MemTrax ir mašininio mokymosi modeliavimo naudingumas klasifikuojant lengvą pažinimo sutrikimą
Mokslinių tyrimų straipsnis
Autoriai: Bergeron, Michael F. | Landset, Sara | Zhou, Xianbo | Dingas, Tao | Khoshgoftaar, Taghi M. | Zhao, Feng | Du, Bo | Chen, Xinjie | Wang, Xuan | Zhong, Lianmei | Liu, Xiaolei| Ashfordas, J. Wessonas
DOI: 10.3233 / JAD-191340
Žurnalas: Journal of Alzheimerio liga, t. 77, ne. 4, p. 1545-1558, 2020
Abstraktus
Background:
Plačiai paplitęs ir paplitęs Alzheimerio liga ir lengvas kognityvinis sutrikimas (MCI) paskatino skubų kvietimą atlikti tyrimus, siekiant patvirtinti ankstyvą pažinimo atranką ir vertinimą.
Tikslas:
Mūsų pagrindinis tyrimo tikslas buvo nustatyti, ar pasirinktos MemTrax našumo metrikos ir atitinkamos demografinės bei sveikatos profilio charakteristikos gali būti veiksmingai panaudotos nuspėjamuosiuose modeliuose, sukurtuose naudojant mašininį mokymąsi, siekiant klasifikuoti kognityvinę sveikatą (normali, palyginti su MCI), kaip rodo Monrealio pažintinis vertinimas (MoCA).
Metodai:
Mes atlikome skerspjūvio tyrimą, kuriame dalyvavo 259 neurologijos, atminties klinikos ir vidaus ligų pacientai, įdarbinti iš dviejų ligoninės Kinijoje. Kiekvienam pacientui buvo suteiktas MoCA kinų kalba ir jam buvo suteiktas nuolatinis atpažinimo MemTrax internetinis epizodinis epizodas. Atminties testas internete tą pačią dieną. Nuspėjamieji klasifikavimo modeliai buvo sukurti naudojant mašininį mokymąsi su 10 kartų kryžminiu patvirtinimu, o modelio veikimas buvo matuojamas naudojant plotą po imtuvo veikimo charakteristikos kreive (AUC). Modeliai buvo sukurti naudojant dvi MemTrax našumo metrikas (teisinga procentas, atsako laikas) kartu su aštuoniomis bendromis demografinėmis ir asmeninės istorijos ypatybėmis.
Rezultatai:
Lyginant mokinius pagal pasirinktus MoCA balų ir slenksčių derinius, Naive Bayes paprastai buvo geriausiai besimokantis, kurio bendras klasifikavimo rodiklis buvo 0.9093. Be to, tarp trijų geriausių besimokančiųjų MemTrax pagrįstos klasifikacijos našumas apskritai buvo geresnis naudojant tik keturias aukščiausios klasės savybes (0.9119), palyginti su visomis 10 bendrųjų savybių (0.8999).
Išvada:
„MemTrax“ našumas gali būti efektyviai panaudotas mašininio mokymosi klasifikacijos nuspėjamajame modelyje atrankos programa, skirta ankstyvos stadijos pažinimo sutrikimui nustatyti.
ĮVADAS
Pripažintas (nors ir nepakankamai diagnozuotas) paplitimas ir paplitimas bei lygiagrečiai didėjantis medicininis, socialinis ir visuomeninis sveikatai Alzheimerio ligos (AD) ir lengvo pažinimo sutrikimo (MCI) išlaidos ir našta vis labiau slegia visas suinteresuotąsias šalis [1, 2]. Šis nerimą keliantis ir klestintis scenarijus paskatino skubiai atlikti tyrimus, kurie būtų patvirtinti ankstyvas aptikimas kognityvinės atrankos ir vertinimo instrumentai, skirti nuolatiniam praktiniam naudojimui asmeninėse ir klinikinėse situacijose vyresnio amžiaus pacientams įvairiuose regionuose ir įvairiose populiacijose [3]. Šios priemonės taip pat turi užtikrinti sklandų informacinių rezultatų vertimą į elektroninius sveikatos įrašus. Nauda bus pasiekta informuojant pacientus ir padedant gydytojams anksčiau pastebėti reikšmingus pokyčius ir taip bus galima greičiau ir savalaikiau stratifikuoti, įgyvendinti bei sekti tinkamą individualizuotą ir ekonomiškesnį gydymą bei pacientų priežiūrą pradedantiesiems. kognityvinio pablogėjimo [3, 4].
Kompiuterizuotas MemTrax įrankis (https://memtrax.com) yra paprastas ir trumpas nenutrūkstamo atpažinimo įvertinimas, kurį galima savarankiškai administruoti internete, kad būtų galima išmatuoti sudėtingą laiko epizodinės atminties veikimą, kai vartotojas reaguoja į pasikartojančius vaizdus, o ne į pradinį pristatymą [5, 6]. Naujausi tyrimai ir jų praktinės pasekmės palaipsniui ir bendrai įrodo klinikinį MemTrax veiksmingumą atliekant ankstyvą AD ir MCI atranką [5–7]. Tačiau tiesioginis klinikinio naudingumo palyginimas su esamu pažintinė sveikata įvertinimas ir įprasti standartai yra garantuoti siekiant informuoti apie profesinę perspektyvą ir patvirtinti MemTrax naudą ankstyvo aptikimo ir diagnostikos palaikymui. van der Hoek ir kt. [8] palygino pasirinktus MemTrax našumo rodiklius (reakcijos greitį ir teisingą procentą) su pažinimo būsena, nustatyta Monrealio. Kognityvinis vertinimas (MoCA). Tačiau šis tyrimas apsiribojo šių efektyvumo metrikų susiejimu su kognityvinės būsenos apibūdinimu (kaip nustatyta MoCA) ir apibrėžė santykinius diapazonus bei ribines vertes. Atitinkamai, norėdami išplėsti šį tyrimą ir pagerinti klasifikavimo našumą bei veiksmingumą, mūsų pagrindinis tyrimo klausimas buvo:
- Ar gali asmens pasirinkta MemTrax našumo metrika ir atitinkami demografiniai rodikliai bei sveikatos būklė profilis charakteristikos gali būti efektyviai panaudotos nuspėjamajame modelyje, sukurtame naudojant mašininį mokymąsi, kad pažinimo sveikata būtų klasifikuojama dichotomiškai (normali ir MCI), kaip parodytų MoCA balas?
Be to, norėjome žinoti:
- Įskaitant tas pačias savybes, ar MemTrax našumu pagrįstą mašininio mokymosi modelį galima veiksmingai pritaikyti pacientui, kad būtų galima numatyti sunkumą (lengvą ar sunkų) tam tikrose pažinimo sutrikimų kategorijose, kaip būtų nustatyta pagal nepriklausomą klinikinę diagnozę?
Atsiradęs ir besivystantis praktinis dirbtinio intelekto ir mašininio mokymosi taikymas atrankos / aptikimo srityje jau parodė aiškius praktinius pranašumus, o nuspėjamasis modeliavimas veiksmingai padeda gydytojams atlikti sudėtingą pažinimo / smegenų sveikatos ir pacientų valdymo vertinimą. Savo tyrime pasirinkome panašų metodą MCI klasifikacijos modeliavimui ir pažinimo sutrikimo sunkumo diskriminacijai, kurią patvirtino klinikinė diagnozė iš trijų duomenų rinkinių, atstovaujančių atrinktiems savanoriams stacionarams ir ambulatoriniams pacientams iš dviejų Kinijos ligoninių. Naudodami mašininio mokymosi nuspėjamąjį modeliavimą, nustatėme geriausiai besimokančius asmenis iš įvairių duomenų rinkinių / besimokančiojo derinių ir įvertinome funkcijas, kurios padės mums apibrėžti kliniškai praktiškiausias modelių programas.
Mūsų hipotezės buvo tokios, kad patvirtintas MemTrax pagrindu sukurtas modelis gali būti naudojamas kognityvinei sveikatai klasifikuoti dichotomiškai (normalią arba MCI), remiantis MoCA bendro balo slenksčio kriterijumi, ir kad panašus MemTrax nuspėjamasis modelis gali būti veiksmingai naudojamas atskiriant sunkumą pasirinktose kategorijose. kliniškai diagnozuota kognityvinis sutrikimas. Numatytų rezultatų demonstravimas būtų labai svarbus palaikant MemTrax, kaip ankstyvo pažinimo nuosmukio ir pažinimo sutrikimų klasifikavimo ekrano, veiksmingumą. Palankus palyginimas su pramonės tariamu standartu, papildytas daug lengvesniu ir greitesniu naudojimu, turėtų įtakos gydytojams, padedant gydytojams pritaikyti šį paprastą, patikimą ir prieinamą įrankį kaip pradinį ekraną nustatant ankstyvosios (įskaitant prodrominės) pažinimo stokos stadiją. Toks požiūris ir naudingumas galėtų paskatinti savalaikiškesnę ir geriau stratifikuotą pacientų priežiūrą ir intervenciją. Šios į ateitį nukreiptos įžvalgos ir patobulinti metrikai bei modeliai taip pat gali padėti sušvelninti arba sustabdyti demencijos progresavimą, įskaitant AD ir su AD susijusias demencijas (ADRD).
MEDŽIAGOS IR METODAI
Tyrimo populiacija
Nuo 2018 m. sausio mėn. iki 2019 m. rugpjūčio mėn. buvo baigtas pacientų, įdarbintų iš dviejų Kinijos ligoninių, skerspjūvio tyrimas. MemTrax [5] skyrimas 21 metų ir vyresniems asmenims, tų duomenų rinkimas ir analizė buvo peržiūrėtas, patvirtintas ir administruojamas pagal etikos standartus. Žmonių Stanfordo universiteto Dalyko apsaugos komitetas. „MemTrax“ ir visi kiti šio bendro tyrimo bandymai buvo atlikti pagal 1975 m. Helsinkio deklaraciją ir patvirtinti Kunmingo medicinos universiteto pirmosios dukterinės ligoninės Kunminge, Junane, Kinijoje, institucinės peržiūros tarybos. Kiekvienam vartotojui buvo suteikta informuoto sutikimo formą perskaityti / peržiūrėti ir tada savanoriškai sutikti dalyvauti.
