MemTrax un mašīnmācīšanās modelēšanas lietderība vieglu kognitīvo traucējumu klasifikācijā
Pētniecības pants
Autori: Beržerons, Maikls F. | Landset, Sāra | Džou, Sjaņbo | Ding, Tao | Khoshgoftaar, Taghi M. | Zhao, Feng | Du, Bo | Chen, Xinjie | Van, Sjuaņa | Zhong, Lianmei | Liu, Sjaolejs| Ešfords, J. Vesons
DOI: 10.3233/JAD-191340
Žurnāls: Journal of Alcheimera slimība, vol. 77, nē. 4, lpp. 1545-1558, 2020
Anotācija
Fons:
Plaša saslimstība un izplatība Alcheimera slimība un vieglie kognitīvie traucējumi (MCI) ir izraisījuši steidzamu aicinājumu veikt pētījumus, lai apstiprinātu agrīnas atklāšanas kognitīvo skrīningu un novērtēšanu.
mērķis:
Mūsu galvenais pētījuma mērķis bija noteikt, vai atlasītos MemTrax veiktspējas rādītājus un atbilstošos demogrāfiskos un veselības profila raksturlielumus var efektīvi izmantot prognozēšanas modeļos, kas izstrādāti ar mašīnmācīšanos, lai klasificētu kognitīvo veselību (normālu pret MCI), kā norādīts Monreālas kognitīvais novērtējums (MoCA).
Metodes:
Mēs veicām šķērsgriezuma pētījumu par 259 pieaugušiem neiroloģijas, atmiņas klīnikas un internās medicīnas pacientiem, kas tika pieņemti darbā no diviem slimnīcas Ķīnā. Katram pacientam tika izsniegts MoCA ķīniešu valodā un viņš pats ievadīja nepārtrauktu atpazīšanas MemTrax tiešsaistes epizodisko atmiņas pārbaude tiešsaistē tajā pašā dienā. Prognozējošie klasifikācijas modeļi tika izveidoti, izmantojot mašīnmācīšanos ar 10 kārtīgu savstarpēju validāciju, un modeļa veiktspēja tika mērīta, izmantojot apgabalu zem uztvērēja darbības raksturlīknes (AUC). Modeļi tika izveidoti, izmantojot divus MemTrax veiktspējas rādītājus (procenti pareizi, reakcijas laiks), kā arī astoņas kopīgas demogrāfiskās un personīgās vēstures funkcijas.
rezultāti:
Salīdzinot audzēkņus izvēlētajās MoCA punktu un sliekšņu kombinācijās, Naive Bayes kopumā bija vislabākais izglītojamais ar kopējo klasifikācijas sniegumu 0.9093. Turklāt starp trim labākajiem izglītojamajiem uz MemTrax balstītās klasifikācijas veiktspēja kopumā bija labāka, izmantojot tikai četras visaugstāk novērtētās funkcijas (0.9119), salīdzinot ar visu 10 kopīgo funkciju izmantošanu (0.8999).
Secinājums:
MemTrax veiktspēju var efektīvi izmantot mašīnmācīšanās klasifikācijas prognozēšanas modelī skrīninga lietojumprogramma agrīnas stadijas kognitīvo traucējumu noteikšanai.
IEVADS
Atzītā (kaut arī nepietiekami diagnosticētā) plaši izplatītā saslimstība un izplatība un paralēli pieaugoša medicīniskā, sociālā un sabiedriskā veselība Alcheimera slimības (AD) un vieglu kognitīvo traucējumu (MCI) izmaksas un slogs arvien vairāk noslogo visas ieinteresētās personas [1, 2]. Šis satraucošais un plaukstošais scenārijs ir pamudinājis steidzamu aicinājumu veikt pētījumu, lai to apstiprinātu agrīnu atklāšanu Kognitīvās skrīninga un novērtēšanas instrumenti regulārai praktiskai lietošanai personīgajā un klīniskajā vidē gados vecākiem pacientiem dažādos reģionos un populācijās [3]. Šiem instrumentiem jānodrošina arī nemanāma informatīvo rezultātu tulkošana elektroniskajos veselības ierakstos. Ieguvumi tiks gūti, informējot pacientus un palīdzot ārstiem agrāk pamanīt būtiskas izmaiņas, tādējādi ļaujot ātrāk un savlaicīgāk stratificēt, ieviest un izsekot atbilstošai individualizētai un izmaksu ziņā efektīvākai ārstēšanai un pacientu aprūpei tiem, kuri sāk saskarties. izziņas samazināšanās [3, 4].
Datorizētais MemTrax rīks (https://memtrax.com) ir vienkāršs un īss nepārtrauktas atpazīšanas novērtējums, ko var pašpārvaldīt tiešsaistē, lai izmērītu sarežģītas epizodiskās atmiņas veiktspēju, kurā lietotājs reaģē uz atkārtotiem attēliem, nevis uz sākotnējo prezentāciju [5, 6]. Jaunākie pētījumi un to praktiskā ietekme sāk pakāpeniski un kolektīvi demonstrēt MemTrax klīnisko efektivitāti agrīnā AD un MCI skrīningā [5–7]. Tomēr tiešs klīniskās lietderības salīdzinājums ar esošo kognitīvā veselība novērtējums un parastie standarti ir garantēti, lai sniegtu informāciju par profesionālo perspektīvu un apstiprinātu MemTrax lietderību agrīnā atklāšanā un diagnostikas atbalstā. van der Hoek et al. [8] salīdzināja atlasītos MemTrax veiktspējas rādītājus (reakcijas ātrumu un pareizo procentuālo daļu) ar kognitīvo stāvokli, ko noteica Monreāla Kognitīvais novērtējums (MoCA). Tomēr šis pētījums aprobežojās ar šo veiktspējas metrikas saistīšanu ar kognitīvā stāvokļa raksturojumu (ko noteica MoCA) un definēja relatīvos diapazonus un robežvērtības. Attiecīgi, lai paplašinātu šo izmeklēšanu un uzlabotu klasifikācijas veiktspēju un efektivitāti, mūsu galvenais pētījuma jautājums bija:
- Vai indivīda atlasītie MemTrax veiktspējas rādītāji un attiecīgie demogrāfiskie dati un veselība profils raksturlielumus efektīvi izmantot prognozēšanas modelī, kas izstrādāts ar mašīnmācīšanos, lai klasificētu kognitīvo veselību dihotomiski (normāla pret MCI), kā to norāda MoCA rādītājs?
Papildus tam mēs vēlējāmies uzzināt:
- Ietverot tās pašas funkcijas, vai uz MemTrax veiktspēju balstītu mašīnmācīšanās modeli var efektīvi pielietot pacientam, lai noteiktu smaguma pakāpi (vieglas vai smagas) noteiktās kognitīvo traucējumu kategorijās, ko noteiktu neatkarīga klīniska diagnoze?
Mākslīgā intelekta un mašīnmācīšanās praktiskā pielietošana skrīningā/atklāšanā jau ir parādījusi atšķirīgas praktiskas priekšrocības, prognozējot modelēšanu, kas efektīvi palīdz ārstiem izaicinošā kognitīvās/smadzeņu veselības un pacientu pārvaldības novērtēšanā. Mūsu pētījumā mēs izvēlējāmies līdzīgu pieeju MCI klasifikācijas modelēšanā un kognitīvo traucējumu smaguma diskriminācijā, ko apstiprināja klīniskā diagnoze no trim datu kopām, kas pārstāv atlasītos brīvprātīgos stacionāros un ambulatoros pacientus no divām slimnīcām Ķīnā. Izmantojot mašīnmācīšanās prognozējošo modelēšanu, mēs identificējām labākos audzēkņus no dažādām datu kopu/apmācību kombinācijām un sarindojām funkcijas, lai palīdzētu mums noteikt klīniski praktiskākos modeļu lietojumus.
Mūsu hipotēzes bija tādas, ka apstiprinātu uz MemTrax balstītu modeli var izmantot, lai klasificētu kognitīvo veselību dihotomiski (normālu vai MCI), pamatojoties uz MoCA kopvērtējuma sliekšņa kritēriju, un ka līdzīgu MemTrax prognozēšanas modeli var efektīvi izmantot, lai noteiktu smaguma pakāpi atsevišķās kategorijās. klīniski diagnosticēts kognitīvo spēju vājināšanās. Paredzamo rezultātu demonstrēšana būtu noderīga, lai atbalstītu MemTrax kā agrīnas noteikšanas ekrānu kognitīvās pasliktināšanās un kognitīvo traucējumu klasifikācijai. Labvēlīgs salīdzinājums ar nozares apgalvoto standartu, kas papildināts ar daudz vienkāršāku un ātrāku lietderību, varētu palīdzēt ārstiem pieņemt šo vienkāršo, uzticamo un pieejamo rīku kā sākotnējo ekrānu agrīnās (tostarp prodromālās) stadijas kognitīvās deficīta noteikšanai. Šāda pieeja un lietderība tādējādi varētu veicināt savlaicīgāku un labāk stratificētu pacientu aprūpi un iejaukšanos. Šie tālredzīgie ieskati un uzlabotie rādītāji un modeļi varētu arī būt noderīgi, lai mazinātu vai apturētu demences progresēšanu, tostarp ar AD un ar AD saistītās demences (ADRD).
MATERIĀLI UN METODES
Pētījums
No 2018. gada janvāra līdz 2019. gada augustam tika pabeigts šķērsgriezuma pētījums par pacientiem, kas tika pieņemti darbā no divām slimnīcām Ķīnā. MemTrax [5] ievadīšanu personām vecumā no 21 gada, kā arī šo datu vākšanu un analīzi pārskatīja, apstiprināja un administrēja saskaņā ar ētikas standartiem. Cilvēka Stenfordas universitātes mācību priekšmetu aizsardzības komiteja. MemTrax un visas pārējās pārbaudes šim vispārējam pētījumam tika veiktas saskaņā ar 1975. gada Helsinku deklarāciju, un tās apstiprināja Kunmingas Medicīnas universitātes Pirmās saistītās slimnīcas Institucionālā pārskata padome Kunmingā, Junnanā, Ķīnā. Katram lietotājam tika nodrošināts informēta piekrišana veidlapu, lai izlasītu/pārskatītu un pēc tam brīvprātīgi piekristu piedalīties.
