ຜົນປະໂຫຍດຂອງ MemTrax ແລະແບບຈໍາລອງການຮຽນຮູ້ເຄື່ອງຈັກໃນການຈັດປະເພດຂອງຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາເລັກນ້ອຍ

ບົດຄົ້ນຄວ້າ

ຜູ້ຂຽນ: Bergeron, Michael F. | Landset, Sara | Zhou, Xianbo | ດິງ, ຕ່າຍ | Khoshgoftaar, Taghi M. | Zhao, Feng | Du, Bo | Chen, Xinjie | Wang, Xuan | Zhong, Lianmei | Liu, Xiaolei| Ashford, J. Wesson

DOI: 10.3233/JAD-191340

ວາລະສານ: ວາລະສານຂອງ ພະຍາດ Alzheimer, vol 77, no 4, ຫນ້າ 1545-1558, 2020

ບົດຄັດຫຍໍ້

ຄວາມເປັນມາ:

ການເກີດການແຜ່ກະຈາຍແລະອັດຕາການຂະຫຍາຍຕົວຂອງ ພະຍາດ Alzheimer ແລະຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາອ່ອນໆ (MCI) ໄດ້ກະຕຸ້ນການຮຽກຮ້ອງອັນຮີບດ່ວນສໍາລັບການຄົ້ນຄວ້າເພື່ອກວດສອບການກວດສອບແລະການປະເມີນທາງດ້ານສະຕິປັນຍາເບື້ອງຕົ້ນ.

ຈຸດປະສົງ:

ຈຸດປະສົງການຄົ້ນຄວ້າຕົ້ນຕໍຂອງພວກເຮົາແມ່ນເພື່ອກໍານົດວ່າຕົວຊີ້ບອກການປະຕິບັດ MemTrax ທີ່ເລືອກແລະຂໍ້ມູນປະຊາກອນທີ່ກ່ຽວຂ້ອງແລະຄຸນລັກສະນະສຸຂະພາບສາມາດຖືກນໍາໃຊ້ຢ່າງມີປະສິດທິພາບໃນຮູບແບບການຄາດເດົາທີ່ພັດທະນາດ້ວຍການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອຈັດປະເພດສຸຂະພາບສະຫມອງ (ປົກກະຕິທຽບກັບ MCI), ດັ່ງທີ່ຊີ້ໃຫ້ເຫັນໂດຍ ການປະເມີນຄວາມເຂົ້າໃຈຂອງ Montreal (MoCA).

ວິທີການ:

ພວກ​ເຮົາ​ໄດ້​ດໍາ​ເນີນ​ການ​ສຶກ​ສາ​ຂ້າມ​ພາກ​ສ່ວນ​ກ່ຽວ​ກັບ 259 ປະ​ສາດ​ປະ​ສາດ​, ຄລີ​ນິກ​ຄວາມ​ຊົງ​ຈໍາ​, ແລະ​ຢາ​ປົວ​ພະ​ຍາດ​ພາຍ​ໃນ​ຄົນ​ເຈັບ​ສໍາ​ລັບ​ຜູ້​ໃຫຍ່​ຈາກ​ສອງ​ຄົນ​. ໂຮງ​ຫມໍ​ໃນ​ປະ​ເທດ​ຈີນ​. ຄົນເຈັບແຕ່ລະຄົນໄດ້ຖືກມອບໃຫ້ MoCA ທີ່ເປັນພາສາຈີນ ແລະຄຸ້ມຄອງຕົນເອງດ້ວຍການຮັບຮູ້ MemTrax ຢ່າງຕໍ່ເນື່ອງ. ການທົດສອບຄວາມຊົງຈໍາອອນໄລນ໌ ໃນມື້ດຽວກັນ. ຮູບແບບການຈັດປະເພດການຄາດເດົາໄດ້ຖືກສ້າງຂຶ້ນໂດຍໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ມີການກວດສອບ 10 ເທົ່າ, ແລະການປະຕິບັດຕົວແບບໄດ້ຖືກວັດແທກໂດຍໃຊ້ Area Under the Receiver Operating Characteristic Curve (AUC). ແບບຈໍາລອງໄດ້ຖືກສ້າງຂື້ນໂດຍໃຊ້ສອງຕົວຊີ້ບອກການປະຕິບັດ MemTrax (ສ່ວນຮ້ອຍທີ່ຖືກຕ້ອງ, ເວລາຕອບສະຫນອງ), ພ້ອມກັບແປດລັກສະນະປະຊາກອນທົ່ວໄປແລະປະຫວັດສາດສ່ວນບຸກຄົນ.

ຜົນການຄົ້ນຫາ:

ການປຽບທຽບຜູ້ຮຽນໃນທົ່ວການປະສົມປະສານທີ່ເລືອກຂອງຄະແນນ MoCA ແລະເກນ, Naïve Bayes ໂດຍທົ່ວໄປແລ້ວແມ່ນຜູ້ຮຽນທີ່ມີປະສິດຕິພາບສູງສຸດໂດຍມີການປະຕິບັດການຈັດປະເພດໂດຍລວມຂອງ 0.9093. ນອກຈາກນັ້ນ, ໃນບັນດາຜູ້ຮຽນສູງສຸດສາມຄົນ, ການປະຕິບັດການຈັດປະເພດໂດຍອີງໃສ່ MemTrax ໂດຍລວມແມ່ນດີກ່ວາໂດຍໃຊ້ພຽງແຕ່ສີ່ລັກສະນະອັນດັບຫນຶ່ງ (0.9119) ເມື່ອທຽບກັບການນໍາໃຊ້ທັງຫມົດ 10 ລັກສະນະທົ່ວໄປ (0.8999).

ສະຫຼຸບ:

ການປະຕິບັດ MemTrax ສາມາດຖືກນໍາໃຊ້ຢ່າງມີປະສິດທິພາບໃນຮູບແບບການຄາດຄະເນການຈັດປະເພດການຮຽນຮູ້ເຄື່ອງຈັກ ຄໍາຮ້ອງສະຫມັກການກວດສອບສໍາລັບການກວດສອບຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາໃນຂັ້ນຕົ້ນ.

ພາກສະເຫນີ

ການຮັບຮູ້ (ເຖິງແມ່ນວ່າການວິນິດໄສຕໍ່າກວ່າ) ກໍລະນີທີ່ແຜ່ຂະຫຍາຍຢ່າງກວ້າງຂວາງ ແລະແຜ່ຫຼາຍ ແລະຂະຫນານທີ່ເພີ່ມຂຶ້ນທາງດ້ານການແພດ, ສັງຄົມ, ແລະສາທາລະນະ. ສຸ​ຂະ​ພາບ ຄ່າໃຊ້ຈ່າຍແລະພາລະຂອງພະຍາດ Alzheimer (AD) ແລະຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາອ່ອນໆ (MCI) ມີຄວາມເຄັ່ງຕຶງເພີ່ມຂຶ້ນສໍາລັບຜູ້ມີສ່ວນຮ່ວມທັງຫມົດ [1, 2]. ສະຖານະການທີ່ໂສກເສົ້າ ແລະ ໂສກນາດຕະກໍານີ້ ໄດ້ກະຕຸ້ນການຮຽກຮ້ອງອັນຮີບດ່ວນສໍາລັບການຄົ້ນຄວ້າເພື່ອກວດສອບຄວາມຖືກຕ້ອງ. ການກວດພົບແຕ່ຫົວທີ ເຄື່ອງມືກວດກາ ແລະປະເມີນສະຕິປັນຍາສຳລັບຜົນປະໂຫຍດພາກປະຕິບັດປົກກະຕິໃນການຕັ້ງຄ່າສ່ວນຕົວ ແລະທາງດ້ານຄລີນິກສຳລັບຄົນເຈັບຜູ້ສູງອາຍຸໃນທົ່ວພາກພື້ນ ແລະປະຊາກອນ [3]. ເຄື່ອງມືເຫຼົ່ານີ້ຍັງຕ້ອງສະໜອງການແປຜົນໄດ້ຮັບທີ່ເປັນຂໍ້ມູນຢ່າງບໍ່ຢຸດຢັ້ງເຂົ້າໃນບັນທຶກສຸຂະພາບທາງອີເລັກໂທຣນິກ. ຜົນປະໂຫຍດຈະໄດ້ຮັບການຮັບຮູ້ໂດຍການແຈ້ງໃຫ້ຄົນເຈັບແລະການຊ່ວຍເຫຼືອແພດຫມໍໃນການຮັບຮູ້ການປ່ຽນແປງທີ່ສໍາຄັນກ່ອນຫນ້ານີ້ແລະດັ່ງນັ້ນຈຶ່ງເຮັດໃຫ້ການ stratification, ການປະຕິບັດແລະການຕິດຕາມການປິ່ນປົວສ່ວນບຸກຄົນທີ່ເຫມາະສົມແລະປະຫຍັດຄ່າໃຊ້ຈ່າຍຫຼາຍກວ່າເກົ່າແລະການດູແລຄົນເຈັບສໍາລັບຜູ້ທີ່ເລີ່ມຕົ້ນປະສົບການ. ການຫຼຸດລົງຂອງມັນສະຫມອງ [3, 4].

ເຄື່ອງມື MemTrax ຄອມພິວເຕີ (https://memtrax.com) ແມ່ນການປະເມີນການຮັບຮູ້ຢ່າງຕໍ່ເນື່ອງແບບງ່າຍດາຍແລະສັ້ນໆທີ່ສາມາດປະຕິບັດໄດ້ດ້ວຍຕົນເອງອອນໄລນ໌ເພື່ອວັດແທກການປະຕິບັດຄວາມຊົງຈໍາໃນຕອນຕົ້ນທີ່ທ້າທາຍທີ່ຜູ້ໃຊ້ຕອບສະຫນອງກັບຮູບພາບຊ້ໍາຊ້ອນແລະບໍ່ແມ່ນການນໍາສະເຫນີເບື້ອງຕົ້ນ [5, 6]. ການຄົ້ນຄວ້າທີ່ຜ່ານມາແລະຜົນຂອງການປະຕິບັດຕົວຈິງແມ່ນເລີ່ມສະແດງໃຫ້ເຫັນເຖິງປະສິດທິພາບທາງດ້ານຄລີນິກຂອງ MemTrax ໃນຕອນຕົ້ນຂອງ AD ແລະ MCI [5–7]. ຢ່າງໃດກໍຕາມ, ການປຽບທຽບໂດຍກົງຂອງຜົນປະໂຫຍດທາງດ້ານການຊ່ວຍກັບທີ່ມີຢູ່ແລ້ວ ສຸຂະພາບຂອງມັນສະຫມອງ ການປະເມີນ ແລະມາດຕະຖານແບບດັ້ງເດີມແມ່ນຮັບປະກັນໃຫ້ແຈ້ງທັດສະນະດ້ານວິຊາຊີບ ແລະ ຢືນຢັນຜົນປະໂຫຍດ MemTrax ໃນການກວດຫາເບື້ອງຕົ້ນ ແລະການຊ່ວຍເຫຼືອການວິນິດໄສ. van der Hoek et al. [8​] ເມື່ອ​ທຽບ​ໃສ່​ການ​ວັດ​ແທກ​ປະ​ສິດ​ທິ​ພາບ MemTrax ທີ່​ເລືອກ (ຄວາມ​ໄວ​ຕິ​ກິ​ຣິ​ຍາ​ແລະ​ສ່ວນ​ຮ້ອຍ​ທີ່​ຖືກ​ຕ້ອງ​) ກັບ​ສະ​ຖາ​ນະ​ການ​ມັນ​ສະ​ຫມອງ​ຕາມ​ການ​ກໍາ​ນົດ​ໂດຍ Montreal ການປະເມີນສະຕິປັນຍາ (MoCA). ຢ່າງໃດກໍ່ຕາມ, ການສຶກສານີ້ໄດ້ຖືກຈໍາກັດພຽງແຕ່ການເຊື່ອມໂຍງກັບຕົວຊີ້ບອກປະສິດທິພາບເຫຼົ່ານີ້ກັບລັກສະນະຂອງສະຖານະການສະຕິປັນຍາ (ຕາມການກໍານົດໂດຍ MoCA) ແລະການກໍານົດຂອບເຂດທີ່ກ່ຽວຂ້ອງແລະຄ່າຕັດ. ດັ່ງນັ້ນ, ເພື່ອຂະຫຍາຍການສືບສວນນີ້ແລະປັບປຸງການປະຕິບັດການຈັດປະເພດແລະປະສິດທິພາບ, ຄໍາຖາມການຄົ້ນຄວ້າຕົ້ນຕໍຂອງພວກເຮົາແມ່ນ:

  • ສາມາດວັດແທກປະສິດທິພາບ MemTrax ທີ່ເລືອກຂອງບຸກຄົນ ແລະຂໍ້ມູນປະຊາກອນ ແລະສຸຂະພາບທີ່ກ່ຽວຂ້ອງ ຂໍ້​ມູນ ຄຸນລັກສະນະຕ່າງໆໄດ້ຖືກ ນຳ ໃຊ້ຢ່າງມີປະສິດທິພາບໃນຮູບແບບການຄາດເດົາທີ່ພັດທະນາດ້ວຍການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອຈັດປະເພດສຸຂະພາບຂອງມັນສະ ໝອງ dichotomously (ປົກກະຕິທຽບກັບ MCI), ດັ່ງທີ່ຊີ້ໃຫ້ເຫັນໂດຍຄະແນນ MoCA?

ອັນທີສອງ, ພວກເຮົາຢາກຮູ້ວ່າ:

  • ລວມທັງລັກສະນະດຽວກັນ, ຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ອີງໃສ່ການປະຕິບັດ MemTrax ສາມາດຖືກນໍາໃຊ້ຢ່າງມີປະສິດທິພາບກັບຄົນເຈັບເພື່ອຄາດຄະເນຄວາມຮຸນແຮງ (ບໍ່ຮຸນແຮງທຽບກັບຮ້າຍແຮງ) ພາຍໃນປະເພດທີ່ເລືອກຂອງຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາຕາມທີ່ຖືກກໍານົດໂດຍການວິນິດໄສທາງດ້ານຄລີນິກເອກະລາດ?

ການມາເຖິງແລະການພັດທະນາຂອງການປະຕິບັດທາງປະຕິບັດຂອງປັນຍາປະດິດແລະການຮຽນຮູ້ເຄື່ອງຈັກໃນການກວດສອບ / ການກວດສອບໄດ້ສະແດງໃຫ້ເຫັນເຖິງຂໍ້ໄດ້ປຽບໃນການປະຕິບັດທີ່ແຕກຕ່າງກັນ, ດ້ວຍການສ້າງແບບຈໍາລອງການຄາດເດົາປະສິດທິຜົນຊີ້ນໍາແພດຫມໍໃນການປະເມີນທີ່ທ້າທາຍຂອງສະຕິປັນຍາ / ສະຫມອງແລະການຄຸ້ມຄອງຄົນເຈັບ. ໃນການສຶກສາຂອງພວກເຮົາ, ພວກເຮົາໄດ້ເລືອກວິທີການທີ່ຄ້າຍຄືກັນໃນແບບຈໍາລອງການຈັດປະເພດ MCI ແລະການຈໍາແນກຄວາມຮຸນແຮງຂອງຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາຕາມການຢືນຢັນໂດຍການວິນິດໄສທາງດ້ານຄລີນິກຈາກສາມຊຸດຂໍ້ມູນທີ່ເປັນຕົວແທນຂອງຄົນເຈັບໃນອາສາສະຫມັກແລະຄົນເຈັບນອກທີ່ເລືອກຈາກສອງໂຮງຫມໍໃນປະເທດຈີນ. ການນໍາໃຊ້ການສ້າງແບບຈໍາລອງການຄາດຄະເນການຮຽນຮູ້ຂອງເຄື່ອງຈັກ, ພວກເຮົາໄດ້ກໍານົດຜູ້ຮຽນທີ່ມີປະສິດຕິພາບສູງສຸດຈາກຊຸດຂໍ້ມູນ / ການຮຽນຮູ້ທີ່ຫຼາກຫຼາຍແລະຈັດລໍາດັບລັກສະນະຕ່າງໆເພື່ອນໍາພາພວກເຮົາໃນການກໍານົດຮູບແບບການປະຕິບັດທາງດ້ານຄລີນິກທີ່ສຸດ.

ສົມມຸດຕິຖານຂອງພວກເຮົາແມ່ນວ່າຕົວແບບທີ່ອີງໃສ່ MemTrax ທີ່ຖືກຕ້ອງສາມາດຖືກນໍາໃຊ້ເພື່ອຈັດປະເພດສຸຂະພາບສະຫມອງ dichotomously (ປົກກະຕິຫຼື MCI) ໂດຍອີງໃສ່ເກນຄະແນນລວມຂອງ MoCA, ແລະຮູບແບບການຄາດຄະເນ MemTrax ທີ່ຄ້າຍຄືກັນສາມາດຖືກນໍາໃຊ້ຢ່າງມີປະສິດທິພາບໃນການຈໍາແນກຄວາມຮຸນແຮງໃນປະເພດທີ່ເລືອກຂອງ ການວິນິດໄສທາງຄລີນິກ ຄວາມບົກຜ່ອງດ້ານຄວາມຮູ້. ການສະແດງໃຫ້ເຫັນຜົນໄດ້ຮັບທີ່ຄາດໄວ້ຈະເປັນເຄື່ອງມືໃນການສະຫນັບສະຫນູນປະສິດທິພາບຂອງ MemTrax ເປັນຫນ້າຈໍການກວດພົບເບື້ອງຕົ້ນສໍາລັບການຫຼຸດລົງຂອງສະຕິປັນຍາແລະການຈັດປະເພດຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາ. ການປຽບທຽບທີ່ເອື້ອອໍານວຍກັບມາດຕະຖານອຸດສາຫະກໍາທີ່ໄດ້ລະບຸໄວ້ໂດຍຄວາມງ່າຍແລະໄວຂອງຜົນປະໂຫຍດຫຼາຍກວ່າເກົ່າຈະມີອິດທິພົນໃນການຊ່ວຍເຫຼືອແພດຫມໍນໍາໃຊ້ເຄື່ອງມືທີ່ງ່າຍດາຍ, ເຊື່ອຖືໄດ້, ແລະສາມາດເຂົ້າເຖິງໄດ້ເປັນຫນ້າຈໍເບື້ອງຕົ້ນໃນການກວດສອບເບື້ອງຕົ້ນ (ລວມທັງ prodromal) ການຂາດດຸນມັນສະຫມອງ. ວິທີການດັ່ງກ່າວແລະຜົນປະໂຫຍດດັ່ງກ່າວສາມາດກະຕຸ້ນໃຫ້ທັນເວລາແລະ stratified ການດູແລຄົນເຈັບທີ່ດີກວ່າແລະການແຊກແຊງ. ຄວາມເຂົ້າໃຈທີ່ຄິດໄປຂ້າງຫນ້າເຫຼົ່ານີ້ ແລະຕົວຊີ້ວັດ ແລະຕົວແບບທີ່ປັບປຸງໃຫ້ດີຂຶ້ນຍັງສາມາດເປັນປະໂຫຍດໃນການຫຼຸດຜ່ອນ ຫຼືຢຸດຄວາມຄືບໜ້າຂອງພະຍາດສະໝອງເສື່ອມ, ລວມທັງ AD ແລະ AD-related dementias (ADRD).

ອຸປະກອນແລະວິທີການ

ການສຶກສາປະຊາກອນ

ໃນລະຫວ່າງເດືອນມັງກອນ 2018 ຫາເດືອນສິງຫາ 2019, ການຄົ້ນຄ້ວາແບບຂ້າມພາກສ່ວນໄດ້ສຳເລັດຜົນກ່ຽວກັບຄົນເຈັບທີ່ຮັບເອົາມາຈາກໂຮງໝໍສອງແຫ່ງໃນປະເທດຈີນ. ການບໍລິຫານຂອງ MemTrax [5] ໃຫ້ແກ່ບຸກຄົນທີ່ມີອາຍຸ 21 ປີຂຶ້ນໄປແລະການເກັບລວບລວມແລະການວິເຄາະຂໍ້ມູນເຫຼົ່ານັ້ນໄດ້ຖືກທົບທວນແລະອະນຸມັດໂດຍແລະບໍລິຫານຕາມມາດຕະຖານດ້ານຈັນຍາບັນຂອງ. ມະນຸດ ຄະນະກໍາມະການປົກປ້ອງວິຊາຂອງມະຫາວິທະຍາໄລສະແຕນຟອດ. MemTrax ແລະການທົດສອບອື່ນໆທັງຫມົດສໍາລັບການສຶກສາໂດຍລວມນີ້ໄດ້ຖືກປະຕິບັດອີງຕາມການປະກາດຂອງ Helsinki ຂອງປີ 1975 ແລະໄດ້ຮັບການອະນຸມັດໂດຍຄະນະກໍາມະການກວດກາສະຖາບັນຂອງໂຮງຫມໍສາຂາທໍາອິດຂອງວິທະຍາໄລການແພດ Kunming ໃນ Kunming, Yunnan, ຈີນ. ຜູ້ໃຊ້ແຕ່ລະຄົນໄດ້ຖືກສະຫນອງໃຫ້ ການຍິນຍອມເຫັນດີ ແບບ​ຟອມ​ທີ່​ຈະ​ອ່ານ / ທົບ​ທວນ​ຄືນ​ແລະ​ຫຼັງ​ຈາກ​ນັ້ນ​ສະ​ຫມັກ​ໃຈ​ຕົກ​ລົງ​ເຫັນ​ດີ​ທີ່​ຈະ​ເຂົ້າ​ຮ່ວມ​.

