മൈൽഡ് കോഗ്നിറ്റീവ് ഇംപയേർമെന്റിന്റെ വർഗ്ഗീകരണത്തിൽ MemTrax, മെഷീൻ ലേണിംഗ് മോഡലിംഗ് എന്നിവയുടെ പ്രയോജനം
ഗവേഷണ ലേഖനം
രചയിതാക്കൾ: ബെർഗെറോൺ, മൈക്കൽ എഫ്. | ലാൻഡ്സെറ്റ്, സാറ | Zhou, Xianbo | ഡിംഗ്, താവോ | ഖോഷ്ഗോഫ്താർ, തഗി എം. | ഷാവോ, ഫെങ് | ഡു, ബോ | ചെൻ, സിൻജി | വാങ്, ഷുവാൻ | Zhong, Lianmei | ലിയു, സിയാവോലി| ആഷ്ഫോർഡ്, ജെ. വെസ്സൻ
DOI: 10.3233/JAD-191340
ജേണൽ: ജേണൽ ഓഫ് അല്ഷിമേഴ്സ് രോഗം, വാല്യം. 77, നമ്പർ. 4, pp. 1545-1558, 2020
വേര്പെട്ടുനില്ക്കുന്ന
പശ്ചാത്തലം:
വ്യാപകമായ സംഭവങ്ങളും വ്യാപനവും അല്ഷിമേഴ്സ് രോഗം കൂടാതെ മൈൽഡ് കോഗ്നിറ്റീവ് ഇംപയർമെന്റ് (എംസിഐ) നേരത്തെയുള്ള കണ്ടെത്തൽ കോഗ്നിറ്റീവ് സ്ക്രീനിംഗും മൂല്യനിർണ്ണയവും സാധൂകരിക്കുന്നതിന് ഗവേഷണത്തിനായി അടിയന്തിര ആഹ്വാനത്തിന് പ്രേരിപ്പിച്ചു.
ലക്ഷ്യം:
മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ച് വികസിപ്പിച്ച പ്രവചന മാതൃകകളിൽ തിരഞ്ഞെടുത്ത MemTrax പ്രകടന അളവുകളും പ്രസക്തമായ ഡെമോഗ്രാഫിക്സും ആരോഗ്യ പ്രൊഫൈൽ സവിശേഷതകളും കോഗ്നിറ്റീവ് ഹെൽത്ത് (സാധാരണ, MCI) തരംതിരിക്കുന്നതിന് ഫലപ്രദമായി ഉപയോഗിക്കാനാകുമോ എന്ന് നിർണ്ണയിക്കുക എന്നതായിരുന്നു ഞങ്ങളുടെ പ്രാഥമിക ഗവേഷണ ലക്ഷ്യം. മോൺട്രിയൽ കോഗ്നിറ്റീവ് അസസ്മെന്റ് (MoCA).
രീതികൾ:
259 ന്യൂറോളജി, മെമ്മറി ക്ലിനിക്, ഇന്റേണൽ മെഡിസിൻ എന്നിവയിൽ രണ്ടുപേരിൽ നിന്ന് റിക്രൂട്ട് ചെയ്ത മുതിർന്ന രോഗികളിൽ ഞങ്ങൾ ഒരു ക്രോസ്-സെക്ഷണൽ പഠനം നടത്തി. ചൈനയിലെ ആശുപത്രികൾ. ഓരോ രോഗിക്കും ചൈനീസ് ഭാഷയിലുള്ള MoCA നൽകുകയും MemTrax ഓൺലൈൻ എപ്പിസോഡിക് സ്ഥിരമായ അംഗീകാരം നൽകുകയും ചെയ്തു. മെമ്മറി ടെസ്റ്റ് ഓൺലൈനിൽ അതെ ദിവസം. 10-മടങ്ങ് ക്രോസ് മൂല്യനിർണ്ണയത്തോടെയുള്ള മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ചാണ് പ്രവചന വർഗ്ഗീകരണ മോഡലുകൾ നിർമ്മിച്ചിരിക്കുന്നത്, കൂടാതെ റിസീവർ ഓപ്പറേറ്റിംഗ് ക്യാരക്റ്ററിസ്റ്റിക് കർവ് (AUC) കീഴിലുള്ള ഏരിയ ഉപയോഗിച്ച് മോഡൽ പ്രകടനം അളക്കുകയും ചെയ്തു. രണ്ട് മെംട്രാക്സ് പെർഫോമൻസ് മെട്രിക്‌സ് (ശതമാനം ശരി, പ്രതികരണ സമയം) ഉപയോഗിച്ചാണ് മോഡലുകൾ നിർമ്മിച്ചിരിക്കുന്നത്, കൂടാതെ എട്ട് പൊതുവായ ജനസംഖ്യാശാസ്ത്രവും വ്യക്തിഗത ചരിത്ര സവിശേഷതകളും.
ഫലം:
MoCA സ്കോറുകളുടെയും ത്രെഷോൾഡുകളുടെയും തിരഞ്ഞെടുത്ത കോമ്പിനേഷനുകളിലുടനീളം പഠിതാക്കളെ താരതമ്യപ്പെടുത്തുമ്പോൾ, 0.9093 എന്ന മൊത്തത്തിലുള്ള വർഗ്ഗീകരണ പ്രകടനത്തോടെ നേവ് ബേയ്‌സ് പൊതുവെ മികച്ച പ്രകടനം നടത്തുന്ന പഠിതാവായിരുന്നു. കൂടാതെ, മികച്ച മൂന്ന് പഠിതാക്കളിൽ, എല്ലാ 0.9119 പൊതു സവിശേഷതകളും (10) ഉപയോഗിക്കുന്നതിനെ അപേക്ഷിച്ച് ഏറ്റവും മികച്ച നാല് സവിശേഷതകൾ (0.8999) ഉപയോഗിച്ച് MemTrax അടിസ്ഥാനമാക്കിയുള്ള വർഗ്ഗീകരണ പ്രകടനം മൊത്തത്തിൽ മികച്ചതായിരുന്നു.
തീരുമാനം:
ഒരു മെഷീൻ ലേണിംഗ് ക്ലാസിഫിക്കേഷൻ പ്രവചന മാതൃകയിൽ MemTrax പ്രകടനം ഫലപ്രദമായി ഉപയോഗിക്കാനാകും പ്രാരംഭ ഘട്ടത്തിലുള്ള വൈജ്ഞാനിക വൈകല്യം കണ്ടെത്തുന്നതിനുള്ള സ്ക്രീനിംഗ് ആപ്ലിക്കേഷൻ.
ആമുഖം
അംഗീകൃത (രോഗനിർണ്ണയം ചെയ്യപ്പെടാതെയാണെങ്കിലും) വ്യാപകമായ സംഭവങ്ങളും വ്യാപനവും സമാന്തരമായി വർദ്ധിക്കുന്ന മെഡിക്കൽ, സാമൂഹിക, പൊതു ആരോഗ്യം അൽഷിമേഴ്സ് രോഗത്തിന്റെ (എഡി), മൈൽഡ് കോഗ്നിറ്റീവ് ഇമ്പയേർമെന്റിന്റെ (എംസിഐ) ചെലവുകളും ഭാരവും എല്ലാ പങ്കാളികളെയും കൂടുതൽ ബുദ്ധിമുട്ടിക്കുന്നു [1, 2]. ഈ സങ്കടകരവും ബൂർഷ്‌നിംഗും ആയ സാഹചര്യം സാധൂകരിക്കാനുള്ള ഗവേഷണത്തിനുള്ള അടിയന്തര ആഹ്വാനത്തിന് പ്രേരിപ്പിച്ചു നേരത്തെയുള്ള കണ്ടെത്തൽ വൈവിധ്യമാർന്ന പ്രദേശങ്ങളിലും ജനസംഖ്യയിലും ഉള്ള പ്രായമായ രോഗികൾക്ക് വ്യക്തിഗതവും ക്ലിനിക്കൽ ക്രമീകരണങ്ങളിലെ പതിവ് പ്രായോഗിക ഉപയോഗത്തിനുള്ള കോഗ്നിറ്റീവ് സ്ക്രീനിംഗും മൂല്യനിർണ്ണയ ഉപകരണങ്ങളും [3]. ഇലക്ട്രോണിക് ഹെൽത്ത് റെക്കോർഡുകളിലേക്ക് വിജ്ഞാനപ്രദമായ ഫലങ്ങൾ തടസ്സങ്ങളില്ലാതെ വിവർത്തനം ചെയ്യുന്നതിനും ഈ ഉപകരണങ്ങൾ നൽകണം. നേരത്തെ തന്നെ കാര്യമായ മാറ്റങ്ങൾ തിരിച്ചറിയാൻ രോഗികളെ അറിയിക്കുകയും ഡോക്ടർമാരെ സഹായിക്കുകയും ചെയ്യുന്നതിലൂടെയും അനുഭവിക്കാൻ തുടങ്ങുന്നവർക്ക് ഉചിതമായ വ്യക്തിഗതവും കൂടുതൽ ചെലവ് കുറഞ്ഞതുമായ ചികിത്സയും രോഗി പരിചരണവും കൂടുതൽ വേഗത്തിലും സമയബന്ധിതമായ സ്‌ട്രാറ്റിഫിക്കേഷനും നടപ്പിലാക്കലും ട്രാക്കിംഗും പ്രാപ്തമാക്കുന്നതിലൂടെയും നേട്ടങ്ങൾ സാക്ഷാത്കരിക്കപ്പെടും. വൈജ്ഞാനിക തകർച്ച [3, 4].
കമ്പ്യൂട്ടറൈസ്ഡ് മെംട്രാക്സ് ടൂൾ (https://memtrax.com) ലളിതവും ഹ്രസ്വവുമായ തുടർച്ചയായ തിരിച്ചറിയൽ മൂല്യനിർണ്ണയമാണ്, വെല്ലുവിളി നിറഞ്ഞ സമയബന്ധിതമായ എപ്പിസോഡിക് മെമ്മറി പ്രകടനം അളക്കാൻ ഓൺലൈനിൽ സ്വയം നിയന്ത്രിക്കാൻ കഴിയുന്ന ഒരു പ്രാരംഭ അവതരണത്തോടല്ല, ആവർത്തിച്ചുള്ള ചിത്രങ്ങളോട് ഉപയോക്താവ് പ്രതികരിക്കുന്നു [5, 6]. സമീപകാല ഗവേഷണങ്ങളും ഫലമായുണ്ടാകുന്ന പ്രായോഗിക പ്രത്യാഘാതങ്ങളും മെംട്രാക്സിന്റെ ക്ലിനിക്കൽ ഫലപ്രാപ്തിയെ AD, MCI സ്ക്രീനിംഗ് [5-7] ന്റെ തുടക്കത്തിലും കൂട്ടമായും തെളിയിക്കാൻ തുടങ്ങിയിരിക്കുന്നു. എന്നിരുന്നാലും, ക്ലിനിക്കൽ യൂട്ടിലിറ്റിയെ നിലവിലുള്ളതുമായി നേരിട്ട് താരതമ്യം ചെയ്യുന്നു വൈജ്ഞാനിക ആരോഗ്യം പ്രൊഫഷണൽ വീക്ഷണം അറിയിക്കുന്നതിനും മെംട്രാക്സ് യൂട്ടിലിറ്റി സ്ഥിരീകരിക്കുന്നതിനും നേരത്തെയുള്ള കണ്ടെത്തലിലും ഡയഗ്നോസ്റ്റിക് പിന്തുണയിലും മൂല്യനിർണ്ണയവും പരമ്പരാഗത മാനദണ്ഡങ്ങളും ആവശ്യമാണ്. വാൻ ഡെർ ഹോക്ക് et al. [8] തിരഞ്ഞെടുത്ത MemTrax പ്രകടന അളവുകോലുകളെ (പ്രതികരണ വേഗതയും ശരിയായ ശതമാനവും) മോൺട്രിയൽ നിർണ്ണയിക്കുന്ന വൈജ്ഞാനിക നിലയുമായി താരതമ്യം ചെയ്തു കോഗ്നിറ്റീവ് അസസ്മെന്റ് (MoCA). എന്നിരുന്നാലും, ഈ പഠനം ഈ പ്രകടന സൂചകങ്ങളെ കോഗ്നിറ്റീവ് സ്റ്റാറ്റസിന്റെ സ്വഭാവരൂപീകരണവുമായി ബന്ധപ്പെടുത്തുന്നതിലും (MoCA നിർണ്ണയിക്കുന്നത് പോലെ) ആപേക്ഷിക ശ്രേണികളും കട്ട്ഓഫ് മൂല്യങ്ങളും നിർവചിക്കുന്നതിലും പരിമിതപ്പെടുത്തിയിരിക്കുന്നു. അതനുസരിച്ച്, ഈ അന്വേഷണം വിപുലീകരിക്കുന്നതിനും വർഗ്ഗീകരണ പ്രകടനവും കാര്യക്ഷമതയും മെച്ചപ്പെടുത്തുന്നതിനും, ഞങ്ങളുടെ പ്രാഥമിക ഗവേഷണ ചോദ്യം ഇതായിരുന്നു:
- ഒരു വ്യക്തിയുടെ തിരഞ്ഞെടുത്ത MemTrax പ്രകടന അളവുകളും പ്രസക്തമായ ജനസംഖ്യാശാസ്ത്രവും ആരോഗ്യവും നൽകാമോ പ്രൊഫൈൽ ഒരാളുടെ MoCA സ്കോർ സൂചിപ്പിക്കുന്നത് പോലെ, കോഗ്നിറ്റീവ് ഹെൽത്ത് ദ്വിമുഖമായി (സാധാരണ, MCI) തരംതിരിക്കുന്നതിന്, മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ച് വികസിപ്പിച്ച ഒരു പ്രവചന മാതൃകയിൽ സ്വഭാവസവിശേഷതകൾ ഫലപ്രദമായി ഉപയോഗിക്കണോ?
ഇതിന്റെ ദ്വിതീയമായി, ഞങ്ങൾ അറിയാൻ ആഗ്രഹിച്ചു:
- സമാന സവിശേഷതകൾ ഉൾപ്പെടെ, ഒരു സ്വതന്ത്ര ക്ലിനിക്കൽ ഡയഗ്നോസിസ് നിർണ്ണയിക്കുന്നത് പോലെ, തിരഞ്ഞെടുത്ത വിഭാഗങ്ങളിലെ വൈജ്ഞാനിക വൈകല്യങ്ങൾക്കുള്ളിൽ തീവ്രത (മിതമായതും കഠിനവും) പ്രവചിക്കുന്നതിന് MemTrax പ്രകടനത്തെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു മെഷീൻ ലേണിംഗ് മോഡൽ ഒരു രോഗിക്ക് ഫലപ്രദമായി പ്രയോഗിക്കാൻ കഴിയുമോ?
ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെയും വികസിച്ചുകൊണ്ടിരിക്കുന്ന പ്രായോഗിക പ്രയോഗവും സ്ക്രീനിംഗ്/ഡിറ്റക്ഷനിലെ മെഷീൻ ലേണിംഗ് ഇതിനകം തന്നെ വ്യതിരിക്തമായ പ്രായോഗിക നേട്ടങ്ങൾ പ്രകടമാക്കിയിട്ടുണ്ട്, പ്രവചനാത്മക മോഡലിംഗ്, വൈജ്ഞാനിക/മസ്തിഷ്ക ആരോഗ്യത്തിന്റെയും രോഗി മാനേജ്മെന്റിന്റെയും വെല്ലുവിളി നിറഞ്ഞ വിലയിരുത്തലിൽ ക്ലിനിക്കുകളെ ഫലപ്രദമായി നയിക്കുന്നു. ഞങ്ങളുടെ പഠനത്തിൽ, MCI ക്ലാസിഫിക്കേഷൻ മോഡലിംഗിലും കോഗ്നിറ്റീവ് ഇംപേർമെന്റ് തീവ്രത വിവേചനത്തിലും സമാനമായ ഒരു സമീപനം ഞങ്ങൾ തിരഞ്ഞെടുത്തു, ചൈനയിലെ രണ്ട് ആശുപത്രികളിൽ നിന്നുള്ള തിരഞ്ഞെടുത്ത സന്നദ്ധ കിടപ്പുരോഗികളെയും ഔട്ട്പേഷ്യൻറുകളെയും പ്രതിനിധീകരിക്കുന്ന മൂന്ന് ഡാറ്റാസെറ്റുകളിൽ നിന്നുള്ള ക്ലിനിക്കൽ ഡയഗ്നോസിസ് സ്ഥിരീകരിച്ചു. മെഷീൻ ലേണിംഗ് പ്രെഡിക്റ്റീവ് മോഡലിംഗ് ഉപയോഗിച്ച്, വിവിധ ഡാറ്റാസെറ്റ്/ലേണർ കോമ്പിനേഷനുകളിൽ നിന്ന് മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്ന പഠിതാക്കളെ ഞങ്ങൾ കണ്ടെത്തി, ഏറ്റവും ക്ലിനിക്കലി പ്രായോഗിക മോഡൽ ആപ്ലിക്കേഷനുകൾ നിർവചിക്കുന്നതിന് ഞങ്ങളെ നയിക്കാൻ സവിശേഷതകൾ റാങ്ക് ചെയ്തു.
MoCA അഗ്രഗേറ്റ് സ്കോർ ത്രെഷോൾഡ് മാനദണ്ഡത്തെ അടിസ്ഥാനമാക്കി കോഗ്നിറ്റീവ് ഹെൽത്ത് ദ്വിമുഖമായി (സാധാരണ അല്ലെങ്കിൽ MCI) തരംതിരിക്കാൻ സാധുതയുള്ള MemTrax-അധിഷ്ഠിത മോഡൽ ഉപയോഗപ്പെടുത്താമെന്നും, തിരഞ്ഞെടുത്ത വിഭാഗങ്ങളിലെ കാഠിന്യം വിവേചനം കാണിക്കുന്നതിന് സമാനമായ MemTrax പ്രവചന മാതൃക ഫലപ്രദമായി ഉപയോഗിക്കാമെന്നുമായിരുന്നു ഞങ്ങളുടെ അനുമാനങ്ങൾ. ക്ലിനിക്കൽ രോഗനിർണയം കോഗ്നേറ്റീവ് വൈകല്യം. മെംട്രാക്സിന്റെ ഫലപ്രാപ്തിയെ പിന്തുണയ്‌ക്കുന്നതിൽ മുൻകരുതൽ ഫലങ്ങൾ പ്രകടിപ്പിക്കുന്നത്, വൈജ്ഞാനിക തകർച്ചയ്ക്കും വൈജ്ഞാനിക വൈകല്യ വർഗ്ഗീകരണത്തിനുമുള്ള ഒരു നേരത്തെയുള്ള കണ്ടെത്തൽ സ്‌ക്രീൻ എന്ന നിലയിൽ സഹായകമാകും. വളരെ എളുപ്പവും വേഗത്തിലുള്ള യൂട്ടിലിറ്റിയും കൊണ്ട് പൂർത്തീകരിക്കപ്പെട്ട ഒരു വ്യവസായ സ്റ്റാൻഡേർഡുമായി അനുകൂലമായ താരതമ്യം, പ്രാരംഭ (പ്രോഡ്രോമൽ ഉൾപ്പെടെ) ഘട്ടത്തിലെ വൈജ്ഞാനിക കമ്മികൾ കണ്ടെത്തുന്നതിനുള്ള പ്രാരംഭ സ്ക്രീനായി ഈ ലളിതവും വിശ്വസനീയവും ആക്സസ് ചെയ്യാവുന്നതുമായ ഉപകരണം സ്വീകരിക്കാൻ ഡോക്ടർമാരെ സഹായിക്കുന്നതിൽ സ്വാധീനം ചെലുത്തും. അത്തരം ഒരു സമീപനവും പ്രയോജനവും അങ്ങനെ കൂടുതൽ സമയബന്ധിതവും മികച്ചതുമായ വ്യാപ്തിയുള്ള രോഗി പരിചരണവും ഇടപെടലും പ്രേരിപ്പിക്കും. എഡി, എഡിയുമായി ബന്ധപ്പെട്ട ഡിമെൻഷ്യകൾ (എഡിആർഡി) ഉൾപ്പെടെയുള്ള ഡിമെൻഷ്യ പുരോഗതി ലഘൂകരിക്കുന്നതിനും തടയുന്നതിനും ഈ ഫോർവേഡ്-തിങ്കിംഗ് ഉൾക്കാഴ്ചകളും മെച്ചപ്പെടുത്തിയ അളവുകളും മോഡലുകളും സഹായകമാകും.
വസ്തുക്കളും രീതികളും
ജനസംഖ്യ പഠിക്കുക
2018 ജനുവരിക്കും 2019 ഓഗസ്റ്റിനും ഇടയിൽ, ചൈനയിലെ രണ്ട് ആശുപത്രികളിൽ നിന്ന് റിക്രൂട്ട് ചെയ്ത രോഗികളെക്കുറിച്ചുള്ള ക്രോസ്-സെക്ഷണൽ ഗവേഷണം പൂർത്തിയായി. 5 വയസും അതിൽ കൂടുതലുമുള്ള വ്യക്തികൾക്ക് MemTrax [21] നൽകുകയും ആ ഡാറ്റയുടെ ശേഖരണവും വിശകലനവും നൈതിക മാനദണ്ഡങ്ങൾക്കനുസൃതമായി അവലോകനം ചെയ്യുകയും അംഗീകരിക്കുകയും നിർവ്വഹിക്കുകയും ചെയ്തു. മാനുഷികമായ സ്റ്റാൻഫോർഡ് യൂണിവേഴ്സിറ്റിയുടെ സബ്ജക്റ്റ് പ്രൊട്ടക്ഷൻ കമ്മിറ്റി. മെംട്രാക്സും ഈ മൊത്തത്തിലുള്ള പഠനത്തിനായുള്ള മറ്റെല്ലാ പരിശോധനകളും 1975-ലെ ഹെൽസിങ്കി പ്രഖ്യാപനം അനുസരിച്ചാണ് നടത്തിയത് കൂടാതെ ചൈനയിലെ യുനാനിലെ കുൻമിങ്ങിലുള്ള കുൻമിംഗ് മെഡിക്കൽ യൂണിവേഴ്സിറ്റിയുടെ ഫസ്റ്റ് അഫിലിയേറ്റഡ് ഹോസ്പിറ്റലിന്റെ ഇൻസ്റ്റിറ്റ്യൂഷണൽ റിവ്യൂ ബോർഡ് അംഗീകരിച്ചു. ഓരോ ഉപയോക്താവിനും ഒരു നൽകിയിട്ടുണ്ട് അറിവോടെയുള്ള സമ്മതം വായിക്കാൻ/അവലോകനം ചെയ്യാനുള്ള ഫോം, തുടർന്ന് പങ്കെടുക്കാൻ സ്വമേധയാ സമ്മതിക്കുക.
