Жеңил когнитивдик бузулууларды классификациялоодо MemTrax жана Machine Learning моделдөөнүн пайдалуулугу
изилдөө-берене
Авторлор: Бергерон, Майкл Ф. | Landset, Sara | Чжоу, Сяньбо | Динг, Тао | Хошгофтаар, Таги М. | Чжао, Фэн | Ду, Бо | Чен, Xinjie | Ван, Суан | Чжун, Ляньмэй | Лю, Сяолеи| Эшфорд, Дж. Вессон
DOI: 10.3233/JAD-191340
Журнал: журналы Альцгеймер оорусуТом. 77, жок. 4,-бб. 1545-1558, 2020
жалпылаган
Негизги маалыматтар:
оорунун кеңири таралышы жана таралышы Альцгеймер оорусу жана жеңил когнитивдик бузулуу (MCI) эрте аныктоо когнитивдик скринингди жана баа берүүнү ырастоо үчүн шашылыш изилдөөгө чакырды.
Максаты:
Биздин негизги изилдөө максатыбыз тандалып алынган MemTrax көрсөткүчтөрү жана тиешелүү демографиялык жана ден соолук профилинин мүнөздөмөлөрү когнитивдик ден соолукту классификациялоо үчүн машина үйрөнүү менен иштелип чыккан болжолдоочу моделдерде (нормалдуу жана MCI) натыйжалуу колдонулушу мүмкүн экендигин аныктоо болгон. Монреалдагы когнитивдик баалоо (MoCA).
методдору:
Биз экиден жалданган 259 неврология, эстутум клиникасы жана ички оорулар боюнча чоңойгон бейтаптарга кесилиштүү изилдөө жүргүздүк. Кытайдагы ооруканалар. Ар бир пациентке кытай тилиндеги MoCA берилди жана MemTrax онлайн эпизоддук үзгүлтүксүз таануусун өз алдынча башкарган эс тест онлайн ошол эле күнү. Болжолдуу классификация моделдери 10 эселенген кайчылаш валидация менен машиналык үйрөнүүнүн жардамы менен курулган жана моделдин иштеши Кабылдагычтын иштөө мүнөзүнүн ийри сызыгынын астындагы аймак (AUC) менен өлчөнгөн. Моделдер сегиз жалпы демографиялык жана жеке тарых өзгөчөлүктөрү менен бирге MemTrax эки аткаруу көрсөткүчтөрүн (пайыз туура, жооп берүү убактысы) колдонуу менен курулган.
Results:
Окуучуларды MoCA упайларынын жана босоголордун тандалган комбинациялары боюнча салыштырганда, Наив Бэйс жалпысынан 0.9093 классификация көрсөткүчү менен эң мыкты окуучу болгон. Андан тышкары, эң мыкты үч окуучулардын арасында MemTrax негизинде классификациянын көрсөткүчтөрү бардык 0.9119 жалпы функцияны (10) колдонууга салыштырмалуу эң жогорку төрт функцияны гана (0.8999) колдонуу менен жогору болду.
Жыйынтык:
MemTrax натыйжалуулугун машина үйрөнүү классификациясынын болжолдуу моделинде натыйжалуу колдонсо болот эрте стадиясында когнитивдик бузулууларды аныктоо үчүн скрининг колдонмо.
КИРИШҮҮ
Таанылган (диагнозу жок болсо да) кеңири таралган оорунун жана таралышынын жана параллелдүү күчөгөн медициналык, социалдык жана коомдук ден соолук Альцгеймер оорусунун (АД) жана жеңил когнитивдик бузулуунун (MCI) чыгымдары жана жүгү бардык кызыкдар тараптар үчүн барган сайын оорлошуп жатат [1, 2]. Бул кайгылуу жана буржуазиялык сценарий текшерүү үчүн шашылыш түрдө изилдөө жүргүзүүгө чакырды эрте аныктоо ар түрдүү аймактарда жана популяцияларда улгайган бейтаптар үчүн жеке жана клиникалык шарттарда үзгүлтүксүз практикалык колдонуу үчүн когнитивдик скрининг жана баалоо аспаптары [3]. Бул инструменттер ошондой эле маалыматтык натыйжаларды электрондук ден соолук жазууларына үзгүлтүксүз которууну камсыз кылууга тийиш. Артыкчылыктар бейтаптарга маалымат берүү жана дарыгерлерге олуттуу өзгөрүүлөрдү эртерээк таанууга жардам берүү аркылуу ишке ашат жана ошону менен тез жана өз убагында стратификациялоого, ишке ашырууга жана тийиштүү индивидуалдуу жана үнөмдүү дарылоону көзөмөлдөөгө жана баштан өткөрө баштагандар үчүн пациенттерге кам көрүүгө мүмкүндүк берет. когнитивдик төмөндөө [3, 4].
Компьютерлештирилген MemTrax куралы (https://memtrax.com) бул жөнөкөй жана кыска үзгүлтүксүз таанууну баалоо, аны онлайн режиминде өз алдынча башкарууга болот, анда колдонуучу баштапкы презентацияга эмес, кайталанган сүрөттөргө жооп берет [5, 6]. Акыркы изилдөөлөр жана натыйжада практикалык натыйжалар AD жана MCI скринингинде MemTraxтын клиникалык натыйжалуулугун прогрессивдүү жана жамааттык түрдө көрсөтө баштады [5-7]. Бирок, клиникалык пайдалуулукту учурдагы менен түздөн-түз салыштыруу когнитивдик ден-соолук баалоо жана кадимки стандарттар кесиптик көз карашын маалымдоо жана эрте аныктоо жана диагностикалык колдоо MemTrax утилитасын ырастоо үчүн кепилдик берилет. ван дер Хоек жана башкалар. [8] тандалган MemTrax көрсөткүчтөрүн (реакция ылдамдыгы жана туура пайыз) Монреал аныктаган когнитивдик статуска салыштырган Когнитивдик баалоо (MoCA). Бирок, бул изилдөө бул аткаруу көрсөткүчтөрүн когнитивдик статустун мүнөздөмөсү менен байланыштыруу (МОКА тарабынан аныкталган) жана салыштырмалуу диапазондорду жана чектүү маанилерди аныктоо менен чектелген. Демек, бул иликтөөнү кеңейтүү жана классификациянын натыйжалуулугун жана натыйжалуулугун жогорулатуу үчүн, биздин негизги изилдөө сурообуз:
- Жеке адамдын тандаган MemTrax көрсөткүчтөрүн жана тиешелүү демографиялык көрсөткүчтөрүн жана ден соолугун көрсөтө алабы Перейти мүнөздөмөлөр таанып-билүү ден соолугун дихотомиялык классификациялоо үчүн машина үйрөнүү менен иштелип чыккан болжолдоочу моделде эффективдүү колдонулушу мүмкүн (нормалдуу жана MCI), анын MoCA баллы көрсөткөндөй?
Экинчиден, биз билгибиз келди:
- Ошол эле өзгөчөлүктөрдү эске алуу менен, MemTrax иштөөсүнө негизделген машинаны үйрөнүү моделин бейтапка көз карандысыз клиникалык диагноз менен аныктала турган таанып-билүү бузулушунун тандалган категорияларынын ичинде оордугун (жеңил жана оор) болжолдоо үчүн натыйжалуу колдонсо болобу?
Жасалма интеллекттин пайда болушу жана өнүгүп келе жаткан практикалык колдонулушу скрининг/аныктоодо өзгөчө практикалык артыкчылыктарды көрсөттү, прогноздук моделдөө клиниктерге когнитивдик/мээ ден соолугун жана пациентти башкарууну татаал баалоодо натыйжалуу жетектейт. Биздин изилдөөбүздө биз Кытайдагы эки ооруканадан тандалган ыктыярдуу стационардык жана амбулатордук бейтаптарды көрсөткөн үч маалымат топтомунан клиникалык диагноз менен тастыкталган MCI классификациясын моделдөөдө жана когнитивдик бузулуунун катаалдыгын дискриминациялоодо окшош мамилени тандадык. Машина менен үйрөнүүнү болжолдоочу моделдөөнүн жардамы менен биз ар кандай маалымат топтомунун/окуучунун айкалыштарынан эң мыкты окуучуларды аныктадык жана клиникалык жактан эң практикалык моделдик колдонмолорду аныктоодо бизге жетекчилик кылуучу функцияларды рейтингдедик.
Биздин гипотезаларыбыз тастыкталган MemTrax негизиндеги моделди когнитивдик ден соолукту дихотомдук түрдө классификациялоо үчүн (нормалдуу же MCI) MoCA жалпы баллдык босого критерийинин негизинде колдонсо болот жана окшош MemTrax болжолдоочу модели тандалган категориялардагы катаалдыкты дискриминациялоодо эффективдүү колдонулушу мүмкүн деген гипотеза болгон. клиникалык диагноз коюлган таанып билүү түшүүсүнөн. Күтүлгөн натыйжаларды көрсөтүү MemTraxтын когнитивдик төмөндөө жана когнитивдик бузулуу классификациясын эрте аныктоо экраны катары натыйжалуулугун колдоодо маанилүү болмок. Пайдалуулугунун алда канча жеңилдиги жана тездиги менен толукталган тармактык стандартка жагымдуу салыштыруу, клиниктерге бул жөнөкөй, ишенимдүү жана жеткиликтүү куралды эрте (анын ичинде продромалдык) этаптагы когнитивдик жетишсиздикти аныктоодо баштапкы экран катары кабыл алууга жардам берүү үчүн таасирдүү болмок. Мындай мамиле жана пайдалуу, демек, өз убагында жана жакшыраак стратификацияланган пациенттерге кам көрүү жана кийлигишүү. Бул келечекти ойлогон түшүнүктөр жана өркүндөтүлгөн көрсөткүчтөр жана моделдер деменциянын прогрессиясын, анын ичинде AD жана AD менен байланышкан деменцияларды (ADRD) азайтуу же токтотуу үчүн пайдалуу болушу мүмкүн.
МАТЕРИАЛДАР ЖАНА ЫКМАЛАР
Изилдөө калк
2018-жылдын январынан 2019-жылдын августуна чейин Кытайдагы эки ооруканадан алынган бейтаптар боюнча изилдөөлөр аяктады. MemTrax [5] 21 жаштан жогорку курактагы адамдарга администрациялоо жана ал маалыматтарды чогултуу жана талдоо Этикалык стандарттарга ылайык каралып, жактырылган жана башкарылган. адам Стэнфорд университетинин предметти коргоо комитети. MemTrax жана бул жалпы изилдөө үчүн башка бардык тесттер 1975-жылдагы Хельсинки декларациясына ылайык аткарылган жана Кунмин шаарындагы Кунмин медициналык университетинин Биринчи филиалынын ооруканасынын Институттук кароо кеңеши тарабынан бекитилген, Юннань, Кытай. Ар бир колдонуучуга берилген негизделген макулдукту окуу/карап чыгуу үчүн форма, андан кийин өз ыктыяры менен катышууга макул болот.
