Бага зэргийн танин мэдэхүйн хомсдолын ангилалд MemTrax ба машин сургалтын загварчлалын хэрэглээ

Судалгааны зүйл

Зохиогчид: Bergeron, Michael F. | Ландсет, Сара | Жоу, Сяньбо | Дин, Тао | Хошгофтаар, Таги М. | Жао, Фэн | Ду, Бо | Чен, Шинжэ | Ван, Суан | Жүн, Ляньмэй | Лю, Шиаолэй| Эшфорд, Ж.Вессон

DOI: 10.3233/JAD-191340

Сэтгүүл: сэтгүүл Альцгеймерийн өвчин, боть. 77, үгүй. 4, хуудас 1545-1558, 2020

Товч

Ерөнхий мэдээлэл:

Өвчний тархалт, тархалт Alzheimer-ийн өвчин бага зэргийн танин мэдэхүйн хомсдол (MCI) нь эрт илрүүлэх танин мэдэхүйн скрининг, үнэлгээг баталгаажуулахын тулд яаралтай судалгаа хийхийг уриалав.

Зорилго:

Бидний судалгааны үндсэн зорилго бол MemTrax-ийн сонгосон гүйцэтгэлийн хэмжигдэхүүнүүд болон холбогдох хүн ам зүй, эрүүл мэндийн профайлын шинж чанаруудыг танин мэдэхүйн эрүүл мэндийг (хэвийн ба MCI) ангилахын тулд машин сургалтаар боловсруулсан урьдчилан таамаглах загваруудад үр дүнтэй ашиглаж болох эсэхийг тодорхойлох явдал байв. Монреалийн танин мэдэхүйн үнэлгээ (MoCA).

Арга зүй:

Бид мэдрэл, ой санамж, дотрын эмгэг судлалын чиглэлээр үйл ажиллагаа явуулдаг насанд хүрэгчдийн 259 өвчтөнд хөндлөн огтлолын судалгаа хийсэн. Хятад дахь эмнэлгүүд. Өвчтөн бүрд Хятад хэл дээрх ЭМСҮТ-ийг өгч, MemTrax онлайн эпизодыг тасралтгүй хүлээн зөвшөөрч өөрөө удирдаж байсан. санах ойн тест онлайн тэр өдөр. Урьдчилан таамаглах ангиллын загваруудыг 10 дахин хөндлөн баталгаажуулалт бүхий машин сургалтыг ашиглан бүтээсэн ба загварын гүйцэтгэлийг Хүлээн авагчийн үйл ажиллагааны муруй доорхи талбайг (AUC) ашиглан хэмжсэн. Загваруудыг MemTrax-ийн гүйцэтгэлийн хоёр хэмжигдэхүүн (зөв, хариу өгөх хугацаа), хүн ам зүйн болон хувийн түүхийн найман нийтлэг шинж чанарыг ашиглан бүтээсэн.

үр дүн:

Суралцагчдыг ССАЖЯ-ны оноо болон босго онооны сонгосон хослолоор харьцуулж үзвэл, Гэнэн Бэйс ерөнхийдөө 0.9093 ангиллын гүйцэтгэлээр хамгийн сайн суралцагч байсан. Цаашилбал, шилдэг гурван суралцагчдын дунд MemTrax-д суурилсан ангиллын гүйцэтгэл нь нийт 0.9119 нийтлэг шинж чанарыг (10) ашигласантай харьцуулахад ердөө л эхний дөрвөн функцийг (0.8999) ашигласнаар илүү сайн байсан.

Дүгнэлт:

MemTrax гүйцэтгэлийг машин сургалтын ангиллын урьдчилан таамаглах загварт үр дүнтэй ашиглаж болно эрт үе шатанд танин мэдэхүйн согогийг илрүүлэх скрининг програм.

ОРШИЛ

Хүлээн зөвшөөрөгдсөн (дутуу оношлогдоогүй ч) өргөн тархсан өвчлөл, тархалт, зэрэгцээ нэмэгдэж буй эмнэлгийн, нийгэм, олон нийтийн эрүүл мэнд Альцгеймерийн өвчин (AD) болон бага зэргийн танин мэдэхүйн сулрал (MCI)-ийн зардал, дарамт нь бүх оролцогч талуудад улам бүр дарамт болж байна [1, 2]. Энэхүү сэтгэл түгшээсэн, урам зоригтой хувилбар нь баталгаажуулахын тулд яаралтай судалгаа хийхийг уриалав эрт илрүүлэлт Янз бүрийн бүс нутаг, популяци дахь өндөр настай өвчтөнүүдэд хувийн болон эмнэлзүйн орчинд тогтмол практик хэрэглэгдэх танин мэдэхүйн скрининг, үнэлгээний хэрэгслүүд [3]. Эдгээр хэрэгслүүд нь мэдээллийн үр дүнг эрүүл мэндийн цахим бүртгэлд саадгүй хөрвүүлэх боломжийг бүрдүүлэх ёстой. Өвчтөнүүдийг мэдээлэх, эмч нарт мэдэгдэхүйц өөрчлөлтийг эрт танихад нь туслах замаар үр өгөөж нь биелэх бөгөөд ингэснээр туршлагажиж эхэлж буй хүмүүст тохирсон хувь хүн, илүү зардал багатай эмчилгээ, өвчтөний тусламж үйлчилгээг илүү шуурхай, цаг тухайд нь ангилах, хэрэгжүүлэх, хянах боломжийг олгоно. Танин мэдэхүйн бууралт [3, 4].

Компьютержсэн MemTrax хэрэгсэл (https://memtrax.com) нь энгийн бөгөөд товч тасралтгүй таних үнэлгээ бөгөөд хэрэглэгч анхны танилцуулгад бус, дахин давтагдсан зургуудад хариу үйлдэл үзүүлэхэд бэрхшээлтэй хугацаатай үе шаттай санах ойн гүйцэтгэлийг хэмжихийн тулд онлайнаар өөрөө удирдах боломжтой [5, 6]. Сүүлийн үеийн судалгаанууд болон үр дүнд нь гарсан практик үр дагаварууд нь МЭ болон MCI-ийн скринингийн эхний шатанд MemTrax-ийн эмнэлзүйн үр нөлөөг аажмаар, хамтдаа харуулж эхэлж байна [5-7]. Гэсэн хэдий ч эмнэлзүйн үр ашгийг одоо байгаатай шууд харьцуулах танин мэдэхүйн эрүүл мэнд үнэлгээ, уламжлалт стандартууд нь мэргэжлийн хэтийн төлөвийг мэдээлэх, эрт илрүүлэх, оношлоход туслах MemTrax хэрэгслийг баталгаажуулах баталгаатай. ван дер Хоек нар. [8] сонгосон MemTrax гүйцэтгэлийн хэмжигдэхүүнийг (урвалын хурд ба зөв хувь) Монреалийн тодорхойлсон танин мэдэхүйн төлөвтэй харьцуулсан. Танин мэдэхүйн үнэлгээ (MoCA). Гэсэн хэдий ч, энэхүү судалгаа нь эдгээр гүйцэтгэлийн хэмжигдэхүүнийг танин мэдэхүйн байдлын шинж чанартай (МХА-аас тодорхойлсон) холбох, харьцангуй хүрээ, хязгаарын утгыг тодорхойлохоор хязгаарлагдсан. Үүний дагуу энэхүү судалгааг өргөжүүлж, ангиллын гүйцэтгэл, үр ашгийг дээшлүүлэхийн тулд бидний судалгааны үндсэн асуулт бол:

  • Хувь хүний ​​сонгосон MemTrax гүйцэтгэлийн хэмжигдэхүүн болон холбогдох хүн ам зүй, эрүүл мэнд Хувийн мэдээлэл харж байна Танин мэдэхүйн эрүүл мэндийг дихотомоор (хэвийн ба MCI) ангилахын тулд машины сургалтын тусламжтайгаар боловсруулсан урьдчилан таамаглах загварт шинж чанаруудыг үр дүнтэй ашиглаж болох уу?

Үүний зэрэгцээ бид дараахь зүйлийг мэдэхийг хүссэн.

  • Үүнтэй ижил шинж чанаруудыг оруулаад MemTrax-ийн гүйцэтгэлд суурилсан машин сургалтын загварыг бие даасан эмнэлзүйн оношоор тодорхойлогдох танин мэдэхүйн сулралын сонгосон ангиллын хүндийн зэргийг (хөнгөн ба хүнд) урьдчилан таамаглахын тулд өвчтөнд үр дүнтэй хэрэглэж болох уу?

Хиймэл оюун ухаан, машин сургалтын скрининг/илрүүлэхэд гарч ирж, хөгжиж буй практик хэрэглээ нь тодорхой практик давуу талуудыг аль хэдийн харуулсан бөгөөд урьдчилан таамаглах загварчлал нь танин мэдэхүй/тархины эрүүл мэнд, өвчтөний менежментийн сорилттой үнэлгээнд эмч нарыг үр дүнтэй удирдан чиглүүлдэг. Бид судалгаандаа MCI ангиллын загварчлал болон танин мэдэхүйн бууралтын хүндийн ялгаварлалд ижил төстэй аргыг сонгосон бөгөөд энэ нь БНХАУ-ын хоёр эмнэлгээс сонгогдсон сайн дурын хэвтэн эмчлүүлэгч болон амбулаторийн гурван мэдээллийн багцаас эмнэлзүйн оношоор батлагдсан. Машин сургалтын урьдчилан таамаглах загварчлалыг ашиглан бид янз бүрийн өгөгдлийн багц/сурагчийн хослолуудаас шилдэг суралцагчдыг тодорхойлж, эмнэлзүйн хувьд хамгийн практик загвар програмуудыг тодорхойлоход чиглүүлэх онцлогуудыг эрэмбэлсэн.

Бидний таамаглалаар батлагдсан MemTrax-д суурилсан загварыг МоСА-ийн нийт онооны босго шалгуурт үндэслэн танин мэдэхүйн эрүүл мэндийг дихотомоор (хэвийн эсвэл MCI) ангилахад ашиглаж болох ба ижил төстэй MemTrax таамаглах загварыг сонгосон ангилалд хүндийн зэргийг ялгахад үр дүнтэй ашиглаж болно гэсэн таамаглал байсан. эмнэлзүйн хувьд оношлогдсон Танин мэдэхүйн үнэ цэнийн бууралтын. Хүлээгдэж буй үр дүнг харуулах нь танин мэдэхүйн бууралт, танин мэдэхүйн сулралын ангилалыг эрт илрүүлэх дэлгэц болох MemTrax-ийн үр нөлөөг дэмжихэд чухал үүрэг гүйцэтгэнэ. Ашиглалтын илүү хялбар, түргэн шуурхай байдлыг хангасан салбарын стандарттай харьцуулах нь эмч нарт энэхүү энгийн, найдвартай, хүртээмжтэй хэрэгслийг танин мэдэхүйн дутагдлыг эрт (продромаль) илрүүлэх анхны дэлгэц болгон ашиглахад туслах болно. Ийм хандлага, хэрэглүүр нь өвчтөнд илүү цаг тухайд нь, илүү сайн давхаргатай тусламж, оролцоог бий болгож чадна. Эдгээр алсын хараа, сайжруулсан хэмжүүр, загварууд нь AD болон AD-тэй холбоотой дементиа (ADRD) зэрэг оюун ухааны хомсдолын явцыг бууруулах, зогсооход тустай байж болох юм.