Dalībnieki tika pieņemti darbā no Janhua slimnīcas neiroloģijas klīnikas ambulatoro pacientu kopas (YH apakšdatu kopa) un atmiņas klīnika Kunmingas Medicīnas pirmajā saistītajā slimnīcā Universitāte (XL apakšdatu kopa) Pekinā, Ķīnā. Dalībnieki tika pieņemti darbā arī no neiroloģijas (XL apakšdatu kopa) un iekšējās medicīnas (KM apakšdatu kopas) stacionāriem Kunmingas Medicīnas universitātes pirmajā saistītajā slimnīcā. Iekļaušanas kritēriji ietvēra 1) vīriešus un sievietes, kas ir vismaz 21 gadu veci, 2) spēju runāt ķīniešu (mandarīnu) valodā un 3) spēju saprast mutiskus un rakstiskus norādījumus. Izslēgšanas kritēriji bija redzes un kustību traucējumi, kas neļāva dalībniekiem pabeigt MemTrax tests, kā arī nespēja saprast konkrētos testa norādījumus.
MemTrax ķīniešu versija
Tiešsaistē MemTrax testa platforma tika tulkota ķīniešu valodā (URL: https://www.memtrax.com.cn) un tālāk pielāgota lietošanai, izmantojot WeChat (Shenzhen Tencent Computer Systems Co. LTD., Šenžena, Guanduna, Ķīna) pašpārvaldīšanai. Dati tika glabāti mākoņa serverī (Ali Cloud), kas atrodas Ķīnā un ko SJN Biomed LTD (Kunming, Yunnan, Ķīna) licencēja no Alibaba (Alibaba Technology Co. Ltd., Hangžou, Džedzjana, Ķīna). Konkrēta informācija par šeit izmantotajiem MemTrax un testa derīguma kritērijiem ir aprakstīta iepriekš [6]. Pārbaude pacientiem tika nodrošināta bez maksas.
Studiju procedūras
Stacionāriem un ambulatoriem pacientiem — vispārēja papīra anketa demogrāfiskās un personas informācijas, piemēram, vecuma, dzimuma, izglītības, nodarbošanās, dzīvo vieni vai ar ģimeni, un slimības vēsturi ievadīja pētījuma grupas dalībnieks. Pēc anketas aizpildīšanas tika veikti MoCA [12] un MemTrax testi (vispirms MoCA) ar ne vairāk kā 20 minūtēm starp testiem. Katram pārbaudītajam dalībniekam pētījuma komandas loceklis uz papīra ierakstīja MemTrax procentuālo pareizību (MTx-% C), vidējo reakcijas laiku (MTx-RT) un testēšanas datumu un laiku. Aizpildīto anketu un MoCA rezultātus pētnieks, kurš administrēja testus, augšupielādēja Excel izklājlapā un pārbaudīja kolēģis, pirms Excel faili tika saglabāti analīzēm.
MemTrax tests
MemTrax tiešsaistes tests ietvēra 50 attēlus (25 unikālus un 25 atkārtojumus; 5 kopas ar 5 bieži sastopamu ainu vai objektu attēliem), kas tika parādīti noteiktā pseidogadījuma secībā. Dalībnieks (saskaņā ar instrukcijām) ekrānā pieskaras pogai Sākt, lai sāktu testu un sāktu skatīt attēlu sēriju, un vēlreiz pēc iespējas ātrāk pieskaras attēlam ekrānā, kad parādās atkārtots attēls. Katrs attēls parādījās 3 s vai līdz brīdim, kad attēls ekrānā tika aizskarts, kas lika nekavējoties parādīt nākamo attēlu. Izmantojot vietējās ierīces iekšējo pulksteni, MTx-RT katram attēlam tika noteikts pēc laika, kas pagājis no attēla parādīšanas līdz brīdim, kad dalībnieks pieskārās ekrānam, reaģējot uz attēla atpazīšanu kā jau parādītu. pārbaudes laikā. MTx-RT tika reģistrēts katram attēlam, un tika reģistrētas pilnas 3 s, kas liecina, ka nav atbildes. MTx-% C tika aprēķināts, lai norādītu atkārtoto un sākotnējo attēlu procentuālo daļu, uz kuriem lietotājs atbildēja pareizi (patiesais pozitīvais + patiesais negatīvais dalīts ar 50). Papildu informācija par MemTrax administrēšanu un ieviešanu, datu samazināšanu, nederīgiem vai “bez atbildes” datiem un primāro datu analīzi ir aprakstīta citur [6].
MemTrax tests tika detalizēti izskaidrots, un slimnīcas apstākļos dalībniekiem tika nodrošināts prakses tests (ar unikāliem attēliem, kas nav izmantoti testā rezultātu ierakstīšanai). YH un KM apakšdatu kopu dalībnieki veica MemTrax testu viedtālrunī, kurā tika ielādēta lietojumprogramma vietnē WeChat; tā kā ierobežots skaits XL apakšdatu kopas pacientu izmantoja iPad, bet pārējie izmantoja viedtālruni. Visi dalībnieki veica MemTrax testu, un pētījuma pētnieks neuzkrītoši novēroja.
Monreālas kognitīvais novērtējums
Ķīniešu MoCA (MoCA-BC) [13] Pekinas versiju pārvalda un novērtēja apmācīti pētnieki saskaņā ar oficiālajām testa instrukcijām. Ir pierādīts, ka MoCA-BC ir uzticams izziņas tests skrīnings visos izglītības līmeņos gados vecākiem ķīniešu pieaugušajiem [14]. Katra testa veikšana aizņēma apmēram 10 līdz 30 minūtes, pamatojoties uz attiecīgā dalībnieka kognitīvajām spējām.
MoCA klasifikācijas modelēšana
Kopumā bija 29 izmantojamas funkcijas, tostarp divas MemTrax testu veiktspējas metriku un 27 ar demogrāfisko un veselību saistītas funkcijas informācija katram dalībniekam. Katra pacienta MoCA kopējais testa rezultāts tika izmantots kā kognitīvā skrīnings “etalons”, lai apmācītu mūsu prognozējošos modeļus. Attiecīgi, tā kā MoCA tika izmantota, lai izveidotu klases etiķeti, mēs nevarējām izmantot kopējo punktu skaitu (vai kādu no MoCA apakškopas rādītājiem) kā neatkarīgu līdzekli. Mēs veicām provizoriskus eksperimentus, kuros modelējām (klasificējot MoCA definēto kognitīvo veselību) sākotnējās trīs slimnīcas / klīnikas (-u) apakšdatu kopas atsevišķi un pēc tam apvienojām, izmantojot visas funkcijas. Tomēr visi tie paši datu elementi netika apkopoti katrā no četrām klīnikām, kas pārstāv trīs apakšdatu kopas; tādējādi daudzām mūsu funkcijām kombinētajā datu kopā (izmantojot visas funkcijas) bija liels trūkstošo vērtību biežums. Pēc tam mēs izveidojām modeļus ar kombinēto datu kopu, izmantojot tikai kopīgas funkcijas, kā rezultātā tika uzlabota klasifikācijas veiktspēja. Tas, visticamāk, tika izskaidrots ar vairāku gadījumu kombināciju, ar kuriem jāstrādā, apvienojot trīs pacientu apakšdatu kopas, un bez pazīmēm ar pārmērīgu trūkstošo vērtību izplatību (tikai vienai iezīmei kombinētajā datu kopā, darba veidam, bija trūkstošās vērtības, kas ietekmēja tikai trīs pacientu gadījumi), jo tika iekļautas tikai kopīgas pazīmes, kas reģistrētas visās trīs vietās. Proti, mums nebija konkrēta noraidīšanas kritērija katrai funkcijai, kas galu galā netika iekļauta kombinētajā datu kopā. Tomēr mūsu sākotnējā kombinētajā datu kopas modelēšanā mēs vispirms izmantojām visas funkcijas no katras no trim atsevišķajām pacientu apakšdatu kopām. Tas plaši izraisīja modeļa veiktspēju, kas bija izmērāmi zemāka nekā sākotnējā provizoriskā modelēšana katrai atsevišķai apakšdatu kopai. Turklāt, lai gan to modeļu klasifikācijas veiktspēja, kas izveidoti, izmantojot visas funkcijas, bija iepriecinoši, visiem apmācāmajiem un klasifikācijas shēmām veiktspēja uzlabojās divreiz lielākam skaitam modeļu, izmantojot tikai kopīgas funkcijas. Faktiski visi modeļi, izņemot vienu, tika uzlaboti, likvidējot neparastas funkcijas.
Galīgajā apkopotajā datu kopā (YH, XL un KM kopā) bija 259 gadījumi, no kuriem katrs pārstāvēja unikālu dalībnieku, kurš veica gan MemTrax, gan MoCA testus. Bija 10 kopīgas neatkarīgas funkcijas: MemTrax veiktspējas rādītāji: MTx-% C un vidējais MTx-RT; demogrāfiskā un medicīniskās vēstures informācija: vecums, dzimums, izglītības gadi, darba veids (zilā apkakle/baltā apkaklīte), sociālais atbalsts (vai testa kārtotājs dzīvo viens vai kopā ar ģimeni) un jā/nē atbildes par to, vai lietotājam bija diabēts, hiperlipidēmija vai traumatisks smadzeņu bojājums anamnēzē. Divas papildu metrikas, MoCA kopējais rādītājs un MoCA kopējais rādītājs, kas pielāgots izglītības gadiem [12], tika izmantotas atsevišķi, lai izstrādātu atkarīgās klasifikācijas etiķetes, tādējādi izveidojot divas atšķirīgas modelēšanas shēmas, kas jāpiemēro mūsu apvienotajai datu kopai. Katrai MoCA rezultāta versijai (koriģētai un nekoriģētai) dati atkal tika atsevišķi modelēti binārajai klasifikācijai, izmantojot divus dažādus kritēriju sliekšņus — sākotnēji ieteikto [12] un alternatīvu vērtību, ko izmantoja un reklamēja citi [8, 15]. Alternatīvajā sliekšņa klasifikācijas shēmā tika uzskatīts, ka pacientam ir normāla kognitīvā veselība, ja viņa/viņa MoCA testā ieguva ≥23 un MCI, ja rezultāts bija 22 vai mazāks; tā kā sākotnējā ieteicamajā klasifikācijas formātā pacientam MoCA bija jāsaņem 26 vai labāks vērtējums, lai tiktu atzīmēts kā ar normālu kognitīvo veselību.