Катышуучулар Янхуа ооруканасынын неврология клиникасына амбулатордук пациенттердин бассейнинен кабыл алынган (YH суб-маалыматтар топтому) жана Куньмин медициналык биринчи филиалынын ооруканасында эс тутум клиникасы Пекиндеги университет (XL суб-маалыматтар топтому), Кытай. Катышуучулар ошондой эле Кунмин медициналык университетинин биринчи аффилирленген ооруканасында неврология (XL суб-маалыматтар топтому) жана ички медицина (KM суб-маалыматтар топтому) стационардык бейтаптардан алынган. Киргизүү критерийлери 1) 21 жаштан кем эмес эркектер жана аялдар, 2) кытай (мандарин) тилинде сүйлөй билүү жана 3) оозеки жана жазуу жүзүндөгү багыттарды түшүнүү жөндөмдүүлүгүн камтыйт. Четтетүү критерийлери көрүү жана кыймыл-аракеттин бузулушу катышуучуларды бүтүрүүгө тоскоол болгон MemTrax сыноо, ошондой эле атайын тест нускамаларын түшүнө албоо.
MemTraxтын кытай версиясы
онлайн MemTrax тест платформасы которулду кытай тилине (URL: https://www.memtrax.com.cn) жана андан ары өзүн-өзү башкаруу үчүн WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Кытай) аркылуу колдонууга ылайыкташтырылган. Маалыматтар Кытайда жайгашкан булут серверинде (Ali Cloud) сакталган жана Alibaba лицензиясынан (Alibaba Technology Co. Ltd., Ханчжоу, Чжэцзян, Кытай) SJN Biomed LTD (Кунмин, Юннан, Кытай) тарабынан алынган. MemTrax боюнча конкреттүү маалыматтар жана бул жерде колдонулган тесттин жарактуу критерийлери мурда сүрөттөлгөн [6]. Тест бейтаптарга бекер берилген.
Изилдөө жол-жоболору
Стационардык жана амбулатордук бейтаптар үчүн демографиялык жана жеке маалыматтарды чогултуу үчүн жалпы кагаз түрүндөгү анкета, мисалы, жашы, жынысы, билими, кесиби, жалгыз жашоо же үй-бүлө менен, жана медициналык тарых изилдөө тобунун мүчөсү тарабынан башкарылган. Анкета толтурулгандан кийин, MoCA [12] жана MemTrax тесттери тесттердин ортосунда 20 мүнөттөн ашпаган убакыт менен (адегенде MoCA) өткөрүлдү. MemTrax пайыздык туурасы (MTx-% C), орточо жооп убактысы (MTx-RT) жана тестирлөөнүн датасы жана убактысы сыноодон өткөн ар бир катышуучу үчүн изилдөө тобунун мүчөсү тарабынан кагазга жазылган. Толтурулган анкета жана МоКАнын натыйжалары тесттерди жүргүзгөн изилдөөчү тарабынан Excel электрондук жадыбалына жүктөлгөн жана Excel файлдары анализдер үчүн сакталганга чейин кесиптеши тарабынан текшерилген.
MemTrax сыноо
MemTrax онлайн тести 50 сүрөттү камтыды (25 уникалдуу жана 25 кайталоо; жалпы көрүнүштөрдүн же объекттердин 5 сүрөтүнүн 5 комплекти) белгилүү бир псевдо-кокустук тартипте көрсөтүлгөн. Катышуучу (көрсөтмөлөр боюнча) экрандагы Start баскычын басып, тестти баштоо жана сүрөттөр сериясын көрө баштайт жана кайталанган сүрөт пайда болгондо экрандагы сүрөткө мүмкүн болушунча тезирээк тийет. Ар бир сүрөт 3 сек же экрандагы сүрөт тийгенге чейин пайда болгон, бул кийинки сүрөттү дароо көрсөтүүгө түрткү болгон. Жергиликтүү аппараттын ички саатын колдонуу менен, ар бир сүрөт үчүн MTx-RT сүрөттү көрсөтүүдөн тартып катышуучу экранга тийгенге чейинки убакыт менен аныкталды. сыноо учурунда. MTx-RT ар бир сүрөттөлүш үчүн жаздырылды, толук 3 сек эч кандай жооп жок экенин көрсөткөн. MTx-% C колдонуучу туура жооп берген кайталануучу жана баштапкы сүрөттөрдүн пайызын көрсөтүү үчүн эсептелген (чыныгы оң + чыныгы терс 50гө бөлүнгөн). MemTrax башкаруунун жана ишке ашыруунун кошумча чоо-жайы, маалыматтарды кыскартуу, жараксыз же “жооп жок” маалыматтар жана баштапкы маалыматтарды талдоо башка жерде сүрөттөлгөн [6].
MemTrax тести деталдуу түшүндүрүлдү жана стационардык тест (натыйжаларды жазуу үчүн тестте колдонулгандан башка уникалдуу сүрөттөр менен) оорукананын шартында катышуучуларга берилди. YH жана KM суб-маалымат топтомдорунун катышуучулары MemTrax сынагынан WeChat'та тиркеме жүктөлгөн смартфондо өтүштү; ал эми XL суб-маалыматтар топтому менен ооругандардын чектелген саны iPad колдонушкан, калгандары смартфон колдонушкан. Бардык катышуучулар MemTrax сынагын изилдөөчү тергөөчү менен байкабастан өткөрүштү.
Монреал когнитивдик баалоо
Кытай МоКАсынын (MoCA-BC) Пекиндеги версиясы [13] расмий тестирлөө нускамаларына ылайык даярдалган изилдөөчүлөр тарабынан башкарылып, баллга ээ болгон. Ылайыктуу, MoCA-BC ишенимдүү болуп көрсөтүлдү когнитивдик тест Кытайдын улгайган кишилерине билим берүүнүн бардык деңгээлдеринде текшерүү [14]. Ар бир сынак тиешелүү катышуучунун когнитивдик жөндөмүнө жараша 10-30 мүнөткө созулду.
MoCA классификациясын моделдөө
Эки MemTrax, анын ичинде жалпысынан 29 колдонууга мүмкүн болгон өзгөчөлүктөр болгон тест аткаруу көрсөткүчтөрү жана демографиялык жана ден-соолукка байланыштуу 27 өзгөчөлүк ар бир катышуучу үчүн маалымат. Ар бир бейтаптын MoCA жалпы тест упай катары колдонулган когнитивдик скрининг Биздин болжолдуу моделдерибизди үйрөтүү үчүн "эталон". Демек, MoCA класстын энбелгисин түзүү үчүн колдонулгандыктан, биз жалпы упайды (же MoCA топтомунун упайларынын бирин) көз карандысыз өзгөчөлүк катары колдоно алган жокпуз. Биз алдын ала эксперименттерди жүргүздүк, анда биз моделдештирдик (МОКА тарабынан аныкталган когнитивдик ден соолукту классификациялоо) баштапкы үч оорукана/клиника(лар) суб-маалыматтар топтомун өзүнчө, анан бардык функцияларды колдонуу менен бириктирдик. Бирок, үч суб-маалыматтар топтомун билдирген төрт клиниканын ар биринде бирдей маалымат элементтери чогултулган эмес; Ошентип, бириккен маалымат топтомундагы биздин көптөгөн өзгөчөлүктөрүбүздө (бардык функцияларды колдонууда) жетишпеген маанилердин көп учурашы болгон. Андан кийин биз классификациянын жакшырышына алып келген жалпы функцияларды гана колдонуп, бириктирилген маалымат топтому менен моделдерди курдук. Бул, кыязы, үч пациенттин суб-маалымат топтомун айкалыштыруу менен иштөө үчүн көбүрөөк инстанцияларга ээ болуу менен түшүндүрүлөт жана жетишпеген маанилердин ашыкча таралышы менен эч кандай өзгөчөлүктөр жок (бириккен маалымат топтомундагы бир гана функция, жумуш түрү, жетишпеген маанилерге ээ болгон, үч гана оорулуу инстанциялары), анткени бардык үч сайтта жазылган жалпы функциялар гана камтылган. Белгилей кетчү нерсе, бизде ар бир өзгөчөлүк үчүн баш тартуунун конкреттүү критерийи болгон эмес, ал акыры бириккен маалымат топтомуна кирбейт. Бирок, биздин алдын ала бириккен маалымат топтомун моделдөөдө биз алгач үч өзүнчө пациенттин суб-маалыматтарынын ар биринин бардык өзгөчөлүктөрүн колдондук. Бул кеңири жайылган моделдин иштешине алып келди, ал ар бир жеке суб-маалыматтар топтому боюнча баштапкы алдын ала моделдөөдөн өлчөөчү төмөн болгон. Мындан тышкары, бардык мүмкүнчүлүктөрдү колдонуу менен курулган моделдердин классификациялык көрсөткүчтөрү бардык окуучулар жана классификация схемалары боюнча кубандырат, бирок жалпы функцияларды гана колдонууда көрсөткүчтөр эки эсе көп моделдерге жакшырды. Чынында, биздин эң мыкты окуучуларыбыз болгондордун арасында жалпы эмес өзгөчөлүктөрдү жок кылуу менен бир моделден башкасы жакшырды.
Акыркы жыйынды маалымат топтому (YH, XL жана KM бириккен) 259 инстанцияны камтыды, алардын ар бири MemTrax жана MoCA тесттеринен өткөн уникалдуу катышуучунун өкүлү. 10 жалпы көз карандысыз өзгөчөлүктөр болгон: MemTrax көрсөткүчтөрү: MTx-% C жана орточо MTx-RT; демографиялык жана медициналык тарых боюнча маалымат: жашы, жынысы, билими, иш түрү (көк жакалуу/ак жакалуу), социалдык колдоо (сыноочу жалгызбы же үй-бүлөсү менен жашайбы) жана колдонуучунун бар-жокпу деген суроого ооба/жок жооптору кант диабети, гиперлипидемия же травматикалык мээ жаракатынын тарыхы. Эки кошумча метрика, MoCA агрегаттык упай жана MoCA жалпы баллы билим берүү жылдарына туураланган [12], көз каранды классификация энбелгилерин иштеп чыгуу үчүн өз-өзүнчө колдонулду, ошентип биздин бириккен маалымат топтомуна колдонула турган эки башка моделдөө схемасын түзүштү. MoCA упайынын ар бир версиясы (түзөтүлгөн жана оңдолбогон) үчүн маалыматтар эки башка критерийдин босогосун колдонуу менен экилик классификация үчүн өзүнчө моделдешти — алгач сунушталган [12] жана башка маанилер колдонулган жана башкалар [8, 15]. Кошумча босого классификация схемасында, эгерде s / ал MoCA тестинде ≥23 упай топтосо жана 22 же андан төмөн болсо, MCI бар болсо, пациент нормалдуу когнитивдик ден соолугуна ээ деп эсептелген; ал эми баштапкы сунуш кылынган классификация форматында, пациент кадимки когнитивдик ден-соолукка ээ деп белгилөө үчүн MoCAдан 26 же андан жогору балл алышы керек болчу.