Материал ба арга

Хүн амын судалгаа

2018 оны 2019-р сараас 5 оны 21-р сарын хооронд Хятад улсын хоёр эмнэлгээс элсүүлсэн өвчтөнүүдийн хөндлөн огтлолын судалгааг хийж дуусгасан. MemTrax [XNUMX]-ийг XNUMX ба түүнээс дээш насны хүмүүст өгөх, эдгээр мэдээллийг цуглуулах, дүн шинжилгээ хийх ажлыг тус байгууллагын ёс зүйн стандартын дагуу хянаж, зөвшөөрч, удирдан явуулсан. Хүний Стэнфордын их сургуулийн Субъект хамгаалах хороо. MemTrax болон энэхүү ерөнхий судалгаанд зориулсан бусад бүх шинжилгээг 1975 оны Хельсинкийн тунхаглалын дагуу хийж, БНХАУ-ын Юньнань мужийн Кунмин хотын Кунмин Анагаах Ухааны Их Сургуулийн Нэгдүгээр харьяа эмнэлгийн Байгууллагын хяналтын зөвлөлөөс баталсан. Хэрэглэгч бүрийг өгсөн мэдэгдсэн зөвшөөрөл маягтыг уншиж/шинжилж, дараа нь сайн дураараа оролцохыг зөвшөөрнө.

Оролцогчдыг Янхуа эмнэлгийн мэдрэлийн клиникийн амбулаториос элсүүлсэн (YH дэд мэдээллийн багц) болон Кунмин эмнэлгийн нэгдүгээр харьяа эмнэлгийн дэргэдэх санах ойн клиник Хятад улсын Бээжин дэх их сургууль (XL дэд өгөгдлийн багц). Оролцогчдыг мөн Кунмингийн Анагаах Ухааны Их Сургуулийн Нэгдүгээр харьяа эмнэлгийн мэдрэл (XL дэд өгөгдлийн багц) болон дотрын эмгэг (KM дэд өгөгдлийн багц) хэвтэн эмчлүүлэгчдээс элсүүлсэн. Оруулсан шалгуурт 1) 21-ээс доошгүй насны эрэгтэй, эмэгтэй хүмүүс, 2) Хятад (Мандарин) хэлээр ярих чадвартай, 3) аман болон бичгийн зааварчилгааг ойлгох чадвартай байх шаардлагатай. Оролцогчдыг бөглөхөд саад болох хараа, хөдөлгөөний дутагдал нь хассан шалгуур байв MemTrax тест, түүнчлэн туршилтын тусгай зааврыг ойлгох чадваргүй байх.

MemTrax-ийн Хятад хувилбар

Онлайн байна MemTrax тестийн платформыг орчуулсан Хятад хэл рүү (URL: https://www.memtrax.com.cn) болон WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China)-ээр дамжуулан өөрийгөө удирдахад ашиглахаар тохируулсан. Мэдээллийг Хятадад байрлах үүлэн сервер (Ali Cloud) дээр хадгалсан бөгөөд SJN Biomed LTD (Кунмин, Юннан, Хятад) компаниас Алибаба (Alibaba Technology Co. Ltd., Ханжоу, Жэжян, Хятад) лиценз авсан. Энд ашигласан MemTrax болон туршилтын хүчинтэй байдлын шалгууруудын талаар өмнө нь тайлбарласан болно [6]. Туршилтыг өвчтөнүүдэд үнэ төлбөргүй өгсөн.

Суралцах журам

Эмнэлэгт болон амбулаториор хэвтэн эмчлүүлж буй хүмүүсийн хувьд нас, хүйс, боловсрол эзэмшсэн жил, ажил мэргэжил, хүн ам зүйн болон хувийн мэдээллийг цуглуулах ерөнхий цаасан асуулга. ганцаараа амьдардаг эсвэл гэр бүлийнхэнтэйгээ, мөн өвчний түүхийг судалгааны багийн гишүүн удирдсан. Санал асуулгыг бөглөсний дараа МоСА [12] болон MemTrax тестийг (Эхлээд МоСА) туршилтуудын хооронд 20 минутаас илүүгүй хугацаагаар явуулсан. MemTrax хувь зөв (MTx-% C), дундаж хариу өгөх хугацаа (MTx-RT), туршилтын огноо, цагийг судалгааны багийн гишүүн туршилтанд хамрагдсан оролцогч бүрийн цаасан дээр тэмдэглэв. Гүйцэтгэсэн асуулга болон ССАЖЯ-ны үр дүнг тестийг удирдан явуулсан судлаач Excel хүснэгтэд байршуулж, Excel файлуудыг шинжилгээнд хадгалахаас өмнө хамтран ажиллагсад нь баталгаажуулсан.

MemTrax тест

MemTrax онлайн тест нь тодорхой псевдо санамсаргүй дарааллаар харуулсан 50 зургийг (25 өвөрмөц, 25 давталт; 5 багц нийтлэг үзэгдэл эсвэл объектын 5 зураг) багтаасан. Оролцогч (зааврын дагуу) дэлгэцэн дээрх Эхлэх товчийг дарж туршилтыг эхлүүлж, цуврал зургуудыг үзэж эхлэх ба давтагдсан зураг гарч ирэх бүрд аль болох хурдан дэлгэцэн дээрх зурагт дахин хүрнэ. Зураг бүр 3 секундын турш эсвэл дэлгэцэн дээрх дүрсэнд хүрэх хүртэл гарч ирсэн нь дараагийн зургийг шууд үзүүлэхэд хүргэсэн. Орон нутгийн төхөөрөмжийн дотоод цагийг ашиглан зураг тус бүрийн MTx-RT-ийг дүрсийг үзүүлснээс хойш оролцогч дэлгэцэнд хүрэх хүртэлх хугацаанд тухайн зургийг аль хэдийн үзүүлсэн гэж хүлээн зөвшөөрч буйгаар тодорхойлогддог. туршилтын үеэр. Зураг бүр дээр MTx-RT-г бүртгэсэн бөгөөд бүтэн 3 секунд бичигдсэн нь хариу өгөхгүй байгааг илтгэнэ. MTx-% C-ийг хэрэглэгчийн зөв хариулсан давталтын болон анхны зургийн хувийг (жинхэнэ эерэг + үнэн сөрөг 50-д хуваасан) харуулахын тулд тооцоолсон. MemTrax-ийн удирдлага, хэрэгжилт, өгөгдлийг багасгах, хүчингүй эсвэл "хариу өгөхгүй" өгөгдөл, анхан шатны өгөгдлийн шинжилгээний нэмэлт мэдээллийг өөр газар тайлбарласан болно [6].

MemTrax тестийг дэлгэрэнгүй тайлбарлаж, дадлагын тестийг (үр дүнг бүртгэх туршилтанд ашигласан зургуудаас бусад өвөрмөц зургуудтай) эмнэлгийн нөхцөлд оролцогчдод өгсөн. YH болон KM дэд өгөгдлийн багцад оролцогчид WeChat дээрх аппликейшн ачаалагдсан ухаалаг утсан дээр MemTrax тест өгсөн; Харин XL дэд өгөгдлийн багцын хязгаарлагдмал тооны өвчтөнүүд iPad, үлдсэн хэсэг нь ухаалаг утас ашигладаг байжээ. Бүх оролцогчид MemTrax тестийг судлаачийн ажиглалтгүйгээр хийсэн.

Монреалийн танин мэдэхүйн үнэлгээ

Хятадын ССАЖЯ-ны Бээжин дэх хувилбарыг (MoCA-BC) [13] албан ёсны туршилтын зааврын дагуу бэлтгэгдсэн судлаачид удирдаж, оноо авсан. Тохиромжтой, МоСА-BC найдвартай болох нь батлагдсан танин мэдэхүйн тест Хятадын өндөр настангуудад боловсролын бүх түвшний шинжилгээ [14]. Туршилт бүрийг тухайн оролцогчийн танин мэдэхүйн чадварт үндэслэн 10-30 минут зарцуулсан.

MoCA ангиллын загварчлал

Хоёр MemTrax зэрэг нийт 29 ашиглах боломжтой функц байсан туршилтын гүйцэтгэлийн хэмжүүр болон хүн ам зүй, эрүүл мэндтэй холбоотой 27 онцлог оролцогч бүрийн мэдээлэл. Өвчтөн бүрийн MoCA-ийн нэгдсэн тестийн оноог ашиглана танин мэдэхүйн скрининг Бидний урьдчилан таамаглах загваруудыг сургах "жишиг". Үүний дагуу МоСА-г ангийн шошго үүсгэхэд ашигласан тул бид нэгтгэсэн оноог (эсвэл МоСА-ын аль нэг дэд оноог) бие даасан шинж чанар болгон ашиглаж чадаагүй. Бид анхны гурван эмнэлэг/эмнэлэг(үүд)-ийн дэд өгөгдлийн багцыг тусад нь загварчлах (ЭМСЯ-аас тодорхойлсон танин мэдэхүйн эрүүл мэндийг ангилах) урьдчилсан туршилтыг хийж, дараа нь бүх функцийг ашиглан нэгтгэсэн. Гэсэн хэдий ч гурван дэд өгөгдлийн багцыг төлөөлдөг дөрвөн клиник бүрт ижил мэдээллийн бүх элементүүдийг цуглуулаагүй; Иймээс, нэгдсэн өгөгдлийн багц дахь бидний ихэнх функцууд (бүх функцийг ашиглах үед) утгуудын дутагдал ихтэй байсан. Дараа нь бид зөвхөн нийтлэг шинж чанаруудыг ашиглан хосолсон өгөгдлийн багц бүхий загваруудыг бүтээсэн нь ангиллын гүйцэтгэлийг сайжруулсан. Энэ нь өвчтөний гурван дэд өгөгдлийн багцыг хослуулан ажиллахад илүү олон тохиолдлуудтай, дутуу утгын хэт их тархсан шинж чанаргүй (хосолсон өгөгдлийн багц дахь ажлын төрөлд зөвхөн нэг онцлог шинж чанар нь дутуу утгууд байсан, зөвхөн гурван өвчтөний тохиолдол), учир нь зөвхөн гурван сайт дээр бүртгэгдсэн нийтлэг шинж чанаруудыг оруулсан болно. Бидэнд эцсийн дүндээ нэгдсэн өгөгдлийн багцад ороогүй онцлог тус бүрээс татгалзах тодорхой шалгуур байгаагүй гэдгийг онцолж байна. Гэсэн хэдий ч бид урьдчилсан хосолсон өгөгдлийн багц загварчлалдаа өвчтөний гурван тусдаа дэд өгөгдлийн багц тус бүрийн бүх онцлогийг ашигласан. Энэ нь тус тусдаа дэд өгөгдлийн багц бүрийн анхны урьдчилсан загварчлалаас хэмжигдэхүйц доогуур байсан загварын гүйцэтгэлийг өргөн хүрээнд авчирсан. Түүнчлэн, бүх онцлогийг ашиглан бүтээсэн загваруудын ангиллын гүйцэтгэл нь бүх суралцагч болон ангиллын схемд урам зоригтой байсан бол зөвхөн нийтлэг шинж чанаруудыг ашиглах үед гүйцэтгэл нь хоёр дахин олон загвараар сайжирсан. Үнэн хэрэгтээ манай шилдэг суралцагчдын дунд нэгээс бусад загвар нь нийтлэг бус шинж чанаруудыг арилгаснаар сайжирсан.

