ ಮಾಡಲಾದ ಮಾದರಿಗಳು ಎಲ್ಲಾ 10 ಸಾಮಾನ್ಯ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸುವುದಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ಈ ರೀತಿಯಲ್ಲಿ ರೋಗಿಗಳನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿ ವರ್ಗೀಕರಿಸಲು ನಮ್ಮ ಒಟ್ಟು ಆಸ್ಪತ್ರೆಯ ಡೇಟಾಸೆಟ್ ಹೆಚ್ಚು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಸೂಕ್ತವಾದ (ಹೆಚ್ಚಿನ ಮೌಲ್ಯ) ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊಂದಿಲ್ಲ ಎಂದು ಇದು ಸೂಚಿಸುತ್ತದೆ. ಅದೇನೇ ಇದ್ದರೂ, ಪ್ರಮುಖ MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳ ಮೇಲಿನ ವೈಶಿಷ್ಟ್ಯದ ಶ್ರೇಯಾಂಕದ ಒತ್ತು-MTx-% C ಮತ್ತು MTx-RT-ಈ ಪರೀಕ್ಷೆಯ ಸುತ್ತಲೂ ಆರಂಭಿಕ ಹಂತದ ಅರಿವಿನ ಕೊರತೆಯ ಸ್ಕ್ರೀನಿಂಗ್ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ಬಲವಾಗಿ ಬೆಂಬಲಿಸುತ್ತದೆ, ಅದು ಸರಳ, ನಿರ್ವಹಿಸಲು ಸುಲಭ, ಕಡಿಮೆ-ವೆಚ್ಚ ಮತ್ತು ಸೂಕ್ತವಾಗಿ ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ. ಮೆಮೊರಿ ಕಾರ್ಯಕ್ಷಮತೆ, ಕನಿಷ್ಠ ಇದೀಗ ಅರಿವಿನ ಆರೋಗ್ಯ ಸ್ಥಿತಿಯ ಬೈನರಿ ವರ್ಗೀಕರಣಕ್ಕೆ ಆರಂಭಿಕ ಪರದೆಯಂತೆ. ಪೂರೈಕೆದಾರರು ಮತ್ತು ಆರೋಗ್ಯ ವ್ಯವಸ್ಥೆಗಳ ಮೇಲೆ ನಿರಂತರವಾಗಿ ಹೆಚ್ಚುತ್ತಿರುವ ಒತ್ತಡವನ್ನು ಗಮನಿಸಿದರೆ, ರೋಗಿಗಳ ಸ್ಕ್ರೀನಿಂಗ್ ಪ್ರಕ್ರಿಯೆಗಳು ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ಆ ರೋಗಿಗಳ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಸಂಗ್ರಹಿಸಲು, ಟ್ರ್ಯಾಕ್ ಮಾಡಲು ಮತ್ತು ಮಾಡೆಲಿಂಗ್‌ಗೆ ಒತ್ತು ನೀಡುವ ಮೂಲಕ ಸೂಕ್ತವಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಬೇಕು ಮತ್ತು ರೋಗನಿರ್ಣಯದಲ್ಲಿ ಹೆಚ್ಚು ಉಪಯುಕ್ತ, ಅನುಕೂಲಕರ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ಎಂದು ಸಾಬೀತಾಗಿರುವ ಪರೀಕ್ಷಾ ಮಾಪನಗಳು. ಮತ್ತು ರೋಗಿಗಳ ನಿರ್ವಹಣೆ ಬೆಂಬಲ.
MCI ವರ್ಗೀಕರಣಕ್ಕೆ ಎರಡು ಪ್ರಮುಖ MemTrax ಮೆಟ್ರಿಕ್‌ಗಳು ಕೇಂದ್ರವಾಗಿರುವುದರಿಂದ, ನಮ್ಮ ಉನ್ನತ-ಕಾರ್ಯನಿರ್ವಹಣೆಯ ಕಲಿಯುವವರು (Naïve Bayes) ಹೆಚ್ಚಿನ ಮಾದರಿಗಳಲ್ಲಿ (AUC 0.90 ಕ್ಕಿಂತ ಹೆಚ್ಚು) ಅತ್ಯಂತ ಹೆಚ್ಚಿನ ಮುನ್ಸೂಚಕ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೊಂದಿದ್ದು, ನಿಜವಾದ ಧನಾತ್ಮಕ ಮತ್ತು ತಪ್ಪು-ಧನಾತ್ಮಕ ಅನುಪಾತವು 4 ಸಮೀಪಿಸುತ್ತಿದೆ ಅಥವಾ ಸ್ವಲ್ಪಮಟ್ಟಿಗೆ ಮೀರಿದೆ. : 1. ಈ ಕಲಿಯುವವರನ್ನು ಬಳಸುವ ಭಾಷಾಂತರಾತ್ಮಕ ಕ್ಲಿನಿಕಲ್ ಅಪ್ಲಿಕೇಶನ್ ಅರಿವಿನ ಕೊರತೆಯನ್ನು ಹೊಂದಿರುವ ಹೆಚ್ಚಿನವರನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ (ಸರಿಯಾಗಿ ವರ್ಗೀಕರಿಸುತ್ತದೆ), ಆದರೆ ಸಾಮಾನ್ಯ ಅರಿವಿನ ಆರೋಗ್ಯ ಹೊಂದಿರುವ ವ್ಯಕ್ತಿಯನ್ನು ಅರಿವಿನ ಕೊರತೆ (ತಪ್ಪು ಧನಾತ್ಮಕ) ಎಂದು ತಪ್ಪಾಗಿ ವರ್ಗೀಕರಿಸಲು ಸಂಬಂಧಿಸಿದ ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಅಥವಾ ಅರಿವಿನ ಕೊರತೆಯನ್ನು ಹೊಂದಿರುವವರಲ್ಲಿ ಆ ವರ್ಗೀಕರಣವನ್ನು ಕಾಣೆಯಾಗಿದೆ (ತಪ್ಪು ಋಣಾತ್ಮಕ). ತಪ್ಪು ವರ್ಗೀಕರಣದ ಈ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ ಒಂದಾದರೂ ರೋಗಿಗೆ ಮತ್ತು ಆರೈಕೆ ಮಾಡುವವರಿಗೆ ಅನಗತ್ಯವಾದ ಮಾನಸಿಕ-ಸಾಮಾಜಿಕ ಹೊರೆಯನ್ನು ವಿಧಿಸಬಹುದು.
ಪ್ರಾಥಮಿಕ ಮತ್ತು ಪೂರ್ಣ ವಿಶ್ಲೇಷಣೆಗಳಲ್ಲಿ ನಾವು ಪ್ರತಿ ಮಾಡೆಲಿಂಗ್ ಸ್ಕೀಮ್‌ನಲ್ಲಿ ಎಲ್ಲಾ ಹತ್ತು ಕಲಿಯುವವರನ್ನು ಬಳಸಿದ್ದೇವೆ, ನಾವು ನಮ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ಹೆಚ್ಚು ಸ್ಥಿರವಾದ ಬಲವಾದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರಿಸುವ ಮೂರು ವರ್ಗೀಕರಣಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದ್ದೇವೆ. ಅರಿವಿನ ಸ್ಥಿತಿಯ ವರ್ಗೀಕರಣವನ್ನು ನಿರ್ಧರಿಸುವಲ್ಲಿ ಪ್ರಾಯೋಗಿಕ ಕ್ಲಿನಿಕಲ್ ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ ನಿರೀಕ್ಷಿತವಾಗಿ ಉನ್ನತ ಮಟ್ಟದಲ್ಲಿ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಕಲಿಯುವವರನ್ನು ಈ ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ ಹೈಲೈಟ್ ಮಾಡುವುದು. ಇದಲ್ಲದೆ, ಈ ಅಧ್ಯಯನವು ಅರಿವಿನ ಸ್ಕ್ರೀನಿಂಗ್ ಮತ್ತು ಈ ಸಮಯೋಚಿತ ಕ್ಲಿನಿಕಲ್ ಸವಾಲುಗಳ ಮೇಲೆ ಯಂತ್ರ ಕಲಿಕೆಯ ಉಪಯುಕ್ತತೆಯ ಪರಿಚಯಾತ್ಮಕ ತನಿಖೆಯಾಗಿ ಉದ್ದೇಶಿಸಿರುವುದರಿಂದ, ನಾವು ಕಲಿಕೆಯ ತಂತ್ರಗಳನ್ನು ಸರಳ ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಿಸುವ ನಿರ್ಧಾರವನ್ನು ಕನಿಷ್ಠ ಪ್ಯಾರಾಮೀಟರ್ ಟ್ಯೂನಿಂಗ್‌ನೊಂದಿಗೆ ಇರಿಸಿದ್ದೇವೆ. ಈ ವಿಧಾನವು ಹೆಚ್ಚು ಸಂಕುಚಿತವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ರೋಗಿಯ-ನಿರ್ದಿಷ್ಟ ಮುನ್ಸೂಚಕ ಸಾಮರ್ಥ್ಯಗಳ ಸಾಮರ್ಥ್ಯವನ್ನು ಸೀಮಿತಗೊಳಿಸಿರಬಹುದು ಎಂದು ನಾವು ಪ್ರಶಂಸಿಸುತ್ತೇವೆ. ಅಂತೆಯೇ, ಕೇವಲ ಉನ್ನತ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು (ಫಿಲ್ಟರ್ ಮಾಡಿದ ವಿಧಾನ) ಬಳಸಿಕೊಂಡು ಮಾದರಿಗಳ ತರಬೇತಿಯು ಈ ಡೇಟಾದ ಬಗ್ಗೆ ನಮಗೆ ಮತ್ತಷ್ಟು ತಿಳಿಸುತ್ತದೆ (ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾದಲ್ಲಿನ ನ್ಯೂನತೆಗಳಿಗೆ ಮತ್ತು ಅಮೂಲ್ಯವಾದ ಕ್ಲಿನಿಕಲ್ ಸಮಯ ಮತ್ತು ಸಂಪನ್ಮೂಲಗಳನ್ನು ಉತ್ತಮಗೊಳಿಸುವಲ್ಲಿ ಮೌಲ್ಯವನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ), ಇದು ಸಂಕುಚಿತಗೊಳ್ಳಲು ಅಕಾಲಿಕವಾಗಿದೆ ಎಂದು ನಾವು ಗುರುತಿಸುತ್ತೇವೆ ಮಾದರಿಗಳ ವ್ಯಾಪ್ತಿ ಮತ್ತು, ಆದ್ದರಿಂದ, ಎಲ್ಲಾ (ಮತ್ತು ಇತರ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು) ಭವಿಷ್ಯದ ಸಂಶೋಧನೆಯೊಂದಿಗೆ ಪರಿಗಣಿಸಬೇಕು ನಾವು ಆದ್ಯತೆಯ ವೈಶಿಷ್ಟ್ಯಗಳ ಹೆಚ್ಚು ಖಚಿತವಾದ ಪ್ರೊಫೈಲ್ ಅನ್ನು ಹೊಂದುವವರೆಗೆ ಅದು ವಿಶಾಲ ಜನಸಂಖ್ಯೆಗೆ ಅನ್ವಯಿಸುತ್ತದೆ. ಹೀಗಾಗಿ, ಹೆಚ್ಚು ಅಂತರ್ಗತ ಮತ್ತು ವಿಶಾಲವಾಗಿ ಪ್ರತಿನಿಧಿಸುವ ಡೇಟಾ ಮತ್ತು ಈ ಮತ್ತು ಇತರ ಮಾದರಿಗಳ ಆಪ್ಟಿಮೈಸೇಶನ್ ಪರಿಣಾಮಕಾರಿ ಕ್ಲಿನಿಕಲ್ ಅಪ್ಲಿಕೇಶನ್‌ಗೆ ಸಂಯೋಜಿಸುವ ಮೊದಲು ಅಗತ್ಯವೆಂದು ನಾವು ಸಂಪೂರ್ಣವಾಗಿ ಗುರುತಿಸುತ್ತೇವೆ, ವಿಶೇಷವಾಗಿ ಅರಿವಿನ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ಕೊಮೊರ್ಬಿಡಿಟಿಗಳನ್ನು ಮತ್ತಷ್ಟು ಕ್ಲಿನಿಕಲ್ ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ಪರಿಗಣಿಸಬೇಕಾಗುತ್ತದೆ.