MoCA классификациясын моделдөө үчүн чыпкаланган маалыматтар
Биз андан ары MoCA классификациясын төрт кеңири колдонулган функцияларды рейтингдик ыкма менен карап чыктык: Chi-Squared, Gain Ratio, Information Gain жана Симметриялык белгисиздик. Убактылуу перспектива үчүн биз төрт моделдөө схемабыздын ар бирин колдонуп, рейтингдерди бүт бириктирилген маалымат топтомуна колдондук. Бардык рейтингчилер бирдей жогорку өзгөчөлүктөр боюнча макулдашышты, б.а., жаш курагы, билим алган жылдарынын саны жана MemTrax көрсөткүчтөрүнүн экөө тең (MTx-% C, MTx-RT дегенди билдирет). Андан кийин биз моделдерди ар бир өзгөчөлүк тандоо ыкмасын колдонуп, моделдерди эң жакшы төрт функцияга гана үйрөтүү үчүн кайра курдук (караңыз. Мүмкүнчүлүк тандоо ылдый жакта).
MoCA упайларынын классификациясынын моделдөө схемаларынын жыйынтыктоочу акыркы сегиз варианты 1-таблицада берилген.
1-таблица
MoCA классификациясы үчүн колдонулган моделдөө схемасынын вариацияларынын корутундусу (Нормал Когнитивдик ден соолук MCI каршы)
| Моделдөө схемасы | Кадимки когнитивдик ден соолук (терс класс) | MCI (позитивдүү класс) |
| Adjusted-23 Unfiltered/Filtered | 101 (39.0%) | 158 (61.0%) |
| Adjusted-26 Unfiltered/Filtered | 49 (18.9%) | 210 (81.1%) |
| Unadjusted-23 Unfiltered/Filtered | 92 (35.5%) | 167 (64.5%) |
| Unadjusted-26 Unfiltered/Filtered | 42 (16.2%) | 217 (83.8%) |
Ар бир класстагы жалпы пациенттердин тиешелүү саны жана пайызы билим берүү үчүн баллдын тууралоосу (түзөтүлгөн же жөндөлбөгөн) жана классификация босогосу (23 же 26) менен айырмаланат, эки функциялар топтомуна тең (Чыпкаланбаган жана чыпкаланган) колдонулат.
MemTrax негизинде клиникалык баа моделдөө
Биздин үч баштапкы суб-маалымат топтомубуздун ичинен (YH, XL, KM), XL суб-маалымат топтомунун бейтаптары өз алдынча клиникалык жактан когнитивдик бузулуу диагнозун коюшкан (б.а., алардын тиешелүү MoCA упайлары бузулганга каршы нормалдуу классификацияны түзүүдө колдонулган эмес). Тактап айтканда, XL бейтаптарга да диагноз коюлган Альцгеймер оорусу боюнча тест (AD) же кан тамыр деменциясы (VaD). Бул негизги диагноз категорияларынын ар биринин ичинде MCI үчүн дагы бир белги бар. AD менен байланыштуу MCI, деменция, тамыр нейрокогнитивдик бузулуу жана нейрокогнитивдик бузулуу диагноздору Психикалык бузулуулардын диагностикалык жана статистикалык колдонмосунда баяндалган өзгөчө жана айырмалоочу диагностикалык критерийлерге негизделген: DSM-5 [16]. Бул такталган диагноздорду эске алуу менен, эки классификация моделдөө схемалары ар бир негизги диагноз категориясы үчүн оордук даражасын (бузулуу даражасын) айырмалоо үчүн XL суб-маалыматтар комплексине өзүнчө колдонулган. Бул диагностикалык моделдөө схемаларынын (AD жана VaD) ар биринде колдонулган маалыматтар демографиялык жана пациенттердин тарыхын, ошондой эле MemTrax көрсөткүчтөрүн (MTx-% C, орточо MTx-RT) камтыйт. Ар бир диагноз MCI белгиленген болсо, жумшак деп белгиленген; антпесе, оор деп эсептелген. Биз алгач диагностика моделдерине MoCA упайын кошууну карадык (жеңил жана оор); бирок биз экинчи пландоочу моделдөө схемабыздын максатын жокко чыгара тургандыгын аныктадык. Бул жерде окуучулар провайдер үчүн жеткиликтүү болгон пациенттин башка мүнөздөмөлөрүн жана жөнөкөйрөөк MemTrax тестинин (MOCAнын ордуна) көрсөткүчтөрүн "алтын стандартка", көз карандысыз клиникалык диагнозго каршы колдонуу менен окутулат. AD диагностикасынын маалымат топтомунда 69 учур жана VaDдин 76 учуру болгон (таблица 2). Эки маалымат топтомунда 12 көз карандысыз өзгөчөлүк бар. MoCA упай классификациясына кирген 10 өзгөчөлүктөрдөн тышкары, пациенттин тарыхында гипертония жана инсульт тарыхы боюнча маалымат да камтылган.
2-таблица
Диагноздун катаалдыгын классификациялоо үчүн колдонулган моделдөө схемасынын вариацияларынын кыскача мазмуну (Жеңил жана оор)
| Моделдөө схемасы | Жеңил (терс класс) | Оор (позитивдүү класс) |
| MCI-AD жана AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD каршы VaD | 38 (50.0%) | 38 (50.0%) |
Ар бир класстагы бейтаптардын тиешелүү саны жана пайызы баштапкы диагноз категориясы (AD же VaD) боюнча айырмаланат.
статистика
Катышуучунун мүнөздөмөлөрүн жана башка сандык өзгөчөлүктөрдү ар бир моделдин классификациялоо стратегиясы үчүн (MoCA когнитивдик ден соолук жана диагностиканын оордугун болжолдоо үчүн) үчүн суб-маалыматтар топтомдорунун ортосундагы салыштыруу Python программалоо тили (2.7.1 версиясы) [17] менен аткарылган. Моделдин иштешинин айырмачылыктары алгач 95% ишеним интервалы менен бир же эки факторлуу (тиешелүү) ANOVA жана аткаруу каражаттарын салыштыруу үчүн Tukey чынчыл олуттуу айырмачылык (HSD) тести аркылуу аныкталган. Модель аткарууларынын ортосундагы айырмачылыктарды текшерүү Python жана R (3.5.1 версиясы) [18] комбинациясын колдонуу менен жүргүзүлгөн. Биз бул ыкманы эвристикалык жардам катары гана колдондук алгачкы баскычы потенциалдуу клиникалык колдонууну болжолдоодо моделдин натыйжалуулугун салыштыруу үчүн. Андан кийин моделдин иштешинин айырмачылыктарынын ыктымалдыгын аныктоо үчүн арткы бөлүштүрүүнү колдонуу менен Байесиялык кол коюлган даражадагы тестти колдондук [19]. Бул анализдер үчүн биз –0.01, 0.01 интервалын колдондук, эгерде эки топтун натыйжалуулугу 0.01ден аз болсо, алар бирдей деп эсептелинет (практикалык эквиваленттүүлүктүн аймагында) же болбосо алар башкача (бирден жакшыраак) башка). Классификациялоочулардын Байесиялык салыштыруусун жүргүзүү жана бул ыктымалдуулуктарды эсептөө үчүн биз Python 1.0.2 үчүн baycomp китепканасын (3.6.4 версиясы) колдондук.
Болжолдуу моделдөө
Ар бир пациенттин MoCA тестинин жыйынтыгын же клиникалык диагноздун оордугун болжолдоо (классификациялоо) үчүн моделдөө схемаларыбыздын он жалпы вариациясын колдонуп, болжолдоочу моделдерди курдук. Бардык окуучулар колдонулуп, моделдер Weka ачык программалык платформасын колдонуу менен курулган [20]. Алдын ала анализдөө үчүн биз көбүнчө колдонулган 10 үйрөнүү алгоритмин колдондук: 5-Эң жакын коңшулар, C4.5 чечим дарагынын эки версиясы, Логистикалык регрессия, көп катмарлуу перцептрон, Naive Bayes, Random Forestтин эки версиясы, Радиалдык Функция Тармагы жана Колдоо Вектору Машина. Бул алгоритмдердин негизги атрибуттары жана контрасттары башка жерде [21] сүрөттөлгөн (тиешелүү Тиркемени караңыз). Булар тандалып алынган, анткени алар окуучулардын ар кандай түрлөрүн чагылдырат жана биз окшош маалыматтар боюнча мурунку талдоолордо аларды колдонууда ийгилик көрсөткөнбүз. Гипер-параметрлердин жөндөөлөрү биздин мурунку изилдөөбүздөн тандалган, алар ар кандай маалыматтар боюнча ишенимдүү болушун көрсөткөн [22]. Толук талдоодо кийинчерээк колдонулган жалпы өзгөчөлүктөрү менен бирдей бириктирилген маалымат топтомун колдонуу менен биздин алдын ала анализибиздин жыйынтыгына таянып, биз бардык классификациялар боюнча ырааттуу күчтүү аткарууну камсыз кылган үч окуучуну аныктадык: Логистикалык регрессия, Наиве Бейес жана Колдоо Вектордук машина.
Кайчылаш текшерүү жана моделдин аткаруу метрикасы
Бардык болжолдоочу моделдөө үчүн (анын ичинде алдын ала анализдер) ар бир модель 10 эселенген кайчылаш валидациянын жардамы менен курулган жана моделдин иштеши Кабылдагычтын иштөө мүнөзүнүн ийри сызыгынын астындагы аймак (AUC) менен өлчөнгөн. Кайчылаш валидация 10 моделдөө схемасынын берилиштеринин ар бирин туш келди 10 бирдей сегментке (бүктөлүп) бөлүү менен башталды, бул тиешелүү сегменттердин тогузу моделди үйрөтүү жана калган сегментти тестирлөө үчүн колдонуу. Бул жол-жобо 10 жолу кайталанып, ар бир итерацияда тест катары башка сегментти колдонду. Андан кийин жыйынтыктар акыркы моделдин натыйжасын/өндүрүшүн эсептөө үчүн бириктирилди. Ар бир окуучу/берилиштер топтому айкалышы үчүн, бул процесс 10 жолу кайталанып, маалыматтар ар бир жолу башкача бөлүнөт. Бул акыркы кадам бир тараптуулукту азайтып, кайталанууну камсыз кылды жана жалпы моделдин иштешин аныктоого жардам берди. Жалпысынан (MOCA баллы жана диагностиканын катаалдыгын классификациялоо схемалары үчүн) 6,600 моделдер курулган. Буга 1,800 чыпкаланбаган моделдер (берилиштер топтомуна колдонулган 6 моделдөө схемасы × 3 окуучу × 10 чуркоо × 10 бүктөлмө = 1,800 4,800 модель) жана 4 3 чыпкаланган моделдер (берилиштер топтомуна колдонулган 4 моделдөө схемасы × 10 окуучу × 10 өзгөчөлүк тандоо техникасы × 4,800 чуркоо ×) XNUMX бүктөлмө = XNUMX модел).
