경도인지 장애 분류에서 MemTrax 및 기계 학습 모델링의 유용성

연구 자료

저자: Bergeron, Michael F. | Landset, 사라 | 저우, 셴보 | 딩타오 | Khoshgoftaar, Taghi M. | 자오, 펑 | 두보 | 첸, 신지에 | 왕 쑤언 | 중, 롄메이 | 류 샤오레이| 애쉬포드, J. 웨슨

DOI: 10.3233/JAD-191340

저널: 저널 오브 알츠하이머 병, vol. 77, 아니요 4, pp. 1545-1558, 2020

추상

배경:

광범위한 발병률과 유병률 알츠하이머 병 경미한 인지 장애(MCI)로 인해 조기 발견 인지 검사 및 평가를 검증하기 위한 긴급한 연구가 필요했습니다.

목표:

우리의 주요 연구 목표는 선택된 MemTrax 성능 메트릭, 관련 인구 통계 및 건강 프로필 특성이 인지 건강(정상 대 MCI)을 분류하기 위해 기계 학습으로 개발된 예측 모델에서 효과적으로 활용될 수 있는지 확인하는 것이었습니다. 몬트리올인지 평가 (모카).

행동 양식:

신경과, 기억 클리닉, 내과 성인 환자 259명을 대상으로 단면 연구를 실시했습니다. 중국의 병원. 각 환자에게 중국어 MoCA를 제공하고 연속 인식 MemTrax 온라인 에피소드를 자가 관리했습니다. 메모리 테스트 온라인 같은 날에. 예측 분류 모델은 10겹 교차 검증이 포함된 기계 학습을 사용하여 구축되었으며 모델 성능은 AUC(Area Under Receiver Operating Characteristic Curve)를 사용하여 측정되었습니다. 모델은 XNUMX개의 일반적인 인구 통계 및 개인 기록 기능과 함께 XNUMX개의 MemTrax 성능 메트릭(정확률, 응답 시간)을 사용하여 구축되었습니다.

결과 :

MoCA 점수와 임계값의 선택된 조합에 걸쳐 학습자를 비교한 결과 Naïve Bayes는 일반적으로 0.9093의 전체 분류 성능으로 최고의 학습자였습니다. 또한 상위 0.9119명의 학습자 중 MemTrax 기반 분류 성능은 10개의 공통 기능(0.8999)을 모두 사용하는 것보다 상위 XNUMX개의 기능(XNUMX)만 사용하여 전반적으로 우수했습니다.

결론 :

기계 학습 분류 예측 모델에서 MemTrax 성능을 효과적으로 활용할 수 있습니다. 인지장애 조기발견을 위한 스크리닝 어플리케이션.

소개

인지된(과소진단되었지만) 광범위한 발생률 및 유병률과 동시에 증가하는 의료, 사회 및 대중 건강 알츠하이머병(AD) 및 경미한 인지 장애(MCI)의 비용과 부담은 모든 이해관계자에게 점점 부담이 되고 있습니다[1, 2]. 이 고통스럽고 급성장하는 시나리오는 유효성을 검증하기 위한 연구에 대한 긴급한 요청을 촉발했습니다. 조기 발견 다양한 지역과 인구에 걸쳐 노인 환자를 위한 개인 및 임상 환경에서 정기적으로 실용적으로 사용하기 위한 인지 선별 및 평가 도구[3]. 이러한 도구는 정보 결과를 전자 건강 기록으로 원활하게 변환할 수 있도록 제공해야 합니다. 이점은 환자에게 알리고 의사가 중요한 변화를 조기에 인식하도록 지원함으로써 실현될 것이며 따라서 경험을 시작하는 사람들을 위한 적절한 개인화되고 보다 비용 효율적인 치료 및 환자 관리를 보다 신속하고 시기 적절하게 계층화, 구현 및 추적할 수 있습니다. 인지 기능 저하 [3, 4].

컴퓨터화된 MemTrax 도구(https://memtrax.com)는 사용자가 초기 프레젠테이션이 아닌 반복되는 이미지에 반응하는 까다로운 시간 제한 에피소드 메모리 성능을 측정하기 위해 온라인에서 자가 관리할 수 있는 간단하고 간단한 연속 인식 평가입니다[5, 6]. 최근 연구와 그로 인한 실제적 의미는 초기 AD 및 MCI 스크리닝에서 MemTrax의 임상적 효능을 점진적으로 그리고 집합적으로 입증하기 시작했습니다[5-7]. 그러나 임상적 유용성을 기존과 직접 비교 인지 건강 평가 및 기존 표준은 전문적인 관점을 알리고 조기 발견 및 진단 지원에서 MemTrax 유틸리티를 확증하기 위해 보증됩니다. van der Hoek et al. [8] 선택된 MemTrax 성능 지표(반응 속도 및 정답률)를 몬트리올에서 결정한 인지 상태와 비교했습니다. 인지 평가 (MoCA). 그러나 이 연구는 이러한 성과 지표를 인지 상태의 특성화(MoCA에 의해 결정됨)와 연관시키고 상대적 범위 및 컷오프 값을 정의하는 것으로 제한되었습니다. 따라서 이 조사를 확장하고 분류 성능과 효율성을 개선하기 위해 우리의 주요 연구 질문은 다음과 같습니다.

  • 개인이 선택한 MemTrax 성능 메트릭과 관련 인구 통계 및 건강 윤곽 MoCA 점수로 표시되는 것처럼 인지 건강을 이분법적으로(정상 대 MCI) 분류하기 위해 기계 학습으로 개발된 예측 모델에서 특성을 효과적으로 활용할 수 있습니까?

이에 부차적으로 우리는 다음을 알고 싶었습니다.

  • 동일한 기능을 포함하여 MemTrax 성능 기반 기계 학습 모델을 환자에게 효과적으로 적용하여 독립적인 임상 진단에 의해 결정되는 인지 장애의 선택된 범주 내에서 중증도(경증 대 중증)를 예측할 수 있습니까?

스크리닝/탐지에서 인공 지능 및 기계 학습의 출현 및 진화하는 실제 적용은 인지/뇌 건강 및 환자 관리의 도전적인 평가에서 임상의를 효과적으로 안내하는 예측 모델링과 함께 이미 뚜렷한 실질적인 이점을 입증했습니다. 우리의 연구에서 우리는 중국의 두 병원에서 선택된 자원 봉사 입원 환자 및 외래 환자를 나타내는 XNUMX개의 데이터 세트에서 임상 진단에 의해 확인된 MCI 분류 모델링 및 인지 장애 중증도 차별에서 유사한 접근 방식을 선택했습니다. 기계 학습 예측 모델링을 사용하여 다양한 데이터 세트/학습기 조합에서 최고의 학습자를 식별하고 가장 임상적으로 실용적인 모델 응용 프로그램을 정의하는 데 도움이 되는 기능의 순위를 지정했습니다.

우리의 가설은 검증된 MemTrax 기반 모델을 활용하여 MoCA 집계 점수 임계값 기준에 따라 인지 건강을 이분법적으로(정상 또는 MCI) 분류할 수 있으며 유사한 MemTrax 예측 모델을 선택된 범주에서 중증도를 구별하는 데 효과적으로 사용할 수 있다는 것입니다. 임상적으로 진단된 인지 장애. 예상되는 결과를 입증하는 것은 인지 저하 및 인지 장애 분류에 대한 조기 감지 스크린으로서 MemTrax의 효능을 뒷받침하는 데 도움이 될 것입니다. 훨씬 더 쉽고 빠른 유틸리티로 보완된 업계 표준과의 유리한 비교는 임상의가 초기(전구체 포함) 단계 인지 결함을 감지하는 초기 화면으로 이 간단하고 신뢰할 수 있으며 접근 가능한 도구를 채택하는 데 영향을 미칠 것입니다. 따라서 이러한 접근 방식과 유용성은 보다 시기 적절하고 계층화된 환자 관리 및 개입을 촉진할 수 있습니다. 이러한 미래 지향적인 통찰력과 개선된 지표 및 모델은 또한 알츠하이머병 및 알츠하이머병 관련 치매(ADRD)를 포함한 치매 진행을 완화하거나 중지하는 데 도움이 될 수 있습니다.

대상 및 방법

연구 인구

2018년 2019월부터 5년 21월까지 중국의 두 병원에서 모집된 환자에 대한 단면 연구가 완료되었습니다. XNUMX세 이상의 개인에 대한 MemTrax[XNUMX]의 투여 및 이러한 데이터의 수집 및 분석은 윤리 기준에 따라 검토 및 승인되었으며 관리되었습니다. 휴먼 스탠포드 대학의 과목 보호 위원회. 이 전체 연구에 대한 MemTrax 및 기타 모든 테스트는 1975년 헬싱키 선언에 따라 수행되었으며 중국 윈난성 쿤밍에 있는 쿤밍 의과 대학 제XNUMX부속 병원 기관 검토 위원회의 승인을 받았습니다. 각 사용자에게는 동의 양식을 읽고 검토한 후 자발적으로 참여에 동의합니다.