Filtrēti dati MoCA klasifikācijas modelēšanai
Tālāk mēs pētījām MoCA klasifikāciju, izmantojot četras bieži lietotas funkciju ranžēšanas metodes: Chi kvadrāts, pastiprinājuma koeficients, informācijas ieguvums un simetriskā nenoteiktība. Pagaidu perspektīvā mēs izmantojām vērtētājus visai kombinētajai datu kopai, izmantojot katru no četrām modelēšanas shēmām. Visi vērtētāji vienojās par tām pašām galvenajām iezīmēm, ti, vecumu, izglītības gadu skaitu un abiem MemTrax veiktspējas rādītājiem (MTx-% C, vidējais MTx-RT). Pēc tam mēs pārbūvējām modeļus, izmantojot katru funkciju atlases paņēmienu, lai apmācītu modeļus tikai četrās galvenajās funkcijām (sk Funkcijas izvēle zemāk).
Rezultātā iegūtās astoņas MoCA punktu klasifikācijas modelēšanas shēmu variācijas ir parādītas 1. tabulā.
1. tabula
MoCA klasifikācijai izmantoto modelēšanas shēmu variāciju kopsavilkums (normāls Kognitīvā veselība pret MCI)
| Modelēšanas shēma | Normāla kognitīvā veselība (negatīvā klase) | MCI (pozitīvā klase) |
| Pielāgots-23 Nefiltrēts/filtrēts | 101 (39.0%) | 158 (61.0%) |
| Pielāgots-26 Nefiltrēts/filtrēts | 49 (18.9%) | 210 (81.1%) |
| Nepielāgots — 23 nefiltrēts/filtrēts | 92 (35.5%) | 167 (64.5%) |
| Nepielāgots — 26 nefiltrēts/filtrēts | 42 (16.2%) | 217 (83.8%) |
Attiecīgais pacientu skaits un procentuālā daļa no kopējā pacientu skaita katrā klasē tiek diferencēti, pielāgojot punktu skaitu pēc izglītības (pielāgots vai nepielāgots) un klasifikācijas slieksni (23 vai 26), kas tiek piemērots abām funkciju kopām (nefiltrētais un filtrētais).
Uz MemTrax balstīta klīniskā novērtējuma modelēšana
No mūsu trim sākotnējām apakšdatu kopām (YH, XL, KM) tikai XL apakšdatu pacientiem tika neatkarīgi klīniski diagnosticēti kognitīvie traucējumi (ti, viņu attiecīgie MoCA rādītāji netika izmantoti, lai izveidotu normālu un traucētu klasifikāciju). Konkrēti, XL pacientiem tika diagnosticēts vai nu Alcheimera slimības tests (AD) vai asinsvadu demenci (VaD). Katrā no šīm primārās diagnozes kategorijām bija papildu apzīmējums MCI. MCI, demences, asinsvadu neirokognitīvo traucējumu un neirokognitīvo traucējumu diagnozes AD dēļ tika balstītas uz specifiskiem un atšķirīgiem diagnostikas kritērijiem, kas izklāstīti Garīgo traucējumu diagnostikas un statistikas rokasgrāmatā: DSM-5 [16]. Ņemot vērā šīs precizētās diagnozes, XL apakšdatu kopai tika atsevišķi piemērotas divas klasifikācijas modelēšanas shēmas, lai katrai primārās diagnozes kategorijai atšķirtu smaguma pakāpi (bojājuma pakāpi). Katrā no šīm diagnostikas modelēšanas shēmām (AD un VaD) izmantotie dati ietvēra demogrāfisko un pacienta vēstures informāciju, kā arī MemTrax veiktspēju (MTx-% C, vidējais MTx-RT). Katra diagnoze tika apzīmēta kā viegla, ja tā tika apzīmēta ar MCI; pretējā gadījumā tas tika uzskatīts par smagu. Sākotnēji mēs apsvērām iespēju iekļaut MoCA punktu skaitu diagnozes modeļos (vieglas un smagas); bet mēs nolēmām, ka tas pārsniegs mūsu sekundārās prognozēšanas modelēšanas shēmas mērķi. Šeit izglītojamie tiks apmācīti, izmantojot citus pakalpojumu sniedzējam viegli pieejamus pacienta raksturlielumus un vienkāršāka MemTrax testa (MoCA vietā) veiktspējas rādītājus, salīdzinot ar atsauces “zelta standartu”, neatkarīgu klīnisko diagnozi. AD diagnozes datu kopā bija 69 gadījumi un 76 VaD gadījumi (tabula 2). Abās datu kopās bija 12 neatkarīgi līdzekļi. Papildus 10 pazīmēm, kas iekļautas MoCA punktu klasifikācijā, pacienta vēsturē tika iekļauta arī informācija par hipertensijas un insulta vēsturi.
2. tabula
Kopsavilkums par modelēšanas shēmas variācijām, kas izmantotas diagnozes smaguma klasifikācijai (viegla pret smagu)
| Modelēšanas shēma | Viegla (negatīva klase) | Smags (pozitīvā klase) |
| MCI-AD pret AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD pret VaD | 38 (50.0%) | 38 (50.0%) |
Attiecīgais pacientu skaits un procentuālā daļa no kopējā pacientu skaita katrā klasē tiek diferencēti pēc primārās diagnozes kategorijas (AD vai VaD).
Statistika
Dalībnieku raksturlielumu un citu skaitlisko pazīmju salīdzinājums starp apakšdatu kopām katrai modeļa klasifikācijas stratēģijai (lai prognozētu MoCA kognitīvo veselību un diagnozes smagumu) tika veikts, izmantojot Python programmēšanas valodu (versija 2.7.1) [17]. Modeļa veiktspējas atšķirības sākotnēji tika noteiktas, izmantojot viena vai divu faktoru (atbilstoši) ANOVA ar 95% ticamības intervālu un Tukey godīgās būtiskās atšķirības (HSD) testu, lai salīdzinātu veiktspējas vidējos rādītājus. Šī modeļa veiktspējas atšķirību pārbaude tika veikta, izmantojot Python un R kombināciju (versija 3.5.1) [18]. Mēs izmantojām šo (lai gan, iespējams, mazāk par optimālo) pieeju tikai kā heiristisku palīglīdzekli agrīnā stadijā sākotnējiem modeļa veiktspējas salīdzinājumiem, paredzot iespējamo klīnisko pielietojumu. Pēc tam mēs izmantojām Beijesa parakstīto ranga testu, izmantojot aizmugurējo sadalījumu, lai noteiktu modeļa veiktspējas atšķirību varbūtību [19]. Šīm analīzēm mēs izmantojām intervālu -0.01, 0.01, kas nozīmē, ka, ja divu grupu veiktspējas atšķirība bija mazāka par 0.01, tās tika uzskatītas par vienādām (praktiskās ekvivalences reģionā) vai citādi tās bija atšķirīgas (viena labāka nekā otrs). Lai veiktu Bajesa klasifikatoru salīdzinājumu un aprēķinātu šīs varbūtības, mēs izmantojām baycomp bibliotēku (versija 1.0.2) Python 3.6.4.
Prognozējošā modelēšana
Mēs izveidojām paredzamos modeļus, izmantojot desmit kopējās mūsu modelēšanas shēmu variācijas, lai prognozētu (klasificētu) katra pacienta MoCA testa iznākumu vai klīniskās diagnozes smagumu. Visi apmācāmie tika pielietoti un modeļi tika veidoti, izmantojot atvērtā pirmkoda programmatūras platformu Weka [20]. Iepriekšējai analīzei mēs izmantojām 10 bieži lietotus mācību algoritmus: 5 tuvākie kaimiņi, divas C4.5 lēmumu koka versijas, loģistikas regresija, daudzslāņu perceptrons, naivais Bayes, divas Random Forest versijas, radiālā pamata funkciju tīkls un atbalsta vektors. Mašīna. Šo algoritmu galvenie atribūti un kontrasti ir aprakstīti citur [21] (sk. attiecīgo pielikumu). Tie tika izvēlēti, jo tie pārstāv dažādus apmācāmo veidus un tāpēc, ka mēs esam pierādījuši panākumus, izmantojot tos iepriekšējās līdzīgu datu analīzēs. Hiperparametru iestatījumi tika izvēlēti no mūsu iepriekšējiem pētījumiem, norādot, ka tie ir stabili, izmantojot dažādus datus [22]. Pamatojoties uz mūsu sākotnējās analīzes rezultātiem, izmantojot to pašu kombinēto datu kopu ar kopīgām iezīmēm, kas tika izmantotas pēc tam pilnajā analīzē, mēs identificējām trīs audzēkņus, kuri nodrošināja konsekventi spēcīgu sniegumu visās klasifikācijās: loģistikas regresija, naivi Bayes un atbalsta vektoru mašīna.