Мүмкүнчүлүк тандоо
чыпкаланган моделдер үчүн, өзгөчөлүк тандоо (төрт өзгөчөлүк рейтинги ыкмаларын колдонуу менен) кайчылаш текшерүүнүн алкагында аткарылган. 10 бүктөмдүн ар бири үчүн, берилиштер топтомунун башка 10% тесттик маалымат болгондуктан, ар бир окуу маалымат топтому үчүн тандалып алынган эң мыкты төрт өзгөчөлүк (б.а., калган тогуз бүктөм же бүтүндөй маалымат топтомунун калган 90%) гана колдонулган. моделдерин куруу. Ар бир моделде кайсы төрт функция колдонулганын тастыктай алган жокпуз, анткени ал маалымат биз колдонгон моделдөө платформасында сакталбайт же жеткиликтүү кылынбайт (Weka). Бирок, рейтингдер бүт бириктирилген маалымат топтомуна колдонулганда эң мыкты функцияларды тандоодогу ырааттуулукту жана моделдөө көрсөткүчтөрүнүн кийинки окшоштугун эске алганда, ушул эле өзгөчөлүктөр (курагы, билими, MTx-% C жана орточо MTx-RT) ), кыязы, кайчылаш текшерүү процессинде өзгөчөлүктү тандоо менен бирге колдонулган эң кеңири таралган төртөө.
ЖЫЙЫНТЫКТАРЫ
Катышуучунун сандык мүнөздөмөлөрү (анын ичинде MoCA упайлары жана MemTrax көрсөткүчтөрүнүн көрсөткүчтөрү) ар бир моделдин классификациялоо стратегиясы үчүн MoCA тарабынан көрсөтүлгөн когнитивдик ден соолукту (нормалдуу жана MCIге каршы) жана диагноздун оордугун (жеңил жана оор) болжолдоо үчүн 3-таблицада көрсөтүлгөн.
3-таблица
Катышуучунун мүнөздөмөлөрү, MoCA упайлары жана ар бир моделдин классификация стратегиясы үчүн MemTrax көрсөткүчтөрү
| Классификациялоо стратегиясы | жашы | тарбия | MoCA жөнгө салынды | MoCA Adjusted | MTx-% C | MTx-RT |
| MoCA категориясы | 61.9 ж (13.1) | 9.6 ж (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 сек (0.3) |
| Диагноздун катуулугу | 65.6 ж (12.1) | 8.6 ж (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 сек (0.3) |
Моделдөө классификациясынын стратегиялары менен дифференцияланган көрсөтүлгөн маанилер (орточо, SD) MoCA тарабынан көрсөтүлгөн когнитивдик ден соолукту (MCI нормага каршы) болжолдоо үчүн колдонулган бириктирилген маалымат топтомунун өкүлү жана XL суб-даалымдар топтому диагноздун катаалдыгын (жеңил жана оор) болжолдоо үчүн гана колдонулат.
MoCA упайынын (түзөтүлгөн/таңдалбаган) жана босогонун (26/23) ар бир айкалышы үчүн статистикалык айырма бар (p = 0.000) жашы, билими жана MemTrax көрсөткүчтөрү (MTx-% C жана MTx-RT) боюнча ар бир жуп салыштырганда (кадимки когнитивдик ден соолукка каршы MCI). Ар бир айкалыштыруу үчүн тиешелүү MCI классындагы ар бир пациенттин суб-маалымат топтому орто эсеп менен 9 жаштан 15 жашка улуураак болгон, беш жылдык билими жөнүндө кабарланган жана эки көрсөткүч үчүн тең MemTrax көрсөткүчтөрү азыраак болгон.
Эң мыкты үч окуучуну, Логистикалык регрессияны, Наиве Байести жана Колдоо Вектордук машинаны колдонуу менен MoCA упайларынын классификациясы үчүн моделдөөнүн болжолдуу моделдөө натыйжалары 4-таблицада көрсөтүлгөн. Бул үчөө окуучулардын бардык ар кандай моделдер боюнча эң туруктуу жогорку абсолюттук көрсөткүчтөрүнүн негизинде тандалган. бардык моделдөө схемалары үчүн маалымат топтомуна колдонулат. Чыпкаланбаган маалыматтар топтому жана моделдөө үчүн 4-таблицадагы ар бир маалымат баалуулуктары ар бир окуучу/моделдөө схемасынын айкалышы үчүн түзүлгөн 100 моделден (10 чуркоо × 10 бүктөм) алынган AUC тиешелүү орточо негизинде моделдин иштешин көрсөтөт. аткаруучу окуучу кара тамга менен белгиленген. Ал эми чыпкаланган берилиштер топтомун моделдөө үчүн, 4-таблицада берилген жыйынтыктар функцияларды рейтингдик ыкмалардын ар бирин колдонгон ар бир окуучу үчүн 400 моделдин жалпы орточо моделдин көрсөткүчтөрүн чагылдырат (4 өзгөчөлүк рейтинги ыкмасы × 10 чуркоо × 10 бүктөм).
4-таблица
Бардык тиешелүү моделдөө схемалары үчүн эң жакшы көрсөткүчкө ээ болгон үч окуучунун ар бири үчүн Дихотомиялык MoCA упайынын классификациясынын көрсөткүчтөрү (AUC; 0.0–1.0)
| Функциялар топтому колдонулат | MoCA упай | Кесүү босогосу | логистикалык регрессия | Naive Bayes | Колдоо вектордук машина |
| Чыпкаланбаган (10 функция) | эске алуу | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Түзөтүлбөгөн | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Чыпкаланган (4 өзгөчөлүк) | эске алуу | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Түзөтүлбөгөн | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Функциялар топтомунун, MoCA упайынын жана MoCA упайынын чектелүү босогосунун вариацияларын колдонуу менен, ар бир моделдөө схемасы үчүн эң жогорку көрсөткүчтө көрсөтүлгөн. тайманбастык менен (болбогон бардык башкалардан статистикалык түрдө айырмаланбайт тайманбастык менен тиешелүү модель үчүн).
Окуучуларды MoCA упайларынын версияларынын жана босоголордун бардык айкалыштары боюнча (тиешелүү түрдө туураланган/түзөтүлбөгөн жана 23/26) бириккен чыпкаланбаган берилиштер топтомун (б.а., 10 жалпы функцияны колдонуу) салыштырганда, Наиве Бейс жалпысынан эң мыкты окуучу болгон. 0.9093 классификация көрсөткүчү. Эң мыкты үч окуучуну эске алганда, Байезиан-корреляцияланган кол коюлган даражадагы тесттер ыктымалдуулуктун (Pr) Логистикалык регрессиядан ашкан Naive Bayes 99.9% түздү. Андан тышкары, Naive Bayes жана Support Vector Machine ортосунда, окуучунун ишинин практикалык эквиваленттүүлүгүнүн 21.0% ыктымалдыгы (ошондуктан, Наиве Бейстин Колдоо Вектордук Машинасынан 79.0% ашып кетүү ыктымалдыгы) жана Колдоо Вектордук Машинасынын жакшыраак, өлчөөчүдөй иштешинин 0.0% ыктымалдыгы. Naïve Bayes үчүн аткаруу артыкчылыгын бекемдейт. Бардык окуучулар/босоголор боюнча MoCA упай версиясын андан ары салыштыруу оңдолбогон MCA упайларын колдонуу менен бир аз аткаруу артыкчылыгын сунуш кылды (тиешелүүлүгүнө жараша 0.9027 жана 0.8971; Pr (түзөтүлбөгөн > туураланган) = 0.988). Ошо сыяктуу эле, бардык окуучулар жана MoCA упай версиялары боюнча чектөө босогосун салыштыруу классификация босогосу катары 26 менен 23кө (тиешелүүлүгүнө жараша 0.9056 каршы 0.8942); Pr (26 > 23) = 0.999). Акырында, чыпкаланган натыйжаларды (б.а., эң жогорку төрт функцияны гана) колдонгон моделдер үчүн классификациянын натыйжалуулугун изилдеп, Naïve Bayes (0.9143) бардык MoCA упай версиялары/босоголору боюнча эң мыкты окуучу болгон. Бирок, бардык функцияларды рейтингдик ыкмаларды бириктиргенде, бардык мыкты окуучулар окшош аткарышты. Байесиялык кол коюлган даражадагы тесттер чыпкаланган окуучулардын ар бир түгөйүнүн ортосунда практикалык эквиваленттүүлүктүн 100% ыктымалдыгын көрсөттү. Чыпкаланбаган маалыматтардагыдай эле (бардык 10 жалпы функцияны колдонуу менен), MoCA упайынын оңдолбогон версиясы үчүн дагы бир натыйжалуулук пайда болду (Pr (түзөтүлбөгөн > туураланган) = 1.000), ошондой эле классификация босогосу үчүн 26 (такталган)Pr (26 > 23) = 1.000). Белгилей кетчү нерсе, МоКАнын бардык упай версиялары/босоголору боюнча эң мыкты үч окуучунун ар биринин орточо көрсөткүчтөрү эң жогорку төрт функцияны колдонуу менен чыпкаланбаган маалыматтар боюнча каалаган окуучунун орточо көрсөткүчүнөн ашып кеткен. Таң калыштуу эмес, чыпкаланган моделдердин классификациялык көрсөткүчтөрү (жогорку рейтингдеги төрт функцияны колдонуу менен) жалпысынан 0.9119 жалпы колдонулган тиешелүү моделдерге салыштырылган өзгөчөлүк рейтингинин ыкмасынын моделдерине карабастан, чыпкаланбаган моделдерден (0.8999) жогору (10) болгон. Өзгөчөлүктөрү. Ар бир өзгөчөлүк тандоо ыкмасы үчүн чыпкаланбаган моделдерге караганда 100% аткаруу артыкчылыктары бар болчу.
AD диагностикасынын катаалдыгын классификациялоо үчүн пациенттерде жаш курагы боюнча топтордун ортосундагы (MCI-AD каршы AD) айырмачылыктар (p = 0.004), билим берүү (p = 0.028), MoCA баллы туураланган/түзөтүлбөгөн (p = 0.000) жана MTx-% C (p = 0.008) статистикалык мааниге ээ болгон; ал эми MTx-RT үчүн андай болгон эмес (p = 0.097). VaD диагностикасынын катаалдыгынын классификациясы каралып жаткан бейтаптар менен, MoCA упайлары үчүн топтордун ортосундагы (MCI-VaD жана VaD) айырмачылыктар туураланган/таңдалбаган (p = 0.007) жана MTx-% C (p = 0.026) жана MTx-RT (p = 0.001) статистикалык мааниге ээ болгон; ал эми жашы боюнча (p = 0.511) жана билим берүү (p = 0.157) топтордун ортосунда олуттуу айырмачылыктар болгон эмес.