യാൻഹുവ ഹോസ്പിറ്റലിലെ (YH സബ്-ഡാറ്റസെറ്റ്) ന്യൂറോളജി ക്ലിനിക്കിലെ ഔട്ട്പേഷ്യൻറ് ഗ്രൂപ്പിൽ നിന്നാണ് പങ്കെടുക്കുന്നവരെ റിക്രൂട്ട് ചെയ്തത്. കുൻമിംഗ് മെഡിക്കലിന്റെ ആദ്യ അഫിലിയേറ്റഡ് ഹോസ്പിറ്റലിലെ മെമ്മറി ക്ലിനിക് ചൈനയിലെ ബെയ്ജിംഗിലുള്ള യൂണിവേഴ്സിറ്റി (XL സബ്-ഡാറ്റസെറ്റ്). കുൻമിംഗ് മെഡിക്കൽ യൂണിവേഴ്സിറ്റിയുടെ ഫസ്റ്റ് അഫിലിയേറ്റഡ് ഹോസ്പിറ്റലിലെ ന്യൂറോളജി (എക്സ്എൽ സബ്-ഡാറ്റസെറ്റ്), ഇന്റേണൽ മെഡിസിൻ (കെഎം സബ്-ഡാറ്റസെറ്റ്) ഇൻപേഷ്യൻറ് എന്നിവയിൽ നിന്നും പങ്കെടുക്കുന്നവരെ റിക്രൂട്ട് ചെയ്തു. ഉൾപ്പെടുത്തൽ മാനദണ്ഡങ്ങളിൽ ഉൾപ്പെടുന്നു 1) കുറഞ്ഞത് 21 വയസ്സ് പ്രായമുള്ള പുരുഷന്മാരും സ്ത്രീകളും, 2) ചൈനീസ് സംസാരിക്കാനുള്ള കഴിവ് (മാൻഡറിൻ), 3) വാക്കാലുള്ളതും രേഖാമൂലമുള്ളതുമായ നിർദ്ദേശങ്ങൾ മനസ്സിലാക്കാനുള്ള കഴിവ്. ഒഴിവാക്കൽ മാനദണ്ഡങ്ങൾ കാഴ്ചയും മോട്ടോർ വൈകല്യങ്ങളും പങ്കാളികളെ പൂർത്തിയാക്കുന്നതിൽ നിന്ന് തടയുന്നു മെംട്രാക്സ് ടെസ്റ്റ്, അതുപോലെ നിർദ്ദിഷ്ട ടെസ്റ്റ് നിർദ്ദേശങ്ങൾ മനസ്സിലാക്കാനുള്ള കഴിവില്ലായ്മ.
MemTrax-ന്റെ ചൈനീസ് പതിപ്പ്
ഓൺലൈനിൽ MemTrax ടെസ്റ്റ് പ്ലാറ്റ്ഫോം വിവർത്തനം ചെയ്തു ചൈനീസ് ഭാഷയിലേക്ക് (URL: https://www.memtrax.com.cn) കൂടാതെ WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) മുഖേന സ്വയം ഭരണനിർവഹണത്തിനായി ഉപയോഗിക്കുന്നതിന് കൂടുതൽ അനുയോജ്യമാക്കുന്നു. ചൈനയിൽ സ്ഥിതി ചെയ്യുന്ന ഒരു ക്ലൗഡ് സെർവറിൽ (അലി ക്ലൗഡ്) ഡാറ്റ സംഭരിക്കുകയും അലിബാബയിൽ നിന്ന് (അലിബാബ ടെക്നോളജി കമ്പനി ലിമിറ്റഡ്, ഹാങ്‌സോ, സെജിയാങ്, ചൈന) ലൈസൻസ് നേടുകയും ചെയ്തത് SJN Biomed LTD (Kunming, Yunnan, China) ആണ്. MemTrax-നെ കുറിച്ചുള്ള പ്രത്യേക വിശദാംശങ്ങളും ഇവിടെ ഉപയോഗിച്ചിരിക്കുന്ന ടെസ്റ്റ് സാധുത മാനദണ്ഡങ്ങളും മുമ്പ് വിവരിച്ചിട്ടുണ്ട് [6]. രോഗികൾക്ക് യാതൊരു നിരക്കും ഈടാക്കാതെയാണ് പരിശോധന നടത്തിയത്.
നടപടിക്രമങ്ങൾ പഠിക്കുക
ഇൻപേഷ്യന്റ്‌സ്, ഔട്ട്‌പേഷ്യന്റ്‌സ് എന്നിവർക്കായി, പ്രായം, ലിംഗഭേദം, വിദ്യാഭ്യാസത്തിന്റെ വർഷങ്ങൾ, തൊഴിൽ, എന്നിങ്ങനെയുള്ള ജനസംഖ്യാപരമായതും വ്യക്തിഗതവുമായ വിവരങ്ങൾ ശേഖരിക്കുന്നതിനുള്ള ഒരു പൊതു പേപ്പർ ചോദ്യാവലി ഒറ്റയ്ക്ക് താമസിക്കുന്നു അല്ലെങ്കിൽ കുടുംബത്തോടൊപ്പമാണ്, കൂടാതെ പഠന സംഘത്തിലെ ഒരു അംഗമാണ് മെഡിക്കൽ ചരിത്രം നൽകിയത്. ചോദ്യാവലി പൂർത്തിയാക്കിയ ശേഷം, MoCA [12], MemTrax ടെസ്റ്റുകൾ (MoCA ആദ്യം) നടത്തി, ടെസ്റ്റുകൾക്കിടയിൽ 20 മിനിറ്റിൽ കൂടരുത്. MemTrax ശതമാനം ശരിയാണ് (MTx-% C), ശരാശരി പ്രതികരണ സമയം (MTx-RT), പരിശോധനയുടെ തീയതിയും സമയവും ഓരോ പങ്കാളിക്കും വേണ്ടിയുള്ള പഠന സംഘത്തിലെ ഒരു അംഗം പേപ്പറിൽ രേഖപ്പെടുത്തി. പൂർത്തിയാക്കിയ ചോദ്യാവലിയും MoCA യുടെ ഫലങ്ങളും ഒരു എക്‌സൽ സ്‌പ്രെഡ്‌ഷീറ്റിലേക്ക് അപ്‌ലോഡ് ചെയ്ത ഗവേഷകൻ പരിശോധനകൾ നടത്തി, എക്‌സൽ ഫയലുകൾ വിശകലനത്തിനായി സേവ് ചെയ്യുന്നതിനുമുമ്പ് ഒരു സഹപ്രവർത്തകൻ പരിശോധിച്ചു.
മെംട്രാക്സ് ടെസ്റ്റ്
MemTrax ഓൺലൈൻ ടെസ്റ്റിൽ 50 ചിത്രങ്ങൾ (25 അദ്വിതീയവും 25 ആവർത്തനങ്ങളും; സാധാരണ ദൃശ്യങ്ങളുടെയോ ഒബ്‌ജക്റ്റുകളുടെയോ 5 ചിത്രങ്ങളുടെ 5 സെറ്റുകൾ) ഒരു പ്രത്യേക കപട ക്രമരഹിത ക്രമത്തിൽ കാണിച്ചിരിക്കുന്നു. പങ്കെടുക്കുന്നയാൾ (നിർദ്ദേശാനുസരണം) ടെസ്റ്റ് ആരംഭിക്കുന്നതിന് സ്ക്രീനിലെ സ്റ്റാർട്ട് ബട്ടണിൽ സ്പർശിക്കുകയും ഇമേജ് സീരീസ് കാണാൻ തുടങ്ങുകയും ആവർത്തിച്ചുള്ള ചിത്രം ദൃശ്യമാകുമ്പോഴെല്ലാം സ്ക്രീനിൽ കഴിയുന്നത്ര വേഗത്തിൽ ചിത്രം വീണ്ടും സ്പർശിക്കുകയും ചെയ്യും. ഓരോ ചിത്രവും 3 സെക്കൻഡ് അല്ലെങ്കിൽ സ്ക്രീനിലെ ചിത്രം സ്പർശിക്കുന്നതുവരെ പ്രത്യക്ഷപ്പെട്ടു, ഇത് അടുത്ത ചിത്രം ഉടൻ അവതരിപ്പിക്കാൻ പ്രേരിപ്പിച്ചു. പ്രാദേശിക ഉപകരണത്തിന്റെ ആന്തരിക ക്ലോക്ക് ഉപയോഗിച്ച്, ഓരോ ചിത്രത്തിനും MTx-RT നിർണ്ണയിക്കുന്നത് ചിത്രത്തിന്റെ അവതരണം മുതൽ പങ്കെടുക്കുന്നയാൾ സ്ക്രീനിൽ സ്പർശിക്കുന്നത് വരെയുള്ള സമയം അനുസരിച്ചാണ്, ചിത്രം ഇതിനകം കാണിച്ചിരിക്കുന്ന ഒന്നായി തിരിച്ചറിയുന്നത് സൂചിപ്പിക്കുന്നതിന് പ്രതികരണമായി. ടെസ്റ്റ് സമയത്ത്. എല്ലാ ചിത്രത്തിനും MTx-RT റെക്കോർഡുചെയ്‌തു, പ്രതികരണമില്ലെന്ന് സൂചിപ്പിക്കുന്ന മുഴുവൻ 3 സെക്കൻഡും രേഖപ്പെടുത്തി. ഉപയോക്താവ് ശരിയായി പ്രതികരിച്ച ആവർത്തനത്തിന്റെയും പ്രാരംഭ ചിത്രങ്ങളുടെയും ശതമാനം സൂചിപ്പിക്കാൻ MTx-% C കണക്കാക്കി (യഥാർത്ഥ പോസിറ്റീവ് + യഥാർത്ഥ നെഗറ്റീവ് 50 കൊണ്ട് ഹരിച്ചാൽ). MemTrax അഡ്മിനിസ്ട്രേഷന്റെയും നടപ്പിലാക്കലിന്റെയും അധിക വിശദാംശങ്ങൾ, ഡാറ്റ കുറയ്ക്കൽ, അസാധുവായ അല്ലെങ്കിൽ "പ്രതികരണമില്ല" ഡാറ്റ, പ്രാഥമിക ഡാറ്റ വിശകലനങ്ങൾ എന്നിവ മറ്റെവിടെയെങ്കിലും വിവരിച്ചിരിക്കുന്നു [6].
MemTrax ടെസ്റ്റ് വിശദമായി വിശദീകരിക്കുകയും ആശുപത്രി ക്രമീകരണത്തിൽ പങ്കെടുക്കുന്നവർക്ക് ഒരു പ്രാക്ടീസ് ടെസ്റ്റ് (ഫലങ്ങൾ റെക്കോർഡ് ചെയ്യുന്നതിനുള്ള ടെസ്റ്റിൽ ഉപയോഗിച്ചവ ഒഴികെയുള്ള തനതായ ചിത്രങ്ങളോടൊപ്പം) നൽകുകയും ചെയ്തു. YH, KM ഉപ-ഡാറ്റാസെറ്റുകളിലെ പങ്കാളികൾ WeChat-ൽ ആപ്ലിക്കേഷൻ ലോഡുചെയ്‌ത ഒരു സ്മാർട്ട്‌ഫോണിൽ MemTrax ടെസ്റ്റ് നടത്തി; അതേസമയം പരിമിതമായ എണ്ണം XL സബ്-ഡാറ്റസെറ്റ് രോഗികൾ ഒരു ഐപാഡ് ഉപയോഗിച്ചു, ബാക്കിയുള്ളവർ സ്മാർട്ട്ഫോണും ഉപയോഗിച്ചു. എല്ലാ പങ്കാളികളും ഒരു പഠന അന്വേഷകൻ തടസ്സമില്ലാതെ നിരീക്ഷിച്ചുകൊണ്ട് MemTrax ടെസ്റ്റ് നടത്തി.
മോൺട്രിയൽ കോഗ്നിറ്റീവ് വിലയിരുത്തൽ
ചൈനീസ് MoCA (MoCA-BC) [13] യുടെ ബെയ്ജിംഗ് പതിപ്പ്, ഔദ്യോഗിക പരിശോധനാ നിർദ്ദേശങ്ങൾ അനുസരിച്ച് പരിശീലനം ലഭിച്ച ഗവേഷകർ നിയന്ത്രിക്കുകയും സ്കോർ ചെയ്യുകയും ചെയ്തു. ഉചിതമായി, MoCA-BC ഒരു വിശ്വസനീയമാണെന്ന് തെളിയിക്കപ്പെട്ടിട്ടുണ്ട് ബുദ്ധിശക്തിക്കുള്ള പരിശോധന ചൈനീസ് പ്രായമായ മുതിർന്നവരിൽ എല്ലാ വിദ്യാഭ്യാസ തലങ്ങളിലും സ്ക്രീനിംഗ് [14]. ഓരോ ടെസ്റ്റും പങ്കെടുക്കുന്നയാളുടെ വൈജ്ഞാനിക കഴിവുകളെ അടിസ്ഥാനമാക്കി 10 മുതൽ 30 മിനിറ്റ് വരെ എടുക്കും.
MoCA വർഗ്ഗീകരണ മോഡലിംഗ്
രണ്ട് MemTrax ഉൾപ്പെടെ ആകെ 29 ഉപയോഗയോഗ്യമായ സവിശേഷതകൾ ഉണ്ടായിരുന്നു ടെസ്റ്റ് പെർഫോമൻസ് മെട്രിക്‌സും ഡെമോഗ്രാഫിക്, ഹെൽത്ത് എന്നിവയുമായി ബന്ധപ്പെട്ട 27 ഫീച്ചറുകളും ഓരോ പങ്കാളിക്കും വിവരങ്ങൾ. ഓരോ രോഗിയുടെയും മൊസിഎ മൊത്തം ടെസ്റ്റ് സ്കോർ ഉപയോഗിച്ചു കോഗ്നിറ്റീവ് സ്ക്രീനിംഗ് ഞങ്ങളുടെ പ്രവചന മാതൃകകളെ പരിശീലിപ്പിക്കാൻ "ബെഞ്ച്മാർക്ക്". അതനുസരിച്ച്, ക്ലാസ് ലേബൽ സൃഷ്‌ടിക്കാൻ MoCA ഉപയോഗിച്ചതിനാൽ, ഞങ്ങൾക്ക് മൊത്തം സ്കോർ (അല്ലെങ്കിൽ MoCA സബ്‌സെറ്റ് സ്കോറുകൾ ഏതെങ്കിലും) ഒരു സ്വതന്ത്ര സവിശേഷതയായി ഉപയോഗിക്കാൻ കഴിഞ്ഞില്ല. ഞങ്ങൾ പ്രാഥമിക പരീക്ഷണങ്ങൾ നടത്തി (MoCA നിർവ്വചിച്ച കോഗ്നിറ്റീവ് ഹെൽത്ത് തരംതിരിക്കുന്നത്) യഥാർത്ഥ മൂന്ന് ആശുപത്രി/ക്ലിനിക്(കൾ) ഉപ-ഡാറ്റാസെറ്റുകൾ വ്യക്തിഗതമായി, തുടർന്ന് എല്ലാ സവിശേഷതകളും ഉപയോഗിച്ച് സംയോജിപ്പിച്ചു. എന്നിരുന്നാലും, മൂന്ന് ഉപ-ഡാറ്റാസെറ്റുകളെ പ്രതിനിധീകരിക്കുന്ന നാല് ക്ലിനിക്കുകളിൽ ഓരോന്നിലും ഒരേ ഡാറ്റ ഘടകങ്ങളെല്ലാം ശേഖരിച്ചിട്ടില്ല; അതിനാൽ, സംയോജിത ഡാറ്റാസെറ്റിലെ ഞങ്ങളുടെ പല ഫീച്ചറുകളും (എല്ലാ ഫീച്ചറുകളും ഉപയോഗിക്കുമ്പോൾ) നഷ്‌ടമായ മൂല്യങ്ങളുടെ ഉയർന്ന സംഭവങ്ങൾ ഉണ്ടായിരുന്നു. മെച്ചപ്പെട്ട വർഗ്ഗീകരണ പ്രകടനത്തിന് കാരണമായ പൊതുവായ സവിശേഷതകൾ മാത്രം ഉപയോഗിച്ച് ഞങ്ങൾ സംയോജിത ഡാറ്റാസെറ്റ് ഉപയോഗിച്ച് മോഡലുകൾ നിർമ്മിച്ചു. മൂന്ന് പേഷ്യന്റ് സബ്-ഡാറ്റാസെറ്റുകൾ സംയോജിപ്പിച്ച് പ്രവർത്തിക്കാൻ കൂടുതൽ സന്ദർഭങ്ങൾ ഉള്ളതും, നഷ്‌ടമായ മൂല്യങ്ങളുടെ അനാവശ്യമായ ആധിപത്യമുള്ള സവിശേഷതകളില്ലാത്തതും (സംയോജിത ഡാറ്റാസെറ്റിലെ ഒരു സവിശേഷത, വർക്ക് തരത്തിൽ, ഏതെങ്കിലും നഷ്‌ടമായ മൂല്യങ്ങൾ മാത്രമേ ഉള്ളൂ, ബാധിക്കുന്നത്. മൂന്ന് രോഗി സംഭവങ്ങൾ മാത്രം), കാരണം മൂന്ന് സൈറ്റുകളിലും രേഖപ്പെടുത്തിയിട്ടുള്ള പൊതുവായ സവിശേഷതകൾ മാത്രമേ ഉൾപ്പെടുത്തിയിട്ടുള്ളൂ. സംയോജിത ഡാറ്റാഗണത്തിൽ അന്തിമമായി ഉൾപ്പെടുത്തിയിട്ടില്ലാത്ത ഓരോ ഫീച്ചറിനും ഞങ്ങൾക്ക് ഒരു പ്രത്യേക നിരസിക്കൽ മാനദണ്ഡം ഇല്ലായിരുന്നു എന്നത് ശ്രദ്ധേയമാണ്. എന്നിരുന്നാലും, ഞങ്ങളുടെ പ്രാഥമിക സംയോജിത ഡാറ്റാസെറ്റ് മോഡലിംഗിൽ, മൂന്ന് വ്യത്യസ്ത രോഗികളുടെ ഉപ-ഡാറ്റാസെറ്റുകളിൽ നിന്നുള്ള എല്ലാ സവിശേഷതകളും ഞങ്ങൾ ആദ്യം ഉപയോഗിച്ചു. ഓരോ വ്യക്തിഗത ഉപ-ഡാറ്റാസെറ്റിലെയും പ്രാരംഭ പ്രാഥമിക മോഡലിങ്ങിനെക്കാൾ കുറഞ്ഞ അളവിലുള്ള മോഡൽ പ്രകടനത്തിന് ഇത് വ്യാപകമായി കാരണമായി. മാത്രമല്ല, എല്ലാ സവിശേഷതകളും ഉപയോഗിച്ച് നിർമ്മിച്ച മോഡലുകളുടെ വർഗ്ഗീകരണ പ്രകടനം പ്രോത്സാഹജനകമായിരുന്നെങ്കിലും, എല്ലാ പഠിതാക്കളിലും വർഗ്ഗീകരണ സ്കീമുകളിലും, പൊതുവായ സവിശേഷതകൾ മാത്രം ഉപയോഗിക്കുമ്പോൾ പ്രകടനം ഇരട്ടിയായി മെച്ചപ്പെട്ടു. വാസ്തവത്തിൽ, ഞങ്ങളുടെ മുൻനിര പഠിതാക്കളായി അവസാനിച്ചവയിൽ, ഒരു മോഡലൊഴികെ മറ്റെല്ലാവരും സാധാരണമല്ലാത്ത ഫീച്ചറുകൾ ഒഴിവാക്കി മെച്ചപ്പെട്ടു.
അന്തിമ മൊത്തം ഡാറ്റാസെറ്റിൽ (YH, XL, KM എന്നിവ സംയോജിപ്പിച്ച്) 259 സംഭവങ്ങൾ ഉൾപ്പെടുന്നു, അവയിൽ ഓരോന്നും MemTrax, MoCA ടെസ്റ്റുകൾ നടത്തിയ ഒരു അതുല്യ പങ്കാളിയെ പ്രതിനിധീകരിക്കുന്നു. 10 പങ്കിട്ട സ്വതന്ത്ര സവിശേഷതകൾ ഉണ്ടായിരുന്നു: MemTrax പ്രകടന അളവുകൾ: MTx-% C, ശരാശരി MTx-RT; ജനസംഖ്യാശാസ്‌ത്ര, മെഡിക്കൽ ചരിത്ര വിവരങ്ങൾ: പ്രായം, ലിംഗഭേദം, വിദ്യാഭ്യാസത്തിന്റെ വർഷങ്ങൾ, ജോലി തരം (ബ്ലൂ കോളർ/വൈറ്റ് കോളർ), സാമൂഹിക പിന്തുണ (പരീക്ഷ എഴുതുന്നയാൾ ഒറ്റയ്‌ക്കോ കുടുംബത്തോടൊപ്പമോ ആണെങ്കിലും), കൂടാതെ ഉപയോക്താവിന് ഒരു ഉണ്ടോ എന്നതിന് അതെ/ഇല്ല എന്നതിന് ഉത്തരങ്ങൾ പ്രമേഹം, ഹൈപ്പർലിപിഡീമിയ, അല്ലെങ്കിൽ മസ്തിഷ്കാഘാതം എന്നിവയുടെ ചരിത്രം. രണ്ട് അധിക മെട്രിക്കുകൾ, MoCA അഗ്രഗേറ്റ് സ്കോറും, MoCA അഗ്രഗേറ്റ് സ്കോറും വർഷങ്ങളോളം വിദ്യാഭ്യാസത്തിനായി ക്രമീകരിച്ചു [12], ആശ്രിത വർഗ്ഗീകരണ ലേബലുകൾ വികസിപ്പിക്കുന്നതിന് പ്രത്യേകം ഉപയോഗിച്ചു, അങ്ങനെ ഞങ്ങളുടെ സംയോജിത ഡാറ്റാസെറ്റിൽ പ്രയോഗിക്കുന്നതിന് രണ്ട് വ്യത്യസ്ത മോഡലിംഗ് സ്കീമുകൾ സൃഷ്ടിക്കുന്നു. MoCA സ്‌കോറിന്റെ ഓരോ പതിപ്പിനും (ക്രമീകരിച്ചതും ക്രമീകരിക്കാത്തതും) രണ്ട് വ്യത്യസ്ത മാനദണ്ഡ പരിധികൾ ഉപയോഗിച്ച് ഡാറ്റ വീണ്ടും ബൈനറി വർഗ്ഗീകരണത്തിനായി പ്രത്യേകം മോഡൽ ചെയ്തു-ആദ്യം ശുപാർശ ചെയ്ത ഒരെണ്ണം [12] കൂടാതെ മറ്റുള്ളവർ ഉപയോഗിക്കുകയും പ്രോത്സാഹിപ്പിക്കുകയും ചെയ്ത ഒരു ഇതര മൂല്യം [8, 15]. ആൾട്ടർനേറ്റ് ത്രെഷോൾഡ് ക്ലാസിഫിക്കേഷൻ സ്കീമിൽ, മോസിഎ ടെസ്റ്റിൽ ≥23 സ്കോർ ചെയ്താൽ രോഗിക്ക് സാധാരണ വൈജ്ഞാനിക ആരോഗ്യം ഉണ്ടെന്നും സ്കോർ 22 അല്ലെങ്കിൽ അതിൽ കുറവാണെങ്കിൽ MCI ഉള്ളതായും കണക്കാക്കുന്നു; അതേസമയം, പ്രാരംഭ ശുപാർശിത വർഗ്ഗീകരണ ഫോർമാറ്റിൽ, രോഗിക്ക് സാധാരണ വൈജ്ഞാനിക ആരോഗ്യം ഉണ്ടെന്ന് ലേബൽ ചെയ്യുന്നതിന് MoCA യിൽ 26 അല്ലെങ്കിൽ അതിലും മികച്ച സ്കോർ ചെയ്യേണ്ടതുണ്ട്.