Dalyviai buvo įdarbinti iš Janhua ligoninės neurologijos klinikos ambulatorinių pacientų (YH duomenų rinkinys) ir atminties klinika Pirmojoje Kunmingo medicinos ligoninėje Universitetas (XL sub-duomenų rinkinys) Pekine, Kinijoje. Dalyviai taip pat buvo įdarbinti iš neurologijos (XL sub-duomenų rinkinio) ir vidaus ligų (KM sub-duomenų rinkinio) stacionarų Pirmojoje Kunmingo medicinos universiteto ligoninėje. Įtraukimo kriterijai apėmė 1) ne jaunesnius kaip 21 metų vyrus ir moteris, 2) gebėjimą kalbėti kinų kalba (mandarinų kalba) ir 3) gebėjimą suprasti žodinius ir rašytinius nurodymus. Atmetimo kriterijai buvo regos ir motorikos sutrikimai, neleidžiantys dalyviams užbaigti MemTrax testas, taip pat nesugebėjimas suprasti konkrečių bandymo instrukcijų.
Kiniška MemTrax versija
Internete MemTrax bandymo platforma buvo išversta į kinų kalbą (URL: https://www.memtrax.com.cn) ir toliau pritaikyta naudoti per WeChat (Shenzhen Tencent Computer Systems Co. LTD., Šendženas, Guangdong, Kinija) savarankiškam administravimui. Duomenys buvo saugomi debesies serveryje (Ali Cloud), esančiame Kinijoje ir licencijuoti iš Alibaba (Alibaba Technology Co. Ltd., Hangdžou, Džedziangas, Kinija) SJN Biomed LTD (Kunming, Yunnan, Kinija). Konkreti informacija apie čia naudojamus MemTrax ir testo tinkamumo kriterijus buvo aprašyta anksčiau [6]. Tyrimas pacientams buvo suteiktas nemokamai.
Studijų procedūros
Stacionariems ir ambulatoriniams ligoniams – bendras popierinis klausimynas, skirtas rinkti demografinę ir asmeninę informaciją, pvz., amžių, lytį, išsilavinimo metus, profesiją, gyvena vieni arba su šeima, o ligos istoriją surašė tyrimo grupės narys. Užpildžius klausimyną, buvo atlikti MoCA [12] ir MemTrax testai (pirmiausia MoCA) tarp testų ne daugiau kaip 20 minučių. MemTrax procentas teisingas (MTx-% C), vidutinis atsako laikas (MTx-RT) ir bandymo data bei laikas buvo įrašyti popieriuje kiekvieno testuoto dalyvio tyrimo grupės nario. Užpildytą anketą ir MoCA rezultatus testus administravęs tyrėjas įkėlė į Excel lentelę ir patikrino kolega prieš išsaugant Excel failus analizei.
MemTrax testas
MemTrax internetinis testas apėmė 50 vaizdų (25 unikalūs ir 25 pasikartojimai; 5 rinkiniai iš 5 įprastų scenų ar objektų vaizdų), rodomų tam tikra pseudoatsitiktine tvarka. Dalyvis (vadovaujantis instrukcijomis) ekrane paliestų mygtuką Pradėti, kad pradėtų testą ir pradėtų žiūrėti vaizdų seriją ir vėl kuo greičiau paliestų vaizdą ekrane, kai tik pasirodytų pasikartojanti nuotrauka. Kiekvienas vaizdas buvo rodomas 3 s arba tol, kol vaizdas ekrane buvo paliestas, o tai paskatino nedelsiant pateikti kitą nuotrauką. Naudojant vietinio įrenginio vidinį laikrodį, MTx-RT kiekvienam vaizdui buvo nustatytas pagal laiką, praėjusį nuo vaizdo pateikimo iki to momento, kai dalyvis palietė ekraną, reaguodamas į tai, kad vaizdas buvo atpažintas kaip jau parodytas. testo metu. MTx-RT buvo įrašytas kiekvienam vaizdui, o įrašytos visos 3 s rodo jokio atsako. MTx-% C buvo apskaičiuotas siekiant parodyti pasikartojančių ir pradinių vaizdų, į kuriuos vartotojas teisingai reagavo, procentą (tikras teigiamas + tikras neigiamas padalytas iš 50). Papildoma informacija apie MemTrax administravimą ir įgyvendinimą, duomenų mažinimą, neteisingus arba „atsakymo nėra“ duomenis ir pirminių duomenų analizę aprašyta kitur [6].
MemTrax testas buvo išsamiai paaiškintas ir praktikos testas (su unikaliais vaizdais, kurie nebuvo naudojami rezultatams įrašyti) dalyviams buvo pateiktas ligoninės aplinkoje. YH ir KM antrinių duomenų rinkinių dalyviai atliko MemTrax testą išmaniajame telefone, į kurį buvo įkelta programa WeChat; kadangi ribotas skaičius XL antrinio duomenų rinkinio pacientų naudojo iPad, o kiti – išmanųjį telefoną. Visi dalyviai atliko MemTrax testą, o tyrimo tyrėjas nepastebimai stebėjo.
Monrealio pažintinis vertinimas
Pekino versiją Kinijos MoCA (MoCA-BC) [13] administravo ir įvertino apmokyti tyrėjai pagal oficialias bandymo instrukcijas. Tinkamai įrodyta, kad MoCA-BC yra patikimas pažinimo testas atranka visuose vyresnio amžiaus Kinijos suaugusiųjų išsilavinimo lygiuose [14]. Kiekvienas testas užtruko apie 10–30 minučių, atsižvelgiant į atitinkamo dalyvio pažintinius gebėjimus.
MoCA klasifikacijos modeliavimas
Iš viso buvo 29 naudingos funkcijos, įskaitant dvi „MemTrax“. testavimo veiklos metrikos ir 27 funkcijos, susijusios su demografija ir sveikata informacija kiekvienam dalyviui. Kiekvieno paciento MoCA bendras testo balas buvo naudojamas kaip pažintinė atranka „etalonas“, skirtas mokyti mūsų nuspėjamuosius modelius. Atitinkamai, kadangi MoCA buvo naudojamas kuriant klasės etiketę, negalėjome naudoti bendro balo (arba bet kurio MoCA pogrupio balo) kaip nepriklausomos funkcijos. Atlikome preliminarius eksperimentus, kurių metu modeliavome (klasifikavome MoCA apibrėžtą kognityvinę sveikatą) pirminius tris ligoninės / klinikos (-ių) duomenų rinkinius atskirai ir sujungėme naudodami visas funkcijas. Tačiau visi tie patys duomenų elementai nebuvo renkami kiekvienoje iš keturių klinikų, atstovaujančių tris duomenų rinkinius; taigi, daugelis mūsų funkcijų kombinuotame duomenų rinkinyje (naudojant visas funkcijas) turėjo daug trūkstamų reikšmių. Tada sukūrėme modelius su kombinuotu duomenų rinkiniu, naudodami tik bendras funkcijas, todėl pagerėjo klasifikavimo našumas. Greičiausiai tai buvo paaiškinta tuo, kad buvo daugiau atvejų, su kuriais reikia dirbti, sujungiant tris pacientų antrinius duomenų rinkinius ir jokių funkcijų, kurių trūkstamų reikšmių buvo pernelyg daug (tik viena jungtinio duomenų rinkinio ypatybė, darbo tipas, turėjo trūkstamų reikšmių, o tai turėjo įtakos tik trys pacientų atvejai), nes buvo įtraukti tik bendri bruožai, užregistruoti visose trijose vietose. Pažymėtina, kad mes neturėjome konkretaus atmetimo kriterijaus kiekvienai funkcijai, kuri galiausiai nebuvo įtraukta į bendrą duomenų rinkinį. Tačiau preliminariame kombinuotame duomenų rinkinio modeliavime pirmiausia panaudojome visas kiekvieno iš trijų atskirų pacientų subduomenų rinkinių funkcijas. Tai plačiai lėmė modelio našumą, kuris buvo žymiai mažesnis nei pradinis preliminarus kiekvieno atskiro duomenų rinkinio modeliavimas. Be to, nors modelių, sukurtų naudojant visas funkcijas, klasifikavimo našumas buvo džiuginantis, visų besimokančiųjų ir klasifikavimo schemų našumas pagerėjo dvigubai daugiau modelių naudojant tik bendras funkcijas. Tiesą sakant, tarp tų, kurie galiausiai tapo mūsų geriausiais besimokančiaisiais, visi, išskyrus vieną, modelį patobulino pašalindami neįprastas funkcijas.
Galutinis bendras duomenų rinkinys (YH, XL ir KM kartu) apėmė 259 atvejus, kurių kiekvienas reprezentuoja unikalų dalyvį, atlikusį ir MemTrax, ir MoCA testus. Buvo 10 bendrų nepriklausomų funkcijų: MemTrax našumo metrika: MTx-% C ir vidutinis MTx-RT; demografinės ir ligos istorijos informacija: amžius, lytis, išsilavinimo metai, darbo tipas (mėlyna apykaklė / balta apykakle), socialinė parama (ar testo dalyvis gyvena vienas, ar su šeima) ir taip / ne atsakymai, ar vartotojas turėjo cukrinis diabetas, hiperlipidemija ar trauminis smegenų pažeidimas. Dvi papildomos metrikos, MoCA bendras balas ir MoCA bendras balas, pakoreguotas pagal mokymosi metus [12], buvo naudojami atskirai kuriant priklausomas klasifikavimo etiketes, taip sukuriant dvi skirtingas modeliavimo schemas, kurios bus taikomos mūsų bendram duomenų rinkiniui. Kiekvienai MoCA balo versijai (koreguotai ir nekoreguotai) duomenys vėl buvo atskirai modeliuojami dvejetainei klasifikacijai, naudojant dvi skirtingas kriterines ribas – iš pradžių rekomenduojamą [12] ir alternatyvią vertę, kurią naudojo ir reklamavo kiti [8, 15]. Alternatyvioje slenksčio klasifikavimo schemoje buvo laikoma, kad paciento kognityvinė sveikata yra normali, jei MoCA testo balas buvo ≥23, o MCI – 22 balai ar mažesnis; kadangi pagal pradinį rekomenduojamą klasifikavimo formatą pacientas MoCA turėjo surinkti 26 balus ar daugiau, kad būtų pažymėtas kaip turintis normalią pažinimo sveikatą.