Эцсийн нэгдсэн өгөгдлийн багцад (YH, XL, KM хосолсон) 259 тохиолдол багтсан бөгөөд тус бүр нь MemTrax болон MoCA тестийг хоёуланг нь авсан өвөрмөц оролцогчийг төлөөлдөг. Хуваалцсан 10 бие даасан онцлог байсан: MemTrax гүйцэтгэлийн хэмжүүр: MTx-% C ба дундаж MTx-RT; хүн ам зүй, өвчний түүхийн мэдээлэл: нас, хүйс, боловсрол эзэмшсэн жил, ажлын төрөл (цэнхэр захтай/цагаан зах), нийгмийн дэмжлэг (шинжилгээнд хамрагдагч ганцаараа эсвэл гэр бүлийн хамт амьдардаг эсэх), тухайн хэрэглэгч ямар нэгэн мэдээлэлтэй эсэх талаар тийм/үгүй хариултууд. чихрийн шижин, гиперлипидеми эсвэл тархины гэмтлийн түүх. Боловсролын жилээр тохируулсан ССАЖЯ-ны нэгдсэн оноо болон ССАЖЯ-ны нэгдсэн оноо [12] гэсэн хоёр нэмэлт хэмжигдэхүүнийг хамаарал бүхий ангиллын шошго боловсруулахад тусад нь ашигласан бөгөөд ингэснээр бидний нэгдсэн өгөгдлийн багцад хэрэглэх хоёр өөр загварчлалын схемийг бий болгосон. ӨМӨЗО-ны онооны хувилбар (тохируулсан ба тохируулаагүй) тус бүрийн хувьд өгөгдлийг хоёр өөр шалгуурын босго - анх санал болгосон [12] болон бусад хүмүүсийн ашиглаж, сурталчилсан өөр утга [8, 15] ашиглан хоёртын ангиллын хувьд тусад нь загварчилсан. Өөр босго онооны ангиллын схемд хэрэв өвчтөн МоСА тестээр ≥23 оноо авсан бол танин мэдэхүйн эрүүл мэнд хэвийн, 22 ба түүнээс доош оноотой бол MCI-тэй гэж үзсэн; Анхан шатны санал болгож буй ангиллын форматаар өвчтөнийг танин мэдэхүйн эрүүл мэндээрээ хэвийн гэж тэмдэглэхийн тулд МоСА-д 26 ба түүнээс дээш оноо авсан байх ёстой.

MoCA ангиллын загварчлалд зориулж шүүсэн өгөгдөл

Цаашид бид Хи-квадрат, ашгийн харьцаа, мэдээллийн олз, тэгш хэмийн тодорхойгүй байдал гэсэн дөрвөн түгээмэл хэрэглэгддэг онцлогуудыг эрэмбэлэх аргыг ашиглан MoCA ангиллыг шалгасан. Завсрын хэтийн төлөвийн хувьд бид дөрвөн загварчлалын схемийг ашиглан эрэмбэлэгчдийг бүхэл бүтэн өгөгдлийн багцад ашигласан. Бүх эрэмбэлэгчид нас, боловсролын жилийн тоо болон MemTrax-ын гүйцэтгэлийн үзүүлэлтүүдийн аль алиных нь (MTx-% C, дундаж MTx-RT) ижил шинж чанарууд дээр санал нэгджээ. Дараа нь бид загваруудыг зөвхөн шилдэг дөрвөн шинж чанарт сургахийн тулд онцлог сонгох техник тус ​​бүрийг ашиглан загваруудыг дахин бүтээв (харна уу). Онцлог сонголт доор байна).

МоСА онооны ангиллын загварчлалын схемийн эцсийн найман хувилбарыг Хүснэгт 1-д үзүүлэв.

Хүснэгт 1

MoCA ангилалд ашигласан загварчлалын схемийн өөрчлөлтүүдийн хураангуй (Хэвийн Танин мэдэхүйн эрүүл мэнд MCI-ийн эсрэг)

Загварын схемТанин мэдэхүйн хэвийн эрүүл мэнд (сөрөг анги)MCI (эерэг ангилал)
Тохируулсан-23 Шүүлтүүргүй/Шүүгдээгүй101 (39.0%)158 (61.0%)
Тохируулсан-26 Шүүлтүүргүй/Шүүгдээгүй49 (18.9%)210 (81.1%)
Зохицуулаагүй-23 Шүүлтүүргүй/Шүүгдээгүй92 (35.5%)167 (64.5%)
Зохицуулаагүй-26 Шүүлтүүргүй/Шүүгдээгүй42 (16.2%)217 (83.8%)

Анги тус бүрийн нийт өвчтнүүдийн тоо, хувийг боловсролын онооны тохируулга (Тохируулсан эсвэл Тохируулаагүй) болон ангиллын босго (23 эсвэл 26) зэрэг онцлог шинж чанаруудын (Шүүгдээгүй ба Шүүгдээгүй) тохируулснаар ялгадаг.

MemTrax дээр суурилсан эмнэлзүйн үнэлгээний загварчлал

Манай гурван анхны дэд өгөгдлийн багцаас (YH, XL, KM) зөвхөн XL дэд өгөгдлийн багцын өвчтөнүүдэд танин мэдэхүйн сулралтай гэж бие даан эмнэлзүйн хувьд оношлогдсон (өөрөөр хэлбэл, тэдний MoCA-ийн оноог хэвийн ба сул дорой гэсэн ангилал тогтооход ашиглаагүй). Тодруулбал, XL өвчтөнүүдэд аль нэг нь оношлогдсон Альцгеймерийн өвчний шинжилгээ (AD) эсвэл судасны дементиа (VaD). Эдгээр анхан шатны оношилгооны ангилал тус бүрд MCI-ийн нэмэлт тэмдэглэгээ байсан. МЭ-ээс шалтгаалсан MCI, дементиа, судасны мэдрэл танин мэдэхүйн эмгэг, мэдрэл танин мэдэхүйн эмгэгийн оношийг Сэтгэцийн эмгэгийн оношлогоо, статистикийн гарын авлага: DSM-5 [16]-д тодорхойлсон өвөрмөц бөгөөд ялгаатай оношлогооны шалгуурууд дээр үндэслэсэн. Эдгээр боловсронгуй оношилгоог харгалзан анхдагч оношилгооны ангилал тус бүрийн хүндийн түвшинг (сөрөг байдлын зэрэг) ялгахын тулд ангиллын загварчлалын хоёр схемийг XL дэд өгөгдлийн багцад тусад нь ашигласан. Эдгээр оношлогооны загварчлалын схем (AD ба VaD) тус бүрд ашигласан өгөгдөлд хүн ам зүйн болон өвчтөний түүхийн мэдээлэл, түүнчлэн MemTrax гүйцэтгэл (MTx-% C, дундаж MTx-RT) багтсан. Онош бүрийг MCI гэж тодорхойлсон бол хөнгөн гэж тэмдэглэсэн; өөрөөр хэлбэл хүнд гэж үзсэн. Бид эхлээд оношилгооны загварт MoCA оноог (хөнгөн ба хүнд) оруулахыг авч үзсэн; гэхдээ бид хоёрдогч таамаглах загварчлалын зорилгыг үгүйсгэнэ гэж бид тодорхойлсон. Энд суралцагчид үйлчилгээ үзүүлэгчээс авах боломжтой өвчтөний бусад шинж чанарууд болон бие даасан эмнэлзүйн оношилгоо болох "алтан стандарт"-ын эсрэг энгийн MemTrax тестийн гүйцэтгэлийн хэмжүүрүүдийг ашиглан сургах болно. AD оношилгооны өгөгдлийн багцад 69 тохиолдол, VaD-ийн 76 тохиолдол байсан (Хүснэгт). 2). Хоёр мэдээллийн багцад 12 бие даасан шинж чанар байсан. МоСА-ийн онооны ангилалд багтсан 10 шинж чанараас гадна өвчтөний түүхэнд цусны даралт ихсэх, цус харвалтын түүхийн талаархи мэдээллийг багтаасан болно.

Хүснэгт 2

Оношилгооны ноцтой байдлын ангилалд ашигласан загварчлалын схемийн өөрчлөлтийн хураангуй (Хөнгөн ба хүнд)

Загварын схемЗөөлөн (сөрөг ангилал)Хүнд (эерэг ангилал)
MCI-AD-ийн эсрэг12 (17.4%)57 (82.6%)
MCI-VaD-ийн эсрэг VaD38 (50.0%)38 (50.0%)

Анги тус бүрийн нийт өвчтөнүүдийн тоо, хувийг анхан шатны оношилгооны ангиллаар (AD эсвэл VaD) ялгадаг.

Статистик

Загвар ангиллын стратеги тус бүрийн дэд өгөгдлийн багцуудын хооронд оролцогчдын шинж чанар болон бусад тоон шинж чанаруудын харьцуулалтыг (МХА-ын танин мэдэхүйн эрүүл мэнд, оношлогооны ноцтой байдлыг урьдчилан таамаглах) Python програмчлалын хэл (хувилбар 2.7.1) [17] ашиглан гүйцэтгэсэн. Загварын гүйцэтгэлийн ялгааг эхний ээлжинд 95% итгэлийн интервалтай дан эсвэл хоёр хүчин зүйлийн (тохиромжтой) ANOVA болон гүйцэтгэлийн утгыг харьцуулах Tukey шударга чухал ялгаа (HSD) тестийг ашиглан тодорхойлсон. Загварын гүйцэтгэлийн ялгааг шалгах энэхүү шалгалтыг Python болон R (хувилбар 3.5.1) [18] ашиглан хийсэн. Бид энэ аргыг (хэдийгээр оновчтой биш ч гэсэн) зөвхөн эвристик тусламж болгон ашигласан эрт үе шат Боломжит эмнэлзүйн хэрэглээг урьдчилан таамаглах загвар гүйцэтгэлийн анхны харьцуулалт. Дараа нь бид загварын гүйцэтгэлийн зөрүүний магадлалыг тодорхойлохын тулд арын тархалтыг ашиглан Bayesian signed-rank тестийг ашигласан [19]. Эдгээр шинжилгээний хувьд бид –0.01, 0.01 интервалыг ашигласан бөгөөд хэрэв хоёр бүлгийн гүйцэтгэлийн зөрүү 0.01-ээс бага байвал тэдгээрийг ижил (практикт тэнцэх бүс нутагт) гэж тооцсон эсвэл өөр тохиолдолд өөр (нэг бүлгийнхээс нэгээр сайн) гэсэн утгатай. бусад). Ангилагчдын Bayesian харьцуулалтыг хийж, эдгээр магадлалыг тооцоолохын тулд бид Python 1.0.2-ийн baycomp номын санг (хувилбар 3.6.4) ашигласан.

Урьдчилан таамагласан загварчлал

Бид өвчтөн бүрийн MoCA тестийн үр дүн эсвэл эмнэлзүйн оношлогооны ноцтой байдлыг урьдчилан таамаглах (ангилах) загварчлалынхаа нийт арван хувилбарыг ашиглан урьдчилан таамаглах загваруудыг бүтээсэн. Бүх суралцагчдад хэрэглэгдэж, загваруудыг Weka [20] нээлттэй эхийн програм хангамжийн платформ ашиглан хийсэн. Бид урьдчилсан дүн шинжилгээ хийхдээ түгээмэл хэрэглэгддэг 10 сурах алгоритмыг ашигласан: 5-хамгийн ойрын хөрш, C4.5 шийдвэрийн модны хоёр хувилбар, Логистик регресс, олон давхаргат перцептрон, гэнэн Бэйс, санамсаргүй ойн хоёр хувилбар, радиаль суурь функцийн сүлжээ, дэмжлэг вектор. Машин. Эдгээр алгоритмуудын гол шинж чанарууд болон ялгаатай талуудыг өөр газар [21] тайлбарласан болно (харгалзах Хавсралтыг үзнэ үү). Эдгээр нь янз бүрийн төрлийн суралцагсдыг төлөөлдөг, мөн ижил төстэй өгөгдөлд өмнөх дүн шинжилгээ хийхдээ бид амжилттай ашиглаж байсныг харуулсан учраас эдгээрийг сонгосон. Гипер-параметрийн тохиргоог бидний өмнөх судалгаагаар сонгосон бөгөөд тэдгээр нь янз бүрийн өгөгдөлд найдвартай байх болно [22]. Бүрэн дүн шинжилгээнд дараа нь ашигласан нийтлэг шинж чанаруудтай ижил өгөгдлийн багцыг ашиглан хийсэн урьдчилсан шинжилгээний үр дүнд үндэслэн бид бүх ангилалд тогтвортой өндөр гүйцэтгэлтэй гурван суралцагчийг тодорхойлсон: Логистик Регресс, Гэнэн Бэйс, Дэмжих Вектор машин.