MoCA വർഗ്ഗീകരണ മോഡലിംഗിനായി ഫിൽട്ടർ ചെയ്ത ഡാറ്റ
സാധാരണയായി ഉപയോഗിക്കുന്ന നാല് ഫീച്ചർ റാങ്കിംഗ് ടെക്നിക്കുകൾ ഉപയോഗിച്ച് ഞങ്ങൾ MoCA വർഗ്ഗീകരണം കൂടുതൽ പരിശോധിച്ചു: ചി-സ്‌ക്വയർ, ഗെയിൻ റേഷ്യോ, ഇൻഫർമേഷൻ ഗെയിൻ, സിമ്മട്രിക് അനിശ്ചിതത്വം. ഇടക്കാല വീക്ഷണത്തിന്, ഞങ്ങളുടെ നാല് മോഡലിംഗ് സ്കീമുകൾ ഉപയോഗിച്ച് മുഴുവൻ സംയോജിത ഡാറ്റാസെറ്റിലേക്കും ഞങ്ങൾ റാങ്കറുകൾ പ്രയോഗിച്ചു. എല്ലാ റാങ്കുകാരും ഒരേ മുൻനിര ഫീച്ചറുകൾ അംഗീകരിച്ചു, അതായത്, പ്രായം, വിദ്യാഭ്യാസ വർഷങ്ങളുടെ എണ്ണം, കൂടാതെ MemTrax പ്രകടന അളവുകോലുകളും (MTx-% C, MTx-RT എന്നാണ് അർത്ഥമാക്കുന്നത്). തുടർന്ന് ഞങ്ങൾ ഓരോ ഫീച്ചർ സെലക്ഷൻ ടെക്നിക് ഉപയോഗിച്ച് മോഡലുകൾ പുനർനിർമ്മിച്ചു, മികച്ച നാല് സവിശേഷതകളിൽ മാത്രം മോഡലുകളെ പരിശീലിപ്പിക്കുക (കാണുക സവിശേഷത തിരഞ്ഞെടുക്കൽ താഴെ).
MoCA സ്കോർ ക്ലാസിഫിക്കേഷൻ മോഡലിംഗ് സ്കീമുകളുടെ ഫലമായുണ്ടാകുന്ന അവസാന എട്ട് വ്യതിയാനങ്ങൾ പട്ടിക 1-ൽ അവതരിപ്പിച്ചിരിക്കുന്നു.
പട്ടിക 1
MoCA വർഗ്ഗീകരണത്തിന് ഉപയോഗിക്കുന്ന മോഡലിംഗ് സ്കീം വ്യതിയാനങ്ങളുടെ സംഗ്രഹം (സാധാരണ വൈജ്ഞാനിക ആരോഗ്യം MCI വേഴ്സസ്)
| മോഡലിംഗ് സ്കീം | നോർമൽ കോഗ്നിറ്റീവ് ഹെൽത്ത് (നെഗറ്റീവ് ക്ലാസ്) | MCI (പോസിറ്റീവ് ക്ലാസ്) |
| ക്രമീകരിച്ചത്-23 ഫിൽട്ടർ ചെയ്യാത്തത്/ഫിൽട്ടർ ചെയ്യാത്തത് | 101 (39.0%) | 158 (61.0%) |
| ക്രമീകരിച്ചത്-26 ഫിൽട്ടർ ചെയ്യാത്തത്/ഫിൽട്ടർ ചെയ്യാത്തത് | 49 (18.9%) | 210 (81.1%) |
| ക്രമീകരിക്കാത്തത്-23 ഫിൽട്ടർ ചെയ്യാത്തത്/ഫിൽട്ടർ ചെയ്യാത്തത് | 92 (35.5%) | 167 (64.5%) |
| ക്രമീകരിക്കാത്തത്-26 ഫിൽട്ടർ ചെയ്യാത്തത്/ഫിൽട്ടർ ചെയ്യാത്തത് | 42 (16.2%) | 217 (83.8%) |
രണ്ട് ഫീച്ചർ സെറ്റുകൾക്കും (ഫിൽട്ടർ ചെയ്യാത്തതും ഫിൽട്ടർ ചെയ്യാത്തതും) ബാധകമായ പോലെ, ഓരോ ക്ലാസിലെയും മൊത്തം രോഗികളുടെ യഥാക്രമം എണ്ണവും ശതമാനവും വിദ്യാഭ്യാസത്തിനായുള്ള സ്കോർ ക്രമീകരിക്കുന്നതിലൂടെയും (ക്രമീകരിച്ചതോ ക്രമീകരിക്കാത്തതോ) വർഗ്ഗീകരണ പരിധി (23 അല്ലെങ്കിൽ 26) വഴിയും വേർതിരിച്ചിരിക്കുന്നു.
MemTrax അടിസ്ഥാനമാക്കിയുള്ള ക്ലിനിക്കൽ മൂല്യനിർണ്ണയ മോഡലിംഗ്
ഞങ്ങളുടെ മൂന്ന് ഒറിജിനൽ സബ്-ഡാറ്റസെറ്റുകളിൽ (YH, XL, KM), XL സബ്-ഡാറ്റസെറ്റ് രോഗികൾക്ക് മാത്രമേ വൈജ്ഞാനിക വൈകല്യം സ്വതന്ത്രമായി രോഗനിർണ്ണയം ചെയ്യപ്പെട്ടിട്ടുള്ളൂ (അതായത്, അവരുടെ MoCA സ്കോറുകൾ സാധാരണയും വൈകല്യമുള്ളവരും എന്ന വർഗ്ഗീകരണം സ്ഥാപിക്കുന്നതിൽ ഉപയോഗിച്ചിട്ടില്ല). പ്രത്യേകിച്ചും, XL രോഗികൾക്ക് ഒന്നുകിൽ രോഗനിർണയം നടത്തി അൽഷിമേഴ്സ് രോഗ പരിശോധന (AD) അല്ലെങ്കിൽ വാസ്കുലർ ഡിമെൻഷ്യ (VaD). ഈ പ്രാഥമിക രോഗനിർണ്ണയ വിഭാഗങ്ങളിൽ ഓരോന്നിനും, MCI-യ്ക്ക് ഒരു കൂടുതൽ പദവി ഉണ്ടായിരുന്നു. എംസിഐ, ഡിമെൻഷ്യ, വാസ്കുലർ ന്യൂറോകോഗ്നിറ്റീവ് ഡിസോർഡർ, എഡി മൂലമുള്ള ന്യൂറോകോഗ്നിറ്റീവ് ഡിസോർഡർ എന്നിവയുടെ രോഗനിർണ്ണയങ്ങൾ ഡയഗ്നോസ്റ്റിക് ആൻഡ് സ്റ്റാറ്റിസ്റ്റിക്കൽ മാനുവൽ ഓഫ് മെന്റൽ ഡിസോർഡേഴ്സ്: DSM-5 [16] ൽ വിവരിച്ചിരിക്കുന്ന നിർദ്ദിഷ്ടവും വ്യതിരിക്തവുമായ ഡയഗ്നോസ്റ്റിക് മാനദണ്ഡത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. ഈ ശുദ്ധീകരിക്കപ്പെട്ട രോഗനിർണ്ണയങ്ങൾ കണക്കിലെടുത്ത്, ഓരോ പ്രാഥമിക രോഗനിർണയ വിഭാഗത്തിനും തീവ്രതയുടെ അളവ് (വൈകല്യത്തിന്റെ അളവ്) വേർതിരിച്ചറിയാൻ XL ഉപ-ഡാറ്റസെറ്റിലേക്ക് രണ്ട് വർഗ്ഗീകരണ മോഡലിംഗ് സ്കീമുകൾ പ്രത്യേകം പ്രയോഗിച്ചു. ഈ ഓരോ ഡയഗ്നോസ്റ്റിക് മോഡലിംഗ് സ്കീമുകളിലും (AD, VaD) ഉപയോഗിച്ച ഡാറ്റയിൽ ഡെമോഗ്രാഫിക്, പേഷ്യന്റ് ഹിസ്റ്ററി വിവരങ്ങളും MemTrax പ്രകടനവും (MTx-% C, അർത്ഥം MTx-RT) ഉൾപ്പെടുന്നു. MCI എന്ന് നിയുക്തമാക്കിയാൽ ഓരോ രോഗനിർണയവും സൗമ്യമായി ലേബൽ ചെയ്തു; അല്ലാത്തപക്ഷം, അത് ഗുരുതരമായി കണക്കാക്കപ്പെട്ടു. രോഗനിർണ്ണയ മോഡലുകളിൽ MoCA സ്കോർ ഉൾപ്പെടുത്താൻ ഞങ്ങൾ ആദ്യം പരിഗണിച്ചു (മിതമായതും കഠിനവും); എന്നാൽ അത് ഞങ്ങളുടെ ദ്വിതീയ പ്രവചന മോഡലിംഗ് പദ്ധതിയുടെ ഉദ്ദേശ്യത്തെ പരാജയപ്പെടുത്തുമെന്ന് ഞങ്ങൾ നിർണ്ണയിച്ചു. ഇവിടെ പഠിതാക്കൾക്ക് ദാതാവിന് എളുപ്പത്തിൽ ലഭ്യമായ മറ്റ് രോഗികളുടെ സ്വഭാവസവിശേഷതകളും സ്വതന്ത്ര ക്ലിനിക്കൽ രോഗനിർണ്ണയമായ "ഗോൾഡ് സ്റ്റാൻഡേർഡ്" എന്ന റഫറൻസിനെതിരെ ലളിതമായ മെംട്രാക്സ് ടെസ്റ്റിന്റെ (MoCA-ന് പകരമായി) പ്രകടന അളവുകളും ഉപയോഗിച്ച് പരിശീലനം നൽകും. AD ഡയഗ്നോസിസ് ഡാറ്റാസെറ്റിൽ 69 സംഭവങ്ങളും VaD യുടെ 76 സംഭവങ്ങളും ഉണ്ടായിരുന്നു (പട്ടിക 2). രണ്ട് ഡാറ്റാസെറ്റുകളിലും, 12 സ്വതന്ത്ര സവിശേഷതകൾ ഉണ്ടായിരുന്നു. MoCA സ്കോർ വർഗ്ഗീകരണത്തിൽ ഉൾപ്പെടുത്തിയിട്ടുള്ള 10 സവിശേഷതകൾക്ക് പുറമേ, രോഗിയുടെ ചരിത്രത്തിൽ രക്താതിമർദ്ദത്തിന്റെയും സ്ട്രോക്കിന്റെയും ചരിത്രത്തെക്കുറിച്ചുള്ള വിവരങ്ങളും ഉൾപ്പെടുത്തിയിട്ടുണ്ട്.
പട്ടിക 2
രോഗനിർണയത്തിന്റെ തീവ്രത വർഗ്ഗീകരണത്തിന് ഉപയോഗിക്കുന്ന മോഡലിംഗ് സ്കീം വ്യതിയാനങ്ങളുടെ സംഗ്രഹം (മൃദുവും കഠിനവും)
| മോഡലിംഗ് സ്കീം | സൗമ്യമായ (നെഗറ്റീവ് ക്ലാസ്) | കഠിനമായ (പോസിറ്റീവ് ക്ലാസ്) |
| MCI-AD വേഴ്സസ് എഡി | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD വേഴ്സസ് VaD | 38 (50.0%) | 38 (50.0%) |
ഓരോ ക്ലാസിലെയും മൊത്തം രോഗികളുടെ യഥാക്രമം എണ്ണവും ശതമാനവും പ്രാഥമിക രോഗനിർണയ വിഭാഗം (AD അല്ലെങ്കിൽ VaD) പ്രകാരം വേർതിരിച്ചിരിക്കുന്നു.
സ്ഥിതിവിവരക്കണക്കുകൾ
പൈത്തൺ പ്രോഗ്രാമിംഗ് ഭാഷ (പതിപ്പ് 2.7.1) ഉപയോഗിച്ച് ഓരോ മോഡൽ ക്ലാസിഫിക്കേഷൻ സ്ട്രാറ്റജിക്കും (MoCA കോഗ്നിറ്റീവ് ഹെൽത്ത് ആൻഡ് ഡയഗ്നോസിസ് കാഠിന്യം പ്രവചിക്കാൻ) ഉപ-ഡാറ്റസെറ്റുകൾക്കിടയിലുള്ള പങ്കാളിയുടെ സ്വഭാവസവിശേഷതകളുടെയും മറ്റ് സംഖ്യാ സവിശേഷതകളുടെയും താരതമ്യം നടത്തി [17]. 95% കോൺഫിഡൻസ് ഇന്റർവെൽ ഉള്ള ഒരു സിംഗിൾ അല്ലെങ്കിൽ ടു ഫാക്ടർ (അനുയോജ്യമായത്) ANOVA ഉപയോഗിച്ചും പ്രകടന മാർഗങ്ങൾ താരതമ്യം ചെയ്യുന്നതിനായി Tukey സത്യസന്ധമായ കാര്യമായ വ്യത്യാസം (HSD) ടെസ്റ്റും ഉപയോഗിച്ചാണ് മോഡൽ പ്രകടന വ്യത്യാസങ്ങൾ ആദ്യം നിശ്ചയിച്ചത്. മോഡൽ പ്രകടനങ്ങൾ തമ്മിലുള്ള വ്യത്യാസങ്ങളുടെ ഈ പരിശോധന പൈത്തണും R (പതിപ്പ് 3.5.1) [18] എന്നിവയുടെ സംയോജനം ഉപയോഗിച്ചാണ് നടത്തിയത്. ഒരു ഹ്യൂറിസ്റ്റിക് സഹായമായി മാത്രമാണ് ഞങ്ങൾ ഈ (ഒപ്റ്റിമലിനേക്കാൾ കുറവാണെങ്കിലും) സമീപനം ഉപയോഗിച്ചത് ആദ്യഘട്ടത്തിൽ സാധ്യതയുള്ള ക്ലിനിക്കൽ ആപ്ലിക്കേഷൻ പ്രതീക്ഷിക്കുന്നതിലെ പ്രാരംഭ മോഡൽ പ്രകടന താരതമ്യത്തിനായി. മോഡലിന്റെ പ്രകടന വ്യത്യാസങ്ങളുടെ സംഭാവ്യത നിർണ്ണയിക്കാൻ ഞങ്ങൾ പിന്നീട് ബയേസിയൻ സൈൻഡ് റാങ്ക് ടെസ്റ്റ് ഉപയോഗിച്ചു [19]. ഈ വിശകലനങ്ങൾക്കായി, ഞങ്ങൾ ഇടവേള -0.01, 0.01 ഉപയോഗിച്ചു, രണ്ട് ഗ്രൂപ്പുകളുടെ പ്രകടന വ്യത്യാസം 0.01-ൽ താഴെയാണെങ്കിൽ, അവ ഒരേപോലെ പരിഗണിക്കപ്പെടും (പ്രായോഗിക തുല്യതയുടെ മേഖലയ്ക്കുള്ളിൽ), അല്ലെങ്കിൽ അവ വ്യത്യസ്തമാണ് (ഒന്ന് മികച്ചത് മറ്റൊന്ന്). ക്ലാസിഫയറുകളുടെ ബയേസിയൻ താരതമ്യം നടത്താനും ഈ സാധ്യതകൾ കണക്കാക്കാനും, ഞങ്ങൾ പൈത്തൺ 1.0.2-ന് വേണ്ടി baycomp ലൈബ്രറി (പതിപ്പ് 3.6.4) ഉപയോഗിച്ചു.
പ്രവചന മോഡലിംഗ്
ഓരോ രോഗിയുടെയും MoCA ടെസ്റ്റിന്റെ ഫലമോ ക്ലിനിക്കൽ രോഗനിർണയത്തിന്റെ തീവ്രതയോ പ്രവചിക്കുന്നതിന് (വർഗ്ഗീകരിക്കാൻ) ഞങ്ങളുടെ മോഡലിംഗ് സ്കീമുകളുടെ ആകെ പത്ത് വ്യതിയാനങ്ങൾ ഉപയോഗിച്ച് ഞങ്ങൾ പ്രവചന മാതൃകകൾ നിർമ്മിച്ചു. എല്ലാ പഠിതാക്കളെയും പ്രയോഗിച്ചു, ഓപ്പൺ സോഴ്‌സ് സോഫ്റ്റ്‌വെയർ പ്ലാറ്റ്‌ഫോമായ വെക്ക [20] ഉപയോഗിച്ചാണ് മോഡലുകൾ നിർമ്മിച്ചത്. ഞങ്ങളുടെ പ്രാഥമിക വിശകലനത്തിനായി, ഞങ്ങൾ സാധാരണയായി ഉപയോഗിക്കുന്ന 10 ലേണിംഗ് അൽഗോരിതങ്ങൾ ഉപയോഗിച്ചു: 5-അടുത്തുള്ള അയൽക്കാർ, C4.5 ഡിസിഷൻ ട്രീയുടെ രണ്ട് പതിപ്പുകൾ, ലോജിസ്റ്റിക് റിഗ്രഷൻ, മൾട്ടിലെയർ പെർസെപ്‌ട്രോൺ, നേവ് ബയേസ്, റാൻഡം ഫോറസ്റ്റിന്റെ രണ്ട് പതിപ്പുകൾ, റേഡിയൽ ബേസിസ് ഫംഗ്ഷൻ നെറ്റ്‌വർക്ക്, സപ്പോർട്ട് വിക്റ്റർ. യന്ത്രം. ഈ അൽഗോരിതങ്ങളുടെ പ്രധാന ആട്രിബ്യൂട്ടുകളും വൈരുദ്ധ്യങ്ങളും മറ്റെവിടെയെങ്കിലും വിവരിച്ചിട്ടുണ്ട് [21] (അനുബന്ധ അനുബന്ധം കാണുക). വ്യത്യസ്ത തരം പഠിതാക്കളെ പ്രതിനിധീകരിക്കുന്നതിനാലും സമാന ഡാറ്റയിൽ മുമ്പത്തെ വിശകലനങ്ങളിൽ ഞങ്ങൾ അവ ഉപയോഗിച്ച് വിജയം പ്രദർശിപ്പിച്ചതിനാലും ഇവ തിരഞ്ഞെടുത്തു. ഹൈപ്പർ-പാരാമീറ്റർ ക്രമീകരണങ്ങൾ ഞങ്ങളുടെ മുമ്പത്തെ ഗവേഷണത്തിൽ നിന്ന് തിരഞ്ഞെടുത്തു, അവ വ്യത്യസ്തമായ വ്യത്യസ്ത ഡാറ്റകളിൽ ശക്തമാണെന്ന് സൂചിപ്പിക്കുന്നു [22]. പൂർണ്ണ വിശകലനത്തിൽ പിന്നീട് ഉപയോഗിച്ച പൊതുവായ ഫീച്ചറുകളുള്ള അതേ സംയോജിത ഡാറ്റാസെറ്റ് ഉപയോഗിച്ചുള്ള ഞങ്ങളുടെ പ്രാഥമിക വിശകലനത്തിന്റെ ഫലങ്ങളെ അടിസ്ഥാനമാക്കി, എല്ലാ വർഗ്ഗീകരണങ്ങളിലും സ്ഥിരമായി ശക്തമായ പ്രകടനം നൽകിയ മൂന്ന് പഠിതാക്കളെ ഞങ്ങൾ തിരിച്ചറിഞ്ഞു: ലോജിസ്റ്റിക് റിഗ്രഷൻ, നേവ് ബയീസ്, സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ.
ക്രോസ്-വാലിഡേഷനും മോഡൽ പ്രകടന മെട്രിക്കും
എല്ലാ പ്രവചനാത്മക മോഡലിംഗിനും (പ്രാഥമിക വിശകലനങ്ങൾ ഉൾപ്പെടെ), ഓരോ മോഡലും 10-മടങ്ങ് ക്രോസ് മൂല്യനിർണ്ണയം ഉപയോഗിച്ചാണ് നിർമ്മിച്ചിരിക്കുന്നത്, കൂടാതെ റിസീവർ ഓപ്പറേറ്റിംഗ് ക്യാരക്ടറിസ്റ്റിക് കർവ് (AUC) കീഴിലുള്ള ഏരിയ ഉപയോഗിച്ച് മോഡൽ പ്രകടനം അളക്കുകയും ചെയ്തു. 10 മോഡലിംഗ് സ്കീം ഡാറ്റാസെറ്റുകളിൽ ഓരോന്നിനെയും ക്രമരഹിതമായി 10 തുല്യ സെഗ്‌മെന്റുകളായി (ഫോൾഡുകൾ) വിഭജിച്ചുകൊണ്ട് ക്രോസ്-വാലിഡേഷൻ ആരംഭിച്ചു, ഈ ഒമ്പത് സെഗ്‌മെന്റുകൾ ഉപയോഗിച്ച് മോഡലിനെ പരിശീലിപ്പിക്കുകയും ശേഷിക്കുന്ന സെഗ്‌മെന്റിനെ പരിശോധനയ്ക്കായി ഉപയോഗിക്കുകയും ചെയ്തു. ഈ നടപടിക്രമം 10 തവണ ആവർത്തിച്ചു, ഓരോ ആവർത്തനത്തിലും ടെസ്റ്റ് സെറ്റ് ആയി മറ്റൊരു സെഗ്മെന്റ് ഉപയോഗിച്ച്. അന്തിമ മോഡലിന്റെ ഫലം/പ്രകടനം കണക്കാക്കാൻ ഫലങ്ങൾ സംയോജിപ്പിച്ചു. ഓരോ പഠിതാവിനും/ഡാറ്റാസെറ്റ് കോമ്പിനേഷനും, ഓരോ തവണയും ഡാറ്റ വ്യത്യസ്തമായി വിഭജിച്ച് ഈ മുഴുവൻ പ്രക്രിയയും 10 തവണ ആവർത്തിക്കുന്നു. ഈ അവസാന ഘട്ടം പക്ഷപാതം കുറയ്ക്കുകയും, ആവർത്തനക്ഷമത ഉറപ്പാക്കുകയും, മൊത്തത്തിലുള്ള മോഡൽ പ്രകടനം നിർണ്ണയിക്കാൻ സഹായിക്കുകയും ചെയ്തു. മൊത്തത്തിൽ (MoCA സ്‌കോറിനും രോഗനിർണയ തീവ്രത വർഗ്ഗീകരണ സ്കീമുകൾക്കും കൂടിച്ചേർന്ന്), 6,600 മോഡലുകൾ നിർമ്മിച്ചു. ഇതിൽ ഫിൽട്ടർ ചെയ്യാത്ത 1,800 മോഡലുകളും (6 മോഡലിംഗ് സ്കീമുകൾ ഡാറ്റാസെറ്റിൽ പ്രയോഗിച്ചു×3 പഠിതാക്കൾ×10 റൺസ്×10 ഫോൾഡുകൾ = 1,800 മോഡലുകൾ) കൂടാതെ 4,800 ഫിൽട്ടർ ചെയ്ത മോഡലുകളും (ഡാറ്റസെറ്റിൽ പ്രയോഗിച്ച 4 മോഡലിംഗ് സ്കീമുകൾ×3 പഠിതാക്കൾ×4 ഫീച്ചർ സെലക്ഷൻ ടെക്നിക്കുകൾ×10 റൺസ്× 10 മടക്കുകൾ = 4,800 മോഡലുകൾ).