Filtruoti duomenys MoCA klasifikacijos modeliavimui
Toliau nagrinėjome MoCA klasifikaciją naudodami keturis dažniausiai naudojamus funkcijų reitingavimo metodus: Chi kvadratą, stiprinimo koeficientą, informacijos padidėjimą ir simetrinį neapibrėžtumą. Dėl tarpinės perspektyvos reitinguotojus pritaikėme visam kombinuotam duomenų rinkiniui, naudodami kiekvieną iš keturių modeliavimo schemų. Visi reitinguotojai sutarė dėl tų pačių pagrindinių savybių, ty amžiaus, išsilavinimo metų skaičiaus ir abiejų MemTrax našumo metrikų (MTx-% C, vidutinis MTx-RT). Tada mes perkūrėme modelius naudodami kiekvieną funkcijų pasirinkimo techniką, kad modeliai būtų mokomi tik pagal keturias pagrindines funkcijas (žr Funkcijos pasirinkimas žemiau).
Galutiniai aštuoni MoCA balų klasifikavimo modeliavimo schemų variantai pateikti 1 lentelėje.
1 lentelė
Modeliavimo schemos variantų, naudojamų MoCA klasifikavimui, santrauka (Normal Kognityvinė sveikata palyginti su MCI)
| Modeliavimo schema | Normali kognityvinė sveikata (neigiama klasė) | MCI (teigiama klasė) |
| Sureguliuotas-23 Nefiltruotas / Filtruotas | 101 (39.0%) | 158 (61.0%) |
| Sureguliuotas-26 Nefiltruotas / Filtruotas | 49 (18.9%) | 210 (81.1%) |
| Nekoreguota – 23 Nefiltruota/filtruota | 92 (35.5%) | 167 (64.5%) |
| Nekoreguota – 26 Nefiltruota/filtruota | 42 (16.2%) | 217 (83.8%) |
Atitinkamas visų pacientų skaičius ir procentas kiekvienoje klasėje yra diferencijuojami pagal išsilavinimo balą (Koreguotas arba Nekoreguotas) ir klasifikavimo slenkstį (23 arba 26), taikomus abiem funkcijų rinkiniams (Nefiltruota ir Filtruota).
MemTrax pagrįstas klinikinio vertinimo modeliavimas
Iš mūsų trijų pradinių duomenų rinkinių (YH, XL, KM) tik XL sub-duomenų rinkinio pacientams buvo kliniškai diagnozuotas pažinimo sutrikimas (ty jų atitinkami MoCA balai nebuvo naudojami nustatant normalių ir sutrikusiųjų klasifikaciją). Tiksliau, XL pacientams buvo diagnozuota bet kuri Alzheimerio ligos testas (AD) arba kraujagyslinė demencija (VaD). Kiekvienoje iš šių pirminių diagnozių kategorijų buvo papildomas MCI pavadinimas. MCI, demencijos, kraujagyslių neurokognityvinio sutrikimo ir neurokognityvinio sutrikimo dėl AD diagnozės buvo pagrįstos specifiniais ir išskirtiniais diagnostiniais kriterijais, aprašytais Psichikos sutrikimų diagnostikos ir statistikos vadove: DSM-5 [16]. Atsižvelgiant į šias patikslintas diagnozes, XL sub-duomenų rinkiniui buvo atskirai pritaikytos dvi klasifikavimo modeliavimo schemos, kad būtų galima atskirti kiekvienos pirminės diagnozės kategorijos sunkumo lygį (pažeidimo laipsnį). Kiekvienoje iš šių diagnostikos modeliavimo schemų (AD ir VaD) naudojami duomenys apėmė demografinę ir paciento istorijos informaciją, taip pat MemTrax našumą (MTx-% C, vidutinis MTx-RT). Kiekviena diagnozė buvo pažymėta kaip lengva, jei buvo paskirta MCI; kitu atveju jis buvo laikomas sunkiu. Iš pradžių svarstėme įtraukti MoCA balą į diagnozės modelius (lengvas ar sunkus); bet mes nusprendėme, kad tai lems mūsų antrinės nuspėjamojo modeliavimo schemos tikslą. Čia besimokantieji būtų mokomi naudojant kitas paslaugų teikėjui lengvai prieinamas paciento charakteristikas ir paprastesnio MemTrax testo (vietoj MoCA) efektyvumo rodiklius, palyginti su etaloniniu „auksiniu standartu“, nepriklausoma klinikine diagnoze. AD diagnostikos duomenų rinkinyje buvo 69 atvejai ir 76 VaD atvejai (lentelė 2). Abiejuose duomenų rinkiniuose buvo 12 nepriklausomų funkcijų. Be 10 požymių, įtrauktų į MoCA balų klasifikaciją, paciento istorijoje taip pat buvo informacija apie hipertenzijos ir insulto istoriją.
2 lentelė
Modeliavimo schemos variantų, naudojamų diagnozės sunkumui klasifikuoti, santrauka (lengvas ir sunkus)
| Modeliavimo schema | Lengvas (neigiama klasė) | Sunkus (teigiama klasė) |
| MCI-AD prieš AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD ir VaD | 38 (50.0%) | 38 (50.0%) |
Atitinkamas visų pacientų skaičius ir procentas kiekvienoje klasėje yra diferencijuojami pagal pirminės diagnozės kategoriją (AD arba VaD).
Statistika
Dalyvių charakteristikų ir kitų skaitmeninių ypatybių palyginimas tarp kiekvieno modelio klasifikavimo strategijos antrinių duomenų rinkinių (moCA pažinimo sveikatai ir diagnozės sunkumui numatyti) buvo atliktas naudojant Python programavimo kalbą (2.7.1 versija) [17]. Modelio veikimo skirtumai iš pradžių buvo nustatyti naudojant vieno arba dviejų faktorių (jei reikia) ANOVA su 95 % pasikliautinuoju intervalu ir Tukey sąžiningo reikšmingo skirtumo (HSD) testą, kad būtų galima palyginti našumo vidurkius. Šis modelių veikimo skirtumų tyrimas buvo atliktas naudojant Python ir R derinį (3.5.1 versija) [18]. Šį (nors, be abejonės, mažiau nei optimalų) metodą naudojome tik kaip euristinę pagalbą Ankstyva stadija pradiniam modelio veikimo palyginimui numatant galimą klinikinį pritaikymą. Tada, norėdami nustatyti modelio veikimo skirtumų tikimybę, naudojome Bajeso pasirašyto rango testą, naudodami užpakalinį pasiskirstymą [19]. Šioms analizėms naudojome intervalą –0.01, 0.01, o tai reiškia, kad jei dviejų grupių veiklos skirtumas buvo mažesnis nei 0.01, jos buvo laikomos vienodomis (praktinio lygiavertiškumo srityje) arba kitaip jos skiriasi (viena geriau nei Kitas). Norėdami atlikti Bajeso klasifikatorių palyginimą ir apskaičiuoti šias tikimybes, naudojome baycomp biblioteką (1.0.2 versija), skirtą Python 3.6.4.
Nuspėjamasis modeliavimas
Mes sukūrėme nuspėjamuosius modelius, naudodami dešimt visų mūsų modeliavimo schemų variantų, kad galėtume numatyti (klasifikuoti) kiekvieno paciento MoCA testo rezultatus arba klinikinės diagnozės sunkumą. Visi besimokantys buvo pritaikyti, o modeliai sukurti naudojant atvirojo kodo programinės įrangos platformą Weka [20]. Atlikdami preliminarią analizę panaudojome 10 dažniausiai naudojamų mokymosi algoritmų: 5 artimiausi kaimynai, dvi C4.5 sprendimų medžio versijos, logistinė regresija, daugiasluoksnis perceptronas, naivus Bayes, dvi Random Forest versijos, radialinio pagrindo funkcijų tinklas ir paramos vektorius. Mašina. Pagrindiniai šių algoritmų požymiai ir kontrastai aprašyti kitur [21] (žr. atitinkamą priedą). Jie buvo pasirinkti, nes jie atstovauja įvairiems besimokančiųjų tipams, ir dėl to, kad mes parodėme sėkmę naudojant juos ankstesnėse panašių duomenų analizėse. Hiperparametrų nustatymai buvo pasirinkti iš mūsų ankstesnio tyrimo, rodančio, kad jie yra patikimi įvairiems duomenims [22]. Remdamiesi preliminarios analizės rezultatais, naudojant tą patį kombinuotą duomenų rinkinį su bendromis ypatybėmis, kurios buvo naudojamos vėliau atliekant visą analizę, nustatėme tris besimokančiuosius, kurie nuosekliai teikė gerus rezultatus visose klasifikacijose: logistikos regresijos, naivių Bayes ir paramos vektorių mašinos.