ຜູ້ເຂົ້າຮ່ວມໄດ້ຖືກຄັດເລືອກຈາກສະນຸກເກີຂອງຄົນເຈັບນອກໃນຄລີນິກ neurology ທີ່ໂຮງຫມໍ Yanhua (ຊຸດຂໍ້ມູນຍ່ອຍ YH) ແລະ ຄລີນິກຄວາມຊົງຈຳທີ່ໂຮງໝໍມິດຕະພາບແຫ່ງທຳອິດຂອງນະຄອນຄຸນໝິງ ມະຫາວິທະຍາໄລ (ຊຸດຂໍ້ມູນຍ່ອຍ XL) ໃນປັກກິ່ງ, ຈີນ. ຜູ້ເຂົ້າຮ່ວມຍັງໄດ້ຮັບການທົດແທນຈາກ neurology (XL sub-dataset) ແລະຢາປົວພະຍາດພາຍໃນ (KM sub-dataset) inpatients in the first Affiliated Hospital of Kunming Medical University. ເງື່ອນໄຂລວມປະກອບມີ 1) ເພດຊາຍ ແລະ ຍິງ ອາຍຸຢ່າງໜ້ອຍ 21 ປີ, 2) ຄວາມສາມາດໃນການເວົ້າພາສາຈີນ (ພາສາຈີນກາງ), ແລະ 3) ຄວາມສາມາດໃນການເຂົ້າໃຈທາງວາຈາ ແລະ ການຂຽນ. ເງື່ອນໄຂການຍົກເວັ້ນແມ່ນວິໄສທັດແລະຄວາມບົກຜ່ອງດ້ານມໍເຕີປ້ອງກັນຜູ້ເຂົ້າຮ່ວມຈາກການສໍາເລັດ ການທົດສອບ MemTrax, ເຊັ່ນດຽວກັນກັບຄວາມບໍ່ສາມາດເຂົ້າໃຈຄໍາແນະນໍາຂອງການທົດສອບສະເພາະ.

MemTrax ສະບັບພາສາຈີນ

ອອນລາຍ ເວທີການທົດສອບ MemTrax ໄດ້ຖືກແປ ເຂົ້າໄປໃນພາສາຈີນ (URL: https://www.memtrax.com.cn) ແລະດັດແປງເພີ່ມເຕີມເພື່ອນໍາໃຊ້ໂດຍຜ່ານ WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, ຈີນ) ສໍາລັບການຄຸ້ມຄອງຕົນເອງ. ຂໍ້ມູນຖືກເກັບໄວ້ໃນເຊີບເວີຄລາວ (Ali Cloud) ທີ່ຕັ້ງຢູ່ໃນປະເທດຈີນ ແລະໄດ້ຮັບອະນຸຍາດຈາກ Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, China) ໂດຍ SJN Biomed LTD (Kunming, Yunnan, China). ລາຍ​ລະ​ອຽດ​ສະ​ເພາະ​ກ່ຽວ​ກັບ MemTrax ແລະ​ມາດ​ຕະ​ຖານ​ຄວາມ​ຖືກ​ຕ້ອງ​ການ​ທົດ​ສອບ​ການ​ນໍາ​ໃຊ້​ທີ່​ນີ້​ໄດ້​ຮັບ​ການ​ອະ​ທິ​ບາຍ​ໃນ​ເມື່ອ​ກ່ອນ [6​]​. ການທົດສອບໄດ້ຖືກສະຫນອງໃຫ້ໂດຍບໍ່ເສຍຄ່າກັບຄົນເຈັບ.

ຂັ້ນຕອນການສຶກສາ

ສໍາລັບຄົນເຈັບໃນແລະຄົນເຈັບນອກ, ແບບສອບຖາມເຈ້ຍທົ່ວໄປສໍາລັບການເກັບກໍາຂໍ້ມູນປະຊາກອນແລະສ່ວນບຸກຄົນເຊັ່ນ: ອາຍຸ, ເພດ, ປີການສຶກສາ, ອາຊີບ, ດໍາລົງຊີວິດຢູ່ຄົນດຽວ ຫຼືກັບຄອບຄົວ, ແລະປະຫວັດທາງການແພດແມ່ນບໍລິຫານໂດຍສະມາຊິກຂອງທີມງານສຶກສາ. ຫຼັງຈາກສໍາເລັດຂອງແບບສອບຖາມ, ການທົດສອບ MoCA [12] ແລະ MemTrax ໄດ້ຖືກປະຕິບັດ (MoCA ທໍາອິດ) ທີ່ບໍ່ມີຫຼາຍກ່ວາ 20 ນາທີລະຫວ່າງການທົດສອບ. MemTrax ເປີເຊັນທີ່ຖືກຕ້ອງ (MTx-% C), ເວລາຕອບສະ ໜອງ ໂດຍສະເລ່ຍ (MTx-RT), ແລະວັນທີແລະເວລາຂອງການທົດສອບໄດ້ຖືກບັນທຶກໄວ້ໃນເຈ້ຍໂດຍສະມາຊິກຂອງທີມງານສຶກສາສໍາລັບແຕ່ລະຄົນທີ່ເຂົ້າຮ່ວມການທົດສອບ. ແບບສອບຖາມທີ່ສໍາເລັດແລ້ວແລະຜົນໄດ້ຮັບຂອງ MoCA ໄດ້ຖືກອັບໂຫລດເຂົ້າໄປໃນຕາຕະລາງ Excel ໂດຍນັກຄົ້ນຄວ້າຜູ້ທີ່ປະຕິບັດການທົດສອບແລະກວດສອບໂດຍເພື່ອນຮ່ວມງານກ່ອນທີ່ໄຟລ໌ Excel ຈະຖືກບັນທຶກໄວ້ສໍາລັບການວິເຄາະ.

ການທົດສອບ MemTrax

ການທົດສອບອອນໄລນ໌ MemTrax ປະກອບມີ 50 ຮູບພາບ (25 ເປັນເອກະລັກແລະ 25 ຊ້ໍາ; 5 ຊຸດຂອງ 5 ຮູບພາບຂອງ scenes ຫຼືວັດຖຸທົ່ວໄປ) ສະແດງໃຫ້ເຫັນໃນຄໍາສັ່ງ pseudo-random ສະເພາະ. ຜູ້ເຂົ້າຮ່ວມຈະ (ຕາມຄໍາແນະນໍາ) ແຕະທີ່ປຸ່ມ Start ໃນຫນ້າຈໍເພື່ອເລີ່ມຕົ້ນການທົດສອບແລະເລີ່ມຕົ້ນເບິ່ງຊຸດຮູບພາບແລະອີກເທື່ອຫນຶ່ງແຕະຮູບພາບໃນຫນ້າຈໍໄວເທົ່າທີ່ເປັນໄປໄດ້ທຸກຄັ້ງທີ່ຮູບຊ້ໍາປາກົດ. ແຕ່ລະຮູບປະກົດຂຶ້ນເປັນເວລາ 3 ວິນາທີ ຫຼືຈົນກ່ວາຮູບພາບໃນຫນ້າຈໍໄດ້ຖືກສໍາຜັດ, ເຊິ່ງກະຕຸ້ນການນໍາສະເຫນີຮູບພາບຕໍ່ໄປທັນທີທັນໃດ. ການນໍາໃຊ້ໂມງພາຍໃນຂອງອຸປະກອນທ້ອງຖິ່ນ, MTx-RT ສໍາລັບແຕ່ລະຮູບພາບໄດ້ຖືກກໍານົດໂດຍເວລາທີ່ຜ່ານໄປຈາກການນໍາສະເຫນີຮູບພາບເຖິງເວລາທີ່ຫນ້າຈໍໄດ້ຖືກສໍາຜັດໂດຍຜູ້ເຂົ້າຮ່ວມເພື່ອສະແດງການຮັບຮູ້ຂອງຮູບພາບທີ່ສະແດງໃຫ້ເຫັນແລ້ວ. ໃນລະຫວ່າງການທົດສອບ. MTx-RT ໄດ້ຖືກບັນທຶກໄວ້ສໍາລັບທຸກໆຮູບພາບ, ໂດຍມີການບັນທຶກ 3 s ເຕັມທີ່ສະແດງໃຫ້ເຫັນວ່າບໍ່ມີການຕອບສະຫນອງ. MTx-% C ຖືກຄິດໄລ່ເພື່ອຊີ້ບອກອັດຕາສ່ວນຂອງການຊໍ້າຄືນແລະຮູບພາບເບື້ອງຕົ້ນທີ່ຜູ້ໃຊ້ຕອບສະຫນອງຢ່າງຖືກຕ້ອງ (ຄວາມຈິງບວກ + ລົບທີ່ແທ້ຈິງແບ່ງອອກດ້ວຍ 50). ລາຍລະອຽດເພີ່ມເຕີມຂອງການຄຸ້ມຄອງແລະການປະຕິບັດ MemTrax, ການຫຼຸດຜ່ອນຂໍ້ມູນ, ຂໍ້ມູນທີ່ບໍ່ຖືກຕ້ອງຫຼື "ບໍ່ມີການຕອບສະຫນອງ", ແລະການວິເຄາະຂໍ້ມູນຕົ້ນຕໍແມ່ນໄດ້ຖືກອະທິບາຍຢູ່ບ່ອນອື່ນ [6].

ການທົດສອບ MemTrax ໄດ້ຖືກອະທິບາຍຢ່າງລະອຽດແລະການທົດສອບການປະຕິບັດ (ດ້ວຍຮູບພາບທີ່ເປັນເອກະລັກນອກເຫນືອຈາກການນໍາໃຊ້ໃນການທົດສອບສໍາລັບການບັນທຶກຜົນໄດ້ຮັບ) ໃຫ້ແກ່ຜູ້ເຂົ້າຮ່ວມໃນການຕັ້ງຄ່າຂອງໂຮງຫມໍ. ຜູ້ເຂົ້າຮ່ວມໃນຊຸດຂໍ້ມູນຍ່ອຍ YH ແລະ KM ໄດ້ທົດສອບ MemTrax ໃນໂທລະສັບສະຫຼາດທີ່ໂຫລດດ້ວຍແອັບພລິເຄຊັນໃນ WeChat; ໃນ​ຂະ​ນະ​ທີ່​ຈໍາ​ນວນ​ຈໍາ​ກັດ​ຂອງ​ຜູ້​ປ່ວຍ​ຊຸດ​ຂໍ້​ມູນ​ຍ່ອຍ XL ໄດ້​ນໍາ​ໃຊ້ iPad ແລະ​ສ່ວນ​ທີ່​ເຫຼືອ​ແມ່ນ​ນໍາ​ໃຊ້​ໂທລະ​ສັບ​ສະ​ຫຼາດ​. ຜູ້ເຂົ້າຮ່ວມທັງຫມົດໄດ້ທົດສອບ MemTrax ກັບຜູ້ສືບສວນການສຶກສາຢ່າງບໍ່ຫນ້າເຊື່ອ.

ການ​ປະ​ເມີນ​ມັນ​ສະ​ຫມອງ Montreal

ສະບັບປັກກິ່ງຂອງ MoCA ຂອງຈີນ (MoCA-BC) [13] ໄດ້ຖືກຄຸ້ມຄອງແລະໃຫ້ຄະແນນໂດຍນັກຄົ້ນຄວ້າທີ່ໄດ້ຮັບການຝຶກອົບຮົມຕາມຄໍາແນະນໍາຂອງການທົດສອບຢ່າງເປັນທາງການ. ເຫມາະສົມ, MoCA-BC ໄດ້ຖືກສະແດງໃຫ້ເຫັນວ່າເປັນທີ່ເຊື່ອຖືໄດ້ ການທົດສອບສໍາລັບມັນສະຫມອງ ການກວດກາທົ່ວທຸກລະດັບການສຶກສາຂອງຜູ້ໃຫຍ່ຈີນ [14]. ແຕ່ລະການທົດສອບໃຊ້ເວລາປະມານ 10 ຫາ 30 ນາທີເພື່ອບໍລິຫານໂດຍອີງໃສ່ຄວາມສາມາດທາງດ້ານສະຕິປັນຍາຂອງຜູ້ເຂົ້າຮ່ວມ.

ການສ້າງແບບຈໍາລອງການຈັດປະເພດ MoCA

ມີທັງໝົດ 29 ຄຸນສົມບັດທີ່ສາມາດໃຊ້ໄດ້, ລວມທັງສອງ MemTrax ການທົດສອບການວັດແທກປະສິດທິພາບແລະ 27 ລັກສະນະທີ່ກ່ຽວຂ້ອງກັບປະຊາກອນແລະສຸຂະພາບ ຂໍ້​ມູນ​ສໍາ​ລັບ​ຜູ້​ເຂົ້າ​ຮ່ວມ​ແຕ່​ລະ​ຄົນ​. ຄະແນນການທົດສອບລວມ MoCA ຂອງຄົນເຈັບແຕ່ລະຄົນໄດ້ຖືກນໍາໃຊ້ເປັນ ການກວດສອບສະຕິປັນຍາ "ມາດຕະຖານ" ການຝຶກອົບຮົມແບບຈໍາລອງການຄາດເດົາຂອງພວກເຮົາ. ດັ່ງນັ້ນ, ເນື່ອງຈາກວ່າ MoCA ຖືກນໍາໃຊ້ເພື່ອສ້າງປ້າຍຊັ້ນ, ພວກເຮົາບໍ່ສາມາດໃຊ້ຄະແນນລວມ (ຫຼືຄະແນນຍ່ອຍຂອງ MoCA) ເປັນລັກສະນະເອກະລາດ. ພວກເຮົາໄດ້ເຮັດການທົດລອງເບື້ອງຕົ້ນທີ່ພວກເຮົາໄດ້ສ້າງແບບຈໍາລອງ (ການຈັດປະເພດສຸຂະພາບສະຫມອງທີ່ກໍານົດໂດຍ MoCA) ຊຸດຂໍ້ມູນຍ່ອຍຂອງໂຮງໝໍ/ຄລີນິກສາມອັນເບື້ອງຕົ້ນແຕ່ລະອັນ ແລະຈາກນັ້ນລວມເຂົ້າກັນໂດຍໃຊ້ຄຸນສົມບັດທັງໝົດ. ຢ່າງໃດກໍ່ຕາມ, ອົງປະກອບຂໍ້ມູນດຽວກັນທັງຫມົດບໍ່ໄດ້ຖືກເກັບກໍາໃນແຕ່ລະສີ່ຫ້ອງການຊ່ວຍເຫຼືອທີ່ເປັນຕົວແທນຂອງສາມຊຸດຂໍ້ມູນຍ່ອຍ; ດັ່ງນັ້ນ, ຫຼາຍໆຄຸນສົມບັດຂອງພວກເຮົາໃນຊຸດຂໍ້ມູນລວມ (ເມື່ອໃຊ້ຄຸນສົມບັດທັງໝົດ) ມີອັດຕາການຂາດຫາຍໄປສູງ. ຫຼັງຈາກນັ້ນ, ພວກເຮົາສ້າງແບບຈໍາລອງທີ່ມີຊຸດຂໍ້ມູນລວມໂດຍນໍາໃຊ້ພຽງແຕ່ລັກສະນະທົ່ວໄປທີ່ເຮັດໃຫ້ການປັບປຸງການປະຕິບັດການຈັດປະເພດ. ນີ້ອາດຈະຖືກອະທິບາຍໂດຍການລວມກັນຂອງການມີຕົວຢ່າງເພີ່ມເຕີມທີ່ຈະເຮັດວຽກໂດຍການລວມເອົາຊຸດຂໍ້ມູນຍ່ອຍຂອງຄົນເຈັບສາມຢ່າງແລະບໍ່ມີຄຸນສົມບັດທີ່ມີຄ່າທີ່ຂາດຫາຍໄປຫຼາຍ (ພຽງແຕ່ລັກສະນະດຽວໃນຊຸດຂໍ້ມູນລວມ, ປະເພດວຽກ, ມີຄ່າໃດໆທີ່ຂາດຫາຍໄປ, ຜົນກະທົບຕໍ່ ພຽງແຕ່ສາມຕົວຢ່າງຂອງຄົນເຈັບ), ເພາະວ່າພຽງແຕ່ລັກສະນະທົ່ວໄປທີ່ບັນທຶກໄວ້ໃນທັງສາມສະຖານທີ່ໄດ້ຖືກລວມເຂົ້າ. ໂດຍສະເພາະ, ພວກເຮົາບໍ່ມີເງື່ອນໄຂການປະຕິເສດສະເພາະສໍາລັບແຕ່ລະລັກສະນະທີ່ສຸດທ້າຍບໍ່ໄດ້ລວມຢູ່ໃນຊຸດຂໍ້ມູນລວມ. ແນວໃດກໍ່ຕາມ, ໃນການສ້າງແບບຈໍາລອງຊຸດຂໍ້ມູນເບື້ອງຕົ້ນຂອງພວກເຮົາ, ພວກເຮົາທໍາອິດໃຊ້ຄຸນສົມບັດທັງໝົດຈາກແຕ່ລະຊຸດຂໍ້ມູນຍ່ອຍຂອງຄົນເຈັບສາມແຍກ. ອັນນີ້ສົ່ງຜົນໃຫ້ປະສິດທິພາບຂອງຕົວແບບທີ່ວັດແທກໄດ້ຕໍ່າກວ່າການສ້າງແບບຈໍາລອງເບື້ອງຕົ້ນເບື້ອງຕົ້ນໃນແຕ່ລະຊຸດຂໍ້ມູນຍ່ອຍຂອງແຕ່ລະບຸກຄົນ. ຍິ່ງໄປກວ່ານັ້ນ, ໃນຂະນະທີ່ການປະຕິບັດການຈັດປະເພດຂອງແບບຈໍາລອງທີ່ສ້າງຂຶ້ນໂດຍນໍາໃຊ້ຄຸນສົມບັດທັງຫມົດແມ່ນການຊຸກຍູ້, ໃນທົ່ວນັກຮຽນແລະລະບົບການຈັດປະເພດ, ການປະຕິບັດການປັບປຸງສໍາລັບຕົວແບບສອງເທົ່າເມື່ອໃຊ້ພຽງແຕ່ລັກສະນະທົ່ວໄປ. ແທ້ຈິງແລ້ວ, ໃນບັນດາສິ່ງທີ່ຈົບລົງດ້ວຍການເປັນນັກຮຽນຊັ້ນນໍາຂອງພວກເຮົາ, ທັງຫມົດແມ່ນການປັບປຸງແບບຈໍາລອງຫນຶ່ງໂດຍການກໍາຈັດລັກສະນະທີ່ບໍ່ທໍາມະດາ.

ຊຸດຂໍ້ມູນລວມສຸດທ້າຍ (YH, XL, ແລະ KM ລວມກັນ) ລວມມີ 259 ຕົວຢ່າງ, ແຕ່ລະຄົນເປັນຕົວແທນຂອງຜູ້ເຂົ້າຮ່ວມທີ່ເປັນເອກະລັກທີ່ໄດ້ຜ່ານການທົດສອບ MemTrax ແລະ MoCA. ມີ 10 ລັກສະນະເອກະລາດທີ່ແບ່ງປັນ: ຕົວຊີ້ວັດການປະຕິບັດ MemTrax: MTx-% C ແລະຫມາຍຄວາມວ່າ MTx-RT; ຂໍ້ມູນທາງດ້ານປະຊາກອນ ແລະປະຫວັດການແພດ: ອາຍຸ, ເພດ, ປີຂອງການສຶກສາ, ປະເພດວຽກ (ຄໍສີຟ້າ/ຄໍສີຂາວ), ການຊ່ວຍເຫຼືອສັງຄົມ (ບໍ່ວ່າຜູ້ສອບເສັງຈະຢູ່ຄົນດຽວ ຫຼືກັບຄອບຄົວ), ແລະຄຳຕອບແມ່ນ/ບໍ່ແມ່ນວ່າຜູ້ໃຊ້ມີ ປະຫວັດຂອງພະຍາດເບົາຫວານ, hyperlipidemia, ຫຼືການບາດເຈັບຂອງສະຫມອງ. ສອງຕົວວັດແທກເພີ່ມເຕີມ, ຄະແນນລວມ MoCA ແລະຄະແນນລວມ MoCA ທີ່ຖືກປັບສໍາລັບປີຂອງການສຶກສາ [12], ໄດ້ຖືກນໍາໃຊ້ແຍກຕ່າງຫາກເພື່ອພັດທະນາປ້າຍການຈັດປະເພດທີ່ຂຶ້ນກັບ, ດັ່ງນັ້ນການສ້າງແບບຈໍາລອງສອງແບບທີ່ແຕກຕ່າງກັນເພື່ອນໍາໃຊ້ກັບຊຸດຂໍ້ມູນລວມຂອງພວກເຮົາ. ສໍາລັບແຕ່ລະສະບັບ (ປັບ ແລະບໍ່ຖືກປັບ) ຂອງຄະແນນ MoCA, ຂໍ້ມູນໄດ້ຖືກສ້າງແບບຈໍາລອງແຍກຕ່າງຫາກອີກເທື່ອຫນຶ່ງສໍາລັບການຈັດປະເພດຖານສອງໂດຍໃຊ້ສອງເກນມາດຕະຖານທີ່ແຕກຕ່າງກັນ - ອັນທີ່ແນະນໍາໃນເບື້ອງຕົ້ນ [12] ແລະຄ່າສໍາຮອງທີ່ໃຊ້ແລະສົ່ງເສີມໂດຍຄົນອື່ນ [8, 15]. ໃນຮູບແບບການຈັດປະເພດແບບສະຫຼັບກັນ, ຄົນເຈັບໄດ້ຖືກພິຈາລະນາວ່າມີສຸຂະພາບສະຫມອງປົກກະຕິຖ້າຫາກວ່າ s / ເຂົາໄດ້ຄະແນນ ≥23 ໃນການທົດສອບ MoCA ແລະມີ MCI ຖ້າຄະແນນແມ່ນ 22 ຫຼືຕ່ໍາກວ່າ; ໃນຂະນະທີ່, ໃນຮູບແບບການຈັດປະເພດທີ່ແນະນໍາເບື້ອງຕົ້ນ, ຄົນເຈັບຕ້ອງໃຫ້ຄະແນນ 26 ຫຼືດີກວ່າໃນ MoCA ເພື່ອຖືກຕິດສະຫຼາກວ່າມີສຸຂະພາບສະຫມອງປົກກະຕິ.

