Kêrhatina MemTrax û Modela Fêrbûna Makîneyê Di Dabeşkirina Kêmasiya Nebatî ya Sivik de
Gotara Lêkolînê
Nivîskar: Bergeron, Michael F. | Landset, Sara | Zhou, Xianbo | Ding, Tao | Khoshgoftaar, Taghi M. | Zhao, Feng | Du, Bo | Chen, Xinjie | Wang, Xuan | Zhong, Lianmei | Liu, Xiaolei| Ashford, J. Wesson
DOI: 10.3233 / JAD-191340
Rojname: Kovara Nexweşiya Alzheimer, vol. 77, na. 4, rûp. 1545-1558, 2020
Abstract
Paşî:
Bûbûn û belavbûna berbelav Nexweşiya alzheimer û kêmasiya cognitive ya sivik (MCI) bangek bilez ji bo lêkolînê kiriye ku ji bo verastkirina ceribandin û nirxandina nasîna zû ya zû.
Berdest:
Armanca lêkolîna meya bingehîn ev bû ku em diyar bikin ka metrîkên performansa MemTrax-ê yên bijartî û taybetmendiyên demografîk û profîlên tenduristiyê yên têkildar dikarin bi bandor di modelên pêşdîtinê yên ku bi fêrbûna makîneyê hatine çêkirin de werin bikar anîn da ku tenduristiya cognitive dabeş bikin (normal li hember MCI), wekî ku dê ji hêla Nirxandina Cognitive Montreal (MoCA).
Methods:
Me li ser 259 nexweşên mezinan ên neurolojî, klînîka bîrê û dermanê hundurîn ku ji du nexweşan hatine peywirdarkirin, lêkolînek xaçerê kir. nexweşxaneyên li Çînê. Ji her nexweş re MoCA-ya bi zimanê Çînî hate dayîn û bi xwe-rêveberiya pênasîna serhêl a MemTrax-ê ya domdar. testa bîra serhêl di heman rojê de. Modelên dabeşkirina pêşbînîkirî bi karanîna fêrbûna makîneyê bi erêkirina xaça 10-qatî ve hatine çêkirin, û performansa modelê bi karanîna Qada Di bin Kûreya Taybetmendiya Xebatê ya Wergir (AUC) de hate pîvandin. Model bi karanîna du metrîkên performansa MemTrax (ji sedî rast, dema bersivê), digel heşt taybetmendiyên hevpar ên demografîk û dîroka kesane hatine çêkirin.
results:
Berawirdkirina xwendekaran di navhevokên hilbijartî yên xal û berbanga MoCA de, Naïve Bayes bi gelemperî bi performansa dabeşkirina giştî ya 0.9093-ê xwendekarê herî performansê bû. Zêdetir, di nav sê xwendekarên pêşîn de, performansa dabeşkirina bingeha MemTrax bi tevahî bi karanîna çar taybetmendiyên jorîn (0.9119) li gorî karanîna hemî 10 taybetmendiyên hevpar (0.8999) çêtir bû.
Xelasî:
Performansa MemTrax dikare di modela pêşbîniya dabeşkirina fêrbûna makîneyê de bi bandor were bikar anîn serîlêdana ceribandinê ji bo tespîtkirina astengiya cognitive qonaxa destpêkê.
PÊŞKÊŞ
Bûyer û berbelavbûna naskirî (her çend kêmasî be jî) û bijîjkî, civakî û gelemperî zêde dibe. tendûrûstî lêçûn û barê nexweşiya Alzheimer (AD) û kêmasiya cognitive ya sivik (MCI) ji bo hemî beşdaran her ku diçe giran dibe [1, 2]. Vê senaryoya tengahî û bûrjûyî banga lezgîn a lêkolînê kir ku were pejirandin tespîtkirina zû Amûrên ceribandin û nirxandinê yên naskirî ji bo karanîna pratîkî ya birêkûpêk di mîhengên kesane û klînîkî de ji bo nexweşên pîr li herêm û nifûsa cihêreng [3]. Divê ev amûr di heman demê de wergerek bêkêmasî ya encamên agahdarî li tomarên tenduristiyê yên elektronîkî peyda bikin. Feydeyên wê bi agahdarkirina nexweşan û arîkariya bijîjkan di naskirina guhertinên girîng ên berê de werin fêhm kirin û bi vî rengî rêgezkirin, pêkanîn, û şopandina dermankirina kesane ya guncav û bihatir û lênihêrîna nexweşan ji bo kesên ku dest bi ezmûnê dikin bi lez û beztir bike. hilweşîna cînayetî [3, 4].
Amûra MemTrax ya komputerkirî (https://memtrax.com) nirxandinek nasîna domdar a hêsan û kurt e ku dikare bixwe serhêl were rêvebirin da ku performansa bîranîna episodîk a dijwar a demdar bipîve li cihê ku bikarhêner bersivê dide wêneyên dubare û ne pêşkêşiyek destpêkê [5, 6]. Lêkolîna vê dawîyê û encamên pratîkî yên encamkirî dest pê dikin ku bi pêşkeftî û kolektîf bandora klînîkî ya MemTrax di destpêka AD û MCI de nîşan bidin [5-7]. Lêbelê, berhevoka rasterast a karanîna klînîkî ya heyî tenduristiya cognitive nirxandin û standardên kevneşopî ji bo agahdarkirina perspektîfa profesyonel û piştrastkirina karanîna MemTrax di tespîtkirina zû û piştgirîya teşhîs de garantî ye. van der Hoek et al. [8] metrîkên performansa MemTrax-ê yên bijartî (leza reaksiyonê û ji sedî rast) bi statûya cognitive ya ku ji hêla Montreal ve hatî destnîşankirin berhev kirin. Nirxandina Cognitive (MoCA). Lêbelê, ev lêkolîn bi girêdana van metrîkên performansê bi taybetmendiya statûya cognitive (wekî ku ji hêla MoCA ve hatî destnîşankirin) ve girêdayî bû û rêzikên têkildar û nirxên qutkirî diyar kirin. Li gorî vê yekê, ji bo berfirehkirina vê lêkolînê û baştirkirina performansa dabeşkirinê û bandorkerî, pirsa lêkolîna me ya bingehîn ev bû:
- Dikare metrîkên performansa MemTrax û demografîk û tenduristiya têkildar a kesek hilbijartî bike tengal taybetmendî bi rengek bandor di modelek pêşdîtinê de ku bi fêrbûna makîneyê ve hatî pêşve xistin têne bikar anîn da ku tenduristiya cognitive bi dubendî (normal li hember MCI) dabeş bike, wekî ku dê ji hêla xala MoCA-ê ve were destnîşan kirin?
Ji bo vê yekê, me xwest ku em zanibin:
- Tevlî heman taybetmendiyan, gelo modelek fêrbûna makîneyê ya li ser bingeha performansa MemTrax dikare bi bandor li nexweşek were sepandin da ku giraniya (sivik beramberî giran) di nav kategoriyên bijartî yên kêmasiya cognitive de ku dê ji hêla teşhîsek klînîkî ya serbixwe ve were destnîşankirin pêşbîn bike?
Hatine û pêşkeftina sepana pratîkî ya îstîxbarata sûnî û fêrbûna makîneyê di vekolîn / vedîtinê de jixwe avantajên pratîkî yên cihêreng destnîşan kiriye, digel ku modela pêşbînîker bi bandor bijîjkeran di nirxandina dijwar a tenduristiya hişmendî / mêjî û rêveberiya nexweş de rêber dike. Di lêkolîna me de, me di modela dabeşkirina MCI de û cûdahiya giraniya kêmasiya cognitive de nêzîkatiyek wekhev hilbijart ku ji hêla teşhîsa klînîkî ve ji sê daneyên danûstendinê ve hatî pejirandin ku nûnerên dilxwazên dilxwaz ên hundurîn û nexweşên derveyî ji du nexweşxaneyên li Chinaînê têne pejirandin. Bi karanîna modela pêşdîtinê ya fêrbûna makîneyê, me ji berhevokên cihêreng ên databas/xwendevanan şagirtên performansa herî baş nas kir û taybetmendî rêz kirin da ku di danasîna serîlêdanên modela herî pratîkî yên klînîkî de rêberiya me bikin.
Hîpotezên me ev bûn ku modelek bingehîn a MemTrax-ê ya pejirandî dikare were bikar anîn da ku tenduristiya cognitive bi dubendî (normal an MCI) li ser bingeha pîvana bendava berhevokê ya MoCA-yê dabeş bike, û ku modelek pêşdîtinê ya MemTrax-ê bi bandor dikare di cûdakirina giraniyê de di kategoriyên bijartî de were bikar anîn. klînîkî de teşhîs kirin astengiya cognitive. Nîşandana encamên pêşbînîkirî dê di piştgirîkirina bandorkeriya MemTrax de wekî dîmenderek zû tespîtkirina ji bo kêmbûna cognitive û dabeşkirina kêmasiya cognitive alîkar be. Berhevdana bijarte ya bi standardek pîşesaziyê ya ku ji hêla hêsan û bileziya karûbarê pir mezintir ve hatî temam kirin dê bandorker be di alîkariya bijîjkan de ku vê amûrek hêsan, pêbawer û gihîştî wekî ekranek destpêkê di tespîtkirina kêmasiyên qonaxên destpêkê (di nav de prodromal) de bipejirînin. Nêzîkatî û bikêrhatîyek wusa dikare bi vî rengî lênihêrîn û destwerdana nexweşan bi demkî û çêtir birêkûpêk bike. Van nihêrînên pêşeroj û metrîk û modelên pêşkeftî jî dikarin di sivikkirin an sekinandina pêşkeftina dementiyê de, di nav de dementiyên AD û AD-ê (ADRD) arîkar bin.
MATERIALS AND METHODS
Lêkolîna niştecîhan
Di navbera Çile 2018 û Tebaxa 2019-an de, lêkolîna xaçerê ya li ser nexweşên ku ji du nexweşxaneyên li Chinaînê hatine wergirtin hate qedandin. Rêvebiriya MemTrax [5] ji kesên 21 salî û mezintir re û berhevkirin û analîzkirina wan daneyan ji hêla pîvanên exlaqî ve hatine vekolîn û pejirandin û rêvebirin. mirov Komîteya Parastina Mijarê ya Zanîngeha Stanford. MemTrax û hemî ceribandinên din ên ji bo vê lêkolîna giştî li gorî danezana Helsinki ya 1975-an hatine kirin û ji hêla Lijneya Vekolîna Saziyê ya Yekemîn Nexweşxaneya Têkildar a Zanîngeha Bijîşkî ya Kunming li Kunming, Yunnan, Chinaîn ve hatî pejirandin. Ji her bikarhênerek re tê pêşkêş kirin razîbûna agahdarî form ji bo xwendin / vekolîn û paşê bi dilxwazî qebûl bike ku beşdarî.