Мурда тандалган үч окуучунун, Логистикалык регрессиянын, Наиве Байестин жана Колдоо векторунун машинасынын жардамы менен диагноздун катаалдыгынын классификациясы үчүн болжолдуу моделдөө натыйжалуулугунун натыйжалары 5-таблицада көрсөтүлгөн. Ал эми кошумча текшерилген окуучулар эки клиникалык диагноз категориясынын бири менен жекече бир аз күчтүүрөөк көрсөткүчтөрдү көрсөтүштү. , биз мурунку моделдөөбүздө эң жагымдуу деп тапкан үч окуучу жаңы моделдөө схемалары менен тең эң ырааттуу аткарууну сунушташкан. Окуучуларды негизги диагностика категорияларынын (AD жана VaD) ар биринде салыштырганда, MCI-VaD менен VaD боюнча окуучулардын ортосунда классификациянын ырааттуу айырмачылыгы болгон жок, бирок Колдоо Вектордук Машинасы жалпысынан көрүнүктүүраак аткарган. Ошо сыяктуу эле, MCI-AD классификациясы менен AD классификациясы боюнча окуучулардын ортосунда олуттуу айырмачылыктар болгон жок, бирок Naïve Bayes (NB) логистикалык регрессияга (LR) караганда бир аз аткаруу артыкчылыгына ээ болгон жана 61.4% ыктымалдык менен Колдоо вектордук машинасынан анчалык көп эмес. жана тиешелүүлүгүнө жараша 41.7%. Эки маалымат топтомунда колдоо вектордук машинасынын (SVM) жалпы иштөө артыкчылыгы бар Pr (SVM > LR) = 0.819 жана Pr (SVM > НБ) = 0.934. XL суб-маалыматтар топтомундагы диагноздун оордугун болжолдоодо бардык окуучулардын классификациясынын жалпы көрсөткүчтөрү AD диагнозуна караганда VaD диагностика категориясында жакшыраак болгон (Pr (VAD > AD) = 0.998).
5-таблица
Дихотомиялык клиникалык диагностиканын катаалдыгын классификациялоо көрсөткүчтөрү (AUC; 0.0–1.0) тиешелүү моделдөө схемалары үчүн эң мыкты үч окуучунун ар бири үчүн жыйынтыктар
| Моделдөө схемасы | логистикалык регрессия | Naive Bayes | Колдоо вектордук машина |
| MCI-AD жана AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD каршы VaD | 0.8033 | 0.8044 | 0.8338 |
Ар бир моделдөө схемасы үчүн эң жогорку көрсөткүчтө көрсөтүлгөн тайманбастык менен (башкалардан статистикалык жактан айырмаланбайт тайманбастык менен).
ТАЛКУУЛОО
Когнитивдик ден соолуктагы өзгөрүүлөрдү эрте аныктоо маанилүү жеке ден соолукту башкарууда жана коомдук саламаттыкты сактоодо практикалык пайдалуу. Чынында эле, ал ошондой эле дүйнө жүзү боюнча бейтаптар үчүн клиникалык шарттарда абдан артыкчылыктуу болуп саналат. Жалпы максат - бейтаптарды, кам көрүүчүлөрдү жана провайдерлерди эскертүү жана когнитивдик төмөндөө баштагандарга эртерээк туура жана үнөмдүү дарылоо жана узунунан кам көрүү. Биздин үч оорукананын/клиниканын маалымат топтомун бириктирип, биз үч өзгөчө артыкчылыктуу окуучуларды аныктадык (бир көрүнүктүү - Наиве Бейс менен) алдын ала айтуу моделдерин түзүү үчүн. Когнитивдик ден соолук абалын ишенимдүү классификациялай алган MemTrax көрсөткүчтөрү дихотомиялык (нормалдуу когнитивдик ден соолук же MCI) MoCA жалпы баллы менен көрсөтүлөт. Белгилей кетчү нерсе, биздин моделдер негизинен MemTrax көрсөткүчтөрүнүн көрсөткүчтөрүн камтыган жогорку орунду ээлеген төрт функцияны гана колдонгондо, үч окуучунун тең классификациясынын жалпы көрсөткүчтөрү жакшырган. Мындан тышкары, биз деменция диагнозунун эки категориясынын катаалдыгын айырмалоо үчүн диагностикалык колдоо классификациясынын моделдөө схемасында бирдей окуучуларды жана MemTrax көрсөткүчтөрүн колдонуу үчүн негиздүү потенциалды ачып бердик: AD жана VaD.
Эс тести АДды эрте аныктоодо борбордук болуп саналат [23, 24]. Ошентип, MemTrax алгылыктуу, кызыктуу жана онлайн режиминде ишке ашыруу оңой эпизоддук эс үчүн скрининг тест жалпы калктын арасында [6]. Бул үзгүлтүксүз аткаруу тапшырмасынан таануунун тактыгы жана жооп берүү убакыттары, өзгөчө, үйрөнүүгө, эс тутумга жана таанып-билүүгө байланыштуу нейропластикалык процесстердин эрте жана өнүгүп келе жаткан начарлоосун жана натыйжада кемчиликтерин аныктоодо ачыкка чыгат. Башкача айтканда, бул жерде негизинен MemTrax көрсөткүчтөрүнүн көрсөткүчтөрүнө негизделген моделдер өтө сезгич жана эң аз чыгым менен биологиялык невропатологиялык жетишсиздикти өткөөл асимптоматикалык стадияда кыйла олуттуу функционалдык жоготууга чейин ачып берет [25]. Эшфорд жана башкалар. MemTrax менен өз алдынча катышкан онлайн колдонуучулардын эс тутумунун тактыгынын жана жооп берүү убактысынын моделдерин жана жүрүм-турумун кылдат изилдеп чыккан [6]. Бул бөлүштүрүүлөр оптималдуу моделдөө жана жарактуу жана натыйжалуу бейтапты сактоо колдонмолорун иштеп чыгуу үчүн маанилүү экенин урматтоо, клиникалык колдонулуучу таануу жана жооп убакыт профилдерин аныктоо клиникалык жана илимий-изилдөө пайдалуу үчүн баалуу негиздүү шилтеме түзүү үчүн абдан маанилүү болуп саналат. Эрте этаптагы когнитивдик бузулууларды жана дифференциалдык диагностикалык колдоону AD скринингиндеги MemTraxтын практикалык мааниси, андан кийин тесттин натыйжалуулугуна таасир этүүчү когнитивдик, сенсордук жана мотордук мүмкүнчүлүктөр каралышы мүмкүн болгон клиникалык шарттардын контекстинде кылдат изилдениши керек. Кесиптик көз карашты маалымдоо жана практикалык клиникалык пайдалуулукту стимулдаштыруу үчүн, биринчи кезекте, ден соолукту баалоо үчүн белгиленген когнитивдик тестке салыштырууну көрсөтүү зарыл, бирок ал логистиканын оор сыноолору, билим берүү жана тилди тескөөчүлөр жана маданий таасирлер менен таанымал түрдө чектелиши мүмкүн [26] . Бул жагынан алганда, MemTrax менен клиникалык эффективдүүлүктү көбүнчө тармактык стандарт катары эсептелген MoCA менен жакшы салыштыруу маанилүү, айрыкча MemTraxтын пайдалуулугунун жана пациенттердин кабыл алуусунун жеңилдигин таразалоодо.
MemTrax менен MoCAды салыштырган мурунку чалгындоо биздин моделдөө изилдөөбүзгө кепилдик берүүчү негизди жана алдын ала далилдерди баса белгилейт [8]. Бирок, бул алдын ала салыштыруу биз карап чыккан эки негизги MemTrax көрсөткүчтөрүн MoCA аныктаган когнитивдик статус менен жана тиешелүү диапазондорду жана чектик маанилерди аныктаган менен гана байланыштырды. Биз MemTraxтын клиникалык пайдалуулугун баалоону тереңдеттик, ал башка потенциалдуу тиешелүү пациентке тиешелүү параметрлерди жекече карап чыгууну камсыз кыла турган болжолдуу моделдөөнүн негизиндеги мамилени изилдөө менен. Башкалардан айырмаланып, биз MoCA баллына билим берүү коррекциясын (түзөтүүнү) колдонуу менен моделдин иштешинде же когнитивдик ден соолукту басмырлоочу MoCA жалпы упай босогосун баштапкы сунушталган 26дан 23кө чейин өзгөртүүдө артыкчылык тапкан жокпуз [12, 15]. Чындыгында, классификациянын эффективдүүлүгү оңдолбогон MoCA упайын жана жогорку босогону колдонууну жактырды.
Клиникалык практикадагы негизги пункттар
Машиналарды үйрөнүү көбүнчө маалыматтар кеңири жана көп өлчөмдүү болгондо, башкача айтканда, көптөгөн байкоолор жана жогорку мааниге ээ (салынуучу) атрибуттардын кеңири массивдери болгондо, болжолдуу моделдөөдө эң жакшы колдонулат жана эң натыйжалуу болот. Ошентсе да, ушул учурдагы маалыматтар менен, төрт тандалган өзгөчөлүгү бар чыпкаланган моделдер бардык 10 жалпы функцияны колдонгондорго караганда жакшыраак иштешти. Бул биздин оорукананын жалпы маалымат топтомунда бейтаптарды ушундай жол менен оптималдуу классификациялоо үчүн клиникалык жактан эң ылайыктуу (жогорку маани) өзгөчөлүктөр жок экенин көрсөтүп турат. Ошого карабастан, MemTrax көрсөткүчтөрүнүн негизги көрсөткүчтөрүнө өзгөчө басым жасоо - MTx-% C жана MTx-RT - бул тесттин айланасында когнитивдик жетишсиздиктин алгачкы баскычтагы скрининг моделдерин түзүүнү катуу колдойт, ал жөнөкөй, башкарууга оңой, арзан жана туура ачып берет. эс тутумдун иштеши, жок эле дегенде, азыр когнитивдик ден соолук абалынын бинардык классификациясы үчүн баштапкы экран катары. Провайдерлердин жана саламаттыкты сактоо тутумдарынын тынымсыз күчөшүн эске алуу менен, пациенттин скрининг процесстери жана клиникалык колдонмолору диагностикада эң пайдалуу, пайдалуу жана натыйжалуу болгон пациенттин мүнөздөмөлөрүн жана тесттик көрсөткүчтөрдү чогултууга, көзөмөлдөөгө жана моделдөөгө басым жасоо менен ылайыктуу түрдө иштелип чыгышы керек. жана пациентти башкаруу колдоо.