ຂໍ້ມູນການກັ່ນຕອງສໍາລັບການສ້າງແບບຈໍາລອງການຈັດປະເພດ MoCA

ພວກເຮົາໄດ້ກວດເບິ່ງການຈັດປະເພດ MoCA ຕື່ມອີກໂດຍໃຊ້ສີ່ເຕັກນິກການຈັດອັນດັບຄຸນສົມບັດທີ່ໃຊ້ທົ່ວໄປ: Chi-Squared, Gain Ratio, Information Gain, ແລະ Symmetrical Uncertainty. ສໍາລັບທັດສະນະຊົ່ວຄາວ, ພວກເຮົານໍາໃຊ້ການຈັດອັນດັບກັບຊຸດຂໍ້ມູນລວມທັງຫມົດໂດຍນໍາໃຊ້ແຕ່ລະແບບຈໍາລອງສີ່ຂອງພວກເຮົາ. ການຈັດອັນດັບທັງຫມົດຕົກລົງເຫັນດີກັບລັກສະນະດ້ານເທິງດຽວກັນ, ie, ອາຍຸ, ຈໍານວນຂອງປີຂອງການສຶກສາ, ແລະທັງສອງ MemTrax ຕົວຊີ້ວັດການປະຕິບັດ (Mtx-% C, ຫມາຍຄວາມວ່າ MTx-RT). ຈາກ​ນັ້ນ​ພວກ​ເຮົາ​ໄດ້​ສ້າງ​ຕົວ​ແບບ​ຄືນ​ໃໝ່​ໂດຍ​ໃຊ້​ເຕັກ​ນິກ​ການ​ຄັດ​ເລືອກ​ຄຸນ​ນະ​ສົມ​ບັດ​ແຕ່​ລະ​ຢ່າງ​ເພື່ອ​ຝຶກ​ອົບ​ຮົມ​ຕົວ​ແບບ​ທີ່​ມີ​ພຽງ​ແຕ່​ສີ່​ດ້ານ​ເທິງ (ເບິ່ງ ການຄັດເລືອກຄຸນນະສົມບັດ ດ້ານລຸ່ມ).

ຜົນໄດ້ຮັບສຸດທ້າຍ 1 ຮູບແບບຂອງຮູບແບບການຈັດປະເພດຂອງຄະແນນ MoCA ແມ່ນໄດ້ສະແດງຢູ່ໃນຕາຕະລາງ XNUMX.

ຕາຕະລາງ 1

ສະຫຼຸບຂອງການປ່ຽນແປງແບບຈໍາລອງແບບຈໍາລອງທີ່ໃຊ້ສໍາລັບການຈັດປະເພດ MoCA (ປົກກະຕິ ສຸຂະພາບຈິດສໍານຶກ ທຽບກັບ MCI)

ໂຄງການສ້າງແບບຈໍາລອງສຸຂະພາບສະຕິປັນຍາປົກກະຕິ (ຊັ້ນລົບ)MCI (ຊັ້ນບວກ)
Adjusted-23 Unfiltered/Filtered101 (39.0%)158 (61.0%)
Adjusted-26 Unfiltered/Filtered49 (18.9%)210 (81.1%)
Unadjusted-23 Unfiltered/Filtered92 (35.5%)167 (64.5%)
Unadjusted-26 Unfiltered/Filtered42 (16.2%)217 (83.8%)

ຈໍານວນຕາມລໍາດັບແລະສ່ວນຮ້ອຍຂອງຄົນເຈັບທັງຫມົດໃນແຕ່ລະຊັ້ນຮຽນແມ່ນແຕກຕ່າງກັນໂດຍການປັບຄະແນນສໍາລັບການສຶກສາ (ປັບຫຼືບໍ່ໄດ້ປັບ) ແລະເກນການຈັດປະເພດ (23 ຫຼື 26), ຕາມທີ່ໄດ້ນໍາໃຊ້ກັບທັງສອງຊຸດຄຸນນະສົມບັດ (ບໍ່ໄດ້ກັ່ນຕອງແລະການກັ່ນຕອງ).

ການສ້າງແບບຈໍາລອງການປະເມີນຜົນທາງດ້ານຄລີນິກທີ່ອີງໃສ່ MemTrax

ໃນສາມຊຸດຂໍ້ມູນຍ່ອຍຕົ້ນສະບັບຂອງພວກເຮົາ (YH, XL, KM), ມີພຽງແຕ່ຄົນເຈັບຊຸດຂໍ້ມູນຍ່ອຍ XL ໄດ້ຖືກວິນິໄສທາງດ້ານຄລີນິກຢ່າງເປັນອິດສະຫຼະສໍາລັບຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາ (ເຊັ່ນ, ຄະແນນ MoCA ຂອງເຂົາເຈົ້າບໍ່ໄດ້ຖືກນໍາໃຊ້ໃນການຈັດປະເພດຂອງຄວາມຜິດປົກກະຕິປົກກະຕິທຽບກັບຄວາມບົກຜ່ອງ). ໂດຍສະເພາະ, ຄົນເຈັບ XL ໄດ້ຖືກກວດຫາໂຣກນີ້ ການທົດສອບພະຍາດ Alzheimer (AD) ຫຼື vascular dementia (VaD). ພາຍໃນແຕ່ລະປະເພດການບົ່ງມະຕິຕົ້ນຕໍເຫຼົ່ານີ້, ມີການກໍານົດເພີ່ມເຕີມສໍາລັບ MCI. ການວິນິດໄສຂອງ MCI, dementia, vascular neurocognitive disorder, ແລະ neurocognitive disorder ເນື່ອງຈາກ AD ແມ່ນອີງໃສ່ເງື່ອນໄຂການວິນິດໄສສະເພາະແລະໂດດເດັ່ນທີ່ລະບຸໄວ້ໃນຄູ່ມືການວິນິດໄສແລະສະຖິຕິຂອງຄວາມຜິດປົກກະຕິທາງຈິດ: DSM-5 [16]. ພິຈາລະນາການວິນິດໄສທີ່ຫລອມໂລຫະເຫຼົ່ານີ້, ສອງຮູບແບບການຈັດປະເພດໄດ້ຖືກປະຕິບັດແຍກຕ່າງຫາກກັບຊຸດຂໍ້ມູນຍ່ອຍ XL ເພື່ອຈໍາແນກລະດັບຄວາມຮ້າຍແຮງ (ລະດັບຄວາມບົກຜ່ອງ) ສໍາລັບແຕ່ລະປະເພດການວິນິດໄສຕົ້ນຕໍ. ຂໍ້ມູນທີ່ໃຊ້ໃນແຕ່ລະໂຄງການສ້າງແບບຈໍາລອງການວິນິດໄສ (AD ແລະ VaD) ລວມມີຂໍ້ມູນປະຊາກອນ ແລະປະຫວັດຂອງຄົນເຈັບ, ເຊັ່ນດຽວກັນກັບການປະຕິບັດ MemTrax (MTx-%C, ຫມາຍຄວາມວ່າ MTx-RT). ການວິນິດໄສແຕ່ລະຄັ້ງໄດ້ຖືກຕິດສະຫຼາກບໍ່ຮຸນແຮງຖ້າກໍານົດ MCI; ຖ້າບໍ່ດັ່ງນັ້ນ, ມັນໄດ້ຖືກພິຈາລະນາຮ້າຍແຮງ. ພວກເຮົາພິຈາລະນາໃນເບື້ອງຕົ້ນລວມທັງຄະແນນ MoCA ໃນຮູບແບບການວິນິດໄສ (ບໍ່ຮຸນແຮງທຽບກັບຮ້າຍແຮງ); ແຕ່ພວກເຮົາກໍານົດວ່າມັນຈະທໍາລາຍຈຸດປະສົງຂອງໂຄງການສ້າງແບບຈໍາລອງການຄາດເດົາຂັ້ນສອງຂອງພວກເຮົາ. ໃນທີ່ນີ້ຜູ້ຮຽນຈະໄດ້ຮັບການຝຶກອົບຮົມໂດຍໃຊ້ຄຸນລັກສະນະຂອງຄົນເຈັບອື່ນໆທີ່ມີໃຫ້ຜູ້ໃຫ້ບໍລິການແລະຕົວຊີ້ບອກປະສິດທິພາບຂອງການທົດສອບ MemTrax ທີ່ງ່າຍດາຍ (ແທນທີ່ຈະເປັນ MoCA) ຕໍ່ກັບການອ້າງອິງ "ມາດຕະຖານຄໍາ", ການວິນິດໄສທາງດ້ານຄລີນິກເອກະລາດ. ມີ 69 ຕົວຢ່າງໃນຊຸດຂໍ້ມູນການວິນິດໄສ AD ແລະ 76 ຕົວຢ່າງຂອງ VaD (ຕາຕະລາງ 2). ໃນທັງສອງຊຸດຂໍ້ມູນ, ມີ 12 ລັກສະນະທີ່ເປັນເອກະລາດ. ນອກເຫນືອໄປຈາກ 10 ລັກສະນະທີ່ລວມຢູ່ໃນການຈັດປະເພດຄະແນນ MoCA, ປະຫວັດຂອງຄົນເຈັບຍັງລວມເອົາຂໍ້ມູນກ່ຽວກັບປະຫວັດຂອງ hypertension ແລະເສັ້ນເລືອດຕັນໃນ.

ຕາຕະລາງ 2

ສະຫຼຸບຂອງການປ່ຽນແປງແບບຈໍາລອງແບບຈໍາລອງທີ່ໃຊ້ສໍາລັບການຈໍາແນກຄວາມຮຸນແຮງຂອງການວິນິດໄສ (ບໍ່ຮຸນແຮງທຽບກັບຮ້າຍແຮງ)

ໂຄງການສ້າງແບບຈໍາລອງອ່ອນ (ຊັ້ນລົບ)ຮ້າຍແຮງ (ຊັ້ນບວກ)
MCI-AD ທຽບກັບ AD12 (17.4%)57 (82.6%)
MCI-VaD ທຽບກັບ VaD38 (50.0%)38 (50.0%)

ຈໍາ​ນວນ​ຕາມ​ລໍາ​ດັບ​ແລະ​ສ່ວນ​ຮ້ອຍ​ຂອງ​ຄົນ​ເຈັບ​ທັງ​ຫມົດ​ໃນ​ແຕ່​ລະ​ຫ້ອງ​ຮຽນ​ແມ່ນ​ແຕກ​ຕ່າງ​ກັນ​ໂດຍ​ປະ​ເພດ​ວິ​ນິດ​ໄສ​ຕົ້ນ​ຕໍ (AD ຫຼື VaD​)​.

ສະຖິຕິ

ການປຽບທຽບຄຸນລັກສະນະຂອງຜູ້ເຂົ້າຮ່ວມແລະລັກສະນະຕົວເລກອື່ນໆລະຫວ່າງຊຸດຂໍ້ມູນຍ່ອຍສໍາລັບແຕ່ລະຍຸດທະສາດການຈັດປະເພດແບບຈໍາລອງ (ເພື່ອຄາດຄະເນສຸຂະພາບສະຫມອງຂອງ MoCA ແລະຄວາມຮຸນແຮງຂອງການວິນິດໄສ) ໄດ້ຖືກປະຕິບັດໂດຍໃຊ້ພາສາການຂຽນໂປຼແກຼມ Python (ຮຸ່ນ 2.7.1) [17]. ຄວາມແຕກຕ່າງຂອງການປະຕິບັດຕົວແບບໄດ້ຖືກກໍານົດໃນເບື້ອງຕົ້ນໂດຍໃຊ້ ANOVA ດຽວຫຼືສອງປັດໃຈ (ຕາມຄວາມເຫມາະສົມ) ທີ່ມີໄລຍະຄວາມຫມັ້ນໃຈ 95% ແລະການທົດສອບຄວາມແຕກຕ່າງທີ່ສໍາຄັນຂອງ Tukey (HSD) ເພື່ອປຽບທຽບວິທີການປະຕິບັດ. ການກວດສອບຄວາມແຕກຕ່າງລະຫວ່າງການສະແດງຕົວແບບນີ້ໄດ້ຖືກປະຕິບັດໂດຍໃຊ້ການປະສົມປະສານຂອງ Python ແລະ R (ຮຸ່ນ 3.5.1) [18]. ພວກເຮົາໃຊ້ວິທີການນີ້ (ເຖິງແມ່ນວ່າ, ອາດຈະໂຕ້ຖຽງກັນຫນ້ອຍກວ່າທີ່ດີທີ່ສຸດ) ພຽງແຕ່ເປັນການຊ່ວຍ heuristic ໃນນີ້. ໄລຍະຕົ້ນ ສໍາລັບການປຽບທຽບການປະຕິບັດຕົວແບບເບື້ອງຕົ້ນໃນການຄາດການຄໍາຮ້ອງສະຫມັກທາງດ້ານການຊ່ວຍທີ່ເປັນໄປໄດ້. ຫຼັງຈາກນັ້ນ, ພວກເຮົາໄດ້ນໍາໃຊ້ການທົດສອບການລົງນາມຂອງ Bayesian ໂດຍໃຊ້ການແຈກຢາຍທາງຫລັງເພື່ອກໍານົດຄວາມເປັນໄປໄດ້ຂອງຄວາມແຕກຕ່າງການປະຕິບັດຕົວແບບ [19]. ສໍາລັບການວິເຄາະເຫຼົ່ານີ້, ພວກເຮົາໄດ້ນໍາໃຊ້ໄລຍະຫ່າງ -0.01, 0.01, ຊຶ່ງຫມາຍຄວາມວ່າຖ້າຫາກວ່າສອງກຸ່ມມີຄວາມແຕກຕ່າງການປະຕິບັດຫນ້ອຍກວ່າ 0.01, ເຂົາເຈົ້າໄດ້ຖືກພິຈາລະນາຄືກັນ (ພາຍໃນພາກພື້ນຂອງຄວາມສົມດຸນການປະຕິບັດ), ຫຼືຖ້າບໍ່ດັ່ງນັ້ນພວກເຂົາເຈົ້າແມ່ນແຕກຕ່າງກັນ (ຫນຶ່ງດີກວ່າ. ອື່ນໆ). ເພື່ອປະຕິບັດການປຽບທຽບ Bayesian ຂອງ classifiers ແລະຄິດໄລ່ຄວາມເປັນໄປໄດ້ເຫຼົ່ານີ້, ພວກເຮົາໄດ້ນໍາໃຊ້ຫ້ອງສະຫມຸດ baycomp (ຮຸ່ນ 1.0.2) ສໍາລັບ Python 3.6.4.

ຕົວແບບຄາດຄະເນ

ພວກເຮົາສ້າງແບບຈໍາລອງການຄາດເດົາໂດຍໃຊ້ສິບຕົວປ່ຽນແປງທັງຫມົດຂອງແບບຈໍາລອງຂອງພວກເຮົາເພື່ອຄາດຄະເນ (ຈັດປະເພດ) ຜົນໄດ້ຮັບຂອງການທົດສອບ MoCA ຂອງຄົນເຈັບແຕ່ລະຄົນຫຼືຄວາມຮຸນແຮງຂອງການວິນິດໄສທາງດ້ານຄລີນິກ. ຜູ້ຮຽນທັງຫມົດໄດ້ຖືກນໍາໄປໃຊ້ແລະແບບຈໍາລອງໄດ້ຖືກສ້າງຂື້ນໂດຍໃຊ້ແພລະຕະຟອມຊອບແວ open source Weka [20]. ສໍາລັບການວິເຄາະເບື້ອງຕົ້ນຂອງພວກເຮົາ, ພວກເຮົາໄດ້ໃຊ້ 10 ຂັ້ນຕອນການຮຽນຮູ້ທີ່ໃຊ້ທົ່ວໄປ: 5-Neighbors ທີ່ໃກ້ທີ່ສຸດ, ສອງຮຸ່ນຂອງຕົ້ນໄມ້ການຕັດສິນໃຈ C4.5, Logistic Regression, Multilayer Perceptron, Naïve Bayes, ສອງຮຸ່ນຂອງ Random Forest, Radial Basis Function Network, ແລະ Support Vector ເຄື່ອງ. ຄຸນ​ລັກ​ສະ​ນະ​ທີ່​ສໍາ​ຄັນ​ແລະ​ຄວາມ​ກົງ​ກັນ​ຂ້າມ​ຂອງ​ວິ​ທີ​ການ​ເຫຼົ່າ​ນີ້​ໄດ້​ຮັບ​ການ​ອະ​ທິ​ບາຍ​ຢູ່​ບ່ອນ​ອື່ນ [21​] (ເບິ່ງ​ເອ​ກະ​ສານ​ທີ່​ກ່ຽວ​ຂ້ອງ​)​. ສິ່ງເຫຼົ່ານີ້ຖືກເລືອກເພາະວ່າພວກເຂົາເປັນຕົວແທນຂອງນັກຮຽນປະເພດຕ່າງໆທີ່ແຕກຕ່າງກັນແລະຍ້ອນວ່າພວກເຮົາໄດ້ສະແດງໃຫ້ເຫັນຜົນສໍາເລັດໂດຍໃຊ້ພວກມັນໃນການວິເຄາະທີ່ຜ່ານມາກ່ຽວກັບຂໍ້ມູນທີ່ຄ້າຍຄືກັນ. ການຕັ້ງຄ່າ Hyper-parameter ໄດ້ຖືກເລືອກຈາກການຄົ້ນຄວ້າທີ່ຜ່ານມາຂອງພວກເຮົາຊີ້ໃຫ້ເຫັນວ່າພວກເຂົາມີຄວາມແຂງແຮງໃນຄວາມຫລາກຫລາຍຂອງຂໍ້ມູນທີ່ແຕກຕ່າງກັນ [22]. ອີງຕາມຜົນຂອງການວິເຄາະເບື້ອງຕົ້ນຂອງພວກເຮົາໂດຍໃຊ້ຊຸດຂໍ້ມູນລວມດຽວກັນກັບລັກສະນະທົ່ວໄປທີ່ຖືກນໍາໃຊ້ຕໍ່ມາໃນການວິເຄາະຢ່າງເຕັມທີ່, ພວກເຮົາໄດ້ກໍານົດຜູ້ຮຽນສາມຄົນທີ່ສະຫນອງການປະຕິບັດທີ່ເຂັ້ມແຂງຢ່າງຕໍ່ເນື່ອງໃນທົ່ວທຸກປະເພດ: Logistic Regression, Naïve Bayes, ແລະ Support Vector Machine.