Beşdar ji hewza nexweşên derve yên li klînîka neurolojiyê ya li Nexweşxaneya Yanhua (YH sub-dataset) û klînîka bîranînê li Nexweşxaneya Yekem a girêdayî Kunming Medical Zanîngeh (XL sub-dataset) li Pekînê, Chinaîn. Di heman demê de beşdar ji nexweşên hundurîn ên neurolojiyê (XL sub-dataset) û dermanê navxweyî (KM sub-dataset) li Nexweşxaneya Yekem a Têkildar a Zanîngeha Bijîjkî ya Kunmingê jî hatin girtin. Pîvanên tevlêbûnê 1) mêr û jinên herî kêm 21 salî, 2) şiyana axaftina Çînî (Mandarîn) û 3) şiyana fêmkirina rêwerzên devkî û nivîskî hene. Pîvanên dûrketinê kêmasiyên dîtin û motorê bûn ku nehiştin beşdarvanan temam bikin Testa MemTrax, di heman demê de nebûna famkirina rêwerzên testê yên taybetî.
Guhertoya Çînî ya MemTrax
Online Platforma testa MemTrax hate wergerandin nav Çînî (URL: https://www.memtrax.com.cn) û bêtir ji bo ku bi WeChat ve were bikar anîn (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Chinaîn) ji bo xwe-rêveberiyê. Daneyên li ser serverek ewr (Ali Cloud) ku li Chinaînê ye û destûrnameya Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, Chinaîn) ji hêla SJN Biomed LTD (Kunming, Yunnan, Chinaîn) ve hatî hilanîn. Agahiyên taybetî yên li ser MemTrax û pîvanên rastdariya testê yên ku li vir têne bikar anîn berê hatine diyar kirin [6]. Test ji nexweşan re bê pere hat dayîn.
Karûbarên xwendinê
Ji bo nexweş û nexweşên derveyî, pirsnameyek kaxezek gelemperî ji bo berhevkirina agahdariya demografîk û kesane yên wekî temen, zayend, salên perwerdehiyê, pîşe, bi tenê dijîn an bi malbatê re, û dîroka bijîjkî ji hêla endamek tîmê lêkolînê ve hate rêve kirin. Piştî temamkirina pirsnameyê, testên MoCA [12] û MemTrax hatin rêvebirin (pêşîn MoCA) ku di navbera ceribandinan de ji 20 hûrdeman zêdetir nabe. Ji sedî MemTrax rast (MTx-% C), dema bersivê ya navîn (MTx-RT), û tarîx û dema ceribandinê ji hêla endamek tîmê lêkolînê ve ji bo her beşdarek ceribandin li ser kaxezê hate tomar kirin. Pirsnameya temamkirî û encamên MoCA-yê ji hêla lêkolînerê ku ceribandinan bi rê ve bir û berî ku pelên Excel ji bo analîzê werin hilanîn, ji hêla hevkarek ve hatî verast kirin, li peldankek Excel-ê hate barkirin.
Testa MemTrax
Di testa serhêl a MemTrax de 50 wêne (25 yekta û 25 dubare kirin; 5 komikên 5 dîmenên dîmen an tiştên hevpar) di nav rêzek pseudo-random de têne xuyang kirin. Beşdar dê (li gorî rêwerzan) bişkojka Destpêkê li ser ekranê dest pê bike da ku ceribandinê dest pê bike û dest bi temaşekirina rêzika wêneyê bike û gava ku wêneyek dubare xuya bû bi zûtirîn dem dest bi wêneyê li ser ekranê bike. Her wêne ji bo 3 seqeyan an heya ku wêneya li ser ekranê hate desteser kirin xuya bû, ku tavilê wêneyê din pêşkêşî kir. Bi karanîna demjimêra hundurîn a cîhaza herêmî, MTx-RT ji bo her wêneyê ji hêla dema derbasbûyî ji pêşkêşkirina wêneyê heya dema ku ekran ji hêla beşdaran ve hatî desteser kirin di bersivê de ji bo destnîşankirina nasnameya wêneyê wekî ya ku berê hatî destnîşan kirin hate destnîşankirin. di dema testê de. MTx-RT ji bo her wêneyê hate tomar kirin, bi tevahî 3 s ku bê bersiv hate tomar kirin. MTx-% C hate hesab kirin ku ji sedî wêneyên dubare û destpêkê yên ku bikarhêner rast bersiv da nîşan bide (erênî + neyînî rast bi 50 ve dabeş kirin). Zêdetir hûrguliyên rêveberî û pêkanîna MemTrax, kêmkirina daneyan, daneya nederbasdar an "bê bersiv", û analîzên daneya bingehîn li cîhek din têne diyar kirin [6].
Testa MemTrax bi hûrgulî hate ravekirin û ceribandinek pratîkê (bi wêneyên bêhempa yên ji bilî yên ku di testê de ji bo tomarkirina encaman têne bikar anîn) ji beşdaran re li cîhê nexweşxaneyê hate peyda kirin. Beşdarên di bin-daneyên YH û KM de ceribandina MemTrax li ser têlefonek ku bi serîlêdana WeChat-ê ve hatî barkirin girt; di heman demê de hejmarek sînorkirî ya nexweşên jêr-daneyên XL iPad bikar anîn û yên mayî jî smartphone bikar anîn. Hemî beşdaran ceribandina MemTrax bi lêkolînerek lêkolînê ya ku bi çavnebarî lê dinihêrî girt.
Nirxandina cognitive Montreal
Guhertoya Pekînê ya MoCA ya Chineseînî (MoCA-BC) [13] li gorî rêwerzên testê yên fermî ji hêla lêkolînerên perwerdekirî ve hate rêvebirin û xal kirin. Bi guncan, MoCA-BC wekî pêbawer hate destnîşan kirin test ji bo cognitive vekolîn li ser hemî astên perwerdehiyê di mezinên pîr ên Chineseînî de [14]. Her îmtîhanê li ser bingeha jêhatîbûnên cognitive yên beşdar nêzî 10 û 30 hûrdem girt.
MoCA dabeşkirina modela
Bi tevahî 29 taybetmendiyên bikêr hebûn, di nav de du MemTrax pîvanên performansa ceribandinê û 27 taybetmendiyên bi demografîk û tenduristiyê ve girêdayî ne agahî ji bo her beşdarekî. Pûaneya testa tevhev a MoCA ya her nexweş wekî ku hate bikar anîn vekolîna cognitive "Banchmark" ji bo perwerdekirina modelên meyên pêşdîtin. Li gorî vê yekê, ji ber ku MoCA ji bo afirandina etîketa polê hate bikar anîn, me nekarî jimareya tevhev (an yek ji xalên jêrkomê MoCA) wekî taybetmendiyek serbixwe bikar bînin. Me ceribandinên pêşîn pêk anîn ku tê de me sê jêr-daneyên orîjînal sê nexweşxane/klînîk(yên) bi ferdî model kirin (tefnkirina tenduristiya cognitive ya ku ji hêla MoCA ve hatî destnîşankirin) û dûv re bi karanîna hemî taybetmendiyan tevhev kirin. Lêbelê, hemî heman hêmanên daneyê li her çar klînîkên ku sê jêr-danewan temsîl dikin nehatine berhev kirin; ji ber vê yekê, gelek taybetmendiyên me yên di daneheva hevgirtî de (dema ku hemî taybetmendiyan bikar tînin) xwedan kêmbûna nirxên winda bûn. Dûv re me bi daneheva hevgirtî re modelên ku tenê taybetmendiyên hevpar bikar tînin ava kirin ku di encamê de performansa dabeşkirinê çêtir bû. Ev îhtîmal e ku bi tevliheviya hebûna bêtir mînakên ku bi wan re bixebitin bi berhevkirina sê jêr-daneyên nexweşan û ne taybetmendiyên bi berbelavbûnek bêkêmasî ya nirxên winda re hate rave kirin (tenê taybetmendiyek di daneheva hevgirtî de, celebê xebatê, nirxek wenda bû, bandor dike tenê sê mînakên nexweşan), ji ber ku tenê taybetmendiyên hevpar ên ku li her sê malperan hatine tomar kirin hatine girtin. Nemaze, me ji bo her taybetmendiyek ku di dawiyê de di daneheva hevgirtî de nebûye pîvanek redkirina taybetî tune. Lêbelê, di modela daneya hevgirtî ya pêşîn de, me pêşî hemî taybetmendiyên ji her sê jêr-daneyên nexweşan ên cihêreng bikar anîn. Vê yekê bi gelemperî di performansa modelê de encam da ku ji modela pêşîn a destpêkê ya li ser her jêr-daneyên kesane bi pîvan kêmtir bû. Wekî din, her çend ku performansa dabeşkirina modelên ku bi karanîna hemî taybetmendiyan hatine çêkirin teşwîq bû, di nav hemî xwendekar û nexşeyên dabeşkirinê de, dema ku tenê taybetmendiyên hevpar bikar tînin, performansa du caran pir model çêtir bû. Di rastiyê de, di nav wan de ku di encamê de hînkarên me yên herî pêşîn bûn, hemî lê yek model bi rakirina taybetmendiyên ne-hevbeş çêtir bûn.
Daneya tevhev a paşîn (YH, XL, û KM bi hev re) 259 mînak vedihewîne, ku her yek beşdarek bêhempa temsîl dike ku hem ceribandinên MemTrax û hem jî testên MoCA girt. 10 taybetmendiyên serbixwe yên hevpar hebûn: Metrîkên performansa MemTrax: MTx-% C û wateya MTx-RT; Agahdariya dîroka demografîk û bijîjkî: temen, zayend, salên perwerdehiyê, celebê kar (kola şîn / stûyê spî), piştevaniya civakî (çi kesê ku test bi tenê dijî an bi malbatê re dijî), û bersivên erê/na li ser ka bikarhêner xwedî a dîroka şekir, hîperlîpîdemî, an birîna mêjî ya trawmatîk. Du metrîkên pêvek, xala tevhev a MoCA û xala tevhev a MoCA ku ji bo salên perwerdehiyê hatine verast kirin [12], ji hev cuda hatine bikar anîn da ku nîşaneyên dabeşkirina girêdayî pêşve bibin, bi vî rengî du nexşeyên modela cihêreng ên ku li ser databasa meya hevgirtî werin sepandin. Ji bo her guhertoyek (rastkirî û nerastkirî) xala MoCA, dane dîsa ji bo dabeşkirina binary bi karanîna du bendên pîvanê yên cihêreng-ya destpêkê pêşniyar kirin [12] û nirxek alternatîf ku ji hêla yên din ve hatî bikar anîn û pêşve xistin [8, 15] veqetandî hate model kirin. Di pilana dabeşkirina sînorê alternatîf de, heke nexweşek di testa MoCA de ≥23 bidest bixe û heke pûan 22 an kêmtir be, nexweşek xwedî tenduristiya cognitive normal tê hesibandin; di heman demê de, di forma dabeşkirina pêşîn a pêşniyarkirî de, pêdivî bû ku nexweş li ser MoCA 26 an çêtir bi dest bixe da ku wekî xwedan tenduristiya cognitive normal were binavkirin.