MemTrax эки негизги көрсөткүчү MCI классификациясында борбордук болгондуктан, биздин эң мыкты окуган окуучубуз (Naïve Bayes) көпчүлүк моделдерде (AUC 0.90дон жогору) өтө жогорку прогноздук көрсөткүчкө ээ болгон, анык-оң менен жалган-оң катышы 4кө жакын же бир аз ашкан. : 1. Бул окуучуну колдонгон котормо клиникалык колдонмо Ошентип, когнитивдик дефицити бар адамдардын көпчүлүгүн камтып (туура классификациялайт), ошол эле учурда когнитивдик ден соолуктары нормалдуу адамды когнитивдик дефицити бар (жалган оң) же жаңылыштык менен классификациялоо менен байланышкан чыгымдарды азайтат. когнитивдик дефицити бар адамдарда бул классификация жок (жалган терс). Бул туура эмес классификация сценарийлеринин бири бейтапка жана кам көрүүчүлөргө ашыкча психо-социалдык жүк салышы мүмкүн.
Алдын ала жана толук талдоодо биз ар бир моделдөө схемасында он окуучунун бардыгын колдонгонубуз менен, натыйжаларыбызды эң туруктуу күчтүү көрсөткүчтөрдү көрсөткөн үч классификаторго бурдук. Бул ошондой эле, бул маалыматтардын негизинде, когнитивдик статустун классификациясын аныктоодо практикалык клиникалык колдонууда ишенимдүү түрдө жогорку деңгээлде аткара турган окуучуларды баса белгилөө үчүн болгон. Мындан тышкары, бул изилдөө когнитивдик скринингде машинаны үйрөнүүнүн пайдалуулугун жана бул өз убагында клиникалык кыйынчылыктарды изилдөө үчүн киришүүчү изилдөө катары арналгандыктан, биз минималдуу параметрлерди тууралоо менен окуу ыкмаларын жөнөкөй жана жалпылаштыруу чечимин кабыл алдык. Биз бул мамиле бир кыйла тар аныкталган бейтапка тиешелүү алдын ала мүмкүнчүлүктөрүн мүмкүнчүлүктөрүн чектеген болушу мүмкүн экенин баалайбыз. Анын сыңарындай, моделдерди эң жогорку функцияларды гана колдонуу менен окутуу (фильтрленген ыкма) бизге бул маалыматтар (чогултулган маалыматтардын кемчиликтери жана баалуу клиникалык убакытты жана ресурстарды оптималдаштыруунун маанисин баса белгилөө) жөнүндө кошумча маалымат берет моделдердин масштабы жана демек, бардык (жана башка өзгөчөлүктөр) биз кеңири калкка колдонула турган артыкчылыктуу өзгөчөлүктөрдүн бир кыйла так профилине ээ болмоюнча келечектеги изилдөөлөр менен каралышы керек. Ошентип, биз дагы толук камтыган жана кеңири репрезентативдик маалыматтар жана ушул жана башка моделдерди оптималдаштыруу, аларды эффективдүү клиникалык колдонууга интеграциялоодон мурун, айрыкча, андан аркы клиникалык баалоодо каралышы керек болгон когнитивдик натыйжалуулукка таасир этүүчү кошумча ооруларды жайгаштыруу үчүн зарыл экенин толук түшүнөбүз.
MemTrax пайдалуулугу өзүнчө клиникалык диагноздун негизинде оорунун оордугун моделдөө аркылуу андан ары өркүндөтүлгөн. VaD катуулугун алдын ала жакшыраак жалпы классификация көрсөткүчү (AD салыштырмалуу) болгон эмес кан тамырлардын ден соолугуна мүнөздүү моделдердеги пациенттин профилинин өзгөчөлүктөрүн эске алганда таң калыштуу жана инсульт коркунучу, башкача айтканда, гипертония, гиперлипидемия, диабет жана (албетте) инсульт тарыхы. Окуучуларды бул көбүрөөк инклюзивдик маалыматтар менен окутуу үчүн кадимки когнитивдик ден соолугу менен дал келген бейтаптарга бирдей клиникалык баа берүү жакшыраак жана ылайыктуураак болмок. Бул өзгөчө кепилденген, анткени MemTrax биринчи кезекте когнитивдик жетишсиздикти алгачкы баскычта аныктоо жана андан кийин жеке өзгөрүүлөргө байкоо жүргүзүү үчүн колдонулат. Ошондой эле, VaD маалыматтар топтомундагы маалыматтардын эң керектүү бөлүштүрүлүшү моделдөөнүн салыштырмалуу жакшыраак иштешине жарым-жартылай салым кошкону акылга сыярлык. VaD маалыматтар топтому эки класстын ортосунда жакшы тең салмакталган, ал эми MCI пациенттери азыраак болгон AD маалымат топтому андай эмес. Айрыкча, кичинекей маалымат топтомдорунда, атүгүл бир нече кошумча инстанциялар өлчөнө турган айырмачылыкты жаратышы мүмкүн. Эки көз караш тең оорунун катаалдыгын моделдөө көрсөткүчтөрүндөгү айырмачылыктардын негизин түзгөн жүйөлүү аргументтер. Бирок, пропорционалдуу түрдө жакшыртылган өндүрүмдүүлүктү берилиштер топтомунун сандык мүнөздөмөлөрүнө же каралып жаткан клиникалык көрсөтүүгө мүнөздүү өзгөчөлүктөргө таандык кылуу эрте. Ошого карабастан, бул роман клиникалык диагностикалык колдоонун ролунда MemTrax болжолдоочу классификация моделинин пайдалуулугун көрсөттү жана MCI континуумунда бейтаптар менен кошумча текшерүүгө умтулууну ырастайт.
MemTrax жана бул моделдердин ишке ашырылышы жана көрсөтүлгөн пайдалуулугу Кытайда тили жана маданияты башка аймактардан (мисалы, Франция, Нидерланды жана Америка Кошмо Штаттары) кескин айырмаланып турат [7, 8, 27] MemTrax негизиндеги платформанын кеңири жайылган глобалдык кабыл алынышы жана клиникалык мааниси үчүн. Бул дүйнө жүзү боюнча колдонууга стандартташтырылган жана оңой адаптацияланган когнитивдик скрининг үчүн маалыматтарды шайкеш келтирүүгө умтулуунун жана практикалык эл аралык нормаларды жана моделдөө ресурстарын иштеп чыгуунун көрүнүктүү мисалы.
Когнитивдик төмөндөөнү моделдөө жана колдонуудагы кийинки кадамдар
АДдагы когнитивдик дисфункция чындап эле дискреттик баскычтарда же баскычтарда эмес, континуумда пайда болот [28, 29]. Бирок, бул алгачкы этапта биздин максатыбыз адегенде “нормалдуу” менен “нормалдуу эмес” дегенди түп-тамырынан ажырата ала турган MemTraxти камтыган моделди куруу жөндөмүбүздү түзүү болчу. Көбүрөөк камтылган эмпирикалык маалыматтар (мисалы, мээнин сүрөттөрү, генетикалык өзгөчөлүктөр, биомаркерлер, кошумча оорулар жана комплекстин функционалдык маркерлери таанып билүүнү талап кылган иш-аракеттер Control) [30] ар кандай глобалдык аймактарда, популяцияларда жана курак топторунда бир кыйла татаал (анын ичинде ылайыктуу салмактуу ансамбль) машина үйрөнүү моделдерин үйрөтүү жана өнүктүрүү үчүн жакшыртылган классификацияны, башкача айтканда, оорулуулардын топторун классификациялоо мүмкүнчүлүгүн колдойт. MCI когнитивдик төмөндөө континууму боюнча кичи жана тактоочу топтомдорго. Мындан тышкары, аймактык ар түрдүү пациенттердин популяцияларындагы жеке адамдар үчүн коштолгон клиникалык диагноздор маанилүү натыйжалуу окутуу бул көбүрөөк камтылган жана алдын ала бекем моделдер. Бул окшош тектери, таасирлери жана тар аныкталган мүнөздүү когнитивдик профилдери бар адамдар үчүн конкреттүү стратификацияланган ишти башкарууну жеңилдетет жана ошентип клиникалык чечимдерди колдоону жана пациенттерге кам көрүүнү оптималдаштырат.
Бүгүнкү күнгө чейин тиешелүү клиникалык изилдөөлөрдүн көбү, жок эле дегенде, жеңил деменция менен ооруган бейтаптарга кайрылышкан; жана, иш жүзүндө, өтө көп оорулуу кийлигишүү гана өнүккөн этапта аракет. Бирок, когнитивдик төмөндөө деменциянын клиникалык критерийлери аткарыла электе эле башталгандыктан, MemTrax негизинде эффективдүү колдонулган алгачкы экран адамдарга оору жана анын өнүгүшү жөнүндө тийиштүү билим берүүгө жана эрте жана өз убагында кийлигишүүгө түрткү берет. Ошентип, эрте аныктоо көнүгүү, диета, эмоционалдык колдоо жана жакшыртылган социалдаштыруудан баштап фармакологиялык кийлигишүүгө чейин ылайыктуу катышууну колдоого алат жана пациенттин жүрүм-турумуна жана кабылдоосуна байланыштуу өзгөрүүлөрдү күчөтөт, бул жалгыз же жалпысынан деменциянын прогрессиясын басаңдатып же токтото алат [31, 32] . Мындан тышкары, натыйжалуу менен эрте скрининг, жеке адамдар жана алардын үй-бүлөлөрү күтүүлөрдү жана ниеттерди тактоого жана күнүмдүк милдеттерди башкарууга жардам берүү үчүн клиникалык сыноолорду карап чыгууга же кеңеш жана башка социалдык кызматтардан колдоо алууга түрткү болушу мүмкүн. Бул жолдор менен андан ары текшерүү жана кеңири жайылган практикалык пайдалуулук көптөгөн адамдар үчүн MCI, AD жана ADRD прогрессиясын азайтуу же токтотуу үчүн маанилүү ролду ойнойт.
Чынында эле, биздин изилдөөбүздө пациенттин жаш диапазонунун төмөнкү чеги AD менен салттуу тынчсыздануунун калкын билдирбейт. Ошого карабастан, МоКА баллына/босогосуна жана диагноздун оордугуна негизделген классификация моделдөө схемаларында колдонулган ар бир топтун орточо жашы (таблица 3) айкын көпчүлүктүн (80%дан ашыгы) 50 жаштан кем эмес экендигин баса белгилейт. Ошентип, бул бөлүштүрүү жалпылоо үчүн абдан ылайыктуу болуп саналат, бул моделдердин популяциядагы пайдалуулугун колдойт. эрте башталышы жана AD жана VaD улам өсүп жаткан нейрокогнитивдик оору. Ошондой эле, акыркы далилдер жана перспективалар бул таанылган факторлорду (мисалы, гипертония, семирүү, диабет жана тамеки чегүү) баса белгилейт. бойго жеткен жана орто курактагы кан тамыр тобокелдик упайлары жана натыйжада жаш балдарда да ачык таасирлери менен тымызын өнүгөт. чоңдор [33–35]. Демек, эрте аныктоо үчүн эң оптималдуу баштапкы скрининг мүмкүнчүлүгү когнитивдик жетишсиздиктерди этап жана деменцияны ийгиликтүү чечүү үчүн алдын алуу жана кийлигишүү стратегияларын баштоо Эрте бойго жеткен курактык жана потенциалдуу балалыкты кошо алганда, бардык курактык спектрге көмөктөшүүчү факторлорду жана алдын ала көрсөткүчтөрдү изилдөөнүн натыйжасында пайда болот (аполипопротеин Е сыяктуу генетикалык факторлордун эрте кош бойлуулуктун актуалдуулугун эске алуу менен).