Kryžminis patvirtinimas ir modelio našumo metrika
Visiems nuspėjamojo modeliavimo (įskaitant preliminarią analizę) atveju kiekvienas modelis buvo sukurtas naudojant 10 kartų kryžminį patvirtinimą, o modelio veikimas buvo matuojamas naudojant plotą po imtuvo veikimo charakteristikų kreive (AUC). Kryžminis patvirtinimas prasidėjo atsitiktinai padalijus kiekvieną iš 10 modeliavimo schemų duomenų rinkinių į 10 vienodų segmentų (sulenkimų), naudojant devynis iš šių atitinkamų segmentų modeliui išmokyti, o likusį segmentą – testavimui. Ši procedūra buvo pakartota 10 kartų, naudojant skirtingą segmentą kaip bandymo rinkinį kiekvienoje iteracijoje. Tada rezultatai buvo sujungti, kad būtų apskaičiuotas galutinis modelio rezultatas / našumas. Kiekvienam besimokančiojo / duomenų rinkinio deriniui visas šis procesas buvo pakartotas 10 kartų, o duomenys kiekvieną kartą buvo skaidomi skirtingai. Šis paskutinis žingsnis sumažino šališkumą, užtikrino atkartojamumą ir padėjo nustatyti bendrą modelio našumą. Iš viso (MoCA balo ir diagnozės sunkumo klasifikavimo schemoms kartu) buvo sukurta 6,600 modelių. Tai apėmė 1,800 6 nefiltruotų modelių (3 modeliavimo schemos, taikomos duomenų rinkiniui × 10 besimokančiųjų × 10 paleidimų × 1,800 sulenkimų = 4,800 4 modelių) ir 3 4 filtruotų modelių (10 modeliavimo schemos, taikomos duomenų rinkiniui × 10 besimokantieji × 4,800 funkcijų pasirinkimo metodai × XNUMX paleidimų × XNUMX sulenkimų = XNUMX modelių).
Funkcijos pasirinkimas
Filtruotų modelių funkcijų pasirinkimas (naudojant keturis funkcijų reitingavimo metodus) buvo atliktas kryžminio patvirtinimo metu. Kiekvienam iš 10 sulenkimų, kadangi skirtingi 10 % duomenų rinkinio buvo bandymo duomenys, buvo naudojamos tik keturios geriausios pasirinktos kiekvieno mokymo duomenų rinkinio funkcijos (ty kitos devynios raukšlės arba likę 90 % viso duomenų rinkinio). modeliams kurti. Negalėjome patvirtinti, kurios keturios funkcijos buvo panaudotos kiekviename modelyje, nes ši informacija nesaugoma arba nepateikiama mūsų naudojamoje modeliavimo platformoje (Weka). Tačiau, atsižvelgiant į mūsų pradinio geriausių funkcijų pasirinkimo nuoseklumą, kai reitinguotojai buvo taikomi visam kombinuotam duomenų rinkiniui, ir vėlesnį modeliavimo našumo panašumą, tos pačios savybės (amžius, išsilavinimo metai, MTx-% C ir vidutinis MTx-RT ) tikriausiai yra labiausiai paplitęs keturios populiariausios, naudojamos kartu su funkcijų pasirinkimu kryžminio patvirtinimo procese.
REZULTATAI
Dalyvių skaitinės charakteristikos (įskaitant MoCA balus ir MemTrax našumo metriką) atitinkamų kiekvieno modelio klasifikavimo strategijos duomenų rinkinių, skirtų numatyti MoCA nurodytą kognityvinę sveikatą (normali ir MCI) ir diagnozės sunkumą (lengvas ir sunkus), parodytos 3 lentelėje.
3 lentelė
Kiekvieno modelio klasifikavimo strategijos dalyvio charakteristikos, MoCA balai ir MemTrax našumas
| Klasifikavimo strategija | amžius | Išsilavinimas | MoCA pakoreguota | MoCA Nekoreguota | MTx-% C | MTx-RT |
| MoCA kategorija | 61.9 m (13.1) | 9.6 m (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 s (0.3) |
| Diagnozės sunkumas | 65.6 m (12.1) | 8.6 m (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 s (0.3) |
Rodomos vertės (vidurkis, SD), diferencijuotos pagal modeliavimo klasifikavimo strategijas, reprezentuoja bendrą duomenų rinkinį, naudojamą prognozuojant MoCA nurodytą kognityvinę sveikatą (MCI, palyginti su normalia), ir XL antrinį duomenų rinkinį, naudojamą tik diagnozės sunkumui numatyti (lengvas ir sunkus).
Kiekvienam MoCA balo (koreguoto / nekoreguoto) ir slenksčio (26/23) deriniui buvo statistinis skirtumas (p = 0.000) kiekviename poriniame palyginime (normali kognityvinė sveikata ir MCI) pagal amžių, išsilavinimą ir MemTrax našumą (MTx-% C ir MTx-RT). Kiekvienas atitinkamos MCI klasės pacientų antrinis duomenų rinkinys kiekvienam deriniui buvo vidutiniškai apie 9–15 metų vyresnis, pranešė apie penkeriais mažiau mokymosi metais ir turėjo mažiau palankų MemTrax našumą abiem metrikams.
Nuspėjamieji MoCA balų klasifikacijų modeliavimo rezultatai, naudojant tris geriausius besimokančius, logistinę regresiją, naivią Bayesą ir palaikymo vektorių mašiną, parodyti 4 lentelėje. Šie trys buvo pasirinkti remiantis nuosekliausiai aukštu absoliučiu besimokančiųjų našumu visuose įvairiuose modeliuose. taikomas visų modeliavimo schemų duomenų rinkiniams. Nefiltruoto duomenų rinkinio ir modeliavimo atveju kiekviena 4 lentelėje pateikta duomenų reikšmė nurodo modelio našumą, pagrįstą atitinkamu AUC vidurkiu, gautu iš 100 modelių (10 paleidimų × 10 kartų), sukurtų kiekvienam besimokančiojo/modeliavimo schemos deriniui su atitinkamu aukščiausiu atliekantis mokinys, pažymėtas paryškintu šriftu. Tuo tarpu filtruoto duomenų rinkinio modeliavimo rezultatai, pateikti 4 lentelėje, atspindi bendrą vidutinį modelio našumą iš 400 modelių kiekvienam mokiniui naudojant kiekvieną funkcijų reitingavimo metodą (4 funkcijų reitingavimo metodai × 10 paleidimų × 10 kartų).
4 lentelė
Dichotominiai MoCA balų klasifikavimo rezultatai (AUC; 0.0–1.0) kiekvienam iš trijų geriausiai besimokančiųjų pagal visas atitinkamas modeliavimo schemas
| Naudotas funkcijų rinkinys | MoCA balas | Atribojimo slenkstis | Logistinė regresija | Naivus Bayesas | Palaikykite vektorinę mašiną |
| Nefiltruota (10 funkcijų) | Pritaikytas | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Nepakoreguotas | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Filtruota (4 funkcijos) | Pritaikytas | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Nepakoreguotas | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Naudojant funkcijų rinkinio, MoCA balo ir MoCA balo ribinės vertės variantus, didžiausias kiekvienos modeliavimo schemos našumas rodomas drąsus (nebūtinai statistiškai skiriasi nuo visų kitų ne drąsus atitinkamam modeliui).
Lyginant besimokančiuosius pagal visus MoCA balų versijų ir slenksčių derinius (atitinkamai pakoreguotus / nekoreguotus ir 23/26) kombinuotame nefiltruotame duomenų rinkinyje (ty naudojant 10 bendrų savybių), Naive Bayes paprastai buvo geriausiai besimokantis mokinys. klasifikacinis rodiklis 0.9093. Atsižvelgiant į tris geriausius besimokančius, Bajeso koreliaciniai pasirašyto rango testai parodė, kad tikimybė (Pr). Be to, tarp „Naive Bayes“ ir „Support Vector Machine“ yra 99.9 % tikimybė, kad besimokančiojo našumas praktiškai atitiks (taigi, 21.0 % tikimybė, kad „Naive Bayes“ pranoks Support Vector Machine), kartu su 79.0 % tikimybe, kad palaikymo vektorių mašina veiks geriau ir išmatuojamai. sustiprina Naive Bayes pranašumą. Tolesnis visų besimokančiųjų / slenksčių MoCA balo versijos palyginimas parodė nedidelį veiklos pranašumą naudojant nekoreguotus MoCA balus, palyginti su pakoreguotais (atitinkamai 0.0 ir 0.9027; Pr (nekoreguotas > pakoreguotas) = 0.988). Panašiai, visų besimokančiųjų ir MoCA balų versijų ribinės vertės palyginimas parodė nedidelį klasifikavimo pranašumą, naudojant 26 kaip klasifikavimo slenkstį, palyginti su 23 (atitinkamai 0.9056 ir 0.8942; Pr (26 > 23) = 0.999). Galiausiai, nagrinėjant modelių, naudojančių tik filtruotus rezultatus (ty tik keturias aukščiausios klasės funkcijas), klasifikavimo našumą, Naive Bayes (0.9143) buvo skaitiniu požiūriu geriausiai besimokantis mokinys pagal visas MoCA balų versijas / slenksčius. Tačiau naudojant visus funkcijų reitingavimo metodus, visi geriausiai besimokantys mokiniai pasirodė panašiai. Bajeso pasirašyto rango testai parodė 100% praktinio lygiavertiškumo tikimybę tarp kiekvienos išfiltruotų besimokančiųjų poros. Kaip ir naudojant nefiltruotus duomenis (naudojant visas 10 bendrų funkcijų), nekoreguota MoCA balo versija vėl turėjo pranašumą (Pr (nekoreguotas > pakoreguotas) = 1.000 26), taip pat panašus pranašumas klasifikavimo slenksčiui XNUMX (Pr (26 > 23) = 1.000 0.9119). Pažymėtina, kad kiekvieno iš trijų geriausių besimokančiųjų vidutinis našumas visose MoCA balų versijose / slenksčiuose, naudojant tik keturias aukščiausios klasės funkcijas, viršijo vidutinį bet kurio besimokančiojo našumą nefiltruotų duomenų atžvilgiu. Nenuostabu, kad filtruotų modelių (naudojant keturias aukščiausios kokybės savybes) klasifikavimo našumas apskritai buvo pranašesnis (0.8999) nei nefiltruotų modelių (10), nepaisant funkcijų reitingavimo metodo modelių, kurie buvo lyginami su atitinkamais modeliais, naudojant visus 100 įprastų. funkcijos. Kiekvienam funkcijų pasirinkimo metodui buvo XNUMX % našumo pranašumo tikimybė, palyginti su nefiltruotu modeliu.