Daneyên parzûnkirî yên ji bo modela dabeşkirina MoCA
Me bi karanîna çar teknîkên rêzkirina taybetmendiyê yên ku bi gelemperî têne bikar anîn vekolîn kir dabeşkirina MoCA: Chi-Squared, Rêjeya Gain, Qezenckirina Agahdariyê, û Nezelaliya Symmetrical. Ji bo perspektîfa navberê, me bi karanîna her çar pileyên modela xwe ve rêzbendan li ser tevahiya daneheva hevgirtî sepand. Hemî ranker li ser heman taybetmendiyên jorîn li hev kirin, ango, temen, hejmara salên perwerdehiyê, û hem metrîkên performansa MemTrax (MTx-% C, tê wateya MTx-RT). Dûv re me modelan bi karanîna her teknîka hilbijartina taybetmendiyê ji nû ve ava kir da ku modelan tenê li ser çar taybetmendiyên jorîn perwerde bikin (binêre Hilbijartina taybetmendiyê jêrîn).
Encamên heşt guhertoyên paşîn ên nexşeyên modelkirina dabeşkirina xala MoCA di Tablo 1 de têne pêşkêş kirin.
Table 1
Kurteya guhertoyên nexşeya modelkirinê yên ku ji bo dabeşkirina MoCA têne bikar anîn (Normal Tenduristiya Cognitive beramberî MCI)
| Scheme Modeling | Tenduristiya Ragihandinê ya Normal (Çîna Neyînî) | MCI (Çîna erênî) |
| Adjusted-23 Unfiltered / Parzûnkirî | 101 (39.0%) | 158 (61.0%) |
| Adjusted-26 Unfiltered / Parzûnkirî | 49 (18.9%) | 210 (81.1%) |
| Unadjusted-23 Unfiltered / Parzûnkirî | 92 (35.5%) | 167 (64.5%) |
| Unadjusted-26 Unfiltered / Parzûnkirî | 42 (16.2%) | 217 (83.8%) |
Hejmara têkildar û ji sedî ji tevaya nexweşan di her polê de ji hêla verastkirina puanê ji bo perwerdehiyê (Rastkirî an Nerastkirî) û sînorê dabeşkirinê (23 an 26) ve, wekî ku li ser her du komên taybetmendiyê têne sepandin (Nefîlmkirî û Parzûnkirî) têne cûda kirin.
Modela nirxandina klînîkî ya li ser bingeha MemTrax
Ji sê jêr-daneyên meya orîjînal (YH, XL, KM), tenê nexweşên jêr-daneyên XL bi rengek serbixwe ji bo kêmasiya cognitive hatin teşhîs kirin (ango, xalên wan ên MoCA yên têkildar di sazkirina dabeşkirina normal û qels de nehatine bikar anîn). Bi taybetî, nexweşên XL bi wan re hatin teşhîs kirin testa nexweşiya Alzheimer (AD) an dementiya vaskuler (VaD). Di nav her yek ji van kategoriyên teşhîsa bingehîn de, ji bo MCI navnîşek din hebû. Teşhîsên MCI, dementia, nexweşiya neurocognitive vaskuler, û nexweşiya neurocognitive ji ber AD-ê li ser pîvanên tespîtkirinê yên taybetî û cihêreng ên ku di Destûra Teşhîs û Statîstîka Nexweşiyên Derûnî de hatine destnîşan kirin: DSM-5 [16]. Bi berçavgirtina van teşhîsên safîkirî, du pileyên modela dabeşkirinê ji hev cuda li ser jêr-daneyên XL hatin sepandin da ku asta giraniyê (asta kêmasiyê) ji bo her kategoriya teşhîsa bingehîn cuda bikin. Daneyên ku di her yek ji van pileyên modela tespîtkirinê de têne bikar anîn (AD û VaD) agahdariya dîroka demografîk û nexweş, û her weha performansa MemTrax (MTx-% C, wateya MTx-RT) vedihewîne. Her teşhîs bi nermî hate binavkirin heke were destnîşan kirin MCI; wekî din, ew giran hate hesibandin. Me di destpêkê de fikir kir ku di nav modelên teşhîsê de xala MoCA (sivik beramberî giran); lê me destnîşan kir ku ew ê mebesta pilana meya modela pêşbîniya duyemîn têk bibe. Li vir dê xwendekar bi karanîna taybetmendiyên nexweş ên din ên ku bi hêsanî ji peydaker û metrîkên performansê yên testa MemTrax ya hêsan (li şûna MoCA) li dijî referansa "standard zêr", teşhîsa klînîkî ya serbixwe peyda dibin, werin perwerde kirin. Di daneya teşhîsa AD de 69 û 76 mînakên VaD hebûn (Table 2). Di her du daneyan de, 12 taybetmendiyên serbixwe hebûn. Digel 10 taybetmendiyên ku di dabeşkirina xala MoCA de cih digirin, dîroka nexweş di heman demê de agahdariya li ser dîroka hîpertansiyon û stok jî vedihewîne.
Table 2
Kurteya guhertoyên nexşeya modelkirinê yên ku ji bo dabeşkirina giraniya teşhîsê têne bikar anîn (Silm beramberî Zehf)
| Scheme Modeling | Sivik (Çîna Neyînî) | Giran (Çîna erênî) |
| MCI-AD li dijî AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD li dijî VaD | 38 (50.0%) | 38 (50.0%) |
Hejmara têkildar û ji sedî ji tevahî nexweşan di her polê de ji hêla kategoriya teşhîsa bingehîn (AD an VaD) ve têne cûda kirin.
Jimare
Berawirdkirina taybetmendiyên beşdaran û taybetmendiyên din ên hejmarî yên di navbera jêr-daneyan de ji bo her stratejiya dabeşkirina modelê (ji bo pêşbînkirina tenduristiya naskirî ya MoCA û giraniya teşhîs) bi karanîna zimanê bernamesaziya Python (guhertoya 2.7.1) hate kirin [17]. Cûdahiyên performansa modelê di destpêkê de bi karanîna ANOVA-ya yek-an-du-faktorî (wek minasib) bi navberek pêbaweriya 95% û ceribandina cûdahiya girîng a rastîn a Tukey (HSD) hate destnîşankirin da ku wateyên performansê bidin berhev. Ev vekolîna cûdahiyên di navbera performansa modelê de bi karanîna tevliheviya Python û R (guhertoya 3.5.1) [18] hate kirin. Me ev nêzîkatiya (her çend, ji çêtirîn kêmtir be jî) tenê wekî arîkariyek heurîstîkî di vê yekê de bikar anî. qonaxa destpêkê ji bo berhevdana performansa modela destpêkê di pêşbîniya serîlêdana klînîkî ya potansiyel de. Dûv re me ceribandina rêza îmzekirî ya Bayesian bi karanîna dabeşek paşerojê bikar anî da ku îhtîmala cûdahiyên performansa modelê diyar bike [19]. Ji bo van analîzan, me navbera -0.01, 0.01 bikar anî, ku tê vê wateyê ku ger du kom ji 0.01-ê kêmtir cûdahiyek performansê hebe, ew wekî hev têne hesibandin (di nav devera wekheviya pratîkî de), an wekî din ew cûda bûn (yek ji çêtirtir ya din). Ji bo ku berhevoka Bayesian a dabeşkeran pêk bînin û van îhtîmalan hesab bikin, me pirtûkxaneya baycomp (guhertoya 1.0.2) ji bo Python 3.6.4 bikar anî.
Modelkirina pêşdîtinê
Me modelên pêşbînîker bi karanîna deh guhertoyên tevayî yên nexşeyên modela xwe ava kir da ku encamên testa MoCA ya her nexweş an giraniya teşhîsa klînîkî pêşbîn bike (tesnîf bike). Hemî xwendekar hatin sepandin û model bi karanîna platforma nermalava çavkaniya vekirî Weka [20] hatin çêkirin. Ji bo analîza xweya pêşîn, me 10 algorîtmayên fêrbûnê yên ku bi gelemperî têne bikar anîn bikar anîn: 5-Cîranên Nêzîk, du guhertoyên dara biryarê ya C4.5, Regresyona lojîstîk, Perceptrona Pirrengî, Naîve Bayes, du guhertoyên Daristana Rasthatî, Tora Fonksiyona Bingeha Radîkal, û Vektora Piştgiriyê. Makîne. Taybetmendiyên sereke û dijberiyên van algorîtmayan li cîhek din hatine diyar kirin [21] (li Pêveka têkildar binêre). Vana hatin hilbijartin ji ber ku ew cûrbecûr celebên xwendekaran temsîl dikin û ji ber ku me di analîzên berê yên li ser daneyên wekhev de bi karanîna wan serkeftin nîşan da. Mîhengên hîper-parameterê ji lêkolîna meya berê hatine hilbijartin ku destnîşan dike ku ew li ser cûrbecûr daneyên cihêreng bi hêz in [22]. Li ser bingeha encamên analîza meya pêşîn a ku bi karanîna heman daneheva hevgirtî bi taybetmendiyên hevpar ên ku dûv re di analîza tevahî de hatine bikar anîn, me sê xwendekar nas kirin ku di hemî senifandinan de performansa bi domdarî bihêz peyda kirin: Regresyona lojîstîkî, Naîv Bayes, û Makîneya Vektora Piştgiriyê.
Metrîka performansa cross-rastkirin û modelê
Ji bo hemî modela pêşbînîker (tevî analîzên pêşîn), her model bi karanîna erêkirina xaça 10-qatî hate çêkirin, û performansa modelê bi karanîna Qada Di bin Cureya Taybetmendiya Xebatê ya Wergir (AUC) de hate pîvandin. Destpêkirina xaçerê bi dabeşkirina bêserûber her yek ji 10 danehevên nexşeya modelkirinê li 10 beşên wekhev (qatî) dest pê kir, neh ji van beşên têkildar ji bo perwerdekirina modelê û beşa mayî ji bo ceribandinê bikar anîn. Ev prosedur 10 caran hate dubare kirin, wekî di her dubarekirinê de parçeyek cûda wekî ceribandina ceribandinê hate bikar anîn. Dûv re encam hatin berhev kirin da ku encam / performansa modela paşîn hesab bikin. Ji bo her berhevokek fêrker/danevan, ev pêvajo 10 caran hate dubare kirin û her carê dane bi rengekî cûda parçe kirin. Vê gavê paşîn alîgiriyê kêm kir, dubarebûnê piştrast kir, û di diyarkirina performansa giştî ya modelê de arîkar kir. Bi tevahî (ji bo pîvana MoCA û nexşeyên dabeşkirina giraniya teşhîsê bi hev re), 6,600 model hatin çêkirin. Di nav de 1,800 modelên neparzekirî (6 pileyên modelkirinê yên ku ji danehevê re hatine sepandin×3 xwendekar×10 rêvekirin×10 qat = 1,800 model) û 4,800 modelên fîlterkirî (4 pileyên modelkirinê yên ku li ser danehevê hatine sepandin×3 xwendekar×4 teknîkên hilbijartina taybetmendiyê×10 rêdan× 10 qat = 4,800 model).