ಪ್ರತ್ಯೇಕ ಕ್ಲಿನಿಕಲ್ ರೋಗನಿರ್ಣಯದ ಆಧಾರದ ಮೇಲೆ ರೋಗದ ತೀವ್ರತೆಯ ಮಾದರಿಯ ಮೂಲಕ MemTrax ನ ಉಪಯುಕ್ತತೆಯನ್ನು ಮತ್ತಷ್ಟು ಸುಧಾರಿಸಲಾಗಿದೆ. VaD ಯ ತೀವ್ರತೆಯನ್ನು ಊಹಿಸುವಲ್ಲಿ ಉತ್ತಮವಾದ ಒಟ್ಟಾರೆ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆ (AD ಗೆ ಹೋಲಿಸಿದರೆ) ಅಲ್ಲ ನಾಳೀಯ ಆರೋಗ್ಯಕ್ಕೆ ನಿರ್ದಿಷ್ಟವಾದ ಮಾದರಿಗಳಲ್ಲಿ ರೋಗಿಯ ಪ್ರೊಫೈಲ್ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ನೀಡಿರುವುದು ಆಶ್ಚರ್ಯಕರವಾಗಿದೆ ಮತ್ತು ಸ್ಟ್ರೋಕ್ ಅಪಾಯ, ಅಂದರೆ, ಅಧಿಕ ರಕ್ತದೊತ್ತಡ, ಹೈಪರ್ಲಿಪಿಡೆಮಿಯಾ, ಮಧುಮೇಹ, ಮತ್ತು (ಸಹಜವಾಗಿ) ಸ್ಟ್ರೋಕ್ ಇತಿಹಾಸ. ಈ ಹೆಚ್ಚು ಅಂತರ್ಗತ ಡೇಟಾದೊಂದಿಗೆ ಕಲಿಯುವವರಿಗೆ ತರಬೇತಿ ನೀಡಲು ಸಾಮಾನ್ಯ ಅರಿವಿನ ಆರೋಗ್ಯ ಹೊಂದಿರುವ ಹೊಂದಾಣಿಕೆಯ ರೋಗಿಗಳ ಮೇಲೆ ಅದೇ ಕ್ಲಿನಿಕಲ್ ಮೌಲ್ಯಮಾಪನವನ್ನು ನಡೆಸುವುದು ಹೆಚ್ಚು ಅಪೇಕ್ಷಣೀಯ ಮತ್ತು ಸೂಕ್ತವಾಗಿದೆ. ಇದು ವಿಶೇಷವಾಗಿ ಸಮರ್ಥನೆಯಾಗಿದೆ, ಏಕೆಂದರೆ MemTrax ಅನ್ನು ಪ್ರಾಥಮಿಕವಾಗಿ ಅರಿವಿನ ಕೊರತೆಯ ಆರಂಭಿಕ ಹಂತವನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ವೈಯಕ್ತಿಕ ಬದಲಾವಣೆಯ ನಂತರದ ಟ್ರ್ಯಾಕಿಂಗ್‌ಗಾಗಿ ಬಳಸಲಾಗುವುದು. VaD ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿನ ಹೆಚ್ಚು ಅಪೇಕ್ಷಣೀಯವಾದ ಡೇಟಾ ವಿತರಣೆಯು ತುಲನಾತ್ಮಕವಾಗಿ ಉತ್ತಮ ಮಾಡೆಲಿಂಗ್ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಭಾಗಶಃ ಕೊಡುಗೆ ನೀಡಿದೆ ಎಂದು ಸಹ ತೋರಿಕೆಯಾಗಿದೆ. VaD ಡೇಟಾಸೆಟ್ ಎರಡು ವರ್ಗಗಳ ನಡುವೆ ಸಮತೋಲಿತವಾಗಿದೆ, ಆದರೆ ಕಡಿಮೆ MCI ರೋಗಿಗಳೊಂದಿಗೆ AD ಡೇಟಾಸೆಟ್ ಅಲ್ಲ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಸಣ್ಣ ಡೇಟಾಸೆಟ್‌ಗಳಲ್ಲಿ, ಕೆಲವು ಹೆಚ್ಚುವರಿ ನಿದರ್ಶನಗಳು ಸಹ ಅಳೆಯಬಹುದಾದ ವ್ಯತ್ಯಾಸವನ್ನು ಮಾಡಬಹುದು. ಎರಡೂ ದೃಷ್ಟಿಕೋನಗಳು ರೋಗದ ತೀವ್ರತೆಯ ಮಾಡೆಲಿಂಗ್ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿನ ವ್ಯತ್ಯಾಸಗಳಿಗೆ ಆಧಾರವಾಗಿರುವ ಸಮಂಜಸವಾದ ವಾದಗಳಾಗಿವೆ. ಆದಾಗ್ಯೂ, ಡೇಟಾಸೆಟ್ ಸಂಖ್ಯಾತ್ಮಕ ಗುಣಲಕ್ಷಣಗಳಿಗೆ ಅಥವಾ ಪರಿಗಣನೆಯಲ್ಲಿರುವ ಕ್ಲಿನಿಕಲ್ ಪ್ರಸ್ತುತಿಗೆ ನಿರ್ದಿಷ್ಟವಾದ ಅಂತರ್ಗತ ವೈಶಿಷ್ಟ್ಯಗಳಿಗೆ ಸುಧಾರಿತ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರಮಾಣಾನುಗುಣವಾಗಿ ಆರೋಪಿಸುವುದು ಅಕಾಲಿಕವಾಗಿದೆ. ಅದೇನೇ ಇದ್ದರೂ, ಕ್ಲಿನಿಕಲ್ ಡಯಾಗ್ನೋಸ್ಟಿಕ್ ಬೆಂಬಲದ ಪಾತ್ರದಲ್ಲಿ ಮೆಮ್ಟ್ರಾಕ್ಸ್ ಮುನ್ಸೂಚಕ ವರ್ಗೀಕರಣ ಮಾದರಿಯ ಉಪಯುಕ್ತತೆಯನ್ನು ಈ ಕಾದಂಬರಿಯು ಮೌಲ್ಯಯುತವಾದ ದೃಷ್ಟಿಕೋನವನ್ನು ಒದಗಿಸುತ್ತದೆ ಮತ್ತು MCI ಯ ನಿರಂತರತೆಯಾದ್ಯಂತ ರೋಗಿಗಳೊಂದಿಗೆ ಹೆಚ್ಚುವರಿ ಪರೀಕ್ಷೆಗಾಗಿ ಅನ್ವೇಷಣೆಯನ್ನು ದೃಢೀಕರಿಸುತ್ತದೆ.
ಚೀನಾದಲ್ಲಿ MemTrax ಮತ್ತು ಈ ಮಾದರಿಗಳ ಅನುಷ್ಠಾನ ಮತ್ತು ಪ್ರದರ್ಶಿತ ಉಪಯುಕ್ತತೆ, ಅಲ್ಲಿ ಭಾಷೆ ಮತ್ತು ಸಂಸ್ಕೃತಿಯು ಸ್ಥಾಪಿತ ಉಪಯುಕ್ತತೆಯ ಇತರ ಪ್ರದೇಶಗಳಿಗಿಂತ (ಉದಾ, ಫ್ರಾನ್ಸ್, ನೆದರ್ಲ್ಯಾಂಡ್ಸ್ ಮತ್ತು ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್) [7, 8, 27] ತೀವ್ರವಾಗಿ ಭಿನ್ನವಾಗಿದೆ, ಸಂಭಾವ್ಯತೆಯನ್ನು ಮತ್ತಷ್ಟು ಒತ್ತಿಹೇಳುತ್ತದೆ. MemTrax-ಆಧಾರಿತ ವೇದಿಕೆಯ ವ್ಯಾಪಕವಾದ ಜಾಗತಿಕ ಸ್ವೀಕಾರ ಮತ್ತು ವೈದ್ಯಕೀಯ ಮೌಲ್ಯಕ್ಕಾಗಿ. ದತ್ತಾಂಶ ಸಮನ್ವಯತೆಯ ಕಡೆಗೆ ಶ್ರಮಿಸುವಲ್ಲಿ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಅಂತರಾಷ್ಟ್ರೀಯ ಮಾನದಂಡಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವಲ್ಲಿ ಇದು ಒಂದು ಪ್ರದರ್ಶಕ ಉದಾಹರಣೆಯಾಗಿದೆ ಮತ್ತು ಅರಿವಿನ ಸ್ಕ್ರೀನಿಂಗ್‌ಗಾಗಿ ಮಾಡೆಲಿಂಗ್ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲಾಗಿದೆ ಮತ್ತು ಪ್ರಪಂಚದಾದ್ಯಂತ ಬಳಸಲು ಸುಲಭವಾಗಿ ಅಳವಡಿಸಲಾಗಿದೆ.
ಅರಿವಿನ ಕುಸಿತ ಮಾಡೆಲಿಂಗ್ ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ ಮುಂದಿನ ಹಂತಗಳು
AD ಯಲ್ಲಿನ ಅರಿವಿನ ಅಪಸಾಮಾನ್ಯ ಕ್ರಿಯೆಯು ನಿರಂತರತೆಯ ಮೇಲೆ ಸಂಭವಿಸುತ್ತದೆ, ಪ್ರತ್ಯೇಕ ಹಂತಗಳಲ್ಲಿ ಅಥವಾ ಹಂತಗಳಲ್ಲಿ ಅಲ್ಲ [28, 29]. ಆದಾಗ್ಯೂ, ಈ ಆರಂಭಿಕ ಹಂತದಲ್ಲಿ, "ಸಾಮಾನ್ಯ" ಅನ್ನು "ಸಾಮಾನ್ಯವಲ್ಲ" ಎಂದು ಮೂಲಭೂತವಾಗಿ ಪ್ರತ್ಯೇಕಿಸುವ MemTrax ಅನ್ನು ಸಂಯೋಜಿಸುವ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುವ ನಮ್ಮ ಸಾಮರ್ಥ್ಯವನ್ನು ಮೊದಲು ಸ್ಥಾಪಿಸುವುದು ನಮ್ಮ ಗುರಿಯಾಗಿದೆ. ಹೆಚ್ಚು ಅಂತರ್ಗತ ಪ್ರಾಯೋಗಿಕ ಡೇಟಾ (ಉದಾ, ಮೆದುಳಿನ ಚಿತ್ರಣ, ಆನುವಂಶಿಕ ಲಕ್ಷಣಗಳು, ಬಯೋಮಾರ್ಕರ್‌ಗಳು, ಕೊಮೊರ್ಬಿಡಿಟಿಗಳು ಮತ್ತು ಸಂಕೀರ್ಣದ ಕ್ರಿಯಾತ್ಮಕ ಗುರುತುಗಳು ಅರಿವಿನ ಅಗತ್ಯವಿರುವ ಚಟುವಟಿಕೆಗಳು ನಿಯಂತ್ರಣ) [30] ವಿವಿಧ ಜಾಗತಿಕ ಪ್ರದೇಶಗಳು, ಜನಸಂಖ್ಯೆಗಳು ಮತ್ತು ವಯಸ್ಸಿನ ಗುಂಪುಗಳಾದ್ಯಂತ ತರಬೇತಿ ನೀಡಲು ಮತ್ತು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಹೆಚ್ಚು ಅತ್ಯಾಧುನಿಕ (ಸೂಕ್ತವಾಗಿ ತೂಕದ ಸಮಗ್ರ ಸೇರಿದಂತೆ) ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳು ಹೆಚ್ಚಿನ ಮಟ್ಟದ ವರ್ಧಿತ ವರ್ಗೀಕರಣವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ, ಅಂದರೆ ರೋಗಿಗಳ ಗುಂಪುಗಳನ್ನು ವರ್ಗೀಕರಿಸುವ ಸಾಮರ್ಥ್ಯ ಅರಿವಿನ ಅವನತಿ ನಿರಂತರತೆಯ ಉದ್ದಕ್ಕೂ ಚಿಕ್ಕ ಮತ್ತು ಹೆಚ್ಚು ನಿರ್ಣಾಯಕ ಉಪವಿಭಾಗಗಳಾಗಿ MCI. ಇದಲ್ಲದೆ, ಪ್ರಾದೇಶಿಕವಾಗಿ ವೈವಿಧ್ಯಮಯ ರೋಗಿಗಳ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ವ್ಯಕ್ತಿಗಳಿಗೆ ಸಹವರ್ತಿ ಕ್ಲಿನಿಕಲ್ ರೋಗನಿರ್ಣಯಗಳು ಅತ್ಯಗತ್ಯ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ತರಬೇತಿ ಈ ಹೆಚ್ಚು ಅಂತರ್ಗತ ಮತ್ತು ಊಹಿಸಬಹುದಾದ ದೃಢವಾದ ಮಾದರಿಗಳು. ಇದು ಒಂದೇ ರೀತಿಯ ಹಿನ್ನೆಲೆ, ಪ್ರಭಾವಗಳು ಮತ್ತು ಹೆಚ್ಚು ಸಂಕುಚಿತವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ವಿಶಿಷ್ಟವಾದ ಅರಿವಿನ ಪ್ರೊಫೈಲ್‌ಗಳನ್ನು ಹೊಂದಿರುವವರಿಗೆ ಹೆಚ್ಚು ನಿರ್ದಿಷ್ಟವಾದ ಶ್ರೇಣೀಕೃತ ಕೇಸ್ ಮ್ಯಾನೇಜ್‌ಮೆಂಟ್ ಅನ್ನು ಸುಗಮಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಹೀಗಾಗಿ ಕ್ಲಿನಿಕಲ್ ನಿರ್ಧಾರ ಬೆಂಬಲ ಮತ್ತು ರೋಗಿಗಳ ಆರೈಕೆಯನ್ನು ಉತ್ತಮಗೊಳಿಸುತ್ತದೆ.