Atsižvelgiant į pacientų AD diagnozės sunkumo klasifikaciją, tarp grupių (MCI-AD ir AD) amžiaus skirtumai (p = 0.004), išsilavinimas (p = 0.028), MoCA balas pakoreguotas / nekoreguotas (p = 0.000), ir MTx-% C (p = 0.008) buvo statistiškai reikšmingi; kadangi MTx-RT to nebuvo (p = 0.097). Atsižvelgiant į tuos pacientus, kuriems buvo atlikta VaD diagnozės sunkumo klasifikacija, tarp grupių (MCI-VaD ir VaD) MoCA balo skirtumai buvo pakoreguoti / nekoreguoti (p = 0.007) ir MTx-% C (p = 0.026) ir MTx-RT (p = 0.001) buvo statistiškai reikšmingi; kadangi dėl amžiaus (p = 0.511) ir išsilavinimas (p = 0.157) reikšmingų skirtumų tarp grupių nebuvo.
Nuspėjamieji diagnozės sunkumo klasifikacijų modeliavimo rezultatai, naudojant tris anksčiau atrinktus besimokančiuosius, logistinę regresiją, naivuosius Bayesus ir palaikymo vektorių mašiną, yra parodyti 5 lentelėje. Tuo tarpu kiti ištirti besimokantieji individualiai pasižymėjo šiek tiek geresniais rezultatais su viena iš dviejų klinikinės diagnozės kategorijų. , trys besimokantieji, kuriuos nustatėme kaip palankiausius ankstesniame modeliavime, pasiūlė nuosekliausią abiejų naujų modeliavimo schemų rezultatus. Lyginant besimokančiuosius kiekvienoje iš pirminių diagnostikos kategorijų (AD ir VaD), nebuvo nuoseklaus MCI-VaD ir VaD besimokančiųjų klasifikavimo skirtumų, nors palaikymo vektorių mašina paprastai buvo ryškesnė. Taip pat nebuvo reikšmingų skirtumų tarp besimokančiųjų MCI-AD ir AD klasifikacijose, nors Naive Bayes (NB) turėjo nedidelį našumo pranašumą prieš logistinę regresiją (LR) ir tik nereikšmingą daugumą, palyginti su paramos vektoriaus mašina, su 61.4 % tikimybe. ir atitinkamai 41.7 proc. Abiejuose duomenų rinkiniuose buvo bendras „Support Vector Machine“ (SVM) našumo pranašumas Pr (SVM > LR) = 0.819 ir Pr (SVM > NB) = 0.934. Mūsų bendras visų besimokančiųjų klasifikavimas, numatant diagnozės sunkumą XL antriniame duomenų rinkinyje, buvo geresnis VaD diagnozės kategorijoje, palyginti su AD (Pr (VAD > AD) = 0.998).
5 lentelė
Dichotominės klinikinės diagnozės sunkumo klasifikavimo rezultatai (AUC; 0.0–1.0) kiekvienam iš trijų geriausiai besimokančiųjų pagal abi atitinkamas modeliavimo schemas
| Modeliavimo schema | Logistinė regresija | Naivus Bayesas | Palaikykite vektorinę mašiną |
| MCI-AD prieš AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD ir VaD | 0.8033 | 0.8044 | 0.8338 |
Didžiausias kiekvienos modeliavimo schemos našumas parodytas drąsus (nebūtinai statistiškai skiriasi nuo kitų drąsus).
DISKUSIJA
Svarbu anksti nustatyti kognityvinės sveikatos pokyčius praktinė nauda asmens sveikatos valdymui ir visuomenės sveikatai. Iš tiesų, tai taip pat yra labai didelis prioritetas pacientams visame pasaulyje. Bendras tikslas yra įspėti pacientus, slaugytojus ir paslaugų teikėjus bei anksčiau pradėti tinkamą ir ekonomišką gydymą bei ilgalaikę priežiūrą tiems, kurie pradeda patirti pažinimo nuosmukį. Sujungę tris ligoninės / klinikos (-ių) duomenų pogrupius, nustatėme tris išskirtinai pageidaujamus besimokančiuosius (su vienu išskirtiniu – Naive Bayes), kad sukurtume nuspėjamuosius modelius naudodami MemTrax našumo metrika, kuri galėtų patikimai klasifikuoti pažinimo sveikatos būklę dichotomiškai (normali kognityvinė sveikata arba MCI), kaip parodytų bendras MoCA balas. Pažymėtina, kad bendras visų trijų besimokančiųjų klasifikavimo našumas pagerėjo, kai mūsų modeliuose buvo naudojamos tik keturios aukščiausios klasės funkcijos, kurios iš esmės apėmė šias MemTrax našumo metrikas. Be to, atskleidėme pagrįstą potencialą panaudoti tuos pačius besimokančiųjų ir MemTrax veiklos rodiklius diagnostinės paramos klasifikavimo modeliavimo schemoje, kad būtų galima atskirti dviejų kategorijų demencijos diagnozės sunkumą: AD ir VaD.
Atminties testavimas yra labai svarbus ankstyvam AD nustatymui [23, 24]. Taigi būtų tinkama, kad „MemTrax“ būtų priimtina, patraukli ir lengvai įdiegiama internete. epizodinės atminties patikros testas bendroje populiacijoje [6]. Atpažinimo tikslumas ir reakcijos laikas atliekant šią nepertraukiamą atlikimo užduotį yra ypač atskleidžiami nustatant ankstyvą ir besivystantį pablogėjimą ir dėl to atsirandančius neuroplastinių procesų, susijusių su mokymusi, atmintimi ir pažinimu, trūkumus. Tai reiškia, kad čia esantys modeliai, daugiausia pagrįsti MemTrax našumo metrika, yra jautrūs ir yra labiau linkę lengvai ir su minimaliomis sąnaudomis atskleisti biologinius neuropatologinius trūkumus pereinamojo laikotarpio besimptomės stadijos metu gerokai prieš didesnį funkcinį praradimą [25]. Ashford ir kt. atidžiai išnagrinėjo atpažinimo atminties tikslumo ir atsako laiko modelius ir elgseną interneto vartotojams, kurie patys dalyvavo su MemTrax [6]. Atsižvelgiant į tai, kad šie pasiskirstymai yra labai svarbūs optimaliai modeliuojant ir kuriant galiojančias ir veiksmingas pacientų priežiūros programas, kliniškai taikomų atpažinimo ir atsako laiko profilių apibrėžimas yra labai svarbus norint sukurti vertingą pagrindinę klinikinės ir mokslinių tyrimų naudos nuorodą. Praktinė MemTrax vertė AD atrankoje dėl ankstyvos stadijos pažinimo sutrikimų ir diferencinės diagnostikos pagalbos turi būti atidžiau išnagrinėta klinikinėje aplinkoje, kurioje galima atsižvelgti į gretutines ligas ir pažinimo, jutimo ir motorines galimybes, turinčias įtakos testo rezultatams. O norint informuoti apie profesinę perspektyvą ir paskatinti praktinį klinikinį naudą, pirmiausia būtina parodyti palyginimą su nusistovėjusiu kognityvinio sveikatos vertinimo testu, net jei pastarąjį gali atpažįstama suvaržyti sudėtingos logistikos, švietimo ir kalbos atgrasymo bei kultūrinės įtakos [26]. . Šiuo atžvilgiu palankus MemTrax klinikinio veiksmingumo palyginimas su MoCA, kuris paprastai laikomas pramonės standartu, yra reikšmingas, ypač įvertinant didesnį MemTrax naudojimo lengvumą ir pacientų priimtinumą.
Ankstesnis tyrinėjimas, lyginant MemTrax su MoCA, išryškina pagrindimą ir preliminarius įrodymus, pateisinančius mūsų modeliavimo tyrimą [8]. Tačiau šis ankstesnis palyginimas tik susiejo dvi pagrindines „MemTrax“ našumo metrikas, kurias ištyrėme, su pažinimo būsena, nustatyta MoCA, ir apibrėžė atitinkamus diapazonus bei ribines vertes. Pagilinome MemTrax klinikinio naudingumo vertinimą, tyrinėdami nuspėjamuoju modeliavimu pagrįstą metodą, kuris leistų labiau individualizuoti kitus potencialiai svarbius pacientui būdingus parametrus. Priešingai nei kiti, mes neradome pranašumo modelio veikime naudojant išsilavinimo korekciją (koregavimą) prie MoCA balo arba keičiant pažinimo sveikatą diskriminuojančią MoCA bendro balo slenkstį nuo iš pradžių rekomenduojamo 26 iki 23 [12, 15]. Tiesą sakant, klasifikavimo našumo pranašumas buvo naudingas naudojant nekoreguotą MoCA balą ir aukštesnę slenkstį.
Pagrindiniai punktai klinikinėje praktikoje
Mašininis mokymasis dažnai geriausiai panaudojamas ir veiksmingiausias nuspėjamajame modeliavime, kai duomenys yra platūs ir daugiamačiai, tai yra, kai yra daug stebėjimų ir kartu gausu didelės vertės (panašių) atributų. Tačiau remiantis šiais dabartiniais duomenimis, filtruoti modeliai su tik keturiomis pasirinktomis funkcijomis veikė geriau nei tie, kuriuose naudojamos visos 10 bendrų funkcijų. Tai rodo, kad mūsų bendras ligoninių duomenų rinkinys neturėjo kliniškai tinkamiausių (didelės vertės) savybių, kad būtų galima optimaliai klasifikuoti pacientus tokiu būdu. Nepaisant to, funkcijų reitingavimo akcentavimas pagrindinėse MemTrax našumo metrikose – MTx-% C ir MTx-RT – tvirtai remia ankstyvosios stadijos pažinimo trūkumo atrankos modelių kūrimą pagal šį testą, kuris yra paprastas, lengvai administruojamas, nebrangus ir tinkamai atskleidžiantis. atminties našumą, bent jau dabar kaip pradinį dvejetainės kognityvinės sveikatos būklės klasifikacijos ekraną. Atsižvelgiant į nuolat didėjančią įtampą paslaugų teikėjams ir sveikatos priežiūros sistemoms, pacientų patikros procesai ir klinikinės programos turėtų būti tinkamai plėtojami, daugiausia dėmesio skiriant tų pacientų charakteristikų ir tyrimų metrikų rinkimui, sekimui ir modeliavimui, kurie yra naudingiausi, naudingiausi ir veiksmingiausi diagnostikos srityje. ir pacientų valdymo pagalba.