참가자는 Yanhua Hospital(YH 하위 데이터 세트)의 신경과 클리닉의 외래 환자 풀에서 모집되었으며 쿤밍메디컬 제XNUMX부속병원 기억클리닉 중국 베이징에 있는 대학교(XL 하위 데이터 세트). 쿤밍 의과대학 제1부속병원의 신경과(XL 하위 데이터 세트) 및 내과(KM 하위 데이터 세트) 입원 환자로부터 참가자도 모집했습니다. 포함 기준은 21) 2세 이상의 남녀, 3) 중국어(북경어) 말하기 능력, XNUMX) 구두 및 서면 지침 이해 능력을 포함합니다. 제외 기준은 참가자가 과제를 완수하지 못하게 하는 시력 및 운동 장애였습니다. MemTrax 테스트, 뿐만 아니라 특정 테스트 지침을 이해할 수 없습니다.

MemTrax의 중국어 버전

온라인 MemTrax 테스트 플랫폼 번역 중국어로(URL: https://www.memtrax.com.cn) 자체 관리를 위해 WeChat(Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China)을 통해 활용하도록 추가로 조정됩니다. 데이터는 중국에 위치한 클라우드 서버(Ali Cloud)에 저장되었으며 SJN Biomed LTD(중국 윈난성 쿤밍)에 의해 Alibaba(Alibaba Technology Co. Ltd., 중국 저장성 항저우)로부터 라이선스를 받았습니다. 여기에 사용된 MemTrax 및 테스트 유효성 기준에 대한 구체적인 세부 사항은 이전에 설명되었습니다[6]. 검사는 환자에게 무료로 제공되었습니다.

학습 절차

입원환자 및 외래환자의 경우 나이, 성별, 학력, 직업, 독거 또는 가족과 함께, 병력은 연구 팀원이 관리했습니다. 설문지 작성 후 MoCA[12] 및 MemTrax 테스트가 테스트 사이에 20분을 넘지 않고 시행되었습니다(MoCA 먼저). MemTrax 정답률(MTx-% C), 평균 응답 시간(MTx-RT), 테스트 날짜 및 시간은 테스트된 각 참가자에 대해 연구팀의 구성원이 종이에 기록했습니다. 완성된 설문지와 MoCA 결과는 테스트를 관리한 연구원이 Excel 스프레드시트에 업로드하고 분석을 위해 Excel 파일을 저장하기 전에 동료가 확인했습니다.

MemTrax 테스트

MemTrax 온라인 테스트에는 특정 의사 무작위 순서로 표시된 50개의 이미지(고유한 25개 및 반복 25개, 일반적인 장면 또는 물체의 이미지 5개 세트 5개)가 포함되었습니다. 참가자는 (지침에 따라) 화면의 시작 버튼을 터치하여 테스트를 시작하고 이미지 시리즈 보기를 시작하고 반복되는 사진이 나타날 때마다 가능한 한 빨리 화면의 이미지를 다시 터치합니다. 각 이미지는 3초 동안 또는 화면의 이미지를 터치할 때까지 나타나며 다음 그림이 즉시 표시되도록 했습니다. 로컬 장치의 내부 시계를 사용하여 각 이미지에 대한 MTx-RT는 이미지가 이미 표시된 것으로 인식됨을 나타내는 응답으로 참가자가 화면을 터치한 후 이미지가 표시될 때까지의 경과 시간으로 결정되었습니다. 테스트 중. MTx-RT는 모든 이미지에 대해 기록되었으며 응답이 없음을 나타내는 전체 3초가 기록되었습니다. MTx-% C는 사용자가 올바르게 응답한 반복 및 초기 이미지의 백분율을 나타내기 위해 계산되었습니다(참 긍정 + 참 부정을 50으로 나눈 값). MemTrax 관리 및 구현, 데이터 축소, 유효하지 않거나 "응답 없음" 데이터, 기본 데이터 분석에 대한 추가 세부 정보는 다른 곳에서 설명됩니다[6].

MemTrax 테스트에 대해 자세히 설명하고 병원 환경에서 참가자에게 연습 테스트(결과 기록 테스트에 사용된 것과 다른 고유한 이미지 포함)를 제공했습니다. YH 및 KM 하위 데이터 세트의 참가자는 WeChat에서 응용 프로그램이 로드된 스마트폰에서 MemTrax 테스트를 수행했습니다. 제한된 수의 XL 하위 데이터 세트 환자는 iPad를 사용하고 나머지는 스마트폰을 사용했습니다. 모든 참가자는 연구 조사자가 눈에 띄지 않게 관찰하면서 MemTrax 테스트를 수행했습니다.

몬트리올 인지 평가

중국 MoCA(MoCA-BC)의 베이징 버전[13]은 공식 테스트 지침에 따라 숙련된 연구원이 관리하고 점수를 매겼습니다. 적합하게 MoCA-BC는 신뢰할 수 있는 것으로 나타났습니다. 인지 테스트 중국 노인의 모든 교육 수준에 걸친 스크리닝[14]. 각 테스트는 각 참가자의 인지 능력에 따라 관리하는 데 약 10~30분이 소요되었습니다.

MoCA 분류 모델링

29개의 MemTrax를 포함하여 총 XNUMX개의 사용 가능한 기능이 있었습니다. 인구통계 및 건강과 관련된 성능 지표 및 27가지 기능 테스트 참가자별 정보입니다. 각 환자의 MoCA 집계 테스트 점수를 인지 검사 "벤치마크"를 사용하여 예측 모델을 훈련합니다. 따라서 MoCA를 사용하여 클래스 레이블을 생성했기 때문에 집계 점수(또는 MoCA 하위 집합 점수)를 독립적인 기능으로 사용할 수 없었습니다. 우리는 원래 XNUMX개의 병원/클리닉 하위 데이터 세트를 개별적으로 모델링(MoCA에서 정의한 인지 건강 분류)한 다음 모든 기능을 사용하여 결합하는 예비 실험을 수행했습니다. 그러나 XNUMX개의 하위 데이터 세트를 나타내는 XNUMX개의 클리닉 각각에서 동일한 데이터 요소가 모두 수집되지는 않았습니다. 따라서 결합된 데이터 세트의 많은 기능(모든 기능을 사용할 때)에서 누락된 값의 발생률이 높았습니다. 그런 다음 공통 기능만 사용하여 결합된 데이터 세트로 모델을 구축하여 분류 성능을 향상시켰습니다. 이는 XNUMX개의 환자 하위 데이터세트를 결합하여 작업할 더 많은 인스턴스를 갖고 결측값이 지나치게 널리 퍼져 있는 기능이 없는 조합으로 설명될 수 있습니다(결합된 데이터세트, 작업 유형에서 하나의 기능에만 결측값이 있어 영향을 미침). 세 곳 모두에서 기록된 공통 기능만 포함되었기 때문입니다. 특히, 결합된 데이터 세트에 궁극적으로 포함되지 않은 각 기능에 대한 특정 거부 기준이 없었습니다. 그러나 예비 결합 데이터 세트 모델링에서는 먼저 세 개의 개별 환자 하위 데이터 세트 각각의 모든 기능을 사용했습니다. 이로 인해 각 개별 하위 데이터 세트에 대한 초기 예비 모델링보다 측정 가능한 수준으로 낮은 모델 성능이 광범위하게 나타났습니다. 또한 모든 기능을 사용하여 구축한 모델의 분류 성능이 고무적이었던 반면, 모든 학습자 및 분류 체계에서 공통 기능만 사용할 때 성능이 XNUMX배 더 많은 모델에서 향상되었습니다. 사실, 우리의 최고 학습자가 된 것 중 하나를 제외한 모든 모델은 일반적이지 않은 기능을 제거하여 개선되었습니다.

최종 집계 데이터 세트(YH, XL 및 KM 결합)에는 각각 MemTrax 및 MoCA 테스트를 모두 수행한 고유한 참가자를 나타내는 259개의 인스턴스가 포함되었습니다. 10개의 공유된 독립 기능이 있습니다. MemTrax 성능 메트릭: MTx-% C 및 평균 MTx-RT; 인구통계 및 병력 정보: 연령, 성별, 학력, 직업 유형(블루 칼라/화이트 칼라), 사회적 지원(수험자가 혼자 또는 가족과 함께 거주하는지 여부) 및 사용자가 가지고 있는지 여부에 대한 예/아니오 답변 당뇨병, 고지혈증 또는 외상성 뇌 손상의 병력. 두 가지 추가 메트릭인 MoCA 집계 점수와 교육 기간에 맞게 조정된 MoCA 집계 점수[12]는 종속 분류 레이블을 개발하는 데 별도로 사용되어 결합된 데이터 세트에 적용할 두 가지 고유한 모델링 체계를 생성했습니다. MoCA 점수의 각 버전(조정 및 조정되지 않음)에 대해 데이터는 두 가지 다른 기준 임계값을 사용하여 이진 분류를 위해 다시 개별적으로 모델링되었습니다. 즉, 처음에 권장된 임계값[12]과 다른 사람이 사용하고 승격한 대체 값[8, 15]입니다. 대체 역치 분류 체계에서 환자는 MoCA 테스트에서 ≥23을 기록하고 점수가 22 이하이면 MCI를 갖는 경우 정상적인 인지 건강을 가진 것으로 간주되었습니다. 반면에 초기 권장 분류 형식에서 환자는 MoCA에서 26점 이상을 받아야 정상적인 인지 건강 상태로 분류됩니다.