Хөндлөнгийн баталгаажуулалт ба загварын гүйцэтгэлийн хэмжүүр

Урьдчилан таамагласан бүх загварчлалын хувьд (урьдчилсан шинжилгээг оруулаад) загвар бүрийг 10 дахин хөндлөн баталгаажуулалтыг ашиглан бүтээсэн бөгөөд загварын гүйцэтгэлийг Хүлээн авагчийн үйл ажиллагааны муруй доорх талбайг (AUC) ашиглан хэмжсэн. Загварын 10 схемийн өгөгдлийн багц бүрийг санамсаргүй байдлаар 10 тэнцүү сегмент (атираат) болгон хувааж, эдгээр сегментүүдийн есийг ашиглан загварыг сургаж, үлдсэн сегментийг туршилтанд хамруулснаар хөндлөн баталгаажуулалт эхэлсэн. Энэ процедурыг 10 удаа давтаж, давталт бүрт туршилтын багц болгон өөр сегментийг ашигласан. Дараа нь үр дүнг нэгтгэж эцсийн загварын үр дүн/гүйцэтгэлийг тооцсон. Суралцагч/өгөгдлийн багцын хослол бүрийн хувьд энэ бүх үйл явц 10 удаа давтагдаж, өгөгдөл бүрт өөр өөрөөр хуваагдсан. Энэхүү сүүлчийн алхам нь хэвийх байдлыг багасгаж, хуулбарлах чадварыг баталгаажуулж, загварын ерөнхий гүйцэтгэлийг тодорхойлоход тусалсан. Нийтдээ (МоСА-ийн оноо ба оношийн ноцтой байдлын ангиллын схемийн хувьд) 6,600 загварыг барьсан. Үүнд 1,800 шүүгдээгүй загвар (өгөгдлийн багцад ашигласан 6 загварчлалын схем×3 суралцагч×10 гүйлт×10 нугалаа = 1,800 загвар) болон 4,800 шүүсэн загвар (өгөгдлийн багцад ашигласан 4 загварчлалын схем×3 суралцагч×4 онцлог сонгох техник×10 гүйлт×) багтсан. 10 нугалаа = 4,800 загвар).

Онцлог сонголт

Шүүгдсэн загваруудын хувьд хөндлөн баталгаажуулалтын хүрээнд онцлогийн сонголтыг (дөрвөн онцлог зэрэглэлийн аргыг ашиглан) хийсэн. 10 нугалах тус бүрийн хувьд өгөгдлийн багцын өөр 10% нь туршилтын өгөгдөл байсан тул сургалтын өгөгдлийн багц тус бүрд зөвхөн эхний дөрвөн сонгосон функцийг (өөрөөр хэлбэл, бусад есөн нугалаа буюу нийт өгөгдлийн багцын үлдсэн 90%) ашигласан болно. загваруудыг бүтээх. Бидний ашигласан загварчлалын платформ (Weka) дотор энэ мэдээлэл хадгалагдаагүй эсвэл ашиглах боломжгүй тул загвар тус бүрт ямар дөрвөн функц ашигласан болохыг бид баталж чадсангүй. Гэсэн хэдий ч, эрэмблэгчдийг нэгдсэн өгөгдлийн багцад бүхэлд нь ашиглах үед бидний шилдэг шинж чанаруудын эхний сонголтын тууштай байдал болон загварчлалын гүйцэтгэлийн дараагийн ижил төстэй байдлыг харгалзан үзвэл эдгээр ижил шинж чанарууд (нас, боловсролын жил, MTx-% C, дундаж MTx-RT) ) нь хөндлөн баталгаажуулалтын явцад онцлогийг сонгохтой зэрэгцэн хамгийн түгээмэл хэрэглэгддэг шилдэг дөрөв байх магадлалтай.

Үр дүн

МоСА-аар заагдсан танин мэдэхүйн эрүүл мэнд (хэвийн эсрэг MCI) болон оношлогооны хүндрэлийг (хөнгөн ба хүнд) урьдчилан таамаглах загвар ангиллын стратеги тус бүрийн холбогдох өгөгдлийн багцын оролцогчдын тоон шинж чанарыг (ХХА-ны оноо ба MemTrax гүйцэтгэлийн хэмжүүрийг оруулаад) Хүснэгт 3-т үзүүлэв.

Хүснэгт 3

Загвар ангилах стратеги бүрийн оролцогчдын шинж чанар, ССАЖЯ-ны оноо, MemTrax гүйцэтгэл

Ангиллын стратегиНасБоловсролMoCA тохируулсанMoCA тохируулаагүйMTx-% CMTx-RT
MoCA ангилал61.9 нас (13.1)9.6 нас (4.6)19.2 (6.5)18.4 (6.7)74.8% ​​(15.0)1.4 сек (0.3)
Оношлогооны ноцтой байдал65.6 нас (12.1)8.6 нас (4.4)16.7 (6.2)15.8 (6.3)68.3% ​​(13.8)1.5 сек (0.3)

Загварчлалын ангиллын стратегиар ялгасан (дундаж, SD) утгууд нь ССАЖ-аар заагдсан танин мэдэхүйн эрүүл мэндийг (MCI-ийн эсрэг хэвийн) таамаглахад ашигладаг нэгдсэн өгөгдлийн багцыг төлөөлдөг ба XL дэд өгөгдлийн багц нь зөвхөн оношлогооны ноцтой байдлыг (хөнгөн ба хүнд) таамаглахад ашигладаг.

МоСА оноо (тохируулсан/тохируулаагүй) болон босго (26/23) хослол бүрийн хувьд статистикийн зөрүүтэй байсан (p = 0.000) нас, боловсрол, MemTrax-ийн гүйцэтгэл (MTx-% C ба MTx-RT) зэрэг хосолсон харьцуулалт (хэвийн танин мэдэхүйн эрүүл мэнд ба MCI) тус бүрд. Хослол тус бүрийн хувьд MCI ангилалд багтах өвчтөний дэд өгөгдлийн багц бүр дунджаар 9-15 насаар ахимаг, таван жилээр бага боловсрол эзэмшсэн, MemTrax-ын үзүүлэлтүүдийн хувьд таагүй үзүүлэлттэй байсан.

Логистик Регресс, Гэнэн Бэйс, Дэмжих вектор машин зэрэг шилдэг гурван суралцагчийг ашиглан МоСА-гийн онооны ангилалд зориулсан загварчлалын гүйцэтгэлийн үр дүнгүүдийг Хүснэгт 4-т үзүүлэв. Эдгээр гурвыг бүх төрлийн загварт хамгийн тогтвортой суралцагчийн үнэмлэхүй өндөр гүйцэтгэлд үндэслэн сонгосон. бүх загварчлалын схемийн өгөгдлийн багцад ашигласан. Шүүгдээгүй өгөгдлийн багц болон загварчлалын хувьд Хүснэгт 4-ийн өгөгдлийн утга тус бүр нь суралцагч/загварчлалын схемийн хослол тус бүрд зориулан бүтээсэн 100 загвараас (10 гүйлт × 10 нугалах) гаргаж авсан AUC тус тусын дундаж дээр үндэслэсэн загварын гүйцэтгэлийг харуулж байна. тодоор тэмдэглэсэн гүйцэтгэлтэй суралцагч. Шүүгдсэн өгөгдлийн багцын загварчлалын хувьд Хүснэгт 4-т өгөгдсөн үр дүнгүүд нь онцлогуудыг эрэмбэлэх арга тус бүрийг ашиглан суралцагч бүрийн 400 загвараас авсан загварын гүйцэтгэлийн нийт дундажийг тусгасан болно (4 функцийг эрэмбэлэх арга × 10 гүйлт × 10 нугалах).

Хүснэгт 4

Загварчлалын бүх схемийн хувьд хамгийн өндөр амжилт үзүүлсэн гурван суралцагч бүрийн хувьд хоёр талт MoCA онооны ангиллын гүйцэтгэлийн үр дүн (AUC; 0.0-1.0)

Ашигласан онцлог шинж чанаруудMoCA онооТаслах босгоЛогистик регрессГэнэн БэйсВектор машиныг дэмжих
Шүүгдээгүй (10 онцлог)Тохируулсан230.88620.89130.8695
260.89710.92210.9161
Тохируулаагүй230.91030.90850.8995
260.88340.91530.8994
Шүүгдсэн (4 онцлог)Тохируулсан230.89290.89540.8948
260.91880.92470.9201
Тохируулаагүй230.91350.91340.9122
260.91590.92360.9177

Онцлогын багц, ССАЖГ-ын оноо, МоСА онооны хязгаарын босго зэргийг ашиглан загварчлалын схем бүрийн хамгийн өндөр гүйцэтгэлийг доор харуулав. зоригтой (байхгүй бусад бүхнээс статистикийн хувьд ялгаатай байх албагүй зоригтой холбогдох загварын хувьд).

Хосолсон шүүгдээгүй өгөгдлийн багц дахь (жишээ нь, 23 нийтлэг шинж чанарыг ашиглан) МоСА онооны хувилбарууд болон босго онооны (тохируулсан/тохируулаагүй ба 26/10 тус тус) суралцагчдыг харьцуулж үзвэл, Naive Bayes ерөнхийдөө хамгийн сайн суралцагч байсан. ангиллын гүйцэтгэл 0.9093. Шилдэг гурван суралцагчийг авч үзвэл Байесийн хамаарал бүхий тэмдэгт зэрэглэлийн тестүүд магадлал (Pr) Гэнэн Бэйсийн логистик регрессийн үзүүлэлт 99.9% байна. Нэмж дурдахад, Naive Bayes болон Support Vector Machine хоёрын хооронд суралцагчийн гүйцэтгэлийн практик дүйцэх магадлал 21.0% (ингэснээр, Naive Bayes-ийн дэмжлэгийн вектор машинаас илүү сайн байх магадлал 79.0%) ба Дэмжих вектор машин илүү сайн, хэмжигдэхүйц ажиллах 0.0% магадлалтай байна. Naïve Bayes-ийн гүйцэтгэлийн давуу талыг бэхжүүлдэг. МоСА-н онооны хувилбарыг бүх суралцагчид/босгогоор харьцуулж үзэхэд тохируулаагүй ССАЖ-ын оноог тохируулсантай харьцуулахад бага зэрэг гүйцэтгэлийн давуу талтай болохыг харуулж байна (0.9027 эсрэг 0.8971; тус тус; Pr (тохируулаагүй > тохируулсан) = 0.988). Үүний нэгэн адил, бүх суралцагчид болон ССАЖЯ-ны онооны хувилбаруудын хязгаарын босгыг харьцуулах нь ангиллын босго 26-г 23-аас (0.9056-тай харьцуулахад 0.8942; тус тус); Pr (26 > 23) = 0.999). Эцэст нь, зөвхөн шүүсэн үр дүнг ашигласан загваруудын ангиллын гүйцэтгэлийг (жишээ нь, зөвхөн дээд зэрэглэлийн дөрвөн функц) судалж үзэхэд Naïve Bayes (0.9143) нь ССАЖЯ-ны бүх онооны хувилбарууд/босгогоор хамгийн сайн суралцагчаар тоологджээ. Гэсэн хэдий ч бүх онцлогийг эрэмбэлэх арга техникийг хослуулсан бүх шилдэг суралцагчид ижил төстэй гүйцэтгэлтэй байсан. Байесийн гарын үсэгтэй зэрэглэлийн тестүүд шүүгдсэн хос суралцагч бүрийн хооронд практик дүйцэх магадлал 100% байгааг харуулсан. Шүүгдээгүй өгөгдлийн нэгэн адил (бүх 10 нийтлэг шинж чанарыг ашигласан) ССАЖЯ-ны онооны тохируулаагүй хувилбарт гүйцэтгэлийн давуу тал дахин гарч ирэв.Pr (тохируулаагүй > тохируулсан) = 1.000), түүнчлэн ангиллын босго 26 (тодорхойлолт) -ын хувьд ижил төстэй давуу талтай.Pr (26 > 23) = 1.000). Зөвхөн дээд зэрэглэлийн дөрвөн онцлогийг ашигласан ССАЖЯ-ны бүх онооны хувилбар/босго дээрх эхний гурван суралцагч бүрийн дундаж гүйцэтгэл нь шүүгдээгүй өгөгдөл дээр ямар ч суралцагчийн дундаж гүйцэтгэлээс давсан нь анхаарал татаж байна. Шүүгдсэн загваруудын ангиллын гүйцэтгэл (дээд зэрэглэлийн дөрвөн функцийг ашигласан) нийт 0.9119 нийтлэг загвар ашигласан загваруудыг харьцуулсан онцлогийн зэрэглэл тогтоох аргын загвараас үл хамааран шүүгдээгүй загваруудаас (0.8999) илүү (10) байсан нь гайхмаар зүйл биш юм. онцлог. Онцлогуудыг сонгох арга бүрийн хувьд шүүгдээгүй загваруудаас гүйцэтгэлийн давуу тал байх магадлал 100% байсан.