സവിശേഷത തിരഞ്ഞെടുക്കൽ
ഫിൽട്ടർ ചെയ്ത മോഡലുകൾക്കായി, ക്രോസ്-വാലിഡേഷനിൽ ഫീച്ചർ തിരഞ്ഞെടുക്കൽ (നാല് ഫീച്ചർ റാങ്കിംഗ് രീതികൾ ഉപയോഗിച്ച്) നടത്തി. 10 ഫോൾഡുകളിൽ ഓരോന്നിനും, ഡാറ്റാസെറ്റിന്റെ വ്യത്യസ്തമായ 10% ടെസ്റ്റ് ഡാറ്റയായതിനാൽ, ഓരോ പരിശീലന ഡാറ്റാസെറ്റിനും (അതായത്, മറ്റ് ഒമ്പത് ഫോൾഡുകൾ അല്ലെങ്കിൽ ബാക്കിയുള്ള 90% ഡാറ്റാസെറ്റിന്റെ) തിരഞ്ഞെടുത്ത നാല് മികച്ച സവിശേഷതകൾ മാത്രമേ ഉപയോഗിച്ചിട്ടുള്ളൂ. മോഡലുകൾ നിർമ്മിക്കാൻ. ഓരോ മോഡലിലും ഏതൊക്കെ നാല് ഫീച്ചറുകൾ ഉപയോഗിച്ചുവെന്ന് സ്ഥിരീകരിക്കാൻ ഞങ്ങൾക്ക് കഴിഞ്ഞില്ല, കാരണം ഞങ്ങൾ ഉപയോഗിച്ച മോഡലിംഗ് പ്ലാറ്റ്‌ഫോമിൽ (വെക്ക) വിവരങ്ങൾ സംഭരിക്കുകയോ ലഭ്യമാക്കുകയോ ചെയ്തിട്ടില്ല. എന്നിരുന്നാലും, മുഴുവൻ സംയോജിത ഡാറ്റാസെറ്റിലും റാങ്കറുകൾ പ്രയോഗിച്ചപ്പോൾ ഞങ്ങളുടെ മികച്ച ഫീച്ചറുകളുടെ പ്രാരംഭ തിരഞ്ഞെടുപ്പിലെ സ്ഥിരതയും മോഡലിംഗ് പ്രകടനങ്ങളിലെ തുടർന്നുള്ള സമാനതയും കണക്കിലെടുക്കുമ്പോൾ, ഇതേ സവിശേഷതകൾ (പ്രായം, വിദ്യാഭ്യാസം, MTx-% C, ശരാശരി MTx-RT ) ക്രോസ്-വാലിഡേഷൻ പ്രോസസിനുള്ളിലെ ഫീച്ചർ സെലക്ഷനുമായി പൊരുത്തപ്പെടുന്ന ഏറ്റവും പ്രബലമായ ആദ്യ നാലെണ്ണം.
ഫലം
MoCA- സൂചിപ്പിക്കുന്ന വൈജ്ഞാനിക ആരോഗ്യം (സാധാരണ, MCI), രോഗനിർണയ തീവ്രത (മിതമായതും കഠിനവും) എന്നിവ പ്രവചിക്കുന്നതിനുള്ള ഓരോ മോഡൽ ക്ലാസിഫിക്കേഷൻ സ്ട്രാറ്റജിക്കും ബന്ധപ്പെട്ട ഡാറ്റാസെറ്റുകളുടെ പങ്കാളിയുടെ സംഖ്യാ സവിശേഷതകൾ (MoCA സ്‌കോറുകളും MemTrax പ്രകടന മെട്രിക്‌സും ഉൾപ്പെടെ) പട്ടിക 3-ൽ കാണിച്ചിരിക്കുന്നു.
പട്ടിക 3
ഓരോ മോഡൽ വർഗ്ഗീകരണ തന്ത്രത്തിനും പങ്കാളിത്ത സവിശേഷതകൾ, MoCA സ്കോറുകൾ, MemTrax പ്രകടനം
| വർഗ്ഗീകരണ തന്ത്രം | പ്രായം | പഠനം | MoCA ക്രമീകരിച്ചു | MoCA ക്രമീകരിക്കാത്തത് | MTx-% C | MTx-RT |
| MoCA വിഭാഗം | 61.9 വർഷം (13.1) | 9.6 വർഷം (4.6) | ക്സനുമ്ക്സ (ക്സനുമ്ക്സ) | ക്സനുമ്ക്സ (ക്സനുമ്ക്സ) | 74.8% (15.0) | 1.4 സെക്കൻഡ് (0.3) |
| രോഗനിർണയത്തിന്റെ തീവ്രത | 65.6 വർഷം (12.1) | 8.6 വർഷം (4.4) | ക്സനുമ്ക്സ (ക്സനുമ്ക്സ) | ക്സനുമ്ക്സ (ക്സനുമ്ക്സ) | 68.3% (13.8) | 1.5 സെക്കൻഡ് (0.3) |
മോഡലിംഗ് ക്ലാസിഫിക്കേഷൻ സ്ട്രാറ്റജികളാൽ വേർതിരിച്ച കാണിക്കുന്ന മൂല്യങ്ങൾ (അർത്ഥം, SD) MoCA- സൂചിപ്പിക്കുന്ന കോഗ്നിറ്റീവ് ഹെൽത്ത് (MCI വേർസസ് നോർമൽ) പ്രവചിക്കാൻ ഉപയോഗിക്കുന്ന സംയോജിത ഡാറ്റാസെറ്റിന്റെയും രോഗനിർണയത്തിന്റെ തീവ്രത പ്രവചിക്കാൻ മാത്രം ഉപയോഗിക്കുന്ന XL ഉപ-ഡാറ്റാസെറ്റിന്റെയും പ്രതിനിധികളാണ് (മിതമായതും കഠിനവും).
MoCA സ്കോർ (ക്രമീകരിച്ചത്/അഡ്ജസ്റ്റ് ചെയ്യാത്തത്), ത്രെഷോൾഡ് (26/23) എന്നിവയുടെ ഓരോ കോമ്പിനേഷനും ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ വ്യത്യാസമുണ്ട് (p = 0.000) പ്രായം, വിദ്യാഭ്യാസം, MemTrax പ്രകടനം (MTx-% C, MTx-RT) എന്നിവയ്‌ക്കായുള്ള ഓരോ ജോടിയായുള്ള താരതമ്യത്തിലും (സാധാരണ കോഗ്നിറ്റീവ് ഹെൽത്ത് വേഴ്സസ് MCI). ഓരോ കോമ്പിനേഷനുമുള്ള അതാത് MCI ക്ലാസിലെ ഓരോ രോഗിയുടെ ഉപ-ഡാറ്റസെറ്റും ശരാശരി 9 മുതൽ 15 വയസ്സ് വരെ പ്രായമുള്ളവരായിരുന്നു, ഏകദേശം അഞ്ച് വർഷത്തിൽ താഴെ വിദ്യാഭ്യാസം റിപ്പോർട്ട് ചെയ്തിട്ടുണ്ട്, കൂടാതെ രണ്ട് മെട്രിക്‌സിനും അനുകൂലമായ MemTrax പ്രകടനം കുറവാണ്.
ലോജിസ്റ്റിക് റിഗ്രഷൻ, നേവ് ബയേസ്, സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ എന്നിവയിലെ ഏറ്റവും മികച്ച മൂന്ന് പഠിതാക്കളെ ഉപയോഗിച്ചുള്ള MoCA സ്കോർ ക്ലാസിഫിക്കേഷനുകൾക്കായുള്ള പ്രവചനാത്മക മോഡലിംഗ് പ്രകടന ഫലങ്ങൾ പട്ടിക 4-ൽ കാണിച്ചിരിക്കുന്നു. വിവിധ മോഡലുകളിലുടനീളമുള്ള ഏറ്റവും ഉയർന്ന കേവല പഠിതാവിന്റെ പ്രകടനത്തെ അടിസ്ഥാനമാക്കിയാണ് ഇവ മൂന്നും തിരഞ്ഞെടുത്തത്. എല്ലാ മോഡലിംഗ് സ്കീമുകൾക്കുമായി ഡാറ്റാസെറ്റുകളിൽ പ്രയോഗിച്ചു. ഫിൽട്ടർ ചെയ്യാത്ത ഡാറ്റാസെറ്റിനും മോഡലിംഗിനും, ഓരോ പഠിതാവിനും/മോഡലിംഗ് സ്കീം കോമ്പിനേഷനുമായി നിർമ്മിച്ച 4 മോഡലുകളിൽ നിന്ന് (100 റൺസ്×10 ഫോൾഡുകൾ) ഉരുത്തിരിഞ്ഞ AUC യഥാക്രമം ശരാശരിയെ അടിസ്ഥാനമാക്കിയുള്ള മോഡൽ പ്രകടനത്തെ പട്ടിക 10-ലെ ഓരോ ഡാറ്റാ മൂല്യങ്ങളും സൂചിപ്പിക്കുന്നു. പെർഫോമിംഗ് ലേണർ ബോൾഡിൽ സൂചിപ്പിച്ചിരിക്കുന്നു. ഫിൽട്ടർ ചെയ്ത ഡാറ്റാസെറ്റ് മോഡലിംഗിനായി, പട്ടിക 4-ൽ റിപ്പോർട്ട് ചെയ്ത ഫലങ്ങൾ ഓരോ പഠിതാവിനും ഓരോ ഫീച്ചർ റാങ്കിംഗ് രീതികൾ (400 ഫീച്ചർ റാങ്കിംഗ് രീതികൾ×4 റൺസ്×10 ഫോൾഡുകൾ) ഉപയോഗിച്ച് 10 മോഡലുകളിൽ നിന്നുള്ള മൊത്തത്തിലുള്ള ശരാശരി മോഡൽ പ്രകടനത്തെ പ്രതിഫലിപ്പിക്കുന്നു.
പട്ടിക 4
എല്ലാ മോഡലിംഗ് സ്കീമുകൾക്കുമായി മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്ന മൂന്ന് പഠിതാക്കളുടെ ഓരോരുത്തർക്കും ഡൈക്കോടോമസ് MoCA സ്കോർ ക്ലാസിഫിക്കേഷൻ പ്രകടനം (AUC; 0.0–1.0) ഫലങ്ങൾ
| ഫീച്ചർ സെറ്റ് ഉപയോഗിച്ചു | MoCA സ്കോർ | കട്ട്ഓഫ് ത്രെഷോൾഡ് | ലോജിസ്റ്റിക് റിഗ്രഷൻ | നേവ് ബയേസ് | പിന്തുണ വെക്റ്റർ മെഷീൻ |
| ഫിൽട്ടർ ചെയ്യാത്തത് (10 സവിശേഷതകൾ) | ക്രമീകരിച്ചു | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| ക്രമീകരിക്കാത്ത | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| ഫിൽട്ടർ ചെയ്തു (4 സവിശേഷതകൾ) | ക്രമീകരിച്ചു | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| ക്രമീകരിക്കാത്ത | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
ഫീച്ചർ സെറ്റ്, MoCA സ്കോർ, MoCA സ്കോർ കട്ട്ഓഫ് ത്രെഷോൾഡ് എന്നിവയുടെ വ്യതിയാനങ്ങൾ ഉപയോഗപ്പെടുത്തി, ഓരോ മോഡലിംഗ് സ്കീമിനും ഏറ്റവും ഉയർന്ന പ്രകടനം കാണിക്കുന്നു ധീരമായ (ഇല്ലാത്ത മറ്റെല്ലാവരേക്കാളും സ്ഥിതിവിവരക്കണക്കനുസരിച്ച് വ്യത്യസ്തമല്ല ധീരമായ ബന്ധപ്പെട്ട മോഡലിന്).
സംയോജിത ഫിൽട്ടർ ചെയ്യാത്ത ഡാറ്റാസെറ്റിലെ (അതായത്, 23 പൊതുവായ സവിശേഷതകൾ ഉപയോഗിച്ച്) MoCA സ്കോർ പതിപ്പുകളുടെയും ത്രെഷോൾഡുകളുടെയും (യഥാക്രമം ക്രമീകരിച്ച/ക്രമീകരിക്കാത്ത, 26/10) എല്ലാ കോമ്പിനേഷനുകളിലുമുള്ള പഠിതാക്കളെ താരതമ്യപ്പെടുത്തുമ്പോൾ, നേവ് ബേയ്‌സ് പൊതുവെ മൊത്തത്തിൽ മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്ന പഠിതാവായിരുന്നു. 0.9093 വർഗ്ഗീകരണ പ്രകടനം. മികച്ച മൂന്ന് പഠിതാക്കളെ പരിഗണിച്ച്, ബയേസിയൻ-പരസ്പര ബന്ധമുള്ള ഒപ്പിട്ട റാങ്ക് ടെസ്റ്റുകൾ സൂചിപ്പിക്കുന്നത് പ്രോബബിലിറ്റി (Pr) ലോജിസ്റ്റിക് റിഗ്രഷനെ മറികടക്കുന്ന നേവ് ബയേസിന്റെ 99.9% ആയിരുന്നു. കൂടാതെ, നേവ് ബേയ്‌സിനും സപ്പോർട്ട് വെക്‌ടർ മെഷീനും ഇടയിൽ, പഠിതാവിന്റെ പ്രകടനത്തിൽ പ്രായോഗിക തുല്യതയുടെ 21.0% സംഭാവ്യത (അതിനാൽ, സപ്പോർട്ട് വെക്‌ടർ മെഷീനെ മറികടക്കുന്ന നേവ് ബെയ്‌സിന്റെ 79.0% സംഭാവ്യത), ഒപ്പം 0.0% സപ്പോർട്ട് വെക്‌ടറിന്റെ മികച്ച പ്രകടനത്തിന്റെ സാധ്യതയും. നേവ് ബയേസിന്റെ പ്രകടന നേട്ടം ഉറപ്പിക്കുന്നു. എല്ലാ പഠിതാക്കൾക്കും / പരിധികളിലുമുടനീളമുള്ള MoCA സ്കോർ പതിപ്പിന്റെ കൂടുതൽ താരതമ്യം, ക്രമീകരിക്കാത്ത MoCA സ്കോറുകൾ ഉപയോഗിച്ചുള്ള ഒരു ചെറിയ പ്രകടന നേട്ടം നിർദ്ദേശിച്ചു (യഥാക്രമം 0.9027 വേഴ്സസ് 0.8971,; Pr (ക്രമീകരിക്കാത്തത് > ക്രമീകരിച്ചത്) = 0.988). അതുപോലെ, എല്ലാ പഠിതാക്കളിലുടനീളമുള്ള കട്ട്ഓഫ് ത്രെഷോൾഡും MoCA സ്കോർ പതിപ്പുകളും ഒരു ചെറിയ വർഗ്ഗീകരണ പ്രകടന നേട്ടത്തെ സൂചിപ്പിക്കുന്നു, 26-നെ അപേക്ഷിച്ച് 23 (യഥാക്രമം 0.9056 വേഴ്സസ് 0.8942; Pr (26 > 23) = 0.999). അവസാനമായി, ഫിൽട്ടർ ചെയ്ത ഫലങ്ങൾ മാത്രം ഉപയോഗിച്ച് മോഡലുകളുടെ വർഗ്ഗീകരണ പ്രകടനം പരിശോധിക്കുമ്പോൾ (അതായത്, ടോപ്പ് റാങ്കിലുള്ള നാല് സവിശേഷതകൾ മാത്രം), നേവ് ബേയ്‌സ് (0.9143) എല്ലാ MoCA സ്കോർ പതിപ്പുകളിലും/പരിധിയിലും സംഖ്യാപരമായി മികച്ച പ്രകടനം കാഴ്ചവച്ച പഠിതാവായിരുന്നു. എന്നിരുന്നാലും, എല്ലാ ഫീച്ചർ റാങ്കിംഗ് ടെക്നിക്കുകളും സംയോജിപ്പിച്ച്, മികച്ച പ്രകടനം കാഴ്ചവെച്ച എല്ലാ പഠിതാക്കളും സമാനമായ പ്രകടനം കാഴ്ചവച്ചു. ബയേസിയൻ സൈൻഡ് റാങ്ക് ടെസ്റ്റുകൾ ഓരോ ജോഡി ഫിൽട്ടർ ചെയ്ത പഠിതാക്കൾക്കിടയിലും പ്രായോഗിക തുല്യതയുടെ 100% സാധ്യത കാണിച്ചു. ഫിൽട്ടർ ചെയ്യാത്ത ഡാറ്റ പോലെ (എല്ലാ 10 പൊതു സവിശേഷതകളും ഉപയോഗിച്ച്), MoCA സ്‌കോറിന്റെ ക്രമീകരിക്കാത്ത പതിപ്പിന് വീണ്ടും ഒരു പ്രകടന നേട്ടം ഉണ്ടായിരുന്നു (Pr (ക്രമീകരിക്കാത്തത് > ക്രമീകരിച്ചത്) = 1.000), അതുപോലെ തന്നെ 26 (XNUMX) എന്ന വർഗ്ഗീകരണ പരിധിക്ക് സമാനമായ വ്യതിരിക്തമായ നേട്ടംPr (26 > 23) = 1.000). എല്ലാ MoCA സ്കോർ പതിപ്പുകളിലും/പരിധികളിലുടനീളമുള്ള മികച്ച മൂന്ന് പഠിതാക്കളുടെയും ശരാശരി പ്രകടനം ഫിൽട്ടർ ചെയ്യാത്ത ഡാറ്റയിലെ എല്ലാ പഠിതാക്കളുടെയും മികച്ച റാങ്കിലുള്ള നാല് ഫീച്ചറുകൾ മാത്രം ഉപയോഗിച്ചുള്ള ശരാശരി പ്രകടനത്തെക്കാൾ കൂടുതലാണ്. സാധാരണ 0.9119 മോഡലുകളുമായി താരതമ്യം ചെയ്ത ഫീച്ചർ റാങ്കിംഗ് രീതി മോഡലുകൾ പരിഗണിക്കാതെ തന്നെ, ഫിൽട്ടർ ചെയ്ത മോഡലുകളുടെ വർഗ്ഗീകരണ പ്രകടനം (0.8999) ഫിൽട്ടർ ചെയ്യാത്ത മോഡലുകളേക്കാൾ (10) മൊത്തത്തിൽ മികച്ചതാണ് (100). ഫീച്ചറുകൾ. ഓരോ ഫീച്ചർ തിരഞ്ഞെടുക്കൽ രീതിക്കും, ഫിൽട്ടർ ചെയ്യാത്ത മോഡലുകളേക്കാൾ പ്രകടന നേട്ടത്തിന്റെ XNUMX% സംഭാവ്യത ഉണ്ടായിരുന്നു.
AD രോഗനിർണയത്തിന്റെ തീവ്രത വർഗ്ഗീകരണത്തിനായി പരിഗണിക്കുന്ന രോഗികളോടൊപ്പം, ഗ്രൂപ്പുകൾക്കിടയിലുള്ള (MCI-AD വേഴ്സസ് AD) പ്രായവ്യത്യാസങ്ങൾ (p = 0.004), വിദ്യാഭ്യാസം (p = 0.028), MoCA സ്കോർ ക്രമീകരിച്ചു / ക്രമീകരിക്കാത്തത് (p = 0.000), കൂടാതെ MTx-% C (p = 0.008) സ്ഥിതിവിവരക്കണക്ക് പ്രാധാന്യമുള്ളവയാണ്; MTx-RT ന് അത് ആയിരുന്നില്ല (p = 0.097). VaD ഡയഗ്നോസിസ് തീവ്രത വർഗ്ഗീകരണത്തിനായി പരിഗണിക്കപ്പെടുന്ന രോഗികളോടൊപ്പം, MoCA സ്കോർ ക്രമീകരിച്ച/ക്രമീകരിക്കാത്തവയ്‌ക്കായുള്ള ഗ്രൂപ്പ് (MCI-VaD വേഴ്സസ് VaD) വ്യത്യാസങ്ങൾ (p = 0.007) കൂടാതെ MTx-% C (p = 0.026) കൂടാതെ MTx-RT (p = 0.001) സ്ഥിതിവിവരക്കണക്ക് പ്രാധാന്യമുള്ളവയാണ്; അതേസമയം പ്രായത്തിന് (p = 0.511) കൂടാതെ വിദ്യാഭ്യാസം (p = 0.157) ഗ്രൂപ്പുകൾക്കിടയിൽ കാര്യമായ വ്യത്യാസങ്ങളൊന്നും ഉണ്ടായിരുന്നില്ല.