MoCA 분류 모델링을 위한 필터링된 데이터

우리는 일반적으로 사용되는 XNUMX가지 기능 순위 기술인 카이 제곱, 이득 비율, 정보 이득 및 대칭적 불확실성을 사용하여 MoCA 분류를 추가로 조사했습니다. 중간 관점에서 우리는 XNUMX가지 모델링 체계 각각을 사용하여 전체 결합된 데이터 세트에 랭커를 적용했습니다. 모든 랭커는 연령, 교육 연수, 두 MemTrax 성과 지표(MTx-% C, 평균 MTx-RT)와 같은 동일한 상위 기능에 동의했습니다. 그런 다음 각 기능 선택 기술을 사용하여 모델을 다시 작성하여 상위 XNUMX개 기능에 대해서만 모델을 교육했습니다(참조 기능 선택 아래).

MoCA 점수 분류 모델링 체계의 최종 1가지 변형이 표 XNUMX에 나와 있습니다.

1 번 테이블

MoCA 분류에 사용된 모델링 방식 변형 요약(Normal 인지 건강 대 MCI)

모델링 방식정상인지 건강(네거티브 클래스)MCI(포지티브 클래스)
조정됨-23 필터링되지 않음/필터링됨101 (39.0의 %)158 (61.0의 %)
조정됨-26 필터링되지 않음/필터링됨49 (18.9의 %)210 (81.1의 %)
조정되지 않음-23 필터링되지 않음/필터링됨92 (35.5의 %)167 (64.5의 %)
조정되지 않음-26 필터링되지 않음/필터링됨42 (16.2의 %)217 (83.8의 %)

각 클래스의 총 환자 수 및 백분율은 두 기능 세트(필터링되지 않음 및 필터링됨)에 적용되는 교육 점수 조정(조정됨 또는 조정되지 않음) 및 분류 임계값(23 또는 26)으로 구분됩니다.

MemTrax 기반 임상 평가 모델링

우리의 XNUMX개의 원래 하위 데이터 세트(YH, XL, KM) 중 XL 하위 데이터 세트 환자만이 인지 장애에 대해 독립적으로 임상적으로 진단되었습니다(즉, 각각의 MoCA 점수는 정상 대 손상의 분류를 설정하는 데 사용되지 않았습니다). 특히, XL 환자는 다음 중 하나를 가지고 진단되었습니다. 알츠하이머병 검사 (AD) 또는 혈관성 치매(VaD). 이러한 각 기본 진단 범주 내에서 MCI에 대한 추가 지정이 있습니다. AD로 인한 MCI, 치매, 혈관성 신경인지 장애 및 신경인지 장애의 진단은 정신 장애 진단 및 통계 매뉴얼: DSM-5[16]에 요약된 구체적이고 독특한 진단 기준을 기반으로 했습니다. 이러한 정제된 진단을 고려하여 각 기본 진단 범주에 대한 심각도(손상 정도) 수준을 구분하기 위해 XL 하위 데이터 집합에 두 가지 분류 모델링 방식을 별도로 적용했습니다. 이러한 진단 모델링 계획(AD 및 VaD) 각각에 활용된 데이터에는 인구 통계 및 환자 이력 정보와 MemTrax 성능(MTx-% C, 평균 MTx-RT)이 포함되었습니다. MCI로 지정된 경우 각 진단은 경도로 표시되었습니다. 그렇지 않으면 심각한 것으로 간주되었습니다. 우리는 처음에 진단 모델에 MoCA 점수를 포함하는 것을 고려했습니다(경증 대 중증). 그러나 우리는 그것이 우리의 69차 예측 모델링 계획의 목적을 무너뜨릴 것이라고 결정했습니다. 여기에서 학습자는 공급자가 쉽게 사용할 수 있는 다른 환자 특성과 독립적인 임상 진단인 참조 "골드 스탠다드"에 대한 더 간단한 MemTrax 테스트(MoCA 대신)의 성능 메트릭을 사용하여 교육을 받습니다. AD 진단 데이터 세트에는 76개의 인스턴스가 있었고 VaD의 XNUMX개 인스턴스가 있었습니다(표 2). 두 데이터 세트에는 12개의 독립적인 기능이 있습니다. MoCA 점수 분류에 포함된 10가지 기능 외에도 환자 병력에는 고혈압 및 뇌졸중 병력에 대한 정보도 포함되었습니다.

2 번 테이블

진단 심각도 분류에 사용된 모델링 방식 변형 요약(경증 대 중증)

모델링 방식마일드(네거티브 클래스)심각(포지티브 클래스)
MCI-AD 대 AD12 (17.4의 %)57 (82.6의 %)
MCI-VaD 대 VaD38 (50.0의 %)38 (50.0의 %)

각 클래스의 전체 환자의 각 수와 백분율은 XNUMX차 진단 범주(AD 또는 VaD)에 따라 구분됩니다.

통계

Python 프로그래밍 언어(버전 2.7.1)[17]를 사용하여 각 모델 분류 전략(MoCA 인지 건강 및 진단 심각도 예측)에 대한 하위 데이터 세트 간의 참가자 특성 및 기타 수치 특징 비교를 수행했습니다. 모델 성능 차이는 처음에 성능 평균을 비교하기 위해 95% 신뢰 구간과 Tukey HSD(정직한 유의차) 검정을 사용하여 단일 또는 이중(적절한 경우) ANOVA를 사용하여 결정되었습니다. 모델 성능 간의 차이에 대한 이 검사는 Python과 R(버전 3.5.1) [18]의 조합을 사용하여 수행되었습니다. 우리는 이 접근 방식을 휴리스틱 방식으로만 사용했습니다. 초기 단계 잠재적인 임상 적용을 예상할 때 초기 모델 성능 비교를 위해. 그런 다음 모델 성능 차이의 확률을 결정하기 위해 사후 분포를 사용하는 베이지안 부호 순위 테스트를 활용했습니다[19]. 이러한 분석을 위해 간격 –0.01, 0.01을 사용했는데, 이는 두 그룹의 성능 차이가 0.01 미만인 경우 동일한 것으로 간주되거나(실질적 동등성 영역 내에서) 그렇지 않은 경우(하나가 다른). 분류기의 베이지안 비교를 수행하고 이러한 확률을 계산하기 위해 Python 1.0.2용 baycomp 라이브러리(버전 3.6.4)를 사용했습니다.

예측 모델링

우리는 각 환자의 MoCA 테스트 결과 또는 임상 진단의 중증도를 예측(분류)하기 위해 모델링 계획의 총 20가지 변형을 사용하여 예측 모델을 구축했습니다. 모든 학습자가 적용되었고 모델은 오픈 소스 소프트웨어 플랫폼 Weka를 사용하여 구축되었습니다[10]. 예비 분석을 위해 5-Nearest Neighbors, 두 가지 버전의 C4.5 의사 결정 트리, Logistic Regression, Multilayer Perceptron, Naïve Bayes, 두 가지 버전의 Random Forest, Radial Basis Function Network 및 Support Vector와 같이 일반적으로 사용되는 21가지 학습 알고리즘을 사용했습니다. 기계. 이러한 알고리즘의 주요 속성과 대조는 다른 곳에서 설명되었습니다[22](각 부록 참조). 이들은 다양한 유형의 학습자를 대표하고 유사한 데이터에 대한 이전 분석에서 이를 성공적으로 사용했음을 입증했기 때문에 선택되었습니다. 하이퍼파라미터 설정은 다양한 데이터에 대해 강력하다는 것을 나타내는 이전 연구에서 선택되었습니다[XNUMX]. 전체 분석에서 이후에 사용된 공통 기능이 있는 동일한 결합 데이터 세트를 사용한 예비 분석 결과를 기반으로 모든 분류에서 일관되게 강력한 성능을 제공한 XNUMX개의 학습자(Logistic Regression, Naïve Bayes 및 Support Vector Machine)를 식별했습니다.

교차 검증 및 모델 성능 측정항목

모든 예측 모델링(예비 분석 포함)에 대해 각 모델은 10겹 교차 검증을 사용하여 구축되었으며 모델 성능은 AUC(Area Under the Receiver Operating Characteristic Curve)를 사용하여 측정되었습니다. 교차 검증은 10개의 모델링 체계 데이터 세트 각각을 10개의 동일한 세그먼트(접기)로 무작위로 나누는 것으로 시작되었으며, 이 각각의 세그먼트 중 10개를 사용하여 모델을 훈련하고 나머지 세그먼트를 테스트용으로 사용했습니다. 이 절차는 각 반복에서 테스트 세트로 다른 세그먼트를 사용하여 10번 반복되었습니다. 그런 다음 결과를 결합하여 최종 모델의 결과/성능을 계산했습니다. 각 학습자/데이터 세트 조합에 대해 이 전체 프로세스를 6,600번 반복했으며 매번 데이터를 다르게 분할했습니다. 이 마지막 단계는 편향을 줄이고 복제성을 보장하며 전체 모델 성능을 결정하는 데 도움이 되었습니다. 전체적으로(MoCA 점수와 진단 심각도 분류 체계를 결합한 경우) 1,800개의 모델이 구축되었습니다. 여기에는 6개의 필터링되지 않은 모델(데이터 세트에 적용된 3개의 모델링 방식 × 10개의 학습자 × 10개의 실행 × 1,800개의 폴드 = 4,800개의 모델)과 4개의 필터링된 모델(데이터 세트에 적용된 3개의 모델링 방식 × 4개의 학습자 × 10개의 특징 선택 기술 × 10개의 실행 × 4,800접기 = XNUMX개 모델).