МЭ-ийн оношилгооны хүндийн зэрэглэлийг авч үзсэн өвчтөнүүдийн хувьд бүлгийн хооронд (MCI-AD-ийн эсрэг) насны ялгаа (p = 0.004), боловсрол (p = 0.028), МоСА оноо тохируулсан/засаагүй (p = 0.000) ба MTx-% C (p = 0.008) статистик ач холбогдолтой байсан; харин MTx-RT-ийн хувьд тийм биш байсан (p = 0.097). VaD оношилгооны ноцтой байдлын ангилалд тооцсон эдгээр өвчтөнүүдэд МоСА онооны бүлэг хоорондын (MCI-VaD-ийн эсрэг VaD) ялгааг тохируулсан/тохируулаагүй (p = 0.007) ба MTx-% C (p = 0.026) ба MTx-RT (p = 0.001) статистик ач холбогдолтой байсан; харин насны хувьд (p = 0.511) болон боловсрол (p = 0.157) бүлгийн хооронд мэдэгдэхүйц ялгаа байгаагүй.

Өмнө нь сонгогдсон гурван суралцагч болох Логистик Регресс, Гэнэн Бэйс, Дэмжлэг Вектор машиныг ашиглан оношилгооны хүндийн ангилалд зориулсан загварчлалын гүйцэтгэлийн үр дүнг 5-р хүснэгтэд үзүүлэв. Харин нэмэлт үзлэгт хамрагдсан суралцагчид эмнэлзүйн оношилгооны хоёр ангиллын аль нэгээр тус тусад нь бага зэрэг илүү сайн гүйцэтгэлийг харуулсан. , бидний өмнөх загварчлалд хамгийн таатай гэж тодорхойлсон гурван суралцагч шинэ загварчлалын схемийн аль алинд нь хамгийн тогтвортой гүйцэтгэлийг санал болгосон. Суралцагчдыг оношилгооны үндсэн ангилал (AD ба VaD) тус бүрээр нь харьцуулж үзвэл, Дэмжлэгийн Вектор машин нь ерөнхийдөө илүү сайн гүйцэтгэлтэй байсан ч MCI-VaD болон VaD-ийн хувьд суралцагчдын хооронд тогтвортой ангиллын гүйцэтгэлийн ялгаа байгаагүй. Үүний нэгэн адилаар МЧБ-AD болон AD ангиллын хувьд суралцагчдын хооронд мэдэгдэхүйц ялгаа гараагүй боловч Naïve Bayes (NB) нь логистик регресс (LR)-ээс бага зэрэг гүйцэтгэлтэй, харин 61.4% магадлал бүхий Векторын дэмжлэг үзүүлэх машинаас үл тоомсорлодог олон талтай байсан. болон 41.7% тус тус эзэлж байна. Хоёр өгөгдлийн багцад дэмжлэг үзүүлэх вектор машин (SVM) нь гүйцэтгэлийн ерөнхий давуу талтай байсан Pr (SVM > LR) = 0.819 ба Pr (SVM > NB) = 0.934. XL дэд өгөгдлийн багц дахь оношийн хүндийн зэргийг урьдчилан таамаглахад бүх суралцагчдын ангиллын нийт гүйцэтгэл нь AD-тай харьцуулахад VaD оношлогооны ангилалд илүү сайн байсан (Pr (VAD > AD) = 0.998).

Хүснэгт 5

Загварын схемийн аль алиных нь хувьд хамгийн өндөр амжилт үзүүлсэн гурван суралцагч бүрийн хувьд дихотомийн эмнэлзүйн оношлогооны ноцтой байдлын ангиллын гүйцэтгэл (AUC; 0.0-1.0) үр дүн.

Загварын схемЛогистик регрессГэнэн БэйсВектор машиныг дэмжих
MCI-AD-ийн эсрэг0.74650.78100.7443
MCI-VaD-ийн эсрэг VaD0.80330.80440.8338

Загварын схем бүрийн хамгийн өндөр гүйцэтгэлийг доор харуулав зоригтой (бусдаас статистикийн хувьд ялгаатай байх албагүй зоригтой).

Хэлэлцүүлэг

Танин мэдэхүйн эрүүл мэндийн өөрчлөлтийг эрт илрүүлэх нь чухал юм хувийн эрүүл мэндийн менежмент болон нийгмийн эрүүл мэндэд практик ач холбогдолтой. Үнэн хэрэгтээ энэ нь дэлхий даяарх өвчтөнүүдийн эмнэлзүйн орчинд маш чухал ач холбогдолтой юм. Хамтын зорилго нь өвчтөн, асран хамгаалагч, үйлчилгээ үзүүлэгчдийг сэрэмжлүүлж, танин мэдэхүйн бууралтад өртөж буй хүмүүст эртнээс тохиромжтой, зардал багатай эмчилгээ, уртын дагуу тусламж үзүүлэх явдал юм. Гурван эмнэлэг/эмнэлгийн мэдээллийн дэд бүлгийг нэгтгэснээр бид урьдчилан таамаглах загваруудыг бий болгохын тулд онцгой давуу талтай гурван суралцагчийг (нэг онцлох хүн болох гэнэн Бэйстэй) тодорхойлсон. Танин мэдэхүйн эрүүл мэндийн байдлыг найдвартай ангилж чадах MemTrax гүйцэтгэлийн хэмжүүр Дихотомоор (хэвийн танин мэдэхүйн эрүүл мэнд эсвэл MCI) MoCA-ийн нэгдсэн оноогоор илэрхийлнэ. Манай загварууд MemTrax-ын гүйцэтгэлийн хэмжүүрүүдийг голчлон багтаасан зөвхөн дээд зэрэглэлийн дөрвөн функцийг ашигласан үед гурван суралцагчийн ангиллын ерөнхий гүйцэтгэл сайжирсан гэдгийг онцлон тэмдэглэх нь зүйтэй. Нэмж дурдахад бид оюун ухааны хомсдолын оношлогооны хоёр ангиллын ноцтой байдлыг ялгахын тулд оношлогооны дэмжлэгийн ангиллын загварчлалын схемд ижил суралцагчид болон MemTrax гүйцэтгэлийн хэмжигдэхүүнийг ашиглах үндэслэлтэй боломжуудыг илрүүлсэн: AD ба VaD.

Санах ойн туршилт нь МЭ-ийг эрт илрүүлэхэд чухал үүрэгтэй [23, 24]. Тиймээс MemTrax нь хүлээн зөвшөөрөгдөхүйц, сонирхолтой, онлайнаар хэрэгжүүлэхэд хялбар байх нь зүйтэй юм. эпизодик санах ойн скрининг тест нийт хүн амын дунд [6]. Энэхүү тасралтгүй гүйцэтгэлийн даалгаврыг таних нарийвчлал, хариу өгөх хугацаа нь суралцах, санах ой, танин мэдэхүйтэй холбоотой нейропластик үйл явцын эрт болон хөгжиж буй доройтол, улмаар дутагдлыг тодорхойлоход онцгой ач холбогдолтой юм. Өөрөөр хэлбэл, MemTrax-ийн гүйцэтгэлийн хэмжигдэхүүн дээр суурилсан загварууд нь үйл ажиллагааны алдагдалд орохоос өмнөх шинж тэмдэггүй шилжилтийн үе шатанд биологийн невропатологийн дутагдлыг амархан, хамгийн бага зардлаар илрүүлдэг [25]. Эшфорд нар. MemTrax [6] ашиглан бие даан оролцсон онлайн хэрэглэгчдийн санах ойг таних нарийвчлал, хариу өгөх цаг хугацааны хэв маяг, зан үйлийг сайтар судалж үзсэн. Эдгээр хуваарилалт нь оновчтой загварчлал, хүчин төгөлдөр, үр дүнтэй өвчтөний тусламж үйлчилгээний програмуудыг боловсруулахад чухал ач холбогдолтой гэдгийг хүндэтгэн үзэх нь эмнэлзүйн хувьд хүлээн зөвшөөрөгдөх, хариу өгөх цаг хугацааны профайлыг тодорхойлох нь эмнэлзүйн болон судалгааны хэрэгслийн үнэ цэнэтэй суурь лавлагааг бий болгоход чухал ач холбогдолтой юм. Эрт үе шатанд танин мэдэхүйн сулрал, ялгавартай оношлогооны тусламжийг илрүүлэхэд МЭ-ийн скрининг дэх MemTrax-ийн практик үнэ цэнийг дараа нь дагалдах эмгэг, танин мэдэхүйн, мэдрэхүйн болон моторт чадавхийг сорилын гүйцэтгэлд нөлөөлж болох эмнэлзүйн нөхцөлд илүү нарийвчлан судлах шаардлагатай. Мэргэжлийн хэтийн төлөвийг таниулах, эмнэлзүйн практик хэрэглээг дэмжихийн тулд хамгийн түрүүнд танин мэдэхүйн эрүүл мэндийн үнэлгээний тогтоосон тесттэй харьцуулах нь зайлшгүй шаардлагатай, гэхдээ сүүлийнх нь нүсэр шалгалтын логистик, боловсрол, хэл ярианы саад тотгор, соёлын нөлөөгөөр тодорхой хэмжээгээр хязгаарлагддаг [26] . Үүнтэй холбогдуулан MemTrax-ийг үйлдвэрлэлийн стандарт гэж үздэг ССАЖЯ-тай эмнэлзүйн үр дүнтэй харьцуулах нь чухал ач холбогдолтой бөгөөд ялангуяа MemTrax-ийг хэрэглэхэд хялбар, өвчтөнд хүлээн зөвшөөрөгдсөн байдлыг харгалзан үзэхэд чухал юм.