Hilbijartina taybetmendiyê
Ji bo modelên fîlterkirî, hilbijartina taybetmendiyê (bi karanîna çar awayên rêzkirina taybetmendiyê) di nav erêkirina xaçê de hate kirin. Ji bo her yek ji 10 qatan, ji ber ku 10% ji hev cuda daneya ceribandinê bû, tenê çar taybetmendiyên hilbijartî yên jorîn ji bo her databasê perwerdehiyê (ango, neh qatên din, an jî% 90-ê mayî ji tevahiya danezanê) hatin bikar anîn. ji bo çêkirina modelan. Me nekarî piştrast bikin ka kîjan çar taybetmendî di her modelê de hatine bikar anîn, ji ber ku ew agahdarî di nav platforma modela ku me bikar aniye (Weka) de nayê hilanîn an peyda nabe. Lêbelê, ji ber domdariya di hilbijartina meya destpêkê ya taybetmendiyên jorîn de dema ku rêzbend li ser tevahiya daneheva hevgirtî û wekheviya paşîn di performansa modelkirinê de hatine sepandin, ev heman taybetmendî (temen, salên perwerdehiyê, MTx-% C, û wateya MTx-RT ) îhtîmal e ku çar topên herî berbelav ên ku bi hilbijartina taybetmendiyê re di nav pêvajoya pejirandina xaçê de têne bikar anîn.
Encam
Taybetmendiyên jimarî yên beşdaran (di nav de xalên MoCA û metrîkên performansa MemTrax) yên danûstendinên têkildar ên ji bo her stratejiya dabeşkirina modelê ji bo pêşbînkirina tenduristiya cognitive ya ku ji hêla MoCA ve hatî destnîşan kirin (normal beramberî MCI) û giraniya teşhîsê (sivik beramberî giran) di Tabloya 3 de têne xuyang kirin.
Table 3
Taybetmendiyên beşdar, xalên MoCA, û performansa MemTrax ji bo her stratejiya dabeşkirina modelê
| Stratejiya Tesnîfkirinê | Kalbûn | perwerde | MoCA Adjusted | MoCA Unadjusted | MTx-% C | MTx-RT |
| Kategoriya MoCA | 61.9 y (13.1) | 9.6 y (4.6) | 19.2 (6.5) | 18.4 (6.7) | % 74.8 (15.0) | 1.4 s (0.3) |
| Xirabiya Teşhîs | 65.6 y (12.1) | 8.6 y (4.4) | 16.7 (6.2) | 15.8 (6.3) | % 68.3 (13.8) | 1.5 s (0.3) |
Nirxên ku têne xuyang kirin (navgîn, SD) ku ji hêla stratejiyên dabeşkirina modela ve têne cûda kirin nûnerê daneheva hevgirtî ye ku ji bo pêşbînkirina tenduristiya cognitive ya ku ji hêla MoCA ve hatî destnîşan kirin (MCI li hember normal) û jêr-daneya XL tenê ji bo pêşbînkirina giraniya teşhîsê (sivik li hember giran) tê bikar anîn.
Ji bo her berhevoka xala MoCA (serrastkirî / nerastkirî) û bend (26/23), cûdahiyek statîstîkî hebû (p = 0.000) di hevberdana her ducan de (tenduristiya naskirî ya normal li hember MCI) ji bo temen, perwerdehî, û performansa MemTrax (MTx-% C û MTx-RT). Her jêr-daneyên nexweşan di pola MCI ya têkildar de ji bo her kombînasyona bi navînî ji 9 heta 15 salan mezintir bû, bi qasî pênc salên perwerdehiya hindiktir rapor kir, û ji bo her du metrîkan performansa MemTrax-ê kêmtir guncan bû.
Encamên performansa modelkirina pêşdîtin ji bo dabeşkirina xalên MoCA bi karanîna sê şagirtên jorîn, Regresyona lojîstîkî, Naîve Bayes, û Makîneya Vektora Piştgiriyê, di Tablo 4 de têne xuyang kirin. ji bo hemî nexşeyên modelkirinê li ser daneyan têne sepandin. Ji bo danehev û modela neparzekirî, her yek ji nirxên daneyê yên di Tablo 4 de performansa modelê ya li ser bingeha navînî ya AUC-ê ya ku ji 100 modelan (10 rêve × 10 qat) hatine çêkirin ji bo her hevberdana nexşeya fêrker/modelê hatî çêkirin destnîşan dike. şagirtê performansê bi qelew tê destnîşan kirin. Digel ku ji bo modela danûstendina fîlterkirî, encamên ku di Tablo 4 de hatine ragihandin performansa modela navînî ya giştî ya ji 400 modelan ji bo her xwendekarek ku her yek ji rêbazên rêzkirina taybetmendiyê bikar tîne nîşan dide (4 awayên rêzkirina taybetmendiyê×10 rêvekirin×10 qat).
Table 4
Performansa dabeşkirina xala MoCA ya ducar (AUC; 0.0-1.0) ji bo her sê xwendekarên herî baş ji bo hemî pileyên modelkirinê yên têkildar encamên
| Set Taybetmendî Bikaranîn | MoCA Score | Deriyê qutkirinê | Regression Logistic | Naîv Bayes | Piştgiriya Vector Machine |
| Nefîltrekirî (10 taybetmendî) | Şandin | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Nerastkirî | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Parzûnkirî (4 taybetmendî) | Şandin | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Nerastkirî | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Bi karanîna guhertoyên koma taybetmendiyê, xala MoCA, û sînorê qutkirina xala MoCA, performansa herî bilind ji bo her pilana modelkirinê tê destnîşan kirin hesabî (ne hewce ye ku ji hêla statîstîkî ve ji hemî yên din ên ku di nav de ne cûda ne hesabî ji bo modela têkildar).
Berawirdkirina xwendekaran li ser hemî berhevokên guhertoyên xalên MoCA û bendavên (bi rêzê ve hatî sererast kirin / nerastkirî û 23/26, bi rêzê ve) di daneheva nefilterkirî ya hevgirtî de (ango, bi karanîna 10 taybetmendiyên hevpar), Naïve Bayes bi gelemperî xwendekarê herî performansa bi giştî bû. performansa dabeşkirina 0.9093. Bi dîtina sê şagirtên seretayî, testên rêza îmzekirî yên girêdayî Bayesian destnîşan kirin ku îhtîmala (Pr) ya Naîv Bayes ku ji Regresyona Lojîstîkî derket 99.9%. Wekî din, di navbera Naîve Bayes û Makîneya Vektora Piştgiriyê de, 21.0% îhtîmalek wekheviya pratîkî ya di performansa xwendekar de (bi vî rengî, 79.0% îhtimalek ku Naîve Bayes ji Makîneya Vektora Piştgiriyê derbikeve), digel îhtimalek 0.0% ku Makîneya Vektora Piştgiriyê çêtir, bi pîvan avantaja performansê ji bo Naîve Bayes xurt dike. Berhevdana bêtir a guhertoya xala MoCA-yê li seranserê hemî xwendekaran / bendavan bi karanîna xalên MoCA yên nerastkirî li hember verastkirî (0.9027 ber 0.8971, bi rêzê ve avantajek performansê ya sivik pêşniyar kir; Pr (nerastkirî > verastkirin) = 0.988). Bi heman rengî, berawirdkirina sînorê qutkirinê di nav hemî xwendekaran de û guhertoyên xala MoCA-yê avantajek performansa dabeşkirinê ya piçûk destnîşan kir ku 26 wekî sînorê dabeşkirinê li hember 23 bikar tîne (bi rêzdarî 0.9056 ber 0.8942; Pr (26 > 23) = 0.999). Di dawiyê de, vekolîna performansa dabeşkirinê ji bo modelên ku tenê encamên fîlterkirî bikar tînin (ango, tenê çar taybetmendiyên rêzkirî yên jorîn), Naïve Bayes (0.9143) bi jimarî di hemî guhertoyên xalên MoCA-yê de xwendekarê herî performansê bû. Lêbelê, di nav hemî teknîkên rêzkirina taybetmendiyê de bi hev re, hemî şagirtên performansa top bi heman rengî pêk anîn. Testên rêza îmzekirî yên Bayesian 100% îhtîmala wekheviya pratîkî ya di navbera her cotek xwendekarên fîlterkirî de nîşan dan. Mîna ku daneyên nefiltkirî (bi karanîna hemî 10 taybetmendiyên hevpar), dîsa ji bo guhertoya nerastkirî ya xala MoCA-yê feydeyek performansê hebû (Pr (nerastkirî > verastkirî) = 1.000), û her weha avantajek bi heman rengî ya cihêreng ji bo sînorê dabeşkirina 26 (Pr (26 > 23) = 1.000). Nemaze, performansa navînî ya her sê şagirtên jorîn li seranserê hemî guhertoyên xala MoCA / bendên ku tenê çar taybetmendiyên jorîn bikar tînin ji performansa navînî ya her xwendekarek li ser daneya nefiltkirî derbas kir. Ne ecêb e, performansa dabeşkirina modelên parzûnkirî (bikaranîna çar taybetmendiyên jorîn têne bikar anîn) bi tevahî (0.9119) ji modelên nefîltrekirî (0.8999) çêtir bû (10), bêyî ku modelên rêbaza rêzkirina taybetmendiyê ku bi wan modelên têkildar re ku hemî 100 hevpar bikar tînin têne berhev kirin. taybetmendiyên. Ji bo her rêbazek bijartina taybetmendiyê, XNUMX% îhtimalek avantajek performansê li ser modelên nefiltkirî hebû.
Digel nexweşên ku ji bo dabeşkirina giraniya teşhîsa AD têne hesibandin, cûdahiyên di navbera koman de (MCI-AD li hember AD) ji bo temen (p = 0.004), perwerde (p = 0.028), xala MoCA-ê hatî verastkirin / nerast (p = 0.000), û MTx-% C (p = 0.008) ji hêla îstatîstîkî ve girîng bûn; lê ji bo MTx-RT ew nebû (p = 0.097). Bi wan nexweşan re ku ji bo dabeşkirina giraniya teşhîsa VaD têne hesibandin, cûdahiyên di navbera komê de (MCI-VaD beramberî VaD) ji bo xala MoCA verastkirî / nerastkirî (p = 0.007) û MTx-% C (p = 0.026) û MTx-RT (p = 0.001) ji hêla îstatîstîkî ve girîng bûn; lê ji bo temenê (p = 0.511) û perwerdehiyê (p = 0.157) di navbera koman de cûdahiyên girîng tune bûn.