ಇಲ್ಲಿಯವರೆಗಿನ ಹೆಚ್ಚಿನ ಕ್ಲಿನಿಕಲ್ ಸಂಶೋಧನೆಯು ಕನಿಷ್ಠ ಸೌಮ್ಯ ಬುದ್ಧಿಮಾಂದ್ಯತೆ ಹೊಂದಿರುವ ರೋಗಿಗಳನ್ನು ಉದ್ದೇಶಿಸಿದೆ; ಮತ್ತು, ಪ್ರಾಯೋಗಿಕವಾಗಿ, ಆಗಾಗ್ಗೆ ರೋಗಿಯ ಹಸ್ತಕ್ಷೇಪವನ್ನು ಮುಂದುವರಿದ ಹಂತಗಳಲ್ಲಿ ಮಾತ್ರ ಪ್ರಯತ್ನಿಸಲಾಗುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಬುದ್ಧಿಮಾಂದ್ಯತೆಯ ಕ್ಲಿನಿಕಲ್ ಮಾನದಂಡಗಳನ್ನು ಪೂರೈಸುವ ಮೊದಲೇ ಅರಿವಿನ ಕುಸಿತವು ಪ್ರಾರಂಭವಾಗುವುದರಿಂದ, ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಅನ್ವಯಿಸಲಾದ MemTrax-ಆಧಾರಿತ ಆರಂಭಿಕ ಪರದೆಯು ರೋಗ ಮತ್ತು ಅದರ ಪ್ರಗತಿಗಳ ಬಗ್ಗೆ ವ್ಯಕ್ತಿಗಳ ಸೂಕ್ತ ಶಿಕ್ಷಣವನ್ನು ಉತ್ತೇಜಿಸುತ್ತದೆ ಮತ್ತು ಮುಂಚಿನ ಮತ್ತು ಹೆಚ್ಚು ಸಮಯೋಚಿತ ಮಧ್ಯಸ್ಥಿಕೆಗಳನ್ನು ಉತ್ತೇಜಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ, ಆರಂಭಿಕ ಪತ್ತೆ ವ್ಯಾಯಾಮ, ಆಹಾರ, ಭಾವನಾತ್ಮಕ ಬೆಂಬಲ ಮತ್ತು ಸುಧಾರಿತ ಸಾಮಾಜಿಕೀಕರಣದಿಂದ ಔಷಧೀಯ ಹಸ್ತಕ್ಷೇಪದವರೆಗೆ ಸೂಕ್ತವಾದ ಒಳಗೊಳ್ಳುವಿಕೆಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ ಮತ್ತು ನಡವಳಿಕೆ ಮತ್ತು ಗ್ರಹಿಕೆಯಲ್ಲಿ ರೋಗಿಗೆ ಸಂಬಂಧಿಸಿದ ಬದಲಾವಣೆಗಳನ್ನು ಬಲಪಡಿಸುತ್ತದೆ ಮತ್ತು ಏಕವಾಗಿ ಅಥವಾ ಒಟ್ಟಾರೆಯಾಗಿ ಬುದ್ಧಿಮಾಂದ್ಯತೆಯ ಪ್ರಗತಿಯನ್ನು ತಗ್ಗಿಸಬಹುದು ಅಥವಾ ಸಂಭಾವ್ಯವಾಗಿ ನಿಲ್ಲಿಸಬಹುದು [31, 32] . ಇದಲ್ಲದೆ, ಪರಿಣಾಮಕಾರಿಯೊಂದಿಗೆ ಆರಂಭಿಕ ಸ್ಕ್ರೀನಿಂಗ್, ವ್ಯಕ್ತಿಗಳು ಮತ್ತು ಅವರ ಕುಟುಂಬಗಳು ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳನ್ನು ಪರಿಗಣಿಸಲು ಅಥವಾ ಸಮಾಲೋಚನೆ ಮತ್ತು ಇತರ ಸಾಮಾಜಿಕ ಸೇವೆಗಳ ಬೆಂಬಲವನ್ನು ಪಡೆಯಲು ನಿರೀಕ್ಷೆಗಳು ಮತ್ತು ಉದ್ದೇಶಗಳನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಲು ಮತ್ತು ದೈನಂದಿನ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಪ್ರೇರೇಪಿಸಬಹುದು. ಈ ವಿಧಾನಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಮೌಲ್ಯೀಕರಣ ಮತ್ತು ವ್ಯಾಪಕವಾದ ಪ್ರಾಯೋಗಿಕ ಉಪಯುಕ್ತತೆಯು ಅನೇಕ ವ್ಯಕ್ತಿಗಳಿಗೆ MCI, AD ಮತ್ತು ADRD ಯ ಪ್ರಗತಿಯನ್ನು ತಗ್ಗಿಸಲು ಅಥವಾ ನಿಲ್ಲಿಸಲು ಸಾಧನವಾಗಿದೆ.
ವಾಸ್ತವವಾಗಿ, ನಮ್ಮ ಅಧ್ಯಯನದಲ್ಲಿ ರೋಗಿಗಳ ವಯಸ್ಸಿನ ಶ್ರೇಣಿಯ ಕಡಿಮೆ ಅಂತ್ಯವು AD ಯೊಂದಿಗೆ ಸಾಂಪ್ರದಾಯಿಕ ಕಾಳಜಿಯ ಜನಸಂಖ್ಯೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುವುದಿಲ್ಲ. ಅದೇನೇ ಇದ್ದರೂ, MoCA ಸ್ಕೋರ್/ಥ್ರೆಶೋಲ್ಡ್ ಮತ್ತು ರೋಗನಿರ್ಣಯದ ತೀವ್ರತೆಯ (ಟೇಬಲ್ 3) ಆಧಾರದ ಮೇಲೆ ವರ್ಗೀಕರಣ ಮಾಡೆಲಿಂಗ್ ಯೋಜನೆಗಳಲ್ಲಿ ಬಳಸಲಾದ ಪ್ರತಿ ಗುಂಪಿನ ಸರಾಸರಿ ವಯಸ್ಸು ಕನಿಷ್ಠ 80 ವರ್ಷ ವಯಸ್ಸಿನ ಸ್ಪಷ್ಟ ಬಹುಮತವನ್ನು (50% ಕ್ಕಿಂತ ಹೆಚ್ಚು) ಒತ್ತಿಹೇಳುತ್ತದೆ. ಈ ವಿತರಣೆಯು ಸಾಮಾನ್ಯೀಕರಣಕ್ಕೆ ತುಂಬಾ ಸೂಕ್ತವಾಗಿದೆ, ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ಈ ಮಾದರಿಗಳ ಉಪಯುಕ್ತತೆಯನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಆರಂಭಿಕ ಆರಂಭ ಮತ್ತು AD ಮತ್ತು VaD ನಿಂದಾಗಿ ಬೆಳೆಯುತ್ತಿರುವ ನರಜ್ಞಾನದ ಕಾಯಿಲೆ. ಅಲ್ಲದೆ, ಇತ್ತೀಚಿನ ಪುರಾವೆಗಳು ಮತ್ತು ದೃಷ್ಟಿಕೋನವು ಗುರುತಿಸಲ್ಪಟ್ಟ ಅಂಶಗಳನ್ನು (ಉದಾಹರಣೆಗೆ, ಅಧಿಕ ರಕ್ತದೊತ್ತಡ, ಸ್ಥೂಲಕಾಯತೆ, ಮಧುಮೇಹ ಮತ್ತು ಧೂಮಪಾನ) ಹೆಚ್ಚಿನ ಆರಂಭಿಕ ಬೆಳವಣಿಗೆಗೆ ಸಂಭಾವ್ಯವಾಗಿ ಕೊಡುಗೆ ನೀಡುತ್ತದೆ ವಯಸ್ಕ ಮತ್ತು ಮಿಡ್ಲೈಫ್ ನಾಳೀಯ ಅಪಾಯದ ಅಂಕಗಳು ಮತ್ತು ಅದರ ಪರಿಣಾಮವಾಗಿ ಸೂಕ್ಷ್ಮವಾದ ನಾಳೀಯ ಮಿದುಳಿನ ಗಾಯವು ಯುವಕರಲ್ಲಿಯೂ ಸಹ ಸ್ಪಷ್ಟ ಪರಿಣಾಮಗಳೊಂದಿಗೆ ಕಪಟವಾಗಿ ಬೆಳವಣಿಗೆಯಾಗುತ್ತದೆ ವಯಸ್ಕರು [33-35]. ಅಂತೆಯೇ, ಆರಂಭಿಕ ಪತ್ತೆಗೆ ಅತ್ಯಂತ ಸೂಕ್ತವಾದ ಆರಂಭಿಕ ಸ್ಕ್ರೀನಿಂಗ್ ಅವಕಾಶ ಹಂತದ ಅರಿವಿನ ಕೊರತೆಗಳು ಮತ್ತು ಬುದ್ಧಿಮಾಂದ್ಯತೆಯನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಪರಿಹರಿಸುವಲ್ಲಿ ಪರಿಣಾಮಕಾರಿ ತಡೆಗಟ್ಟುವಿಕೆ ಮತ್ತು ಮಧ್ಯಸ್ಥಿಕೆ ತಂತ್ರಗಳನ್ನು ಪ್ರಾರಂಭಿಸುವುದು ಆರಂಭಿಕ ಪ್ರೌಢಾವಸ್ಥೆ ಮತ್ತು ಸಂಭಾವ್ಯ ಬಾಲ್ಯವನ್ನು ಒಳಗೊಂಡಂತೆ ವಯಸ್ಸಿನ ವರ್ಣಪಟಲದಾದ್ಯಂತ ಕೊಡುಗೆ ನೀಡುವ ಅಂಶಗಳು ಮತ್ತು ಪೂರ್ವಭಾವಿ ಸೂಚಕಗಳನ್ನು ಪರೀಕ್ಷಿಸುವುದರಿಂದ ಹೊರಹೊಮ್ಮುತ್ತದೆ (ಆರಂಭಿಕ ಗರ್ಭಾವಸ್ಥೆಯಿಂದ ಅಪೊಲಿಪೊಪ್ರೋಟೀನ್ E ಯಂತಹ ಆನುವಂಶಿಕ ಅಂಶಗಳ ಪ್ರಸ್ತುತತೆಯನ್ನು ಗಮನಿಸಿ).