MemTrax-ийг ССАЖЯ-тай харьцуулсан өмнөх хайгуул нь бидний загварчлалын судалгааг баталгаажуулах үндэслэл, урьдчилсан нотолгоог онцолж байна [8]. Гэсэн хэдий ч, энэхүү өмнөх харьцуулалт нь бидний шалгасан хоёр гол MemTrax гүйцэтгэлийн хэмжигдэхүүнийг ССАЖЯ-аас тодорхойлсон танин мэдэхүйн статустай холбож, холбогдох хүрээ, хязгаарын утгыг тодорхойлсон. Бид MemTrax-ийн эмнэлзүйн үнэлгээг гүнзгийрүүлсэн бөгөөд энэ нь өвчтөнд хамааралтай бусад параметрүүдийг илүү хувь хүн болгон авч үзэх боломжийг олгодог урьдчилан таамаглах загварчлалд суурилсан хандлагыг судалсан. Бусдаас ялгаатай нь бид ССАЖЯ-ны онооны боловсролын залруулга (тохируулга) ашиглах эсвэл танин мэдэхүйн эрүүл мэндийг ялгаварлан гадуурхах МоСА-ийн нийлбэр онооны босго оноог анх санал болгосон 26-аас 23 [12, 15] хооронд өөрчлөх зэрэг давуу талыг олж чадаагүй. Үнэн хэрэгтээ, ангиллын гүйцэтгэлийн давуу тал нь ССАЖЯ-ны тохируулаагүй оноо болон өндөр босго оноог ашиглахад таатай байв.

Эмнэлзүйн практикийн гол цэгүүд

Өгөгдөл нь өргөн цар хүрээтэй, олон хэмжээст, өөрөөр хэлбэл олон тооны ажиглалт, өндөр үнэ цэнэтэй (хувь нэмэр оруулах) шинж чанаруудын өргөн хүрээтэй байх үед машин сургалтыг урьдчилан таамаглах загварчлалд хамгийн сайн ашигладаг бөгөөд хамгийн үр дүнтэй байдаг. Гэсэн хэдий ч эдгээр одоогийн өгөгдлөөр зөвхөн дөрвөн сонгомол функц бүхий шүүсэн загварууд нь бүх 10 нийтлэг шинж чанарыг ашигласан загваруудаас илүү сайн ажилласан. Энэ нь манай эмнэлгийн нэгдсэн өгөгдлийн багц нь өвчтөнүүдийг ийм байдлаар оновчтой ангилахад эмнэлзүйн хувьд хамгийн тохиромжтой (өндөр үнэ цэнэтэй) шинж чанартай байгаагүйг харуулж байна. Гэсэн хэдий ч MemTrax-ийн гүйцэтгэлийн гол үзүүлэлтүүд болох MTx-% C ба MTx-RT-д онцлон тэмдэглэсэн онцлог нь энгийн, удирдахад хялбар, зардал багатай, танин мэдэхүйн хомсдолын скринингийн эхэн үеийн загварыг энэхүү тестийн эргэн тойронд бий болгоход ихээхэн дэмжлэг үзүүлдэг. санах ойн гүйцэтгэл, наад зах нь яг одоо танин мэдэхүйн эрүүл мэндийн байдлын хоёртын ангиллын анхны дэлгэц болж байна. Үйлчилгээ үзүүлэгч болон эрүүл мэндийн системд байнга ачаалал өгч байгаа тул өвчтөнийг илрүүлэх үйл явц, эмнэлзүйн хэрэглээг оношлоход хамгийн ашигтай, давуу талтай, үр дүнтэй болох нь батлагдсан өвчтөний шинж чанар, туршилтын хэмжүүрүүдийг цуглуулах, хянах, загварчлахад онцгой анхаарал хандуулж, зохих ёсоор хөгжүүлэх ёстой. болон өвчтөний менежментийн дэмжлэг.

MemTrax-ийн хоёр гол хэмжигдэхүүн нь MCI ангилалд гол байр суурь эзэлдэг тул манай шилдэг суралцагч (Гэнэн Бэйс) ихэнх загварт (AUC 0.90-аас дээш) маш өндөр таамагласан гүйцэтгэлтэй, үнэн-эерэг худал-эерэг харьцаа 4-т ойртож эсвэл зарим талаараа давсан. : 1. Энэхүү суралцагчийг ашиглан орчуулах эмнэлзүйн программ нь танин мэдэхүйн дутагдалтай хүмүүсийн ихэнхийг нь (зөв ангилж) олж авахын зэрэгцээ танин мэдэхүйн хэвийн эрүүл мэндтэй хүнийг танин мэдэхүйн дутагдалтай (худал эерэг) гэж буруу ангилахтай холбоотой зардлыг багасгах болно. Танин мэдэхүйн хомсдолтой хүмүүст энэ ангилал алга (худал сөрөг). Буруу ангилсан эдгээр хувилбаруудын аль нэг нь өвчтөн болон асран хамгаалагчдад сэтгэлзүйн болон нийгмийн үндэслэлгүй дарамт учруулж болзошгүй юм.

Урьдчилсан болон бүрэн дүн шинжилгээ хийхдээ бид загварчлалын схем бүрт арван суралцагчийг бүгдийг нь ашигласан бол бид үр дүнгээ хамгийн тогтвортой гүйцэтгэлийг харуулсан гурван ангилагч дээр төвлөрүүлсэн. Энэ нь мөн эдгээр өгөгдөл дээр үндэслэн танин мэдэхүйн статусын ангиллыг тодорхойлоход клиникийн практик хэрэглээнд найдвартай өндөр түвшинд ажиллах боломжтой суралцагчдыг онцлон тэмдэглэх зорилготой байв. Нэмж дурдахад энэхүү судалгаа нь танин мэдэхүйн скрининг болон эдгээр эмнэлзүйн сорилтуудад машин сургалтын хэрэглэгдэхүүнийг танилцуулах зорилготой байсан тул бид сургалтын арга техникийг энгийн бөгөөд ерөнхий байдлаар, хамгийн бага параметрийн тохируулгатай байлгахаар шийдсэн. Энэ арга нь өвчтөнд илүү нарийн тодорхойлсон урьдчилан таамаглах чадварыг хязгаарласан байж болохыг бид үнэлж байна. Үүний нэгэн адил, зөвхөн шилдэг шинж чанаруудыг ашиглан загваруудыг сургах (шүүгдсэн арга) нь эдгээр өгөгдлийн талаар (цуглуулсан өгөгдлийн дутагдалтай талууд болон эмнэлзүйн үнэ цэнэтэй цаг хугацаа, нөөцийг оновчтой болгоход чухал ач холбогдолтой) талаар нэмэлт мэдээлэл өгдөг бол бид нарийсгах нь эрт байна гэдгийг бид хүлээн зөвшөөрч байна. загваруудын хамрах хүрээ, тиймээс бүх (болон бусад шинж чанарууд) нь өргөн хүрээний хүн амд хамаарах тэргүүлэх шинж чанаруудын талаар илүү тодорхой дүр төрхтэй болох хүртэл ирээдүйн судалгаанд авч үзэх ёстой. Тиймээс бид эдгээр болон бусад загваруудыг үр дүнтэй эмнэлзүйн хэрэглээнд оруулахын өмнө, ялангуяа танин мэдэхүйн үйл ажиллагаанд нөлөөлж буй хавсарсан өвчнийг зохицуулахын тулд илүү хүртээмжтэй, өргөн хүрээтэй өгөгдөл, оновчтой болгох шаардлагатай гэдгийг бүрэн хүлээн зөвшөөрч байна.

MemTrax-ийн хэрэглээ нь тусдаа эмнэлзүйн оношлогоонд үндэслэн өвчний хүнд байдлын загварчлалаар улам боловсронгуй болсон. VaD-ийн ноцтой байдлыг (AD-тай харьцуулахад) урьдчилан таамаглахад ерөнхий ангиллын гүйцэтгэл илүү сайн байсангүй Судасны эрүүл мэндэд зориулагдсан загваруудын өвчтөний хувийн шинж чанарыг харгалзан үзэх нь гайхалтай цус харвалтын эрсдэл, өөрөөр хэлбэл, цусны даралт ихсэх, гиперлипидеми, чихрийн шижин, (мэдээж) цус харвалтын түүх. Хэдийгээр эдгээр илүү хүртээмжтэй өгөгдлөөр суралцагчдыг сургахын тулд танин мэдэхүйн эрүүл мэндтэй ижил төстэй өвчтөнүүдэд ижил эмнэлзүйн үнэлгээ хийх нь илүү зүйтэй бөгөөд тохиромжтой байх байсан. MemTrax нь танин мэдэхүйн дутагдлыг эрт үе шатанд илрүүлэх, улмаар хувь хүний ​​өөрчлөлтийг хянахад зориулагдсан тул энэ нь ялангуяа баталгаатай юм. VaD өгөгдлийн багц дахь өгөгдлийн илүү үр дүнтэй хуваарилалт нь загварчлалын гүйцэтгэлийг харьцангуй сайн болгоход тодорхой хэмжээгээр нөлөөлсөн нь үнэмшилтэй юм. VaD өгөгдлийн багц нь хоёр ангиллын хооронд сайн тэнцвэртэй байсан бол MCI-ээс хамаагүй цөөн өвчтөнтэй AD өгөгдлийн багц тийм биш байв. Ялангуяа жижиг өгөгдлийн багцад цөөн хэдэн нэмэлт тохиолдол ч хэмжигдэхүйц өөрчлөлтийг бий болгож чадна. Энэ хоёр хэтийн төлөв нь өвчний хүндийн загварчлалын гүйцэтгэлийн ялгааны үндэс суурь болох үндэслэлтэй аргументууд юм. Гэсэн хэдий ч, сайжруулсан гүйцэтгэлийг өгөгдлийн багцын тоон шинж чанар эсвэл авч үзэж буй эмнэлзүйн танилцуулгад хамаарах өвөрмөц шинж чанаруудтай харьцуулах нь эрт байна. Гэсэн хэдий ч энэхүү роман нь MemTrax-ийн урьдчилан таамаглах ангиллын загвар нь эмнэлзүйн оношлогооны дэмжлэгийн үүрэг гүйцэтгэдэг болохыг харуулсан бөгөөд үнэ цэнэтэй хэтийн төлөвийг өгч, MCI-ийн тасралтгүй байдлын дагуу өвчтөнүүдтэй нэмэлт үзлэг хийх эрэл хайгуулыг баталж байна.

MemTrax болон эдгээр загваруудыг Хятадад хэрэгжүүлж, харуулсан хэрэглүүрийг хэл, соёл нь бусад хэрэглээний бүс нутгуудаас (жишээ нь, Франц, Нидерланд, АНУ) эрс ялгаатай [7, 8, 27] нь цаашид ашиглах боломжийг онцолж байна. MemTrax дээр суурилсан платформыг дэлхий даяар хүлээн зөвшөөрч, эмнэлзүйн үнэ цэнийн хувьд. Энэ нь дэлхий даяар хэрэглэхэд хялбар стандартчилагдсан, танин мэдэхүйн скрининг хийх олон улсын практик хэм хэмжээ, загварчлалын нөөцийг боловсруулах, өгөгдлийг уялдуулахыг хичээж буйн тод жишээ юм.

Танин мэдэхүйн бууралтын загварчлал, хэрэглээний дараагийн алхамууд

МЭ-ийн танин мэдэхүйн үйл ажиллагааны доголдол нь салангид үе шат эсвэл үе шаттайгаар бус үргэлжилсэн байдлаар тохиолддог [28, 29]. Гэсэн хэдий ч энэ эхний үе шатанд бидний зорилго бол "хэвийн" -ийг "хэвийн бус"-аас үндсээр нь ялгаж чадах MemTrax-ийг агуулсан загвар бүтээх чадварыг бий болгох явдал байв. Илүү өргөн хүрээтэй эмпирик өгөгдөл (жишээлбэл, тархины дүрслэл, генетик шинж чанар, биомаркер, хавсарсан өвчин, цогцолборын функциональ маркерууд) танин мэдэхүйн үйл ажиллагаа хяналт) [30] дэлхийн янз бүрийн бүс нутаг, хүн ам, насны бүлгүүдэд илүү боловсронгуй (тохиромжтой жинтэй чуулга орно) машин сургалтын загваруудыг сургаж, хөгжүүлэхийн тулд илүү сайн ангиллыг дэмжих болно, өөрөөр хэлбэл, өвчтэй өвчтөнүүдийн бүлгийг ангилах чадавхийг дэмжих болно. MCI нь танин мэдэхүйн бууралтын үргэлжлэл дагуу жижиг, илүү тодорхой дэд бүлэгт хуваагдана. Түүнчлэн, бүс нутгийн янз бүрийн өвчтөний популяцид хамрагдсан хүмүүст эмнэлзүйн зэрэг онош тавих нь чухал юм. үр дүнтэй сургах Эдгээр илүү багтаамжтай, урьдчилан таамаглахуйц бат бөх загварууд. Энэ нь ижил төстэй суурьшил, нөлөөлөл, илүү нарийвчилсан танин мэдэхүйн онцлог шинж чанартай хүмүүсийн хувьд илүү тодорхой давхрагатай тохиолдлын менежментийг хөнгөвчлөх бөгөөд ингэснээр эмнэлзүйн шийдвэр гаргах дэмжлэг, өвчтөний тусламж үйлчилгээг оновчтой болгоно.