Encamên performansa modelkirina pêşbînîkirî ji bo dabeşkirina giraniya teşhîsê bi karanîna sê şagirtên berê hatine hilbijartin, Regresyona Lojîstîk, Naîve Bayes, û Makîneya Vektora Piştgiriyê, di Tabloya 5-ê de têne xuyang kirin. Ligel ku xwendekarên din ên lêkolînkirî bi yek ji du kategoriyên tespîtkirina klînîkî re performansa hinekî bihêztir nîşan dan. , sê şagirtên ku me di modela xweya berê de wekî yên herî bikêrhatî nas kiribûn bi her du plansaziyên modela nû re performansa herî hevgirtî pêşkêş kirin. Bi berhevdana xwendekaran li her yek ji kategoriyên tespîtkirina seretayî (AD û VaD), di navbera xwendekaran de ji bo MCI-VaD beramberî VaD cûdahiyek performansa dabeşkirinê ya domdar tune bû, her çend Makîneya Vektora Piştgiriyê bi gelemperî berbiçavtir pêk tê. Bi heman rengî, di navbera xwendekaran de ji bo dabeşkirina MCI-AD li hember AD-ê cûdahiyên girîng tune bûn, her çend Naîve Bayes (NB) xwedan avantajek performansê ya sivik li ser Regresyona Lojîstîkî (LR) bû û tenê pirjimariyek neguhêz li ser Makîneya Vektora Piştgiriyê, bi îhtimalên 61.4%. û 41.7% rêzê. Li seranserê her du daneyan, ji bo Makîneya Vektora Piştgiriyê (SVM) feydeyek performansa giştî hebû Pr (SVM > LR) = 0.819 û Pr (SVM > NB) = 0.934. Performansa dabeşkirina meya giştî li seranserê hemî xwendekaran di pêşbînkirina giraniya teşhîsê de di bin-daneyên XL de di kategoriya teşhîsa VaD de li hember AD çêtir bû (Pr (VAD > AD) = 0.998).
Table 5
Performansa dabeşkirina giraniya teşhîsa klînîkî ya ducar (AUC; 0.0-1.0) ji bo her sê şagirtên performansa herî baş ji bo her du pileyên modelkirinê yên têkildar encamên
| Scheme Modeling | Regression Logistic | Naîv Bayes | Piştgiriya Vector Machine |
| MCI-AD li dijî AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD li dijî VaD | 0.8033 | 0.8044 | 0.8338 |
Performansa herî bilind ji bo her nexşeya modelkirinê tê destnîşan kirin hesabî (ne hewce ye ku ji hêla îstatîstîkî ve ji yên din ên ne cûda cûda ne hesabî).
NÎQAŞ
Tespîtkirina zû ya guhertinên di tenduristiya cognitive de girîng e karanîna pratîkî di rêveberiya tenduristiya kesane û tenduristiya gelemperî de wekhev. Bi rastî, ew di heman demê de ji bo nexweşên li çaraliyê cîhanê di mîhengên klînîkî de jî pir pêşeng e. Armanca hevbeş ew e ku nexweş, lênihêrker û pêşkêşvanan hişyar bike û pêşî li dermankirina maqûl û biha û lêçûn û lênihêrîna dirêj bide wan ên ku dest bi kêmbûna cognîtîkî dikin. Sê binkeyên daneya nexweşxane/klînîka(yên) me li hev kirin, me sê şagirtên bijare yên bijarte (bi yek xwerû-Naîve Bayes) nas kirin da ku bi karanîna modelên pêşbînker ava bikin. Metrîkên performansa MemTrax ku dikarin bi pêbawerî rewşa tenduristiya cognitive dabeş bikin bi dubendî (tenduristiya cognitive normal an MCI) wekî ku dê ji hêla xalek tevhev a MoCA ve were destnîşan kirin. Nemaze, performansa dabeşkirina giştî ya ji bo her sê xwendekaran baştir bû dema ku modelên me tenê çar taybetmendiyên jorîn ên ku bi bingehîn van metrîkên performansa MemTrax vedihewînin bikar anîn. Digel vê yekê, me potansiyela pejirandî ya karanîna heman xwendekaran û metrîkên performansa MemTrax di nexşeyek modela dabeşkirina piştgirîya tespîtkirinê de eşkere kir da ku giraniya du kategoriyên teşhîsa dementia ji hev cuda bike: AD û VaD.
Testkirina bîranînê ji bo tespîtkirina zû ya AD navendî ye [23, 24]. Ji ber vê yekê, fersend e ku MemTrax serhêl serhêlek meqbûl, balkêş û hêsan e. testa kontrolkirina ji bo bîranîna episodîk di nifûsa giştî de [6]. Rastiya naskirinê û demên bersivê ji vê peywira performansa domdar bi taybetî di tespîtkirina xirabûna zû û pêşkeftî û kêmasiyên di pêvajoyên neuroplastîk ên têkildarî fêrbûn, bîranîn û zanînê de diyar dibe. Ango, modelên li vir ên ku bi piranî li ser pîvanên performansa MemTrax-ê têne damezrandin hesas in û îhtîmal e ku bi hêsanî û bi lêçûnek hindik kêmasiyên neuropatolojîk ên biyolojîkî di qonaxa asîmptomatîkî ya veguhêz de berî windabûna fonksiyonê ya girîng eşkere bikin [25]. Ashford et al. Di bikarhênerên serhêl ên ku bi tena serê xwe beşdarî MemTrax bûne [6], şêwaz û tevgerên rastbûna bîranîna naskirinê û dema bersivdayînê ji nêz ve lêkolîn kir. Rêzgirtin ku ev dabeşkirin di modela çêtirîn û pêşvebirina serîlêdanên lênihêrîna nexweş de derbasdar û bi bandor krîtîk in, pênasekirina profîlên naskirî û dema bersivdayînê yên klînîkî di damezrandina referansek bingehîn a hêja ji bo karanîna klînîkî û lêkolînê de girîng e. Nirxa pratîkî ya MemTrax di dîmendera AD-ê de ji bo astengiya cognitive qonaxên destpêkê û piştevaniya tespîtkirina cihêreng pêdivî ye ku wê hingê di çarçoveyek cîhek klînîkî de ji nêz ve were lêkolîn kirin ku tê de hevrêzî û kapasîteyên cognitive, hestî û motorî yên ku bandorê li performansa ceribandinê dikin têne hesibandin. Û ji bo agahdarkirina perspektîfa profesyonel û teşwîqkirina karanîna klînîkî ya pratîkî, pêşî pêdivî ye ku meriv berhevdana bi ceribandinek nirxandina tenduristiya naskirî ya sazkirî re nîşan bide, her çend ya paşîn dibe ku ji hêla lojîstîkên ceribandina dijwar, perwerdehî û astengiyên ziman, û bandorên çandî ve were nas kirin [26] . Di vî warî de, berhevdana xweş a MemTrax di karîgeriya klînîkî de bi MoCA re ku bi gelemperî wekî standardek pîşesaziyê tête destnîşan kirin girîng e, nemaze dema ku hêsantiriya karûbar û pejirandina nexweş a MemTrax giran dike.
Lêgerîna berê ya ku MemTrax bi MoCA re berhev dike, delîlên maqûl û pêşîn ên ku lêpirsîna meya modelê ferz dikin ronî dike [8]. Lêbelê, ev berhevoka pêşîn tenê du metrîkên sereke yên performansa MemTrax ve girêdayî ye ku me bi statûya cognitive ya ku ji hêla MoCA ve hatî destnîşankirin vekolîn kir û rêz û nirxên qutkirî yên têkildar destnîşan kir. Me nirxandina karûbariya klînîkî ya MemTrax kûr kir bi vekolîna nêzîkatiyek bingehîn-modelkirina pêşbînîkirî ya ku dê nihêrînek kesanetir a pîvanên din ên têkildar ên nexweş-taybet peyda bike. Berevajî yên din, me di performansa modelê de bi karanîna rastkirinek perwerdehiyê (serrastkirin) ji xala MoCA re an jî di guheztina pîvana giştî ya MoCA ya cihêkar a tenduristiya cognitive de ji 26 heya 23-ê pêşniyarkirî ya destpêkê de avantajek nedît [12, 15]. Di rastiyê de, avantaja performansa dabeşkirinê bi karanîna xala MoCA ya nerastkirî û bendek bilindtir xweş tê.
Di pratîka klînîkî de xalên sereke
Fêrbûna makîneyê bi gelemperî di modela pêşbînîker de çêtirîn tê bikar anîn û herî bandorker e dema ku dane berfireh û pir-alî bin, ango dema ku gelek çavdêrî û rêzek berfireh a taybetmendiyên bi nirx (tevkar) hene. Lêbelê, digel van daneyên heyî, modelên fîlterkirî yên bi tenê çar taybetmendiyên bijartî ji yên ku hemî 10 taybetmendiyên hevpar bikar tînin çêtir performans dikin. Ev destnîşan dike ku berhevoka meya berhevoka nexweşxaneyê xwedan taybetmendiyên klînîkî yên herî maqûl (nirxa bilind) nebû ku bi vî rengî nexweşan bi rengek çêtirîn dabeş bike. Digel vê yekê, rêzgirtina taybetmendiyê li ser metrîkên sereke yên performansa MemTrax-MTx-% C û MTx-RT- bi xurtî piştgirî dide avakirina modelên pêşandana kêmasiya naskirî ya qonaxa destpêkê li dora vê ceribandinê ku hêsan e, rêvebirinê hêsan e, lêçûn kêm e, û di derheqê de bi guncan eşkere dike. performansa bîranînê, bi kêmanî naha wekî ekranek destpêkê ji bo dabeşkirinek binary a rewşa tenduristiya cognitive. Ji ber zexta her ku diçe li ser peydaker û pergalên lênihêrîna tenduristî, divê pêvajoyên vekolîna nexweşan û serîlêdanên klînîkî bi guncanî bi giranî li ser berhevkirin, şopandin, û modelkirina wan taybetmendiyên nexweş û pîvanên ceribandinê yên ku di tespîtkirinê de herî bikêr, bikêrhatî û bi bandor têne îsbat kirin bêne pêşve xistin. û piştgiriya rêveberiya nexweş.