기능 선택

필터링된 모델의 경우 기능 선택(10가지 기능 순위 지정 방법 사용)이 교차 검증 내에서 수행되었습니다. 10개의 폴드 각각에 대해 데이터 세트의 다른 90%가 테스트 데이터였으므로 각 교육 데이터 세트에 대해 선택된 상위 XNUMX개 기능(즉, 다른 XNUMX개의 폴드 또는 전체 데이터 세트의 나머지 XNUMX%)만 사용되었습니다. 모델을 구축합니다. 각 모델에 어떤 XNUMX가지 기능이 사용되었는지 확인할 수 없었습니다. 해당 정보는 우리가 활용한 모델링 플랫폼(Weka)에 저장되거나 제공되지 않기 때문입니다. 그러나 랭커가 전체 결합된 데이터 세트에 적용될 때 상위 기능의 초기 선택의 일관성과 모델링 성능의 후속 유사성을 고려할 때 이러한 동일한 기능(나이, 교육 연수, MTx-% C 및 평균 MTx-RT ) 교차 검증 프로세스 내에서 기능 선택과 함께 가장 널리 사용되는 상위 XNUMX개 항목일 수 있습니다.

결과

MoCA 표시 인지 건강(정상 대 MCI) 및 진단 심각도(경증 대 중증)를 예측하기 위한 각 모델 분류 전략에 대한 각 데이터 세트의 참가자 수치 특성(MoCA 점수 및 MemTrax 성능 메트릭 포함)은 표 3에 나와 있습니다.

3 번 테이블

각 모델 분류 전략에 대한 참가자 특성, MoCA 점수 및 MemTrax 성능

분류 전략연령교육MoCA 조정MoCA 조정되지 않음MTx-%CMTx-RT
MoCA 카테고리61.9년 (13.1)9.6년 (4.6)19.2 (6.5)18.4 (6.7)74.8 % (15.0)1.4초(0.3)
진단 심각도65.6년 (12.1)8.6년 (4.4)16.7 (6.2)15.8 (6.3)68.3 % (13.8)1.5초(0.3)

분류 전략을 모델링하여 구분된 값(평균, SD)은 MoCA 표시 인지 건강(MCI 대 정상)을 예측하는 데 사용되는 결합된 데이터 세트와 진단 심각도(경증 대 중증)를 예측하는 데만 사용되는 XL 하위 데이터 세트를 나타냅니다.

MoCA 점수(조정/비조정) 및 임계값(26/23)의 각 조합에 대해 통계적 차이(p = 0.000) 연령, 교육 및 MemTrax 성능(MTx-% C 및 MTx-RT)에 대한 각 쌍별 비교(정상 인지 건강 대 MCI). 각 조합에 대한 해당 MCI 클래스의 각 환자 하위 데이터 세트는 평균 약 9~15세 더 나이가 많고 교육 기간이 약 XNUMX년 더 짧고 두 지표 모두에 대해 MemTrax 성능이 좋지 않았습니다.

상위 4개 학습자인 Logistic Regression, Naïve Bayes 및 Support Vector Machine을 사용한 MoCA 점수 분류에 대한 예측 모델링 성능 결과는 표 4에 나와 있습니다. 이 세 가지는 모든 다양한 모델에서 가장 일관되게 높은 절대 학습자 성능을 기반으로 선택되었습니다. 모든 모델링 체계의 데이터 세트에 적용됩니다. 필터링되지 않은 데이터 세트 및 모델링의 경우 표 100의 각 데이터 값은 각 학습자/모델링 계획 조합에 대해 구축된 10개 모델(10개 실행 x 4개 접기)에서 파생된 AUC 각각의 평균을 기반으로 한 모델 성능을 나타내며, 각각 가장 높은 굵게 표시된 학습자. 필터링된 데이터 세트 모델링의 경우 표 400에 보고된 결과는 각 기능 순위 방법(4가지 기능 순위 방법 x 10 실행 x 10 폴드)을 사용하여 각 학습자에 대한 XNUMX개 모델의 전체 평균 모델 성능을 반영합니다.

4 번 테이블

이분법적 MoCA 점수 분류 성능(AUC, 0.0–1.0)은 모든 각 모델링 체계에 대해 XNUMX명의 최고 성과 학습자 각각에 대한 결과입니다.

사용된 기능 세트MoCA 점수컷오프 임계값로지스틱 회귀나이브 베이 즈벡터 머신 지원
필터링되지 않음(10개 기능)조정230.88620.89130.8695
260.89710.92210.9161
조정되지 않음230.91030.90850.8995
260.88340.91530.8994
필터링됨(4가지 기능)조정230.89290.89540.8948
260.91880.92470.9201
조정되지 않음230.91350.91340.9122
260.91590.92360.9177

기능 세트, MoCA 점수 및 MoCA 점수 컷오프 임계값의 변형을 활용하여 각 모델링 방식의 최고 성능은 다음과 같습니다. 일시: XNUMX년 XNUMX월 XNUMX일 화요일 XNUMX:XNUMXpm - XNUMX:XNUMXpm 장소: 여의도 페어몬트 앰배서더 서울 호텔 XNUMXF 아잘레아스 룸 [약도] 행사 문의: info.korea@rescale.com (반드시 통계적으로 다른 모든 것과 통계적으로 다르지는 않습니다. 일시: XNUMX년 XNUMX월 XNUMX일 화요일 XNUMX:XNUMXpm - XNUMX:XNUMXpm 장소: 여의도 페어몬트 앰배서더 서울 호텔 XNUMXF 아잘레아스 룸 [약도] 행사 문의: info.korea@rescale.com 해당 모델).

결합된 필터링되지 않은 데이터 세트(즉, 23가지 공통 기능 사용)에서 MoCA 점수 버전 및 임계값(각각 조정/비조정 및 26/10)의 모든 조합에 걸쳐 학습자를 비교한 결과, Naive Bayes는 일반적으로 0.9093의 분류 성능. 상위 XNUMX명의 학습자를 고려할 때 베이지안 상관 부호 순위 테스트는 확률(Pr)의 로지스틱 회귀를 능가하는 Naive Bayes는 99.9%였습니다. 또한 Naïve Bayes와 Support Vector Machine 간에는 학습자 성능이 실질적으로 동등할 확률이 21.0%이고(따라서 Naive Bayes가 Support Vector Machine을 능가할 확률은 79.0%), Support Vector Machine이 측정 가능하게 더 잘 수행할 확률은 0.0%입니다. Naïve Bayes의 성능 이점을 강화합니다. 모든 학습자/임계값에 대한 MoCA 점수 버전의 추가 비교는 조정되지 않은 MoCA 점수 대 조정(각각 0.9027 대 0.8971; Pr (조정되지 않음 > 조정됨) = 0.988). 유사하게, 모든 학습자와 MoCA 점수 버전에 대한 컷오프 임계값을 비교하면 26 대 23(각각 0.9056 대 0.8942)을 분류 임계값으로 사용하는 작은 분류 성능 이점이 나타납니다. Pr (26 > 23) = 0.999). 마지막으로 필터링된 결과(즉, 상위 0.9143개 기능만 사용)를 사용하는 모델의 분류 성능을 조사한 결과 Naïve Bayes(100)는 모든 MoCA 점수 버전/임계값에서 수치적으로 가장 우수한 학습자였습니다. 그러나 모든 기능 순위 기술을 결합한 결과 최고 성과를 내는 모든 학습자가 비슷하게 수행했습니다. 베이지안 부호 있는 순위 테스트는 필터링된 각 학습자 쌍 간의 실제 동등성의 10% 확률을 보여주었습니다. 필터링되지 않은 데이터(XNUMX가지 공통 기능 모두 사용)와 마찬가지로 수정되지 않은 버전의 MoCA 점수(Pr (조정되지 않음 > 조정됨) = 1.000), 분류 임계값 26(Pr (26 > 23) = 1.000). 특히 상위 0.9119개 기능만 사용하여 모든 MoCA 점수 버전/임계값에서 상위 0.8999명의 학습자 각각의 평균 성능이 필터링되지 않은 데이터에 대한 학습자의 평균 성능을 초과했습니다. 당연하게도, 필터링된 모델(상위 10개 특성 사용)의 분류 성능은 100가지 공통된 모든 특성을 사용하여 각 모델과 비교한 특성 순위 방법 모델에 관계없이 필터링되지 않은 모델(XNUMX)보다 전반적으로 우수(XNUMX)했습니다(XNUMX). 특징. 각 기능 선택 방법에 대해 필터링되지 않은 모델보다 성능 이점이 있을 확률은 XNUMX%였습니다.

AD 진단 중증도 분류를 위해 고려된 환자의 경우 연령에 따른 그룹 간(MCI-AD 대 AD) 차이(p = 0.004), 교육(p = 0.028), MoCA 점수 조정/미조정(p = 0.000) 및 MTx-% C(p = 0.008) 통계적으로 유의했습니다. MTx-RT의 경우 그렇지 않았습니다(p = 0.097). VaD 진단 중증도 분류를 위해 고려된 환자의 경우 MoCA 점수에 대한 그룹 간(MCI-VaD 대 VaD) 차이 조정/비조정(p = 0.007) 및 MTx-% C(p = 0.026) 및 MTx-RT(p = 0.001) 통계적으로 유의했습니다. 반면 나이(p = 0.511) 및 교육(p = 0.157) 그룹 간에 유의미한 차이가 없었습니다.