Өнөөдрийг хүртэл холбогдох эмнэлзүйн судалгааны ихэнх нь бага зэргийн дементитэй өвчтөнүүдэд хандсан; Практикт өвчтөний хөндлөнгийн оролцоог зөвхөн ахисан шатанд л оролддог. Гэсэн хэдий ч танин мэдэхүйн бууралт нь сэтгэцийн хомсдолын эмнэлзүйн шалгуурыг хангахаас өмнө эхэлдэг тул MemTrax-д суурилсан үр дүнтэй эрт дэлгэц нь хүмүүст өвчин, түүний явцын талаар зохих боловсролыг өгч, эрт, илүү цаг алдалгүй арга хэмжээ авахад түлхэц болно. Тиймээс эрт илрүүлэлт нь дасгал хөдөлгөөн, хоолны дэглэм, сэтгэл санааны дэмжлэг, нийгэмшүүлэх чадварыг сайжруулахаас эхлээд фармакологийн арга хэмжээ авах хүртэлх тохиромжтой оролцоог дэмжиж, өвчтөний зан байдал, ойлголтын өөрчлөлтийг дангаар нь эсвэл нийлээд сэтгэцийн эмгэгийн явцыг бууруулж эсвэл зогсоох боломжтой болгодог [31, 32] . Түүнээс гадна үр дүнтэй эрт илрүүлэх, хувь хүмүүс болон тэдний гэр бүлийнхэнд хүлээлт, зорилгыг тодорхой болгох, өдөр тутмын ажлыг удирдахад туслах зорилгоор эмнэлзүйн туршилтуудыг авч үзэх эсвэл зөвлөгөө болон бусад нийгмийн үйлчилгээний дэмжлэг авахыг өдөөж болно. Цаашид баталгаажуулах, эдгээр аргаар өргөн практик хэрэглээ нь олон хүмүүсийн хувьд MCI, AD, ADRD-ийн явцыг бууруулах эсвэл зогсооход чухал үүрэг гүйцэтгэдэг.

Үнэн хэрэгтээ, бидний судалгаанд хамрагдсан өвчтөний насны доод хязгаар нь МЭ-ийн уламжлалт санаа зовдог хүн амыг төлөөлдөггүй. Гэсэн хэдий ч, ССАЖЯ-ны оноо/босго, оношлогооны хүндийн зэрэг (Хүснэгт 3) дээр үндэслэсэн ангиллын загварчлалын схемд ашигласан бүлэг тус бүрийн дундаж нас нь 80-аас доошгүй насны хүмүүсийн ихэнх нь (50% -иас дээш) байгааг онцолж байна. Иймээс энэхүү тархалт нь ерөнхийдөө эдгээр загваруудын ашиг тусыг дэмжихэд маш тохиромжтой бөгөөд энэ нь ихэвчлэн нөлөөлөлд өртсөн хүмүүсийг тодорхойлдог. эрт эхлэх мөн AD болон VaD-ийн улмаас хөгжиж буй мэдрэлийн танин мэдэхүйн өвчин. Түүнчлэн, сүүлийн үеийн нотолгоо, хэтийн төлөв нь эрт дээр үеийн өсөлтөд нөлөөлж болзошгүй хүчин зүйлсийг (жишээлбэл, цусны даралт ихсэх, таргалалт, чихрийн шижин, тамхи татах) онцолж байна. Насанд хүрэгчид болон дунд насны хүмүүсийн судасны эрсдэлийн оноо, үүний үр дүнд бага насныханд ч илэрхий үр дагавартай нууцаар хөгждөг тархины судасны нарийн гэмтэл насанд хүрэгчид [33-35]. Иймээс эрт илрүүлэх хамгийн оновчтой анхны үзлэг хийх боломж танин мэдэхүйн хомсдолын үе шатыг бий болгож, дементийг амжилттай шийдвэрлэхэд үр дүнтэй урьдчилан сэргийлэх, хөндлөнгөөс оролцох стратегийг эхлүүлэх Энэ нь насанд хүрэгчид болон магадгүй бага нас зэрэг насны хүрээг хамарсан хүчин зүйлүүд болон өмнөх үзүүлэлтүүдийг судалсны үр дүнд гарч ирнэ (жирэмсний эхэн үеэс эхлэн аполипопротейн Е зэрэг генетикийн хүчин зүйлсийн хамаарлыг тэмдэглэж).

Практикт үнэн зөв эмнэлзүйн оношилгоо, дэвшилтэт дүрслэл, генетикийн профайлыг тогтоох, ирээдүйтэй биомаркеруудыг хэмжих зардал ихтэй процедур нь олон үйлчилгээ үзүүлэгчдийн хувьд үргэлж бэлэн байдаггүй эсвэл бүр боломжгүй байдаг. Тиймээс олон тохиолдолд танин мэдэхүйн эрүүл мэндийн байдлын анхны ангиллыг өвчтөний өгсөн бусад энгийн хэмжүүрүүдийг (жишээ нь, өөрөө тайлагнасан) ашиглан загвараас гаргаж авах шаардлагатай болдог. санах ойн асуудал, одоогийн эм, ердийн үйл ажиллагааны хязгаарлалт) болон нийтлэг хүн ам зүйн онцлог [7]. Калифорнийн их сургууль зэрэг бүртгэлүүд Тархи эрүүл мэнд Бүртгэлийн газар (https://www.brainhealthregistry.org/) [27] болон бусад шинж тэмдгүүд, чанарын үзүүлэлтүүд (жишээ нь: нойр болон өдөр тутмын танин мэдэхүй), эм, эрүүл мэндийн байдал, түүх, болон Илүү нарийвчилсан хүн ам зүйн үзүүлэлтүүд нь эдгээр илүү анхдагч загваруудыг клиникт практик хэрэглээг боловсруулах, батлахад чухал үүрэг гүйцэтгэнэ. Цаашилбал, санах ойн үйл ажиллагааг үнэлэхэд ашигтай болохыг харуулсан MemTrax гэх мэт тест нь биологийн маркераас илүү МЭ-ийн эмгэгийг илүү сайн үнэлж чадна. МЭ-ийн эмгэгийн гол шинж чанар нь мэдрэлийн уян хатан чанарыг тасалдуулж, синапсуудын дийлэнх нарийн төвөгтэй алдагдал байдаг бөгөөд энэ нь үе үе хэлбэрээр илэрдэг. санах ойн үйл ажиллагааны алдагдал нь эпизодын санах ойг үнэлдэг хэмжүүр юм Амьд өвчтөний биологийн маркераас илүү МЭ-ийн эмгэгийн ачааллыг илүү сайн тооцоолж өгдөг [36].

Урьдчилан таамаглах бүхий л загварууд - хамгийн сүүлийн үеийн технологийн нарийн төвөгтэй, багтаамжтай өгөгдөл, олон салбар дахь нарийн эмнэлзүйн ойлголтууд эсвэл одоо байгаа өвчтөний профайлын шинж чанартай илүү энгийн бөгөөд хялбар мэдээллээр хязгаарлагдахаас үл хамааран хиймэл оюун ухааны хүлээн зөвшөөрөгдсөн давуу тал юм. Машины сургалт гэдэг нь үр дүнд бий болсон загварууд нь байнгын ашиглалтын явцад бий болсон холбогдох шинэ өгөгдөл, хэтийн төлөвийг нэгтгэж, индуктив байдлаар "суралцаж" чаддагт оршино. Технологийн практик дамжуулалтын дараа энд (болон боловсруулах гэж байгаа) загваруудыг хэрэглэж, илүү олон тохиолдол, холбогдох мэдээллээр баяжуулж (түүний дотор танин мэдэхүйн бууралтаар илэрч болох хавсарсан өвчинтэй өвчтөнүүдийг оролцуулан) урьдчилан таамаглах гүйцэтгэл, танин мэдэхүйн эрүүл мэндийн ангилал илүү бат бөх байх болно. Үүний үр дүнд эмнэлзүйн шийдвэр гаргахад туслах хэрэгсэл илүү үр дүнтэй болно. Энэхүү хувьсал нь MemTrax-ийг эрүүл мэндийн үйлчилгээ үзүүлэгчдийн эмнэлэгт бодит цаг хугацаанд ашиглаж болох захиалгат (боломжтой чадавхид чиглэсэн) платформд суулгаснаар илүү бүрэн бөгөөд бодитой хэрэгжих болно.

Оношилгооны дэмжлэг, өвчтөний тусламж үйлчилгээнд MemTrax загварыг баталгаажуулах, ашиглахад зайлшгүй шаардлагатай уртын дагуух өгөгдөл нь маш их эрэлт хэрэгцээтэй байдаг. Эмнэлзүйн төлөв байдлын дагалдсан өөрчлөлтийг (хэрэв байгаа бол) зохих хэвийн хүрээнд MCI-ийн эхэн үе хүртэл ажиглаж, бүртгэснээр зохих байнгын үнэлгээ, ангиллын загварыг өвчтөний нас ахих тусам өөрчилж, эмчилж болно. Өөрөөр хэлбэл, дахин давтагдах хэрэгсэл нь танин мэдэхүйн бага зэргийн өөрчлөлтийг уртын дагуу хянах, хөндлөнгийн оролцооны үр нөлөө, мэдээлэлтэй давхаргажсан тусламжийг хадгалахад тусалдаг. Энэ арга нь эмнэлзүйн практик, өвчтөн болон тохиолдлын менежменттэй илүү нягт нийцдэг.

хязгаарлалт

Хяналттай эмнэлэг/эмнэлгийн орчинд цэвэр эмнэлзүйн мэдээлэл цуглуулах сорилт, үнэ цэнийг бид үнэлдэг. Гэсэн хэдий ч, хэрэв манай өгөгдлийн багцад нийтлэг шинж чанартай олон өвчтөн орсон бол энэ нь бидний загварчлалыг бэхжүүлэх байсан. Түүгээр ч зогсохгүй, бидний оношилгооны загварчлалын хувьд суралцагчдыг сургахын тулд танин мэдэхүйн эрүүл мэндтэй ижил төстэй өвчтөнүүдэд ижил эмнэлзүйн үнэлгээ хийх нь илүү зүйтэй бөгөөд тохиромжтой байх болно. Шүүгдсэн өгөгдлийн багцыг (зөвхөн шилдэг дөрвөн функц) ашиглан илүү өндөр ангиллын гүйцэтгэлээр онцлон тэмдэглэснээр илүү ерөнхий болон танин мэдэхүйн эрүүл мэндийн хэмжүүрүүд/үзүүлэлтүүд сайжирсан байх магадлалтай бүх өвчтөнд илүү олон нийтлэг шинж чанартай гүйцэтгэлийг загварчлах.