Savstarpēja validācija un modeļa veiktspējas metrika
Visai prognozējošajai modelēšanai (ieskaitot sākotnējās analīzes) katrs modelis tika izveidots, izmantojot 10 kārtīgu savstarpēju validāciju, un modeļa veiktspēja tika mērīta, izmantojot laukumu zem uztvērēja darbības raksturlīknes (AUC). Savstarpējā validācija sākās, nejauši sadalot katru no 10 modelēšanas shēmas datu kopām 10 vienādos segmentos (locījumus), izmantojot deviņus no šiem attiecīgajiem segmentiem, lai apmācītu modeli un atlikušo segmentu testēšanai. Šī procedūra tika atkārtota 10 reizes, kā testa komplektu katrā iterācijā izmantojot citu segmentu. Pēc tam rezultāti tika apvienoti, lai aprēķinātu gala modeļa rezultātu/veiktspēju. Katrai apmācāmā/datu kopas kombinācijai šis viss process tika atkārtots 10 reizes, katru reizi datus sadalot atšķirīgi. Šis pēdējais solis samazināja novirzi, nodrošināja atkārtojamību un palīdzēja noteikt kopējo modeļa veiktspēju. Kopumā (MoCA punktu skaita un diagnozes smaguma klasifikācijas shēmām kopā) tika uzbūvēti 6,600 modeļi. Tas ietvēra 1,800 nefiltrētu modeļu (6 modelēšanas shēmas, kas lietotas datu kopai × 3 apmācāmie × 10 palaišanas × 10 locīšanas = 1,800 modeļi) un 4,800 filtrētu modeļu (4 modelēšanas shēmas, kas piemērotas datu kopai × 3 apmācāmie × 4 funkciju atlases metodes × 10 palaišanas reizes × 10 locījumus = 4,800 modeļi).
Funkcijas izvēle
Filtrētajiem modeļiem funkciju atlase (izmantojot četras funkciju ranžēšanas metodes) tika veikta savstarpējās validācijas ietvaros. Katrai no 10 locībām, tā kā testa dati bija atšķirīgi 10% no datu kopas, tika izmantoti tikai četri galvenie atlasītie līdzekļi katrai apmācības datu kopai (ti, pārējās deviņas reizes vai atlikušie 90% no visas datu kopas). lai izveidotu modeļus. Mēs nevarējām apstiprināt, kuras četras funkcijas tika izmantotas katrā modelī, jo šī informācija netiek glabāta vai nav pieejama mūsu izmantotajā modelēšanas platformā (Weka). Tomēr, ņemot vērā mūsu sākotnējās populārāko līdzekļu atlases konsekvenci, kad ranžētāji tika piemēroti visai kombinētajai datu kopai, un turpmāko modelēšanas veiktspējas līdzību, šīs pašas funkcijas (vecums, izglītības gadi, MTx-% C un vidējais MTx-RT ), visticamāk, ir visizplatītākie četri, kas tiek izmantoti vienlaikus ar funkciju atlasi savstarpējās validācijas procesā.
REZULTĀTI
Dalībnieku skaitliskie raksturlielumi (tostarp MoCA rādītāji un MemTrax veiktspējas rādītāji) attiecīgajām datu kopām katrai modeļa klasifikācijas stratēģijai, lai prognozētu MoCA norādīto kognitīvo veselību (normālu pret MCI) un diagnozes smagumu (viegla pret smagu) ir parādīti 3. tabulā.
3. tabula
Dalībnieku raksturlielumi, MoCA rādītāji un MemTrax veiktspēja katrai modeļa klasifikācijas stratēģijai
| Klasifikācijas stratēģija | vecums | izglītība | MoCA pielāgots | MoCA Nekoriģēts | MTx-% C | MTx-RT |
| MoCA kategorija | 61.9 g (13.1) | 9.6 g (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 s (0.3) |
| Diagnozes smagums | 65.6 g (12.1) | 8.6 g (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 s (0.3) |
Parādītās vērtības (vidējās, SD), kas diferencētas pēc modelēšanas klasifikācijas stratēģijām, atspoguļo kombinēto datu kopu, ko izmanto, lai prognozētu MoCA norādīto kognitīvo veselību (MCI pret normālu), un XL apakšdatu kopa, ko izmanto tikai diagnozes smaguma prognozēšanai (viegla pret smagu).
Katrai MoCA rezultāta (pielāgots/nepielāgots) un sliekšņa (26/23) kombinācijai bija statistiska atšķirība (p = 0.000) katrā pāru salīdzinājumā (normāla kognitīvā veselība pret MCI) attiecībā uz vecumu, izglītību un MemTrax veiktspēju (MTx-% C un MTx-RT). Katra pacientu apakšdatu kopa attiecīgajā MCI klasē katrai kombinācijai bija vidēji par 9 līdz 15 gadiem vecāka, ziņoja par apmēram pieciem mazāk izglītības gadiem, un tai bija mazāk labvēlīga MemTrax veiktspēja abām metrikām.
Prognozējošie modelēšanas veiktspējas rezultāti MoCA punktu klasifikācijām, izmantojot trīs labākos apmācāmos — Logistic Regression, Naive Bayes un Support Vector Machine, ir parādīti 4. tabulā. Šie trīs tika izvēlēti, pamatojoties uz konsekventi augstāko absolūto apmācāmā veiktspēju visos dažādajos modeļos. attiecas uz datu kopām visām modelēšanas shēmām. Nefiltrētai datu kopai un modelēšanai katra no datu vērtībām 4. tabulā norāda modeļa veiktspēju, pamatojoties uz attiecīgo vidējo AUC, kas iegūta no 100 modeļiem (10 skrējieni × 10 reizes), kas izveidoti katrai apmācāmā/modelēšanas shēmas kombinācijai ar attiecīgo augstāko vērtību. veicošais apmācāmais norādīts treknrakstā. Savukārt filtrētās datu kopas modelēšanai 4. tabulā sniegtie rezultāti atspoguļo kopējo vidējo modeļa veiktspēju no 400 modeļiem katram apmācāmajam, izmantojot katru no funkciju ranžēšanas metodēm (4 funkciju ranžēšanas metodes × 10 skrējieni × 10 locīšanas reizes).
4. tabula
Dihotomās MoCA punktu klasifikācijas veiktspējas (AUC; 0.0–1.0) rezultāti katram no trim labākajiem izglītojamajiem visās attiecīgajās modelēšanas shēmās
| Izmantots funkciju komplekts | MoCA rezultāts | Nogriešanas slieksnis | Loģistiskā regresija | Naivais Bejs | Atbalstiet vektoru mašīnu |
| Nefiltrēts (10 funkcijas) | Pielāgots | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Nepielāgots | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Filtrēts (4 funkcijas) | Pielāgots | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Nepielāgots | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Izmantojot funkciju kopas, MoCA rezultāta un MoCA rezultāta ierobežojuma sliekšņa variācijas, katras modelēšanas shēmas augstākā veiktspēja ir parādīta tapa (ne vienmēr statistiski atšķiras no visiem citiem, kas nav iekļauti tapa attiecīgajam modelim).
Salīdzinot apmācāmos visās MoCA rezultātu versiju un sliekšņu kombinācijās (attiecīgi koriģēts/nepielāgots un 23/26) kombinētajā nefiltrētajā datu kopā (ti, izmantojot 10 kopīgās iezīmes), Naivs Beizs kopumā bija vislabākais izglītojamais ar kopējo rādītāju. klasifikācijas sniegums 0.9093. Ņemot vērā trīs labākos izglītojamos, ar Beijesa korelācijas paraksta ranga testi norādīja, ka varbūtība (Pr) Naive Bayes pārspēja Logistic Regression, bija 99.9%. Turklāt starp Naive Bayes un Support Vector Machine ir 21.0% iespējamība, ka audzēkņu sniegums būs praktiski līdzvērtīgs (tātad 79.0% varbūtība, ka Naive Bayes pārsniegs atbalsta vektora mašīnu), apvienojumā ar 0.0% varbūtību, ka atbalsta vektora mašīna darbosies labāk un izmērāmi. nostiprina Naive Bayes veiktspējas priekšrocības. Turpmāka MoCA rezultāta versijas salīdzināšana visiem izglītojamajiem/sliekšņiem liecināja par nelielu veiktspējas priekšrocību, izmantojot nekoriģētus MoCA punktus, salīdzinot ar koriģētiem (attiecīgi 0.9027 pret 0.8971; Pr (nekoriģēts > koriģēts) = 0.988). Līdzīgi, salīdzinot robežvērtību visiem izglītojamajiem un MoCA punktu skaitu, tika konstatēta neliela klasifikācijas veiktspējas priekšrocība, izmantojot 26 kā klasifikācijas slieksni pret 23 (attiecīgi 0.9056 pret 0.8942; Pr (26 > 23) = 0.999). Visbeidzot, pārbaudot to modeļu klasifikācijas veiktspēju, kas izmanto tikai filtrētos rezultātus (ti, tikai četras visaugstāk novērtētās funkcijas), Naive Bayes (0.9143) bija skaitliski vislabākais apmācāmais visās MoCA punktu versijās/sliekšņos. Tomēr, apvienojot visas funkcijas ranžēšanas paņēmienus, visi labākie studenti veica līdzīgus rezultātus. Bajesa parakstītā ranga testi parādīja 100% praktiskas līdzvērtības iespējamību starp katru filtrēto apmācāmo pāri. Tāpat kā ar nefiltrētiem datiem (izmantojot visas 10 izplatītās funkcijas), MoCA rezultāta nekoriģētajai versijai atkal bija veiktspējas priekšrocības (Pr (nekoriģēts > koriģēts) = 1.000), kā arī līdzīgi izteikta priekšrocība klasifikācijas slieksnim 26 (Pr (26 > 23) = 1.000). Konkrēti, katra no trim labākajiem apmācāmajiem vidējais sniegums visās MoCA punktu versijās/sliekšņos, izmantojot tikai četras visaugstāk novērtētās funkcijas, pārsniedza jebkura apmācāmā vidējo veiktspēju nefiltrētos datos. Nav pārsteidzoši, ka filtrēto modeļu (izmantojot četras visaugstāk novērtētās funkcijas) klasifikācijas veiktspēja kopumā bija labāka (0.9119) par nefiltrētajiem modeļiem (0.8999), neatkarīgi no funkciju ranžēšanas metodes modeļiem, kas tika salīdzināti ar attiecīgajiem modeļiem, izmantojot visus 10 izplatītos modeļus. Iespējas. Katrai funkciju atlases metodei bija 100% iespējamība, ka būs veiktspējas priekšrocības salīdzinājumā ar nefiltrētajiem modeļiem.