이전에 선택된 세 가지 학습자인 Logistic Regression, Naive Bayes 및 Support Vector Machine을 사용한 진단 심각도 분류에 대한 예측 모델링 성능 결과는 표 5에 나와 있습니다. 반면 추가 검사 학습자는 두 가지 임상 진단 범주 중 하나를 사용하여 개별적으로 약간 더 강한 성능을 보였습니다. , 이전 모델링에서 가장 유리한 것으로 식별한 61.4명의 학습자는 두 가지 새로운 모델링 방식 모두에서 가장 일관된 성능을 제공했습니다. 각 기본 진단 범주(AD 및 VaD)에 걸쳐 학습자를 비교했을 때, Support Vector Machine이 일반적으로 더 두드러지게 수행되었지만 MCI-VaD 대 VaD의 학습자 간에 일관된 분류 성능 차이가 없었습니다. 유사하게, Naive Bayes(NB)는 Logistic Regression(LR)보다 약간의 성능 이점이 있고 Support Vector Machine(41.7%)의 확률로 무시할 수 있을 정도의 다수를 가졌지만 MCI-AD 대 AD 분류에 대한 학습자 간에는 큰 차이가 없었습니다. 및 각각 XNUMX%. 두 데이터 세트 모두에서 SVM(Support Vector Machine)에 대한 전반적인 성능 이점이 있었습니다. Pr (SVM > LR) = 0.819 및 Pr (SVM > NB) = 0.934. XL 하위 데이터 세트에서 진단의 심각도를 예측하는 데 있어 모든 학습자에 대한 전반적인 분류 성능은 AD에 비해 VaD 진단 범주에서 더 우수했습니다(Pr (VAD > AD) = 0.998).

5 번 테이블

이분법적 임상 진단 심각도 분류 성능(AUC; 0.0–1.0)은 두 가지 모델링 방식 모두에 대해 XNUMX명의 최고 성과 학습자 각각에 대한 결과입니다.

모델링 방식로지스틱 회귀나이브 베이 즈벡터 머신 지원
MCI-AD 대 AD0.74650.78100.7443
MCI-VaD 대 VaD0.80330.80440.8338

각 모델링 방식의 최고 성능은 다음과 같습니다. 일시: XNUMX년 XNUMX월 XNUMX일 화요일 XNUMX:XNUMXpm - XNUMX:XNUMXpm 장소: 여의도 페어몬트 앰배서더 서울 호텔 XNUMXF 아잘레아스 룸 [약도] 행사 문의: info.korea@rescale.com (반드시 통계적으로 다른 사람들과 통계적으로 다르지는 않습니다. 일시: XNUMX년 XNUMX월 XNUMX일 화요일 XNUMX:XNUMXpm - XNUMX:XNUMXpm 장소: 여의도 페어몬트 앰배서더 서울 호텔 XNUMXF 아잘레아스 룸 [약도] 행사 문의: info.korea@rescale.com).

토론

인지 건강의 변화를 조기에 감지하는 것이 중요합니다. 개인 건강 관리와 공중 보건 모두에 실용적인 유용성. 실제로 전 세계 환자의 임상 환경에서 매우 높은 우선 순위이기도 합니다. 공유 목표는 환자, 간병인 및 제공자에게 경고하고 인지 저하를 경험하기 시작한 사람들을 위해 조기에 적절하고 비용 효율적인 치료 및 종적 치료를 촉진하는 것입니다. XNUMX개의 병원/진료소 데이터 하위 집합을 병합하여 우리는 XNUMX개의 뚜렷하게 선호되는 학습자를 식별했습니다(주목할만한 한 가지 –Naïve Bayes). 인지 건강 상태를 안정적으로 분류할 수 있는 MemTrax 성능 지표 이분법적으로(정상 인지 건강 또는 MCI) MoCA 총점으로 표시됩니다. 특히, 모델이 이러한 MemTrax 성능 메트릭을 주로 포함하는 상위 XNUMX개의 기능만 활용했을 때 세 학습자 모두에 대한 전반적인 분류 성능이 향상되었습니다. 또한 치매 진단의 두 범주인 알츠하이머병과 VaD의 중증도를 구분하기 위해 진단 지원 분류 모델링 체계에서 동일한 학습자와 MemTrax 성능 메트릭을 활용할 수 있는 입증된 가능성을 밝혔습니다.

메모리 테스트 AD의 조기 발견에 핵심입니다[23, 24]. 따라서 MemTrax가 수용 가능하고 매력적이며 구현하기 쉬운 온라인 일화기억 선별검사 일반 인구에서 [6]. 이 지속적인 수행 작업의 인식 정확도 및 응답 시간은 특히 학습, 기억 및 인지와 관련된 신경가소성 과정에서 초기 및 진화하는 악화 및 결과적인 결함을 식별하는 데 있어 드러납니다. 즉, 주로 MemTrax 성능 메트릭을 기반으로 하는 여기 모델은 보다 실질적인 기능 손실 이전의 무증상 과도기 단계에서 생물학적 신경 병리학적 결손에 민감하고 쉽게 최소 비용으로 드러날 가능성이 더 큽니다[25]. Ashfordet al. MemTrax [6]로 스스로 참여한 온라인 사용자의 인식 메모리 정확도와 응답 시간의 패턴과 행동을 면밀히 조사했습니다. 이러한 분포가 최적의 모델링 및 유효하고 효과적인 환자 치료 응용 프로그램 개발에 중요하다는 점을 고려하여 임상 및 연구 유틸리티에 대한 귀중한 기본 참조를 설정하는 데 임상적으로 적용 가능한 인식 및 응답 시간 프로필을 정의하는 것이 필수적입니다. 초기 단계 인지 장애 및 감별 진단 지원을 위한 AD 스크리닝에서 MemTrax의 실질적인 가치는 테스트 성능에 영향을 미치는 동반 질환 및 인지, 감각 및 운동 능력을 고려할 수 있는 임상 환경의 맥락에서 보다 면밀히 조사되어야 합니다. 그리고 전문적인 관점을 알리고 실용적인 임상적 유용성을 장려하기 위해서는 확립된 인지 건강 평가 시험과의 비교를 입증하는 것이 가장 중요합니다. 후자가 번거로운 시험 물류, 교육 및 언어 억제, 문화적 영향으로 인해 인식할 수 있을 정도로 제약을 받을 수 있지만 [26] . 이와 관련하여 일반적으로 산업 표준으로 알려진 MoCA에 대한 MemTrax의 임상 효능에 대한 호의적인 비교는 특히 MemTrax의 더 큰 유용성과 환자 수용성을 평가할 때 중요합니다.

MemTrax와 MoCA를 비교한 이전 탐색에서는 우리의 모델링 조사를 보증하는 근거와 예비 증거를 강조했습니다[8]. 그러나 이 이전 비교는 우리가 조사한 두 가지 주요 MemTrax 성능 메트릭을 MoCA에서 결정하고 각각의 범위 및 컷오프 값을 정의한 인지 상태와 연관시켰을 뿐입니다. 우리는 잠재적으로 관련된 다른 환자별 매개변수에 대해 보다 개별화된 고려를 제공할 예측 모델링 기반 접근 방식을 탐색하여 MemTrax의 임상 유용성 평가를 심화했습니다. 다른 사람들과 달리 MoCA 점수에 대한 교육 수정(조정)을 사용하거나 인지 건강을 판별하는 MoCA 총점 임계값을 원래 권장된 26에서 23으로 변경하는 모델 성능에서 이점을 찾지 못했습니다[12, 15]. 사실, 분류 성능 이점은 조정되지 않은 MoCA 점수와 더 높은 임계값을 사용하는 것이 좋습니다.

임상 실습의 요점

머신 러닝은 데이터가 방대하고 다차원적일 때, 즉 수많은 관찰과 수반되는 고가치(기여하는) 속성의 광범위한 배열이 있을 때 예측 모델링에서 가장 잘 활용되고 가장 효과적입니다. 그러나 이러한 현재 데이터를 사용하면 10개의 선택 기능만 있는 필터링된 모델이 XNUMX개의 공통 기능을 모두 사용하는 모델보다 더 나은 성능을 보였습니다. 이것은 우리의 종합 병원 데이터 세트가 이러한 방식으로 환자를 최적으로 분류하는 데 임상적으로 가장 적절한(높은 가치) 특성을 갖지 않았음을 시사합니다. 그럼에도 불구하고 주요 MemTrax 성능 메트릭(MTx-% C 및 MTx-RT)에 대한 기능 순위 강조는 이 테스트를 중심으로 간단하고, 관리하기 쉽고, 비용이 적게 들며, 기억 성능, 인지 건강 상태의 이진 분류를 위한 초기 화면으로서 적어도 지금. 제공자와 의료 시스템에 대한 부담이 계속 증가하고 있음을 감안할 때, 진단에 가장 유용하고 유익하며 효과적인 것으로 입증된 환자 특성 및 테스트 메트릭을 수집, 추적 및 모델링하는 데 중점을 두어 환자 스크리닝 프로세스 및 임상 응용 프로그램을 적절하게 개발해야 합니다. 및 환자 관리 지원.