മുമ്പ് തിരഞ്ഞെടുത്ത മൂന്ന് പഠിതാക്കൾ, ലോജിസ്റ്റിക് റിഗ്രഷൻ, നേവ് ബെയ്സ്, സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ എന്നിവ ഉപയോഗിച്ചുള്ള രോഗനിർണ്ണയ തീവ്രത വർഗ്ഗീകരണത്തിന്റെ പ്രവചന മോഡലിംഗ് പ്രകടന ഫലങ്ങൾ പട്ടിക 5-ൽ കാണിച്ചിരിക്കുന്നു. അതേസമയം കൂടുതൽ പരിശോധിച്ച പഠിതാക്കൾ രണ്ട് ക്ലിനിക്കൽ ഡയഗ്നോസിസ് വിഭാഗങ്ങളിൽ ഒന്ന് ഉപയോഗിച്ച് അൽപ്പം ശക്തമായ പ്രകടനങ്ങൾ പ്രകടമാക്കി. , ഞങ്ങളുടെ മുൻ മോഡലിംഗിൽ ഏറ്റവും അനുകൂലമെന്ന് ഞങ്ങൾ തിരിച്ചറിഞ്ഞ മൂന്ന് പഠിതാക്കൾ രണ്ട് പുതിയ മോഡലിംഗ് സ്കീമുകളിലും ഏറ്റവും സ്ഥിരതയുള്ള പ്രകടനം വാഗ്ദാനം ചെയ്തു. ഓരോ പ്രാഥമിക രോഗനിർണയ വിഭാഗങ്ങളിലുമുള്ള (AD, VaD) പഠിതാക്കളെ താരതമ്യപ്പെടുത്തുമ്പോൾ, MCI-VaD, VaD എന്നിവയ്‌ക്കെതിരായ പഠിതാക്കൾക്കിടയിൽ സ്ഥിരമായ വർഗ്ഗീകരണ പ്രകടന വ്യത്യാസമില്ല, എന്നിരുന്നാലും സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ പൊതുവെ കൂടുതൽ പ്രാധാന്യത്തോടെ പ്രവർത്തിച്ചു. അതുപോലെ, MCI-AD വേഴ്സസ് AD വർഗ്ഗീകരണത്തിന് പഠിതാക്കൾക്കിടയിൽ കാര്യമായ വ്യത്യാസങ്ങളൊന്നും ഉണ്ടായിരുന്നില്ല, എന്നിരുന്നാലും നേവ് ബയേസിന് (NB) ലോജിസ്റ്റിക് റിഗ്രഷനേക്കാൾ (LR) നേരിയ പ്രകടന നേട്ടവും സപ്പോർട്ട് വെക്റ്റർ മെഷീനിൽ 61.4% സാധ്യതകളുള്ള ഒരു നിസ്സാരമായ ബഹുത്വവും ഉണ്ടായിരുന്നു. യഥാക്രമം 41.7%. രണ്ട് ഡാറ്റാസെറ്റുകളിലും, സപ്പോർട്ട് വെക്റ്റർ മെഷീന് (എസ്വിഎം) മൊത്തത്തിലുള്ള പ്രകടന നേട്ടം ഉണ്ടായിരുന്നു. Pr (SVM > LR) = 0.819 ഒപ്പം Pr (SVM > NB) = 0.934. എക്സ്എൽ ഉപ-ഡാറ്റാസെറ്റിലെ രോഗനിർണയത്തിന്റെ തീവ്രത പ്രവചിക്കുന്നതിൽ എല്ലാ പഠിതാക്കളിലുമുടനീളമുള്ള ഞങ്ങളുടെ മൊത്തത്തിലുള്ള വർഗ്ഗീകരണ പ്രകടനം AD-യെ അപേക്ഷിച്ച് VaD ഡയഗ്നോസിസ് വിഭാഗത്തിൽ മികച്ചതായിരുന്നു (Pr (VAD > AD) = 0.998).
പട്ടിക 5
ഡിക്കോടോമസ് ക്ലിനിക്കൽ ഡയഗ്നോസിസ് സെവിരിറ്റി ക്ലാസിഫിക്കേഷൻ പെർഫോമൻസ് (AUC; 0.0–1.0) ഓരോ മോഡലിംഗ് സ്കീമുകൾക്കുമായി മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്ന മൂന്ന് പഠിതാക്കളുടെ ഫലങ്ങൾ
| മോഡലിംഗ് സ്കീം | ലോജിസ്റ്റിക് റിഗ്രഷൻ | നേവ് ബയേസ് | പിന്തുണ വെക്റ്റർ മെഷീൻ |
| MCI-AD വേഴ്സസ് എഡി | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD വേഴ്സസ് VaD | 0.8033 | 0.8044 | 0.8338 |
ഓരോ മോഡലിംഗ് സ്കീമിനും ഏറ്റവും ഉയർന്ന പ്രകടനം കാണിച്ചിരിക്കുന്നു ധീരമായ (ഇല്ലാത്ത മറ്റുള്ളവരെ അപേക്ഷിച്ച് സ്ഥിതിവിവരക്കണക്കനുസരിച്ച് വ്യത്യസ്തമായിരിക്കണമെന്നില്ല ധീരമായ).
DISCUSSION
വൈജ്ഞാനിക ആരോഗ്യത്തിലെ മാറ്റങ്ങൾ നേരത്തേ കണ്ടെത്തുന്നത് പ്രധാനമാണ് വ്യക്തിഗത ആരോഗ്യ മാനേജ്മെന്റിലും പൊതുജനാരോഗ്യത്തിലും ഒരുപോലെ പ്രായോഗിക പ്രയോജനം. തീർച്ചയായും, ലോകമെമ്പാടുമുള്ള രോഗികൾക്ക് ക്ലിനിക്കൽ ക്രമീകരണങ്ങളിൽ ഇത് വളരെ ഉയർന്ന മുൻഗണനയാണ്. രോഗികൾ, പരിചരണം നൽകുന്നവർ, ദാതാക്കൾ എന്നിവരെ അലേർട്ട് ചെയ്യുകയും ബോധപൂർവമായ തകർച്ച അനുഭവിക്കാൻ തുടങ്ങുന്നവർക്ക് ഉചിതമായതും ചെലവ് കുറഞ്ഞതുമായ ചികിത്സയും രേഖാംശ പരിചരണവും നൽകുകയും ചെയ്യുക എന്നതാണ് പങ്കിട്ട ലക്ഷ്യം. ഞങ്ങളുടെ മൂന്ന് ഹോസ്പിറ്റൽ/ക്ലിനിക്(കൾ) ഡാറ്റാ ഉപസെറ്റുകൾ സംയോജിപ്പിച്ച്, പ്രവചന മാതൃകകൾ നിർമ്മിക്കുന്നതിന് വ്യത്യസ്തമായി തിരഞ്ഞെടുക്കാവുന്ന മൂന്ന് പഠിതാക്കളെ ഞങ്ങൾ കണ്ടെത്തി (ഒരു ശ്രദ്ധേയമായ സ്റ്റാൻഡ്ഔട്ട് -നേവ് ബയേസ്). കോഗ്നിറ്റീവ് ഹെൽത്ത് സ്റ്റാറ്റസിനെ വിശ്വസനീയമായി തരംതിരിക്കാൻ കഴിയുന്ന MemTrax പ്രകടന അളവുകൾ ഒരു MoCA അഗ്രഗേറ്റ് സ്കോർ സൂചിപ്പിക്കുന്നത് പോലെ (സാധാരണ കോഗ്നിറ്റീവ് ഹെൽത്ത് അല്ലെങ്കിൽ MCI). പ്രധാനമായും ഈ MemTrax പ്രകടന മെട്രിക്കുകൾ ഉൾക്കൊള്ളുന്ന മുൻനിരയിലുള്ള നാല് ഫീച്ചറുകൾ മാത്രം ഞങ്ങളുടെ മോഡലുകൾ ഉപയോഗിച്ചപ്പോൾ, മൂന്ന് പഠിതാക്കളുടെ മൊത്തത്തിലുള്ള വർഗ്ഗീകരണ പ്രകടനം മെച്ചപ്പെട്ടു എന്നത് ശ്രദ്ധേയമാണ്. കൂടാതെ, ഡിമെൻഷ്യ രോഗനിർണയത്തിന്റെ രണ്ട് വിഭാഗങ്ങളുടെ തീവ്രത വേർതിരിച്ചറിയാൻ ഒരു ഡയഗ്നോസ്റ്റിക് സപ്പോർട്ട് ക്ലാസിഫിക്കേഷൻ മോഡലിംഗ് സ്കീമിൽ ഒരേ പഠിതാക്കളെയും MemTrax പെർഫോമൻസ് മെട്രിക്കുകളും ഉപയോഗിക്കുന്നതിനുള്ള അടിസ്ഥാന സാധ്യതകൾ ഞങ്ങൾ വെളിപ്പെടുത്തി: AD, VaD.
മെമ്മറി ടെസ്റ്റിംഗ് എഡി [23, 24] നേരത്തേ കണ്ടുപിടിക്കുന്നതിനുള്ള കേന്ദ്രമാണ്. അതിനാൽ, MemTrax ഓൺലൈനിൽ സ്വീകാര്യവും ആകർഷകവും എളുപ്പത്തിൽ നടപ്പിലാക്കാവുന്നതുമാണ് എപ്പിസോഡിക് മെമ്മറിയ്ക്കുള്ള സ്ക്രീനിംഗ് ടെസ്റ്റ് പൊതു ജനങ്ങളിൽ [6]. ഈ തുടർച്ചയായ പ്രകടന ടാസ്ക്കിൽ നിന്നുള്ള തിരിച്ചറിയൽ കൃത്യതയും പ്രതികരണ സമയവും, പഠനം, മെമ്മറി, വിജ്ഞാനം എന്നിവയുമായി ബന്ധപ്പെട്ട ന്യൂറോപ്ലാസ്റ്റിക് പ്രക്രിയകളിൽ നേരത്തെയുള്ളതും വികസിച്ചുകൊണ്ടിരിക്കുന്നതുമായ അപചയവും തുടർന്നുള്ള കുറവുകളും തിരിച്ചറിയുന്നതിൽ പ്രത്യേകിച്ചും വെളിപ്പെടുത്തുന്നു. അതായത്, മെംട്രാക്സ് പെർഫോമൻസ് മെട്രിക്‌സിനെ അടിസ്ഥാനമാക്കിയുള്ള ഇവിടെയുള്ള മോഡലുകൾ കൂടുതൽ കാര്യമായ പ്രവർത്തനപരമായ നഷ്ടത്തിന് മുമ്പുള്ള ട്രാൻസിഷണൽ അസിംപ്റ്റോമാറ്റിക് ഘട്ടത്തിൽ ബയോളജിക്കൽ ന്യൂറോ പാത്തോളജിക്കൽ കമ്മികൾ വളരെ കുറഞ്ഞ ചെലവിൽ വെളിപ്പെടുത്തുന്നു. ആഷ്ഫോർഡ് et al. MemTrax-ൽ സ്വന്തമായി പങ്കെടുത്ത ഓൺലൈൻ ഉപയോക്താക്കളുടെ തിരിച്ചറിയൽ മെമ്മറി കൃത്യതയുടെയും പ്രതികരണ സമയത്തിന്റെയും പാറ്റേണുകളും പെരുമാറ്റങ്ങളും സൂക്ഷ്മമായി പരിശോധിച്ചു [25]. ഒപ്റ്റിമൽ മോഡലിംഗിലും സാധുവായതും ഫലപ്രദവുമായ പേഷ്യന്റ് കെയർ ആപ്ലിക്കേഷനുകൾ വികസിപ്പിക്കുന്നതിലും ഈ വിതരണങ്ങൾ നിർണായകമാണെന്ന് മാനിക്കുന്നത്, ക്ലിനിക്കൽ, റിസർച്ച് യൂട്ടിലിറ്റിക്ക് മൂല്യവത്തായ അടിസ്ഥാന റഫറൻസ് സ്ഥാപിക്കുന്നതിന് ക്ലിനിക്കലി ബാധകമായ തിരിച്ചറിയലും പ്രതികരണ സമയ പ്രൊഫൈലുകളും നിർവചിക്കുന്നത് അത്യന്താപേക്ഷിതമാണ്. പ്രാരംഭ ഘട്ടത്തിലുള്ള വൈജ്ഞാനിക വൈകല്യത്തിനും ഡിഫറൻഷ്യൽ ഡയഗ്നോസ്റ്റിക് സപ്പോർട്ടിനുമുള്ള AD സ്ക്രീനിംഗിലെ MemTrax-ന്റെ പ്രായോഗിക മൂല്യം ഒരു ക്ലിനിക്കൽ ക്രമീകരണത്തിന്റെ പശ്ചാത്തലത്തിൽ കൂടുതൽ സൂക്ഷ്മമായി പരിശോധിക്കേണ്ടതുണ്ട്. പ്രൊഫഷണൽ വീക്ഷണം അറിയിക്കുന്നതിനും പ്രായോഗിക ക്ലിനിക്കൽ യൂട്ടിലിറ്റി പ്രോത്സാഹിപ്പിക്കുന്നതിനും, ഒരു സ്ഥാപിത കോഗ്നിറ്റീവ് ഹെൽത്ത് അസസ്മെന്റ് ടെസ്റ്റുമായി താരതമ്യം ചെയ്യേണ്ടത് ആദ്യം അത്യന്താപേക്ഷിതമാണ്, രണ്ടാമത്തേത് ബുദ്ധിമുട്ടുള്ള ടെസ്റ്റിംഗ് ലോജിസ്റ്റിക്‌സ്, വിദ്യാഭ്യാസം, ഭാഷാ തടസ്സങ്ങൾ, സാംസ്‌കാരിക സ്വാധീനങ്ങൾ എന്നിവയാൽ തിരിച്ചറിയാൻ കഴിയും. . ഇക്കാര്യത്തിൽ, ക്ലിനിക്കൽ ഫലപ്രാപ്തിയിൽ MemTrax-നെ MoCA-യുമായി താരതമ്യപ്പെടുത്തുന്നത് പ്രാധാന്യമർഹിക്കുന്നതാണ്, ഇത് സാധാരണയായി ഒരു വ്യവസായ നിലവാരമായി കണക്കാക്കപ്പെടുന്നു, പ്രത്യേകിച്ചും MemTrax-ന്റെ ഉപയോഗത്തിന്റെ എളുപ്പവും രോഗിയുടെ സ്വീകാര്യതയും കണക്കിലെടുക്കുമ്പോൾ.
MemTrax-നെ MoCA-യുമായി താരതമ്യപ്പെടുത്തുന്ന മുൻ പര്യവേക്ഷണം ഞങ്ങളുടെ മോഡലിംഗ് അന്വേഷണത്തിന് ആവശ്യമായ യുക്തിയും പ്രാഥമിക തെളിവുകളും ഉയർത്തിക്കാട്ടുന്നു [8]. എന്നിരുന്നാലും, ഈ മുൻകൂർ താരതമ്യം ഞങ്ങൾ MoCA നിർണ്ണയിച്ചിട്ടുള്ള കോഗ്നിറ്റീവ് സ്റ്റാറ്റസുമായി ഞങ്ങൾ പരിശോധിച്ച രണ്ട് പ്രധാന MemTrax പെർഫോമൻസ് മെട്രിക്കുകളെ ബന്ധപ്പെടുത്തി, അതത് ശ്രേണികളും കട്ട്ഓഫ് മൂല്യങ്ങളും നിർവചിച്ചു. മറ്റ് സാധ്യതയുള്ള രോഗി-നിർദ്ദിഷ്ട പാരാമീറ്ററുകളുടെ കൂടുതൽ വ്യക്തിഗതമായ പരിഗണന നൽകുന്ന ഒരു പ്രവചന മോഡലിംഗ് അധിഷ്ഠിത സമീപനം പര്യവേക്ഷണം ചെയ്‌ത് ഞങ്ങൾ MemTrax-ന്റെ ക്ലിനിക്കൽ യൂട്ടിലിറ്റി വിലയിരുത്തൽ ആഴത്തിലാക്കി. മറ്റുള്ളവരിൽ നിന്ന് വ്യത്യസ്തമായി, MoCA സ്‌കോറിലേക്കുള്ള വിദ്യാഭ്യാസ തിരുത്തൽ (ക്രമീകരണം) ഉപയോഗിച്ചോ അല്ലെങ്കിൽ യഥാർത്ഥത്തിൽ ശുപാർശ ചെയ്ത 26 മുതൽ 23 വരെ [12, 15] വരെയുള്ള MoCA മൊത്തം സ്കോർ ത്രെഷോൾഡ് വിവേചനം കാണിക്കുന്ന കോഗ്നിറ്റീവ് ഹെൽത്ത് വ്യത്യസ്‌തമാക്കുന്ന മോഡൽ പ്രകടനത്തിൽ ഞങ്ങൾ ഒരു നേട്ടവും കണ്ടെത്തിയില്ല. വാസ്തവത്തിൽ, ക്രമീകരിക്കാത്ത MoCA സ്കോറും ഉയർന്ന ത്രെഷോൾഡും ഉപയോഗിച്ച് വർഗ്ഗീകരണ പ്രകടന നേട്ടം അനുകൂലമായി.
ക്ലിനിക്കൽ പ്രാക്ടീസിലെ പ്രധാന പോയിന്റുകൾ
ഡാറ്റ വിപുലവും ബഹുമുഖവുമാകുമ്പോൾ, അതായത്, നിരവധി നിരീക്ഷണങ്ങളും ഉയർന്ന മൂല്യമുള്ള (സംഭാവന നൽകുന്ന) ആട്രിബ്യൂട്ടുകളുടെ വിപുലമായ ശ്രേണിയും ഉള്ളപ്പോൾ, പ്രവചനാത്മക മോഡലിംഗിൽ മെഷീൻ ലേണിംഗ് ഏറ്റവും നന്നായി ഉപയോഗിക്കുകയും ഏറ്റവും ഫലപ്രദവുമാണ്. എന്നിരുന്നാലും, ഈ നിലവിലെ ഡാറ്റ ഉപയോഗിച്ച്, തിരഞ്ഞെടുത്ത നാല് ഫീച്ചറുകൾ മാത്രമുള്ള ഫിൽട്ടർ ചെയ്ത മോഡലുകൾ എല്ലാ 10 പൊതു സവിശേഷതകളും ഉപയോഗിക്കുന്നതിനേക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവച്ചു. ഈ രീതിയിൽ രോഗികളെ ഒപ്റ്റിമൽ തരത്തിൽ തരംതിരിക്കാൻ ഏറ്റവും അനുയോജ്യമായ (ഉയർന്ന മൂല്യമുള്ള) ഫീച്ചറുകൾ ഞങ്ങളുടെ ഹോസ്പിറ്റൽ ഡാറ്റാസെറ്റിന് ഇല്ലെന്ന് ഇത് സൂചിപ്പിക്കുന്നു. എന്നിരുന്നാലും, പ്രധാന MemTrax പെർഫോമൻസ് മെട്രിക്‌സിലെ ഫീച്ചർ റാങ്കിംഗ് ഊന്നൽ-MTx-% C, MTx-RT- ഈ ടെസ്റ്റിന് ചുറ്റും ലളിതവും നിയന്ത്രിക്കാൻ എളുപ്പവും ചെലവ് കുറഞ്ഞതും ഉചിതമായി വെളിപ്പെടുത്തുന്നതുമായ ആദ്യഘട്ട കോഗ്നിറ്റീവ് ഡെഫിസിറ്റ് സ്ക്രീനിംഗ് മോഡലുകൾ നിർമ്മിക്കുന്നതിനെ ശക്തമായി പിന്തുണയ്ക്കുന്നു. മെമ്മറി പ്രകടനം, കോഗ്നിറ്റീവ് ഹെൽത്ത് സ്റ്റാറ്റസിന്റെ ബൈനറി വർഗ്ഗീകരണത്തിനുള്ള ഒരു പ്രാരംഭ സ്‌ക്രീനെങ്കിലും. ദാതാക്കളിലും ആരോഗ്യസംരക്ഷണ സംവിധാനങ്ങളിലും വർദ്ധിച്ചുവരുന്ന സമ്മർദ്ദം കണക്കിലെടുത്ത്, രോഗികളുടെ സ്ക്രീനിംഗ് പ്രക്രിയകളും ക്ലിനിക്കൽ ആപ്ലിക്കേഷനുകളും ഉചിതമായ രീതിയിൽ വികസിപ്പിച്ചെടുക്കണം, ആ രോഗിയുടെ സവിശേഷതകൾ ശേഖരിക്കുന്നതിനും ട്രാക്ക് ചെയ്യുന്നതിനും മോഡലിംഗ് ചെയ്യുന്നതിനും ഊന്നൽ നൽകണം രോഗികളുടെ മാനേജ്മെന്റ് പിന്തുണയും.
രണ്ട് പ്രധാന MemTrax മെട്രിക്‌സുകൾ MCI വർഗ്ഗീകരണത്തിന്റെ കേന്ദ്രമായതിനാൽ, ഞങ്ങളുടെ മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്ന പഠിതാവ് (Naïve Bayes) മിക്ക മോഡലുകളിലും (AUC 0.90-ന് മുകളിൽ) വളരെ ഉയർന്ന പ്രവചനാത്മക പ്രകടനമാണ് കാഴ്ചവെച്ചത്, യഥാർത്ഥ പോസിറ്റീവ് മുതൽ തെറ്റായ പോസിറ്റീവ് അനുപാതം 4-ന് അടുത്തോ അതിൽ കൂടുതലോ ആണ്. : 1. ഈ പഠിതാവിനെ ഉപയോഗിച്ചുള്ള ഒരു വിവർത്തന ക്ലിനിക്കൽ ആപ്ലിക്കേഷൻ കോഗ്നിറ്റീവ് ഡെഫിസിറ്റ് ഉള്ളവരിൽ ഭൂരിഭാഗം പേരെയും പിടിച്ചെടുക്കും (ശരിയായി തരംതിരിക്കാം), അതേസമയം സാധാരണ വൈജ്ഞാനിക ആരോഗ്യമുള്ള ഒരാളെ കോഗ്നിറ്റീവ് ഡെഫിസിറ്റ് (തെറ്റായ പോസിറ്റീവ്) ഉള്ളതായി തെറ്റായി തരംതിരിക്കുന്നതുമായി ബന്ധപ്പെട്ട ചെലവ് കുറയ്ക്കുന്നു. കോഗ്നിറ്റീവ് ഡെഫിസിറ്റ് (തെറ്റായ നെഗറ്റീവ്) ഉള്ളവരിൽ ആ വർഗ്ഗീകരണം കാണുന്നില്ല. തെറ്റായ വർഗ്ഗീകരണത്തിന്റെ ഈ സാഹചര്യങ്ങളിലൊന്ന് രോഗിക്കും പരിചരണം നൽകുന്നവർക്കും അനാവശ്യമായ മാനസിക-സാമൂഹിക ഭാരം അടിച്ചേൽപ്പിക്കും.