Практикада жарактуу клиникалык диагноздор жана өркүндөтүлгөн сүрөттөө, генетикалык профилдөө жана келечектүү биомаркерлерди өлчөө үчүн кымбат процедуралар ар дайым эле жеткиликтүү эмес, ал тургай көптөгөн провайдерлер үчүн мүмкүн боло бербейт. Ошентип, көп учурларда, баштапкы жалпы когнитивдик ден соолук абалынын классификациясы пациент тарабынан берилген башка жөнөкөй көрсөткүчтөрдү (мисалы, өз алдынча отчеттуу) колдонуу менен моделдерден алынышы мүмкүн. эс тутум проблемалары, учурдагы дары-дармектер жана күнүмдүк иш-аракеттерди чектөө) жана жалпы демографиялык өзгөчөлүктөр [7]. Калифорния университети сыяктуу реестрлер Brain Health Реестр (https://www.brainhealthregistry.org/) [27] жана башкалар өзүнөн өзү билдирилген симптомдордун, сапаттык чаралардын (мисалы, уйку жана күнүмдүк таанып билүү), дары-дармектер, ден соолук абалы жана тарыхы жана башкалар. деталдуу демографиялык маалыматтар клиникада бул примитивдүү моделдердин практикалык колдонулушун иштеп чыгууда жана ырастоодо маанилүү роль ойнойт. Андан тышкары, эстутум функциясын баалоодо пайдалуулугун көрсөткөн MemTrax сыяктуу тест чындыгында биологиялык маркерлерге караганда AD патологиясын кыйла жакшыраак баалашы мүмкүн. АД патологиясынын негизги өзгөчөлүгү нейропластиканын бузулушу жана эпизоддук түрдө көрүнгөн синапстардын өтө татаал жоготуусу экенин эске алсак. эс тутумдун бузулушу, эпизоддук эстутумду баалоочу өлчөм чындыгында болушу мүмкүн тирүү пациенттеги биологиялык маркерлерге караганда AD патологиялык жүгүн жакшыраак баалоону камсыз кылат [36].
Бардык болжолдоочу моделдер менен - заманбап технологиялардын татаал жана инклюзивдик маалыматтары жана бир нече домендер боюнча такталган клиникалык түшүнүктөр менен толукталганбы же учурдагы пациенттердин профилдерине мүнөздүү болгон негизги жана оңой жеткиликтүү маалымат менен чектелгенби - жасалма интеллекттин таанылган артыкчылыгы жана машинаны үйрөнүү - бул натыйжадагы моделдер тиркемени үзгүлтүксүз колдонуу менен камсыз кылынган тиешелүү жаңы маалыматтардан жана перспективалардан синтездеп, индуктивдүү түрдө "үйрөнүүгө" болот. Технологияларды практикалык түрдө өткөрүп бергенден кийин, бул жердеги моделдер (жана иштелип чыга турган) колдонулуп, көбүрөөк учурлар жана тиешелүү маалыматтар менен байытылгандыктан (анын ичинде когнитивдик төмөндөө менен коштолушу мүмкүн болгон кошумча оорулары бар пациенттер), болжолдоо көрсөткүчтөрү жана когнитивдик ден соолуктун классификациясы бекем болот, натыйжада көбүрөөк натыйжалуу клиникалык чечимдерди колдоо пайдалуу. Бул эволюция MemTraxты медициналык тейлөөчүлөр клиникада реалдуу убакыт режиминде колдоно ала турган салттуу (жеткиликтүү мүмкүнчүлүктөргө багытталган) платформаларга киргизүү менен толугураак жана практикалык түрдө ишке ашат.
Диагностикалык колдоо жана пациентти багуу үчүн MemTrax моделин валидациялоо жана пайдалуу болуу үчүн өтө керектүү узунунан келген маалыматтар талап кылынат. Клиникалык абалдагы коштолгон өзгөрүүлөрдү (эгерде бар болсо) нормалдуу диапазондо MCIдин башталгыч стадиясында байкап жана жазып алуу менен, тиешелүү үзгүлтүксүз баалоо жана классификация үчүн моделдер пациенттердин жашына жараша окутулуп, өзгөртүлүшү мүмкүн жана дарыланат. Башкача айтканда, кайра-кайра утилита жумшак когнитивдик өзгөрүүлөргө узунунан байкоо жүргүзүүгө, кийлигишүүнүн эффективдүүлүгүнө жана маалыматтуу катмарланган жардамды сактоого жардам берет. Бул ыкма клиникалык практикага жана пациентти жана ишти башкарууга көбүрөөк шайкеш келет.
чектөөлөр
Биз көзөмөлдөнгөн клиникада/ооруканада таза клиникалык маалыматтарды чогултуудагы кыйынчылыкты жана баалуулукту баалайбыз. Ошого карабастан, эгерде биздин маалымат топтомдорубузга жалпы өзгөчөлүктөрү бар пациенттер кирсе, бул моделдөөбүздү бекемдемек. Мындан тышкары, биздин диагностикалык моделдештирүүгө өзгөчө, окуучуларды окутуу үчүн кадимки когнитивдик ден соолугу менен дал келген бейтаптарга бирдей клиникалык баа берүү жакшыраак жана ылайыктуураак болмок. Ал эми чыпкаланган маалымат топтомун колдонуу менен классификациянын жогорку көрсөткүчтөрү баса белгилегендей (бир гана эң жогорку төрт функция), жалпы жана когнитивдик ден соолук чаралары/көрсөткүчтөрү жакшырмак бардык бейтаптар үчүн жалпы өзгөчөлүктөрү көбүрөөк саны менен моделдөө аткаруу.
Кээ бир катышуучулар өткөөл же өнөкөт когнитивдик жетишсиздиктерге алып келиши мүмкүн болгон башка ооруларга дуушар болушу мүмкүн. Оорулуулар диагностикалык жактан AD же VaD деп классификацияланган XL суб-маалыматтар топтомунан башка, YH пациенттеринин пулунда кошумча оорулар боюнча маалыматтар чогултулган эмес/билдирилген эмес жана КМ суб-маалыматтар топтомунда эң көп катталган кошумча оору диабет болгон. Бирок, биздин моделдөө схемаларыбызга когнитивдик жетишсиздиктин деңгээлин көтөрө турган же күчөтүшү мүмкүн болгон бейтаптарды кошуу жана MemTrax көрсөткүчүнүн төмөндөшү бул жалпыланган эрте когнитивдик скрининг үчүн реалдуу дүйнөдөгү максаттуу пациенттердин калкынын көбүрөөк өкүлү болоору талашсыз. жана моделдөө ыкмасы. Алдыга жылдыруу, когнитивдик натыйжалуулукка таасир этүүчү кошумча ооруларды так диагноздоо моделдерди оптималдаштыруу жана пациентти тейлөөнүн натыйжалары үчүн пайдалуу.
Акырында, YH жана KM суб-маалыматтарынын бейтаптары MemTrax сынагынан өтүү үчүн смартфонду колдонушкан, ал эми XL суб-маалыматтар топтомунун пациенттеринин чектелген саны iPad, калгандары смартфон колдонушкан. Бул MoCA классификациясын моделдөө үчүн MemTrax аткаруусунда кичинекей түзмөккө байланыштуу айырманы киргизиши мүмкүн. Бирок, MTx-RTдеги айырмачылыктар (эгер бар болсо), мисалы, түзмөктөр ортосундагы айырмачылыктар анча деле байкалбайт, айрыкча ар бир катышуучуга жазылган тесттин аткарылышынын алдында "практика" тести берилет. Ошого карабастан, бул эки колго жүрүүчү аппараттын пайдалуулугу башка MemTrax натыйжалары менен түздөн-түз салыштырууну жана/же интеграцияны бузушу мүмкүн, мында колдонуучулар компьютердин клавиатурасындагы боштук баскычын басуу менен кайталанган сүрөттөргө жооп беришкен.
MemTrax болжолдоочу моделдөө программасынын негизги пункттары
- • Тандалган MemTrax көрсөткүчтөрүнүн көрсөткүчтөрүн камтыган биздин эң мыкты прогноздук моделдер кеңири таанылган MoCA тести көрсөткөндөй, когнитивдик ден соолук абалын (нормалдуу когнитивдик ден соолук же MCI) ишенимдүү классификациялай алат.
- • Бул жыйынтыктар MemTraxтин тандалган көрсөткүчтөрүн эрте баскычтагы когнитивдик бузулуулар үчүн классификациялык болжолдоочу модель скринингдик колдонмосуна интеграциялоону колдойт.
- • Биздин классификациялык моделдөө, ошондой эле MemTrax натыйжалуулугун деменция диагнозунун катаалдыгын айырмалоо үчүн тиркемелерде колдонуу мүмкүнчүлүгүн ачып берди.
Бул жаңы табылгалар натыйжалуу клиникалык иштерди башкарууда диагностикалык колдоо жана когнитивдик бузулууларга дуушар болгон адамдарга бейтаптарды кароодо MemTrax негизиндеги классификациянын жакшыртылган моделдерин курууда машинаны үйрөнүүнүн пайдалуулугун колдогон так далилдерди түзөт.
ЫРААЗЫЧЫЛЫК
Биз Дж. Вессон Эшфорддун, Кертис Б. Эшфорддун жана кесиптештердин бул жерде колдонулган онлайн үзгүлтүксүз таануу тапшырмасын жана куралын (MemTrax) иштеп чыгуу жана ырастоо боюнча эмгегин баалайбыз жана биз критикалык фундаменталдык изилдөөгө салым кошкон деменция менен ооруган көптөгөн бейтаптарга ыраазыбыз. . Биз ошондой эле Сианбо Чжоуга жана анын SJN Biomed LTDдеги кесиптештерине, анын кесиптештерине жана ооруканалардагы/клиникалардагы кесиптештерине, айрыкча Dr. М.Луо жана М.Чжун, катышуучуларды жалдоодо, тесттерди пландаштырууда жана маалыматтарды чогултууда, жаздырууда жана башкарууга жардам берген, ошондой эле баалуу убакыттарын бөлүп, тесттерди тапшырууга жана камсыз кылууга милдеттенме алган ыктыярдуу катышуучулар. бул изилдөөдө баалоо үчүн биз үчүн баалуу маалыматтар. Бул изилдөө жарым-жартылай MD Scientific Research тарабынан колдоого алынган Куньмин медициналык университетинин программасы (Грант № 2017BS028 XL) жана Юннань илим жана технология бөлүмүнүн изилдөө программасы (Грант № 2019FE001 (-222) XL үчүн).