ಪ್ರಾಯೋಗಿಕವಾಗಿ, ಮಾನ್ಯವಾದ ಕ್ಲಿನಿಕಲ್ ರೋಗನಿರ್ಣಯಗಳು ಮತ್ತು ಸುಧಾರಿತ ಚಿತ್ರಣಕ್ಕಾಗಿ ದುಬಾರಿ ಕಾರ್ಯವಿಧಾನಗಳು, ಜೆನೆಟಿಕ್ ಪ್ರೊಫೈಲಿಂಗ್ ಮತ್ತು ಭರವಸೆಯ ಬಯೋಮಾರ್ಕರ್‌ಗಳನ್ನು ಅಳೆಯುವುದು ಯಾವಾಗಲೂ ಸುಲಭವಾಗಿ ಲಭ್ಯವಿರುವುದಿಲ್ಲ ಅಥವಾ ಅನೇಕ ಪೂರೈಕೆದಾರರಿಗೆ ಕಾರ್ಯಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ. ಹೀಗಾಗಿ, ಅನೇಕ ನಿದರ್ಶನಗಳಲ್ಲಿ, ಆರಂಭಿಕ ಒಟ್ಟಾರೆ ಅರಿವಿನ ಆರೋಗ್ಯ ಸ್ಥಿತಿ ವರ್ಗೀಕರಣವನ್ನು ರೋಗಿಯಿಂದ ಒದಗಿಸಲಾದ ಇತರ ಸರಳ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮಾದರಿಗಳಿಂದ ಪಡೆಯಬೇಕಾಗಬಹುದು (ಉದಾ, ಸ್ವಯಂ-ವರದಿ ಮೆಮೊರಿ ತೊಂದರೆಗಳು, ಪ್ರಸ್ತುತ ಔಷಧಿಗಳು ಮತ್ತು ದಿನನಿತ್ಯದ ಚಟುವಟಿಕೆಯ ಮಿತಿಗಳು) ಮತ್ತು ಸಾಮಾನ್ಯ ಜನಸಂಖ್ಯಾ ವೈಶಿಷ್ಟ್ಯಗಳು [7]. ಕ್ಯಾಲಿಫೋರ್ನಿಯಾ ವಿಶ್ವವಿದ್ಯಾಲಯದಂತಹ ದಾಖಲಾತಿಗಳು ಮಿದುಳಿನ ಆರೋಗ್ಯ ರಿಜಿಸ್ಟ್ರಿ (https://www.brainhealthregistry.org/) [27] ಮತ್ತು ಇತರರು ಸ್ವಯಂ-ವರದಿ ಮಾಡಿದ ರೋಗಲಕ್ಷಣಗಳು, ಗುಣಾತ್ಮಕ ಕ್ರಮಗಳು (ಉದಾ, ನಿದ್ರೆ ಮತ್ತು ಪ್ರತಿದಿನದ ಅರಿವು), ಔಷಧಿಗಳು, ಆರೋಗ್ಯ ಸ್ಥಿತಿ ಮತ್ತು ಇತಿಹಾಸ, ಮತ್ತು ಕ್ಲಿನಿಕ್‌ನಲ್ಲಿ ಈ ಹೆಚ್ಚು ಪ್ರಾಚೀನ ಮಾದರಿಗಳ ಪ್ರಾಯೋಗಿಕ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಮತ್ತು ಮೌಲ್ಯೀಕರಿಸುವಲ್ಲಿ ಹೆಚ್ಚು ವಿವರವಾದ ಜನಸಂಖ್ಯಾಶಾಸ್ತ್ರವು ಸಹಕಾರಿಯಾಗುತ್ತದೆ. ಇದಲ್ಲದೆ, ಮೆಮೊರಿ ಕಾರ್ಯವನ್ನು ನಿರ್ಣಯಿಸುವಲ್ಲಿ ಉಪಯುಕ್ತತೆಯನ್ನು ಪ್ರದರ್ಶಿಸಿದ MemTrax ನಂತಹ ಪರೀಕ್ಷೆಯು ವಾಸ್ತವವಾಗಿ ಜೈವಿಕ ಗುರುತುಗಳಿಗಿಂತ AD ರೋಗಶಾಸ್ತ್ರದ ಗಣನೀಯವಾಗಿ ಉತ್ತಮವಾದ ಅಂದಾಜನ್ನು ಒದಗಿಸುತ್ತದೆ. AD ಪ್ಯಾಥೋಲಜಿಯ ಪ್ರಮುಖ ಲಕ್ಷಣವೆಂದರೆ ನ್ಯೂರೋಪ್ಲ್ಯಾಸ್ಟಿಸಿಟಿಯ ಅಡ್ಡಿ ಮತ್ತು ಸಿನಾಪ್ಸಸ್‌ನ ಅಗಾಧವಾದ ಸಂಕೀರ್ಣ ನಷ್ಟ, ಇದು ಎಪಿಸೋಡಿಕ್ ಆಗಿ ಪ್ರಕಟವಾಗುತ್ತದೆ ಮೆಮೊರಿ ಅಪಸಾಮಾನ್ಯ ಕ್ರಿಯೆ, ಇದು ಎಪಿಸೋಡಿಕ್ ಮೆಮೊರಿಯನ್ನು ನಿರ್ಣಯಿಸುವ ಅಳತೆಯಾಗಿದೆ ಜೀವಂತ ರೋಗಿಯಲ್ಲಿನ ಜೈವಿಕ ಗುರುತುಗಳಿಗಿಂತ AD ರೋಗಶಾಸ್ತ್ರದ ಹೊರೆಯ ಉತ್ತಮ ಅಂದಾಜನ್ನು ಒದಗಿಸುತ್ತದೆ [36].
ಎಲ್ಲಾ ಭವಿಷ್ಯಸೂಚಕ ಮಾದರಿಗಳೊಂದಿಗೆ-ಅತ್ಯಾಧುನಿಕ ತಂತ್ರಜ್ಞಾನದಿಂದ ಸಂಕೀರ್ಣ ಮತ್ತು ಅಂತರ್ಗತ ಡೇಟಾದಿಂದ ಪೂರಕವಾಗಿದೆ ಮತ್ತು ಬಹು ಡೊಮೇನ್‌ಗಳಾದ್ಯಂತ ಸಂಸ್ಕರಿಸಿದ ಕ್ಲಿನಿಕಲ್ ಒಳನೋಟಗಳು ಅಥವಾ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ರೋಗಿಗಳ ಪ್ರೊಫೈಲ್‌ಗಳ ಹೆಚ್ಚು ಮೂಲಭೂತ ಮತ್ತು ಸುಲಭವಾಗಿ ಲಭ್ಯವಿರುವ ಮಾಹಿತಿಗೆ ಸೀಮಿತವಾಗಿರಬಹುದು-ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮಾನ್ಯತೆ ಪಡೆದ ಪ್ರಯೋಜನ ಮತ್ತು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಎಂದರೆ ಫಲಿತಾಂಶದ ಮಾದರಿಗಳು ಪ್ರಸ್ತುತ ಅಪ್ಲಿಕೇಶನ್ ಬಳಕೆಯಿಂದ ಒದಗಿಸಲಾದ ಸಂಬಂಧಿತ ಹೊಸ ಡೇಟಾ ಮತ್ತು ದೃಷ್ಟಿಕೋನದಿಂದ ಸಂಶ್ಲೇಷಿಸಬಹುದು ಮತ್ತು ಪ್ರಚೋದಕವಾಗಿ "ಕಲಿಯಬಹುದು". ಪ್ರಾಯೋಗಿಕ ತಂತ್ರಜ್ಞಾನ ವರ್ಗಾವಣೆಯನ್ನು ಅನುಸರಿಸಿ, ಇಲ್ಲಿರುವ ಮಾದರಿಗಳನ್ನು (ಮತ್ತು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು) ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚಿನ ಪ್ರಕರಣಗಳು ಮತ್ತು ಸಂಬಂಧಿತ ದತ್ತಾಂಶಗಳೊಂದಿಗೆ ಪುಷ್ಟೀಕರಿಸಲಾಗುತ್ತದೆ (ನಂತರದ ಅರಿವಿನ ಅವನತಿಯೊಂದಿಗೆ ಕಂಡುಬರುವ ಕೊಮೊರ್ಬಿಡಿಟಿ ಹೊಂದಿರುವ ರೋಗಿಗಳು ಸೇರಿದಂತೆ), ಮುನ್ಸೂಚನೆಯ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಅರಿವಿನ ಆರೋಗ್ಯ ವರ್ಗೀಕರಣವು ಹೆಚ್ಚು ದೃಢವಾಗಿರುತ್ತದೆ. ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾದ ಕ್ಲಿನಿಕಲ್ ನಿರ್ಧಾರ ಬೆಂಬಲ ಉಪಯುಕ್ತತೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಈ ವಿಕಸನವು MemTrax ಅನ್ನು ಕಸ್ಟಮ್ (ಲಭ್ಯವಿರುವ ಸಾಮರ್ಥ್ಯಗಳಿಗೆ ಗುರಿಪಡಿಸಲಾಗಿದೆ) ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳಲ್ಲಿ ಎಂಬೆಡ್ ಮಾಡುವುದರೊಂದಿಗೆ ಹೆಚ್ಚು ಸಂಪೂರ್ಣವಾಗಿ ಮತ್ತು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಅರಿತುಕೊಳ್ಳುತ್ತದೆ, ಅದನ್ನು ಆರೋಗ್ಯ ಪೂರೈಕೆದಾರರು ನೈಜ ಸಮಯದಲ್ಲಿ ಕ್ಲಿನಿಕ್‌ನಲ್ಲಿ ಬಳಸಿಕೊಳ್ಳಬಹುದು.
ರೋಗನಿರ್ಣಯದ ಬೆಂಬಲ ಮತ್ತು ರೋಗಿಗಳ ಆರೈಕೆಗಾಗಿ MemTrax ಮಾದರಿಯ ದೃಢೀಕರಣ ಮತ್ತು ಉಪಯುಕ್ತತೆಗೆ ಅತ್ಯಗತ್ಯವಾದ ಅರ್ಥಪೂರ್ಣ ರೇಖಾಂಶದ ಡೇಟಾವನ್ನು ಹೆಚ್ಚು ಬೇಡಿಕೆಯಿದೆ. ಆರಂಭಿಕ-ಹಂತದ MCI ಮೂಲಕ ಸಾಕಷ್ಟು ಸಾಮಾನ್ಯ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಕ್ಲಿನಿಕಲ್ ಸ್ಥಿತಿಯಲ್ಲಿ ಸಹವರ್ತಿ ಬದಲಾವಣೆಗಳನ್ನು (ಯಾವುದಾದರೂ ಇದ್ದರೆ) ಗಮನಿಸಿ ಮತ್ತು ದಾಖಲಿಸುವ ಮೂಲಕ, ಸೂಕ್ತವಾದ ನಡೆಯುತ್ತಿರುವ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ವರ್ಗೀಕರಣದ ಮಾದರಿಗಳನ್ನು ರೋಗಿಗಳ ವಯಸ್ಸಿನಂತೆ ತರಬೇತಿ ಮಾಡಬಹುದು ಮತ್ತು ಮಾರ್ಪಡಿಸಬಹುದು ಮತ್ತು ಚಿಕಿತ್ಸೆ ನೀಡಲಾಗುತ್ತದೆ. ಅಂದರೆ, ಪುನರಾವರ್ತಿತ ಉಪಯುಕ್ತತೆಯು ಸೌಮ್ಯವಾದ ಅರಿವಿನ ಬದಲಾವಣೆಗಳ ಉದ್ದದ ಟ್ರ್ಯಾಕಿಂಗ್, ಹಸ್ತಕ್ಷೇಪದ ಪರಿಣಾಮಕಾರಿತ್ವ ಮತ್ತು ತಿಳುವಳಿಕೆಯುಳ್ಳ ಶ್ರೇಣೀಕೃತ ಆರೈಕೆಯನ್ನು ನಿರ್ವಹಿಸುವಲ್ಲಿ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಈ ವಿಧಾನವು ಕ್ಲಿನಿಕಲ್ ಅಭ್ಯಾಸ ಮತ್ತು ರೋಗಿಯ ಮತ್ತು ಕೇಸ್ ನಿರ್ವಹಣೆಯೊಂದಿಗೆ ಹೆಚ್ಚು ನಿಕಟವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ.