Ņemot vērā pacientu AD diagnozes smaguma klasifikāciju, atšķirības starp grupām (MCI-AD pret AD) vecuma ziņā (p = 0.004), izglītība (p = 0.028), MoCA rezultāts koriģēts/nepielāgots (p = 0.000), un MTx-% C (p = 0.008) bija statistiski nozīmīgi; tā kā MTx-RT tā nebija (p = 0.097). Ar tiem pacientiem, kuri tika ņemti vērā VaD diagnozes smaguma klasifikācijā, atšķirības starp grupām (MCI-VaD pret VaD) attiecībā uz MoCA punktu skaitu koriģētas/nepielāgotas (p = 0.007) un MTx-% C (p = 0.026) un MTx-RT (p = 0.001) bija statistiski nozīmīgi; tā kā vecuma dēļ (p = 0.511) un izglītība (p = 0.157) starp grupām nebija būtisku atšķirību.
Prognozējošās modelēšanas veiktspējas rezultāti diagnozes smaguma klasifikācijai, izmantojot trīs iepriekš atlasītos apmācāmos — Logistic Regression, Naive Bayes un Support Vector Machine, ir parādīti 5. tabulā. Turpretim papildu pārbaudītie apmācāmie individuāli uzrādīja nedaudz spēcīgākus rezultātus ar vienu no divām klīnisko diagnozes kategorijām. , trīs audzēkņi, kurus bijām identificējuši kā vislabvēlīgākie mūsu iepriekšējā modelēšanā, piedāvāja konsekventāko sniegumu abās jaunajās modelēšanas shēmās. Salīdzinot apmācāmos katrā no primārajām diagnozes kategorijām (AD un VaD), nebija konsekventas klasifikācijas atšķirības starp MCI-VaD un VaD apmācāmajiem, lai gan atbalsta vektora mašīna kopumā darbojās pamanāmāk. Tāpat nebija būtisku atšķirību starp apmācāmajiem MCI-AD un AD klasifikācijā, lai gan Naive Bayes (NB) bija neliela veiktspējas priekšrocība salīdzinājumā ar loģistikas regresiju (LR) un tikai niecīga daudzveidība salīdzinājumā ar atbalsta vektoru mašīnu ar 61.4% varbūtību. un attiecīgi 41.7%. Abās datu kopās atbalsta vektora mašīnai (SVM) bija vispārēja veiktspējas priekšrocība Pr (SVM > LR) = 0.819 un Pr (SVM > NB) = 0.934. Mūsu kopējais klasifikācijas sniegums visiem studentiem, prognozējot diagnozes smagumu XL apakšdatu kopā, bija labāks VaD diagnozes kategorijā salīdzinājumā ar AD (Pr (VAD > AD) = 0.998).
5. tabula
Dihotomās klīniskās diagnozes smaguma klasifikācijas veiktspējas (AUC; 0.0–1.0) rezultāti katram no trim labākajiem studentiem abās attiecīgajās modelēšanas shēmās
| Modelēšanas shēma | Loģistiskā regresija | Naivais Bejs | Atbalstiet vektoru mašīnu |
| MCI-AD pret AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD pret VaD | 0.8033 | 0.8044 | 0.8338 |
Katras modelēšanas shēmas augstākā veiktspēja ir parādīta tapa (ne vienmēr statistiski atšķiras no citiem, kas nav iekļauti tapa).
DISKUSIJA
Ir svarīgi savlaicīgi atklāt kognitīvās veselības izmaiņas praktiska lietderība personīgās veselības pārvaldībā un sabiedrības veselībā. Patiešām, tā ir arī ļoti liela prioritāte klīniskajos apstākļos pacientiem visā pasaulē. Kopējais mērķis ir brīdināt pacientus, aprūpētājus un pakalpojumu sniedzējus un nodrošināt agrāku atbilstošu un rentablu ārstēšanu un garengriezuma aprūpi tiem, kuri sāk izjust kognitīvās funkcijas samazināšanos. Apvienojot mūsu trīs slimnīcu/klīnika(-u) datu apakškopas, mēs identificējām trīs īpaši vēlamus audzēkņus (ar vienu ievērojamu izcilību — Naivai Beiza), lai izveidotu prognozēšanas modeļus, izmantojot MemTrax veiktspējas rādītāji, kas varētu droši klasificēt kognitīvās veselības stāvokli dihotomiski (normāla kognitīvā veselība vai MCI), kā to norāda MoCA kopējais rādītājs. Konkrēti, visu trīs audzēkņu vispārējā klasifikācijas veiktspēja uzlabojās, kad mūsu modeļi izmantoja tikai četras visaugstāk novērtētās funkcijas, kas galvenokārt ietvēra šos MemTrax veiktspējas rādītājus. Turklāt mēs atklājām pamatotu potenciālu izmantot tos pašus audzēkņus un MemTrax veiktspējas metriku diagnostikas atbalsta klasifikācijas modelēšanas shēmā, lai atšķirtu divu demences diagnozes kategoriju smagumu: AD un VaD.
Atmiņas pārbaude ir galvenais AD agrīnā atklāšanā [23, 24]. Tāpēc ir lietderīgi, ka MemTrax ir pieņemama, saistoša un viegli ieviešama tiešsaistē. skrīninga pārbaude epizodiskajai atmiņai vispārējā populācijā [6]. Atpazīšanas precizitāte un reakcijas laiki no šī nepārtrauktā izpildes uzdevuma ir īpaši atklājoši, identificējot agrīnu un mainīgu pasliktināšanos un no tā izrietošos deficītus neiroplastiskajos procesos, kas saistīti ar mācīšanos, atmiņu un izziņu. Tas nozīmē, ka šeit minētie modeļi, kas lielā mērā ir balstīti uz MemTrax veiktspējas rādītājiem, ir jutīgi pret un, visticamāk, viegli un ar minimālām izmaksām atklāj bioloģiskus neiropatoloģiskus deficītus pārejas asimptomātiskā stadijā krietni pirms būtiskāka funkcionālā zaudējuma [25]. Ashford et al. rūpīgi pētīja atpazīšanas atmiņas precizitātes un reakcijas laika modeļus un uzvedību tiešsaistes lietotājiem, kuri paši piedalījās ar MemTrax [6]. Ņemot vērā to, ka šiem sadalījumiem ir izšķiroša nozīme optimālā modelēšanā un derīgu un efektīvu pacientu aprūpes lietojumu izstrādē, klīniski piemērojamo atpazīšanas un reakcijas laika profilu noteikšana ir būtiska, lai izveidotu vērtīgu pamata atsauci klīniskajai un pētniecības lietderībai. MemTrax praktiskā vērtība AD skrīningā agrīnās stadijas kognitīvo traucējumu un diferenciāldiagnostikas atbalstam ir rūpīgi jāpārbauda klīniskās vides kontekstā, kur var ņemt vērā blakusslimības un kognitīvās, sensorās un motoriskās spējas, kas ietekmē testa veiktspēju. Un, lai informētu par profesionālo perspektīvu un veicinātu praktisku klīnisko lietderību, vispirms ir obligāti jāpierāda salīdzinājums ar vispāratzītu kognitīvā veselības novērtējuma testu, lai gan pēdējo var atpazīstami ierobežot apgrūtinošā loģistikas, izglītības un valodas atturēšanas faktori, kā arī kultūras ietekme [26]. . Šajā ziņā nozīmīgs ir labvēlīgais MemTrax klīniskās efektivitātes salīdzinājums ar MoCA, kas parasti tiek uzskatīts par nozares standartu, jo īpaši, ja ņem vērā MemTrax lietošanas vienkāršību un pacientu pieņemamību.
Iepriekšējā izpēte, salīdzinot MemTrax ar MoCA, izceļ pamatojumu un provizoriskos pierādījumus, kas pamato mūsu modelēšanas izmeklēšanu [8]. Tomēr šis iepriekšējais salīdzinājums tikai saistīja divus galvenos MemTrax veiktspējas rādītājus, kurus mēs pārbaudījām, ar kognitīvo stāvokli, ko noteica MoCA, un noteica attiecīgos diapazonus un robežvērtības. Mēs padziļinājām MemTrax klīniskās lietderības novērtējumu, izpētot uz prognozējamu modelēšanu balstītu pieeju, kas sniegtu individualizētāku citu potenciāli nozīmīgu pacienta specifisku parametru apsvēršanu. Atšķirībā no citiem, mēs neatradām priekšrocības modeļa veiktspējā, izmantojot izglītības korekciju (pielāgošanu) MoCA rezultātam vai mainot kognitīvo veselību diskriminējošo MoCA kopvērtējuma slieksni no sākotnēji ieteiktā 26 līdz 23 [12, 15]. Faktiski klasifikācijas veiktspējas priekšrocības deva priekšroku nekoriģētā MoCA rezultāta un augstākā sliekšņa izmantošanai.
Galvenie punkti klīniskajā praksē
Mašīnmācība bieži vien ir vislabāk izmantota un visefektīvākā paredzamajā modelēšanā, ja dati ir plaši un daudzdimensionāli, tas ir, ja ir daudz novērojumu un vienlaikus plašs augstvērtīgu (veicinošo) atribūtu klāsts. Tomēr, ņemot vērā šos pašreizējos datus, filtrētie modeļi ar tikai četrām atlasītajām funkcijām darbojās labāk nekā tie, kuros tika izmantotas visas 10 kopīgās funkcijas. Tas liek domāt, ka mūsu apkopotajai slimnīcu datu kopai nebija klīniski vispiemērotāko (augstvērtīgāko) pazīmju, lai šādā veidā optimāli klasificētu pacientus. Tomēr funkciju ranžēšanas uzsvars uz galvenajiem MemTrax veiktspējas rādītājiem — MTx-% C un MTx-RT — stingri atbalsta agrīnas stadijas kognitīvā deficīta skrīninga modeļu izveidi, pamatojoties uz šo testu, kas ir vienkāršs, viegli administrējams, lēts un trāpīgi atklāj. atmiņas veiktspēju, vismaz šobrīd kā sākotnējo ekrānu kognitīvās veselības stāvokļa binārajai klasifikācijai. Ņemot vērā arvien pieaugošo slodzi uz pakalpojumu sniedzējiem un veselības aprūpes sistēmām, pacientu skrīninga procesi un klīniskās lietojumprogrammas ir atbilstoši jāattīsta, liekot uzsvaru uz to pacientu raksturlielumu un testu metrikas apkopošanu, izsekošanu un modelēšanu, kas ir visnoderīgākie, izdevīgākie un pierādīti visefektīvākie diagnostikā. un pacientu vadības atbalsts.