Дж. Вессон Эшфорд бул документте сүрөттөлгөн спецификалык үзгүлтүксүз таануу парадигмасын колдонууга патентке өтүнмө берген. эс сыноо.
MemTrax, LLC Кертис Эшфордго таандык компания жана бул компания эс сыноо системасы бул макалада сүрөттөлгөн.
Авторлордун маалыматы онлайн (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
REFERENCES
| [1] Альцгеймер ассоциациясы (2016) 2016 Альцгеймер оорусу фактылары жана цифралар. Alzheimer Dement 12, 459–509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Effect of the first-stad Альцгеймер оорусу үй чарбаларынын финансылык натыйжалары жөнүндө. Health Econ 29, 18–29. | |
| [3] | Foster NL, Bondi MW, Das R, Foss M, Hershey LA, Koh S, Logan R, Poole C, Shega JW, Sood A, Thothala N, Wicklund M, Yu M, Bennett A, Wang D (2019) неврология: Жеңил когнитивдик бузулуу сапатын өлчөө топтому. Неврология 93, 705–713. |
| [4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) Колдонуунун натыйжалуулугу БМСЖде деменцияны жана жеңил когнитивдик бузулууну аныктоо үчүн когнитивдик скрининг тесттери. Int J Geriatr психиатрия 32, 1392–1400. | |
| [5] Эшфорд Дж.У., Гир Е, Бэйли ПДЖ (2011) Эстутумду өлчөө үзгүлтүксүз таануу тестин колдонуу менен чоң топ жөндөөлөрүндө. J Alzheimers Dis 27, 885–895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Эпизоддук эстутумду өлчөө үчүн компьютерлештирилген үзгүлтүксүз таануу тапшырмасы. J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) Когнитивдик ден соолук абалынын классификациясын алдын ала айтуу үчүн машина үйрөнүү моделинде эпизоддук эстутум. J Alzheimers Dis 70, 277–286. |
| [8] Ван дер Хоек MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The MemTrax сыноо жумшак когнитивдик бузулушунун Монреалдык когнитивдик баалоосуна салыштырганда. J Alzheimer Dis 67, 1045–1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) жумшак травматикалык мээ жаракат классификациясы үчүн обочолонгон үндүү тыбыштарды колдонуу. 2013-жылы IEEE эл аралык акустика, кеп жана сигналды иштетүү боюнча конференциясы, Ванкувер, BC, 7577–7581-б. |
| [10] | Dabek F, Caban JJ (2015) Баш мээси чайкалгандан кийин психологиялык шарттарды иштеп чыгуу ыктымалдыгын моделдөө үчүн чоң маалыматтарды колдонуу. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) Коомдук фармацевттердин когнитивдик бузулушун эрте аныктоо үчүн чечим дарагы. Front Pharmacol 9, 1232. |
| [12] | Насреддин ЗС, Филлипс Н.А., Бедириан V, Шарбонно С, Уайтхед V, Коллин I, Каммингс Дж.Л., Чертков Н (2005) The Montreal Cognitive Assessment, MoCA: Жеңил когнитивдик бузулуулар үчүн кыскача скрининг куралы. J Am Geriatr Soc 53, 695–699. |
| [13] | Ю Дж, Ли Дж, Хуанг X (2012) Монреалдагы когнитивдик баалоонун Пекин версиясы жумшак когнитивдик бузулуулар үчүн кыскача скрининг куралы катары: коомчулукка негизделген изилдөө. BMC психиатрия 12, 156. |
| [14] | Чен KL, Xu Y, Chu AQ, Ding D, Liang XN, Nasreddine ZS, Dong Q, Hong Z, Zhao QH, Guo QH (2016) Монреалдагы когнитивдик баалоонун кытайча версиясын текшерүү, жеңил-желпи когнитивдик бузулууларды текшерүү үчүн. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N, Leach L, Murphy KJ (2018) Монреалдагы Когнитивдик Баалоонун (MoCA) кесүү упайларын кайра кароо. Int J Geriatr Psychiatry 33, 379–388. |
| [16] | Америкалык психиатриялык ассоциация (2013) Тапшырма тобу психикалык бузулуулардын диагностикалык жана статистикалык колдонмосу: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC. |
| [17] | Python. Python Software Foundation, http://www.python.org, 15-ноябрь, 2019-ж. |
| [18] | R Core Group, R: Статистикалык эсептөөлөр үчүн тил жана чөйрө R Статистикалык эсептөөлөр Фонду, Вена, Австрия. https://www.R-project.org/, 2018, Колдонулган 15-ноябрь, 2019-ж. |
| [19] | Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Өзгөртүү үчүн убакыт: Байесиялык анализ аркылуу бир нече классификаторлорду салыштыруу үчүн окуу куралы. J Mach Learn Res 18, 1–36. |
| [20] | Frank E, Hall MA, Witten IH (2016) WEKA Workbench. In Маалыматтарды казып алуу: Машиналарды үйрөнүүнүн практикалык куралдары жана ыкмалары, Frank E, Hall MA, Witten IH, Pal CJ, ред. Морган Кауфман https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf |
| [21] | Bergeron MF , Landset S , Maugans TA , Williams VB , Collins CL , Wasserman EB , Khoshgoftaar TM (2019) Machine Learning in modeling high school спорттук контузия симптомун чечүү. Med Sci Sports Exerc 51, 1362–1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) салмаксыз маалыматтардан үйрөнүү боюнча эксперименталдык перспективалар. In Машиналарды үйрөнүү боюнча 24-эл аралык конференциянын материалдары, Корвалис, Орегон, АКШ, 935-942-беттер. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Alzheimer сабыр баалоо жана мини-психикалык абалы: Item мүнөздүү ийри анализ.P. Дж Геронтол 44, 139–146. |
| [24] Ashford JW, Jarvik L (1985) Альцгеймер оорусу: Нейрондун пластикасы аксоналдык нейрофибриллярдык дегенерацияга алып келеби? N Engl J Med 313, 388–389. | |
| [25] Джек 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 , Gunterm JML , Rocca WA, Petersen RC (2019) Картаюу-Альцгеймер боюнча Улуттук Институттун жардамы менен биологиялык жана клиникалык жактан аныкталган Альцгеймер спектринин объекттеринин таралышы Ассоциация изилдөө алкак. JAMA Neurol 76, 1174–1183. | |
| [26] Чжоу X, Эшфорд JW (2019) Скрининг куралдарындагы жетишкендиктер Альцгеймер оорусу. Карылык Мед 2, 88–93. | |
| [27] Weiner MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) The Brain Health Реестр: Нейрологияны изилдөө үчүн катышуучуларды жалдоо, баалоо жана узунунан мониторинг жүргүзүү үчүн интернетке негизделген платформа. Alzheimer Dement 14, 1063–1076. | |
| [28] Ashford JW, Schmitt FA (2001) Убакыт курсун моделдөө Альцгеймердик деменция. Curr Psychiatry Rep 3, 20–28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Кытай узунунан таанып-билүүнүн төмөндөшү боюнча изилдөөсү (SILCODE): Субъективдүү таанып билүү жөндөмү бар адамдарда жеңил когнитивдик бузулууга өтүү коркунучун болжолдоо моделдерин иштеп чыгуу үчүн кытайлык узунунан байкоо жүргүзүүнүн протоколу төмөндөө. BMJ Open 9, e028188. |
| [30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015) Беш жылдык биомаркер прогрессиянын өзгөрүлмөлүүлүгү Альцгеймер оорусу деменция болжолдоо: Күнүмдүк жашоо маркеринин татаал аспаптык иш-аракеттери боштуктарды толтура алабы? Alzheimer Dement (Amst) 1, 521–532. | |
| [31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) Альцгеймер оорусунун алдын алуу жана дарылоо: Көнүгүүлөрдүн биологиялык механизмдери. J Alzheimers Dis 69, 311–338. | |
| [32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) Therapies for Альцгеймер оорусунун алдын алуу жана дарылоо. 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) Чоң курактагы кан тамыр тобокелдигинин жана кеч жашоодогу мээнин патологиясынын ортосундагы бирикмелер: Британиянын төрөлгөн когортунун далили. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) Жашы жана амилоид кутучаларынан тышкары деменция-ой жүгүртүүнүн алдын алуу. JAMA Neurol 77, 160–161. |
| [35] | Maillard P , Seshadri S , Beiser A , Himali JJ , Au R , Fletcher E , Carmichael O , Wolf PA , DeCarli C (2012) Framingham Cross Heart изилдөөсүндө жаш кишилердин ак заттын бүтүндүгүнө систолалык кан басымынын таасири: -секциялык изилдөө. 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 ) Neuropathologically аныкталган биомаркер тестинин тактыгы Деменциясы бар улгайган адамдарда Альцгеймер оорусу. Энн Интерн Мед 172, 669–677. |
Affiliations: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] Компьютердик жана электрдик инженерия жана компьютердик илим бөлүмү, Флорида Атлантика университети, Бока Ратон, Флорида, АКШ | [c] SJN Biomed LTD, Kunming, Yunnan, China | [d] үчүн борбор Альцгеймер изилдөөсү, Вашингтон клиникалык изилдөө институту, Вашингтон, DC, АКШ | [e] Реабилитациялык медицина бөлүмү, Куньмин медициналык университетинин биринчи филиалы, Куньмин, Юннань, Кытай | [f] Неврология бөлүмү, Дехонг элдик ооруканасы, Дехонг, Юннань, Кытай | [g] Неврология бөлүмү, Куньмин медициналык университетинин биринчи филиалы ооруканасы, Вухуа району, Куньмин, Юннань провинциясы, Кытай | [h] Согушка байланыштуу ооруларды жана жаракаттарды изилдөө борбору, VA Пало Альто саламаттык сактоо Система, Пало-Альто, Калифорния, АКШ | [i] Психиатрия жана жүрүм-турум илимдери бөлүмү, Стэнфорд университетинин Медицина мектеби, Пало Альто, CA, АКШ
Корреспонденция: [*] Корреспонденция: Майкл Ф. Бергерон, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. E-mail: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, неврология бөлүмү, Кунмин медициналык университетинин биринчи филиалы ооруканасы, 295 Xichang Road, Wuhua району, Куньмин, Юннань провинциясы 650032, Кытай. E-mail: ring@vip.163.com.
Ачкыч сөздөр: Карылык, Альцгеймер оорусу, деменция, массалык скрининг