ಮಿತಿಗಳು
ನಿಯಂತ್ರಿತ ಕ್ಲಿನಿಕ್/ಆಸ್ಪತ್ರೆ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಕ್ಲೀನ್ ಕ್ಲಿನಿಕಲ್ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವಲ್ಲಿನ ಸವಾಲು ಮತ್ತು ಮೌಲ್ಯವನ್ನು ನಾವು ಪ್ರಶಂಸಿಸುತ್ತೇವೆ. ಅದೇನೇ ಇದ್ದರೂ, ನಮ್ಮ ಡೇಟಾಸೆಟ್‌ಗಳು ಸಾಮಾನ್ಯ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ಹೆಚ್ಚಿನ ರೋಗಿಗಳನ್ನು ಒಳಗೊಂಡಿದ್ದರೆ ಅದು ನಮ್ಮ ಮಾಡೆಲಿಂಗ್ ಅನ್ನು ಬಲಪಡಿಸುತ್ತದೆ. ಇದಲ್ಲದೆ, ನಮ್ಮ ರೋಗನಿರ್ಣಯ ಮಾಡೆಲಿಂಗ್‌ಗೆ ನಿರ್ದಿಷ್ಟವಾಗಿ, ಕಲಿಯುವವರಿಗೆ ತರಬೇತಿ ನೀಡಲು ಸಾಮಾನ್ಯ ಅರಿವಿನ ಆರೋಗ್ಯ ಹೊಂದಿರುವ ಹೊಂದಾಣಿಕೆಯ ರೋಗಿಗಳ ಮೇಲೆ ಅದೇ ಕ್ಲಿನಿಕಲ್ ಮೌಲ್ಯಮಾಪನವನ್ನು ನಡೆಸುವುದು ಹೆಚ್ಚು ಅಪೇಕ್ಷಣೀಯ ಮತ್ತು ಸೂಕ್ತವಾಗಿರುತ್ತದೆ. ಮತ್ತು ಫಿಲ್ಟರ್ ಮಾಡಲಾದ ಡೇಟಾಸೆಟ್ (ಕೇವಲ ಉನ್ನತ ಶ್ರೇಣಿಯ ನಾಲ್ಕು ವೈಶಿಷ್ಟ್ಯಗಳು) ಬಳಸಿಕೊಂಡು ಹೆಚ್ಚಿನ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯಿಂದ ಒತ್ತಿಹೇಳಿದಂತೆ, ಹೆಚ್ಚು ಸಾಮಾನ್ಯ ಮತ್ತು ಅರಿವಿನ ಆರೋಗ್ಯ ಕ್ರಮಗಳು/ಸೂಚಕಗಳು ಸುಧಾರಿಸಿರಬಹುದು ಎಲ್ಲಾ ರೋಗಿಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಸಾಮಾನ್ಯ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ಮಾಡೆಲಿಂಗ್ ಕಾರ್ಯಕ್ಷಮತೆ.
ಕೆಲವು ಭಾಗವಹಿಸುವವರು ತಾತ್ಕಾಲಿಕ ಅಥವಾ ದೀರ್ಘಕಾಲದ ಅರಿವಿನ ಕೊರತೆಗಳನ್ನು ಪ್ರೇರೇಪಿಸಬಹುದಾದ ಇತರ ಕಾಯಿಲೆಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಅನುಭವಿಸುತ್ತಿರಬಹುದು. XL ಉಪ-ಡೇಟಾಸೆಟ್ ಅನ್ನು ಹೊರತುಪಡಿಸಿ ರೋಗಿಗಳಿಗೆ AD ಅಥವಾ VaD ಎಂದು ರೋಗನಿರ್ಣಯದ ರೀತಿಯಲ್ಲಿ ವರ್ಗೀಕರಿಸಲಾಗಿದೆ, YH ರೋಗಿಗಳ ಪೂಲ್‌ನಲ್ಲಿ ಕೊಮೊರ್ಬಿಡಿಟಿ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲಾಗಿಲ್ಲ/ವರದಿ ಮಾಡಲಾಗಿಲ್ಲ, ಮತ್ತು KM ಉಪ-ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಇದುವರೆಗೆ ವರದಿಯಾದ ಕೊಮೊರ್ಬಿಡಿಟಿಯ ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ ಮಧುಮೇಹ. ಆದಾಗ್ಯೂ, ಅರಿವಿನ ಕೊರತೆಯ ಮಟ್ಟವನ್ನು ಪ್ರೇರೇಪಿಸುವ ಅಥವಾ ಉಲ್ಬಣಗೊಳಿಸಬಹುದಾದ ಕೊಮೊರ್ಬಿಡಿಟಿಗಳೊಂದಿಗೆ ನಮ್ಮ ಮಾಡೆಲಿಂಗ್ ಸ್ಕೀಮ್‌ಗಳಲ್ಲಿ ರೋಗಿಗಳನ್ನು ಸೇರಿಸುವುದು ಮತ್ತು ಅದರ ಪರಿಣಾಮವಾಗಿ ಕಡಿಮೆ MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯು ಈ ಹೆಚ್ಚು ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಆರಂಭಿಕ ಅರಿವಿನ ಸ್ಕ್ರೀನಿಂಗ್‌ಗಾಗಿ ನೈಜ-ಪ್ರಪಂಚದ ಉದ್ದೇಶಿತ ರೋಗಿಗಳ ಜನಸಂಖ್ಯೆಯನ್ನು ಹೆಚ್ಚು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಎಂಬುದು ವಾದಯೋಗ್ಯವಾಗಿದೆ. ಮತ್ತು ಮಾಡೆಲಿಂಗ್ ವಿಧಾನ. ಮುಂದೆ ಸಾಗುವಾಗ, ಅರಿವಿನ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಮರ್ಥವಾಗಿ ಪರಿಣಾಮ ಬೀರುವ ಕೊಮೊರ್ಬಿಡಿಟಿಗಳ ನಿಖರವಾದ ರೋಗನಿರ್ಣಯವು ಮಾದರಿಗಳನ್ನು ಉತ್ತಮಗೊಳಿಸಲು ಮತ್ತು ಪರಿಣಾಮವಾಗಿ ರೋಗಿಗಳ ಆರೈಕೆ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗೆ ವಿಶಾಲವಾಗಿ ಪ್ರಯೋಜನಕಾರಿಯಾಗಿದೆ.
ಕೊನೆಯದಾಗಿ, YH ಮತ್ತು KM ಉಪ-ಡೇಟಾಸೆಟ್ ರೋಗಿಗಳು MemTrax ಪರೀಕ್ಷೆಯನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಸ್ಮಾರ್ಟ್‌ಫೋನ್ ಅನ್ನು ಬಳಸಿದರು, ಆದರೆ ಸೀಮಿತ ಸಂಖ್ಯೆಯ XL ಉಪ-ಡೇಟಾಸೆಟ್ ರೋಗಿಗಳು ಐಪ್ಯಾಡ್ ಅನ್ನು ಬಳಸಿದರು ಮತ್ತು ಉಳಿದವರು ಸ್ಮಾರ್ಟ್‌ಫೋನ್ ಬಳಸಿದರು. ಇದು MoCA ವರ್ಗೀಕರಣ ಮಾಡೆಲಿಂಗ್‌ಗಾಗಿ MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಸಣ್ಣ ಸಾಧನ-ಸಂಬಂಧಿತ ವ್ಯತ್ಯಾಸವನ್ನು ಪರಿಚಯಿಸಬಹುದು. ಆದಾಗ್ಯೂ, MTx-RT ನಲ್ಲಿ ವ್ಯತ್ಯಾಸಗಳು (ಯಾವುದಾದರೂ ಇದ್ದರೆ), ಉದಾಹರಣೆಗೆ, ಸಾಧನಗಳ ನಡುವೆ ನಗಣ್ಯವಾಗಿರಬಹುದು, ವಿಶೇಷವಾಗಿ ಪ್ರತಿ ಭಾಗವಹಿಸುವವರಿಗೆ ರೆಕಾರ್ಡ್ ಮಾಡಲಾದ ಪರೀಕ್ಷಾ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೊದಲು "ಅಭ್ಯಾಸ" ಪರೀಕ್ಷೆಯನ್ನು ನೀಡಲಾಗುತ್ತದೆ. ಅದೇನೇ ಇದ್ದರೂ, ಈ ಎರಡು ಹ್ಯಾಂಡ್ಹೆಲ್ಡ್ ಸಾಧನಗಳ ಉಪಯುಕ್ತತೆಯು ಇತರ MemTrax ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ನೇರ ಹೋಲಿಕೆ ಮತ್ತು/ಅಥವಾ ಏಕೀಕರಣವನ್ನು ಸಂಭಾವ್ಯವಾಗಿ ರಾಜಿ ಮಾಡಿಕೊಳ್ಳುತ್ತದೆ, ಅಲ್ಲಿ ಬಳಕೆದಾರರು ಕಂಪ್ಯೂಟರ್ ಕೀಬೋರ್ಡ್‌ನಲ್ಲಿ ಸ್ಪೇಸ್‌ಬಾರ್ ಅನ್ನು ಸ್ಪರ್ಶಿಸುವ ಮೂಲಕ ಪುನರಾವರ್ತಿತ ಚಿತ್ರಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತಾರೆ.
MemTrax ಮುನ್ಸೂಚಕ ಮಾಡೆಲಿಂಗ್ ಉಪಯುಕ್ತತೆಯ ಪ್ರಮುಖ ಅಂಶಗಳು
- • ಆಯ್ದ MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ನಮ್ಮ ಉನ್ನತ-ಕಾರ್ಯನಿರ್ವಹಣೆಯ ಮುನ್ಸೂಚಕ ಮಾದರಿಗಳು ವ್ಯಾಪಕವಾಗಿ ಗುರುತಿಸಲ್ಪಟ್ಟ MoCA ಪರೀಕ್ಷೆಯಿಂದ ಸೂಚಿಸಲ್ಪಟ್ಟಿರುವಂತೆ ಅರಿವಿನ ಆರೋಗ್ಯ ಸ್ಥಿತಿಯನ್ನು (ಸಾಮಾನ್ಯ ಅರಿವಿನ ಆರೋಗ್ಯ ಅಥವಾ MCI) ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ವರ್ಗೀಕರಿಸಬಹುದು.
- • ಈ ಫಲಿತಾಂಶಗಳು ಆಯ್ದ MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಆರಂಭಿಕ ಹಂತದ ಅರಿವಿನ ದುರ್ಬಲತೆಗಾಗಿ ವರ್ಗೀಕರಣದ ಮುನ್ಸೂಚಕ ಮಾದರಿ ಸ್ಕ್ರೀನಿಂಗ್ ಅಪ್ಲಿಕೇಶನ್‌ಗೆ ಏಕೀಕರಣವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ.
- • ನಮ್ಮ ವರ್ಗೀಕರಣ ಮಾದರಿಯು ಬುದ್ಧಿಮಾಂದ್ಯತೆಯ ರೋಗನಿರ್ಣಯದ ತೀವ್ರತೆಯನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿ MemTrax ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಸಹ ಬಹಿರಂಗಪಡಿಸಿದೆ.
ಈ ಕಾದಂಬರಿ ಸಂಶೋಧನೆಗಳು ಪರಿಣಾಮಕಾರಿ ಕ್ಲಿನಿಕಲ್ ಕೇಸ್ ಮ್ಯಾನೇಜ್‌ಮೆಂಟ್‌ನಲ್ಲಿ ರೋಗನಿರ್ಣಯದ ಬೆಂಬಲಕ್ಕಾಗಿ ವರ್ಧಿತ ದೃಢವಾದ ಮೆಮ್ಟ್ರಾಕ್ಸ್-ಆಧಾರಿತ ವರ್ಗೀಕರಣ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಉಪಯುಕ್ತತೆಯನ್ನು ಬೆಂಬಲಿಸುವ ನಿರ್ಣಾಯಕ ಪುರಾವೆಗಳನ್ನು ಸ್ಥಾಪಿಸುತ್ತವೆ ಮತ್ತು ಅರಿವಿನ ದುರ್ಬಲತೆಯನ್ನು ಅನುಭವಿಸುತ್ತಿರುವ ವ್ಯಕ್ತಿಗಳಿಗೆ ರೋಗಿಗಳ ಆರೈಕೆ.