Kadangi dvi pagrindinės „MemTrax“ metrikos yra pagrindinės MCI klasifikacijos dalys, mūsų geriausiai besimokantis mokinys (Naive Bayes) daugelyje modelių turėjo labai aukštą nuspėjimo našumą (AUC virš 0.90), o tikrojo teigiamo ir klaidingai teigiamo koeficiento santykis artėjo prie 4 arba šiek tiek viršijo. 1. Transliacinė klinikinė programa, naudojanti šį besimokantįjį, apimtų (teisingai klasifikuotų) daugumą kognityvinių sutrikimų turinčių asmenų, tuo pačiu sumažindama išlaidas, susijusias su klaidingu normalios kognityvinės sveikatos asmens klasifikavimu kaip turinčiu pažinimo trūkumą (klaidingai teigiamas) arba trūksta šios klasifikacijos tiems, kurie turi pažinimo nepakankamumą (klaidingai neigiamas). Bet kuris iš šių klaidingo klasifikavimo scenarijų gali sukelti pernelyg didelę psichosocialinę naštą pacientui ir slaugytojams.
Nors preliminariose ir išsamiose analizėse naudojome visus dešimt besimokančiųjų kiekvienoje modeliavimo schemoje, savo rezultatus sutelkėme į tris klasifikatorius, rodančius nuosekliausius stiprius rezultatus. Tai taip pat turėjo, remiantis šiais duomenimis, pabrėžti besimokančiuosius, kurie, kaip tikimasi, patikimai atliks aukštą praktinį klinikinį pritaikymą nustatant kognityvinės būklės klasifikaciją. Be to, kadangi šis tyrimas buvo skirtas įvadiniam mašininio mokymosi naudingumo pažinimo atrankoje ir šių savalaikių klinikinių iššūkių tyrimui, nusprendėme, kad mokymosi metodai būtų paprasti ir apibendrinti, su minimaliu parametrų derinimu. Suprantame, kad šis metodas galėjo apriboti siauriau apibrėžtų paciento specifinių numatymo galimybių galimybes. Be to, nors modelių mokymas naudojant tik pagrindines funkcijas (filtruotas metodas) suteikia mums daugiau informacijos apie šiuos duomenis (atsižvelgiant į surinktų duomenų trūkumus ir pabrėžiant brangaus klinikinio laiko ir išteklių optimizavimo vertę), pripažįstame, kad dar per anksti susiaurinti. modelių apimtis, taigi ir visos (ir kitos savybės) turėtų būti svarstomos atliekant būsimus tyrimus, kol turėsime tikslesnį prioritetinių savybių profilį, kuris būtų taikomas plačiajai populiacijai. Taigi, mes taip pat visiškai pripažįstame, kad prieš integruojant juos į veiksmingą klinikinį taikymą, reikės išsamesnių ir plačiau reprezentuojančių duomenų bei optimizuoti šiuos ir kitus modelius, ypač siekiant atsižvelgti į gretutines ligas, turinčias įtakos pažinimo veiklai, į kurias reikėtų atsižvelgti atliekant tolesnį klinikinį vertinimą.
MemTrax naudingumą dar labiau padidino ligos sunkumo modeliavimas, pagrįstas atskira klinikine diagnoze. Nebuvo geresnio bendro klasifikavimo rezultato numatant VaD sunkumą (palyginti su AD). stebina, atsižvelgiant į paciento profilio ypatybes modeliuose, būdinguose kraujagyslių sveikatai ir insulto rizika, ty hipertenzija, hiperlipidemija, diabetas ir (žinoma) insulto istorija. Nors būtų buvę pageidautina ir tinkamiau, kad toks pat klinikinis įvertinimas būtų atliktas atitinkamiems pacientams, kurių kognityvinė sveikata yra normali, kad mokiniai būtų mokomi naudotis šiais visa apimančiais duomenimis. Tai ypač pateisinama, nes „MemTrax“ visų pirma skirtas ankstyvam pažinimo trūkumo nustatymui ir tolesniam individualių pokyčių stebėjimui. Taip pat tikėtina, kad pageidautinas duomenų paskirstymas VaD duomenų rinkinyje iš dalies prisidėjo prie palyginti geresnio modeliavimo našumo. VaD duomenų rinkinys buvo gerai subalansuotas tarp dviejų klasių, o AD duomenų rinkinys, kuriame buvo daug mažiau MCI pacientų, nebuvo. Ypač mažuose duomenų rinkiniuose net keli papildomi atvejai gali turėti išmatuojamą skirtumą. Abi perspektyvos yra pagrįsti argumentai, pagrindžiantys ligos sunkumo modeliavimo skirtumus. Tačiau proporcingai priskirti geresnius rezultatus duomenų rinkinio skaitinėms charakteristikoms arba būdingoms nagrinėjamam klinikiniam vaizdui būdingoms ypatybėms yra per anksti. Nepaisant to, šis romanas parodė MemTrax nuspėjamojo klasifikavimo modelio naudingumą klinikinės diagnostikos pagalbos vaidmenyje suteikia vertingos perspektyvos ir patvirtina siekį atlikti papildomą tyrimą su pacientais visame MCI kontinuume.
MemTrax ir šių modelių įdiegimas ir parodytas naudingumas Kinijoje, kur kalba ir kultūra smarkiai skiriasi nuo kitų žinomų naudingumo regionų (pvz., Prancūzijos, Nyderlandų ir JAV) [7, 8, 27], dar labiau pabrėžia potencialą. už visuotinį MemTrax pagrindu sukurtos platformos pripažinimą ir klinikinę vertę. Tai yra akivaizdus pavyzdys siekiant suderinti duomenis ir kurti praktines tarptautines normas bei modeliavimo išteklius pažintinei atrankai, kurie yra standartizuoti ir lengvai pritaikomi naudoti visame pasaulyje.
Kiti pažinimo nuosmukio modeliavimo ir taikymo žingsniai
Kognityvinė disfunkcija sergant AD iš tiesų vyksta nuolat, o ne atskirais etapais ar etapais [28, 29]. Tačiau šiame ankstyvame etape mūsų tikslas buvo pirmiausia nustatyti mūsų gebėjimą sukurti modelį su MemTrax, kuris iš esmės atskirtų „normalų“ nuo „nenormalaus“. Įtraukiantys empiriniai duomenys (pvz., smegenų vaizdavimas, genetinės savybės, biomarkeriai, gretutinės ligos ir funkciniai komplekso žymenys pažinimo reikalaujanti veikla kontrolė) [30] skirtinguose pasaulio regionuose, populiacijose ir amžiaus grupėse, siekiant treniruoti ir kurti sudėtingesnius (įskaitant tinkamai įvertintus ansamblį) mašininio mokymosi modelius, palaikys didesnį patobulintą klasifikavimą, ty gebėjimą suskirstyti į kategorijas pacientų, MCI į mažesnius ir tikslesnius pogrupius išilgai pažinimo nuosmukio kontinuumo. Be to, labai svarbios klinikinės diagnozės, skirtos asmenims iš skirtingų regionų pacientų grupių efektyviai treniruotis tai labiau įtraukiantys ir nuspėjamai tvirti modeliai. Tai palengvins konkretesnį stratifikuotą atvejų valdymą tiems, kurie turi panašią kilmę, įtaką ir siauriau apibrėžtus būdingus pažinimo profilius, ir taip optimizuos klinikinių sprendimų palaikymą ir pacientų priežiūrą.
Daugelis iki šiol atliktų atitinkamų klinikinių tyrimų buvo skirti pacientams, sergantiems bent lengva demencija; o praktikoje pernelyg dažnai paciento įsikišimas bandomas tik pažengusiose stadijose. Tačiau kadangi pažinimo nuosmukis prasideda gerokai anksčiau nei įvykdomi klinikiniai demencijos kriterijai, efektyviai taikomas MemTrax pagrindu atliktas ankstyvas patikrinimas galėtų paskatinti tinkamai informuoti asmenis apie ligą ir jos progresavimą bei paskatinti anksčiau ir savalaikesnes intervencijas. Taigi ankstyvas aptikimas galėtų padėti tinkamai įsitraukti nuo pratimų, dietos, emocinės paramos ir geresnės socializacijos iki farmakologinės intervencijos ir sustiprinti su pacientais susijusius elgesio ir suvokimo pokyčius, kurie pavieniui arba kartu gali sušvelninti arba galbūt sustabdyti demencijos progresavimą [31, 32]. . Be to, su veiksminga ankstyvas patikrinimas, asmenys ir jų šeimos gali būti raginami apsvarstyti klinikinius tyrimus arba gauti konsultacijų ir kitų socialinių paslaugų pagalbos, kuri padėtų išsiaiškinti lūkesčius ir ketinimus bei tvarkyti kasdienes užduotis. Tolesnis patvirtinimas ir plačiai paplitęs praktinis naudingumas šiais būdais gali padėti daugeliui asmenų sušvelninti arba sustabdyti MCI, AD ir ADRD progresavimą.