Digel ku du metrîkên sereke yên MemTrax ji bo dabeşkirina MCI-yê navendî ne, xwendekarê me yê herî baş (Naîve Bayes) di pir modelan de xwedan performansek pêşbîniyek pir bilind bû (AUC ji 0.90 zêdetir) bi rêjeya rast-erênî berbi derew-erênî nêzîk an jî hinekî ji 4-ê derbas dibe. : 1. Serîlêdanek klînîkî ya werger ku vî xwendekarî bikar tîne dê bi vî rengî piraniya wan ên ku kêmasiyek naskirî ne bigire (bi rast dabeş bike), di heman demê de lêçûna ku bi xeletî senifandina kesek xwedan tenduristiya normal ya têgihîştî wekî kêmasiyek naskirî (pozîtîf derewîn) kêm dike an wendakirina wê senifandinê di kesên ku kêmasiya wan a cognitive (negatîfiya derewîn) heye. An yek ji van senaryoyên dabeşkirina xelet dikare barek derûnî-civakî ya nederbasdar li nexweş û lênihêrkeran bike.
Digel ku di analîzên pêşîn û bêkêmasî de me her deh xwendekar di her pilana modelkirinê de bikar anîn, me encamên xwe li ser sê dabeşkeran kir ku performansa bihêztirîn a domdar nîşan didin. Di heman demê de ev bû ku, li ser bingeha van daneyan, xwendekarên ku tê pêşbînîkirin ku di destnîşankirina dabeşkirina statûya cognitive de di serîlêdanek klînîkî ya pratîkî de di astek bilind de pêbawer tevbigerin, ronî bike. Wekî din, ji ber ku ev lêkolîn wekî vekolînek destpêkî li ser karanîna fêrbûna makîneyê ya li ser dîmendera naskirî û van kêşeyên klînîkî yên demkî hate armanc kirin, me biryar da ku teknîkên fêrbûnê sade û gelemperî bihêlin, bi guheztina pîvana hindiktirîn. Em teqdîr dikin ku ev nêzîkatî dibe ku potansiyela ji bo kapasîteyên pêşbîniya nexweş-taybet-taybetî yên tengtir sînordar kiribe. Di heman demê de, dema ku perwerdekirina modelan ku tenê taybetmendiyên jorîn bikar tînin (nêzîkatiya parzûnkirî) di derbarê van daneyan de bêtir agahdarî dide me (taybetî kêmasiyên daneyên berhevkirî û ronîkirina nirxê di xweşbînkirina dem û çavkaniyên klînîkî yên hêja de), em pê dizanin ku ew zû zû ye ku teng bibe. çarçoweya modelan û, ji ber vê yekê, hemî (û taybetmendiyên din) divê bi lêkolînên pêşerojê re bêne hesibandin heya ku em profîlek diyarker a taybetmendiyên pêşîn ên ku dê ji bo nifûsa berfireh were sepandin hebe. Bi vî rengî, em her weha bi tevahî nas dikin ku daneyên berfirehtir û berfirehtir nûner û xweşbînkirina van û modelên din dê hewce be berî ku wan di serîlêdanek klînîkî ya bi bandor de yek bikin, nemaze ji bo cîbicîkirina nexweşiyên ku bandorê li performansa cognitive dikin ku hewce dike ku di nirxandina klînîkî ya din de were hesibandin.
Kêrhatiya MemTrax ji hêla modelkirina giraniya nexweşiyê ve li ser bingeha teşhîsa klînîkî ya cihêreng ve hatî çêkirin. Di pêşbînkirina giraniya VaD de (li gorî AD) performansek dabeşkirina giştî ya çêtir nebû ecêb e ku taybetmendiyên profîla nexweş di modelên taybetî yên tenduristiya damaran de têne dayîn û rîska felcê, ango, hîpertansiyon, hîperlîpîdemî, şekir, û (bê guman) dîroka felcê. Her çend dê bêtir xwestî û maqûltir bûya ku heman nirxandina klînîkî li ser nexweşên hevgirtî yên bi tenduristiya cognitive normal were kirin da ku xwendekaran bi van daneyên berfirehtir perwerde bikin. Ev bi taybetî garantî ye, ji ber ku MemTrax armanc e ku di serî de ji bo tespîtkirina qonaxa destpêkê ya kêmasiyek cognitive û şopandina paşîn a guherîna kesane were bikar anîn. Di heman demê de maqûl e ku belavkirina bêtir xwestinê ya daneyan di databasa VaD de beşek ji performansa modelkirinê ya berawirdî çêtir beşdar kir. Daneya VaD di navbera her du çînan de baş hevseng bû, di heman demê de ku daneya AD-ê bi nexweşên MCI-ê pir hindik re nebû. Bi taybetî di daneyên piçûk de, tewra çend mînakên din jî dikarin cûdahiyek pîvandî bikin. Her du perspektîf argumanên maqûl in ku di binê cûdahiyên di performansa modelkirina giraniya nexweşiyê de ne. Lêbelê, bi rêkûpêk danasîna performansa çêtir a taybetmendiyên jimareyî yên danûstendinê an taybetmendiyên xwerû yên taybetî yên pêşandana klînîkî ya ku li ber çavan tê girtin zû ye. Digel vê yekê, vê romanê karanîna modelek dabeşkirina pêşdîtinê ya MemTrax di rola piştgirîya tespîtkirina klînîkî de perspektîfek hêja peyda dike û şopandina muayeneya zêde bi nexweşan re li seranserê domdariya MCI-ê piştrast dike.
Bicîhkirin û bikêrhatina MemTrax û van modelan li Chinaînê, ku ziman û çand ji deverên din ên karanîna damezrandî (mînak, Fransa, Hollanda, û Dewletên Yekbûyî) [7, 8, 27] bi giranî cûdatir e [XNUMX, XNUMX, XNUMX], potansiyelê bêtir destnîşan dike. ji bo pejirandina gerdûnî ya berfireh û nirxa klînîkî ya platformek MemTrax-ê. Ev mînakek xuyang e di hewildana lihevhatina daneyan û pêşxistina normên navneteweyî yên pratîkî û çavkaniyên modelkirinê yên ji bo venêrana cognitive ku standardkirî ne û bi hêsanî ji bo karanîna li çaraliyê cîhanê têne adapte kirin.
Pêngavên paşîn di modêlkirin û serîlêdana kêmbûna cognitive de
Di AD-ê de xerabûna cognitive bi rastî li ser berdewamiyek pêk tê, ne di qonax an gavên veqetandî de [28, 29]. Lêbelê, di vê qonaxa destpêkê de, mebesta me ew bû ku em pêşî kapasîteya xwe ava bikin ku em modelek ku MemTrax tê de vedihewîne ava bikin ku dikare bi bingehîn "normal" ji "ne normal" veqetîne. Daneyên ampîrîkî yên berfirehtir (mînak, wênekirina mêjî, taybetmendiyên genetîkî, biyomarker, nexweşiyên hevbeş, û nîşangirên fonksiyonel ên tevlihev çalakiyên ku pêwîstî bi cognitive kontrol) [30] li navçe, nifûs û komên temen ên cihêreng ên cîhanî ji bo perwerdekirin û pêşvebirina modelên fêrbûna makîneyê yên sofîstîke (di nav de komeke girankirî) dê astek mezin a dabeşkirina pêşkeftî piştgirî bike, ango kapasîteya kategorîzekirina komên nexweşên bi MCI li ser berdewamiya kêmbûna cognitive di binkomên piçûktir û diyarker de. Digel vê yekê, teşhîsên klînîkî yên hevdem ji bo kesan li seranserê nifûsa nexweşên cihêreng ên herêmî ji bo pêdivî ye bi bandor perwerde van modelên tevlihevtir û pêşbînîkirî bihêztir. Ev ê ji bo kesên ku xwedî paşeroj, bandor, û profîlên naskirî yên taybetmendî yên tengtir hatine destnîşan kirin rêveberiya dozê ya qatîfkirî ya taybetî hêsantir bike û bi vî rengî piştgirîya biryara klînîkî û lênihêrîna nexweş xweştir bike.
Piraniya lêkolînên klînîkî yên têkildar heya îro serî li nexweşên bi kêmanî dementiya sivik heye; û, di pratîkê de, pir caran destwerdana nexweş tenê di qonaxên pêşkeftî de tê ceribandin. Lêbelê, ji ber ku kêmbûna cognitive berî ku pîvanên klînîkî ji bo dementia werin bicîh kirin dest pê dike, ekranek zû-based MemTrax-ê bi bandor tê sepandin dikare perwerdehiya guncan a kesan di derbarê nexweşî û pêşkeftinên wê de teşwîq bike û destwerdanên zûtir û biwexttir bike. Bi vî rengî, tespîtkirina zû dikare piştgirî bide tevlêbûnên maqûl ên ji werzîşê, parêz, piştgirîya hestyarî, û civakîbûna çêtir heya destwerdana dermankolojîkî û guheztinên têkildar ên nexweş di behre û têgihiştinê de xurt bike ku bi tenê an bi tevahî dikare pêşveçûna dementia kêm bike an potansiyel bide sekinandin [31, 32] . Wekî din, bi bandor vedîtina zû, dibe ku ji kes û malbatên wan were xwestin ku ceribandinên klînîkî bihesibînin an jî şêwirmendî û piştgiriya karûbarên civakî yên din bistînin da ku ji bo zelalkirina hêvî û mebestan û birêvebirina karên rojane bibin alîkar. Zêdetir erêkirin û karanîna pratîkî ya berbelav bi van awayan dikare ji bo gelek kesan di sivikkirin an rawestandina pêşkeftina MCI, AD, û ADRD de bibe alîkar.
Bi rastî, di lêkolîna me de dawiya nizm ya temenê nexweşan nifûsa xema kevneşopî ya bi AD re temsîl nake. Digel vê yekê, temenê navînî ji bo her komê ku di pileyên modela dabeşkirinê de têne bikar anîn li ser bingeha xala MoCA / bend û giraniya teşhîsê (Table 3) destnîşan dike ku pirraniyek zelal (zêdeyî 80%) bi kêmî ve 50 salî ye. Ji ber vê yekê ev dabeşkirin ji bo gelemperîkirinê pir maqûl e, piştgirî dide karanîna van modelan di nav nifûsa ku bi gelemperî ji hêla bandor ve têne bandor kirin. destpêka zû û geşbûna nexweşiya neurocognitive ji ber AD û VaD. Di heman demê de, delîl û perspektîfên dawîn wan faktorên naskirî (mînak, hîpertansiyon, qelewbûn, şekir, û cixare) stres dikin ku bi potansiyel di destpêka zû de zêde dibin. Pûanên xetera damarên mezinan û navîn û di encamê de birîna mêjî ya damarî ya nazik ku di nav ciwanan de jî bi bandorên eşkere bi hovîtî pêş dikeve. mezinan [33-35]. Li gorî vê yekê, ji bo tespîtkirina zû fersenda ceribandina destpêkê ya herî çêtirîn kêmasiyên cognitive qonax bikin û di çareserkirina dementiya de bi serfirazî stratejiyên pêşîlêgirtin û destwerdanê yên bi bandor dest pê bikin dê ji vekolîna faktorên alîkar û nîşangirên pêşîn ên li seranserê temenî, di nav de mezinbûna zû û potansiyel jî zarokatî derkeve holê (têkiliya faktorên genetîkî yên wekî apolipoprotein E ji destpêka ducaniyê de).