ACKNOWLEDGMENTS
J. Wesson Ashford, Curtis B. Ashford ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳ ಕೆಲಸವನ್ನು ನಾವು ಗುರುತಿಸುತ್ತೇವೆ ಮತ್ತು ಇಲ್ಲಿ ಬಳಸಲಾದ ಆನ್ಲೈನ್ ನಿರಂತರ ಗುರುತಿಸುವಿಕೆ ಕಾರ್ಯ ಮತ್ತು ಪರಿಕರವನ್ನು (MemTrax) ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಮತ್ತು ಮೌಲ್ಯೀಕರಿಸಲು ನಾವು ಗುರುತಿಸುತ್ತೇವೆ ಮತ್ತು ನಿರ್ಣಾಯಕ ಅಡಿಪಾಯ ಸಂಶೋಧನೆಗೆ ಕೊಡುಗೆ ನೀಡಿದ ಹಲವಾರು ಬುದ್ಧಿಮಾಂದ್ಯತೆಯ ರೋಗಿಗಳಿಗೆ ನಾವು ಕೃತಜ್ಞರಾಗಿರುತ್ತೇವೆ. . ನಾವು Xianbo Zhou ಮತ್ತು SJN Biomed LTD ಯಲ್ಲಿನ ಅವರ ಸಹೋದ್ಯೋಗಿಗಳು, ಅವರ ಸಹೋದ್ಯೋಗಿಗಳು ಮತ್ತು ಆಸ್ಪತ್ರೆಗಳು/ಚಿಕಿತ್ಸಾಲಯಗಳ ಸೈಟ್‌ಗಳಲ್ಲಿನ ಸಹಯೋಗಿಗಳಿಗೆ, ವಿಶೇಷವಾಗಿ ಡಾ. M. ಲುವೋ ಮತ್ತು M. ಝಾಂಗ್, ಭಾಗವಹಿಸುವವರ ನೇಮಕಾತಿ, ಪರೀಕ್ಷೆಗಳನ್ನು ನಿಗದಿಪಡಿಸುವುದು ಮತ್ತು ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವುದು, ರೆಕಾರ್ಡಿಂಗ್ ಮಾಡುವುದು ಮತ್ತು ಮುಂಭಾಗದ ಕೊನೆಯಲ್ಲಿ ನಿರ್ವಹಿಸುವಲ್ಲಿ ಸಹಾಯ ಮಾಡಿದವರು ಮತ್ತು ಸ್ವಯಂಸೇವಕ ಭಾಗವಹಿಸುವವರು ತಮ್ಮ ಅಮೂಲ್ಯ ಸಮಯವನ್ನು ದಾನ ಮಾಡಿದರು ಮತ್ತು ಪರೀಕ್ಷೆಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಮತ್ತು ಒದಗಿಸುವ ಬದ್ಧತೆಯನ್ನು ಮಾಡಿದರು. ಈ ಅಧ್ಯಯನದಲ್ಲಿ ನಾವು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಮೌಲ್ಯಯುತ ಡೇಟಾ. ಈ ಎಮ್‌ಡಿ ಸೈಂಟಿಫಿಕ್ ರಿಸರ್ಚ್‌ನಿಂದ ಅಧ್ಯಯನವು ಭಾಗಶಃ ಬೆಂಬಲಿತವಾಗಿದೆ ಕುನ್ಮಿಂಗ್ ವೈದ್ಯಕೀಯ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಕಾರ್ಯಕ್ರಮ (ಗ್ರಾಂಟ್ ಸಂಖ್ಯೆ. 2017BS028 ರಿಂದ XL) ಮತ್ತು ಯುನ್ನಾನ್ ವಿಜ್ಞಾನ ಮತ್ತು ತಂತ್ರಜ್ಞಾನ ವಿಭಾಗದ ಸಂಶೋಧನಾ ಕಾರ್ಯಕ್ರಮ (ಗ್ರಾಂಟ್ ಸಂಖ್ಯೆ. 2019FE001 (-222) ರಿಂದ XL).
ಜೆ. ವೆಸ್ಸನ್ ಆಶ್ಫೋರ್ಡ್ ಅವರು ಸಾಮಾನ್ಯಕ್ಕಾಗಿ ಈ ಪತ್ರಿಕೆಯಲ್ಲಿ ವಿವರಿಸಿದ ನಿರ್ದಿಷ್ಟ ನಿರಂತರ ಗುರುತಿಸುವಿಕೆ ಮಾದರಿಯ ಬಳಕೆಗಾಗಿ ಪೇಟೆಂಟ್ ಅರ್ಜಿಯನ್ನು ಸಲ್ಲಿಸಿದ್ದಾರೆ. ಮೆಮೊರಿ ಪರೀಕ್ಷೆ.
MemTrax, LLC ಕರ್ಟಿಸ್ ಆಶ್ಫೋರ್ಡ್ ಒಡೆತನದ ಕಂಪನಿಯಾಗಿದೆ ಮತ್ತು ಈ ಕಂಪನಿಯು ನಿರ್ವಹಿಸುತ್ತಿದೆ ಮೆಮೊರಿ ಪರೀಕ್ಷೆ ಈ ಲೇಖನದಲ್ಲಿ ವಿವರಿಸಿದ ವ್ಯವಸ್ಥೆ.
ಲೇಖಕರ ಬಹಿರಂಗಪಡಿಸುವಿಕೆಗಳು ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ ಲಭ್ಯವಿದೆ (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
ಉಲ್ಲೇಖಗಳು
| [1] ಆಲ್ಝೈಮರ್ನ ಅಸೋಸಿಯೇಷನ್ (2016) 2016 ಆಲ್ಝೈಮರ್ನ ಕಾಯಿಲೆಯ ಸಂಗತಿಗಳು ಮತ್ತು ಅಂಕಿಅಂಶಗಳು. ಆಲ್ಝೈಮರ್ಸ್ ಡಿಮೆಂಟ್ 12, 459–509. | |
| [2] ಗ್ರೆಸೆನ್ಜ್ ಸಿಆರ್, ಮಿಚೆಲ್ ಜೆಎಂ, ಮರ್ರೋನ್ ಜೆ, ಫೆಡೆರಾಫ್ ಎಚ್ಜೆ (2019) ಆರಂಭಿಕ ಹಂತದ ಪರಿಣಾಮ ಆಲ್ಝೈಮರ್ನ ಕಾಯಿಲೆಯ ಮನೆಯ ಆರ್ಥಿಕ ಫಲಿತಾಂಶಗಳ ಮೇಲೆ. ಹೆಲ್ತ್ ಇಕಾನ್ 29, 18–29. | |
| [3] | ಫಾಸ್ಟರ್ 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) ಗುಣಮಟ್ಟ ಸುಧಾರಣೆ ನರವಿಜ್ಞಾನ: ಸೌಮ್ಯವಾದ ಅರಿವಿನ ದುರ್ಬಲತೆ ಗುಣಮಟ್ಟದ ಮಾಪನ ಸೆಟ್. ನರವಿಜ್ಞಾನ 93, 705–713. |
| [4] ಟಾಂಗ್ ಟಿ , ಥೋಕಲಾ ಪಿ , ಮೆಕ್‌ಮಿಲನ್ ಬಿ , ಘೋಷ್ ಆರ್ , ಬ್ರೆಜಿಯರ್ ಜೆ (2017) ಬಳಕೆಯ ವೆಚ್ಚದ ಪರಿಣಾಮಕಾರಿತ್ವ ಪ್ರಾಥಮಿಕ ಆರೈಕೆಯಲ್ಲಿ ಬುದ್ಧಿಮಾಂದ್ಯತೆ ಮತ್ತು ಸೌಮ್ಯವಾದ ಅರಿವಿನ ದುರ್ಬಲತೆಯನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಅರಿವಿನ ಸ್ಕ್ರೀನಿಂಗ್ ಪರೀಕ್ಷೆಗಳು. ಇಂಟ್ ಜೆ ಜೆರಿಯಾಟರ್ ಸೈಕಿಯಾಟ್ರಿ 32, 1392–1400. | |
| [5] ಆಶ್ಫೋರ್ಡ್ JW , ಗೆರೆ E , ಬೇಲಿ PJ (2011) ಮೆಮೊರಿಯನ್ನು ಅಳೆಯುವುದು ನಿರಂತರ ಗುರುತಿಸುವಿಕೆ ಪರೀಕ್ಷೆಯನ್ನು ಬಳಸಿಕೊಂಡು ದೊಡ್ಡ ಗುಂಪಿನ ಸೆಟ್ಟಿಂಗ್‌ಗಳಲ್ಲಿ. ಜೆ ಆಲ್ಝೈಮರ್ಸ್ ಡಿಸ್ 27, 885–895. | |
| [6] | ಆಶ್ಫೋರ್ಡ್ ಜೆಡಬ್ಲ್ಯೂ, ಟಾರ್ಪಿನ್-ಬರ್ನಾರ್ಡ್ ಎಫ್, ಆಶ್ಫೋರ್ಡ್ ಸಿಬಿ, ಆಶ್ಫೋರ್ಡ್ ಎಂಟಿ (2019) ಎಪಿಸೋಡಿಕ್ ಮೆಮೊರಿಯ ಮಾಪನಕ್ಕಾಗಿ ಗಣಕೀಕೃತ ನಿರಂತರ-ಗುರುತಿಸುವಿಕೆಯ ಕಾರ್ಯ. ಜೆ ಆಲ್ಝೈಮರ್ಸ್ ಡಿಸ್ 69, 385–399. |
| [7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) ಅರಿವಿನ ಆರೋಗ್ಯ ಸ್ಥಿತಿ ವರ್ಗೀಕರಣವನ್ನು ಊಹಿಸಲು ಯಂತ್ರ ಕಲಿಕೆ ಮಾಡೆಲಿಂಗ್ನಲ್ಲಿ ಎಪಿಸೋಡಿಕ್-ಮೆಮೊರಿ ಕಾರ್ಯಕ್ಷಮತೆ. ಜೆ ಅಲ್ಝೈಮರ್ಸ್ ಡಿಸ್ 70, 277–286. |
| [8] ವ್ಯಾನ್ ಡೆರ್ ಹೋಕ್ ಎಂಡಿ, ನಿಯುವೆನ್‌ಹುಯಿಜೆನ್ ಎ, ಕೀಜರ್ ಜೆ, ಆಶ್ಫೋರ್ಡ್ ಜೆಡಬ್ಲ್ಯೂ (2019) ದಿ ಮೆಮ್ಟ್ರಾಕ್ಸ್ ಪರೀಕ್ಷೆ ಸೌಮ್ಯವಾದ ಅರಿವಿನ ದುರ್ಬಲತೆಯ ಮಾಂಟ್ರಿಯಲ್ ಅರಿವಿನ ಮೌಲ್ಯಮಾಪನದ ಅಂದಾಜುಗೆ ಹೋಲಿಸಿದರೆ. ಜೆ ಆಲ್ಝೈಮರ್ಸ್ ಡಿಸ್ 67, 1045–1054. | |
| [9] | Falcone M , Yadav N , Poellabauer C , Flynn P (2013) ಸೌಮ್ಯವಾದ ಆಘಾತಕಾರಿ ಮಿದುಳಿನ ಗಾಯದ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಪ್ರತ್ಯೇಕ ಸ್ವರ ಶಬ್ದಗಳನ್ನು ಬಳಸುವುದು. 2013 ರಲ್ಲಿ IEEE ಇಂಟರ್ನ್ಯಾಷನಲ್ ಕಾನ್ಫರೆನ್ಸ್ ಆನ್ ಅಕೌಸ್ಟಿಕ್ಸ್, ಸ್ಪೀಚ್ ಮತ್ತು ಸಿಗ್ನಲ್ ಪ್ರೊಸೆಸಿಂಗ್, ವ್ಯಾಂಕೋವರ್, BC, pp. 7577–7581. |
| [10] | Dabek F , Caban JJ (2015) ಕನ್ಕ್ಯುಶನ್ ನಂತರ ಮಾನಸಿಕ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಸಾಧ್ಯತೆಯನ್ನು ರೂಪಿಸಲು ದೊಡ್ಡ ಡೇಟಾವನ್ನು ನಿಯಂತ್ರಿಸುವುದು. ಪ್ರೊಸೆಡಿಯಾ ಕಂಪ್ಯೂಟ್ ಸೈ 53, 265–273. |