Iš tiesų, žema pacientų amžiaus riba mūsų tyrime neatspindi tradicinės AD susirūpinusios populiacijos. Nepaisant to, vidutinis kiekvienos grupės amžius, naudojamas klasifikavimo modeliavimo schemose, remiantis MoCA balu / slenksčiu ir diagnozės sunkumu (3 lentelė), pabrėžia, kad dauguma (daugiau nei 80%) yra ne jaunesni kaip 50 metų. Taigi šis pasiskirstymas yra labai tinkamas apibendrinimui, patvirtinantis šių modelių naudingumą populiacijoje, kuri apibūdina tuos, kuriuos paprastai veikia ankstyva pradžia ir klesti neurokognityvinė liga dėl AD ir VaD. Be to, naujausi įrodymai ir perspektyva pabrėžia tuos pripažintus veiksnius (pvz., hipertenziją, nutukimą, diabetą ir rūkymą), galinčius turėti įtakos ankstyvam augimui. suaugusiųjų ir vidutinio amžiaus kraujagyslių rizikos balai ir dėl to subtilus kraujagyslinis smegenų pažeidimas, kuris klastingai išsivysto ir akivaizdus poveikis net jauniems suaugusiems [33–35]. Atitinkamai, optimaliausia pradinio patikrinimo galimybė anksti aptikti kognityvinių sutrikimų stadiją ir veiksmingų prevencijos bei intervencijos strategijų inicijavimą sėkmingai sprendžiant demenciją atsiras išnagrinėjus prisidedančius veiksnius ir ankstesnius rodiklius visame amžiaus intervale, įskaitant ankstyvą pilnametystę ir galbūt net vaikystę (atsižvelgiant į genetinių veiksnių, tokių kaip apolipoproteinas E, svarbą nuo ankstyvo nėštumo).
Praktiškai pagrįstos klinikinės diagnozės ir brangios pažangaus vaizdo gavimo, genetinio profiliavimo ir perspektyvių biomarkerių matavimo procedūros daugeliui paslaugų teikėjų ne visada yra lengvai prieinamos ar net įmanomos. Taigi daugeliu atvejų pradinė bendra kognityvinės sveikatos būklės klasifikacija gali būti sudaryta iš modelių, naudojant kitus paprastus paciento pateiktus rodiklius (pvz., atminties problemos, dabartiniai vaistai ir įprastinės veiklos apribojimai) ir bendrosios demografinės savybės [7]. Tokie registrai kaip Kalifornijos universitetas smegenų veikla Registras (https://www.brainhealthregistry.org/) [27] ir kiti, kuriems būdingi didesni simptomai, apie kuriuos pranešama, kokybinės priemonės (pvz., miegas ir kasdienis pažinimas), vaistai, sveikatos būklė ir istorija bei detalesnė demografija bus naudinga kuriant ir patvirtinant praktinį šių primityvesnių modelių taikymą klinikoje. Be to, toks testas kaip MemTrax, kuris parodė naudingumą vertinant atminties funkciją, iš tikrųjų gali pateikti daug geresnį AD patologijos įvertinimą nei biologiniai žymenys. Atsižvelgiant į tai, kad pagrindinis AD patologijos bruožas yra neuroplastiškumo sutrikimas ir nepaprastai sudėtingas sinapsių praradimas, pasireiškiantis kaip epizodinis. atminties disfunkcija, matas, įvertinantis epizodinę atmintį, iš tikrųjų gali geriau įvertinti AD patologinę naštą nei biologiniai žymenys gyvam pacientui [36].
Su visais nuspėjamaisiais modeliais – nesvarbu, ar juos papildytų sudėtingi ir visa apimantys duomenys iš naujausių technologijų ir patobulintos klinikinės įžvalgos įvairiose srityse, ar tie, kurie apsiriboja pagrindine ir lengviau prieinama informacija, būdinga esamiems pacientų profiliams – pripažintas dirbtinio intelekto pranašumas. o mašininis mokymasis yra tai, kad gauti modeliai gali sintezuoti ir indukciniu būdu „mokytis“ iš atitinkamų naujų duomenų ir perspektyvos, kurią teikia nuolatinis programų naudojimas. Po praktinio technologijų perdavimo, kadangi čia esantys (ir bus sukurti) modeliai yra taikomi ir papildomi daugiau atvejų ir susijusių duomenų (įskaitant pacientus, sergančius gretutinėmis ligomis, kurios gali sukelti pažinimo nuosmukį), prognozavimo efektyvumas ir kognityvinės sveikatos klasifikacija bus patikimesnė, dėl to veiksmingesnė klinikinių sprendimų palaikymo priemonė. Ši evoliucija bus labiau ir praktiškai įgyvendinta įtraukus MemTrax į pritaikytas (pagal turimas galimybes) platformas, kurias sveikatos priežiūros paslaugų teikėjai galėtų naudoti klinikoje realiu laiku.
MemTrax modelio patvirtinimui ir naudojimui diagnostinei pagalbai ir pacientų priežiūrai būtini yra labai geidžiami reikšmingi išilginiai duomenys. Stebint ir registruojant tuo pačius klinikinės būklės pokyčius (jei tokių yra) atitinkamame normaliame diapazone iki ankstyvos stadijos MCI, tinkamo nuolatinio vertinimo ir klasifikavimo modeliai gali būti mokomi ir modifikuojami, kai pacientai sensta ir yra gydomi. Tai reiškia, kad pakartotinis naudojimas gali padėti išilgai sekti lengvus pažinimo pokyčius, intervencijos veiksmingumą ir palaikyti informuotą stratifikuotą priežiūrą. Šis požiūris labiau suderinamas su klinikine praktika ir pacientų bei atvejų valdymu.
Trūkumai
Vertiname iššūkį ir vertę rinkti švarius klinikinius duomenis kontroliuojamoje klinikoje/ligoninėje. Nepaisant to, mūsų modeliavimas būtų sustiprinęs, jei į mūsų duomenų rinkinius būtų įtraukta daugiau pacientų, turinčių bendrų savybių. Be to, atsižvelgiant į mūsų diagnozės modeliavimą, būtų buvę labiau pageidautina ir tinkamiau atlikti tą patį klinikinį vertinimą tiems, kuriems yra normali kognityvinė sveikata, kad būtų mokomi mokiniai. Ir kaip pabrėžia didesnis klasifikavimo našumas naudojant filtruotą duomenų rinkinį (tik keturios aukščiausios kategorijos funkcijos), bendresni ir kognityvinės sveikatos priemonės / rodikliai tikriausiai būtų pagerėję modeliuoti našumą su daugiau bendrų bruožų visiems pacientams.
Kai kurie dalyviai kartu galėjo sirgti kitomis ligomis, kurios galėjo sukelti laikinų ar lėtinių pažinimo sutrikimų. Išskyrus XL antrinį duomenų rinkinį, kuriame pacientai buvo diagnostiškai klasifikuojami kaip turintys AD arba VaD, YH pacientų grupėje gretutinių ligų duomenys nebuvo renkami / apie juos nebuvo pranešta, o vyraujantis praneštas gretutinės ligos KM duomenų rinkinyje buvo diabetas. Tačiau galima ginčytis, kad įtraukus į mūsų modeliavimo schemas pacientus, sergančius gretutinėmis ligomis, kurios gali paskatinti arba sustiprinti pažinimo nepakankamumo lygį ir dėl to sumažėjusį MemTrax našumą, būtų labiau reprezentatyvus realiame pasaulyje tikslinei pacientų populiacijai atliekant šią labiau apibendrintą ankstyvą pažinimo patikrą. ir modeliavimo metodas. Judant į priekį, tiksli gretutinių ligų, galinčių turėti įtakos pažinimo veiklai, diagnozė yra iš esmės naudinga optimizuojant modelius ir su tuo susijusias pacientų priežiūros programas.
Galiausiai, YH ir KM antrinių duomenų rinkinių pacientai naudojo išmanųjį telefoną, kad atliktų MemTrax testą, o ribotas skaičius XL antrinio duomenų rinkinio pacientų naudojo iPad, o likusieji – išmanųjį telefoną. Tai galėjo sukelti nedidelį su įrenginiu susijusį „MemTrax“ našumo skirtumą MoCA klasifikacijos modeliavimui. Tačiau MTx-RT skirtumai (jei tokių yra), pavyzdžiui, tarp įrenginių greičiausiai būtų nereikšmingi, ypač jei kiekvienam dalyviui būtų atliktas „praktikos“ testas prieš pat užregistruotą bandymo atlikimą. Nepaisant to, šių dviejų delninių įrenginių naudingumas gali pakenkti tiesioginiam palyginimui ir (arba) integravimui su kitais MemTrax rezultatais, kai vartotojai į pasikartojančias nuotraukas reagavo palietę tarpo klavišą kompiuterio klaviatūroje.
Pagrindiniai „MemTrax“ nuspėjamojo modeliavimo priemonės punktai
- • Mūsų veiksmingiausi nuspėjamieji modeliai, apimantys pasirinktus MemTrax našumo rodiklius, galėtų patikimai klasifikuoti kognityvinę sveikatos būklę (normalią pažinimo sveikatą arba MCI), kaip parodytų plačiai pripažintas MoCA testas.
- • Šie rezultatai palaiko pasirinktų MemTrax našumo metrikų integravimą į klasifikavimo nuspėjamojo modelio atrankos programą, skirtą ankstyvosios stadijos pažinimo sutrikimams.
- • Mūsų klasifikavimo modeliavimas taip pat atskleidė „MemTrax“ našumo panaudojimo galimybes nustatant demencijos diagnozės sunkumą.
Šios naujos išvados nustato galutinius įrodymus, patvirtinančius mašininio mokymosi naudą kuriant patobulintus patikimus MemTrax pagrindu sukurtus klasifikavimo modelius, skirtus diagnostinei pagalbai veiksmingai klinikinių atvejų valdymui ir pacientų, turinčių pažinimo sutrikimų, priežiūrai.