두 가지 주요 MemTrax 메트릭이 MCI 분류의 중심이므로 우리의 최고 성과 학습자(Naïve Bayes)는 대부분의 모델(AUC 0.90 이상)에서 매우 높은 예측 성능을 보였습니다. : 4. 따라서 이 학습자를 사용하는 번역 임상 응용 프로그램은 인지 결함이 있는 대부분의 사람들을 포착(정확하게 분류)하는 동시에 정상적인 인지 건강을 가진 사람을 인지 결함(위양성) 또는 인지 결함이 있는 사람으로 잘못 분류하는 것과 관련된 비용을 최소화합니다. 인지 결핍이 있는 사람들의 분류가 누락되었습니다(위음성). 이러한 오분류 시나리오 중 하나는 환자와 간병인에게 과도한 심리 사회적 부담을 부과할 수 있습니다.

예비 및 전체 분석에서 우리는 각 모델링 체계에서 XNUMX명의 학습자를 모두 사용했지만 가장 일관되고 강력한 성능을 보여주는 XNUMX개의 분류기에 결과를 집중했습니다. 이것은 또한 이러한 데이터를 기반으로 인지 상태 분류를 결정하는 실제 임상 적용에서 높은 수준으로 안정적으로 수행할 것으로 예상되는 학습자를 강조하기 위한 것입니다. 또한, 이 연구는 인지 선별에 대한 기계 학습의 유용성과 이러한 시기 적절한 임상 과제에 대한 입문 조사를 목적으로 했기 때문에 최소한의 매개 변수 조정으로 학습 기술을 단순하고 일반화하기로 결정했습니다. 우리는 이 접근 방식이 더 좁게 정의된 환자별 예측 기능에 대한 잠재력을 제한했을 수 있다는 점을 인정합니다. 마찬가지로, 상위 기능(필터링된 접근 방식)만 사용하여 모델을 교육하면 이러한 데이터(수집된 데이터의 단점과 관련하여 귀중한 임상 시간 및 리소스 최적화의 가치를 강조함)에 대해 더 자세히 알 수 있지만 범위를 좁히는 것은 시기상조임을 인식합니다. 모델의 범위와 따라서 모든(및 기타 기능)은 광범위한 인구에 적용할 수 있는 우선 순위 기능에 대한 보다 명확한 프로필을 얻을 때까지 향후 연구에서 고려되어야 합니다. 따라서 우리는 또한 효과적인 임상 적용에 통합하기 전에, 특히 추가 임상 평가에서 고려해야 할 인지 성능에 영향을 미치는 동반 질환을 수용하기 위해 보다 포괄적이고 광범위하게 대표되는 데이터와 이러한 모델 및 기타 모델의 최적화가 필요하다는 점을 충분히 인식합니다.

MemTrax의 유용성은 별도의 임상 진단을 기반으로 한 질병 심각도의 모델링으로 더욱 강화되었습니다. (AD와 비교하여) VaD의 중증도를 예측하는 데 있어 전반적으로 더 나은 분류 성능은 그렇지 않았습니다. 혈관 건강에 특정한 모델의 환자 프로필 특징을 감안할 때 놀라운 일입니다. 및 뇌졸중 위험, 즉 고혈압, 고지혈증, 당뇨병 및 (물론) 뇌졸중 병력. 이러한 보다 포괄적인 데이터로 학습자를 교육하기 위해 정상적인 인지 건강을 가진 일치된 환자에 대해 동일한 임상 평가를 수행하는 것이 더 바람직하고 적절했을 것입니다. MemTrax는 주로 인지 결함의 초기 단계 감지 및 이후의 개인 변화 추적에 사용하기 위한 것이므로 이는 특히 보증됩니다. 또한 VaD 데이터 세트에서 보다 바람직한 데이터 분포가 상대적으로 더 나은 모델링 성능에 부분적으로 기여했다는 것도 타당합니다. VaD 데이터 세트는 두 클래스 간에 균형이 잘 잡힌 반면, MCI 환자가 훨씬 적은 AD 데이터 세트는 그렇지 않았습니다. 특히 작은 데이터 세트에서는 몇 가지 추가 인스턴스만으로도 측정 가능한 차이를 만들 수 있습니다. 두 가지 관점 모두 질병 심각도 모델링 성능의 차이를 뒷받침하는 합리적인 주장입니다. 그러나 데이터 세트의 수치적 특성이나 고려 중인 임상 프리젠테이션에 고유한 고유한 기능에 비례하여 개선된 성능을 부여하는 것은 시기상조입니다. 그럼에도 불구하고 임상 진단 지원 역할에서 MemTrax 예측 분류 모델의 이 새로운 입증된 유용성은 귀중한 관점을 제공하고 MCI의 연속체에 걸쳐 환자에 대한 추가 검사 추구를 확인합니다.

언어와 문화가 다른 지역(예: 프랑스, ​​네덜란드, 미국)과 크게 다른 중국에서 MemTrax 및 이러한 모델의 구현 및 입증된 유용성은 잠재력을 더욱 강조합니다. MemTrax 기반 플랫폼의 광범위한 글로벌 수용 및 임상 가치를 위해 이것은 데이터 조화를 위해 노력하고 전 세계적으로 사용하기 위해 표준화되고 쉽게 적용되는 인지 검사를 위한 실용적인 국제 규범 및 모델링 리소스를 개발하는 데 있어 입증 가능한 예입니다.

인지 쇠퇴 모델링 및 적용의 다음 단계

AD의 인지 기능 장애는 실제로 별개의 단계나 단계가 아니라 연속체에서 발생합니다[28, 29]. 그러나 이 초기 단계에서 우리의 목표는 "정상"과 "비정상"을 근본적으로 구별할 수 있는 MemTrax를 통합하는 모델을 구축하는 능력을 먼저 확립하는 것이었습니다. 보다 포괄적인 경험적 데이터(예: 뇌 영상, 유전적 특징, 바이오마커, 동반이환 및 복합 질환의 기능적 마커) 인지가 필요한 활동 제어) [30] 다양한 글로벌 지역, 인구 및 연령 그룹에 걸쳐 보다 정교한(적절한 가중 앙상블 포함) 기계 학습 모델을 훈련하고 개발하면 더 높은 수준의 향상된 분류, 즉 장애가 있는 환자 그룹을 분류할 수 있는 능력을 지원할 것입니다. MCI는 인지 저하 연속체를 따라 더 작고 더 명확한 하위 집합으로 나뉩니다. 또한, 지역적으로 다양한 환자 집단에 걸쳐 개인에 대한 수반되는 임상 진단은 다음을 수행하는 데 필수적입니다. 효과적으로 훈련 보다 포괄적이고 예측 가능한 강력한 모델입니다. 이것은 유사한 배경, 영향 및 더 좁게 정의된 특징적인 인지 프로필을 가진 사람들에 대해 보다 구체적인 계층화된 사례 관리를 용이하게 하여 임상 의사 결정 지원 및 환자 치료를 최적화할 것입니다.

지금까지 관련된 임상 연구의 대부분은 최소한 경미한 치매 환자를 다루었습니다. 그리고 실제로는 너무 자주 환자 개입이 고급 단계에서만 시도됩니다. 그러나 치매에 대한 임상 기준이 충족되기 훨씬 전에 인지 기능 저하가 시작되기 때문에 MemTrax 기반 조기 검진을 효과적으로 적용하면 질병과 그 진행에 대한 개인의 적절한 교육을 장려하고 더 빠르고 시기 적절한 개입을 촉진할 수 있습니다. 따라서 조기 발견은 운동, 식이요법, 정서적 지원 및 개선된 사회화에서 약리학적 개입에 이르기까지 적절한 참여를 지원할 수 있으며 단독으로 또는 전체적으로 치매 진행을 완화하거나 잠재적으로 중단할 수 있는 환자 관련 행동 및 인식 변화를 강화할 수 있습니다[31, 32]. . 게다가 효과적인 조기 검진, 개인과 그 가족은 기대와 의도를 명확히 하고 일상 업무를 관리하는 데 도움이 되도록 임상 시험을 고려하거나 상담 및 기타 사회 서비스 지원을 받도록 유도될 수 있습니다. 이러한 방식의 추가 검증 및 광범위한 실용적인 유용성은 많은 개인의 MCI, AD 및 ADRD의 진행을 완화하거나 중지하는 데 도움이 될 수 있습니다.

실제로, 우리 연구에서 환자 연령 범위의 하한은 AD에 대한 전통적인 우려의 인구를 나타내지 않습니다. 그럼에도 불구하고 MoCA 점수/임계값 및 진단 심각도(표 3)에 기반한 분류 모델링 체계에 사용된 각 그룹의 평균 연령은 분명한 대다수(80% 이상)가 50세 이상임을 강조합니다. 따라서 이 분포는 일반화에 매우 적합하며 일반적으로 영향을 받는 사람들을 특성화하는 모집단에서 이러한 모델의 유용성을 지원합니다. 조기 발병 AD 및 VaD로 인한 급성장하는 신경인지 질환. 또한 최근의 증거와 관점은 잠재적으로 초기에 성인 및 중년의 혈관 위험 점수 및 그에 따른 미묘한 혈관 뇌 손상은 어린 나이에도 분명한 영향을 미치며 서서히 발생합니다. 성인[33–35]. 따라서 조기 발견을 위한 최적의 초기 검진 기회는 치매를 성공적으로 해결하기 위한 인지 적자 단계 및 효과적인 예방 및 개입 전략 시작 초기 성인기 및 잠재적으로 아동기(임신 초기부터 아포지단백 E와 같은 유전적 요인의 관련성에 주목)를 포함하여 연령 스펙트럼 전반에 걸쳐 기여 요인 및 선행 지표를 조사함으로써 나타날 것입니다.