Tā kā divas galvenās MemTrax metrikas ir MCI klasifikācijas pamatā, mūsu studentam ar vislabāko veiktspēju (Naive Bayes) bija ļoti augsta prognozēšanas veiktspēja lielākajā daļā modeļu (AUC virs 0.90) ar patiesi pozitīvo un kļūdaini pozitīvu attiecību, kas tuvojās vai nedaudz pārsniedza 4. : 1. Translācijas klīniskā lietojumprogramma, izmantojot šo apmācāmo, tādējādi aptvertu (pareizi klasificētu) lielāko daļu no tiem, kuriem ir kognitīvā deficīts, vienlaikus samazinot izmaksas, kas saistītas ar personas ar normālu kognitīvo veselību kļūdainu klasificēšanu kā kognitīvu deficītu (viltus pozitīvu) vai nav šīs klasifikācijas tiem, kuriem ir kognitīvs deficīts (viltus negatīvs). Jebkurš no šiem nepareizas klasifikācijas scenārijiem var radīt nepamatotu psihosociālu slogu pacientam un aprūpētājiem.
Lai gan sākotnējā un pilnajā analīzē mēs izmantojām visus desmit apmācāmos katrā modelēšanas shēmā, mēs koncentrējām savus rezultātus uz trim klasifikatoriem, kas uzrādīja viskonsekventākos rezultātus. Tas arī bija paredzēts, lai, pamatojoties uz šiem datiem, izceltu audzēkņus, kuri, domājams, praktiskajā klīniskajā praksē, nosakot kognitīvā stāvokļa klasifikāciju, varētu veikt drošus un augstus rezultātus. Turklāt, tā kā šis pētījums bija paredzēts kā ievadizpēte par mašīnmācīšanās lietderību kognitīvajā skrīningā un šīm savlaicīgajām klīniskajām problēmām, mēs pieņēmām lēmumu saglabāt mācīšanās metodes vienkāršas un vispārinātas ar minimālu parametru regulēšanu. Mēs novērtējam, ka šī pieeja, iespējams, ir ierobežojusi šaurāk definētu pacientam specifisku prognozēšanas iespēju potenciālu. Tāpat, lai gan modeļu apmācība, izmantojot tikai galvenās funkcijas (filtrētā pieeja), mūs informē par šiem datiem (konkrēti savākto datu nepilnībām un izceļ vērtīgā klīniskā laika un resursu optimizēšanas vērtību), mēs atzīstam, ka ir pāragri sašaurināt. modeļu darbības joma un līdz ar to visas (un citas pazīmes) būtu jāņem vērā turpmākajos pētījumos, līdz mums būs precīzāks prioritāro pazīmju profils, kas būtu piemērojams plašai populācijai. Tādējādi mēs arī pilnībā atzīstam, ka pirms to integrēšanas efektīvā klīniskajā pielietojumā būtu nepieciešami iekļaujošāki un plašāk reprezentatīvi dati un šo un citu modeļu optimizācija, jo īpaši, lai pielāgotos blakusslimībām, kas ietekmē kognitīvo veiktspēju, kas būtu jāņem vērā turpmākajā klīniskajā novērtējumā.
MemTrax lietderību vēl vairāk uzlaboja slimības smaguma modelēšana, pamatojoties uz atsevišķu klīnisko diagnozi. Labāka vispārējā klasifikācijas veiktspēja VaD smaguma prognozēšanā (salīdzinājumā ar AD) nebija pārsteidzoši, ņemot vērā pacienta profila iezīmes modeļos, kas raksturīgi asinsvadu veselībai un insulta risks, ti, hipertensija, hiperlipidēmija, diabēts un (protams) insulta vēsture. Lai gan būtu bijis vēlams un piemērotāk veikt tādu pašu klīnisko novērtējumu atbilstošiem pacientiem ar normālu kognitīvo veselību, lai apmācītu audzēkņus ar šiem iekļaujošākiem datiem. Tas ir īpaši pamatots, jo MemTrax ir paredzēts galvenokārt izmantot kognitīvā deficīta agrīnai noteikšanai un turpmākai individuālo izmaiņu izsekošanai. Ir arī ticams, ka vēlamāks datu sadalījums VaD datu kopā daļēji veicināja salīdzinoši labāku modelēšanas veiktspēju. VaD datu kopa bija labi līdzsvarota starp abām klasēm, savukārt AD datu kopa ar daudz mazāku MCI pacientu skaitu nebija. Īpaši mazās datu kopās pat daži papildu gadījumi var radīt izmērāmas atšķirības. Abas perspektīvas ir pamatoti argumenti, kas ir pamatā slimības smaguma modelēšanas veiktspējas atšķirībām. Tomēr ir pāragri proporcionāli attiecināt uzlaboto veiktspēju uz datu kopas skaitliskiem raksturlielumiem vai raksturīgajām iezīmēm, kas raksturīgas aplūkojamajai klīniskajai prezentācijai. Neskatoties uz to, šis romāns parādīja MemTrax paredzamā klasifikācijas modeļa lietderību klīniskās diagnostikas atbalsta lomā, sniedz vērtīgu perspektīvu un apstiprina vēlmi veikt papildu izmeklēšanu ar pacientiem visā MCI kontinuumā.
MemTrax un šo modeļu ieviešana un demonstrētā lietderība Ķīnā, kur valoda un kultūra krasi atšķiras no citiem reģioniem, kuros ir iedibināta lietderība (piemēram, Francija, Nīderlande un ASV) [7, 8, 27], vēl vairāk uzsver potenciālu. par plašu globālu atzinību un uz MemTrax balstītas platformas klīnisko vērtību. Šis ir uzskatāms piemērs, cenšoties saskaņot datus un izstrādāt praktiskas starptautiskas normas un modelēšanas resursus kognitīvajam skrīningam, kas ir standartizēti un viegli pielāgojami lietošanai visā pasaulē.
Nākamie soļi kognitīvās lejupslīdes modelēšanā un pielietošanā
Kognitīvā disfunkcija AD patiešām notiek nepārtraukti, nevis atsevišķos posmos vai posmos [28, 29]. Tomēr šajā agrīnajā fāzē mūsu mērķis bija vispirms noskaidrot mūsu spēju izveidot modeli ar MemTrax, kas var būtiski atšķirt “normālu” no “neparastu”. Iekļaujošāki empīriski dati (piemēram, smadzeņu attēlveidošana, ģenētiskās pazīmes, biomarķieri, blakusslimības un kompleksa funkcionālie marķieri darbības, kurām nepieciešama izziņa kontrole) [30] dažādos pasaules reģionos, populācijās un vecuma grupās, lai apmācītu un izstrādātu sarežģītākus (tostarp atbilstoši svērtus ansambļa) mašīnmācīšanās modeļus, atbalstīs lielāku uzlabotas klasifikācijas pakāpi, tas ir, spēju klasificēt pacientu grupas ar MCI mazākās un precīzākās apakškopās gar kognitīvās lejupslīdes kontinuumu. Turklāt ir būtiskas vienlaicīgas klīniskas diagnozes indivīdiem dažādās reģionāli dažādās pacientu grupās efektīvi trenēties šie iekļaujošākie un paredzami robustie modeļi. Tas atvieglos specifiskāku stratificētu gadījumu pārvaldību tiem, kuriem ir līdzīga izcelsme, ietekme un šaurāk definēti raksturīgi kognitīvie profili, un tādējādi optimizēs klīnisko lēmumu atbalstu un pacientu aprūpi.
Liela daļa attiecīgo klīnisko pētījumu līdz šim ir vērsta uz pacientiem ar vismaz vieglu demenci; un praksē pārāk bieži pacienta iejaukšanās tiek mēģināta tikai progresīvās stadijās. Tomēr, tā kā kognitīvā pasliktināšanās sākas krietni pirms demences klīnisko kritēriju izpildes, efektīvi pielietots uz MemTrax balstīts agrīnais skrīnings varētu veicināt atbilstošu personu izglītošanu par slimību un tās progresēšanu un ātrāku un savlaicīgāku iejaukšanos. Tādējādi agrīna atklāšana varētu atbalstīt piemērotu iesaistīšanos, sākot no vingrinājumiem, uztura, emocionālā atbalsta un uzlabotas socializācijas līdz farmakoloģiskai iejaukšanās, un pastiprināt ar pacientu saistītas izmaiņas uzvedībā un uztverē, kas atsevišķi vai kopumā varētu mazināt vai potenciāli apturēt demences progresēšanu [31, 32]. . Turklāt ar efektīvu agrīna skrīnings, indivīdi un viņu ģimenes var tikt aicināti apsvērt klīniskos pētījumus vai saņemt konsultācijas un citu sociālo pakalpojumu atbalstu, lai palīdzētu noskaidrot cerības un nodomus un pārvaldīt ikdienas uzdevumus. Turpmāka apstiprināšana un plaša praktiskā lietderība šajos veidos varētu būt noderīga, lai mazinātu vai apturētu MCI, AD un ADRD progresēšanu daudziem cilvēkiem.