Di pratîkê de, teşhîsên klînîkî yên derbasdar û prosedurên biha yên ji bo wênesaziya pêşkeftî, profîla genetîkî, û pîvandina biyomarkerên sozdar her gav ji bo gelek pêşkêşvanan ne amade ne an jî ne gengaz in. Ji ber vê yekê, di gelek rewşan de, dabeşkirina statûya tenduristiya giyanî ya bingehîn a destpêkê dibe ku ji modelên ku metrîkên din ên hêsan ên ku ji hêla nexweş ve têne peyda kirin têne derxistin (mînak, xwe-rapor pirsgirêkên bîranînê, dermanên heyî, û tixûbên çalakiya rûtîn) û taybetmendiyên demografîk ên hevpar [7]. Tomarên wekî Zanîngeha California Health mejî Registry (https://www.brainhealthregistry.org/) [27] û yên din bi berfirehiya xwerû ya nîşaneyên xwe-raporkirî, tedbîrên kalîte (mînak, xew û zanîna rojane), derman, rewşa tenduristî, û dîrok, û dêmografîkên berfirehtir di pêşvebirin û pejirandina sepana pratîkî ya van modelên seretayî yên li klînîkê de bibe amûrek. Wekî din, ceribandinek wekî MemTrax, ku di nirxandina fonksiyona bîranînê de karanîna xwe destnîşan kiriye, dibe ku di rastiyê de ji nîşankerên biyolojîkî texmînek bi giranî çêtir a patholojiya AD peyda bike. Ji ber ku taybetmendiya bingehîn a patholojiya AD têkçûna neuroplastîkbûnê û windabûna pir tevlihev a synapses e, ku wekî episodîk diyar dibe. xerabûna bîranînê, pîvanek ku bîranîna episodîk dinirxîne dibe ku di rastiyê de Ji nîşankerên biyolojîkî yên di nexweşê zindî de texmînek çêtir a barê patholojîkî ya AD peyda dikin [36].
Digel hemî modelên pêşdîtin - çi ji hêla daneyên tevlihev û tevlihev ên ji teknolojiya pêşkeftî ve were tije kirin û nerînên klînîkî yên safîkirî yên li ser gelek domanan an jî yên ku bi agahdariya bingehîn û bi hêsanî peydakirî ya taybetmendiya profîlên nexweşên heyî ve sînorkirî ne - avantaja naskirî ya îstîxbarata sûnî. û fêrbûna makîneyê ev e ku modelên encam dikarin ji dane û perspektîfên nû yên têkildar ên ku ji hêla karanîna domdar a serîlêdanê ve têne peyda kirin hevrêz bikin û bi rengek induktîkî "fêr bibin". Li dû veguheztina teknolojiyê ya pratîk, ji ber ku modelên li vir (û têne pêşve xistin) bi bêtir bûyer û daneyên têkildar têne sepandin û dewlemend kirin (tevî nexweşên bi nexweşiyên hevdemî yên ku dikarin bi paşveçûna cognitive re diyar bibin), performansa pêşbîniyê û dabeşkirina tenduristiya cognitive dê bihêztir be, di encamê de kargêriya piştevaniya biryara klînîkî ya bi bandortir dibe. Ev pêşkeftin dê bi vekirina MemTrax di nav platformên xwerû (mebest ji kapasîteyên berdest) re ku peydakirên lênihêrîna tenduristî dikarin di wextê rast de li klînîkê bikar bînin, bi tevahî û pratîktir were fêm kirin.
Ji bo pejirandin û karanîna modela MemTrax ji bo piştgirîya teşhîs û lênihêrîna nexweşan daneyên dirêj ên watedar ên pir têne xwestin in. Bi çavdêrîkirin û tomarkirina guheztinên hevdem (heke hebe) di rewşa klînîkî de di nav rêzek têr a normal de bi navgîniya MCI-ya qonaxa destpêkê ve, modelên ji bo nirxandin û dabeşkirina domdar a guncan dikarin her ku pîr dibin û têne derman kirin bêne perwerde kirin û guheztin. Ango, karanîna dubare dikare bi şopandina dirêjî ya guheztinên cognitive yên sivik, bandoriya destwerdanê, û domandina lênihêrîna stratekirî ya agahdar re bibe alîkar. Ev nêzîkatî bi pratîka klînîkî û rêveberiya nexweş û dozê re ji nêz ve têkildar e.
tengasîyên
Em di berhevkirina daneyên klînîkî yên paqij de li cîhek klînîkî / nexweşxaneyek kontrolkirî teqdîr dikin. Digel vê yekê, heke danehevên me bêtir nexweşên bi taybetmendiyên hevpar vedihewînin wê modela me xurt bikira. Digel vê yekê, taybetî ji bo modela teşhîsa me, dê bêtir xwestek û maqûltir bûya ku heman nirxandina klînîkî li ser nexweşên lihevhatî yên bi tenduristiya cognitive normal were kirin da ku xwendekaran perwerde bike. Û wekî ku ji hêla performansa dabeşkirina bilindtir ve tê destnîşan kirin ku bi karanîna daneya parzûnkirî (tenê çar taybetmendiyên jorîn ên rêzkirî), gelemperî û tedbîrên/nîşananên tendurustî yên têgihîştî îhtîmal e ku çêtir bibûna performansa modelkirina bi hejmareke zêdetir taybetmendiyên hevpar li seranserê hemî nexweşan.
Dibe ku hin beşdaran bi hev re bi nexweşiyên din ên ku dikaribû kêmasiyên cognitive yên demkî an kronîk derxînin holê. Ji xeynî jêr-daneyên XL-ê ku nexweş ji hêla AD an jî VaD ve hatine tasnîfkirin, daneyên hevdemî di hewza nexweşên YH de nehatine berhev kirin/rapor kirin, û di bin-daneya KM-ê de ya serdest a ragihandinê ya hevbeş diyabetê bû. Lêbelê, tê nîqaş kirin ku tevlêbûna nexweşan di pileyên modela me de bi nexweşiyên ku dikarin asta kêmasiyek cognitive û di encamê de performansek kêmtir MemTrax bişopînin an zêde bikin, dê ji bo vê ceribandina nasîna zû ya gelemperî ya gelemperî nûnerê nifûsa nexweşên armanckirî yên cîhana rastîn be. û nêzîkatiya modelkirinê. Pêşveçûn, teşhîsa rast a nexweşiyên ku bi potansiyel bandorê li performansa cognitive dike bi berfirehî ji bo xweşbînkirina modelan û sepanên lênihêrîna nexweş ên encamdar sûdmend e.
Di dawiyê de, nexweşên jêr-daneyên YH û KM smartphone bikar anîn da ku ceribandina MemTrax bikin, lê hejmareke sînorkirî ya nexweşên jêr-daneyên XL iPad bikar anîn û yên mayî jî smartphone bikar anîn. Vê yekê dikaribû ji bo modela dabeşkirina MoCA-yê di performansa MemTrax de cûdahiyek piçûktir a têkildarî cîhazê destnîşan kiriba. Lêbelê, cûdahiyên (heke hebin) di MTx-RT de, ji bo nimûne, di navbera cîhazan de dibe ku neguhêzbar bin, nemaze digel ku her beşdarvanek berî performansa testa tomarkirî ceribandinek "pratîk" tê dayîn. Digel vê yekê, karanîna van her du cîhazên destan potansiyel berawirdkirina rasterast û/an entegrasyona bi encamên din ên MemTrax re ku bikarhêner bersiv didin wêneyên dubare kirin bi destxistina cîhê li ser klavyeya komputerê.
Xalên sereke yên li ser kargêriya modela pêşdîtinê MemTrax
- • Modelên meyên pêşdîtinê yên bi performansa herî jor ku metrîkên performansa MemTrax-ê yên bijartî vedihewînin dikarin bi pêbawerî statûya tenduristiya naskirî (tenduristiya naskirî ya normal an MCI) wekî ku ji hêla ceribandina MoCA-ya ku bi berfirehî hatî nas kirin ve hatî destnîşan kirin dabeş bikin.
- • Van encaman piştgirî didin yekkirina metrîkên performansa MemTrax-ê yên hilbijartî di serîlêdana vekolîna modela pêşbîniya dabeşkirinê de ji bo kêmasiya cognitive qonaxa destpêkê.
- • Modela dabeşkirina me di heman demê de potansiyela karanîna performansa MemTrax di serîlêdanên ji bo cûdakirina giraniya teşhîsa dementia de jî eşkere kir.
Van vedîtinên nû delîlên bêkêmasî saz dikin ku piştgirî dide karanîna fêrbûna makîneyê di avakirina modelên dabeşkirina bingehîn ên MemTrax-ê yên xurtkirî de ji bo piştgirîya tespîtkirinê di rêveberiya doza klînîkî ya bi bandor û lênihêrîna nexweş de ji bo kesên ku kêmasiya cognitive dijîn.
ZAROKÊN
Em xebata J. Wesson Ashford, Curtis B. Ashford, û hevkarên xwe ji bo pêşdebirin û pejirandina peywir û amûra nasîna domdar a serhêl (MemTrax) ku li vir hatî bikar anîn nas dikin û em ji gelek nexweşên bi dementia re spas dikin ku beşdarî lêkolîna bingehîn a krîtîk bûne. . Em her weha spasiya Xianbo Zhou û hevkarên wî yên li SJN Biomed LTD, hevkar û hevkarên wî li cîhên nexweşxane / klînîkan, nemaze Dr. M. Luo û M. Zhong, yên ku di berhevkirina beşdaran de, plansazkirina ceribandinan, û berhevkirin, tomarkirin, û birêvebirina daneyan ji aliyê pêşiyê ve, û beşdarên dilxwaz ên ku dema xwe ya hêja bexş kirin û soz dan ku ceribandinan bikin û peyda bikin, bûn alîkar. daneyên hêja ku em di vê lêkolînê de binirxînin. Ev lêkolîn beşek ji hêla Lêkolîna Zanistî ya MD ve hate piştgirî kirin Bernameya Zanîngeha Bijîşkî ya Kunming (Grant jimare 2017BS028 ber XL) û Bernameya Lêkolînê ya Beşa Zanist û Teknolojiyê ya Yunnan (Grant jimare 2019FE001 (-222) ber XL).