പ്രാഥമികവും പൂർണ്ണവുമായ വിശകലനങ്ങളിൽ, ഓരോ മോഡലിംഗ് സ്കീമിലും ഞങ്ങൾ പത്ത് പഠിതാക്കളെയും ഉപയോഗിച്ചു, ഏറ്റവും സ്ഥിരതയുള്ള ശക്തമായ പ്രകടനം കാണിക്കുന്ന മൂന്ന് ക്ലാസിഫയറുകളിൽ ഞങ്ങളുടെ ഫലങ്ങൾ കേന്ദ്രീകരിച്ചു. കോഗ്നിറ്റീവ് സ്റ്റാറ്റസ് വർഗ്ഗീകരണം നിർണയിക്കുന്നതിൽ പ്രായോഗിക ക്ലിനിക്കൽ ആപ്ലിക്കേഷനിൽ ഉയർന്ന തലത്തിൽ ആശ്രിതമായി പ്രവർത്തിക്കുമെന്ന് പ്രതീക്ഷിക്കുന്ന പഠിതാക്കളെ ഈ ഡാറ്റയെ അടിസ്ഥാനമാക്കി ഹൈലൈറ്റ് ചെയ്യുന്നതിനും ഇത് ആവശ്യമാണ്. കൂടാതെ, ഈ പഠനം കോഗ്നിറ്റീവ് സ്ക്രീനിംഗിലെ മെഷീൻ ലേണിംഗിന്റെ പ്രയോജനത്തെക്കുറിച്ചും ഈ സമയോചിതമായ ക്ലിനിക്കൽ വെല്ലുവിളികളെക്കുറിച്ചും ഒരു ആമുഖ അന്വേഷണമായി ഉദ്ദേശിച്ചതിനാൽ, കുറഞ്ഞ പാരാമീറ്റർ ട്യൂണിംഗ് ഉപയോഗിച്ച് പഠന സാങ്കേതിക വിദ്യകൾ ലളിതവും സാമാന്യവൽക്കരിച്ചും നിലനിർത്താൻ ഞങ്ങൾ തീരുമാനിച്ചു. ഈ സമീപനം കൂടുതൽ സങ്കുചിതമായി നിർവചിക്കപ്പെട്ട രോഗി-നിർദ്ദിഷ്ട പ്രവചന ശേഷികൾക്കുള്ള സാധ്യതകളെ പരിമിതപ്പെടുത്തിയേക്കാമെന്ന് ഞങ്ങൾ അഭിനന്ദിക്കുന്നു. അതുപോലെ, മികച്ച ഫീച്ചറുകൾ (ഫിൽട്ടർ ചെയ്ത സമീപനം) മാത്രം ഉപയോഗിച്ച് മോഡലുകൾ പരിശീലിപ്പിക്കുമ്പോൾ, ഈ ഡാറ്റയെക്കുറിച്ച് കൂടുതൽ ഞങ്ങളെ അറിയിക്കുന്നു (ശേഖരിച്ച ഡാറ്റയിലെ പോരായ്മകളും വിലയേറിയ ക്ലിനിക്കൽ സമയവും വിഭവങ്ങളും ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിലെ മൂല്യം എടുത്തുകാണിക്കുന്നു), ഇത് അകാലത്തിൽ ഇടുങ്ങിയതാണെന്ന് ഞങ്ങൾ തിരിച്ചറിയുന്നു. മോഡലുകളുടെ വ്യാപ്തിയും അതിനാൽ, വിശാലമായ ജനസംഖ്യയ്ക്ക് ബാധകമായ മുൻഗണനാ സവിശേഷതകളുടെ കൂടുതൽ കൃത്യമായ പ്രൊഫൈൽ ഞങ്ങൾക്ക് ലഭിക്കുന്നതുവരെ എല്ലാ (മറ്റ് സവിശേഷതകളും) ഭാവി ഗവേഷണത്തോടൊപ്പം പരിഗണിക്കേണ്ടതാണ്. അതിനാൽ, കൂടുതൽ ഉൾക്കൊള്ളുന്നതും വിശാലവുമായ പ്രാതിനിധ്യ ഡാറ്റയും ഇവയുടെയും മറ്റ് മോഡലുകളുടെയും ഒപ്റ്റിമൈസേഷനും ഫലപ്രദമായ ഒരു ക്ലിനിക്കൽ ആപ്ലിക്കേഷനായി സംയോജിപ്പിക്കുന്നതിന് മുമ്പ് അവ ആവശ്യമാണെന്ന് ഞങ്ങൾ പൂർണ്ണമായി തിരിച്ചറിയുന്നു, പ്രത്യേകിച്ചും കൂടുതൽ ക്ലിനിക്കൽ മൂല്യനിർണ്ണയത്തിൽ പരിഗണിക്കേണ്ട കോഗ്നിറ്റീവ് പ്രകടനത്തെ ബാധിക്കുന്ന കോമോർബിഡിറ്റികളെ ഉൾക്കൊള്ളാൻ.
പ്രത്യേക ക്ലിനിക്കൽ രോഗനിർണ്ണയത്തെ അടിസ്ഥാനമാക്കി രോഗ തീവ്രതയുടെ മോഡലിംഗ് വഴി മെംട്രാക്സിന്റെ പ്രയോജനം കൂടുതൽ പരിഷ്കരിച്ചു. VaD യുടെ തീവ്രത പ്രവചിക്കുന്നതിൽ മൊത്തത്തിലുള്ള മെച്ചപ്പെട്ട വർഗ്ഗീകരണ പ്രകടനം (എഡിയുമായി താരതമ്യം ചെയ്യുമ്പോൾ) ആയിരുന്നില്ല രക്തക്കുഴലുകളുടെ ആരോഗ്യത്തിന് പ്രത്യേക മോഡലുകളിൽ രോഗിയുടെ പ്രൊഫൈൽ സവിശേഷതകൾ നൽകിയത് ആശ്ചര്യകരമാണ് സ്ട്രോക്ക് സാധ്യത, അതായത്, രക്താതിമർദ്ദം, ഹൈപ്പർലിപിഡീമിയ, പ്രമേഹം, കൂടാതെ (തീർച്ചയായും) സ്ട്രോക്ക് ചരിത്രം. ഈ കൂടുതൽ ഉൾക്കൊള്ളുന്ന ഡാറ്റ ഉപയോഗിച്ച് പഠിതാക്കളെ പരിശീലിപ്പിക്കുന്നതിന് സാധാരണ വൈജ്ഞാനിക ആരോഗ്യമുള്ള പൊരുത്തപ്പെടുന്ന രോഗികളിൽ ഇതേ ക്ലിനിക്കൽ വിലയിരുത്തൽ നടത്തുന്നത് കൂടുതൽ അഭിലഷണീയവും ഉചിതവുമാകുമായിരുന്നെങ്കിലും. മെംട്രാക്സ് പ്രാഥമികമായി ഒരു വൈജ്ഞാനിക കമ്മിയുടെ പ്രാരംഭ ഘട്ട കണ്ടെത്തലിനും വ്യക്തിഗത മാറ്റത്തിന്റെ തുടർന്നുള്ള ട്രാക്കിംഗിനും ഉപയോഗിക്കാൻ ഉദ്ദേശിച്ചുള്ളതിനാൽ ഇത് പ്രത്യേകിച്ചും ഉറപ്പാണ്. VaD ഡാറ്റാസെറ്റിലെ ഡാറ്റയുടെ കൂടുതൽ അഭികാമ്യമായ വിതരണം താരതമ്യേന മികച്ച മോഡലിംഗ് പ്രകടനത്തിന് ഭാഗികമായി സംഭാവന ചെയ്തു എന്നതും വിശ്വസനീയമാണ്. രണ്ട് ക്ലാസുകൾക്കിടയിൽ VaD ഡാറ്റാസെറ്റ് നന്നായി സന്തുലിതമായിരുന്നു, എന്നാൽ വളരെ കുറച്ച് MCI രോഗികളുള്ള AD ഡാറ്റാസെറ്റ് അങ്ങനെയായിരുന്നില്ല. പ്രത്യേകിച്ചും ചെറിയ ഡാറ്റാസെറ്റുകളിൽ, കുറച്ച് അധിക സന്ദർഭങ്ങൾ പോലും അളക്കാവുന്ന വ്യത്യാസം ഉണ്ടാക്കും. രണ്ട് വീക്ഷണങ്ങളും രോഗ തീവ്രത മോഡലിംഗ് പ്രകടനത്തിലെ വ്യത്യാസങ്ങൾക്ക് അടിസ്ഥാനമായ ന്യായമായ വാദങ്ങളാണ്. എന്നിരുന്നാലും, ആനുപാതികമായി മെച്ചപ്പെട്ട പ്രകടനം ഡാറ്റാസെറ്റ് സംഖ്യാ സ്വഭാവസവിശേഷതകളിലേക്കോ അല്ലെങ്കിൽ പരിഗണനയിലുള്ള ക്ലിനിക്കൽ അവതരണത്തിന്റെ അന്തർലീനമായ സവിശേഷതകളിലേക്കോ ആട്രിബ്യൂട്ട് ചെയ്യുന്നത് അകാലമാണ്. എന്നിരുന്നാലും, ഈ നോവൽ ക്ലിനിക്കൽ ഡയഗ്നോസ്റ്റിക് സപ്പോർട്ടിന്റെ റോളിൽ മെംട്രാക്സ് പ്രവചിക്കുന്ന വർഗ്ഗീകരണ മോഡലിന്റെ പ്രയോജനം പ്രകടമാക്കി, എംസിഐയുടെ തുടർച്ചയിലുടനീളം രോഗികളുമായി കൂടുതൽ പരിശോധന നടത്തുന്നതിന് മൂല്യവത്തായ വീക്ഷണം നൽകുകയും സ്ഥിരീകരിക്കുകയും ചെയ്യുന്നു.
മെംട്രാക്‌സിന്റെയും ഈ മോഡലുകളുടെയും നടപ്പാക്കലും പ്രദർശിപ്പിച്ച ഉപയോഗവും, സ്ഥാപിത യൂട്ടിലിറ്റിയുടെ മറ്റ് പ്രദേശങ്ങളിൽ നിന്ന് (ഉദാഹരണത്തിന്, ഫ്രാൻസ്, നെതർലാൻഡ്‌സ്, യുണൈറ്റഡ് സ്റ്റേറ്റ്‌സ്) [7, 8, 27] വളരെ വ്യത്യസ്തമായ ഭാഷയും സംസ്‌കാരവും ചൈനയിലെ ഈ മോഡലുകളുടെ സാധ്യതയെ കൂടുതൽ അടിവരയിടുന്നു. MemTrax അടിസ്ഥാനമാക്കിയുള്ള പ്ലാറ്റ്‌ഫോമിന്റെ വ്യാപകമായ ആഗോള സ്വീകാര്യതയ്ക്കും ക്ലിനിക്കൽ മൂല്യത്തിനും. ഡാറ്റാ സമന്വയത്തിനായി പരിശ്രമിക്കുന്നതിലും പ്രായോഗിക അന്തർദേശീയ മാനദണ്ഡങ്ങൾ വികസിപ്പിക്കുന്നതിലും ലോകമെമ്പാടുമുള്ള ഉപയോഗത്തിന് നിലവാരമുള്ളതും എളുപ്പത്തിൽ പൊരുത്തപ്പെടുത്തുന്നതുമായ കോഗ്നിറ്റീവ് സ്ക്രീനിംഗിനായി മോഡലിംഗ് ഉറവിടങ്ങൾ വികസിപ്പിക്കുന്നതിലെ പ്രകടമായ ഉദാഹരണമാണിത്.
കോഗ്നിറ്റീവ് ഡിക്സൈഡ് മോഡലിംഗിലും ആപ്ലിക്കേഷനിലും അടുത്ത ഘട്ടങ്ങൾ
AD-യിലെ കോഗ്നിറ്റീവ് അപര്യാപ്തത ഒരു തുടർച്ചയിലാണ് സംഭവിക്കുന്നത്, വ്യതിരിക്തമായ ഘട്ടങ്ങളിലോ ഘട്ടങ്ങളിലോ അല്ല [28, 29]. എന്നിരുന്നാലും, ഈ പ്രാരംഭ ഘട്ടത്തിൽ, "സാധാരണ" എന്നതിൽ നിന്ന് "സാധാരണ" എന്നതിൽ നിന്ന് അടിസ്ഥാനപരമായി വേർതിരിച്ചറിയാൻ കഴിയുന്ന MemTrax ഉൾപ്പെടുത്തി ഒരു മോഡൽ നിർമ്മിക്കാനുള്ള ഞങ്ങളുടെ കഴിവ് ആദ്യം സ്ഥാപിക്കുക എന്നതായിരുന്നു ഞങ്ങളുടെ ലക്ഷ്യം. കൂടുതൽ ഉൾക്കൊള്ളുന്ന അനുഭവപരമായ ഡാറ്റ (ഉദാ, ബ്രെയിൻ ഇമേജിംഗ്, ജനിതക സവിശേഷതകൾ, ബയോ മാർക്കറുകൾ, കോമോർബിഡിറ്റികൾ, കോംപ്ലക്‌സിന്റെ പ്രവർത്തന മാർക്കറുകൾ അറിവ് ആവശ്യമായ പ്രവർത്തനങ്ങൾ നിയന്ത്രണം) [30] വ്യത്യസ്തമായ ആഗോള പ്രദേശങ്ങൾ, ജനസംഖ്യ, പ്രായ വിഭാഗങ്ങൾ എന്നിവയിലുടനീളം കൂടുതൽ സങ്കീർണ്ണമായ (അനുയോജ്യമായ ഭാരമുള്ള സമന്വയമുൾപ്പെടെ) മെഷീൻ ലേണിംഗ് മോഡലുകൾ പരിശീലിപ്പിക്കുന്നതിനും വികസിപ്പിക്കുന്നതിനും കൂടുതൽ മെച്ചപ്പെട്ട വർഗ്ഗീകരണത്തെ പിന്തുണയ്ക്കും, അതായത്, രോഗികളുടെ ഗ്രൂപ്പുകളെ തരംതിരിക്കാനുള്ള ശേഷി. വൈജ്ഞാനിക തകർച്ച തുടർച്ചയ്‌ക്കൊപ്പം ചെറുതും കൂടുതൽ നിർണ്ണായകവുമായ ഉപവിഭാഗങ്ങളിലേക്ക് MCI. കൂടാതെ, പ്രാദേശികമായി വൈവിധ്യമാർന്ന രോഗികളുടെ ജനസംഖ്യയിൽ ഉടനീളമുള്ള വ്യക്തികൾക്കുള്ള ക്ലിനിക്കൽ ഡയഗ്നോസിസ് അത്യാവശ്യമാണ് ഫലപ്രദമായി പരിശീലിപ്പിക്കുക ഈ കൂടുതൽ ഉൾക്കൊള്ളുന്നതും പ്രവചിക്കാൻ കഴിയുന്നതുമായ കരുത്തുറ്റ മോഡലുകൾ. സമാന പശ്ചാത്തലങ്ങളും സ്വാധീനങ്ങളും കൂടുതൽ സങ്കുചിതമായി നിർവചിക്കപ്പെട്ടിട്ടുള്ള സ്വഭാവ വൈജ്ഞാനിക പ്രൊഫൈലുകളും ഉള്ളവർക്ക് ഇത് കൂടുതൽ നിർദ്ദിഷ്ട സ്ട്രാറ്റിഫൈഡ് കേസ് മാനേജ്മെന്റ് സുഗമമാക്കുകയും അങ്ങനെ ക്ലിനിക്കൽ തീരുമാന പിന്തുണയും രോഗി പരിചരണവും ഒപ്റ്റിമൈസ് ചെയ്യുകയും ചെയ്യും.
ഇന്നുവരെയുള്ള പ്രസക്തമായ ക്ലിനിക്കൽ ഗവേഷണങ്ങളിൽ ഭൂരിഭാഗവും കുറഞ്ഞത് നേരിയ ഡിമെൻഷ്യ ഉള്ള രോഗികളെ അഭിസംബോധന ചെയ്തിട്ടുണ്ട്; കൂടാതെ, പ്രായോഗികമായി, പലപ്പോഴും രോഗികളുടെ ഇടപെടൽ വിപുലമായ ഘട്ടങ്ങളിൽ മാത്രമാണ് ശ്രമിക്കുന്നത്. എന്നിരുന്നാലും, ഡിമെൻഷ്യയുടെ ക്ലിനിക്കൽ മാനദണ്ഡങ്ങൾ പാലിക്കുന്നതിന് മുമ്പുതന്നെ വൈജ്ഞാനിക തകർച്ച ആരംഭിക്കുന്നതിനാൽ, ഫലപ്രദമായി പ്രയോഗിച്ച MemTrax അടിസ്ഥാനമാക്കിയുള്ള ആദ്യകാല സ്‌ക്രീൻ രോഗത്തെക്കുറിച്ചും അതിന്റെ പുരോഗതിയെക്കുറിച്ചും വ്യക്തികളുടെ ഉചിതമായ വിദ്യാഭ്യാസത്തെ പ്രോത്സാഹിപ്പിക്കുകയും നേരത്തെയും സമയോചിതമായ ഇടപെടലുകളും പ്രോത്സാഹിപ്പിക്കുകയും ചെയ്യും. അതിനാൽ, വ്യായാമം, ഭക്ഷണക്രമം, വൈകാരിക പിന്തുണ, മെച്ചപ്പെട്ട സാമൂഹികവൽക്കരണം എന്നിവയിൽ നിന്ന് ഫാർമക്കോളജിക്കൽ ഇടപെടൽ വരെയുള്ള ഉചിതമായ ഇടപെടലുകളെ മുൻകൂർ കണ്ടെത്തൽ പിന്തുണയ്ക്കുകയും, ഡിമെൻഷ്യ പുരോഗതിയെ ലഘൂകരിക്കാനോ അല്ലെങ്കിൽ തടയാനോ സാധ്യതയുള്ള പെരുമാറ്റത്തിലും ധാരണയിലും രോഗിയുമായി ബന്ധപ്പെട്ട മാറ്റങ്ങളെ ശക്തിപ്പെടുത്തുകയും ചെയ്യും [31, 32] . മാത്രമല്ല, ഫലപ്രദമായ കൂടെ നേരത്തെയുള്ള സ്ക്രീനിംഗ്, വ്യക്തികളെയും അവരുടെ കുടുംബങ്ങളെയും ക്ലിനിക്കൽ പരീക്ഷണങ്ങൾ പരിഗണിക്കുന്നതിനോ അല്ലെങ്കിൽ പ്രതീക്ഷകളും ഉദ്ദേശ്യങ്ങളും വ്യക്തമാക്കാനും ദൈനംദിന ജോലികൾ കൈകാര്യം ചെയ്യാനും സഹായിക്കുന്നതിന് കൗൺസിലിംഗും മറ്റ് സാമൂഹിക സേവന പിന്തുണയും നേടുന്നതിന് പ്രേരിപ്പിച്ചേക്കാം. ഈ വഴികളിലെ കൂടുതൽ മൂല്യനിർണ്ണയവും വ്യാപകമായ പ്രായോഗിക ഉപയോഗവും നിരവധി വ്യക്തികൾക്ക് MCI, AD, ADRD എന്നിവയുടെ പുരോഗതി ലഘൂകരിക്കുന്നതിനും തടയുന്നതിനും സഹായകമാകും.
തീർച്ചയായും, ഞങ്ങളുടെ പഠനത്തിലെ രോഗികളുടെ പ്രായപരിധിയിലെ താഴ്ന്ന നില, എ.ഡി.യുമായുള്ള പരമ്പരാഗത ആശങ്കയുടെ ജനസംഖ്യയെ പ്രതിനിധീകരിക്കുന്നില്ല. എന്നിരുന്നാലും, MoCA സ്കോർ/ത്രെഷോൾഡ്, രോഗനിർണയ തീവ്രത (പട്ടിക 3) എന്നിവയെ അടിസ്ഥാനമാക്കിയുള്ള ക്ലാസിഫിക്കേഷൻ മോഡലിംഗ് സ്കീമുകളിൽ ഉപയോഗിക്കുന്ന ഓരോ ഗ്രൂപ്പിന്റെയും ശരാശരി പ്രായം വ്യക്തമായ ഭൂരിപക്ഷത്തിന് (80%-ത്തിലധികം) അടിവരയിടുന്നു, കുറഞ്ഞത് 50 വയസ്സ്. അതിനാൽ, ഈ വിതരണം സാമാന്യവൽക്കരണത്തിന് വളരെ അനുയോജ്യമാണ്, ജനസംഖ്യയിൽ ഈ മോഡലുകളുടെ ഉപയോഗത്തെ പിന്തുണയ്ക്കുന്നു. നേരത്തെയുള്ള തുടക്കം കൂടാതെ AD, VaD എന്നിവ കാരണം വർദ്ധിച്ചുവരുന്ന ന്യൂറോകോഗ്നിറ്റീവ് രോഗവും. കൂടാതെ, സമീപകാല തെളിവുകളും കാഴ്ചപ്പാടുകളും തിരിച്ചറിഞ്ഞ ഘടകങ്ങളെ (ഉദാഹരണത്തിന്, രക്താതിമർദ്ദം, പൊണ്ണത്തടി, പ്രമേഹം, പുകവലി) സമ്മർദ്ദം ചെലുത്തുന്നു. മുതിർന്നവരുടെയും മിഡ്‌ലൈഫിന്റെയും വാസ്കുലർ റിസ്ക് സ്‌കോറുകളും അതിന്റെ അനന്തരഫലമായ സൂക്ഷ്മമായ വാസ്കുലർ മസ്തിഷ്ക ക്ഷതവും ചെറുപ്പത്തിൽ പോലും പ്രകടമായ പ്രത്യാഘാതങ്ങളോടെ വികസിക്കുന്നു മുതിർന്നവർ [33-35]. അതനുസരിച്ച്, നേരത്തെ കണ്ടുപിടിക്കുന്നതിനുള്ള ഏറ്റവും ഒപ്റ്റിമൽ പ്രാരംഭ സ്ക്രീനിംഗ് അവസരം വൈജ്ഞാനിക കമ്മികൾ ഘട്ടം ഘട്ടമായി ഡിമെൻഷ്യയെ വിജയകരമായി അഭിസംബോധന ചെയ്യുന്നതിൽ ഫലപ്രദമായ പ്രതിരോധവും ഇടപെടലും തന്ത്രങ്ങൾ ആരംഭിക്കുക പ്രായപൂർത്തിയാകാൻ സാധ്യതയുള്ളതും കുട്ടിക്കാലം വരെ (ഗർഭാവസ്ഥയുടെ തുടക്കത്തിൽ തന്നെ അപ്പോളിപോപ്രോട്ടീൻ ഇ പോലുള്ള ജനിതക ഘടകങ്ങളുടെ പ്രസക്തി) ഉൾപ്പെടെ, പ്രായപരിധിയിലുടനീളം സംഭാവന ചെയ്യുന്ന ഘടകങ്ങളും മുൻകാല സൂചകങ്ങളും പരിശോധിക്കുന്നതിൽ നിന്ന് ഉയർന്നുവരും.