실제로, 고급 이미징, 유전자 프로파일링 및 유망한 바이오마커 측정을 위한 유효한 임상 진단 및 비용이 많이 드는 절차가 많은 제공자에게 항상 쉽게 사용 가능하거나 실현 가능한 것은 아닙니다. 따라서 많은 경우에 초기 전반적인 인지 건강 상태 분류는 환자가 제공한 다른 간단한 메트릭(예: 자가 보고 메모리 문제, 현재 약물 및 일상적인 활동 제한) 및 일반적인 인구 통계학적 특징[7]. University of California와 같은 레지스트리 뇌 건강 Registry (https://www.brainhealthregistry.org/) [27] 및 자가 보고 증상, 정성적 측정(예: 수면 및 일상 인지), 약물, 건강 상태, 병력, 보다 상세한 인구 통계는 클리닉에서 이러한 보다 원시적인 모델의 실제 적용을 개발하고 검증하는 데 도움이 될 것입니다. 또한, 기억 기능을 평가하는 데 유용함이 입증된 MemTrax와 같은 테스트는 사실 생물학적 마커보다 AD 병리학의 훨씬 더 나은 추정치를 제공할 수 있습니다. 알츠하이머 병리학의 핵심 특징이 신경가소성의 붕괴와 압도적으로 복잡한 시냅스의 손실이라는 점을 감안할 때, 이는 간헐적으로 나타납니다. 일화 기억을 평가하는 척도인 기억 기능 장애는 실제로 살아있는 환자의 생물학적 마커보다 AD 병리학적 부담의 더 나은 추정치를 제공합니다[36].

최첨단 기술의 복잡하고 포괄적인 데이터와 여러 영역에 걸친 정제된 임상 통찰력으로 보완되거나 기존 환자 프로필의 특징인 보다 기본적이고 쉽게 사용할 수 있는 정보로 제한된 모든 예측 모델을 통해 인공 지능의 인정된 이점 그리고 머신 러닝은 결과 모델이 지속적인 애플리케이션 활용에 의해 제공되는 관련 새로운 데이터와 관점에서 합성하고 유도적으로 "학습"할 수 있다는 것입니다. 실제 기술 이전에 따라 여기(및 개발 예정) 모델이 적용되고 더 많은 사례와 관련 데이터(인지 기능 저하로 나타날 수 있는 동반 질환이 있는 환자 포함)가 풍부해짐에 따라 예측 성능 및 인지 건강 분류가 더욱 강력해질 것입니다. 결과적으로 더 효과적인 임상 의사 결정 지원 유틸리티를 제공합니다. 이러한 발전은 의료 제공자가 클리닉에서 실시간으로 활용할 수 있는 맞춤형(사용 가능한 기능을 대상으로 함) 플랫폼에 MemTrax를 내장함으로써 보다 완전하고 실질적으로 실현될 것입니다.

진단 지원 및 환자 치료를 위한 MemTrax 모델의 유효성 검증 및 유용성을 위해 반드시 필요한 것은 의미 있는 종단 데이터입니다. 적절한 범위의 정상에서 초기 단계의 MCI에 걸쳐 임상 상태에서 수반되는 변화(있는 경우)를 관찰하고 기록함으로써 적절한 지속적인 평가 및 분류를 위한 모델을 훈련하고 환자의 연령 및 치료에 따라 수정할 수 있습니다. 즉, 반복적인 효용은 경미한 인지 변화의 종단적 추적, 중재 효과 및 정보에 입각한 계층화된 치료를 유지하는 데 도움이 될 수 있습니다. 이 접근 방식은 임상 실습 및 환자 및 사례 관리와 더 밀접하게 일치합니다.

제한 사항

우리는 통제된 클리닉/병원 환경에서 깨끗한 임상 데이터를 수집하는 도전과 가치를 높이 평가합니다. 그럼에도 불구하고 데이터 세트에 공통 기능을 가진 더 많은 환자가 포함되어 있으면 모델링이 강화되었을 것입니다. 또한, 우리의 진단 모델링에 따라 학습자를 훈련시키기 위해 정상적인 인지 건강을 가진 일치하는 환자에 대해 동일한 임상 평가를 수행하는 것이 더 바람직하고 적합했을 것입니다. 그리고 필터링된 데이터셋(최상위 XNUMX개 기능만)을 사용하여 더 높은 분류 성능으로 강조된 바와 같이, 보다 일반적이고 인지 건강 측정/지표가 개선되었을 가능성이 있음 모든 환자에 걸쳐 더 많은 수의 공통 기능으로 성능을 모델링합니다.

특정 참가자는 일시적 또는 만성 인지 결핍을 유발할 수 있는 다른 질병을 동시에 경험했을 수 있습니다. 환자가 AD 또는 VaD를 갖는 것으로 진단적으로 분류된 XL 하위 데이터세트 외에 YH 환자 풀에서 동반이환 데이터가 수집/보고되지 않았으며 KM 하위 데이터세트에서 가장 많이 보고된 동반이환은 당뇨병이었습니다. 그러나 인지 결핍 수준을 유발하거나 악화시킬 수 있고 결과적으로 MemTrax 성능이 저하될 수 있는 동반 질환이 있는 환자를 모델링 계획에 포함하는 것이 보다 일반화된 조기 인지 스크리닝을 위한 실제 대상 환자 모집단을 더 잘 대표할 수 있다는 점은 논쟁의 여지가 있습니다. 및 모델링 접근 방식. 앞으로 인지 능력에 잠재적으로 영향을 미칠 수 있는 동반 질환의 정확한 진단은 모델 및 결과적인 환자 치료 응용 프로그램을 최적화하는 데 광범위하게 유용합니다.

마지막으로 YH 및 KM 하위 데이터 세트 환자는 스마트폰을 사용하여 MemTrax 테스트를 수행한 반면 XL 하위 데이터 세트 환자의 제한된 수는 iPad를 사용하고 나머지는 스마트폰을 사용했습니다. 이로 인해 MoCA 분류 모델링에 대한 MemTrax 성능의 사소한 장치 관련 차이가 발생할 수 있습니다. 그러나 예를 들어 MTx-RT의 차이(있는 경우)는 무시할 수 있습니다. 특히 기록된 테스트 성능 직전에 각 참가자에게 "실습" 테스트가 주어집니다. 그럼에도 불구하고 이 두 휴대용 장치의 유용성은 사용자가 컴퓨터 키보드의 스페이스바를 터치하여 반복되는 사진에 응답한 다른 MemTrax 결과와의 직접적인 비교 및/또는 통합을 잠재적으로 손상시킬 수 있습니다.

MemTrax 예측 모델링 유틸리티의 요점

  • • 선택된 MemTrax 성능 메트릭을 포함하는 최고 성능의 예측 모델은 널리 인정되는 MoCA 테스트에 의해 표시되는 인지 건강 상태(정상 인지 건강 또는 MCI)를 안정적으로 분류할 수 있습니다.
  • • 이러한 결과는 선택된 MemTrax 성능 메트릭을 초기 인지 장애에 대한 분류 예측 모델 스크리닝 애플리케이션에 통합하는 것을 지원합니다.
  • • 우리의 분류 모델링은 또한 치매 진단의 중증도를 구별하기 위한 애플리케이션에서 MemTrax 성능을 활용할 수 있는 가능성을 보여주었습니다.

이러한 새로운 발견은 인지 장애를 경험하는 개인에 대한 효과적인 임상 사례 관리 및 환자 치료에서 진단 지원을 위해 강화된 강력한 MemTrax 기반 분류 모델을 구축하는 데 기계 학습의 유용성을 뒷받침하는 확실한 증거를 확립합니다.

감사의 글

J. Wesson Ashford, Curtis B. Ashford 및 여기에서 사용된 온라인 연속 인식 작업 및 도구(MemTrax)를 개발하고 검증한 동료들의 노력을 인정하며 중요한 기초 연구에 기여한 수많은 치매 환자들에게 감사드립니다. . 우리는 또한 SJN Biomed LTD의 Xianbo Zhou와 그의 동료들, 병원/진료소 현장의 그의 동료 및 협력자들, 특히 Drs. 참가자 모집, 테스트 일정, 데이터 수집, 기록 및 프런트 엔드 관리를 도운 M. Luo 및 M. Zhong, 소중한 시간을 기부하고 테스트에 응시하고 제공하기 위해 노력한 자원 봉사 참가자 이 연구에서 평가할 가치 있는 데이터입니다. 이것 연구는 부분적으로 MD Scientific Research에 의해 지원되었습니다. 쿤밍 의과대학 프로그램(교부금 번호 2017BS028 ~ XL) 및 윈난 과학기술부 연구 프로그램(교부금 번호 2019FE001(-222) ~ XL).