J. Wesson Ashford ji bo karanîna paradîgmaya nasîna domdar a taybetî ya ku di vê gotarê de ji bo gelemperî hatî destnîşan kirin serîlêdanek patentê tomar kiriye. ceribandina bîranînê.
MemTrax, LLC pargîdaniyek e ku xwediyê Curtis Ashford e, û ev pargîdanî birêve dibe testkirina bîra sîstema ku di vê gotarê de hatiye diyarkirin.
Daxuyaniyên nivîskaran li serhêl hene (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
REFERENCES
| [1] Komeleya Alzheimer (2016) 2016 Rastiyên nexweşiya Alzheimer û reqeman. Dementa Alzheimers 12, 459-509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Bandora qonaxa destpêkê Nexweşiya alzheimer li ser encamên aborî yên malê. Tenduristî Econ 29, 18-29. | |
| [3] | Foster NL, Bondi MW, Das R, Foss M, Hershey LA, Koh S, Logan R, Poole C, Shega JW, Sood A, Thothala N, Wicklund M, Yu M, Bennett A, Wang D (2019) Pêşveçûna kalîteyê di neurolojî: Pîvana kalîteya kêmasiya cognitive ya sivik. Neurolojî 93, 705-713. |
| [4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) Bandora lêçûnê ya karanîna îmtîhanên pişkinîna cognitive ji bo tesbîtkirina dementia û kêmasiya cognitive sivik di lênihêrîna seretayî de. Int J Geriatr Psychiatry 32, 1392–1400. | |
| [5] Ashford JW, Gere E, Bayley PJ (2011) Pîvana bîrê di mîhengên koma mezin de bi karanîna ceribandinek nasîna domdar. J Alzheimers Dis 27, 885–895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Ji bo pîvandina bîranîna episodîk peywirek naskirina domdar a komputerî. J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Performansa bîranîna episodîk di modela fêrbûna makîneyê de ji bo pêşbînkirina dabeşkirina rewşa tenduristiya naskirî. J Alzheimers Dis 70, 277–286. |
| [8] van der Hoek MD, Nieuwenhuizen A, Keijer J, Ashford JW (2019) The Testa MemTrax li gorî texmîna nirxandina cognitive ya montreal ya kêmasiya hişmendiya sivik. J Alzheimers Dis 67, 1045–1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Bikaranîna dengên vokalên veqetandî ji bo dabeşkirina birîna mêjî ya sivik a trawmatîk. Di 2013 de Konferansa Navneteweyî ya IEEE li ser Acoustics, Speech and Signal Processing, Vancouver, BC, rûpel 7577-7581. |
| [10] | Dabek F, Caban JJ (2015) Zehfkirina daneyên mezin ji bo modela îhtîmala pêşkeftina şert û mercên psîkolojîk ên piştî serhejandinê. Procedia Comput Sci 53, 265-273. |
| [11] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Dara biryarê ji bo tespîtkirina zû ya kêmasiya cognitive ji hêla dermansazên civakê ve. Eniya 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: Amûrek hûrgulî ya ji bo kêmasiya cognitive nerm. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012) Guhertoya Pekînê ya nirxandina cognitive ya montreal wekî amûrek kurteya kontrolê ya ji bo kêmasiya hişmendiya sivik: Lêkolînek li ser bingeha civakê. BMC Psychiatry 12, 156. |
| [14] | Chen KL, Xu Y, Chu AQ, Ding D, Liang XN, Nasreddine ZS, Dong Q, Hong Z, Zhao QH, Guo QH (2016) Pejirandina guhertoya çînî ya bingehîn a nirxandina cognitive Montreal ji bo vekolandina kêmasiya cognitive ya sivik. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N , Leach L , Murphy KJ (2018) Ji nû ve vekolînek li ser xalên qutkirî yên Nirxandina Cognitive Montreal (MoCA). Int J Geriatr Psychiatry 33, 379-388. |
| [16] | Komeleya Psychiatric Amerîkî (2013) Task Force Destûra Teşhîs û statîstîkî ya nexweşiyên derûnî: DSM-5™, Weşanxaneya Psychiatric Amerîkî, Inc., Washington, DC. |
| [17] | Python. Weqfa Nermalava Python, http://www.python.org, 15ê çiriya paşîna (November) 2019ê gihîştiye. |
| [18] | Koma R Core, R: Zimanek û hawîrdorek ji bo hesabkirina îstatîstîkî R Weqfa ji bo Computing Statistical, Viyana, Avusturya. https://www.R-project.org/, 2018, Gihîştin 15ê Mijdara 2019an. |
| [19] | Benavoli A. J Mach Learn Res 2017, 18–1. |
| [20] | Frank E, Hall MA, Witten IH (2016) WEKA Workbench. Li Kêmkirina Daneyan: Amûr û Teknîkên Fêrbûna Makîneya Pratîk, Frank E, Hall MA, Witten IH, Pal CJ, weş. Morgan Kaufmann https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf |
| [21] | Bergeron MF , Landset S , Maugans TA , Williams VB , Collins CL , Wasserman EB , Khoshgoftaar TM (2019) Fêrbûna makîneyê di modêkirina nîşaneya qursa werzîşê ya dibistana navîn de çareser dibe. Med Sci Sports Exerc 51, 1362–1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Perspektîfên ezmûnî yên li ser fêrbûna ji daneyên bêhevseng. Li Daneyên 24-ê Konferansa Navneteweyî ya li ser Fêrbûna Makîneyê, Corvalis, Oregon, USA, rûpel 935-942. |
| [23] | Ashford JW. J Gerontol 1989, 44–139. |
| [24] Ashford JW, Jarvik L (1985) Nexweşiya alzheimer: Ma plastîkbûna neuronê pêşdibistana dejenerasyona neurofibrillary axonal dike? N Engl J Med 313, 388–389. | |
| [25] Jack CR Jr , Therneau TM , Weigand SD , Wiste HJ , Knopman DS , Vemuri P , Lowe VJ , Mielke MM , Roberts RO , Machulda MM , Graff-Radford J , Jones DT , Schwarz CGL , Gunje , Rocca WA , Petersen RC (2019) Berbelavbûna biyolojîkî li hember pêkhateyên spekulê yên Alzheimer-ê yên bi klînîkî diyarkirî bi karanîna Enstîtuya Neteweyî ya li ser Pîrbûn-Alzheimer bikar tînin Lêkolîna Komeleya çarçoveya. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X, Ashford JW (2019) Pêşveçûnên di amûrên venêrînê de ji bo Nexweşiya alzheimer. Aging Med 2, 88–93. | |
| [27] Weiner MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) The Health mejî Registry: Platformek-based înternetê ji bo berhevkirin, nirxandin û şopandina dirêjî ya beşdaran ji bo lêkolînên neuroscience. Dementa Alzheimers 14, 1063-1076. | |
| [28] Ashford JW, Schmitt FA (2001) Modelkirina dema-kursa Dementia Alzheimer. Curr Psychiatry Rep 3, 20-28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Lêkolîna Dirêj a Sîno li ser Kêmbûna Kognîtîv (SILCODE): Protokola ji bo lêkolînek çavdêriya dirêjî ya Çînî ji bo pêşxistina modelên pêşbîniya xetereyê ya veguheztina kêmasiya hişmendiya sivik di kesên xwedî hişmendiya subjektîf de. paşvegerrî. BMJ Vekirî 9, e028188. |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) Guherbariya pêşkeftina biyomarkera pênc-salî ji bo Dementia nexweşiya Alzheimer Pêşbînî: Ma çalakiyek amûrek tevlihev a nîşankera zindî ya rojane dikare valahiyan dagire? Dementa Alzheimers (Amst) 1, 521–532. | |
| [31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) Pêşîlêgirtin û dermankirina nexweşiya Alzheimer: Mekanîzmayên biyolojîkî yên werzîşê. J Alzheimers Dis 69, 311–338. | |
| [32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) Dermanên ji bo pêşîlêgirtin û dermankirina nexweşiya Alzheimer. Biomed Res Int 2016, 2589276. | |
| [33] | Lane CA, Barnes J, Nicholas JM, Sudre CH, Cash DM, Malone IB, Parker TD, Keshavan A, Buchanan SM, Keuss SE, James SN, Lu K, Murray-Smith H, Wong A, Gordon E, Coath W, Modat M, Thomas D, Richards M, Fox NC, Schott JM (2020) Têkiliyên di navbera xetera damaran de li seranserê mezinan û patholojiya mêjî di dawiya jiyana xwe de: Delîl ji hevrêzek jidayikbûnê ya Brîtanî. JAMA Neurol 77, 175-183. |
| [34] | Seshadri S (2020) Pêşîlêgirtina ramana dementiayê ji temen û qutiyên amyloid. 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) Bandorên tansiyona xwînê ya sîstolîk li ser yekitiya madeya spî di mezinên ciwan de di Lêkolîna Dilê Framingham de -lêkolîna beşê. 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) Rastiya ceribandina biyomarker ji bo neuropatolojîkî hatî destnîşankirin Nexweşiya Alzheimer di mezinên pîr de bi dementia. Ann Intern Med 172, 669–677. |
Têkilî: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] Beşa Endezyariya Komputer û Elektrîkê û Zanistiya Computerê, Zanîngeha Atlantîkê ya Florida, Boca Raton, FL, USA | [c] SJN Biomed LTD, Kunming, Yunnan, Çîn | [d] Navenda ji bo Lêkolîna Alzheimer, Enstîtuya Lêkolînên Klînîkî ya Washington, Washington, DC, USA | [e] Beşa Dermanê Rehabîlîtasyonê, Nexweşxaneya Yekemîn a Têkildar a Zanîngeha Bijîşkî ya Kunming, Kunming, Yunnan, Chinaîn | [f] Beşa Neurolojiyê, Nexweşxaneya Gel a Dehong, Dehong, Yunnan, Chinaîn | [g] Beşa Neurolojiyê, Nexweşxaneya Yekem a Têkildar a Zanîngeha Bijîşkî ya Kunming, Navçeya Wuhua, Kunming, parêzgeha Yunnan, Chinaîn | [h] Navenda Lêkolînê ya Nexweşî û Birîndar a Şer, VA Palo Alto Health Care System, Palo Alto, CA, USA | [i] Beşa Psîkiyatrî û Zanistên Behavioral, Dibistana Bijîjkî ya Zanîngeha Stanford, Palo Alto, CA, USA
Têkilî: [*] Nasname: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. E-post: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Beşa Neurolojiyê, Nexweşxaneya Yekem a girêdayî Zanîngeha Bijîşkî ya Kunming, 295 Xichang Road, navçeya Wuhua, Kunming, parêzgeha Yunnan 650032, Chinaîn. E-post: ring@vip.163.com.
Peyvên Sereke: Pîrbûn, Nexweşiya alzheimer, dementia, pişkinîna girseyî