പ്രായോഗികമായി, സാധുവായ ക്ലിനിക്കൽ രോഗനിർണ്ണയങ്ങളും വിപുലമായ ഇമേജിംഗ്, ജനിതക പ്രൊഫൈലിംഗ്, വാഗ്ദാനമായ ബയോ മാർക്കറുകൾ അളക്കുന്നതിനുള്ള ചെലവേറിയ നടപടിക്രമങ്ങളും എല്ലായ്‌പ്പോഴും എളുപ്പത്തിൽ ലഭ്യമല്ല അല്ലെങ്കിൽ പല ദാതാക്കൾക്കും സാധ്യമല്ല. അതിനാൽ, പല സന്ദർഭങ്ങളിലും, പ്രാരംഭ മൊത്തത്തിലുള്ള കോഗ്നിറ്റീവ് ഹെൽത്ത് സ്റ്റാറ്റസ് വർഗ്ഗീകരണം, രോഗി നൽകുന്ന മറ്റ് ലളിതമായ മെട്രിക്കുകൾ (ഉദാ, സ്വയം റിപ്പോർട്ടുചെയ്‌തത്) ഉപയോഗിച്ചുള്ള മോഡലുകളിൽ നിന്ന് ഉരുത്തിരിഞ്ഞുവന്നേക്കാം. മെമ്മറി പ്രശ്നങ്ങൾ, നിലവിലുള്ള മരുന്നുകളും പതിവ് പ്രവർത്തന പരിമിതികളും) പൊതുവായ ജനസംഖ്യാപരമായ സവിശേഷതകളും [7]. യൂണിവേഴ്സിറ്റി ഓഫ് കാലിഫോർണിയ പോലുള്ള രജിസ്ട്രികൾ ബ്രെയിൻ ആരോഗ്യം രജിസ്ട്രി (https://www.brainhealthregistry.org/) [27] കൂടാതെ മറ്റുള്ളവയും സ്വയം റിപ്പോർട്ട് ചെയ്ത ലക്ഷണങ്ങൾ, ഗുണപരമായ അളവുകൾ (ഉദാ, ഉറക്കവും എല്ലാ ദിവസവും അറിവ്), മരുന്നുകൾ, ആരോഗ്യ നില, ചരിത്രം, കൂടാതെ ക്ലിനിക്കിലെ ഈ കൂടുതൽ പ്രാകൃത മാതൃകകളുടെ പ്രായോഗിക പ്രയോഗം വികസിപ്പിക്കുന്നതിനും സാധൂകരിക്കുന്നതിനും കൂടുതൽ വിശദമായ ജനസംഖ്യാശാസ്‌ത്രം സഹായകമാകും. കൂടാതെ, മെമ്മറി ഫംഗ്ഷൻ വിലയിരുത്തുന്നതിൽ പ്രയോജനം പ്രകടമാക്കിയ MemTrax പോലെയുള്ള ഒരു പരിശോധന, യഥാർത്ഥത്തിൽ AD പാത്തോളജിയുടെ ബയോളജിക്കൽ മാർക്കറുകളേക്കാൾ ഗണ്യമായി മെച്ചപ്പെട്ട ഒരു വിലയിരുത്തൽ നൽകിയേക്കാം. എഡി പാത്തോളജിയുടെ പ്രധാന സവിശേഷത ന്യൂറോപ്ലാസ്റ്റിറ്റിയുടെ തടസ്സവും സിനാപ്‌സുകളുടെ സങ്കീർണ്ണമായ നഷ്ടവുമാണ്, ഇത് എപ്പിസോഡിക് ആയി പ്രകടമാണ്. മെമ്മറി ഡിസ്‌ഫംഗ്ഷൻ, എപ്പിസോഡിക് മെമ്മറിയെ വിലയിരുത്തുന്ന ഒരു അളവുകോലാണ് വാസ്തവത്തിൽ ജീവിച്ചിരിക്കുന്ന രോഗിയിലെ ബയോളജിക്കൽ മാർക്കറുകളേക്കാൾ AD പാത്തോളജിക്കൽ ഭാരത്തെ കുറിച്ച് മികച്ച ഒരു കണക്ക് നൽകുന്നു [36].
എല്ലാ പ്രവചന മാതൃകകളും-അത്യാധുനിക സാങ്കേതികവിദ്യയിൽ നിന്നുള്ള സങ്കീർണ്ണവും ഉൾക്കൊള്ളുന്നതുമായ ഡാറ്റയും ഒന്നിലധികം ഡൊമെയ്‌നുകളിലുടനീളമുള്ള പരിഷ്‌ക്കരിച്ച ക്ലിനിക്കൽ സ്ഥിതിവിവരക്കണക്കുകളും അല്ലെങ്കിൽ നിലവിലുള്ള രോഗി പ്രൊഫൈലുകളുടെ കൂടുതൽ അടിസ്ഥാനപരവും എളുപ്പത്തിൽ ലഭ്യമായതുമായ വിവരങ്ങളിൽ പരിമിതപ്പെടുത്തിയിരിക്കുന്നവ-ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ അംഗീകൃത നേട്ടം. കൂടാതെ മെഷീൻ ലേണിംഗ് എന്നത്, തത്ഫലമായുണ്ടാകുന്ന മോഡലുകൾക്ക് നിലവിലുള്ള ആപ്ലിക്കേഷൻ ഉപയോഗത്തിലൂടെ നൽകുന്ന പ്രസക്തമായ പുതിയ ഡാറ്റയിൽ നിന്നും വീക്ഷണത്തിൽ നിന്നും സമന്വയിപ്പിക്കാനും ഇൻഡക്റ്റീവ് ആയി "പഠിക്കാനും" കഴിയും എന്നതാണ്. പ്രായോഗിക സാങ്കേതികവിദ്യാ കൈമാറ്റത്തെത്തുടർന്ന്, ഇവിടെയുള്ള മോഡലുകൾ (വികസിപ്പിച്ചെടുക്കേണ്ടതും) കൂടുതൽ കേസുകളും പ്രസക്തമായ ഡാറ്റയും (തുടർന്നുള്ള വൈജ്ഞാനിക തകർച്ചയ്ക്ക് കാരണമാകുന്ന കോമോർബിഡിറ്റികളുള്ള രോഗികൾ ഉൾപ്പെടെ), പ്രവചന പ്രകടനവും വൈജ്ഞാനിക ആരോഗ്യ വർഗ്ഗീകരണവും കൂടുതൽ ശക്തമാകും. കൂടുതൽ ഫലപ്രദമായ ക്ലിനിക്കൽ തീരുമാനം പിന്തുണ യൂട്ടിലിറ്റി ഫലമായി. ആരോഗ്യസംരക്ഷണ ദാതാക്കൾക്ക് ക്ലിനിക്കിൽ തത്സമയം ഉപയോഗിക്കാൻ കഴിയുന്ന ഇഷ്‌ടാനുസൃത (ലഭ്യമായ കഴിവുകളെ ലക്ഷ്യം വച്ചുള്ള) പ്ലാറ്റ്‌ഫോമുകളിലേക്ക് MemTrax ഉൾച്ചേർക്കുന്നതിലൂടെ ഈ പരിണാമം കൂടുതൽ പൂർണ്ണമായും പ്രായോഗികമായും സാക്ഷാത്കരിക്കപ്പെടും.
ഡയഗ്നോസ്റ്റിക് പിന്തുണയ്ക്കും രോഗി പരിചരണത്തിനുമായി മെംട്രാക്സ് മോഡലിന്റെ മൂല്യനിർണ്ണയത്തിനും ഉപയോഗത്തിനും അത്യന്താപേക്ഷിതമാണ് അർത്ഥവത്തായ രേഖാംശ ഡാറ്റ. പ്രാരംഭ-ഘട്ട MCI മുഖേന, ക്ലിനിക്കൽ സ്റ്റാറ്റസിലെ പൊരുത്തപ്പെടുന്ന മാറ്റങ്ങൾ (എന്തെങ്കിലും ഉണ്ടെങ്കിൽ) നിരീക്ഷിക്കുകയും രേഖപ്പെടുത്തുകയും ചെയ്യുന്നതിലൂടെ, ശരിയായ മൂല്യനിർണ്ണയത്തിനും വർഗ്ഗീകരണത്തിനുമുള്ള മാതൃകകൾ രോഗികളുടെ പ്രായത്തിനനുസരിച്ച് പരിശീലിപ്പിക്കുകയും പരിഷ്ക്കരിക്കുകയും ചെയ്യാം. അതായത്, ആവർത്തിച്ചുള്ള യൂട്ടിലിറ്റിക്ക് നേരിയ വൈജ്ഞാനിക മാറ്റങ്ങളുടെ രേഖാംശ ട്രാക്കിംഗ്, ഇടപെടൽ ഫലപ്രാപ്തി, വിവരമുള്ള സ്ട്രാറ്റിഫൈഡ് കെയർ നിലനിർത്തൽ എന്നിവയ്ക്ക് സഹായിക്കാനാകും. ഈ സമീപനം ക്ലിനിക്കൽ പ്രാക്ടീസ്, രോഗി, കേസ് മാനേജ്മെന്റ് എന്നിവയുമായി കൂടുതൽ അടുക്കുന്നു.
പരിമിതികൾ
നിയന്ത്രിത ക്ലിനിക്ക്/ആശുപത്രി ക്രമീകരണത്തിൽ ശുദ്ധമായ ക്ലിനിക്കൽ ഡാറ്റ ശേഖരിക്കുന്നതിലെ വെല്ലുവിളിയും മൂല്യവും ഞങ്ങൾ അഭിനന്ദിക്കുന്നു. എന്നിരുന്നാലും, ഞങ്ങളുടെ ഡാറ്റാസെറ്റുകളിൽ പൊതുവായ സവിശേഷതകളുള്ള കൂടുതൽ രോഗികളെ ഉൾപ്പെടുത്തിയിരുന്നെങ്കിൽ അത് ഞങ്ങളുടെ മോഡലിംഗിനെ ശക്തിപ്പെടുത്തുമായിരുന്നു. കൂടാതെ, ഞങ്ങളുടെ ഡയഗ്നോസിസ് മോഡലിങ്ങിൽ പ്രത്യേകമായി, പഠിതാക്കളെ പരിശീലിപ്പിക്കുന്നതിന് സാധാരണ വൈജ്ഞാനിക ആരോഗ്യമുള്ള പൊരുത്തപ്പെടുന്ന രോഗികളിൽ അതേ ക്ലിനിക്കൽ വിലയിരുത്തൽ നടത്തുന്നത് കൂടുതൽ അഭിലഷണീയവും അനുയോജ്യവുമാണ്. ഫിൽട്ടർ ചെയ്ത ഡാറ്റാസെറ്റ് ഉപയോഗിച്ചുള്ള ഉയർന്ന വർഗ്ഗീകരണ പ്രകടനം അടിവരയിടുന്നത് പോലെ (ഏറ്റവും ഉയർന്ന റാങ്കിലുള്ള നാല് സവിശേഷതകൾ മാത്രം), കൂടുതൽ പൊതുവായതും വൈജ്ഞാനിക ആരോഗ്യ നടപടികൾ/സൂചകങ്ങൾ മെച്ചപ്പെടാൻ സാധ്യതയുണ്ട് എല്ലാ രോഗികളിലും കൂടുതൽ പൊതുവായ സവിശേഷതകളുള്ള മോഡലിംഗ് പ്രകടനം.
ചില പങ്കാളികൾ ക്ഷണികമോ വിട്ടുമാറാത്തതോ ആയ വൈജ്ഞാനിക പോരായ്മകളെ പ്രേരിപ്പിച്ചേക്കാവുന്ന മറ്റ് അസുഖങ്ങൾ ഒരേസമയം അനുഭവിക്കുന്നുണ്ടാകാം. രോഗികളെ രോഗനിർണ്ണയപരമായി AD അല്ലെങ്കിൽ VaD എന്ന് തരംതിരിച്ചിരിക്കുന്ന XL സബ്-ഡാറ്റാസെറ്റ് ഒഴികെ, YH പേഷ്യന്റ് പൂളിൽ കോമോർബിഡിറ്റി ഡാറ്റ ശേഖരിക്കുകയോ റിപ്പോർട്ടുചെയ്യുകയോ ചെയ്തിട്ടില്ല, കൂടാതെ KM സബ്-ഡാറ്റാസെറ്റിൽ ഇതുവരെ റിപ്പോർട്ട് ചെയ്യപ്പെട്ടിട്ടുള്ള പ്രധാന കോമോർബിഡിറ്റി പ്രമേഹമായിരുന്നു. എന്നിരുന്നാലും, കോമോർബിഡിറ്റികളുള്ള ഞങ്ങളുടെ മോഡലിംഗ് സ്കീമുകളിൽ രോഗികളെ ഉൾപ്പെടുത്തുന്നത്, കോഗ്നിറ്റീവ് ഡിഫിഷ്യൻസിയുടെ ഒരു തലം പ്രേരിപ്പിക്കുന്നതോ വർദ്ധിപ്പിക്കുന്നതോ ആയ കാരണങ്ങളാൽ കുറഞ്ഞ MemTrax പ്രകടനവും ഈ കൂടുതൽ സാമാന്യവൽക്കരിച്ച ആദ്യകാല കോഗ്നിറ്റീവ് സ്ക്രീനിംഗിനായി യഥാർത്ഥ ലോകത്തെ ടാർഗെറ്റുചെയ്‌ത രോഗികളുടെ ജനസംഖ്യയെ കൂടുതൽ പ്രതിനിധീകരിക്കും. മോഡലിംഗ് സമീപനവും. മുന്നോട്ട് നീങ്ങുമ്പോൾ, കോമോർബിഡിറ്റികളുടെ കൃത്യമായ രോഗനിർണയം, വൈജ്ഞാനിക പ്രകടനത്തെ ബാധിക്കാൻ സാധ്യതയുള്ള മോഡലുകൾ ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിനും തത്ഫലമായുണ്ടാകുന്ന രോഗി പരിചരണ ആപ്ലിക്കേഷനുകൾക്കും വിശാലമായി പ്രയോജനകരമാണ്.
അവസാനമായി, YH, KM ഉപ-ഡാറ്റസെറ്റ് രോഗികൾ MemTrax ടെസ്റ്റ് എടുക്കാൻ ഒരു സ്മാർട്ട്ഫോൺ ഉപയോഗിച്ചു, അതേസമയം XL സബ്-ഡാറ്റാസെറ്റ് രോഗികളുടെ പരിമിതമായ എണ്ണം ഐപാഡ് ഉപയോഗിച്ചു, ബാക്കിയുള്ളവർ സ്മാർട്ട്ഫോൺ ഉപയോഗിച്ചു. MoCA ക്ലാസിഫിക്കേഷൻ മോഡലിങ്ങിനായി MemTrax പ്രകടനത്തിൽ ഉപകരണവുമായി ബന്ധപ്പെട്ട ചെറിയ വ്യത്യാസം ഇത് അവതരിപ്പിക്കാമായിരുന്നു. എന്നിരുന്നാലും, MTx-RT-യിലെ വ്യത്യാസങ്ങൾ (എന്തെങ്കിലും ഉണ്ടെങ്കിൽ), ഉദാഹരണത്തിന്, ഉപകരണങ്ങൾക്കിടയിൽ വളരെ നിസ്സാരമായിരിക്കും, പ്രത്യേകിച്ചും റെക്കോർഡ് ചെയ്ത ടെസ്റ്റ് പ്രകടനത്തിന് തൊട്ടുമുമ്പ് ഓരോ പങ്കാളിക്കും ഒരു "പ്രാക്ടീസ്" ടെസ്റ്റ് നൽകും. എന്നിരുന്നാലും, ഈ രണ്ട് ഹാൻഡ്‌ഹെൽഡ് ഉപകരണങ്ങളുടെയും യൂട്ടിലിറ്റി, കമ്പ്യൂട്ടർ കീബോർഡിലെ സ്‌പേസ്‌ബാറിൽ സ്‌പർശിച്ചുകൊണ്ട് ഉപയോക്താക്കൾ ആവർത്തിച്ചുള്ള ചിത്രങ്ങളോട് പ്രതികരിക്കുന്ന മറ്റ് MemTrax ഫലങ്ങളുമായുള്ള നേരിട്ടുള്ള താരതമ്യം കൂടാതെ/അല്ലെങ്കിൽ സംയോജനത്തിൽ വിട്ടുവീഴ്ച ചെയ്യാനിടയുണ്ട്.
MemTrax പ്രവചനാത്മക മോഡലിംഗ് യൂട്ടിലിറ്റിയിലെ പ്രധാന പോയിന്റുകൾ
- • തിരഞ്ഞെടുത്ത MemTrax പെർഫോമൻസ് മെട്രിക്കുകൾ ഉൾക്കൊള്ളുന്ന ഞങ്ങളുടെ മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്ന മോഡലുകൾക്ക്, പരക്കെ അംഗീകരിക്കപ്പെട്ട MoCA ടെസ്റ്റ് സൂചിപ്പിക്കുന്നത് പോലെ കോഗ്നിറ്റീവ് ഹെൽത്ത് സ്റ്റാറ്റസ് (സാധാരണ കോഗ്നിറ്റീവ് ഹെൽത്ത് അല്ലെങ്കിൽ MCI) വിശ്വസനീയമായി തരംതിരിക്കാനാകും.
- • ഈ ഫലങ്ങൾ, തിരഞ്ഞെടുത്ത MemTrax പെർഫോമൻസ് മെട്രിക്കുകളുടെ ഒരു വർഗ്ഗീകരണ പ്രവചന മോഡൽ സ്ക്രീനിംഗ് ആപ്ലിക്കേഷനായി സമന്വയിപ്പിക്കുന്നതിനെ പിന്തുണയ്ക്കുന്നു.
- • ഡിമെൻഷ്യ രോഗനിർണയത്തിന്റെ തീവ്രത വേർതിരിച്ചറിയുന്നതിനുള്ള ആപ്ലിക്കേഷനുകളിൽ MemTrax പ്രകടനം ഉപയോഗിക്കുന്നതിനുള്ള സാധ്യതയും ഞങ്ങളുടെ വർഗ്ഗീകരണ മോഡലിംഗ് വെളിപ്പെടുത്തി.
വൈജ്ഞാനിക വൈകല്യം അനുഭവിക്കുന്ന വ്യക്തികൾക്ക് ഫലപ്രദമായ ക്ലിനിക്കൽ കേസ് മാനേജ്മെന്റിലും രോഗി പരിചരണത്തിലും ഡയഗ്നോസ്റ്റിക് പിന്തുണയ്‌ക്കായി മെച്ചപ്പെടുത്തിയ കരുത്തുറ്റ മെംട്രാക്സ് അടിസ്ഥാനമാക്കിയുള്ള ക്ലാസിഫിക്കേഷൻ മോഡലുകൾ നിർമ്മിക്കുന്നതിൽ മെഷീൻ ലേണിംഗിന്റെ ഉപയോഗത്തെ പിന്തുണയ്ക്കുന്ന കൃത്യമായ തെളിവുകൾ ഈ പുതിയ കണ്ടെത്തലുകൾ സ്ഥാപിക്കുന്നു.
എക്സലൻസ്
J. Wesson Ashford, Curtis B. Ashford, കൂടാതെ ഇവിടെ ഉപയോഗിച്ചിരിക്കുന്ന ഓൺലൈൻ തുടർച്ചയായ തിരിച്ചറിയൽ ടാസ്‌ക്കും ടൂളും (MemTrax) വികസിപ്പിക്കുന്നതിനും സാധൂകരിക്കുന്നതിനുമുള്ള സഹപ്രവർത്തകരുടെയും പ്രവർത്തനത്തെ ഞങ്ങൾ തിരിച്ചറിയുന്നു, നിർണായകമായ അടിസ്ഥാന ഗവേഷണത്തിന് സംഭാവന നൽകിയ ഡിമെൻഷ്യ ബാധിച്ച നിരവധി രോഗികളോട് ഞങ്ങൾ നന്ദിയുള്ളവരാണ്. . Xianbo Zhou യ്ക്കും SJN Biomed LTD-യിലെ അദ്ദേഹത്തിന്റെ സഹപ്രവർത്തകർക്കും, ആശുപത്രി/ക്ലിനിക്കുകളുടെ സൈറ്റുകളിലെ സഹപ്രവർത്തകർക്കും, പ്രത്യേകിച്ച് ഡോ. M. Luo, M. Zhong എന്നിവർ പങ്കെടുക്കുന്നവരുടെ റിക്രൂട്ട്‌മെന്റ്, ടെസ്റ്റുകൾ ഷെഡ്യൂൾ ചെയ്യൽ, ഡാറ്റ ശേഖരിക്കൽ, റെക്കോർഡിംഗ്, ഫ്രണ്ട്-എൻഡ് മാനേജിംഗ് എന്നിവയിൽ സഹായിച്ചു, കൂടാതെ തങ്ങളുടെ വിലയേറിയ സമയം സംഭാവന ചെയ്യുകയും ടെസ്റ്റുകൾ എടുക്കുന്നതിനും നൽകുന്നതിനും പ്രതിജ്ഞാബദ്ധരായ സന്നദ്ധപ്രവർത്തകരും ഈ പഠനത്തിൽ നമുക്ക് വിലയിരുത്താനുള്ള മൂല്യവത്തായ ഡാറ്റ. ഈ MD സയന്റിഫിക് റിസർച്ച് ഭാഗികമായി പഠനത്തെ പിന്തുണച്ചു കുൻമിംഗ് മെഡിക്കൽ യൂണിവേഴ്സിറ്റിയുടെ പ്രോഗ്രാം (ഗ്രാന്റ് നമ്പർ. 2017BS028 മുതൽ XL വരെ), യുനാൻ സയൻസ് ആൻഡ് ടെക്നോളജി ഡിപ്പാർട്ട്മെന്റിന്റെ ഗവേഷണ പരിപാടി (ഗ്രാന്റ് നമ്പർ. 2019FE001 (-222) മുതൽ XL വരെ).
ജെ. വെസ്സൻ ആഷ്ഫോർഡ് ഈ പേപ്പറിൽ പൊതുവായി വിവരിച്ചിരിക്കുന്ന നിർദ്ദിഷ്ട തുടർച്ചയായ തിരിച്ചറിയൽ മാതൃകയുടെ ഉപയോഗത്തിനായി പേറ്റന്റ് അപേക്ഷ സമർപ്പിച്ചു. മെമ്മറിയുടെ പരിശോധന.
കർട്ടിസ് ആഷ്‌ഫോർഡിന്റെ ഉടമസ്ഥതയിലുള്ള ഒരു കമ്പനിയാണ് MemTrax, LLC, ഈ കമ്പനിയാണ് ഇത് കൈകാര്യം ചെയ്യുന്നത് മെമ്മറി പരിശോധന ഈ പേപ്പറിൽ വിവരിച്ചിരിക്കുന്ന സിസ്റ്റം.