Padėka
Vertiname J. Wessono Ashfordo, Curtiso B. Ashfordo ir kolegų darbą už čia naudojamą nuolatinio atpažinimo užduotį ir įrankį (MemTrax) kūrimą ir patvirtinimą ir esame dėkingi daugeliui pacientų, sergančių demencija, prisidėjusiems prie svarbių pamatinių tyrimų. . Taip pat dėkojame Xianbo Zhou ir jo kolegoms iš SJN Biomed LTD, jo kolegoms ir bendradarbiams ligoninėse / klinikose, ypač dr. M. Luo ir M. Zhong, kurie padėjo įdarbinti dalyvius, planuoti testus, rinkti, įrašyti ir tvarkyti duomenis, ir savanoriai, kurie paaukojo savo brangų laiką ir įsipareigojo atlikti testus ir vertingus duomenis, kuriuos turime įvertinti šiame tyrime. Tai tyrimą iš dalies palaikė MD Scientific Research Kunmingo medicinos universiteto programa (Stipendijos Nr. 2017BS028 iki XL) ir Yunnano mokslo ir technologijų departamento tyrimų programa (Statijos Nr. 2019FE001 (-222) iki XL).
J. Wessonas Ashfordas pateikė patento paraišką dėl specifinės nuolatinio atpažinimo paradigmos, aprašytos šiame darbe, naudojimo bendriesiems atminties testavimas.
„MemTrax, LLC“ yra Curtisui Ashfordui priklausanti įmonė, kuri valdo atminties testavimas šiame dokumente aprašyta sistema.
Autorių atskleidimai pasiekiami internete (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
NUORODOS
| [1] Alzheimerio asociacija (2016) 2016 m. Alzheimerio ligos faktai ir figūros. Alzheimers Dement 12, 459–509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Ankstyvosios stadijos poveikis Alzheimerio liga apie namų ūkio finansinius rezultatus. Sveikatos 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 m.) Kokybės gerinimas neurologija: lengvo pažinimo sutrikimo kokybės matavimo rinkinys. Neurology 93, 705–713. |
| [4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017 m.) Naudojimo ekonomiškumas kognityviniai atrankos testai, skirti nustatyti demenciją ir nedidelį pažinimo sutrikimą pirminės sveikatos priežiūros srityje. Int J Geriatr Psychiatry 32, 1392–1400. | |
| [5] Ashford JW, Gere E, Bayley PJ (2011) Atminties matavimas didelėse grupėse, naudojant nuolatinį atpažinimo testą. J Alzheimers Dis 27, 885–895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Kompiuterizuota nuolatinio atpažinimo užduotis, skirta epizodinei atminčiai matuoti. J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Epizodinės atminties našumas mašininio mokymosi modeliavime, siekiant nuspėti kognityvinės sveikatos būklės klasifikaciją. J Alzheimers Dis 70, 277–286. |
| [8] Van der Hoek MD, Nieuwenhuizen A, Keijer J, Ashford JW (2019) MemTrax testas lyginant su Monrealio kognityvinio vertinimo įvertinimu dėl lengvo pažinimo sutrikimo. J Alzheimers Dis 67, 1045–1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Naudojant izoliuotus balsių garsus lengvo trauminio smegenų pažeidimo klasifikavimui. 2013 m. IEEE tarptautinė akustikos, kalbos ir signalų apdorojimo konferencija, Vankuveris, BC, p. 7577–7581. |
| [10] | Dabek F, Caban JJ (2015) Didelių duomenų panaudojimas modeliuojant psichologinių būklių atsiradimo tikimybę po smegenų sukrėtimo. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Sprendimų medis, skirtas bendruomenės vaistininkams anksti nustatyti pažinimo sutrikimą. Front Pharmacol 9, 1232. |
| [12] | Nasreddine ZS, Phillips NA, Bedirian V, Charbonneau S, Whitehead V, Collin I, Cummings JL, Chertkow H (2005) The Monreal Cognitive Assessment, MoCA: trumpas atrankos įrankis dėl lengvo pažinimo sutrikimo. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012) Monrealio pažinimo vertinimo, kaip trumpo lengvo pažinimo sutrikimo atrankos įrankio, Pekino versija: bendruomeninis tyrimas. 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) Monrealio kognityvinio vertinimo pagrindinio kinų versijos patvirtinimas, skirtas lengvo pažinimo sutrikimo atrankai. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N, Leach L, Murphy KJ (2018) Pakartotinis Monrealio kognityvinio vertinimo (MoCA) ribinių balų tyrimas. Int J Geriatr Psychiatry 33, 379–388. |
| [16] | Amerikos psichiatrų asociacija (2013 m.) Darbo grupė Psichikos sutrikimų diagnostikos ir statistikos vadovas: DSM-5™, American Psychiatric Publishing, Inc., Vašingtonas, DC. |
| [17] | Python. Python Software Foundation, http://www.python.org, Prieiga 15 m. lapkričio 2019 d. |
| [18] | R Core Group, R: Statistinio skaičiavimo kalba ir aplinka R Foundation for Statistical Computing, Viena, Austrija. https://www.R-project.org/, 2018 m., Žiūrėta 15 m. lapkričio 2019 d. |
| [19] | Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Laikas pokyčiams: kelių klasifikatorių palyginimo pamoka naudojant Bajeso analizę. J Mach Learn Res 18, 1–36. |
| [20] | Frank E, MA salė, Witten IH (2016) WEKA Workbench. Į Duomenų gavyba: praktiniai mašininio mokymosi įrankiai ir metodai, Frank E, Hall MA, Witten IH, Pal CJ, red. Morganas Kaufmannas 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) Mašininis mokymasis modeliuojant vidurinės mokyklos sporto smegenų sukrėtimo simptomus. Med Sci Sports Exerc 51, 1362–1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Eksperimentinės mokymosi iš nesubalansuotų duomenų perspektyvos. Į 24-osios tarptautinės mašininio mokymosi konferencijos medžiaga, Corvalis, Oregonas, JAV, p. 935–942. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Alzheimerio ligonio įvertinimas ir mažoji psichinė būsena: elementų charakteristikos kreivės analizė.P. J Gerontol 44, 139–146. |
| [24] Ashford JW, Jarvik L (1985) Alzheimerio liga: Ar neuronų plastiškumas skatina aksoninę neurofibrilinę degeneraciją? 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 , Senje JL ML , Rocca WA, Petersen RC (2019) Biologiškai ir kliniškai apibrėžtų Alzheimerio spektro subjektų paplitimas, naudojant Nacionalinį senėjimo-Alzheimerio institutą Asociacijos tyrimas sistema. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X , Ashford JW (2019 m.) Atrankos instrumentų pažanga Alzheimerio liga. Aging Med 2, 88–93. | |
| [27] Weiner MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) smegenų veikla Registras: internetinė platforma, skirta neurologijos studijų dalyvių įdarbinimui, įvertinimui ir išilginiam stebėjimui. Alzheimers Dement 14, 1063–1076. | |
| [28] Ashford JW, Schmitt FA (2001) Laiko eigos modeliavimas Alzheimerio demencija. 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): Kinijos išilginio stebėjimo tyrimo protokolas, skirtas sukurti rizikos numatymo modelius, kai subjektyvūs pažinimo sutrikimai gali išsivystyti į lengvą pažinimo sutrikimą. nuosmukis. BMJ Open 9, e028188. |
| [30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015) Penkerių metų biomarkerio progresavimo kintamumas Alzheimerio ligos demencija prognozė: ar sudėtinga instrumentinė kasdienio gyvenimo veikla gali užpildyti spragas? Alzheimerio dementas (Amst) 1, 521–532. | |
| [31] McGurran H, Glenn JM, Madero EN, Bott NT (2019 m.) Alzheimerio ligos profilaktika ir gydymas: Biologiniai pratimų mechanizmai. J Alzheimers Dis 69, 311-338. | |
| [32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) Terapija Alzheimerio ligos profilaktikai ir gydymui. 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) Ryšys tarp kraujagyslių rizikos suaugusiems ir smegenų patologijos vėlyvame amžiuje: britų gimimo kohortos įrodymai. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) Mąstymo apie demenciją ir amiloido dėžučių prevencija. 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) Sistolinio kraujospūdžio poveikis baltosios medžiagos vientisumui jauniems suaugusiems Framinghamo širdies tyrime: kryžius - sekcinis tyrimas. 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) Biologinių žymenų tyrimo tikslumas neuropatologiškai apibrėžtam Alzheimerio liga vyresnio amžiaus žmonėms, sergantiems demencija. Ann Intern Med 172, 669–677. |
Filialai: [a] SIVOTEC Analytics, Boca Raton, FL, JAV | [b] Kompiuterių ir elektros inžinerijos bei kompiuterių mokslo katedra, Floridos Atlanto universitetas, Boca Raton, FL, JAV | [c] SJN Biomed LTD, Kunmingas, Yunnan, Kinija | [d] Centras Alzheimerio tyrimas, Vašingtono klinikinių tyrimų institutas, Vašingtonas, DC, JAV | [e] Reabilitacijos medicinos skyrius, Kunmingo medicinos universiteto pirmoji susijusi ligoninė, Kunmingas, Yunnan, Kinija | [f] Neurologijos skyrius, Dehongo liaudies ligoninė, Dehongas, Yunnan, Kinija | [g] Neurologijos skyrius, Kunmingo medicinos universiteto pirmoji susijusi ligoninė, Wuhua rajonas, Kunmingas, Yunnan provincija, Kinija | [h] Su karu susijusių ligų ir traumų studijų centras, VA Palo Alto Sveikatos priežiūra System, Palo Alto, CA, JAV | [i] Stenfordo universiteto medicinos mokyklos psichiatrijos ir elgesio mokslų katedra, Palo Altas, Kalifornija, JAV
Korespondencija: [*] Korespondencija: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. El. paštas: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Neurologijos skyrius, Kunmingo medicinos universiteto pirmoji susijusi ligoninė, 295 Xichang Road, Wuhua rajonas, Kunmingas, Yunnan provincija 650032, Kinija. paštas: ring@vip.163.com.
Raktažodžiai: senėjimas, Alzheimerio liga, demencija, masinis patikrinimas