ການກວດສອບຄວາມຖືກຕ້ອງ ແລະຕົວຊີ້ບອກການປະຕິບັດຕົວແບບ

ສໍາລັບການສ້າງແບບຈໍາລອງການຄາດເດົາທັງຫມົດ (ລວມທັງການວິເຄາະເບື້ອງຕົ້ນ), ແຕ່ລະຕົວແບບແມ່ນສ້າງຂຶ້ນໂດຍໃຊ້ການກວດສອບຂ້າມ 10 ເທົ່າ, ແລະການປະຕິບັດຕົວແບບໄດ້ຖືກວັດແທກໂດຍໃຊ້ Area Under the Receiver Operating Characteristic Curve (AUC). ການກວດສອບຄວາມຖືກຕ້ອງເລີ່ມຕົ້ນດ້ວຍການແບ່ງແບບສຸ່ມແຕ່ລະຊຸດຂອງ 10 ແບບຈໍາລອງແບບຈໍາລອງອອກເປັນ 10 ສ່ວນເທົ່າທຽມກັນ (ເທົ່າ), ໂດຍໃຊ້ເກົ້າສ່ວນເຫຼົ່ານີ້ເພື່ອຝຶກອົບຮົມແບບຈໍາລອງແລະສ່ວນທີ່ຍັງເຫຼືອສໍາລັບການທົດສອບ. ຂັ້ນຕອນນີ້ໄດ້ຖືກເຮັດຊ້ໍາອີກ 10 ເທື່ອ, ໂດຍນໍາໃຊ້ພາກສ່ວນທີ່ແຕກຕ່າງກັນຕາມການທົດສອບທີ່ກໍານົດໄວ້ໃນແຕ່ລະຄັ້ງ. ຫຼັງຈາກນັ້ນ, ຜົນໄດ້ຮັບໄດ້ຖືກລວມເຂົ້າກັນເພື່ອຄິດໄລ່ຜົນໄດ້ຮັບ / ການປະຕິບັດຂອງຕົວແບບສຸດທ້າຍ. ສໍາລັບແຕ່ລະຜູ້ຮຽນ / ຊຸດຂໍ້ມູນປະສົມປະສານ, ຂະບວນການທັງຫມົດນີ້ຖືກຊ້ໍາ 10 ເທື່ອໂດຍຂໍ້ມູນຈະຖືກແບ່ງອອກແຕກຕ່າງກັນໃນແຕ່ລະຄັ້ງ. ຂັ້ນ​ຕອນ​ສຸດ​ທ້າຍ​ນີ້​ໄດ້​ຫຼຸດ​ຜ່ອນ​ອະ​ຄະ​ຕິ, ຮັບ​ປະ​ກັນ​ການ​ຈໍາ​ລອງ, ແລະ​ຊ່ວຍ​ໃນ​ການ​ກໍາ​ນົດ​ການ​ປະ​ຕິ​ບັດ​ຕົວ​ແບບ​ໂດຍ​ລວມ. ໃນຈໍານວນທັງຫມົດ (ສໍາລັບຄະແນນ MoCA ແລະການວິນິດໄສການແບ່ງປະເພດຄວາມຮຸນແຮງລວມ), 6,600 ແບບໄດ້ຖືກສ້າງ. ນີ້ລວມມີ 1,800 ແບບທີ່ບໍ່ໄດ້ກັ່ນຕອງ (6 ແບບຈໍາລອງທີ່ນໍາໃຊ້ກັບຊຸດຂໍ້ມູນ× 3 ນັກຮຽນ× 10 ແລ່ນ× 10 ພັບ = 1,800 ແບບຈໍາລອງ) ແລະ 4,800 ຮູບແບບການກັ່ນຕອງ (4 ແບບຈໍາລອງໃຊ້ກັບຊຸດຂໍ້ມູນ× 3 ນັກຮຽນ× 4 ເຕັກນິກການຄັດເລືອກຄຸນສົມບັດ× 10 ແລ່ນ× 10 ເທົ່າ = 4,800 ແບບ).

ການຄັດເລືອກຄຸນນະສົມບັດ

ສໍາລັບຕົວແບບທີ່ຖືກກັ່ນຕອງ, ການຄັດເລືອກຄຸນສົມບັດ (ໃຊ້ສີ່ວິທີການຈັດອັນດັບຄຸນສົມບັດ) ໄດ້ຖືກປະຕິບັດພາຍໃນການກວດສອບຂ້າມ. ສໍາລັບແຕ່ລະ 10 ເທົ່າ, ເນື່ອງຈາກ 10% ທີ່ແຕກຕ່າງກັນຂອງຊຸດຂໍ້ມູນແມ່ນຂໍ້ມູນການທົດສອບ, ມີພຽງແຕ່ສີ່ລັກສະນະທີ່ເລືອກທີ່ສຸດສໍາລັບແຕ່ລະຊຸດຂໍ້ມູນການຝຶກອົບຮົມ (ເຊັ່ນ, ອີກເກົ້າເທົ່າ, ຫຼື 90% ທີ່ຍັງເຫຼືອຂອງຊຸດຂໍ້ມູນທັງຫມົດ) ຖືກນໍາໃຊ້. ການກໍ່ສ້າງແບບຈໍາລອງ. ພວກເຮົາບໍ່ສາມາດຢືນຢັນໄດ້ວ່າຄຸນສົມບັດສີ່ອັນໃດຖືກນຳໃຊ້ໃນແຕ່ລະແບບຈໍາລອງ, ເພາະວ່າຂໍ້ມູນນັ້ນບໍ່ໄດ້ຖືກເກັບໄວ້ ຫຼືມີຢູ່ໃນແພລະຕະຟອມການສ້າງແບບຈໍາລອງທີ່ພວກເຮົາໃຊ້ (Weka). ຢ່າງໃດກໍ່ຕາມ, ເນື່ອງຈາກຄວາມສອດຄ່ອງໃນການຄັດເລືອກເບື້ອງຕົ້ນຂອງພວກເຮົາກ່ຽວກັບລັກສະນະອັນດັບຫນຶ່ງໃນເວລາທີ່ການຈັດອັນດັບໄດ້ຖືກນໍາໃຊ້ກັບຊຸດຂໍ້ມູນລວມທັງຫມົດແລະຄວາມຄ້າຍຄືກັນຕໍ່ມາໃນການສະແດງແບບຈໍາລອງ, ລັກສະນະດຽວກັນເຫຼົ່ານີ້ (ອາຍຸ, ປີຂອງການສຶກສາ, MTx-% C, ແລະຫມາຍຄວາມວ່າ MTx-RT ) ອາດຈະເປັນສີ່ອັນທີ່ພົບເລື້ອຍທີ່ສຸດທີ່ໃຊ້ຮ່ວມກັນກັບການເລືອກຄຸນສົມບັດພາຍໃນຂະບວນການກວດສອບຂ້າມ.

ຜົນໄດ້ຮັບ

ລັກສະນະຕົວເລກຂອງຜູ້ເຂົ້າຮ່ວມ (ລວມທັງຄະແນນ MoCA ແລະ metrics ການປະຕິບັດ MemTrax) ຂອງຊຸດຂໍ້ມູນທີ່ກ່ຽວຂ້ອງສໍາລັບແຕ່ລະຍຸດທະສາດການຈັດປະເພດແບບຈໍາລອງເພື່ອຄາດຄະເນສຸຂະພາບສະຫມອງທີ່ຊີ້ໃຫ້ເຫັນ MoCA (ປົກກະຕິທຽບກັບ MCI) ແລະຄວາມຮຸນແຮງຂອງການວິນິດໄສ (ບໍ່ຮຸນແຮງທຽບກັບຮ້າຍແຮງ) ແມ່ນສະແດງຢູ່ໃນຕາຕະລາງ 3.

ຕາຕະລາງ 3

ຄຸນລັກສະນະຂອງຜູ້ເຂົ້າຮ່ວມ, ຄະແນນ MoCA, ແລະການປະຕິບັດ MemTrax ສໍາລັບແຕ່ລະຍຸດທະສາດການຈັດປະເພດແບບຈໍາລອງ

ຍຸດທະສາດການຈັດປະເພດອາຍຸສູງສຸດການສຶກສາMoCA ປັບMoCA ບໍ່ໄດ້ປັບMTx-% CMTx-RT
ໝວດໝູ່ MoCA61.9 ປີ (13.1)9.6 ປີ (4.6)19.2 (6.5​)18.4 (6.7​)74.8% (ປີ 15.0)1.4 ວິ (0.3)
ຄວາມຮຸນແຮງຂອງການວິນິດໄສ65.6 ປີ (12.1)8.6 ປີ (4.4)16.7 (6.2​)15.8 (6.3​)68.3% (ປີ 13.8)1.5 ວິ (0.3)

ຄ່າທີ່ສະແດງ (ຄ່າສະເລ່ຍ, SD) ຄວາມແຕກຕ່າງໂດຍຍຸດທະສາດການຈັດປະເພດແບບຈໍາລອງແມ່ນເປັນຕົວແທນຂອງຊຸດຂໍ້ມູນລວມທີ່ໃຊ້ເພື່ອຄາດຄະເນສຸຂະພາບສະຕິປັນຍາທີ່ລະບຸໂດຍ MoCA (MCI ທຽບກັບປົກກະຕິ) ແລະຊຸດຂໍ້ມູນຍ່ອຍ XL ໃຊ້ເພື່ອຄາດຄະເນຄວາມຮຸນແຮງຂອງການວິນິດໄສ (ບໍ່ຮຸນແຮງທຽບກັບຮຸນແຮງ).

ສໍາ​ລັບ​ການ​ປະ​ສົມ​ຂອງ​ຄະ​ແນນ MoCA ແຕ່​ລະ​ຄົນ (ປັບ / ບໍ່​ປັບ​) ແລະ​ເກນ (26/23), ມີ​ຄວາມ​ແຕກ​ຕ່າງ​ທາງ​ສະ​ຖິ​ຕິ (p = 0.000) ໃນແຕ່ລະຄູ່ສົມທຽບ (ສຸຂະພາບສະຕິປັນຍາປົກກະຕິທຽບກັບ MCI) ສໍາລັບອາຍຸ, ການສຶກສາ, ແລະການປະຕິບັດ MemTrax (Mtx-% C ແລະ MTx-RT). ແຕ່ລະຊຸດຂໍ້ມູນຍ່ອຍຂອງຄົນເຈັບໃນຫ້ອງຮຽນ MCI ທີ່ກ່ຽວຂ້ອງສໍາລັບແຕ່ລະປະສົມປະສານແມ່ນໂດຍສະເລ່ຍປະມານ 9 ຫາ 15 ປີ, ລາຍງານປະມານຫ້າປີຂອງການສຶກສາຫນ້ອຍ, ແລະມີປະສິດທິພາບຫນ້ອຍທີ່ເອື້ອອໍານວຍ MemTrax ສໍາລັບທັງສອງ metrics.

ຜົນການປະຕິບັດແບບຈໍາລອງການຄາດເດົາສໍາລັບການຈັດປະເພດຄະແນນ MoCA ໂດຍໃຊ້ຜູ້ຮຽນສູງສຸດສາມຄົນ, Logistic Regression, Naïve Bayes, ແລະ Support Vector Machine, ແມ່ນສະແດງຢູ່ໃນຕາຕະລາງ 4. ສາມອັນນີ້ຖືກເລືອກໂດຍອີງໃສ່ປະສິດທິພາບຂອງນັກຮຽນທີ່ສູງທີ່ສຸດຢ່າງຕໍ່ເນື່ອງໃນທົ່ວທຸກຕົວແບບຕ່າງໆ. ນຳໃຊ້ກັບຊຸດຂໍ້ມູນສຳລັບທຸກຮູບແບບການສ້າງແບບຈຳລອງ. ສໍາລັບຊຸດຂໍ້ມູນແລະການສ້າງແບບຈໍາລອງທີ່ບໍ່ໄດ້ກັ່ນຕອງ, ແຕ່ລະຄ່າຂໍ້ມູນໃນຕາຕະລາງ 4 ຊີ້ໃຫ້ເຫັນເຖິງການປະຕິບັດຕົວແບບໂດຍອີງໃສ່ AUC ຕາມຄ່າສະເລ່ຍຕາມລໍາດັບທີ່ໄດ້ມາຈາກ 100 ແບບ (10 ແລ່ນ× 10 ເທົ່າ) ທີ່ສ້າງຂຶ້ນສໍາລັບແຕ່ລະຜູ້ຮຽນ / ການສ້າງແບບຈໍາລອງປະສົມປະສານ, ໂດຍມີລະດັບສູງສຸດຕາມລໍາດັບ. ການປະຕິບັດນັກຮຽນທີ່ສະແດງເປັນຕົວຫນາ. ໃນຂະນະທີ່ສໍາລັບການສ້າງແບບຈໍາລອງຊຸດຂໍ້ມູນທີ່ຖືກກັ່ນຕອງ, ຜົນໄດ້ຮັບທີ່ລາຍງານໃນຕາຕະລາງ 4 ສະທ້ອນໃຫ້ເຫັນເຖິງການປະຕິບັດຕົວແບບໂດຍສະເລ່ຍຈາກ 400 ແບບຈໍາລອງສໍາລັບນັກຮຽນແຕ່ລະຄົນໂດຍນໍາໃຊ້ແຕ່ລະວິທີການຈັດອັນດັບຄຸນສົມບັດ (4 ວິທີການຈັດອັນດັບຄຸນນະສົມບັດ× 10 ແລ່ນ× 10 ເທົ່າ).

ຕາຕະລາງ 4

ການປະຕິບັດການຈັດປະເພດຄະແນນ Dichotomous MoCA (AUC; 0.0–1.0) ຜົນໄດ້ຮັບສໍາລັບແຕ່ລະຄົນຂອງສາມຜູ້ຮຽນທີ່ມີປະສິດຕິພາບສູງສຸດສໍາລັບໂຄງການສ້າງແບບຈໍາລອງທີ່ກ່ຽວຂ້ອງ.

ໃຊ້ຊຸດຄຸນສົມບັດຄະແນນ MoCAເກນການຕັດLogistic RegressionNaïve Bayesສະຫນັບສະຫນູນ Vector Machine
ບໍ່ໄດ້ກັ່ນຕອງ (10 ຄຸນສົມບັດ)ປັບໄດ້230.88620.89130.8695
260.89710.92210.9161
ບໍ່ມີເຫດຜົນ230.91030.90850.8995
260.88340.91530.8994
ການກັ່ນຕອງ (4 ລັກສະນະ)ປັບໄດ້230.89290.89540.8948
260.91880.92470.9201
ບໍ່ມີເຫດຜົນ230.91350.91340.9122
260.91590.92360.9177

ການ​ນໍາ​ໃຊ້​ການ​ປ່ຽນ​ແປງ​ຂອງ​ການ​ຕັ້ງ​ຄ່າ​ຄຸນ​ສົມ​ບັດ​, ຄະ​ແນນ MoCA​, ແລະ​ເກນ​ການ​ຕັດ​ຄະ​ແນນ MoCA​, ການ​ປະ​ຕິ​ບັດ​ສູງ​ສຸດ​ສໍາ​ລັບ​ໂຄງ​ການ​ສ້າງ​ແບບ​ຈໍາ​ລອງ​ແຕ່​ລະ​ຄົນ​ແມ່ນ​ສະ​ແດງ​ໃຫ້​ເຫັນ​ຢູ່​ໃນ ກ້າຫານ (ບໍ່​ຈໍາ​ເປັນ​ຕ້ອງ​ສະ​ຖິ​ຕິ​ທີ່​ແຕກ​ຕ່າງ​ກັນ​ກ​່​ວາ​ອື່ນໆ​ທັງ​ຫມົດ​ທີ່​ບໍ່​ໄດ້​ຢູ່​ໃນ ກ້າຫານ ສໍາ​ລັບ​ຮູບ​ແບບ​ທີ່​ກ່ຽວ​ຂ້ອງ​)​.

ການປຽບທຽບຜູ້ຮຽນທົ່ວທຸກການປະສົມປະສານຂອງລຸ້ນຄະແນນ MoCA ແລະເກນ (ປັບ/ບໍ່ໄດ້ປັບ ແລະ 23/26, ຕາມລໍາດັບ) ໃນຊຸດຂໍ້ມູນທີ່ບໍ່ຖືກກັ່ນຕອງລວມກັນ (ເຊັ່ນ: ການນໍາໃຊ້ 10 ລັກສະນະທົ່ວໄປ), Naïve Bayes ໂດຍທົ່ວໄປແລ້ວແມ່ນຜູ້ຮຽນທີ່ມີປະສິດຕິພາບສູງສຸດໂດຍໂດຍລວມ. ການປະຕິບັດການຈັດປະເພດ 0.9093. ພິຈາລະນາຜູ້ຮຽນສູງສຸດສາມຄົນ, ການທົດສອບການລົງລາຍເຊັນທີ່ກ່ຽວຂ້ອງຂອງ Bayesian ຊີ້ໃຫ້ເຫັນວ່າຄວາມເປັນໄປໄດ້ (Pr) ຂອງ Naïve Bayes outperforming Logistic Regression ແມ່ນ 99.9%. ຍິ່ງໄປກວ່ານັ້ນ, ລະຫວ່າງ Naïve Bayes ແລະເຄື່ອງ Vector ສະຫນັບສະຫນູນ, ຄວາມເປັນໄປໄດ້ 21.0% ຂອງການປະຕິບັດການທຽບເທົ່າໃນການປະຕິບັດຂອງນັກຮຽນ (ດັ່ງນັ້ນ, ຄວາມເປັນໄປໄດ້ 79.0% ຂອງ Naïve Bayes ດີກວ່າເຄື່ອງ Vector ສະຫນັບສະຫນູນ), ບວກໃສ່ກັບ 0.0% ຄວາມເປັນໄປໄດ້ຂອງເຄື່ອງ Vector ສະຫນັບສະຫນູນການປະຕິບັດທີ່ດີກວ່າ, ການວັດແທກ. ເສີມສ້າງຄວາມໄດ້ປຽບການປະຕິບັດສໍາລັບ Naïve Bayes. ການປຽບທຽບເພີ່ມເຕີມຂອງລຸ້ນຄະແນນ MoCA ໃນທົ່ວທຸກຜູ້ຮຽນ/ເກນໄດ້ສະເໜີໃຫ້ເຫັນຜົນປະໂຫຍດດ້ານປະສິດທິພາບເລັກນ້ອຍໂດຍໃຊ້ຄະແນນ MoCA ທີ່ບໍ່ໄດ້ປັບປ່ຽນທຽບກັບການປັບ (0.9027 ທຽບກັບ 0.8971, ຕາມລໍາດັບ; Pr (unadjusted > adjusted) = 0.988). ເຊັ່ນດຽວກັນ, ການປຽບທຽບລະດັບການຕັດອອກໃນທົ່ວຜູ້ຮຽນທັງໝົດ ແລະ ຮຸ່ນຄະແນນ MoCA ຊີ້ໃຫ້ເຫັນເຖິງຄວາມໄດ້ປຽບການປະຕິບັດການຈັດປະເພດຂະຫນາດນ້ອຍໂດຍໃຊ້ 26 ເປັນເກນການຈັດປະເພດທຽບກັບ 23 (0.9056 ທຽບກັບ 0.8942, ຕາມລໍາດັບ; Pr (26 > 23) = 0.999). ສຸດທ້າຍ, ການກວດສອບການປະຕິບັດການຈັດປະເພດສໍາລັບແບບຈໍາລອງທີ່ນໍາໃຊ້ພຽງແຕ່ຜົນໄດ້ຮັບການກັ່ນຕອງ (ເຊັ່ນ, ອັນດັບສູງສຸດຂອງສີ່ລັກສະນະເທົ່ານັ້ນ), Naïve Bayes (0.9143) ແມ່ນຕົວເລກທີ່ເປັນຜູ້ຮຽນທີ່ມີປະສິດຕິພາບສູງສຸດໃນທົ່ວທຸກລຸ້ນ / ລະດັບຄະແນນຂອງ MoCA. ຢ່າງໃດກໍຕາມ, ໃນທົ່ວເຕັກນິກການຈັດອັນດັບຄຸນນະສົມບັດລວມກັນ, ນັກຮຽນທີ່ມີປະສິດຕິພາບສູງສຸດທັງຫມົດປະຕິບັດຄ້າຍຄືກັນ. ການທົດສອບການລົງນາມໃນອັນດັບຂອງ Bayesian ສະແດງໃຫ້ເຫັນຄວາມເປັນໄປໄດ້ 100% ຂອງການທຽບເທົ່າພາກປະຕິບັດລະຫວ່າງແຕ່ລະຄູ່ຂອງນັກຮຽນທີ່ຖືກກັ່ນຕອງ. ເຊັ່ນດຽວກັນກັບຂໍ້ມູນທີ່ບໍ່ໄດ້ກັ່ນຕອງ (ໃຊ້ທັງຫມົດ 10 ລັກສະນະທົ່ວໄປ), ມີຄວາມໄດ້ປຽບຂອງການປະຕິບັດອີກເທື່ອຫນຶ່ງສໍາລັບຄະແນນ MoCA ສະບັບທີ່ບໍ່ໄດ້ຮັບການປັບຕົວ (Pr (unadjusted > adjusted) = 1.000), ເຊັ່ນດຽວກັນກັບຂໍ້ໄດ້ປຽບທີ່ແຕກຕ່າງກັນທີ່ຄ້າຍຄືກັນສໍາລັບຂອບເຂດການຈັດປະເພດຂອງ 26 (Pr (26 > 23) = 1.000). ເປັນທີ່ໜ້າສັງເກດ, ປະສິດທິພາບສະເລ່ຍຂອງແຕ່ລະຜູ້ຮຽນສູງສຸດສາມຄົນໃນທົ່ວທຸກລຸ້ນ/ເກນຄະແນນຂອງ MoCA ໂດຍໃຊ້ພຽງແຕ່ຄຸນສົມບັດອັນດັບໜຶ່ງຂອງສີ່ອັນນັ້ນເກີນປະສິດທິພາບສະເລ່ຍຂອງນັກຮຽນໃນຂໍ້ມູນທີ່ບໍ່ໄດ້ກັ່ນຕອງ. ບໍ່ເປັນເລື່ອງແປກທີ່, ການປະຕິບັດການຈັດປະເພດຂອງແບບຈໍາລອງທີ່ຖືກກັ່ນຕອງ (ໃຊ້ລັກສະນະອັນດັບສີ່) ໂດຍລວມແມ່ນດີກວ່າ (0.9119) ຕໍ່ກັບແບບຈໍາລອງທີ່ບໍ່ມີການກັ່ນຕອງ (0.8999), ໂດຍບໍ່ຄໍານຶງເຖິງລັກສະນະການຈັດລໍາດັບລັກສະນະທີ່ສົມທຽບກັບຕົວແບບທີ່ກ່ຽວຂ້ອງໂດຍນໍາໃຊ້ທັງຫມົດ 10 ທົ່ວໄປ. ຄຸນ​ລັກ​ສະ​ນະ. ສໍາລັບແຕ່ລະວິທີການຄັດເລືອກຄຸນສົມບັດ, ມີຄວາມເປັນໄປໄດ້ 100% ຂອງປະສິດທິພາບປະສິດທິພາບຫຼາຍກວ່າແບບຈໍາລອງທີ່ບໍ່ໄດ້ກັ່ນຕອງ.