Patiešām, mūsu pētījuma pacientu vecuma diapazona zemākais punkts neatspoguļo iedzīvotājus, kas tradicionāli satrauc AD. Neskatoties uz to, katras grupas vidējais vecums, kas izmantots klasifikācijas modelēšanas shēmās, pamatojoties uz MoCA punktu skaitu/slieksni un diagnozes smagumu (3. tabula), skaidri norāda, ka lielākā daļa (vairāk nekā 80%) ir vismaz 50 gadus veci. Tādējādi šis sadalījums ir ļoti piemērots vispārināšanai, atbalstot šo modeļu lietderību populācijā, kas raksturo tos, kurus parasti ietekmē agrīna sākums un strauji augoša neirokognitīvā slimība, ko izraisa AD un VaD. Arī jaunākie pierādījumi un perspektīva uzsver tos atzītos faktorus (piemēram, hipertensija, aptaukošanās, diabēts un smēķēšana), kas potenciāli veicina augstāku agrīnu. pieaugušo un pusmūža asinsvadu riska rādītāji un no tā izrietošs smalks asinsvadu smadzeņu bojājums, kas attīstās mānīgi ar acīmredzamām sekām pat jauniem pieaugušie [33–35]. Attiecīgi visoptimālākā sākotnējās skrīninga iespēja agrīnai atklāšanai stadiju kognitīvo deficītu un uzsākt efektīvas profilakses un iejaukšanās stratēģijas, lai veiksmīgi risinātu demenci parādīsies, pārbaudot veicinošos faktorus un iepriekšējos rādītājus visā vecuma diapazonā, tostarp agrīnā pieaugušā vecumā un, iespējams, pat bērnībā (ņemot vērā ģenētisko faktoru, piemēram, apolipoproteīna E, nozīmi no agrīnas grūtniecības).
Praksē derīgas klīniskas diagnozes un dārgas procedūras uzlabotai attēlveidošanai, ģenētiskai profilēšanai un daudzsološu biomarķieru mērīšanai ne vienmēr ir viegli pieejamas vai pat iespējamas daudziem pakalpojumu sniedzējiem. Tādējādi daudzos gadījumos sākotnējā vispārējā kognitīvā veselības stāvokļa klasifikācija var būt jāatvasina no modeļiem, izmantojot citus vienkāršus rādītājus, ko nodrošina pacients (piemēram, paša ziņots atmiņas problēmas, pašreizējās zāles un ikdienas aktivitātes ierobežojumi) un kopīgās demogrāfiskās pazīmes [7]. Reģistri, piemēram, Kalifornijas Universitāte Brain Veselība Reģistrs (https://www.brainhealthregistry.org/) [27] un citi, kam raksturīga lielāka pašnovērtēto simptomu klāsts, kvalitatīvi pasākumi (piemēram, miegs un ikdienas izziņa), medikamenti, veselības stāvoklis un vēsture, un detalizētāka demogrāfija būs noderīga, izstrādājot un apstiprinot šo primitīvāko modeļu praktisko pielietojumu klīnikā. Turklāt tāds tests kā MemTrax, kas ir pierādījis lietderību atmiņas funkcijas novērtēšanā, faktiski var sniegt ievērojami labāku AD patoloģijas novērtējumu nekā bioloģiskie marķieri. Ņemot vērā to, ka AD patoloģijas galvenā iezīme ir neiroplastiskuma traucējumi un ārkārtīgi sarežģīts sinapses zudums, kas izpaužas kā epizodisks atmiņas disfunkcija, pasākums, kas novērtē epizodisko atmiņu, patiesībā var sniedz labāku AD patoloģiskā slodzes novērtējumu nekā bioloģiskie marķieri dzīvam pacientam [36].
Ar visiem paredzamajiem modeļiem — neatkarīgi no tā, vai tos papildina sarežģīti un iekļaujoši dati no jaunākajām tehnoloģijām un rafinēts klīniskais ieskats vairākās jomās vai tādi, kas aprobežojas ar pamata un vieglāk pieejamu informāciju, kas raksturīga esošajiem pacientu profiliem — mākslīgā intelekta atzītā priekšrocība. un mašīnmācība ir tāda, ka iegūtie modeļi var sintezēt un induktīvi “mācīties” no atbilstošiem jauniem datiem un perspektīvas, ko nodrošina nepārtraukta lietojumprogrammu izmantošana. Pēc praktiskas tehnoloģiju nodošanas, jo šeit minētie modeļi (un tiks izstrādāti) tiek piemēroti un papildināti ar vairāk gadījumu un atbilstošiem datiem (tostarp pacientiem ar blakusslimībām, kas varētu izraisīt kognitīvās funkcijas samazināšanos), prognozēšanas veiktspēja un kognitīvās veselības klasifikācija būs stabilāka, kā rezultātā tiek nodrošināta efektīvāka klīnisko lēmumu atbalsta lietderība. Šī attīstība tiks pilnīgāk un praktiski realizēta, iestrādājot MemTrax pielāgotās (atbilstoši pieejamajām iespējām) platformām, kuras veselības aprūpes sniedzēji varētu izmantot klīnikā reāllaikā.
MemTrax modeļa apstiprināšanai un lietderībai diagnostikas atbalstam un pacientu aprūpei ir ļoti pieprasīti nozīmīgi garengriezuma dati. Novērojot un reģistrējot vienlaicīgas izmaiņas (ja tādas ir) klīniskajā stāvoklī adekvātā normas diapazonā līdz pat agrīnas stadijas MCI, modeļus atbilstošai pastāvīgai novērtēšanai un klasifikācijai var apmācīt un modificēt līdz ar pacienta vecumu un ārstēšanu. Tas nozīmē, ka atkārtota lietderība var palīdzēt gareniski izsekot vieglām kognitīvām izmaiņām, iejaukšanās efektivitāti un informētu stratificētu aprūpi. Šī pieeja ir ciešāk saskaņota ar klīnisko praksi un pacientu un gadījumu pārvaldību.
Ierobežojumi
Mēs novērtējam izaicinājumu un vērtību vākt tīrus klīniskos datus kontrolētā klīnikā/slimnīcā. Tomēr tas būtu uzlabojis mūsu modelēšanu, ja mūsu datu kopās būtu iekļauts vairāk pacientu ar kopīgām iezīmēm. Turklāt, ņemot vērā mūsu diagnozes modelēšanu, būtu bijis vēlams un piemērotāk veikt tādu pašu klīnisko novērtējumu atbilstošiem pacientiem ar normālu kognitīvo veselību, lai apmācītu audzēkņus. Un kā to uzsver augstāka klasifikācijas veiktspēja, izmantojot filtrētu datu kopu (tikai četras visaugstāk novērtētās funkcijas), vispārīgāka un kognitīvās veselības pasākumi/rādītāji, visticamāk, būtu uzlabojušies veiktspējas modelēšana ar lielāku kopīgu iezīmju skaitu visiem pacientiem.
Daži dalībnieki, iespējams, vienlaikus piedzīvoja citas slimības, kas varēja izraisīt pārejošus vai hroniskus kognitīvus trūkumus. Izņemot XL apakšdatu kopu, kurā pacienti tika diagnostiski klasificēti kā ar AD vai VaD, dati par blakusslimībām YH pacientu grupā netika apkopoti/ziņoti, un dominējošā ziņotā blakusslimība KM apakšdatu kopā bija diabēts. Tomēr ir apstrīdams, ka pacientu iekļaušana mūsu modelēšanas shēmās ar blakusslimībām, kas varētu izraisīt vai saasināt kognitīvā deficīta līmeni un no tā izrietošo zemāku MemTrax veiktspēju, vairāk atspoguļotu reālās pasaules mērķa pacientu populāciju šai vispārinātākai agrīnai kognitīvajai skrīningam. un modelēšanas pieeja. Virzoties uz priekšu, precīza blakusslimību diagnostika, kas potenciāli ietekmē kognitīvo veiktspēju, ir plaši izdevīga modeļu un to pacientu aprūpes lietojumprogrammu optimizēšanai.
Visbeidzot, YH un KM apakšdatu kopu pacienti izmantoja viedtālruni, lai veiktu MemTrax testu, savukārt ierobežots skaits XL apakšdatu kopu pacientu izmantoja iPad, bet pārējie izmantoja viedtālruni. Tas varēja radīt nelielu ar ierīci saistītu atšķirību MemTrax veiktspējā MoCA klasifikācijas modelēšanai. Tomēr atšķirības (ja tādas ir), piemēram, starp ierīcēm, MTx-RT, visticamāk, būtu niecīgas, jo īpaši, ja katram dalībniekam tiek dota “prakses” pārbaude tieši pirms reģistrētā testa izpildes. Tomēr šo divu rokas ierīču lietderība potenciāli apdraud tiešu salīdzināšanu un/vai integrāciju ar citiem MemTrax rezultātiem, kur lietotāji atbildēja uz atkārtotiem attēliem, pieskaroties atstarpes taustiņam datora tastatūrā.
Galvenie punkti par MemTrax prognozēšanas modelēšanas utilītu
- • Mūsu labākie prognozēšanas modeļi, kas ietver atlasītos MemTrax veiktspējas rādītājus, varētu droši klasificēt kognitīvās veselības stāvokli (normālu kognitīvo veselību vai MCI), kā to norāda plaši atzītais MoCA tests.
- • Šie rezultāti atbalsta atlasīto MemTrax veiktspējas metrikas integrāciju klasifikācijas paredzamā modeļa skrīninga lietojumprogrammā agrīnās stadijas kognitīvo traucējumu noteikšanai.
- • Mūsu klasifikācijas modelēšana atklāja arī MemTrax veiktspējas izmantošanas iespējas lietojumprogrammās, lai noteiktu demences diagnozes smagumu.
Šie jaunie atklājumi rada galīgus pierādījumus, kas apstiprina mašīnmācīšanās lietderību, veidojot uzlabotus, stabilus uz MemTrax balstītus klasifikācijas modeļus diagnostikas atbalstam efektīvā klīnisko gadījumu pārvaldībā un pacientu aprūpē personām, kurām ir kognitīvi traucējumi.