രചയിതാക്കളുടെ വെളിപ്പെടുത്തലുകൾ ഓൺലൈനിൽ ലഭ്യമാണ് (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
അവലംബം
| [1] അൽഷിമേഴ്സ് അസോസിയേഷൻ (2016) 2016 അൽഷിമേഴ്സ് രോഗ വസ്തുതകൾ കണക്കുകളും. അൽഷിമേഴ്സ് ഡിമെന്റ് 12, 459–509. | |
| [2] ഗ്രെസെൻസ് സിആർ, മിച്ചൽ ജെഎം, മാരോൺ ജെ, ഫെഡറോഫ് എച്ച്ജെ (2019) പ്രാരംഭ ഘട്ടത്തിന്റെ പ്രഭാവം അല്ഷിമേഴ്സ് രോഗം ഗാർഹിക സാമ്പത്തിക ഫലങ്ങളിൽ. ഹെൽത്ത് ഇക്കോൺ 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) ഗുണനിലവാരം മെച്ചപ്പെടുത്തൽ ന്യൂറോളജി: മൈൽഡ് കോഗ്നിറ്റീവ് ഇംപയേർമെന്റ് ക്വാളിറ്റി മെഷർമെന്റ് സെറ്റ്. ന്യൂറോളജി 93, 705-713. |
| [4] ടോംഗ് ടി , തോക്കല പി , മക്മില്ലൻ ബി , ഘോഷ് ആർ , ബ്രസീയർ ജെ (2017) ഉപയോഗിക്കുന്നതിന്റെ ചെലവ് കാര്യക്ഷമത പ്രാഥമിക പരിചരണത്തിൽ ഡിമെൻഷ്യയും നേരിയ വൈജ്ഞാനിക വൈകല്യവും കണ്ടെത്തുന്നതിനുള്ള കോഗ്നിറ്റീവ് സ്ക്രീനിംഗ് ടെസ്റ്റുകൾ. Int J Geriatr സൈക്യാട്രി 32, 1392–1400. | |
| [5] ആഷ്ഫോർഡ് ജെഡബ്ല്യു , ഗെരെ ഇ , ബെയ്‌ലി പിജെ (2011) മെമ്മറി അളക്കുന്നു ഒരു തുടർച്ചയായ തിരിച്ചറിയൽ പരിശോധന ഉപയോഗിച്ച് വലിയ ഗ്രൂപ്പ് ക്രമീകരണങ്ങളിൽ. ജെ അൽഷിമേഴ്സ് ഡിസ് 27, 885–895. | |
| [6] | ആഷ്ഫോർഡ് ജെഡബ്ല്യു, ടാർപിൻ-ബെർണാർഡ് എഫ്, ആഷ്ഫോർഡ് സിബി, ആഷ്ഫോർഡ് എംടി (2019) എപ്പിസോഡിക് മെമ്മറി അളക്കുന്നതിനുള്ള ഒരു കമ്പ്യൂട്ടർവത്കൃത തുടർച്ചയായ-തിരിച്ചറിയൽ ചുമതല. ജെ അൽഷിമേഴ്സ് ഡിസ് 69, 385–399. |
| [7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) കോഗ്നിറ്റീവ് ഹെൽത്ത് സ്റ്റാറ്റസ് വർഗ്ഗീകരണം പ്രവചിക്കുന്നതിനുള്ള മെഷീൻ ലേണിംഗ് മോഡലിംഗിലെ എപ്പിസോഡിക്-മെമ്മറി പ്രകടനം. ജെ അൽഷിമേഴ്സ് ഡിസ് 70, 277–286. |
| [8] വാൻ ഡെർ ഹോക്ക് എംഡി, ന്യൂവെൻഹുയിസെൻ എ, കെയ്ജർ ജെ, ആഷ്ഫോർഡ് ജെഡബ്ല്യു (2019) മെംട്രാക്സ് ടെസ്റ്റ് മോൺട്രിയൽ കോഗ്നിറ്റീവ് വിലയിരുത്തലുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ നേരിയ വൈജ്ഞാനിക വൈകല്യത്തിന്റെ വിലയിരുത്തൽ. ജെ അൽഷിമേഴ്സ് ഡിസ് 67, 1045–1054. | |
| [9] | Falcone M , Yadav N , Poellabauer C , Flynn P (2013) നേരിയ ആഘാതകരമായ മസ്തിഷ്കാഘാതത്തിന്റെ വർഗ്ഗീകരണത്തിനായി ഒറ്റപ്പെട്ട സ്വരാക്ഷര ശബ്ദങ്ങൾ ഉപയോഗിക്കുന്നു. 2013-ൽ IEEE ഇന്റർനാഷണൽ കോൺഫറൻസ് ഓൺ അക്കോസ്റ്റിക്സ്, സ്പീച്ച്, സിഗ്നൽ പ്രോസസ്സിംഗ്, വാൻകൂവർ, BC, പേജ് 7577–7581. |
| [10] | Dabek F , Caban JJ (2015) ഒരു മസ്തിഷ്കാഘാതത്തിന് ശേഷം മാനസികാവസ്ഥകൾ വികസിപ്പിക്കുന്നതിനുള്ള സാധ്യതയെ മാതൃകയാക്കാൻ വലിയ ഡാറ്റ പ്രയോജനപ്പെടുത്തുന്നു. പ്രൊസീഡിയ കമ്പ്യൂട്ട് സയൻസ് 53, 265–273. |
| [11] | Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) കമ്മ്യൂണിറ്റി ഫാർമസിസ്റ്റുകൾ വൈജ്ഞാനിക വൈകല്യം നേരത്തേ കണ്ടെത്തുന്നതിനുള്ള ഡിസിഷൻ ട്രീ. ഫ്രണ്ട് ഫാർമക്കോൾ 9, 1232. |
| [12] | Nasreddine ZS , Phillips NA , Bedirian V , Charbonneau S , Whitehead V , Collin I , Cummings JL , Chertkow H (2005) The Montreal Cognitive Assessment, MoCA: ലഘുവായ വൈജ്ഞാനിക വൈകല്യത്തിനുള്ള ഒരു ഹ്രസ്വ സ്ക്രീനിംഗ് ഉപകരണം. ജെ ആം ജെറിയാറ്റർ സോക് 53, 695–699. |
| [13] | Yu J , Li J , Huang X (2012) സൗമ്യമായ വൈജ്ഞാനിക വൈകല്യത്തിനുള്ള ഒരു ഹ്രസ്വ സ്ക്രീനിംഗ് ഉപകരണമായി മോൺട്രിയൽ കോഗ്നിറ്റീവ് മൂല്യനിർണ്ണയത്തിന്റെ ബെയ്ജിംഗ് പതിപ്പ്: ഒരു കമ്മ്യൂണിറ്റി അടിസ്ഥാനമാക്കിയുള്ള പഠനം. BMC സൈക്യാട്രി 12, 156. |
| [14] | Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) സൗമ്യമായ വൈജ്ഞാനിക വൈകല്യം പരിശോധിക്കുന്നതിനുള്ള അടിസ്ഥാനപരമായ മോൺട്രിയൽ കോഗ്നിറ്റീവ് മൂല്യനിർണ്ണയത്തിന്റെ ചൈനീസ് പതിപ്പിന്റെ മൂല്യനിർണ്ണയം. ജെ ആം ജെറിയാറ്റർ സോക് 64, ഇ285–ഇ290. |
| [15] | Carson N , Leach L , Murphy KJ (2018) മോൺട്രിയൽ കോഗ്നിറ്റീവ് അസസ്മെന്റ് (MoCA) കട്ട്ഓഫ് സ്കോറുകളുടെ പുനഃപരിശോധന. Int J Geriatr സൈക്യാട്രി 33, 379–388. |
| [16] | American Psychiatric Association (2013) Task Force Diagnostic and statistical manual of മാനസിക വൈകല്യങ്ങൾ: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC. |
| [17] | പൈത്തൺ. Python Software Foundation, http://www.python.org, 15 നവംബർ 2019-ന് ആക്സസ് ചെയ്തത്. |
| [18] | ആർ കോർ ഗ്രൂപ്പ്, ആർ: സ്റ്റാറ്റിസ്റ്റിക്കൽ കമ്പ്യൂട്ടിംഗിനായുള്ള ഒരു ഭാഷയും പരിസ്ഥിതിയും ആർ ഫൗണ്ടേഷൻ ഫോർ സ്റ്റാറ്റിസ്റ്റിക്കൽ കമ്പ്യൂട്ടിംഗ്, വിയന്ന, ഓസ്ട്രിയ. https://www.R-project.org/, 2018, ആക്സസ് ചെയ്തത് നവംബർ 15, 2019. |
| [19] | Benavoli A , Corani G , Demšar J , Zaffalon M (2017) ഒരു മാറ്റത്തിനുള്ള സമയം: ബയേസിയൻ വിശകലനത്തിലൂടെ ഒന്നിലധികം ക്ലാസിഫയറുകൾ താരതമ്യം ചെയ്യുന്നതിനുള്ള ഒരു ട്യൂട്ടോറിയൽ. ജെ മാച്ച് ലേൺ റെസ് 18, 1–36. |
| [20] | ഫ്രാങ്ക് ഇ, ഹാൾ എംഎ, വിറ്റൻ ഐഎച്ച് (2016) ദി വെക വർക്ക്ബെഞ്ച്. ഇൻ ഡാറ്റ മൈനിംഗ്: പ്രായോഗിക മെഷീൻ ലേണിംഗ് ടൂളുകളും ടെക്നിക്കുകളും, ഫ്രാങ്ക് ഇ, ഹാൾ എംഎ, വിറ്റൻ ഐഎച്ച്, പാൽ സിജെ, എഡിഎസ്. മോർഗൻ കോഫ്മാൻ 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) ഹൈസ്കൂൾ സ്പോർട്സ് കൺകഷൻ ലക്ഷണം പരിഹരിക്കുന്നതിൽ മെഷീൻ ലേണിംഗ് മോഡലിംഗ്. മെഡ് സയൻസ് സ്പോർട്സ് എക്സർക് 51, 1362–1371. |
| [22] | Van Hulse J , Khoshgoftaar TM , Napolitano A (2007) അസന്തുലിത ഡാറ്റയിൽ നിന്ന് പഠിക്കാനുള്ള പരീക്ഷണാത്മക വീക്ഷണങ്ങൾ. ഇൻ മെഷീൻ ലേണിംഗ് സംബന്ധിച്ച 24-ാമത് അന്താരാഷ്ട്ര സമ്മേളനത്തിന്റെ നടപടിക്രമങ്ങൾ, കോർവാലിസ്, ഒറിഗോൺ, യുഎസ്എ, പേജ്. 935-942. |
| [23] | ആഷ്ഫോർഡ് ജെഡബ്ല്യു, കോൾം പി, കോളിവർ ജെഎ, ബെക്കിയൻ സി, എച്ച്‌എസ്‌യു എൽഎൻ (1989) അൽഷിമേഴ്സ് രോഗിയുടെ വിലയിരുത്തലും മിനി-മാനസിക നിലയും: ഇനത്തിന്റെ സ്വഭാവ കർവ് വിശകലനം.പി. ജെ ജെറോണ്ടോൾ 44, 139–146. |
| [24] ആഷ്ഫോർഡ് JW , ജാർവിക് എൽ (1985) അല്ഷിമേഴ്സ് രോഗം: ന്യൂറോൺ പ്ലാസ്റ്റിറ്റി ആക്സോണൽ ന്യൂറോഫിബ്രിലറി ഡീജനറേഷന് മുൻകൈയെടുക്കുമോ? എൻ ഇംഗ്ലീഷ് ജെ മെഡ് 313, 388–389. | |
| [25] ജാക്ക് സിആർ ജൂനിയർ, തെർനോ ടിഎം, വെയ്ഗാൻഡ് എസ്ഡി, വിസ്റ്റെ എച്ച്ജെ, നോപ്മാൻ ഡിഎസ്, വെമുരി പി, ലോ വിജെ, മിൽകെ എംഎം, റോബർട്ട്സ് ആർഒ, മചുൾഡ എംഎം, ഗ്രാഫ്-റാഡ്ഫോർഡ് ജെ, ജോൺസ് ഡിടി, ഷ്വാർ സിജിഎൽ, ഷ്വാർ സിജിഎൽ , Rocca WA , Petersen RC (2019) നാഷണൽ ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓൺ ഏജിംഗ്-അൽഷിമേഴ്സ് ഉപയോഗിക്കുന്ന ജൈവശാസ്ത്രപരമായി vs ക്ലിനിക്കലി നിർവചിക്കപ്പെട്ട അൽഷിമേഴ്സ് സ്പെക്ട്രം എന്റിറ്റികളുടെ വ്യാപനം അസോസിയേഷൻ റിസർച്ച് ചട്ടക്കൂട്. ജമാ ന്യൂറോൾ 76, 1174–1183. | |
| [26] Zhou X , Ashford JW (2019) സ്ക്രീനിംഗ് ഉപകരണങ്ങളുടെ പുരോഗതി അല്ഷിമേഴ്സ് രോഗം. ഏജിംഗ് മെഡ് 2, 88–93. | |
| [27] വീനർ മെഗാവാട്ട്, നോഷെനി ആർ, കാമാച്ചോ എം, ട്രൂറാൻ-സേക്രേ ഡി, മാക്കിൻ ആർഎസ്, ഫ്ലെനികെൻ ഡി, ഉൾബ്രിച്ച് എ, ഇൻസെൽ പി, ഫിൻലി എസ്, ഫോക്ക്ലർ ജെ, വീച്ച് ഡി (2018) ബ്രെയിൻ ആരോഗ്യം രജിസ്ട്രി: ന്യൂറോ സയൻസ് പഠനത്തിനായി പങ്കെടുക്കുന്നവരുടെ റിക്രൂട്ട്‌മെന്റ്, വിലയിരുത്തൽ, രേഖാംശ നിരീക്ഷണം എന്നിവയ്‌ക്കായുള്ള ഇന്റർനെറ്റ് അധിഷ്ഠിത പ്ലാറ്റ്ഫോം. അൽഷിമേഴ്സ് ഡിമെന്റ് 14, 1063–1076. | |
| [28] ആഷ്ഫോർഡ് JW , ഷ്മിറ്റ് എഫ്എ (2001) ടൈം-കോഴ്സ് മോഡലിംഗ് അൽഷിമേഴ്സ് ഡിമെൻഷ്യ. കർർ സൈക്യാട്രി റെപ് 3, 20–28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) വൈജ്ഞാനിക തകർച്ചയെക്കുറിച്ചുള്ള സിനോ ലോങ്കിറ്റ്യൂഡിനൽ പഠനം (സിൽകോഡ്): ആത്മനിഷ്ഠമായ വൈജ്ഞാനിക വൈകല്യമുള്ള വ്യക്തികളിൽ നേരിയ വൈജ്ഞാനിക വൈകല്യത്തിലേക്ക് പരിവർത്തനം ചെയ്യുന്നതിനുള്ള അപകടസാധ്യത പ്രവചന മാതൃകകൾ വികസിപ്പിക്കുന്നതിനുള്ള ഒരു ചൈനീസ് രേഖാംശ നിരീക്ഷണ പഠനത്തിനുള്ള പ്രോട്ടോക്കോൾ ഇടിവ്. BMJ ഓപ്പൺ 9, e028188. |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) അഞ്ച് വർഷത്തെ ബയോമാർക്കർ പ്രോഗ്രഷൻ വേരിയബിലിറ്റി അൽഷിമേഴ്സ് ഡിമെൻഷ്യ പ്രവചനം: ദൈനംദിന ജീവിത മാർക്കറിന്റെ സങ്കീർണ്ണമായ ഉപകരണ പ്രവർത്തനങ്ങൾക്ക് വിടവുകൾ നികത്താൻ കഴിയുമോ? അൽഷിമേഴ്സ് ഡിമെന്റ് (ആംസ്റ്റ്) 1, 521–532. | |
| [31] മക്ഗുറാൻ എച്ച്, ഗ്ലെൻ ജെഎം, മഡെറോ ഇഎൻ, ബോട്ട് എൻടി (2019) അൽഷിമേഴ്സ് രോഗം തടയലും ചികിത്സയും: വ്യായാമത്തിന്റെ ജൈവിക സംവിധാനങ്ങൾ. ജെ അൽഷിമേഴ്സ് ഡിസ് 69, 311–338. | |
| [32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) ചികിത്സകൾ അൽഷിമേഴ്സ് രോഗം തടയലും ചികിത്സയും. Biomed Res Int 2016, 2589276. | |
| [33] | ലെയ്ൻ സിഎ, ബാർൺസ് ജെ, നിക്കോളാസ് ജെഎം, സുദ്രെ സിഎച്ച്, ക്യാഷ് ഡിഎം, മലോൺ ഐബി, പാർക്കർ ടിഡി, കേശവൻ എ, ബുക്കാനൻ എസ്എം, ക്യൂസ് എസ്ഇ, ജെയിംസ് എസ്എൻ, ലു കെ, മുറെ-സ്മിത്ത് എച്ച്, വോങ് എ, ഗോർഡൻ ഇ, കോത്ത് വോ Modat M , Thomas D , Richards M , Fox NC , Schott JM (2020) പ്രായപൂർത്തിയായവരിൽ രക്തക്കുഴലുകളുടെ അപകടസാധ്യതകളും അവസാന ജീവിതത്തിൽ ബ്രെയിൻ പാത്തോളജിയും തമ്മിലുള്ള ബന്ധങ്ങൾ: ഒരു ബ്രിട്ടീഷ് ജനന കൂട്ടത്തിൽ നിന്നുള്ള തെളിവുകൾ. ജമാ ന്യൂറോൾ 77, 175–183. |
| [34] | ശേഷാദ്രി എസ് (2020) പ്രായത്തിനപ്പുറമുള്ള ഡിമെൻഷ്യ-ചിന്ത തടയൽ, അമിലോയ്ഡ് ബോക്സുകൾ. ജമാ ന്യൂറോൾ 77, 160–161. |
| [35] | Maillard P , Seshadri S , Beiser A , Himali JJ , Au R , Fletcher E , Carmichael O , Wolf PA , DeCarli C (2012) പ്രായപൂർത്തിയായവരിൽ വെളുത്ത പദാർത്ഥത്തിന്റെ സമഗ്രതയിൽ സിസ്റ്റോളിക് രക്തസമ്മർദ്ദത്തിന്റെ ഫലങ്ങൾ: ഫ്രെമിംഗ്ഹാം എ ക്രോസ് ഹാർട്ട് സ്റ്റഡി - വിഭാഗ പഠനം. ലാൻസെറ്റ് ന്യൂറോൾ 11, 1039-1047. |
| [36] Fink HA , Linskens EJ , Silverman PC , McCarten JR , Hemmy LS , Ouellette JM , Greer NL , Wilt TJ , ബട്ട്‌ലർ എം (2020) ന്യൂറോപാത്തോളജിക്കൽ നിർവചിക്കപ്പെട്ട ബയോമാർക്കർ പരിശോധനയുടെ കൃത്യത ഡിമെൻഷ്യ ഉള്ള മുതിർന്നവരിൽ അൽഷിമേഴ്സ് രോഗം. ആൻ ഇന്റേൺ മെഡ് 172, 669–677. |
അഫിലിയേഷനുകൾ: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] ഡിപ്പാർട്ട്മെന്റ് ഓഫ് കമ്പ്യൂട്ടർ ആൻഡ് ഇലക്ട്രിക്കൽ എഞ്ചിനീയറിംഗ് ആൻഡ് കമ്പ്യൂട്ടർ സയൻസ്, ഫ്ലോറിഡ അറ്റ്ലാന്റിക് യൂണിവേഴ്സിറ്റി, ബോക റാറ്റൺ, FL, USA | [c] SJN ബയോമെഡ് ലിമിറ്റഡ്, കുൻമിംഗ്, യുനാൻ, ചൈന | [d] കേന്ദ്രം അൽഷിമേഴ്സ് ഗവേഷണം, വാഷിംഗ്ടൺ ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് ക്ലിനിക്കൽ റിസർച്ച്, വാഷിംഗ്ടൺ, ഡിസി, യുഎസ്എ | [e] റിഹാബിലിറ്റേഷൻ മെഡിസിൻ ഡിപ്പാർട്ട്മെന്റ്, കുൻമിംഗ് മെഡിക്കൽ യൂണിവേഴ്സിറ്റിയുടെ ആദ്യത്തെ അഫിലിയേറ്റഡ് ഹോസ്പിറ്റൽ, കുൻമിംഗ്, യുനാൻ, ചൈന | [f] ന്യൂറോളജി വിഭാഗം, ഡെഹോംഗ് പീപ്പിൾസ് ഹോസ്പിറ്റൽ, ഡെഹോംഗ്, യുനാൻ, ചൈന | [ജി] ന്യൂറോളജി വിഭാഗം, കുൻമിംഗ് മെഡിക്കൽ യൂണിവേഴ്സിറ്റിയുടെ ആദ്യത്തെ അഫിലിയേറ്റഡ് ഹോസ്പിറ്റൽ, വുഹുവ ഡിസ്ട്രിക്റ്റ്, കുൻമിംഗ്, യുനാൻ പ്രവിശ്യ, ചൈന | [h] യുദ്ധവുമായി ബന്ധപ്പെട്ട അസുഖങ്ങളും പരിക്കുകളും പഠന കേന്ദ്രം, VA പാലോ ആൾട്ടോ ആരോഗ്യ പരിപാലനം സിസ്റ്റം, പാലോ ആൾട്ടോ, CA, USA | [i] ഡിപ്പാർട്ട്മെന്റ് ഓഫ് സൈക്യാട്രി & ബിഹേവിയറൽ സയൻസസ്, സ്റ്റാൻഫോർഡ് യൂണിവേഴ്സിറ്റി സ്കൂൾ ഓഫ് മെഡിസിൻ, പാലോ ആൾട്ടോ, സിഎ, യുഎസ്എ
കത്തിടപാടുകൾ: [*] ഇതിലേക്കുള്ള കത്തിടപാടുകൾ: മൈക്കൽ എഫ്. ബെർഗെറോൺ, പിഎച്ച്ഡി, എഫ്എസിഎസ്എം, സിവോടെക് അനലിറ്റിക്സ്, ബോക റാട്ടൺ ഇന്നൊവേഷൻ കാമ്പസ്, 4800 ടി-റെക്സ് അവന്യൂ, സ്യൂട്ട് 315, ബോക റാറ്റൺ, എഫ്എൽ 33431, യുഎസ്എ. ഇ-മെയിൽ: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, ന്യൂറോളജി വിഭാഗം, കുൻമിംഗ് മെഡിക്കൽ യൂണിവേഴ്സിറ്റിയുടെ ഫസ്റ്റ് അഫിലിയേറ്റഡ് ഹോസ്പിറ്റൽ, 295 Xichang റോഡ്, വുഹുവ ജില്ല, കുൻമിംഗ്, യുനാൻ പ്രവിശ്യ 650032, ചൈന. ഇ-മെയിൽ: ring@vip.163.com.
കീവേഡുകൾ: വാർദ്ധക്യം, അല്ഷിമേഴ്സ് രോഗം, ഡിമെൻഷ്യ, മാസ് സ്ക്രീനിംഗ്