ກັບຄົນເຈັບທີ່ພິຈາລະນາການຈັດປະເພດຄວາມຮຸນແຮງຂອງ AD, ຄວາມແຕກຕ່າງລະຫວ່າງກຸ່ມ (MCI-AD ທຽບກັບ AD) ສໍາລັບອາຍຸ (p = 0.004), ການສຶກສາ (p = 0.028), ຄະແນນ MoCA ປັບ/ບໍ່ປັບ (p = 0.000), ແລະ MTx-%C (p = 0.008) ມີຄວາມສໍາຄັນທາງສະຖິຕິ; ໃນຂະນະທີ່ MTx-RT ມັນບໍ່ແມ່ນ (p = 0.097). ກັບຄົນເຈັບເຫຼົ່ານັ້ນພິຈາລະນາການຈັດປະເພດຄວາມຮຸນແຮງຂອງການວິນິດໄສ VaD, ຄວາມແຕກຕ່າງລະຫວ່າງກຸ່ມ (MCI-VaD ທຽບກັບ VaD) ສໍາລັບຄະແນນ MoCA ປັບ / ບໍ່ໄດ້ປັບ (p = 0.007) ແລະ MTx-%C (p = 0.026) ແລະ MTx-RT (p = 0.001) ມີຄວາມສໍາຄັນທາງສະຖິຕິ; ໃນ​ຂະ​ນະ​ທີ່​ສໍາ​ລັບ​ອາ​ຍຸ (p = 0.511) ແລະການສຶກສາ (p = 0.157) ບໍ່ມີຄວາມແຕກຕ່າງທີ່ສໍາຄັນລະຫວ່າງກຸ່ມ.

ຜົນໄດ້ຮັບຂອງການປະຕິບັດແບບຈໍາລອງການຄາດເດົາສໍາລັບການຈັດປະເພດຄວາມຮຸນແຮງຂອງການວິນິດໄສໂດຍໃຊ້ສາມຜູ້ຮຽນທີ່ເລືອກໄວ້ກ່ອນຫນ້ານີ້, Logistic Regression, Naïve Bayes, ແລະ Support Vector Machine, ແມ່ນສະແດງຢູ່ໃນຕາຕະລາງ 5. ໃນຂະນະທີ່ຜູ້ຮຽນທີ່ໄດ້ຮັບການກວດກາເພີ່ມເຕີມໄດ້ສະແດງໃຫ້ເຫັນການປະຕິບັດທີ່ເຂັ້ມແຂງເລັກນ້ອຍເປັນສ່ວນບຸກຄົນໂດຍຫນຶ່ງໃນສອງປະເພດການວິນິດໄສທາງດ້ານການຊ່ວຍ. , ນັກຮຽນສາມຄົນທີ່ພວກເຮົາໄດ້ກໍານົດວ່າເປັນທີ່ເອື້ອອໍານວຍທີ່ສຸດໃນການສ້າງແບບຈໍາລອງທີ່ຜ່ານມາຂອງພວກເຮົາສະເຫນີໃຫ້ມີການປະຕິບັດທີ່ສອດຄ່ອງທີ່ສຸດກັບທັງສອງຮູບແບບໃຫມ່. ການປຽບທຽບຜູ້ຮຽນໃນທົ່ວແຕ່ລະປະເພດການວິນິດໄສຕົ້ນຕໍ (AD ແລະ VaD), ບໍ່ມີຄວາມແຕກຕ່າງການປະຕິບັດການຈັດປະເພດທີ່ສອດຄ່ອງລະຫວ່າງຜູ້ຮຽນສໍາລັບ MCI-VaD ທຽບກັບ VaD, ເຖິງແມ່ນວ່າເຄື່ອງສະຫນັບສະຫນູນ Vector ໂດຍທົ່ວໄປຈະປະຕິບັດຢ່າງເດັ່ນຊັດ. ເຊັ່ນດຽວກັນ, ບໍ່ມີຄວາມແຕກຕ່າງທີ່ສໍາຄັນລະຫວ່າງຜູ້ຮຽນສໍາລັບການຈັດປະເພດ MCI-AD ທຽບກັບ AD, ເຖິງແມ່ນວ່າ Naïve Bayes (NB) ມີປະໂຫຍດດ້ານການປະຕິບັດເລັກນ້ອຍກວ່າ Logistic Regression (LR) ແລະພຽງແຕ່ມີສ່ວນຫນ້ອຍຫຼາຍກວ່າ Support Vector Machine, ມີຄວາມເປັນໄປໄດ້ 61.4%. ແລະ 41.7% ຕາມລໍາດັບ. ໃນທົ່ວຊຸດຂໍ້ມູນທັງສອງ, ມີປະໂຍດປະສິດທິພາບໂດຍລວມສໍາລັບ Support Vector Machine (SVM), ກັບ Pr (SVM > LR) = 0.819 ແລະ Pr (SVM > NB) = 0.934. ການປະຕິບັດການຈັດປະເພດໂດຍລວມຂອງພວກເຮົາໃນທົ່ວນັກຮຽນທຸກຄົນໃນການຄາດຄະເນຄວາມຮຸນແຮງຂອງການວິນິດໄສໃນຊຸດຂໍ້ມູນຍ່ອຍ XL ແມ່ນດີກວ່າໃນປະເພດການວິນິດໄສ VaD ທຽບກັບ AD (Pr (VAD > AD) = 0.998).

ຕາຕະລາງ 5

ການປະຕິບັດການຈັດປະເພດຄວາມຮຸນແຮງທາງດ້ານການວິນິດໄສທາງຄລີນິກ Dichotomous (AUC; 0.0–1.0) ຜົນໄດ້ຮັບສໍາລັບແຕ່ລະຄົນຂອງສາມຜູ້ຮຽນທີ່ມີປະສິດຕິພາບສູງສຸດສໍາລັບທັງສອງແບບຈໍາລອງທີ່ກ່ຽວຂ້ອງ

ໂຄງການສ້າງແບບຈໍາລອງLogistic RegressionNaïve Bayesສະຫນັບສະຫນູນ Vector Machine
MCI-AD ທຽບກັບ AD0.74650.78100.7443
MCI-VaD ທຽບກັບ VaD0.80330.80440.8338

ປະສິດທິພາບສູງສຸດສໍາລັບແຕ່ລະໂຄງການສ້າງແບບຈໍາລອງແມ່ນສະແດງໃຫ້ເຫັນໃນ ກ້າຫານ (ບໍ່​ຈໍາ​ເປັນ​ຕ້ອງ​ສະ​ຖິ​ຕິ​ທີ່​ແຕກ​ຕ່າງ​ກັນ​ກ​່​ວາ​ອື່ນໆ​ທີ່​ບໍ່​ໄດ້​ຢູ່​ໃນ ກ້າຫານ).

ການສົນທະນາ

ການກວດພົບເບື້ອງຕົ້ນຂອງການປ່ຽນແປງໃນສຸຂະພາບມັນສະຫມອງມີຄວາມສໍາຄັນ ຜົນປະໂຫຍດພາກປະຕິບັດໃນການຄຸ້ມຄອງສຸຂະພາບສ່ວນບຸກຄົນແລະສຸຂະພາບສາທາລະນະຄືກັນ. ແທ້ຈິງແລ້ວ, ມັນຍັງເປັນບູລິມະສິດສູງໃນການປິ່ນປົວທາງດ້ານຄລີນິກສໍາລັບຄົນເຈັບທົ່ວໂລກ. ເປົ້າຫມາຍຮ່ວມກັນແມ່ນເພື່ອເຕືອນຄົນເຈັບ, ຜູ້ເບິ່ງແຍງ, ແລະຜູ້ໃຫ້ບໍລິການແລະໃຫ້ການປິ່ນປົວທີ່ເຫມາະສົມແລະປະຫຍັດຕົ້ນທຶນແລະການດູແລຕາມລວງຍາວສໍາລັບຜູ້ທີ່ເລີ່ມມີການຫຼຸດລົງທາງດ້ານສະຕິປັນຍາ. ການລວມເອົາສາມຊຸດຂໍ້ມູນຂອງໂຮງໝໍ/ຄລີນິກຂອງພວກເຮົາ, ພວກເຮົາໄດ້ກໍານົດຜູ້ຮຽນທີ່ມັກສາມຢ່າງ (ມີຈຸດເດັ່ນອັນໜຶ່ງອັນໜຶ່ງ – Naïve Bayes) ເພື່ອສ້າງແບບຈໍາລອງການຄາດເດົາໂດຍໃຊ້ ການວັດແທກປະສິດທິພາບ MemTrax ທີ່ສາມາດຈໍາແນກສະຖານະພາບສຸຂະພາບຂອງສະຕິປັນຍາໄດ້ dichotomously (ສຸຂະພາບມັນສະຫມອງປົກກະຕິຫຼື MCI) ຕາມທີ່ຊີ້ໃຫ້ເຫັນໂດຍຄະແນນລວມ MoCA. ໂດຍສະເພາະ, ການປະຕິບັດການຈັດປະເພດໂດຍລວມສໍາລັບຜູ້ຮຽນທັງສາມໄດ້ປັບປຸງເມື່ອຕົວແບບຂອງພວກເຮົານໍາໃຊ້ພຽງແຕ່ສີ່ລັກສະນະອັນດັບຕົ້ນໆທີ່ກວມເອົາຕົວຊີ້ບອກການປະຕິບັດ MemTrax ເຫຼົ່ານີ້. ຍິ່ງໄປກວ່ານັ້ນ, ພວກເຮົາໄດ້ເປີດເຜີຍທ່າແຮງທີ່ຊັດເຈນສໍາລັບການນໍາໃຊ້ຜູ້ຮຽນດຽວກັນແລະຕົວຊີ້ວັດການປະຕິບັດ MemTrax ໃນຮູບແບບການຈັດປະເພດຂອງການສະຫນັບສະຫນູນການວິນິດໄສເພື່ອຈໍາແນກຄວາມຮຸນແຮງຂອງສອງປະເພດຂອງການວິນິດໄສ dementia: AD ແລະ VaD.

ການທົດສອບຄວາມຈໍາ ເປັນຈຸດໃຈກາງຂອງການກວດຫາເບື້ອງຕົ້ນຂອງ AD [23, 24]. ດັ່ງນັ້ນ, ມັນເປັນໂອກາດທີ່ MemTrax ເປັນທີ່ຍອມຮັບ, ມີສ່ວນຮ່ວມ, ແລະງ່າຍຕໍ່ການປະຕິບັດອອນໄລນ໌. ການທົດສອບການກວດກາສໍາລັບຄວາມຊົງຈໍາ episodic ໃນປະຊາກອນທົ່ວໄປ [6]. ຄວາມຖືກຕ້ອງຂອງການຮັບຮູ້ແລະເວລາຕອບສະຫນອງຈາກວຽກງານການປະຕິບັດຢ່າງຕໍ່ເນື່ອງນີ້ແມ່ນສະແດງອອກໂດຍສະເພາະໃນການກໍານົດການເສື່ອມໂຊມແລະການພັດທະນາແລະການຂາດດຸນໃນຂະບວນການ neuroplastic ທີ່ກ່ຽວຂ້ອງກັບການຮຽນຮູ້, ຄວາມຊົງຈໍາ, ແລະການຮັບຮູ້. ນັ້ນແມ່ນ, ຮູບແບບຢູ່ທີ່ນີ້ທີ່ອີງໃສ່ສ່ວນໃຫຍ່ໃນ MemTrax ຕົວຊີ້ວັດການປະຕິບັດແມ່ນມີຄວາມອ່ອນໄຫວຕໍ່ແລະມີແນວໂນ້ມທີ່ຈະກຽມພ້ອມແລະມີຄ່າໃຊ້ຈ່າຍຫນ້ອຍທີ່ສຸດທີ່ເປີດເຜີຍການຂາດດຸນທາງຊີວະວິທະຍາໃນລະຫວ່າງໄລຍະ asymptomatic ໄລຍະຂ້າມຜ່ານກ່ອນທີ່ຈະສູນເສຍການທໍາງານຢ່າງຫຼວງຫຼາຍ [25]. Ashford et al. ໄດ້ກວດກາຢ່າງໃກ້ຊິດກັບຮູບແບບແລະພຶດຕິກໍາຂອງຄວາມຖືກຕ້ອງຂອງຫນ່ວຍຄວາມຈໍາການຮັບຮູ້ແລະເວລາຕອບສະຫນອງໃນຜູ້ໃຊ້ອອນໄລນ໌ທີ່ເຂົ້າຮ່ວມດ້ວຍຕົນເອງກັບ MemTrax [6]. ການເຄົາລົບວ່າການແຈກຢາຍເຫຼົ່ານີ້ແມ່ນສໍາຄັນໃນການສ້າງແບບຈໍາລອງທີ່ດີທີ່ສຸດແລະການພັດທະນາຄໍາຮ້ອງສະຫມັກການດູແລຄົນເຈັບທີ່ຖືກຕ້ອງແລະມີປະສິດທິພາບ, ການກໍານົດການຮັບຮູ້ທາງດ້ານຄລີນິກແລະເວລາຕອບສະຫນອງແມ່ນມີຄວາມຈໍາເປັນໃນການສ້າງການອ້າງອີງພື້ນຖານທີ່ມີຄຸນຄ່າສໍາລັບຜົນປະໂຫຍດທາງດ້ານຄລີນິກແລະການຄົ້ນຄວ້າ. ມູນຄ່າການປະຕິບັດຂອງ MemTrax ໃນການກວດສອບ AD ສໍາລັບຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາໃນຂັ້ນຕົ້ນແລະການສະຫນັບສະຫນູນການວິນິດໄສທີ່ແຕກຕ່າງກັນຕ້ອງໄດ້ຮັບການກວດກາຢ່າງໃກ້ຊິດໃນສະພາບການທາງດ້ານການຊ່ວຍທີ່ຄວາມຜິດປົກກະຕິແລະຄວາມສາມາດທາງດ້ານສະຕິປັນຍາ, ຄວາມຮູ້ສຶກ, ແລະມໍເຕີທີ່ມີຜົນກະທົບຕໍ່ການປະຕິບັດການທົດສອບສາມາດພິຈາລະນາໄດ້. ແລະເພື່ອແຈ້ງທັດສະນະດ້ານວິຊາຊີບແລະຊຸກຍູ້ຜົນປະໂຫຍດທາງດ້ານການຊ່ວຍທາງດ້ານການຊ່ວຍ, ມັນເປັນສິ່ງຈໍາເປັນທໍາອິດທີ່ຈະສະແດງໃຫ້ເຫັນການປຽບທຽບກັບການທົດສອບການປະເມີນສຸຂະພາບມັນສະຫມອງທີ່ຖືກສ້າງຕັ້ງຂື້ນ, ເຖິງແມ່ນວ່າອັນສຸດທ້າຍອາດຈະຖືກຈໍາກັດໂດຍການຂົນສົ່ງການທົດສອບທີ່ຫຍຸ້ງຍາກ, ການສຶກສາແລະການຂັດຂວາງພາສາ, ແລະອິດທິພົນວັດທະນະທໍາ [26]. . ໃນເລື່ອງນີ້, ການປຽບທຽບທີ່ເອື້ອອໍານວຍຂອງ MemTrax ໃນປະສິດທິພາບທາງດ້ານຄລີນິກກັບ MoCA ທີ່ຖືກອ້າງວ່າເປັນມາດຕະຖານອຸດສາຫະກໍາແມ່ນມີຄວາມສໍາຄັນ, ໂດຍສະເພາະໃນເວລາທີ່ການຊັ່ງນໍ້າຫນັກເຖິງຄວາມງ່າຍຂອງຜົນປະໂຫຍດແລະການຍອມຮັບຂອງຄົນເຈັບຂອງ MemTrax.

ການສໍາຫຼວດທີ່ຜ່ານມາປຽບທຽບ MemTrax ກັບ MoCA ຊີ້ໃຫ້ເຫັນເຫດຜົນແລະຫຼັກຖານເບື້ອງຕົ້ນທີ່ຮັບປະກັນການສືບສວນແບບຈໍາລອງຂອງພວກເຮົາ [8]. ຢ່າງໃດກໍ່ຕາມ, ການປຽບທຽບກ່ອນນີ້ພຽງແຕ່ກ່ຽວຂ້ອງກັບການວັດແທກການປະຕິບັດ MemTrax ທີ່ສໍາຄັນສອງອັນທີ່ພວກເຮົາໄດ້ກວດກາກັບສະຖານະການສະຕິປັນຍາຕາມການກໍານົດໂດຍ MoCA ແລະກໍານົດຂອບເຂດທີ່ກ່ຽວຂ້ອງແລະຄ່າຕັດ. ພວກເຮົາໄດ້ລົງເລິກການປະເມີນຜົນປະໂຫຍດທາງດ້ານຄລີນິກຂອງ MemTrax ໂດຍການສຳຫຼວດວິທີການສ້າງແບບຈໍາລອງແບບຄາດຄະເນທີ່ຈະໃຫ້ການພິຈາລະນາເປັນສ່ວນບຸກຄົນຫຼາຍຂຶ້ນກ່ຽວກັບຕົວກໍານົດການສະເພາະຂອງຄົນເຈັບທີ່ມີທ່າແຮງອື່ນໆ. ກົງກັນຂ້າມກັບຄົນອື່ນ, ພວກເຮົາບໍ່ພົບຂໍ້ໄດ້ປຽບໃນການປະຕິບັດຕົວແບບໂດຍໃຊ້ການແກ້ໄຂການສຶກສາ (ການປັບຕົວ) ຕໍ່ກັບຄະແນນ MoCA ຫຼືໃນການປ່ຽນແປງທາງດ້ານສະຕິປັນຍາທີ່ແຍກແຍະລະດັບຄະແນນລວມ MoCA ຈາກຄໍາແນະນໍາເບື້ອງຕົ້ນ 26 ຫາ 23 [12, 15]. ໃນຄວາມເປັນຈິງ, ຜົນປະໂຫຍດດ້ານການປະຕິບັດການຈັດປະເພດແມ່ນມັກໃຊ້ຄະແນນ MoCA ທີ່ບໍ່ໄດ້ຮັບການປັບຕົວແລະລະດັບທີ່ສູງກວ່າ.

ຈຸດສໍາຄັນໃນການປະຕິບັດທາງດ້ານການຊ່ວຍ

ການຮຽນຮູ້ຂອງເຄື່ອງຈັກມັກຈະຖືກນໍາໃຊ້ທີ່ດີທີ່ສຸດແລະມີປະສິດທິພາບທີ່ສຸດໃນການສ້າງແບບຈໍາລອງການຄາດເດົາເມື່ອຂໍ້ມູນແມ່ນກວ້າງຂວາງແລະຫຼາຍມິຕິລະດັບ, ນັ້ນແມ່ນ, ເມື່ອມີການສັງເກດການຈໍານວນຫລາຍແລະຄຸນລັກສະນະທີ່ມີມູນຄ່າສູງ (ປະກອບສ່ວນ) ປະສົມປະສານ. ຢ່າງໃດກໍຕາມ, ດ້ວຍຂໍ້ມູນໃນປະຈຸບັນເຫຼົ່ານີ້, ຮູບແບບການກັ່ນຕອງທີ່ມີພຽງແຕ່ສີ່ລັກສະນະທີ່ເລືອກປະຕິບັດໄດ້ດີກວ່າການນໍາໃຊ້ລັກສະນະທົ່ວໄປທັງຫມົດ 10. ນີ້ຊີ້ໃຫ້ເຫັນວ່າຊຸດຂໍ້ມູນຂອງໂຮງຫມໍລວມຂອງພວກເຮົາບໍ່ມີຄຸນສົມບັດທາງດ້ານຄລີນິກທີ່ເຫມາະສົມທີ່ສຸດ (ມູນຄ່າສູງ) ເພື່ອຈັດປະເພດຄົນເຈັບໃຫ້ດີທີ່ສຸດໃນລັກສະນະນີ້. ຢ່າງໃດກໍຕາມ, ຄຸນນະສົມບັດການຈັດອັນດັບການເນັ້ນຫນັກໃສ່ການວັດແທກການປະຕິບັດ MemTrax ທີ່ສໍາຄັນ - Mtx-% C ແລະ MTx-RT ສະຫນັບສະຫນູນການສ້າງແບບຈໍາລອງການກວດກາການຂາດດຸນສະຕິປັນຍາໃນຂັ້ນຕອນຕົ້ນຮອບການທົດສອບນີ້ທີ່ງ່າຍດາຍ, ງ່າຍຕໍ່ການບໍລິຫານ, ຄ່າໃຊ້ຈ່າຍຕ່ໍາ, ແລະເປີດເຜີຍຢ່າງຖືກຕ້ອງກ່ຽວກັບ. ການປະຕິບັດຄວາມຊົງຈໍາ, ຢ່າງຫນ້ອຍໃນປັດຈຸບັນເປັນຫນ້າຈໍເບື້ອງຕົ້ນສໍາລັບການຈັດປະເພດຖານສອງຂອງສະຖານະພາບສຸຂະພາບມັນສະຫມອງ. ເນື່ອງຈາກຄວາມເຄັ່ງຕຶງທີ່ເຄີຍມີຢູ່ໃນຜູ້ໃຫ້ບໍລິການແລະລະບົບການດູແລສຸຂະພາບ, ຂະບວນການກວດຄົນເຈັບແລະຄໍາຮ້ອງສະຫມັກທາງດ້ານການຊ່ວຍຄວນໄດ້ຮັບການພັດທະນາທີ່ເຫມາະສົມໂດຍເນັ້ນຫນັກໃສ່ການລວບລວມ, ຕິດຕາມ, ແລະສ້າງແບບຈໍາລອງຄຸນລັກສະນະຂອງຄົນເຈັບແລະຕົວຊີ້ວັດການທົດສອບທີ່ມີປະໂຫຍດສູງສຸດ, ມີປະໂຫຍດ, ແລະພິສູດປະສິດທິພາບໃນການວິນິດໄສ. ແລະສະຫນັບສະຫນູນການຄຸ້ມຄອງຄົນເຈັບ.