J. Wesson Ashford는 일반용으로 이 백서에 설명된 특정 연속 인식 패러다임의 사용에 대한 특허 출원을 제출했습니다. 기억력 테스트.

MemTrax, LLC는 Curtis Ashford가 소유한 회사이며 이 회사는 메모리 테스트 이 문서에서 설명하는 시스템.

저자 공개는 온라인에서 볼 수 있습니다(https://www.j-alz.com/manuscript-disclosures/19-1340r2).

기억력 테스트 치매 테스트 기억력 상실 테스트 단기 기억력 테스트 램 테스트 마음 다이어트 다양한 책인지 테스트 온라인
Curtis Ashford – 인지 연구 코디네이터

참조

[1] 알츠하이머 협회(2016) 2016 알츠하이머병 사실 그리고 수치. 알츠하이머 치매 12, 459–509.
[2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) 초반 효과 알츠하이머 병 가계 재정 결과에 대해. 건강 경제 29, 18–29.
[3] Foster NL , Bondi MW , Das R , Foss M , Hershey LA , Koh S , Logan R , Poole C , Shega JW , Sood A , Thothala N , Wicklund M , Yu M , Bennett A , Wang D (2019) 품질 개선 신경학: 경도 인지 장애 품질 측정 세트. 신경과 93, 705–713.
[4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) 사용의 비용 효율성 XNUMX차 진료에서 치매 및 경도 인지 장애를 감지하기 위한 인지 선별 검사. Int J Geriatr Psychiatry 32, 1392-1400.
[5] 애쉬포드 JW, 기어 E, 베일리 PJ (2011) 메모리 측정 지속적인 인식 테스트를 사용하여 대규모 그룹 설정에서. J 알츠하이머 Dis 27, 885–895.
[6] Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT(2019) 일화 기억 측정을 위한 컴퓨터화된 연속 인식 작업. J 알츠하이머 Dis 69, 385–399.
[7] Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) 인지 건강 상태 분류 예측을 위한 기계 학습 모델링의 에피소드 메모리 성능. J 알츠하이머 Dis 70, 277–286.
[8] van der Hoek MD, Nieuwenhuizen A, Keijer J, Ashford JW(2019) MemTrax 테스트 경미한 인지 장애의 몬트리올 인지 평가 평가와 비교했습니다. J 알츠하이머 Dis 67, 1045–1054.
[9] Falcone M , Yadav N , Poellabauer C , Flynn P (2013) 경증 외상성 뇌 손상의 분류를 위해 격리 모음 소리 사용. 2013년 IEEE International Conference on Acoustics, Speech and Signal Processing, Vancouver, BC, pp. 7577–7581.
[10] Dabek F, Caban JJ(2015) 빅 데이터를 활용하여 뇌진탕 후 심리적 상태가 발생할 가능성을 모델링합니다. Procedia Comput Sci 53, 265–273.
[11] Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) 커뮤니티 약사가 인지 장애를 조기에 발견하기 위한 의사 결정 트리. 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: 가벼운 인지 장애에 대한 간략한 선별 도구. J Am Geriatr Soc 53, 695–699.
[13] Yu J , Li J , Huang X (2012) 경증 인지 장애에 대한 간략한 선별 도구로서의 몬트리올 인지 평가의 베이징 버전: 커뮤니티 기반 연구. BMC 정신과 12, 156.
[14] Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) 경도인지 장애 선별을 위한 몬트리올 인지 평가 기본 중국어 버전 검증. J Am Geriatr Soc 64, e285–e290.
[15] Carson N, Leach L, Murphy KJ(2018) 몬트리올 인지 평가(MoCA) 컷오프 점수의 재검토. Int J Geriatr Psychiatry 33, 379–388.
[16] American Psychiatric Association(2013) 태스크포스 정신 장애 진단 및 통계 매뉴얼: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC.
[17] 파이썬. Python 소프트웨어 재단, http://www.python.org, 15년 2019월 XNUMX일 액세스.
[18] R Core Group, R: 통계 컴퓨팅을 위한 언어 및 환경 R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/, 2018, 15년 2019월 XNUMX일에 액세스.
[19] Benavoli A , Corani G , Demšar J , Zaffalon M (2017) 변경을 위한 시간: 베이지안 분석을 통해 여러 분류기를 비교하기 위한 자습서. J Mach Learn Res 18, 1–36.
[20] Frank E, Hall MA, Witten IH(2016) The WEKA Workbench. ~ 안에 데이터 마이닝 : 실용적인 머신 러닝 도구 및 기법, Frank E, Hall MA, Witten IH, Pal CJ, eds. 모건 카우프만 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) 고등학교 스포츠 뇌진탕 증상 해결 모델링의 기계 학습. Med Sci Sports Exerc 51, 1362–1371.
[22] Van Hulse J , Khoshgoftaar TM , Napolitano A (2007) 불균형 데이터 학습에 대한 실험적 관점. ~ 안에 제24회 머신러닝 국제학술대회 진행, 미국 오리건주 코발리스, pp. 935-942.
[23] Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN(1989) 알츠하이머 환자 평가 및 최소 정신 상태: 항목 특성 곡선 분석.P. J Gerontol 44, 139–146.
[24] Ashford JW, Jarvik L(1985) 알츠하이머 병 : 뉴런 가소성은 축삭 신경원섬유 변성에 취약합니까? N Engl J Med 313, 388–389.
[25] Jack CR Jr, Therneau TM, Weigand SD, Wiste HJ, Knopman DS, Vemuri P, Lowe VJ, Mielke MM, Roberts RO, Machulda MM, Graff-Radford J, Jones DT, Schwarz CG, Gunter JL, Senjem ML , Rocca WA , Petersen RC(2019) National Institute on Aging-Alzheimer's를 사용하여 생물학적 대 임상적으로 정의된 알츠하이머 스펙트럼 개체의 유병률 협회 연구 뼈대. JAMA Neurol 76, 1174–1183.
[26] Zhou X , Ashford JW(2019)에 대한 선별 도구의 발전 알츠하이머 병. 노화 메드 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) 뇌 건강 Registry: 신경과학 연구 참가자 모집, 평가 및 종적 모니터링을 위한 인터넷 기반 플랫폼입니다. 알츠하이머 치매 14, 1063–1076.
[28] Ashford JW, Schmitt FA(2001) 시간 경과 모델링 알츠하이머 치매. Curr 정신과 담당자 3, 20–28.
[29] Li X , Wang X , Su L , Hu X , Han Y (2019) 인지 저하에 대한 중국 종단 연구(SILCODE): 주관적 인지 능력이 있는 개인의 경도 인지 장애로의 전환 위험 예측 모델을 개발하기 위한 중국 종단 관찰 연구 프로토콜 감소. BMJ 오픈 9, e028188.
[30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) 에 대한 XNUMX년 바이오마커 진행 가변성 알츠하이머병 치매 예측: 일상 생활 마커의 복잡한 도구적 활동이 간격을 채울 수 있습니까? 알츠하이머 치매(Amst) 1, 521–532.
[31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) 알츠하이머병 예방 및 치료: 운동의 생물학적 메커니즘. J 알츠하이머 Dis 69, 311–338.
[32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) 치료법 알츠하이머병의 예방과 치료. Biomed Res Int 2016, 2589276.
[33] Lane CA , Barnes J , Nicholas JM , Sudre CH , 현금 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) 성인기의 혈관 위험과 노년의 뇌 병리 사이의 연관성: 영국 출생 코호트의 증거. JAMA Neurol 77, 175–183.
[34] Seshadri S (2020) 나이와 아밀로이드 상자를 초월한 치매 사고 예방. JAMA Neurol 77, 160–161.
[35] Maillard P , Seshadri S , Beiser A , Himali JJ , Au R , Fletcher E , Carmichael O , Wolf PA , DeCarli C (2012) Framingham 심장 연구에서 젊은 성인의 백질 무결성에 대한 수축기 혈압의 영향: 십자가 - 단면 연구. 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) 신경병리학적으로 정의된 바이오마커 테스트의 정확도 치매 노인의 알츠하이머병. 앤 인턴 Med 172, 669–677.

소속: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] 미국 플로리다 주 보카 라톤 플로리다 애틀랜틱 대학교 컴퓨터 및 전기 공학 및 컴퓨터 과학과 | [c] SJN Biomed LTD, 쿤밍, 윈난, 중국 | [d] 센터 알츠하이머 연구, Washington Institute of Clinical Research, 워싱턴 DC, 미국 | [e] 중국 윈난성 쿤밍 쿤밍 의과대학 제XNUMX부속병원 재활의학과 | [f] 중국 윈난성 더훙 더훙 인민병원 신경과 | [g] 중국 윈난성 쿤밍시 우화구 쿤밍의과대학 제XNUMX부속병원 신경과 | [h] 전쟁 관련 질병 및 부상 연구 센터, VA Palo Alto 건강 시스템, Palo Alto, CA, USA | [i] 미국 캘리포니아 주 팔로 알토 스탠포드 대학교 의과 대학 정신과 및 행동 과학과

통신: [*] 통신: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. 이메일: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, 쿤밍 의과 대학 제295 부속 병원 신경과, 650032 Xichang Road, Wuhua District, Kunming, Yunnan Province 163, China. 이메일: ring@vip.XNUMX.com.

키워드: 노화, 알츠하이머 병, 치매, 집단검진