PATEICĪBA
Mēs atzīstam J. Wesson Ashford, Curtis B. Ashford un kolēģu darbu, izstrādājot un apstiprinot šeit izmantoto tiešsaistes nepārtrauktās atpazīšanas uzdevumu un rīku (MemTrax), un esam pateicīgi daudziem pacientiem ar demenci, kuri piedalījās kritiskā pamatpētījumā. . Mēs arī pateicamies Xianbo Zhou un viņa kolēģiem SJN Biomed LTD, viņa kolēģiem un līdzstrādniekiem slimnīcās / klīnikās, īpaši Dr. M. Luo un M. Džons, kuri palīdzēja pieņemt dalībniekus, ieplānot testus un vākt, reģistrēt un pārvaldīt datus, kā arī brīvprātīgie dalībnieki, kuri ziedoja savu vērtīgo laiku un apņēmās veikt testus un nodrošināt vērtīgos datus, kas mums jāizvērtē šajā pētījumā. Šis pētījumu daļēji atbalstīja MD Scientific Research Kuņmingas Medicīnas universitātes programma (granta Nr. 2017BS028 līdz XL) un Junaņas Zinātnes un tehnoloģiju departamenta pētniecības programma (granta Nr. 2019FE001 (-222) līdz XL).
J. Vesons Ešfords ir iesniedzis patenta pieteikumu par specifiskās nepārtrauktās atpazīšanas paradigmas izmantošanu, kas aprakstīta šajā dokumentā vispārīgiem atmiņas pārbaude.
MemTrax, LLC ir uzņēmums, kas pieder Kērtisam Ešfordam, un šis uzņēmums pārvalda atmiņas pārbaude sistēma, kas aprakstīta šajā rakstā.
Autoru informācija ir pieejama tiešsaistē (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
ATSAUCES
| [1] Alcheimera asociācijas (2016) 2016. gada Alcheimera slimības fakti un figūras. Alcheimera dements, 12, 459–509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Agrīnās stadijas ietekme Alcheimera slimība par mājsaimniecību finanšu rezultātiem. 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) kvalitātes uzlabošana neiroloģija: vieglu kognitīvo traucējumu kvalitātes mērījumu komplekts. Neiroloģija 93, 705–713. |
| [4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) Lietošanas izmaksu efektivitāte kognitīvās skrīninga testi demences un vieglu kognitīvo traucējumu noteikšanai primārajā aprūpē. Int J Geriatr Psychiatry 32, 1392–1400. | |
| [5] Ashford JW, Gere E, Bayley PJ (2011) Atmiņas mērīšana lielas grupas iestatījumos, izmantojot nepārtrauktu atpazīšanas testu. J Alzheimers Dis 27, 885–895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Datorizēts nepārtrauktas atpazīšanas uzdevums epizodiskās atmiņas mērīšanai. J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Epizodiskās atmiņas veiktspēja mašīnmācīšanās modelēšanā, lai prognozētu kognitīvās veselības stāvokļa klasifikāciju. J Alzheimers Dis 70, 277–286. |
| [8] van der Hoek MD, Nieuwenhuizen A, Keijer J, Ashford JW (2019) MemTrax tests salīdzinot ar monreālas kognitīvā novērtējuma novērtējumu par viegliem kognitīviem traucējumiem. J Alzheimers Dis 67, 1045–1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Izmantojot izolētas patskaņu skaņas vieglas traumatiskas smadzeņu traumas klasifikācijai. 2013. gadā IEEE starptautiskā akustikas, runas un signālu apstrādes konference, Vankūvera, BC, 7577.–7581. lpp. |
| [10] | Dabek F, Caban JJ (2015) Lielo datu izmantošana, lai modelētu psiholoģisko stāvokļu attīstības iespējamību pēc smadzeņu satricinājuma. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Lēmumu koks agrīnai kognitīvo traucējumu noteikšanai, ko veic kopienas farmaceiti. 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: īss skrīninga rīks viegliem kognitīviem traucējumiem. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012) Monreālas kognitīvā novērtējuma Pekinas versija kā īss skrīninga rīks viegliem kognitīviem traucējumiem: kopienas pētījums. 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) Monreālas kognitīvā novērtējuma pamata ķīniešu versijas validācija vieglu kognitīvo traucējumu skrīningam. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N, Leach L, Murphy KJ (2018) Monreālas kognitīvā novērtējuma (MoCA) robežpunktu atkārtota pārbaude. Int J Geriatr Psychiatry 33, 379–388. |
| [16] | American Psychiatric Association (2013) Darba grupa Garīgo traucējumu diagnostikas un statistikas rokasgrāmata: DSM-5™, American Psychiatric Publishing, Inc., Vašingtona, DC. |
| [17] | Python. Python Software Foundation, http://www.python.org, piekļūts 15. gada 2019. novembrī. |
| [18] | R Core Group, R: Valoda un vide statistikas skaitļošanai R Foundation for Statistical Computing, Vīne, Austrija. https://www.R-project.org/, 2018, Piekļuve 15. gada 2019. novembrī. |
| [19] | Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Laiks pārmaiņām: apmācība vairāku klasifikatoru salīdzināšanai, izmantojot Bajesa analīzi. J Mach Learn Res 18, 1-36. |
| [20] | Frank E, Halle MA, Witten IH (2016) The WEKA Workbench. In Datu ieguve: praktiski mašīnmācīšanās rīki un metodes, Frank E, Hall MA, Witten IH, Pal CJ, eds. Morgans Kaufmans 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) Mašīnmācība vidusskolas sporta satricinājuma simptomu atrisināšanas modelēšanā. Med Sci Sports Exerc 51, 1362–1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Eksperimentālās perspektīvas mācībām no nelīdzsvarotiem datiem. In 24. starptautiskās mašīnmācības konferences materiāli, Korvalisa, Oregona, ASV, 935.–942. lpp. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Alcheimera slimnieka novērtējums un mini-psihiskais stāvoklis: Vienumu raksturojošās līknes analīze.P. J Gerontol 44, 139–146. |
| [24] Ashford JW, Jarvik L (1985) Alcheimera slimība: Vai neironu plastiskums predisponē aksonu neirofibrilāru deģenerāciju? 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 JML , Rocca WA, Petersen RC (2019) Bioloģiskās un klīniski definētās Alcheimera spektra vienību izplatība, izmantojot Nacionālo novecošanas un Alcheimera institūtu Asociāciju pētījumi ietvaros. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X , Ashford JW (2019.) Sasniegumi skrīninga instrumentu jomā Alcheimera slimība. Aging Med 2, 88–93. | |
| [27] Weiner MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) The Brain Veselība Reģistrs: interneta platforma neiroloģijas pētījumu dalībnieku vervēšanai, novērtēšanai un garengriezuma uzraudzībai. Alzheimers Dement 14, 1063-1076. | |
| [28] Ashford JW, Schmitt FA (2001) Laika gaitas modelēšana Alcheimera demence. 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): Protokols Ķīnas garengriezuma novērošanas pētījumam, lai izstrādātu riska prognozēšanas modeļus pārejai uz viegliem kognitīviem traucējumiem indivīdiem ar subjektīviem kognitīviem traucējumiem. samazināšanās. BMJ Open 9, e028188. |
| [30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015) Piecu gadu biomarķieru progresēšanas mainīgums priekš Alcheimera slimības demence prognoze: vai sarežģītas instrumentālās ikdienas dzīves marķiera darbības var aizpildīt nepilnības? Alcheimera dements (Amst) 1, 521–532. | |
| [31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) Alcheimera slimības profilakse un ārstēšana: Vingrošanas bioloģiskie mehānismi. J Alzheimers Dis 69, 311-338. | |
| [32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Therapies for Alcheimera slimības profilakse un ārstēšana. 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) Asociācijas starp asinsvadu risku pieaugušā vecumā un smadzeņu patoloģiju vēlīnā dzīves posmā: Lielbritānijas dzimšanas kohortas pierādījumi. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) Demences domāšanas novēršana ārpus vecuma un amiloīda kastes. 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) Sistoliskā asinsspiediena ietekme uz baltās vielas integritāti jauniem pieaugušajiem Framingemas sirds pētījumā: krusts -sekcijas pētījums. 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) Biomarķieru testēšanas precizitāte neiropatoloģiski definētiem. Alcheimera slimība gados vecākiem pieaugušajiem ar demenci. Ann Intern Med 172, 669–677. |
Saistības: [a] SIVOTEC Analytics, Boca Raton, FL, ASV | [b] Datoru un elektrotehnikas un datorzinātņu nodaļa, Floridas Atlantijas universitāte, Boca Raton, FL, ASV | [c] SJN Biomed LTD, Kunming, Yunnan, Ķīna | [d] Centrs priekš Alcheimera pētījumi, Vašingtonas klīnisko pētījumu institūts, Vašingtona, DC, ASV | [e] Rehabilitācijas medicīnas nodaļa, Kunmingas Medicīnas universitātes pirmā saistītā slimnīca, Kunminga, Junaņa, Ķīna | [f] Dehongas Tautas slimnīcas Neiroloģijas nodaļa, Dehong, Yunnan, Ķīna | [g] Neiroloģijas nodaļa, Kunmingas Medicīnas universitātes pirmā saistītā slimnīca, Uhua apgabals, Kunminga, Junaņas province, Ķīna | [h] Ar karu saistītu slimību un ievainojumu studiju centrs, VA Palo Alto Veselības aprūpe System, Palo Alto, CA, ASV | [i] Stenfordas Universitātes Medicīnas skolas Psihiatrijas un uzvedības zinātņu nodaļa, Palo Alto, Kalifornija, ASV
Korespondence: [*] Sarakste: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. E-pasts: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Neiroloģijas nodaļa, Kunmingas Medicīnas universitātes pirmā saistītā slimnīca, 295 Xichang Road, Wuhua District, Kunming, Yunnan province 650032, Ķīna. E-pasts: ring@vip.163.com.
Atslēgvārdi: novecošana, Alcheimera slimība, demence, masveida skrīnings