ດ້ວຍສອງຕົວຊີ້ວັດ MemTrax ທີ່ເປັນຈຸດໃຈກາງຂອງການຈັດປະເພດ MCI, ນັກຮຽນທີ່ມີປະສິດຕິພາບສູງສຸດຂອງພວກເຮົາ (Naïve Bayes) ມີການຄາດເດົາສູງຫຼາຍໃນແບບຈໍາລອງສ່ວນໃຫຍ່ (AUC ຫຼາຍກວ່າ 0.90) ທີ່ມີອັດຕາສ່ວນບວກກັບ false-positive ໃກ້ໆ ຫຼື ເກີນ 4. : 1. ຄໍາຮ້ອງສະຫມັກທາງດ້ານຄລີນິກການແປພາສາທີ່ໃຊ້ຜູ້ຮຽນນີ້ຈຶ່ງຈະຈັບ (ຈັດປະເພດຢ່າງຖືກຕ້ອງ) ໂດຍສ່ວນໃຫຍ່ຂອງຜູ້ທີ່ມີຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາ, ໃນຂະນະທີ່ຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍທີ່ກ່ຽວຂ້ອງກັບການຈັດປະເພດຄົນທີ່ມີສຸຂະພາບສະຕິປັນຍາແບບຜິດໆວ່າເປັນການຂາດດຸນມັນສະຫມອງ (ບວກທີ່ບໍ່ຖືກຕ້ອງ) ຫຼື. ຂາດການຈັດປະເພດນັ້ນຢູ່ໃນຜູ້ທີ່ມີການຂາດດຸນສະຕິປັນຍາ (ທາງລົບທີ່ບໍ່ຖືກຕ້ອງ). ຫນຶ່ງໃນສະຖານະການເຫຼົ່ານີ້ຂອງການຈັດປະເພດທີ່ບໍ່ຖືກຕ້ອງສາມາດສ້າງພາລະທາງດ້ານຈິດໃຈ - ສັງຄົມທີ່ບໍ່ສົມຄວນຕໍ່ຄົນເຈັບແລະຜູ້ເບິ່ງແຍງ.

ໃນຂະນະທີ່ໃນການວິເຄາະເບື້ອງຕົ້ນແລະເຕັມທີ່ພວກເຮົາໄດ້ນໍາໃຊ້ຜູ້ຮຽນທັງຫມົດສິບຄົນໃນແຕ່ລະໂຄງການສ້າງແບບຈໍາລອງ, ພວກເຮົາໄດ້ສຸມໃສ່ຜົນໄດ້ຮັບຂອງພວກເຮົາຢູ່ໃນສາມຕົວຈັດປະເພດສະແດງໃຫ້ເຫັນເຖິງການປະຕິບັດທີ່ເຂັ້ມແຂງທີ່ສຸດ. ອັນນີ້ກໍ່ເພື່ອເປັນການຍົກໃຫ້ເຫັນ, ໂດຍອີງໃສ່ຂໍ້ມູນເຫຼົ່ານີ້, ນັກຮຽນທີ່ຄາດວ່າຈະປະຕິບັດຢ່າງເພິ່ງພາອາໄສໃນລະດັບສູງໃນການປະຕິບັດທາງດ້ານການຊ່ວຍໃນການກໍານົດການຈັດປະເພດສະຖານະພາບຂອງມັນສະຫມອງ. ຍິ່ງໄປກວ່ານັ້ນ, ເນື່ອງຈາກວ່າການສຶກສານີ້ມີຈຸດປະສົງເປັນການສືບສວນເບື້ອງຕົ້ນກ່ຽວກັບຜົນປະໂຫຍດຂອງການຮຽນຮູ້ເຄື່ອງຈັກໃນການກວດສອບສະຕິປັນຍາແລະສິ່ງທ້າທາຍທາງດ້ານຄລີນິກທີ່ທັນເວລາ, ພວກເຮົາໄດ້ຕັດສິນໃຈຮັກສາເຕັກນິກການຮຽນຮູ້ທີ່ງ່າຍດາຍແລະໂດຍທົ່ວໄປ, ດ້ວຍການປັບແຕ່ງພາລາມິເຕີຫນ້ອຍທີ່ສຸດ. ພວກເຮົາຂໍຂອບໃຈທີ່ວິທີການນີ້ອາດຈະຈໍາກັດທ່າແຮງສໍາລັບຄວາມສາມາດຄາດຄະເນສະເພາະຂອງຄົນເຈັບທີ່ໄດ້ກໍານົດໄວ້ແຄບກວ່າ. ເຊັ່ນດຽວກັນ, ໃນຂະນະທີ່ການຝຶກອົບຮົມແບບຈໍາລອງການນໍາໃຊ້ພຽງແຕ່ລັກສະນະທາງເທີງ (ວິທີການການກັ່ນຕອງ) ແຈ້ງໃຫ້ພວກເຮົາເພີ່ມເຕີມກ່ຽວກັບຂໍ້ມູນເຫຼົ່ານີ້ (ສະເພາະກັບຂໍ້ບົກຜ່ອງຂອງຂໍ້ມູນທີ່ເກັບກໍາແລະເນັ້ນໃສ່ມູນຄ່າໃນການເພີ່ມປະສິດທິພາບທາງດ້ານການຊ່ວຍທີ່ໃຊ້ເວລາແລະຊັບພະຍາກອນອັນມີຄ່າ), ພວກເຮົາຮັບຮູ້ວ່າມັນໄວເກີນໄປທີ່ຈະແຄບລົງ. ຂອບເຂດຂອງແບບຈໍາລອງແລະດັ່ງນັ້ນ, ທັງຫມົດ (ແລະລັກສະນະອື່ນໆ) ຄວນໄດ້ຮັບການພິຈາລະນາກັບການຄົ້ນຄວ້າໃນອະນາຄົດຈົນກ່ວາພວກເຮົາມີຄວາມຊັດເຈນຫຼາຍຂອງລັກສະນະບູລິມະສິດທີ່ຈະນໍາໃຊ້ກັບປະຊາກອນຢ່າງກວ້າງຂວາງ. ດັ່ງນັ້ນ, ພວກເຮົາຍັງຮັບຮູ້ຢ່າງເຕັມທີ່ວ່າຂໍ້ມູນລວມແລະກວ້າງຂວາງແລະການເພີ່ມປະສິດທິພາບຂອງຕົວແບບເຫຼົ່ານີ້ແລະຮູບແບບອື່ນໆແມ່ນມີຄວາມຈໍາເປັນກ່ອນທີ່ຈະປະສົມປະສານເຂົ້າໃນການນໍາໃຊ້ທາງດ້ານການຊ່ວຍທີ່ມີປະສິດທິພາບ, ໂດຍສະເພາະເພື່ອຮອງຮັບຄວາມຜິດປົກກະຕິທີ່ມີຜົນກະທົບຕໍ່ການປະຕິບັດທາງດ້ານສະຕິປັນຍາທີ່ຈະຕ້ອງພິຈາລະນາໃນການປະເມີນຜົນທາງດ້ານຄລີນິກຕື່ມອີກ.

ຜົນປະໂຫຍດຂອງ MemTrax ໄດ້ຖືກປັບປຸງໂດຍການສ້າງແບບຈໍາລອງຂອງຄວາມຮຸນແຮງຂອງພະຍາດໂດຍອີງໃສ່ການວິນິດໄສທາງດ້ານຄລີນິກແຍກຕ່າງຫາກ. ການປະຕິບັດການຈັດປະເພດໂດຍລວມທີ່ດີກວ່າໃນການຄາດຄະເນຄວາມຮຸນແຮງຂອງ VaD (ທຽບກັບ AD) ບໍ່ແມ່ນ ປະຫລາດໃຈຍ້ອນຄຸນລັກສະນະຂອງຄົນເຈັບໃນແບບຈໍາລອງສະເພາະກັບສຸຂະພາບຂອງເສັ້ນເລືອດ ແລະຄວາມສ່ຽງຂອງເສັ້ນເລືອດຕັນໃນ, ie, hypertension, hyperlipidemia, ພະຍາດເບົາຫວານ, ແລະ (ແນ່ນອນ) ປະຫວັດເສັ້ນເລືອດຕັນໃນ. ເຖິງແມ່ນວ່າມັນຈະເປັນຄວາມປາຖະຫນາຫຼາຍແລະເຫມາະສົມທີ່ຈະມີການປະເມີນຜົນທາງດ້ານຄລີນິກດຽວກັນກັບຄົນເຈັບທີ່ກົງກັນກັບສຸຂະພາບສະຫມອງປົກກະຕິເພື່ອຝຶກອົບຮົມຜູ້ຮຽນທີ່ມີຂໍ້ມູນລວມເຫຼົ່ານີ້. ນີ້ແມ່ນການຮັບປະກັນໂດຍສະເພາະ, ເນື່ອງຈາກວ່າ MemTrax ມີຈຸດປະສົງເພື່ອຖືກນໍາໃຊ້ຕົ້ນຕໍສໍາລັບການກວດພົບການຂາດດຸນທາງສະຕິປັນຍາແລະການຕິດຕາມການປ່ຽນແປງຂອງບຸກຄົນຕໍ່ມາ. ມັນຍັງເປັນໄປໄດ້ທີ່ການແຈກຢາຍຂໍ້ມູນທີ່ຕ້ອງການຫຼາຍໃນຊຸດຂໍ້ມູນ VaD ໄດ້ປະກອບສ່ວນໃນສ່ວນໜຶ່ງໃຫ້ກັບປະສິດທິພາບການສ້າງແບບຈໍາລອງທີ່ດີຂຶ້ນ. ຊຸດຂໍ້ມູນ VaD ມີຄວາມສົມດູນກັນລະຫວ່າງສອງຊັ້ນຮຽນ, ໃນຂະນະທີ່ຊຸດຂໍ້ມູນ AD ກັບຄົນເຈັບ MCI ຫນ້ອຍກວ່າບໍ່ແມ່ນ. ໂດຍສະເພາະໃນຊຸດຂໍ້ມູນຂະຫນາດນ້ອຍ, ເຖິງແມ່ນວ່າບາງຕົວຢ່າງເພີ່ມເຕີມສາມາດເຮັດໃຫ້ຄວາມແຕກຕ່າງທີ່ສາມາດວັດແທກໄດ້. ທັງສອງທັດສະນະແມ່ນການໂຕ້ຖຽງທີ່ສົມເຫດສົມຜົນກ່ຽວກັບຄວາມແຕກຕ່າງໃນການປະຕິບັດແບບຈໍາລອງຄວາມຮຸນແຮງຂອງພະຍາດ. ຢ່າງໃດກໍ່ຕາມ, ໂດຍອັດຕາສ່ວນຂອງການປະຕິບັດການປັບປຸງໃຫ້ກັບຄຸນລັກສະນະຕົວເລກຂອງຊຸດຂໍ້ມູນຫຼືລັກສະນະທີ່ມີຢູ່ແລ້ວສະເພາະກັບການນໍາສະເຫນີທາງດ້ານການຊ່ວຍພາຍໃຕ້ການພິຈາລະນາແມ່ນໄວກ່ອນໄວອັນຄວນ. ຢ່າງໃດກໍຕາມ, ນະວະນິຍາຍນີ້ໄດ້ສະແດງໃຫ້ເຫັນເຖິງຜົນປະໂຫຍດຂອງຮູບແບບການຈັດປະເພດການຄາດຄະເນຂອງ MemTrax ໃນບົດບາດຂອງການສະຫນັບສະຫນູນທາງດ້ານການວິນິດໄສທາງດ້ານການຊ່ວຍສະຫນອງທັດສະນະທີ່ມີຄຸນຄ່າແລະຢືນຢັນການສະແຫວງຫາການກວດສອບເພີ່ມເຕີມກັບຄົນເຈັບໃນທົ່ວ MCI ຢ່າງຕໍ່ເນື່ອງ.

ການປະຕິບັດແລະສະແດງໃຫ້ເຫັນເຖິງຜົນປະໂຫຍດຂອງ MemTrax ແລະຮູບແບບເຫຼົ່ານີ້ໃນປະເທດຈີນ, ບ່ອນທີ່ພາສາແລະວັດທະນະທໍາແມ່ນແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍຈາກພາກພື້ນອື່ນໆຂອງຜົນປະໂຫຍດທີ່ສ້າງຕັ້ງຂຶ້ນ (ເຊັ່ນ: ປະເທດຝຣັ່ງ, ເນເທີແລນ, ແລະສະຫະລັດອະເມລິກາ) [7, 8, 27], ເພີ່ມເຕີມ underscores ທ່າແຮງ. ສໍາລັບການຍອມຮັບທົ່ວໂລກຢ່າງກວ້າງຂວາງແລະມູນຄ່າທາງດ້ານການຊ່ວຍຂອງເວທີ MemTrax. ນີ້ແມ່ນຕົວຢ່າງທີ່ສະແດງໃຫ້ເຫັນໃນຄວາມພະຍາຍາມໄປສູ່ການປະສົມກົມກຽວຂອງຂໍ້ມູນແລະການພັດທະນາມາດຕະຖານສາກົນທີ່ປະຕິບັດໄດ້ແລະຊັບພະຍາກອນແບບຈໍາລອງສໍາລັບການກວດສອບສະຕິປັນຍາທີ່ໄດ້ມາດຕະຖານແລະດັດແປງໄດ້ງ່າຍສໍາລັບການນໍາໃຊ້ທົ່ວໂລກ.

ຂັ້ນຕອນຕໍ່ໄປໃນການສ້າງແບບຈໍາລອງການຫຼຸດລົງທາງດ້ານສະຕິປັນຍາ ແລະຄໍາຮ້ອງສະຫມັກ

ຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາໃນ AD ແທ້ຈິງແລ້ວແມ່ນເກີດຂື້ນຢ່າງຕໍ່ເນື່ອງ, ບໍ່ແມ່ນຢູ່ໃນຂັ້ນຕອນຫຼືຂັ້ນຕອນທີ່ບໍ່ຊ້ໍາກັນ [28, 29]. ຢ່າງໃດກໍຕາມ, ໃນໄລຍະຕົ້ນນີ້, ເປົ້າຫມາຍຂອງພວກເຮົາແມ່ນເພື່ອທໍາອິດສ້າງຄວາມສາມາດຂອງພວກເຮົາໃນການສ້າງຕົວແບບລວມເອົາ MemTrax ທີ່ສາມາດຈໍາແນກພື້ນຖານ "ປົກກະຕິ" ຈາກ "ບໍ່ປົກກະຕິ". ຂໍ້ມູນ empirical ເພີ່ມເຕີມ (ເຊັ່ນ: ການຖ່າຍຮູບສະຫມອງ, ລັກສະນະທາງພັນທຸກໍາ, biomarkers, comorbidities, ແລະເຄື່ອງຫມາຍການເຮັດວຽກຂອງສະລັບສັບຊ້ອນ. ກິດ​ຈະ​ກໍາ​ທີ່​ຕ້ອງ​ການ​ມັນ​ສະ​ຫມອງ​ ການຄວບຄຸມ) [30] ໃນທົ່ວພາກພື້ນທີ່ແຕກຕ່າງກັນທົ່ວໂລກ, ປະຊາກອນ, ແລະກຸ່ມອາຍຸໃນການຝຶກອົບຮົມແລະການພັດທະນາ sophisticated ຫຼາຍ (ລວມທັງກຸ່ມນ້ໍາຫນັກທີ່ເຫມາະສົມ) ຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກຈະສະຫນັບສະຫນູນລະດັບການເພີ່ມເຕີມຂອງການຈັດປະເພດ, ນັ້ນແມ່ນ, ຄວາມສາມາດໃນການຈັດປະເພດກຸ່ມຄົນເຈັບທີ່ມີ. MCI ເຂົ້າໄປໃນຊຸດຍ່ອຍທີ່ນ້ອຍກວ່າ ແລະຊັດເຈນກວ່າຕາມການສືບຕໍ່ຫຼຸດລົງຂອງສະຕິປັນຍາ. ຍິ່ງໄປກວ່ານັ້ນ, ການວິນິດໄສທາງຄລີນິກພ້ອມກັນ ສຳ ລັບບຸກຄົນໃນທົ່ວປະຊາກອນຄົນເຈັບທີ່ມີຄວາມຫຼາກຫຼາຍໃນພາກພື້ນແມ່ນມີຄວາມ ຈຳ ເປັນເພື່ອ ຝຶກອົບຮົມຢ່າງມີປະສິດທິພາບ ແບບຈໍາລອງທີ່ມີລັກສະນະລວມ ແລະ ແຂງແຮງກວ່າເຫຼົ່ານີ້. ນີ້ຈະຊ່ວຍອໍານວຍຄວາມສະດວກໃນການຄຸ້ມຄອງກໍລະນີທີ່ມີ stratified ສະເພາະສໍາລັບຜູ້ທີ່ມີພື້ນຖານທີ່ຄ້າຍຄືກັນ, ອິດທິພົນ, ແລະລັກສະນະທາງດ້ານສະຕິປັນຍາທີ່ກໍານົດແຄບກວ່າແລະດັ່ງນັ້ນຈຶ່ງເພີ່ມປະສິດທິພາບການສະຫນັບສະຫນູນການຕັດສິນໃຈທາງດ້ານຄລີນິກແລະການດູແລຄົນເຈັບ.

ຫຼາຍໆການຄົ້ນຄວ້າທາງດ້ານຄລີນິກທີ່ກ່ຽວຂ້ອງຈົນເຖິງປະຈຸບັນໄດ້ແກ້ໄຂຄົນເຈັບທີ່ມີໂຣກ dementia ອ່ອນໆ; ແລະ, ໃນທາງປະຕິບັດ, ການແຊກແຊງຂອງຄົນເຈັບມັກຈະພະຍາຍາມພຽງແຕ່ຢູ່ໃນຂັ້ນຕອນທີ່ກ້າວຫນ້າ. ຢ່າງໃດກໍຕາມ, ເນື່ອງຈາກວ່າການຫຼຸດລົງທາງດ້ານສະຕິປັນຍາເລີ່ມຕົ້ນດີກ່ອນທີ່ເງື່ອນໄຂທາງດ້ານຄລີນິກສໍາລັບໂຣກ dementia ຈະຖືກບັນລຸ, ຫນ້າຈໍເບື້ອງຕົ້ນທີ່ໃຊ້ MemTrax ທີ່ມີປະສິດທິພາບສາມາດຊຸກຍູ້ໃຫ້ມີການສຶກສາທີ່ເຫມາະສົມຂອງບຸກຄົນກ່ຽວກັບພະຍາດແລະຄວາມຄືບຫນ້າຂອງມັນແລະກະຕຸ້ນການແຊກແຊງໄວແລະທັນເວລາ. ດັ່ງນັ້ນ, ການກວດຫາເບື້ອງຕົ້ນສາມາດສະຫນັບສະຫນູນການມີສ່ວນຮ່ວມທີ່ເຫມາະສົມຕັ້ງແຕ່ການອອກກໍາລັງກາຍ, ອາຫານ, ການສະຫນັບສະຫນູນທາງດ້ານຈິດໃຈ, ແລະການປັບປຸງສັງຄົມໄປສູ່ການແຊກແຊງທາງຢາແລະເສີມສ້າງການປ່ຽນແປງທີ່ກ່ຽວຂ້ອງກັບຄົນເຈັບໃນພຶດຕິກໍາແລະການຮັບຮູ້ວ່າແບບດ່ຽວຫຼືລວມສາມາດຫຼຸດຜ່ອນຫຼືອາດຈະຢຸດເຊົາການກ້າວຫນ້າຂອງ dementia [31, 32]. . ຍິ່ງໄປກວ່ານັ້ນ, ດ້ວຍປະສິດທິຜົນ ການກວດໄວ, ບຸກຄົນແລະຄອບຄົວຂອງເຂົາເຈົ້າອາດຈະໄດ້ຮັບການກະຕຸ້ນໃຫ້ພິຈາລະນາການທົດລອງທາງດ້ານການຊ່ວຍຫຼືໄດ້ຮັບການໃຫ້ຄໍາປຶກສາແລະການຊ່ວຍເຫຼືອດ້ານການບໍລິການສັງຄົມອື່ນໆເພື່ອຊ່ວຍຊີ້ແຈງຄວາມຄາດຫວັງແລະຄວາມຕັ້ງໃຈແລະການຄຸ້ມຄອງວຽກງານປະຈໍາວັນ. ການກວດສອບຄວາມຖືກຕ້ອງເພີ່ມເຕີມແລະການປະຕິບັດທີ່ກວ້າງຂວາງໃນວິທີການເຫຼົ່ານີ້ສາມາດເປັນເຄື່ອງມືໃນການຫຼຸດຜ່ອນຫຼືຢຸດເຊົາການກ້າວຫນ້າຂອງ MCI, AD, ແລະ ADRD ສໍາລັບບຸກຄົນຈໍານວນຫຼາຍ.