| [11] | Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , ಮೊರೆನೊ L (2018) ಸಮುದಾಯ ಔಷಧಿಕಾರರಿಂದ ಅರಿವಿನ ದುರ್ಬಲತೆಯನ್ನು ಮೊದಲೇ ಪತ್ತೆಹಚ್ಚಲು ನಿರ್ಧಾರ ವೃಕ್ಷ. ಫ್ರಂಟ್ ಫಾರ್ಮಾಕೋಲ್ 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: ಸೌಮ್ಯವಾದ ಅರಿವಿನ ದುರ್ಬಲತೆಗಾಗಿ ಸಂಕ್ಷಿಪ್ತ ಸ್ಕ್ರೀನಿಂಗ್ ಟೂಲ್. ಜೆ ಆಮ್ ಜೆರಿಯಾಟರ್ ಸೊಕ್ 53, 695–699. |
| [13] | Yu J , Li J , Huang X (2012) ಸೌಮ್ಯವಾದ ಅರಿವಿನ ದುರ್ಬಲತೆಗಾಗಿ ಸಂಕ್ಷಿಪ್ತ ಸ್ಕ್ರೀನಿಂಗ್ ಸಾಧನವಾಗಿ ಮಾಂಟ್ರಿಯಲ್ ಅರಿವಿನ ಮೌಲ್ಯಮಾಪನದ ಬೀಜಿಂಗ್ ಆವೃತ್ತಿ: ಸಮುದಾಯ-ಆಧಾರಿತ ಅಧ್ಯಯನ. BMC ಸೈಕಿಯಾಟ್ರಿ 12, 156. |
| [14] | Chen KL, Xu Y, Chu AQ, Ding D, Liang XN, Nasreddine ZS, Dong Q, Hong Z, Zhao QH, Guo QH (2016) ಮಾಂಟ್ರಿಯಲ್‌ನ ಚೀನೀ ಆವೃತ್ತಿಯ ಮೌಲಿಕೀಕರಣವು ಸೌಮ್ಯವಾದ ಅರಿವಿನ ದೌರ್ಬಲ್ಯವನ್ನು ಪರೀಕ್ಷಿಸಲು ಮೂಲ ಅರಿವಿನ ಮೌಲ್ಯಮಾಪನ. ಜೆ ಆಮ್ ಜೆರಿಯಾಟರ್ Soc 64, e285–e290. |
| [15] | ಕಾರ್ಸನ್ ಎನ್ , ಲೀಚ್ ಎಲ್ , ಮರ್ಫಿ ಕೆಜೆ (2018) ಮಾಂಟ್ರಿಯಲ್ ಕಾಗ್ನಿಟಿವ್ ಅಸೆಸ್ಮೆಂಟ್ (MoCA) ಕಟ್ಆಫ್ ಸ್ಕೋರ್‌ಗಳ ಮರು ಪರೀಕ್ಷೆ. ಇಂಟ್ ಜೆ ಜೆರಿಯಾಟರ್ ಸೈಕಿಯಾಟ್ರಿ 33, 379–388. |
| [16] | ಅಮೇರಿಕನ್ ಸೈಕಿಯಾಟ್ರಿಕ್ ಅಸೋಸಿಯೇಷನ್ (2013) ಟಾಸ್ಕ್ ಫೋರ್ಸ್ ಮಾನಸಿಕ ಅಸ್ವಸ್ಥತೆಗಳ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಅಂಕಿಅಂಶಗಳ ಕೈಪಿಡಿ: DSM-5™, ಅಮೇರಿಕನ್ ಸೈಕಿಯಾಟ್ರಿಕ್ ಪಬ್ಲಿಷಿಂಗ್, Inc., ವಾಷಿಂಗ್ಟನ್, DC. |
| [17] | ಹೆಬ್ಬಾವು. ಪೈಥಾನ್ ಸಾಫ್ಟ್‌ವೇರ್ ಫೌಂಡೇಶನ್, http://www.python.org, ನವೆಂಬರ್ 15, 2019 ರಂದು ಪ್ರವೇಶಿಸಲಾಗಿದೆ. |
| [18] | ಆರ್ ಕೋರ್ ಗ್ರೂಪ್, ಆರ್: ಸ್ಟ್ಯಾಟಿಸ್ಟಿಕಲ್ ಕಂಪ್ಯೂಟಿಂಗ್‌ಗೆ ಭಾಷೆ ಮತ್ತು ಪರಿಸರ ಆರ್ ಫೌಂಡೇಶನ್ ಫಾರ್ ಸ್ಟ್ಯಾಟಿಸ್ಟಿಕಲ್ ಕಂಪ್ಯೂಟಿಂಗ್, ವಿಯೆನ್ನಾ, ಆಸ್ಟ್ರಿಯಾ. https://www.R-project.org/, 2018, ನವೆಂಬರ್ 15, 2019 ರಂದು ಪ್ರವೇಶಿಸಲಾಗಿದೆ. |
| [19] | ಬೆನಾವೊಲಿ ಎ , ಕೊರಾನಿ ಜಿ , ಡೆಮಾರ್ ಜೆ , ಝಫಲೋನ್ ಎಂ (2017) ಬದಲಾವಣೆಗಾಗಿ ಸಮಯ: ಬಯೆಸಿಯನ್ ವಿಶ್ಲೇಷಣೆಯ ಮೂಲಕ ಬಹು ವರ್ಗೀಕರಣಗಳನ್ನು ಹೋಲಿಸಲು ಒಂದು ಟ್ಯುಟೋರಿಯಲ್. ಜೆ ಮ್ಯಾಕ್ ಲರ್ನ್ ರೆಸ್ 18, 1–36. |
| [20] | ಫ್ರಾಂಕ್ ಇ , ಹಾಲ್ MA , ವಿಟ್ಟನ್ IH (2016) ದಿ WEKA ವರ್ಕ್‌ಬೆಂಚ್. ರಲ್ಲಿ ಡೇಟಾ ಮೈನಿಂಗ್: ಪ್ರಾಕ್ಟಿಕಲ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಟೂಲ್ಸ್ ಮತ್ತು ಟೆಕ್ನಿಕ್ಸ್, ಫ್ರಾಂಕ್ ಇ, ಹಾಲ್ MA, ವಿಟ್ಟನ್ IH, ಪಾಲ್ CJ, eds. ಮಾರ್ಗನ್ ಕೌಫ್ಮನ್ 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) ಹೈಸ್ಕೂಲ್ ಕ್ರೀಡಾ ಕನ್ಕ್ಯುಶನ್ ರೋಗಲಕ್ಷಣದ ಪರಿಹಾರವನ್ನು ಮಾಡೆಲಿಂಗ್ನಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆ. ಮೆಡ್ ಸೈ ಸ್ಪೋರ್ಟ್ಸ್ ಎಕ್ಸರ್ಕ್ 51, 1362–1371. |
| [22] | ವ್ಯಾನ್ ಹಲ್ಸ್ ಜೆ , ಖೋಶ್ಗೋಫ್ತಾರ್ TM , Napolitano A (2007) ಅಸಮತೋಲಿತ ಡೇಟಾದಿಂದ ಕಲಿಕೆಯ ಪ್ರಾಯೋಗಿಕ ದೃಷ್ಟಿಕೋನಗಳು. ರಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ 24 ನೇ ಅಂತರರಾಷ್ಟ್ರೀಯ ಸಮ್ಮೇಳನದ ಪ್ರಕ್ರಿಯೆಗಳು, ಕೊರ್ವಾಲಿಸ್, ಒರೆಗಾನ್, USA, ಪುಟಗಳು 935-942. |
| [23] | ಆಶ್ಫೋರ್ಡ್ ಜೆಡಬ್ಲ್ಯೂ, ಕೋಲ್ಮ್ ಪಿ, ಕೊಲಿವರ್ ಜೆಎ, ಬೆಕಿಯಾನ್ ಸಿ, ಎಚ್‌ಎಸ್‌ಯು ಎಲ್‌ಎನ್ (1989) ಆಲ್ಝೈಮರ್ ರೋಗಿಯ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಮಿನಿ-ಮಾನಸಿಕ ಸ್ಥಿತಿ: ಐಟಂ ಗುಣಲಕ್ಷಣದ ಕರ್ವ್ ವಿಶ್ಲೇಷಣೆ.ಪಿ. ಜೆ ಜೆರೊಂಟೊಲ್ 44, 139–146. |
| [24] ಆಶ್ಫೋರ್ಡ್ JW , ಜಾರ್ವಿಕ್ ಎಲ್ (1985) ಆಲ್ಝೈಮರ್ನ ಕಾಯಿಲೆ: ನ್ಯೂರಾನ್ ಪ್ಲಾಸ್ಟಿಟಿಯು ಆಕ್ಸಾನಲ್ ನ್ಯೂರೋಫಿಬ್ರಿಲರಿ ಡಿಜೆನರೇಶನ್‌ಗೆ ಮುಂದಾಗುತ್ತದೆಯೇ? ಎನ್ ಇಂಗ್ಲ್ ಜೆ ಮೆಡ್ 313, 388–389. | |
| [25] ಜ್ಯಾಕ್ ಸಿಆರ್ ಜೂನಿಯರ್, ಥರ್ನ್ಯೂ ಟಿಎಮ್, ವೈಗಾಂಡ್ ಎಸ್‌ಡಿ, ವಿಸ್ಟೆ ಎಚ್ಜೆ, ನಾಪ್‌ಮ್ಯಾನ್ ಡಿಎಸ್, ವೆಮುರಿ ಪಿ, ಲೊವೆ ವಿಜೆ, ಮೈಲ್ಕೆ ಎಂಎಂ, ರಾಬರ್ಟ್ಸ್ ಆರ್‌ಒ, ಮಚುಲ್ಡಾ ಎಂಎಂ, ಗ್ರಾಫ್-ರಾಡ್‌ಫೋರ್ಡ್ ಜೆ, ಜೋನ್ಸ್ ಡಿಟಿ, ಸ್ಚ್ವಾರ್ ಸಿಜಿಎಲ್, ಸ್ಕ್ವಾರ್ ಜೆಎಂಎಲ್ , Rocca WA , ಪೀಟರ್ಸನ್ RC (2019) ವಯಸ್ಸಾದ-ಆಲ್ಝೈಮರ್ನ ರಾಷ್ಟ್ರೀಯ ಸಂಸ್ಥೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಜೈವಿಕವಾಗಿ vs ಪ್ರಾಯೋಗಿಕವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ಆಲ್ಝೈಮರ್ ಸ್ಪೆಕ್ಟ್ರಮ್ ಘಟಕಗಳ ಹರಡುವಿಕೆ ಅಸೋಸಿಯೇಷನ್ ರಿಸರ್ಚ್ ಚೌಕಟ್ಟು. JAMA ನ್ಯೂರೋಲ್ 76, 1174–1183. | |
| [26] ಝೌ ಎಕ್ಸ್, ಆಶ್ಫೋರ್ಡ್ ಜೆಡಬ್ಲ್ಯೂ (2019) ಸ್ಕ್ರೀನಿಂಗ್ ಉಪಕರಣಗಳಲ್ಲಿ ಪ್ರಗತಿ ಆಲ್ಝೈಮರ್ನ ಕಾಯಿಲೆಯ. ಏಜಿಂಗ್ ಮೆಡ್ 2, 88–93. | |
| [27] ವೀನರ್ MW , ನೊಶೆನಿ R , ಕ್ಯಾಮಾಚೊ M , ಟ್ರುರಾನ್-ಸೇಕ್ರೆ D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) ದಿ ಮಿದುಳಿನ ಆರೋಗ್ಯ ರಿಜಿಸ್ಟ್ರಿ: ನರವಿಜ್ಞಾನ ಅಧ್ಯಯನಕ್ಕಾಗಿ ಭಾಗವಹಿಸುವವರ ನೇಮಕಾತಿ, ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ರೇಖಾಂಶದ ಮೇಲ್ವಿಚಾರಣೆಗಾಗಿ ಅಂತರ್ಜಾಲ ಆಧಾರಿತ ವೇದಿಕೆ. ಆಲ್ಝೈಮರ್ಸ್ ಡಿಮೆಂಟ್ 14, 1063–1076. | |