ແທ້ຈິງແລ້ວ, ລະດັບຕໍ່າສຸດຂອງອາຍຸຂອງຄົນເຈັບໃນການສຶກສາຂອງພວກເຮົາບໍ່ໄດ້ສະແດງເຖິງປະຊາກອນຂອງຄວາມກັງວົນແບບດັ້ງເດີມກັບ AD. ຢ່າງໃດກໍຕາມ, ອາຍຸສະເລ່ຍຂອງແຕ່ລະກຸ່ມທີ່ໃຊ້ໃນແບບຈໍາລອງການຈັດປະເພດໂດຍອີງໃສ່ຄະແນນ MoCA / ເກນແລະຄວາມຮຸນແຮງຂອງການວິນິດໄສ (ຕາຕະລາງ 3) ຊີ້ໃຫ້ເຫັນເຖິງສ່ວນໃຫຍ່ທີ່ຊັດເຈນ (ຫຼາຍກວ່າ 80%) ມີອາຍຸຢ່າງຫນ້ອຍ 50 ປີ. ການແຜ່ກະຈາຍນີ້ແມ່ນເຫມາະສົມຫຼາຍສໍາລັບການທົ່ວໄປ, ສະຫນັບສະຫນູນຜົນປະໂຫຍດຂອງຕົວແບບເຫຼົ່ານີ້ໃນປະຊາກອນລັກສະນະຜູ້ທີ່ໄດ້ຮັບຜົນກະທົບໂດຍປົກກະຕິ. ເລີ້ມຕົ້ນ ແລະພະຍາດ neurocognitive burgeoning ເນື່ອງຈາກ AD ແລະ VaD. ນອກຈາກນັ້ນ, ຫຼັກຖານທີ່ຜ່ານມາແລະທັດສະນະທີ່ເນັ້ນຫນັກເຖິງປັດໃຈທີ່ໄດ້ຮັບການຍອມຮັບ (ເຊັ່ນ: ຄວາມດັນເລືອດສູງ, ໂລກອ້ວນ, ພະຍາດເບົາຫວານ, ແລະການສູບຢາ) ທີ່ອາດຈະເຮັດໃຫ້ໄວຂຶ້ນໄວ. ຄະແນນຄວາມສ່ຽງຂອງເສັ້ນເລືອດໃນຜູ້ໃຫຍ່ ແລະ ກາງຊີວິດ ແລະຜົນສະທ້ອນຕໍ່ການບາດເຈັບຂອງສະໝອງຂອງເສັ້ນເລືອດທີ່ພັດທະນາຢ່າງບໍ່ຄາດຝັນ ໂດຍມີຜົນກະທົບທີ່ເຫັນໄດ້ຊັດເຈນເຖິງແມ່ນວ່າໃນໄວໜຸ່ມ. ຜູ້ໃຫຍ່ [33–35]. ຕາມ​ນັ້ນ​ແລ້ວ, ​ໂອກາດ​ການກວດ​ສອບ​ເບື້ອງ​ຕົ້ນ​ທີ່​ດີ​ທີ່​ສຸດ​ໃນ​ການ​ກວດ​ພົບ​ໄວ ຂັ້ນ​ຕອນ​ຂອງ​ການ​ຂາດ​ດຸນ​ການ​ສະ​ຫມອງ​ແລະ​ການ​ລິ​ເລີ່ມ​ຍຸດ​ທະ​ສາດ​ການ​ປ້ອງ​ກັນ​ແລະ​ການ​ແຊກ​ແຊງ​ທີ່​ມີ​ປະ​ສິດ​ທິ​ຜົນ​ໃນ​ການ​ແກ້​ໄຂ dementia ສົບ​ຜົນ​ສໍາ​ເລັດ ຈະເກີດຂື້ນຈາກການກວດສອບປັດໃຈປະກອບສ່ວນແລະຕົວຊີ້ວັດກ່ອນຫນ້າໃນທົ່ວ spectrum ອາຍຸ, ລວມທັງໄວຜູ້ໃຫຍ່ແລະເດັກນ້ອຍທີ່ມີທ່າແຮງ (ສັງເກດເຫັນຄວາມກ່ຽວຂ້ອງຂອງປັດໃຈທາງພັນທຸກໍາເຊັ່ນ apolipoprotein E ຈາກການຖືພາໄວ).

ໃນທາງປະຕິບັດ, ການວິນິດໄສທາງຄລີນິກທີ່ຖືກຕ້ອງແລະຂັ້ນຕອນຄ່າໃຊ້ຈ່າຍສໍາລັບການຖ່າຍຮູບແບບພິເສດ, ຂໍ້ມູນທາງພັນທຸກໍາ, ແລະການວັດແທກ biomarkers ທີ່ມີທ່າແຮງແມ່ນບໍ່ສາມາດໃຊ້ໄດ້ສະເຫມີຫຼືແມ່ນແຕ່ຄວາມເປັນໄປໄດ້ສໍາລັບຜູ້ໃຫ້ບໍລິການຈໍານວນຫຼາຍ. ດັ່ງນັ້ນ, ໃນຫຼາຍໆກໍລະນີ, ການຈັດປະເພດສະຖານະພາບສຸຂະພາບຈິດສໍານຶກໂດຍລວມເບື້ອງຕົ້ນອາດຈະຕ້ອງມາຈາກຕົວແບບໂດຍໃຊ້ຕົວຊີ້ບອກທີ່ງ່າຍດາຍອື່ນໆທີ່ໃຫ້ໂດຍຄົນເຈັບ (ຕົວຢ່າງ, ລາຍງານດ້ວຍຕົນເອງ. ປັນຫາຄວາມ ຈຳ, ຢາໃນປະຈຸບັນ, ແລະຂໍ້ຈໍາກັດຂອງກິດຈະກໍາປົກກະຕິ) ແລະລັກສະນະປະຊາກອນທົ່ວໄປ [7]. ການລົງທະບຽນເຊັ່ນ: ມະຫາວິທະຍາໄລຄາລິຟໍເນຍ ສຸຂະພາບຂອງສະ ໝອງ Registry (https://www.brainhealthregistry.org/) [27] ແລະອື່ນໆທີ່ມີຄວາມກວ້າງໃຫຍ່ກວ່າໂດຍປະກົດການຂອງອາການທີ່ລາຍງານດ້ວຍຕົນເອງ, ມາດຕະການທີ່ມີຄຸນນະພາບ (ຕົວຢ່າງ, ການນອນຫລັບແລະການຮັບຮູ້ປະຈໍາວັນ), ຢາ, ສະຖານະພາບສຸຂະພາບ, ແລະປະຫວັດສາດ, ແລະ. ປະຊາກອນທີ່ມີລາຍລະອຽດເພີ່ມເຕີມຈະເປັນເຄື່ອງມືໃນການພັດທະນາແລະການກວດສອບການປະຕິບັດຕົວຈິງຂອງແບບຈໍາລອງເບື້ອງຕົ້ນເຫຼົ່ານີ້ຢູ່ໃນຄລີນິກ. ນອກຈາກນັ້ນ, ການທົດສອບເຊັ່ນ MemTrax, ເຊິ່ງໄດ້ສະແດງໃຫ້ເຫັນຜົນປະໂຫຍດໃນການປະເມີນການເຮັດວຽກຂອງຫນ່ວຍຄວາມຈໍາ, ໃນຄວາມເປັນຈິງອາດຈະສະຫນອງການຄາດຄະເນທາງດ້ານພະຍາດ AD ດີກວ່າເຄື່ອງຫມາຍທາງຊີວະພາບ. ເນື່ອງຈາກຄຸນລັກສະນະຫຼັກຂອງພະຍາດ AD ແມ່ນການລົບກວນຂອງ neuroplasticity ແລະການສູນເສຍທີ່ສັບສົນຫຼາຍຂອງ synapses, ເຊິ່ງສະແດງອອກເປັນ episodic. ຄວາມຜິດປົກກະຕິຂອງຄວາມຊົງຈໍາ, ມາດຕະການທີ່ປະເມີນຄວາມຊົງຈໍາ episodic ອາດຈະໃນຄວາມເປັນຈິງ ສະຫນອງການຄາດຄະເນທີ່ດີກວ່າຂອງພາລະທາງ pathological AD ກ່ວາເຄື່ອງຫມາຍທາງຊີວະພາບໃນຄົນເຈັບທີ່ມີຊີວິດຢູ່ [36].

ດ້ວຍແບບຈໍາລອງການຄາດເດົາທັງໝົດ - ບໍ່ວ່າຈະເປັນການເສີມດ້ວຍຂໍ້ມູນທີ່ຊັບຊ້ອນ ແລະ ຮວມກັນຈາກເທັກໂນໂລຍີທີ່ທັນສະໄໝ ແລະຄວາມເຂົ້າໃຈທາງດ້ານຄລີນິກທີ່ຫລອມໂລຫະໃນທົ່ວຫຼາຍໂດເມນ ຫຼື ຂໍ້ມູນທີ່ຈຳກັດໃຫ້ມີຂໍ້ມູນພື້ນຖານເພີ່ມເຕີມ ແລະມີລັກສະນະພ້ອມຂອງຂໍ້ມູນຂອງຄົນເຈັບທີ່ມີຢູ່ແລ້ວ - ປະໂຫຍດທີ່ຮັບຮູ້ຂອງປັນຍາປະດິດ. ແລະການຮຽນຮູ້ຂອງເຄື່ອງຈັກແມ່ນວ່າຕົວແບບຜົນໄດ້ຮັບສາມາດສັງເຄາະແລະ "ຮຽນຮູ້" ຈາກຂໍ້ມູນໃຫມ່ທີ່ກ່ຽວຂ້ອງແລະທັດສະນະທີ່ສະຫນອງໃຫ້ໂດຍການນໍາໃຊ້ຄໍາຮ້ອງສະຫມັກຢ່າງຕໍ່ເນື່ອງ. ປະຕິບັດຕາມການຖ່າຍທອດເຕັກໂນໂລຢີທີ່ປະຕິບັດໄດ້, ຍ້ອນວ່າຕົວແບບຢູ່ທີ່ນີ້ (ແລະຖືກພັດທະນາ) ຖືກນໍາໄປໃຊ້ແລະອຸດົມສົມບູນດ້ວຍກໍລະນີແລະຂໍ້ມູນທີ່ກ່ຽວຂ້ອງ (ລວມທັງຄົນເຈັບທີ່ມີພະຍາດຕິດຕໍ່ທີ່ອາດຈະເກີດຂື້ນກັບການຫຼຸດລົງຂອງສະຕິປັນຍາ), ການປະຕິບັດການຄາດເດົາແລະການຈັດປະເພດສຸຂະພາບຂອງສະຕິປັນຍາຈະເຂັ້ມແຂງກວ່າ, ສົ່ງຜົນໃຫ້ການຊ່ວຍເຫຼືອການຕັດສິນໃຈທາງດ້ານຄລີນິກທີ່ມີປະສິດທິພາບຫຼາຍຂຶ້ນ. ການວິວັດທະນາການນີ້ຈະໄດ້ຮັບການຮັບຮູ້ຢ່າງເຕັມທີ່ແລະປະຕິບັດໄດ້ຫຼາຍຂຶ້ນດ້ວຍການຝັງ MemTrax ເຂົ້າໄປໃນແພລະຕະຟອມທີ່ກໍາຫນົດເອງ (ເປົ້າຫມາຍຂອງຄວາມສາມາດທີ່ມີຢູ່) ທີ່ຜູ້ໃຫ້ບໍລິການດ້ານສຸຂະພາບສາມາດນໍາໃຊ້ໃນເວລາຈິງໃນຄລີນິກ.

ຄວາມຈໍາເປັນໃນການກວດສອບຄວາມຖືກຕ້ອງແລະຜົນປະໂຫຍດຂອງຮູບແບບ MemTrax ສໍາລັບການສະຫນັບສະຫນູນການວິນິດໄສແລະການດູແລຄົນເຈັບແມ່ນຊອກຫາຂໍ້ມູນຕາມລວງຍາວທີ່ມີຄວາມຫມາຍສູງ. ໂດຍການສັງເກດແລະບັນທຶກການປ່ຽນແປງຮ່ວມກັນ (ຖ້າມີ) ໃນສະຖານະການທາງດ້ານຄລີນິກໃນຂອບເຂດທີ່ພຽງພໍຂອງປົກກະຕິໂດຍຜ່ານ MCI ໄລຍະຕົ້ນ, ຮູບແບບສໍາລັບການປະເມີນຢ່າງຕໍ່ເນື່ອງແລະການຈັດປະເພດທີ່ເຫມາະສົມສາມາດໄດ້ຮັບການຝຶກອົບຮົມແລະດັດແປງຕາມອາຍຸຂອງຄົນເຈັບແລະໄດ້ຮັບການປິ່ນປົວ. ນັ້ນແມ່ນ, ຜົນປະໂຫຍດທີ່ຊ້ໍາກັນສາມາດຊ່ວຍໃນການຕິດຕາມຕາມລວງຍາວຂອງການປ່ຽນແປງທາງດ້ານສະຕິປັນຍາທີ່ອ່ອນໂຍນ, ປະສິດທິພາບການແຊກແຊງ, ແລະການຮັກສາການດູແລທີ່ມີຂໍ້ມູນທີ່ມີໂຄງສ້າງ. ວິທີການນີ້ສອດຄ່ອງຢ່າງໃກ້ຊິດກັບການປະຕິບັດທາງດ້ານການຊ່ວຍແລະການຄຸ້ມຄອງຄົນເຈັບແລະກໍລະນີ.

ຂໍ້ຈໍາກັດ

ພວກເຮົາຊື່ນຊົມກັບສິ່ງທ້າທາຍ ແລະຄຸນຄ່າໃນການເກັບກຳຂໍ້ມູນຄລີນິກທີ່ສະອາດຢູ່ໃນຄລີນິກ/ໂຮງໝໍທີ່ຄວບຄຸມ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ມັນຈະເຮັດໃຫ້ການສ້າງແບບຈໍາລອງຂອງພວກເຮົາເຂັ້ມແຂງຂຶ້ນຖ້າຊຸດຂໍ້ມູນຂອງພວກເຮົາລວມເອົາຄົນເຈັບທີ່ມີລັກສະນະທົ່ວໄປຫຼາຍຂຶ້ນ. ຍິ່ງໄປກວ່ານັ້ນ, ສະເພາະກັບການສ້າງແບບຈໍາລອງການວິນິດໄສຂອງພວກເຮົາ, ມັນຈະເປັນຄວາມປາຖະຫນາຫຼາຍແລະເຫມາະສົມທີ່ຈະມີການປະເມີນທາງດ້ານຄລີນິກດຽວກັນກັບຄົນເຈັບທີ່ມີສຸຂະພາບສະຫມອງປົກກະຕິເພື່ອຝຶກອົບຮົມຜູ້ຮຽນ. ແລະເປັນ underscored ໂດຍການປະຕິບັດການຈັດປະເພດທີ່ສູງຂຶ້ນໂດຍໃຊ້ຊຸດຂໍ້ມູນການກັ່ນຕອງ (ພຽງແຕ່ສີ່ລັກສະນະອັນດັບຫນຶ່ງ), ທົ່ວໄປຫຼາຍແລະ ມາດຕະການ / ຕົວຊີ້ວັດດ້ານສຸຂະພາບສະຕິປັນຍາອາດຈະປັບປຸງ ການສ້າງແບບຈໍາລອງການປະຕິບັດທີ່ມີຈໍານວນລັກສະນະທົ່ວໄປຫຼາຍກວ່າເກົ່າໃນທົ່ວຄົນເຈັບທັງຫມົດ.

ຜູ້ເຂົ້າຮ່ວມບາງຄົນອາດຈະໄດ້ປະສົບກັບພະຍາດອື່ນໆຢ່າງຕໍ່ເນື່ອງເຊິ່ງສາມາດເຮັດໃຫ້ເກີດຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາຫຼືຄວາມບົກຜ່ອງຊໍາເຮື້ອຊໍາເຮື້ອ. ນອກເໜືອໄປຈາກຊຸດຂໍ້ມູນຍ່ອຍ XL ທີ່ຄົນເຈັບໄດ້ຖືກວິນິໄສວ່າມີທັງ AD ຫຼື VaD, ຂໍ້ມູນການເປັນພະຍາດບໍ່ໄດ້ຖືກເກັບກຳ/ລາຍງານຢູ່ໃນສະລອຍນ້ຳຂອງຄົນເຈັບ YH, ແລະສ່ວນທີ່ເດັ່ນກວ່າການລາຍງານຄວາມຜິດປົກກະຕິມາເຖິງໃນຊຸດຂໍ້ມູນຍ່ອຍ KM ແມ່ນພະຍາດເບົາຫວານ. ຢ່າງໃດກໍຕາມ, ມັນເປັນການໂຕ້ຖຽງວ່າລວມທັງຄົນເຈັບໃນໂຄງການສ້າງແບບຈໍາລອງຂອງພວກເຮົາທີ່ມີ comorbidities ທີ່ສາມາດກະຕຸ້ນຫຼືເຮັດໃຫ້ລະດັບຂອງການຂາດສະຕິປັນຍາສູງຂື້ນແລະຜົນສະທ້ອນຂອງການປະຕິບັດ MemTrax ຕ່ໍາກວ່າຈະເປັນຕົວແທນຂອງປະຊາກອນຄົນເຈັບທີ່ເປັນເປົ້າຫມາຍຂອງໂລກທີ່ແທ້ຈິງສໍາລັບການກວດສອບທາງດ້ານສະຕິປັນຍາເບື້ອງຕົ້ນໂດຍທົ່ວໄປ. ແລະວິທີການສ້າງແບບຈໍາລອງ. ກ້າວໄປຂ້າງຫນ້າ, ການວິນິດໄສທີ່ຖືກຕ້ອງຂອງຄວາມຜິດປົກກະຕິທີ່ອາດຈະສົ່ງຜົນກະທົບຕໍ່ການປະຕິບັດທາງດ້ານສະຕິປັນຍາແມ່ນເປັນປະໂຫຍດຢ່າງກວ້າງຂວາງສໍາລັບການເພີ່ມປະສິດທິພາບຂອງຕົວແບບແລະຄໍາຮ້ອງສະຫມັກການດູແລຄົນເຈັບທີ່ໄດ້ຮັບຜົນ.

ສຸດທ້າຍ, ຄົນເຈັບຊຸດຂໍ້ມູນຍ່ອຍ YH ແລະ KM ໄດ້ໃຊ້ສະມາດໂຟນເພື່ອທົດສອບ MemTrax, ໃນຂະນະທີ່ຄົນເຈັບຈໍານວນຈໍາກັດ XL ໄດ້ໃຊ້ iPad ແລະສ່ວນທີ່ເຫຼືອໃຊ້ໂທລະສັບສະຫຼາດ. ນີ້ສາມາດນໍາສະເຫນີຄວາມແຕກຕ່າງທີ່ກ່ຽວຂ້ອງກັບອຸປະກອນເລັກນ້ອຍໃນການປະຕິບັດ MemTrax ສໍາລັບຮູບແບບການຈັດປະເພດ MoCA. ຢ່າງໃດກໍຕາມ, ຄວາມແຕກຕ່າງ (ຖ້າມີ) ໃນ MTx-RT, ສໍາລັບຕົວຢ່າງ, ລະຫວ່າງອຸປະກອນອາດຈະມີຄວາມລະເລີຍ, ໂດຍສະເພາະກັບຜູ້ເຂົ້າຮ່ວມແຕ່ລະຄົນໄດ້ຮັບການທົດສອບ "ການປະຕິບັດ" ກ່ອນການປະຕິບັດການທົດສອບທີ່ບັນທຶກໄວ້. ຢ່າງໃດກໍຕາມ, ຜົນປະໂຫຍດຂອງອຸປະກອນມືຖືສອງອັນນີ້ອາດຈະເຮັດໃຫ້ການປຽບທຽບໂດຍກົງກັບແລະ / ຫຼືການເຊື່ອມໂຍງກັບຜົນໄດ້ຮັບ MemTrax ອື່ນໆທີ່ຜູ້ໃຊ້ຕອບສະຫນອງກັບຮູບພາບຊ້ໍາຊ້ອນໂດຍການສໍາຜັດກັບ spacebar ໃນແປ້ນພິມຄອມພິວເຕີ.

ຈຸດສໍາຄັນກ່ຽວກັບຜົນປະໂຫຍດການສ້າງແບບຈໍາລອງການຄາດເດົາ MemTrax

  • • ຮູບແບບການຄາດເດົາປະສິດທິພາບສູງສຸດຂອງພວກເຮົາທີ່ກວມເອົາຕົວວັດແທກປະສິດທິພາບ MemTrax ທີ່ເລືອກໄວ້ສາມາດຈໍາແນກສະຖານະພາບສຸຂະພາບຂອງສະຕິປັນຍາ (ສຸຂະພາບສະຕິປັນຍາປົກກະຕິ ຫຼື MCI) ຕາມທີ່ສະແດງໂດຍການທົດສອບ MoCA ທີ່ໄດ້ຮັບການຍອມຮັບຢ່າງກວ້າງຂວາງ.
  • • ຜົນໄດ້ຮັບເຫຼົ່ານີ້ສະຫນັບສະຫນູນການລວມຕົວວັດແທກປະສິດທິພາບ MemTrax ທີ່ໄດ້ເລືອກເຂົ້າໃນການຈໍາແນກແບບຈໍາລອງແບບຄາດຄະເນການກວດກາສໍາລັບຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາຂັ້ນຕົ້ນ.
  • • ການສ້າງແບບຈໍາລອງການຈັດປະເພດຂອງພວກເຮົາຍັງໄດ້ເປີດເຜີຍທ່າແຮງສໍາລັບການນໍາໃຊ້ປະສິດທິພາບ MemTrax ໃນຄໍາຮ້ອງສະຫມັກສໍາລັບການຈໍາແນກຄວາມຮຸນແຮງຂອງການວິນິດໄສ dementia.

ການຄົ້ນພົບໃຫມ່ເຫຼົ່ານີ້ສ້າງຫຼັກຖານທີ່ແນ່ນອນທີ່ສະຫນັບສະຫນູນຜົນປະໂຫຍດຂອງການຮຽນຮູ້ເຄື່ອງຈັກໃນການສ້າງຮູບແບບການຈັດປະເພດໂດຍອີງໃສ່ MemTrax ທີ່ເຂັ້ມແຂງສໍາລັບການສະຫນັບສະຫນູນການວິນິດໄສໃນການຄຸ້ມຄອງກໍລະນີທາງດ້ານຄລີນິກທີ່ມີປະສິດທິພາບແລະການດູແລຄົນເຈັບສໍາລັບບຸກຄົນທີ່ປະສົບກັບຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາ.

ການຮັບຮູ້

ພວກເຮົາຮັບຮູ້ການເຮັດວຽກຂອງ J. Wesson Ashford, Curtis B. Ashford, ແລະເພື່ອນຮ່ວມງານໃນການພັດທະນາ ແລະກວດສອບວຽກງານການຮັບຮູ້ຢ່າງຕໍ່ເນື່ອງທາງອິນເຕີເນັດ ແລະເຄື່ອງມື (MemTrax) ທີ່ໃຊ້ຢູ່ນີ້ ແລະພວກເຮົາຮູ້ສຶກຂອບໃຈຕໍ່ຄົນເຈັບຫຼາຍໆຄົນທີ່ມີພະຍາດສະໝອງເສື່ອມທີ່ໄດ້ປະກອບສ່ວນເຂົ້າໃນການຄົ້ນຄວ້າພື້ນຖານອັນສຳຄັນ. . ພວກເຮົາຍັງຂໍຂອບໃຈ Xianbo Zhou ແລະເພື່ອນຮ່ວມງານຂອງລາວຢູ່ SJN Biomed LTD, ເພື່ອນຮ່ວມງານແລະຜູ້ຮ່ວມມືຂອງລາວຢູ່ສະຖານທີ່ໂຮງຫມໍ / ຄລີນິກ, ໂດຍສະເພາະທ່ານດຣ. M. Luo ແລະ M. Zhong, ຜູ້ທີ່ຊ່ວຍໃນການບັນຈຸຜູ້ເຂົ້າຮ່ວມ, ກໍານົດເວລາການທົດສອບ, ແລະການລວບລວມ, ການບັນທຶກ, ແລະການຄຸ້ມຄອງຂໍ້ມູນດ້ານຫນ້າ, ແລະຜູ້ເຂົ້າຮ່ວມອາສາສະຫມັກທີ່ໄດ້ບໍລິຈາກເວລາອັນມີຄ່າຂອງພວກເຂົາແລະເຮັດໃຫ້ຄໍາຫມັ້ນສັນຍາໃນການທົດສອບແລະການສະຫນອງ. ຂໍ້ມູນທີ່ມີຄຸນຄ່າສໍາລັບພວກເຮົາເພື່ອປະເມີນໃນການສຶກສານີ້. ນີ້ ການສຶກສາໄດ້ຮັບການສະຫນັບສະຫນູນໃນສ່ວນຫນຶ່ງໂດຍການຄົ້ນຄວ້າວິທະຍາສາດ MD ໂຄງການຂອງວິທະຍາໄລການແພດຄຸນໝິງ (ທຶນຊ່ວຍເຫຼືອລ້າສະບັບເລກທີ 2017BS028 ເຖິງ XL) ແລະໂຄງການຄົ້ນຄວ້າຂອງພະແນກວິທະຍາສາດ ແລະ ເຕັກໂນໂລຊີແຂວງຢຸນນານ (ໃຫ້ການຊ່ວຍເຫຼືອລ້າສະບັບເລກທີ 2019FE001 (-222) ເຖິງ XL).

J. Wesson Ashford ໄດ້ຍື່ນຄໍາຮ້ອງຂໍສິດທິບັດສໍາລັບການນໍາໃຊ້ paradigm ການຮັບຮູ້ຢ່າງຕໍ່ເນື່ອງສະເພາະທີ່ອະທິບາຍໄວ້ໃນເອກະສານສະບັບນີ້ສໍາລັບທົ່ວໄປ. ການທົດສອບຄວາມຊົງຈໍາ.

MemTrax, LLC ເປັນບໍລິສັດທີ່ເປັນເຈົ້າຂອງໂດຍ Curtis Ashford, ແລະບໍລິສັດນີ້ແມ່ນການຄຸ້ມຄອງ ການທົດສອບຄວາມຊົງຈໍາ ລະ​ບົບ​ການ​ອະ​ທິ​ບາຍ​ໃນ​ເອ​ກະ​ສານ​ນີ້​.

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

ການທົດສອບຄວາມຊົງຈໍາ dementia ການທົດສອບການສູນເສຍຄວາມຊົງຈໍາ ການທົດສອບການສູນເສຍຄວາມຊົງຈໍາໄລຍະສັ້ນ ram ການທົດສອບຄວາມຈໍາຂອງອາຫານທີ່ຫລາກຫລາຍຂອງປຶ້ມ ການທົດສອບມັນສະຫມອງອອນໄລນ໌
Curtis Ashford - ຜູ້ປະສານງານການຄົ້ນຄວ້າທາງດ້ານສະຕິປັນຍາ

ຂໍ້ມູນອ້າງອິງ

[1] ສະມາຄົມ Alzheimer's (2016) 2016 ຂໍ້ເທັດຈິງຂອງພະຍາດ Alzheimer ແລະຕົວເລກ. Alzheimers Dement 12, 459–509.
[2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) ຜົນກະທົບຂອງໄລຍະຕົ້ນ. ພະຍາດ Alzheimer ກ່ຽວກັບຜົນໄດ້ຮັບທາງດ້ານການເງິນຂອງຄົວເຮືອນ. 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) ການປັບປຸງຄຸນນະພາບໃນ ລະບົບປະສາດ: ຊຸດວັດແທກຄຸນນະພາບຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາອ່ອນໆ. Neurology 93, 705–713.
[4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) ປະສິດທິພາບຄ່າໃຊ້ຈ່າຍຂອງການນໍາໃຊ້ ການທົດສອບການກວດກາທາງດ້ານສະຕິປັນຍາເພື່ອກວດຫາພະຍາດສະໝອງເສື່ອມແລະຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາອ່ອນໆໃນການດູແລປະຖົມ. Int J Geriatr Psychiatry 32, 1392–1400.
[5] Ashford JW , Gere E , Bayley PJ (2011) ການ​ວັດ​ແທກ​ຄວາມ​ຊົງ​ຈໍາ​ ໃນການຕັ້ງຄ່າກຸ່ມໃຫຍ່ໂດຍໃຊ້ການທົດສອບການຮັບຮູ້ຢ່າງຕໍ່ເນື່ອງ. J Alzheimers Dis 27, 885–895.
[6] Ashford JW , Tarpin-Bernard F , Ashford CB , Ashford MT (2019) ວຽກການຮັບຮູ້ຕໍ່ເນື່ອງດ້ວຍຄອມພິວເຕີສຳລັບການວັດແທກຄວາມຊົງຈຳຕອນ. J Alzheimers Dis 69, 385–399.
[7] Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) ປະສິດທິພາບ Episodic-memory ໃນແບບຈໍາລອງການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບການຄາດຄະເນການຈັດປະເພດສະຖານະພາບສຸຂະພາບສະຫມອງ. J Alzheimers Dis 70, 277–286.
[8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The ການທົດສອບ MemTrax ເມື່ອປຽບທຽບກັບການຄາດຄະເນການປະເມີນມັນສະຫມອງ Montreal ຂອງຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາເລັກນ້ອຍ. J Alzheimers Dis 67, 1045–1054.
[9] Falcone M , Yadav N , Poellabauer C , Flynn P (2013) ການນໍາໃຊ້ສຽງ vowel ທີ່ໂດດດ່ຽວສໍາລັບການຈໍາແນກການບາດເຈັບຂອງສະຫມອງເລັກນ້ອຍ. ໃນປີ 2013 IEEE ກອງປະຊຸມສາກົນກ່ຽວກັບສຽງເວົ້າ, ການເວົ້າ ແລະ ການປະມວນຜົນສັນຍານ, ແວນຄູເວີ, BC, ໜ້າ 7577–7581.
[10] Dabek F , Caban JJ (2015) ການໃຊ້ຂໍ້ມູນໃຫຍ່ເພື່ອສ້າງແບບຈໍາລອງຄວາມເປັນໄປໄດ້ຂອງການພັດທະນາສະພາບທາງຈິດໃຈຫຼັງຈາກຖືກກະທົບກະເທືອນ. Procedia Comput Sci 53, 265–273.
[11] Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) Decision tree for early detection of cognitive impairment by community pharmacists. ຫນ້າຮ້ານຂາຍຢາ 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: ເຄື່ອງມືກວດກາໂດຍຫຍໍ້ສໍາລັບຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາອ່ອນໆ. J Am Geriatr Soc 53, 695–699.
[13] Yu J , Li J , Huang X (2012) ສະບັບປັກກິ່ງຂອງການປະເມີນມັນສະຫມອງ montreal ເປັນເຄື່ອງມືກວດກາໂດຍຫຍໍ້ສໍາລັບຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາອ່ອນໆ: ການສຶກສາກ່ຽວກັບຊຸມຊົນ. 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) ການກວດສອບສະບັບພາສາຈີນຂອງ Montreal ການປະເມີນພື້ນຖານທາງດ້ານສະຕິປັນຍາສໍາລັບການກວດສອບຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາອ່ອນໆ. J Am Geriatr Soc 64, e285–e290.
[15] Carson N , Leach L , Murphy KJ (2018) ການກວດສອບຄືນໃໝ່ຂອງຄະແນນການຕັດອອກຂອງ Montreal Cognitive Assessment (MoCA). Int J Geriatr Psychiatry 33, 379–388.
[16] American Psychiatric Association (2013) Task Force Diagnostic and statistical manual of mental disorders: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC.
[17] Python. Python Software Foundation, http://www.python.org, ເຂົ້າເຖິງໃນວັນທີ 15 ພະຈິກ 2019.
[18] R Core Group, R: ພາສາ ແລະສະພາບແວດລ້ອມສຳລັບຄອມພິວເຕີທາງສະຖິຕິ R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/, 2018, ເຂົ້າເຖິງວັນທີ 15 ພະຈິກ 2019.
[19] Benavoli A , Corani G , Demšar J , Zaffalon M (2017) ເວລາສໍາລັບການປ່ຽນແປງ: ການສອນສໍາລັບການປຽບທຽບການຈັດປະເພດຫຼາຍໂດຍຜ່ານການວິເຄາະ Bayesian. J Mach Learn Res 18, 1–36.
[20] Frank E , Hall MA , Witten IH (2016) The WEKA Workbench. ໃນ ການຂຸດຄົ້ນຂໍ້ມູນ: ເຄື່ອງມືການຮຽນຮູ້ເຄື່ອງຈັກພາກປະຕິບັດ ແລະເຕັກນິກ, Frank E, Hall MA, Witten IH, Pal CJ, eds. Morgan Kaufmann https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf
[21] Bergeron MF , Landset S , Maugans TA , Williams VB , Collins CL , Wasserman EB , Khoshgoftaar TM (2019) ການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃນການສ້າງແບບຈໍາລອງອາການກະທົບກະເທືອນຂອງໂຮງຮຽນມັດທະຍົມຕອນປາຍ. Med Sci Sports Exerc 51, 1362–1371.
[22] Van Hulse J , Khoshgoftaar TM , Napolitano A (2007) ທັດສະນະການທົດລອງກ່ຽວກັບການຮຽນຮູ້ຈາກຂໍ້ມູນທີ່ບໍ່ສົມດຸນ. ໃນ ການດຳເນີນກອງປະຊຸມສາກົນກ່ຽວກັບການຮຽນຮູ້ເຄື່ອງຈັກຄັ້ງທີ 24, Corvalis, Oregon, USA, ໜ້າ 935-942.
[23] Ashford JW , Kolm P , Colliver JA , Bekian C , Hsu LN (1989) ການປະເມີນຄົນເຈັບ Alzheimer ແລະສະຖານະທາງຈິດນ້ອຍ: Item characteristic curve analysis.P. J Gerontol 44, 139–146.
[24] Ashford JW , Jarvik L (1985) ພະຍາດ Alzheimer: ໂພຊະນາການຂອງ neuron ເຮັດໃຫ້ເກີດການເສື່ອມໂຊມຂອງ neurofibrillary axonal ບໍ? N Engl J Med 313, 388–389.
[25] Jack CR Jr , Therneau TM , Weigand SD , ​​Wiste HJ , Knopman DS , Vemuri P , Lowe VJ , Mielke MM , Roberts RO , Machulda MM , Graff-Radford J , Jones DT , Schwarz CG , Gunjter JL , Rocca WA , Petersen RC (2019) ອັດຕາສ່ວນຂອງຊີວະວິທະຍາທຽບກັບບັນດາຫົວໜ່ວຍສະເປກ Alzheimer ທີ່ກຳນົດໄວ້ທາງຄລີນິກໂດຍໃຊ້ສະຖາບັນແຫ່ງຊາດກ່ຽວກັບຜູ້ສູງອາຍຸ-Alzheimer ການຄົ້ນຄວ້າສະມາຄົມ ກອບ. JAMA Neurol 76, 1174–1183.
[26] Zhou X , Ashford JW (2019) ຄວາມກ້າວຫນ້າຂອງເຄື່ອງມືກວດຫາ ພະຍາດ Alzheimer. ອາຍຸ 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 ສຸຂະພາບຂອງສະ ໝອງ Registry: ເປັນແພລະຕະຟອມອິນເຕີເນັດສໍາລັບການຮັບສະຫມັກ, ການປະເມີນ, ແລະການຕິດຕາມຕາມລວງຍາວຂອງຜູ້ເຂົ້າຮ່ວມສໍາລັບການສຶກສາ neuroscience. Alzheimers Dement 14, 1063–1076.
[28] Ashford JW , Schmitt FA (2001) ການສ້າງແບບຈໍາລອງເວລາຂອງຫຼັກສູດ ໂຣກສະໝອງເສື່ອມ Alzheimer. Curr Psychiatry Rep 3, 20–28.
[29] Li X , Wang X , Su L , Hu X , Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE): ອະນຸສັນຍາສໍາລັບການສຶກສາການສັງເກດການຕາມລວງຍາວຂອງຈີນເພື່ອພັດທະນາແບບຈໍາລອງການຄາດເດົາຄວາມສ່ຽງຂອງການປ່ຽນໄປສູ່ຄວາມບົກຜ່ອງທາງດ້ານສະຕິປັນຍາເລັກນ້ອຍໃນບຸກຄົນທີ່ມີສະຕິປັນຍາ ຫຼຸດລົງ. BMJ Open 9, e028188.
[30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) ຫ້າປີຄວາມຄືບໜ້າຂອງຕົວແປ biomarker ສໍາລັບ ໂຣກ Alzheimer's dementia ການຄາດຄະເນ: ກິດຈະກໍາເຄື່ອງມືທີ່ຊັບຊ້ອນຂອງເຄື່ອງຫມາຍການດໍາລົງຊີວິດປະຈໍາວັນສາມາດຕື່ມຂໍ້ມູນໃສ່ຊ່ອງຫວ່າງໄດ້ບໍ? Alzheimers Dement (Amst) 1, 521–532.
[31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) ການປ້ອງກັນແລະປິ່ນປົວພະຍາດ Alzheimer: ກົນໄກທາງຊີວະພາບຂອງການອອກກໍາລັງກາຍ. J Alzheimers Dis 69, 311–338.
[32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) ການປິ່ນປົວສໍາລັບ ການປ້ອງກັນແລະປິ່ນປົວພະຍາດ 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) ສະມາຄົມລະຫວ່າງຄວາມສ່ຽງຂອງເສັ້ນເລືອດໃນທົ່ວໄວຜູ້ໃຫຍ່ ແລະພະຍາດທາງສະໝອງໃນຊີວິດທ້າຍ: ຫຼັກຖານຈາກກຸ່ມການເກີດຂອງອັງກິດ. JAMA Neurol 77, 175–183.
[34] Seshadri S (2020) ການປ້ອງກັນໂລກສະໝອງເສື່ອມ-ຄິດເກີນອາຍຸ ແລະກ່ອງ 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) ຜົນກະທົບຂອງຄວາມດັນເລືອດ systolic ຕໍ່ຄວາມສົມບູນຂອງເລື່ອງສີຂາວໃນໄວຫນຸ່ມໃນ Framingham Heart Study: A cross - ການ​ສຶກ​ສາ​ພາກ​ສ່ວນ​. 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) ຄວາມຖືກຕ້ອງຂອງການທົດສອບ biomarker ສໍາລັບ neuropathologically ກໍານົດ. ພະຍາດ Alzheimer ໃນຜູ້ສູງອາຍຸທີ່ມີ dementia. Ann Intern Med 172, 669–677.

ສາຂາ: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] ພາກວິຊາວິສະວະກຳຄອມພິວເຕີ ແລະໄຟຟ້າ ແລະວິທະຍາສາດຄອມພິວເຕີ, ມະຫາວິທະຍາໄລ Florida Atlantic, Boca Raton, FL, USA | [c] SJN Biomed LTD, Kunming, Yunnan, ຈີນ | [d] ສູນສໍາລັບ ການຄົ້ນຄວ້າ Alzheimer, Washington Institute of Clinical Research, Washington, DC, USA | [e] ພະແນກການແພດຟື້ນຟູ, ໂຮງຫມໍຮ່ວມທໍາອິດຂອງວິທະຍາໄລການແພດຄຸນໝິງ, ນະຄອນຄຸນໝິງ, ຢຸນນານ, ຈີນ | [f] ພະແນກປະສາດວິທະຍາ, ໂຮງໝໍປະຊາຊົນເມືອງເໝືອງ, ເມືອງເໝືອງ, ແຂວງຢຸນນານ, ຈີນ | [g] ພະແນກປະສາດວິທະຍາ, ໂຮງໝໍຮ່ວມທຳອິດຂອງມະຫາວິທະຍາໄລແພດສາດຄຸນໝິງ, ເມືອງ Wuhua, ນະຄອນຄຸນໝິງ, ແຂວງຢຸນນານ, ຈີນ | [h] ສູນການສຶກສາການເຈັບປ່ວຍ ແລະການບາດເຈັບທີ່ກ່ຽວຂ້ອງກັບສົງຄາມ, VA Palo Alto ການດູແລສຸຂະພາບ ລະບົບ, Palo Alto, CA, USA | [i] ພາກວິຊາຈິດຕະວິທະຍາ ແລະວິທະຍາສາດພຶດຕິກຳ, ໂຮງຮຽນແພດສາດມະຫາວິທະຍາໄລສະແຕນຟອດ, Palo Alto, CA, USA

Correspondence: [*] Correspondence to: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. ອີເມລ: mbergeron@sivotecanalytics.com ; Xiaolei Liu, MD, Department of Neurology, First Affiliated Hospital of Kunming Medical University, 295 Xichang Road, Wuhua District, Kunming, ແຂວງ Yunnan 650032, ຈີນ. ອີເມລ: ring@vip.163.com.

ຄໍາສໍາຄັນ: ອາຍຸ, ພະຍາດ Alzheimer, dementia , ການກວດສອບມະຫາຊົນ