| [28] ಆಶ್ಫೋರ್ಡ್ JW , ಸ್ಮಿತ್ FA (2001) ಮಾಡೆಲಿಂಗ್ ದಿ ಟೈಮ್-ಕೋರ್ಸ್ ಆಲ್ಝೈಮರ್ ಬುದ್ಧಿಮಾಂದ್ಯತೆ. ಕರ್ರ್ ಸೈಕಿಯಾಟ್ರಿ ರೆಪ್ 3, 20–28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) ಅರಿವಿನ ಕುಸಿತದ ಮೇಲೆ ಸಿನೋ ಉದ್ದದ ಅಧ್ಯಯನ (SILCODE): ವ್ಯಕ್ತಿನಿಷ್ಠ ಅರಿವಿನ ದುರ್ಬಲತೆ ಹೊಂದಿರುವ ವ್ಯಕ್ತಿಗಳಲ್ಲಿ ಸೌಮ್ಯವಾದ ಅರಿವಿನ ದುರ್ಬಲತೆಗೆ ಪರಿವರ್ತನೆಯ ಅಪಾಯದ ಮುನ್ಸೂಚನೆಯ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಚೀನೀ ಉದ್ದದ ವೀಕ್ಷಣಾ ಅಧ್ಯಯನಕ್ಕಾಗಿ ಪ್ರೋಟೋಕಾಲ್ ಅವನತಿ. BMJ ಓಪನ್ 9, e028188. |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) ಐದು ವರ್ಷಗಳ ಬಯೋಮಾರ್ಕರ್ ಪ್ರಗತಿಯ ವ್ಯತ್ಯಾಸ ಆಲ್ಝೈಮರ್ನ ಕಾಯಿಲೆ ಬುದ್ಧಿಮಾಂದ್ಯತೆ ಭವಿಷ್ಯ: ದೈನಂದಿನ ಜೀವನ ಮಾರ್ಕರ್‌ನ ಸಂಕೀರ್ಣ ವಾದ್ಯ ಚಟುವಟಿಕೆಗಳು ಅಂತರವನ್ನು ತುಂಬಬಹುದೇ? ಆಲ್ಝೈಮರ್ಸ್ ಡಿಮೆಂಟ್ (ಆಮ್ಸ್ಟ್) 1, 521–532. | |
| [31] ಮೆಕ್‌ಗುರಾನ್ ಎಚ್, ಗ್ಲೆನ್ ಜೆಎಂ, ಮಡೆರೊ ಇಎನ್, ಬಾಟ್ ಎನ್‌ಟಿ (2019) ಆಲ್ಝೈಮರ್ನ ಕಾಯಿಲೆಯ ತಡೆಗಟ್ಟುವಿಕೆ ಮತ್ತು ಚಿಕಿತ್ಸೆ: ವ್ಯಾಯಾಮದ ಜೈವಿಕ ಕಾರ್ಯವಿಧಾನಗಳು. ಜೆ ಆಲ್ಝೈಮರ್ಸ್ ಡಿಸ್ 69, 311–338. | |
| [32] ಮೆಂಡಿಯೋಲಾ-ಪ್ರಿಕೋಮಾ ಜೆ, ಬೆರುಮೆನ್ ಎಲ್ಸಿ, ಪಡಿಲ್ಲಾ ಕೆ, ಗಾರ್ಸಿಯಾ-ಅಲ್ಕೋಸರ್ ಜಿ (2016) ಚಿಕಿತ್ಸೆಗಳು ಆಲ್ಝೈಮರ್ನ ಕಾಯಿಲೆಯ ತಡೆಗಟ್ಟುವಿಕೆ ಮತ್ತು ಚಿಕಿತ್ಸೆ. ಬಯೋಮೆಡ್ ರೆಸ್ ಇಂಟ್ 2016, 2589276. | |
| [33] | ಲೇನ್ CA, ಬಾರ್ನೆಸ್ J, ನಿಕೋಲಸ್ JM, Sudre CH, ನಗದು DM, ಮ್ಯಾಲೋನ್ IB, ಪಾರ್ಕರ್ TD, ಕೇಶವನ್ A, ಬುಕಾನನ್ SM, Keuss SE, ಜೇಮ್ಸ್ SN, ಲು K, ಮುರ್ರೆ-ಸ್ಮಿತ್ H, ವಾಂಗ್ A, ಗಾರ್ಡನ್ E, ಕೋಥ್ W ಮೊಡಾಟ್ ಎಂ, ಥಾಮಸ್ ಡಿ, ರಿಚರ್ಡ್ಸ್ ಎಂ, ಫಾಕ್ಸ್ ಎನ್‌ಸಿ, ಸ್ಕಾಟ್ ಜೆಎಂ (2020) ಪ್ರೌಢಾವಸ್ಥೆಯಲ್ಲಿ ನಾಳೀಯ ಅಪಾಯ ಮತ್ತು ಕೊನೆಯಲ್ಲಿ ಜೀವನದಲ್ಲಿ ಮೆದುಳಿನ ರೋಗಶಾಸ್ತ್ರದ ನಡುವಿನ ಸಂಬಂಧಗಳು: ಬ್ರಿಟಿಷ್ ಜನ್ಮ ಸಮೂಹದಿಂದ ಸಾಕ್ಷ್ಯ. JAMA ನ್ಯೂರೋಲ್ 77, 175–183. |
| [34] | ಶೇಷಾದ್ರಿ ಎಸ್ (2020) ವಯಸ್ಸು ಮತ್ತು ಅಮಿಲಾಯ್ಡ್ ಬಾಕ್ಸ್‌ಗಳನ್ನು ಮೀರಿದ ಬುದ್ಧಿಮಾಂದ್ಯತೆ-ಚಿಂತನೆಯ ತಡೆಗಟ್ಟುವಿಕೆ. JAMA ನ್ಯೂರೋಲ್ 77, 160–161. |
| [35] | ಮೈಲಾರ್ಡ್ ಪಿ , ಶೇಷಾದ್ರಿ ಎಸ್ , ಬೀಸರ್ ಎ , ಹಿಮಾಲಿ ಜೆಜೆ , ಔ ಆರ್ , ಫ್ಲೆಚರ್ ಇ , ಕಾರ್ಮೈಕಲ್ ಒ , ವುಲ್ಫ್ ಪಿಎ , ಡಿಕಾರ್ಲಿ ಸಿ (2012) ಯುವ ವಯಸ್ಕರಲ್ಲಿ ಬಿಳಿ-ದ್ರವ್ಯದ ಸಮಗ್ರತೆಯ ಮೇಲೆ ಸಂಕೋಚನದ ರಕ್ತದೊತ್ತಡದ ಪರಿಣಾಮಗಳು: ಫ್ರೇಮಿಂಗ್ಹ್ಯಾಮ್ ಎ ಕ್ರಾಸ್ ಹಾರ್ಟ್ ಸ್ಟಡಿ - ವಿಭಾಗೀಯ ಅಧ್ಯಯನ. ಲ್ಯಾನ್ಸೆಟ್ ನ್ಯೂರೋಲ್ 11, 1039–1047. |
| [36] ಫಿಂಕ್ HA , ಲಿನ್ಸ್‌ಕೆನ್ಸ್ EJ , ಸಿಲ್ವರ್‌ಮ್ಯಾನ್ PC , ಮೆಕ್‌ಕಾರ್ಟನ್ JR , ಹೆಮ್ಮಿ LS , Ouellette JM , ಗ್ರೀರ್ NL , ವಿಲ್ಟ್ TJ , ಬಟ್ಲರ್ M (2020) ನರರೋಗಶಾಸ್ತ್ರೀಯವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ಬಯೋಮಾರ್ಕರ್ ಪರೀಕ್ಷೆಯ ನಿಖರತೆ ಬುದ್ಧಿಮಾಂದ್ಯತೆಯೊಂದಿಗೆ ವಯಸ್ಸಾದ ವಯಸ್ಕರಲ್ಲಿ ಆಲ್ಝೈಮರ್ ಕಾಯಿಲೆ. ಆನ್ ಇಂಟರ್ನ್ ಮೆಡ್ 172, 669–677. |
ಅಂಗಸಂಸ್ಥೆಗಳು: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] ಕಂಪ್ಯೂಟರ್ ಮತ್ತು ಎಲೆಕ್ಟ್ರಿಕಲ್ ಇಂಜಿನಿಯರಿಂಗ್ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್ ವಿಭಾಗ, ಫ್ಲೋರಿಡಾ ಅಟ್ಲಾಂಟಿಕ್ ವಿಶ್ವವಿದ್ಯಾಲಯ, ಬೊಕಾ ರಾಟನ್, FL, USA | [ಸಿ] SJN ಬಯೋಮೆಡ್ LTD, ಕುನ್ಮಿಂಗ್, ಯುನ್ನಾನ್, ಚೀನಾ | [ಡಿ] ಕೇಂದ್ರ ಆಲ್ಝೈಮರ್ನ ಸಂಶೋಧನೆ, ವಾಷಿಂಗ್ಟನ್ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ ಆಫ್ ಕ್ಲಿನಿಕಲ್ ರಿಸರ್ಚ್, ವಾಷಿಂಗ್ಟನ್, DC, USA | [ಇ] ಪುನರ್ವಸತಿ ಔಷಧ ವಿಭಾಗ, ಕುನ್ಮಿಂಗ್ ವೈದ್ಯಕೀಯ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಮೊದಲ ಸಂಯೋಜಿತ ಆಸ್ಪತ್ರೆ, ಕುನ್ಮಿಂಗ್, ಯುನ್ನಾನ್, ಚೀನಾ | [f] ನರವಿಜ್ಞಾನ ವಿಭಾಗ, ಡೆಹಾಂಗ್ ಪೀಪಲ್ಸ್ ಆಸ್ಪತ್ರೆ, ಡೆಹಾಂಗ್, ಯುನ್ನಾನ್, ಚೀನಾ | [g] ನರವಿಜ್ಞಾನ ವಿಭಾಗ, ಕುನ್ಮಿಂಗ್ ವೈದ್ಯಕೀಯ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಮೊದಲ ಸಂಯೋಜಿತ ಆಸ್ಪತ್ರೆ, ವುಹುವಾ ಜಿಲ್ಲೆ, ಕುನ್ಮಿಂಗ್, ಯುನ್ನಾನ್ ಪ್ರಾಂತ್ಯ, ಚೀನಾ | [h] ಯುದ್ಧ-ಸಂಬಂಧಿತ ಅನಾರೋಗ್ಯ ಮತ್ತು ಗಾಯದ ಅಧ್ಯಯನ ಕೇಂದ್ರ, VA ಪಾಲೊ ಆಲ್ಟೊ ಆರೋಗ್ಯ ಸಿಸ್ಟಂ, ಪಾಲೋ ಆಲ್ಟೋ, CA, USA | [i] ಸೈಕಿಯಾಟ್ರಿ ಮತ್ತು ಬಿಹೇವಿಯರಲ್ ಸೈನ್ಸಸ್ ವಿಭಾಗ, ಸ್ಟ್ಯಾನ್‌ಫೋರ್ಡ್ ಯೂನಿವರ್ಸಿಟಿ ಸ್ಕೂಲ್ ಆಫ್ ಮೆಡಿಸಿನ್, ಪಾಲೊ ಆಲ್ಟೊ, CA, USA
ಪತ್ರವ್ಯವಹಾರ: [*] ಇದಕ್ಕೆ ಪತ್ರವ್ಯವಹಾರ: ಮೈಕೆಲ್ ಎಫ್. ಬರ್ಗೆರಾನ್, ಪಿಎಚ್‌ಡಿ, ಎಫ್‌ಎಸಿಎಸ್‌ಎಂ, ಸಿವೊಟೆಕ್ ಅನಾಲಿಟಿಕ್ಸ್, ಬೊಕಾ ರಾಟನ್ ಇನ್ನೋವೇಶನ್ ಕ್ಯಾಂಪಸ್, 4800 ಟಿ-ರೆಕ್ಸ್ ಅವೆನ್ಯೂ, ಸೂಟ್ 315, ಬೊಕಾ ರಾಟನ್, ಎಫ್‌ಎಲ್ 33431, ಯುಎಸ್‌ಎ. ಇ-ಮೇಲ್: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, ನರವಿಜ್ಞಾನ ವಿಭಾಗ, ಕುನ್ಮಿಂಗ್ ವೈದ್ಯಕೀಯ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಮೊದಲ ಸಂಯೋಜಿತ ಆಸ್ಪತ್ರೆ, 295 ಕ್ಸಿಚಾಂಗ್ ರಸ್ತೆ, ವುಹುವಾ ಜಿಲ್ಲೆ, ಕುನ್ಮಿಂಗ್, ಯುನ್ನಾನ್ ಪ್ರಾಂತ್ಯ 650032, ಚೀನಾ. ಇಮೇಲ್: ring@vip.163.com.
ಕೀವರ್ಡ್ಗಳು: ವಯಸ್ಸಾದ, ಆಲ್ಝೈಮರ್ನ ಕಾಯಿಲೆಯ, ಬುದ್ಧಿಮಾಂದ್ಯತೆ, ಸಾಮೂಹಿಕ ತಪಾಸಣೆ