Зарим оролцогчид түр зуурын эсвэл архаг танин мэдэхүйн дутагдлыг өдөөж болох бусад өвчнийг нэгэн зэрэг мэдэрч байсан байж магадгүй юм. Өвчтнүүдийг AD эсвэл VaD гэж оношилсон XL дэд өгөгдлөөс бусад тохиолдолд хавсарсан өвчний мэдээллийг YH өвчтөний санд цуглуулаагүй/тайлагдаагүй бөгөөд KM дэд мэдээллийн санд зонхилох мэдээлэгдсэн хавсарсан өвчлөл нь чихрийн шижин байв. Гэсэн хэдий ч танин мэдэхүйн хомсдолын түвшинг өдөөж эсвэл улам даамжруулж болзошгүй хавсарсан өвчтэй өвчтөнүүдийг загварчлалын схемд оруулах, улмаар MemTrax-ийн гүйцэтгэл буурах нь энэхүү ерөнхий танин мэдэхүйн эрт илрүүлгийн үзлэгт хамрагдах бодит амьдрал дахь зорилтот өвчтөний популяцийг илүү төлөөлөх болно гэж маргаж болно. болон загварчлалын арга. Танин мэдэхүйн үйл ажиллагаанд нөлөөлж болзошгүй хавсарсан өвчнийг үнэн зөв оношлох нь загвар болон өвчтөний тусламж үйлчилгээний үр дүнг оновчтой болгоход ихээхэн тустай.

Эцэст нь, YH болон KM-ийн дэд өгөгдлийн багцын өвчтөнүүд MemTrax тестийг өгөхдөө ухаалаг утас ашигласан бол XL дэд мэдээллийн багцын цөөн тооны өвчтөнүүд iPad, үлдсэн хэсэг нь ухаалаг утас ашигласан. Энэ нь MoCA ангиллын загварчлалын хувьд MemTrax гүйцэтгэлд төхөөрөмжтэй холбоотой бага зэргийн ялгааг бий болгож магадгүй юм. Гэсэн хэдий ч, жишээлбэл, төхөөрөмжүүдийн хоорондох MTx-RT-ийн ялгаа (хэрэв байгаа бол) маш бага байх магадлалтай, ялангуяа оролцогч бүрт бүртгэгдсэн туршилтын гүйцэтгэлийн өмнөхөн "дадлага" тест өгдөг. Гэсэн хэдий ч, эдгээр хоёр гар төхөөрөмжийн хэрэглээ нь хэрэглэгчид компьютерийн гар дээрх зайны товчлуурыг дарж давтан зургуудад хариу үйлдэл үзүүлсэн бусад MemTrax үр дүнтэй шууд харьцуулах ба/эсвэл нэгтгэхэд саад учруулж болзошгүй юм.

MemTrax урьдчилан таамаглах загварчлалын хэрэгслийн гол санаанууд

  • • Сонгогдсон MemTrax гүйцэтгэлийн хэмжигдэхүүнүүдийг багтаасан манай шилдэг үзүүлэлттэй урьдчилан таамаглах загварууд нь танин мэдэхүйн эрүүл мэндийн байдлыг (танин мэдэхүйн хэвийн эрүүл мэнд эсвэл MCI) найдвартай ангилж, өргөнөөр хүлээн зөвшөөрөгдсөн MoCA тестээр харуулж чадна.
  • • Эдгээр үр дүн нь сонгосон MemTrax гүйцэтгэлийн хэмжигдэхүүнийг танин мэдэхүйн хөгжлийн эхний үе шатыг тодорхойлох урьдчилан таамаглах загвар скринингийн программд нэгтгэхийг дэмждэг.
  • • Манай ангиллын загварчлал нь сэтгэцийн эмгэгийг оношлоход MemTrax-ийн гүйцэтгэлийг ашиглах боломжийг мөн илрүүлсэн.

Эдгээр шинэ олдворууд нь танин мэдэхүйн бэрхшээлтэй хүмүүст эмнэлзүйн тохиолдлын үр дүнтэй менежмент, өвчтөний тусламж үйлчилгээнд оношлогооны дэмжлэг үзүүлэх зорилгоор MemTrax-д суурилсан ангиллын сайжруулсан загваруудыг бий болгоход машин сургалтын ашиг тусыг дэмжих тодорхой нотолгоог бий болгож байна.

ТАЛАРХАЛ

Бид энд ашиглагдаж буй онлайн тасралтгүй таних даалгавар, хэрэгслийг (MemTrax) боловсруулж баталгаажуулахад Ж.Вэссон Эшфорд, Кертис Б.Ашфорд болон хамтран ажиллагсдын хөдөлмөрийг үнэлж, суурь судалгаанд хувь нэмрээ оруулсан оюуны хомсдолтой олон өвчтөнд талархаж байна. . Мөн бид Шианбо Жоу болон түүний SJN Biomed LTD дахь хамтран ажиллагсад, түүний хамт олон, эмнэлэг/эмнэлгүүд дэх хамтран ажиллагсад, ялангуяа Др. Оролцогчдыг сонгон шалгаруулах, шалгалтын хуваарь гаргах, мэдээлэл цуглуулах, бүртгэх, удирдахад тусалсан М.Луо, М.Жонг нар болон үнэ цэнэтэй цагаа хандивлаж, шалгалт өгөх, хангах үүрэг хүлээсэн сайн дурын оролцогчид энэ судалгаанд үнэлэгдэх бидний хувьд үнэ цэнэтэй өгөгдөл. Энэ Судалгааг MD Scientific Research хэсэгчлэн дэмжсэн Куньмин Анагаах Ухааны Их Сургуулийн хөтөлбөр (Тэтгэлэг No. 2017BS028-аас XL) болон Юньнанийн Шинжлэх ухаан, технологийн тэнхимийн судалгааны хөтөлбөр (Тэтгэлэг No. 2019FE001 (-222)-аас XL).

Ж.Вэссон Эшфорд энэ баримт бичигт тайлбарласан тодорхой тасралтгүй таних парадигмыг ашиглахын тулд патентын өргөдөл гаргажээ. санах ойг шалгах.

MemTrax, LLC нь Куртис Эшфордын эзэмшдэг компани бөгөөд энэ компани нь санах ойн туршилт Энэ нийтлэлд тайлбарласан систем.

Зохиогчдын тодруулгыг онлайнаар авах боломжтой (https://www.j-alz.com/manuscript-disclosures/19-1340r2).

санах ойн сорил дементиа тест ой санамж алдагдах тест богино хугацааны ой санамж алдагдах тест хуц оюун ухааныг шалгах хоолны дэглэм төрөл бүрийн ном танин мэдэхүйн тест онлайн
Куртис Эшфорд - Танин мэдэхүйн судалгааны зохицуулагч

Ашигласан материал

[1] Альцгеймерийн холбоо (2016) 2016 Альцгеймерийн өвчний тухай баримтууд болон тоонууд. Alzheimer Dement 12, 459–509.
[2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) Effect of эрт үе шат Alzheimer-ийн өвчин өрхийн санхүүгийн үр дүнгийн талаар. Эрүүл мэндийн эдийн засаг 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) Чанарын сайжруулалт мэдрэл судлал: Танин мэдэхүйн сул дорой байдлын чанарын хэмжилтийн багц. Мэдрэл судлал 93, 705–713.
[4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) Ашиглалтын зардлын үр ашиг Анхан шатны тусламж үйлчилгээнд сэтгэцийн хомсдол, бага зэргийн танин мэдэхүйн согогийг илрүүлэх танин мэдэхүйн скрининг тест. Int J Geriatr Psychiatry 32, 1392–1400.
[5] Ashford JW, Gere E, Bayley PJ (2011) Санах ойг хэмжих тасралтгүй таних тест ашиглан том бүлгийн тохиргоонд. J Alzheimers Dis 27, 885–895.
[6] Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Эпизодын санах ойг хэмжих компьютержсэн тасралтгүй таних даалгавар. J Alzheimers Dis 69, 385–399.
[7] Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) Танин мэдэхүйн эрүүл мэндийн байдлын ангиллыг урьдчилан таамаглахад зориулсан машин сургалтын загварчлалын эпизод-санах ойн гүйцэтгэл. J Alzheimers Dis 70, 277–286.
[8] Ван дер Хоек MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The MemTrax тест бага зэргийн танин мэдэхүйн сулралын талаарх Монреалын танин мэдэхүйн үнэлгээний тооцоотой харьцуулсан. J Alzheimers Dis 67, 1045–1054.
[9] Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Бага зэргийн гэмтлийн тархины гэмтлийн ангилалд тусгаарлагдсан эгшиг авиаг ашиглах. 2013 онд IEEE олон улсын акустик, яриа, дохио боловсруулах бага хурал, Ванкувер, МЭӨ, 7577–7581 хуудас.
[10] Dabek F, Caban JJ (2015) Тархины доргилтын дараа сэтгэл зүйн нөхцөл үүсэх магадлалыг загварчлахын тулд том өгөгдлийг ашиглах. Procedia Comput Sci 53, 265–273.
[11] Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) Олон нийтийн эм зүйчдийн танин мэдэхүйн сул талыг эрт илрүүлэх шийдвэрийн мод. Front Pharmacol 9, 1232.
[12] Насреддин ЗС, Филлипс Н.А., Бедириан В, Шарбонно С, Уайтхед В, Коллин I, Каммингс Ж.Л., Чертков Н (2005) Монреалийн танин мэдэхүйн үнэлгээ, ССАЖЯ: Танин мэдэхүйн бага зэргийн согогийг илрүүлэх товч скрининг хэрэгсэл. J Am Geriatr Soc 53, 695–699.
[13] Yu J, Li J, Huang X (2012) Монреалын танин мэдэхүйн үнэлгээний Бээжингийн хувилбар нь бага зэргийн танин мэдэхүйн хомсдолд зориулсан товч скринингийн хэрэгсэл болох: Олон нийтэд суурилсан судалгаа. BMC сэтгэцийн эмгэг 12, 156.
[14] Chen KL, Xu Y, Chu AQ, Ding D, Liang XN, Nasreddine ZS, Dong Q, Hong Z, Zhao QH, Guo QH (2016) Бага зэргийн танин мэдэхүйн согогийг илрүүлэх Монреалын танин мэдэхүйн үнэлгээний үндсэн хятад хувилбарын баталгаажуулалт. J Am Geriatr Soc 64, e285–e290.
[15] Carson N, Leach L, Murphy KJ (2018) Монреалийн танин мэдэхүйн үнэлгээний (MoCA) хязгаарын онооны дахин шалгалт. Int J Geriatr Psychiatry 33, 379–388.
[16] Америкийн сэтгэцийн эмгэг судлалын нийгэмлэг (2013) Ажлын хэсэг Сэтгэцийн эмгэгийн оношлогоо, статистикийн гарын авлага: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC.
[17] Python. Python Software Foundation, http://www.python.org, 15 оны 2019-р сарын XNUMX-нд хандсан.
[18] R Core Group, R: Статистикийн тооцоололд зориулсан хэл ба орчин R Статистикийн тооцооллын сан, Вена, Австри. https://www.R-project.org/, 2018, 15 оны 2019-р сарын XNUMX-нд хандсан.
[19] Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Өөрчлөлт хийх цаг: Байесийн шинжилгээгээр олон ангилагчийг харьцуулах заавар. J Mach Learn Res 18, 1–36.
[20] Frank E, Hall MA, Witten IH (2016) The WEKA Workbench. онд Өгөгдөл олборлолт: Практик машин сургалтын хэрэгсэл, техник, Frank E, Hall MA, Witten IH, Pal CJ, edits. Морган Кауфман https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf
[21] Bergeron MF , Landset S , Maugans TA , Williams VB , Collins CL , Wasserman EB , Khoshgoftaar TM (2019) Ахлах сургуулийн спортын доргилтын шинж тэмдгийг арилгах загварчлалын машин сургалт. Med Sci Sports Exerc 51, 1362–1371.
[22] Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Тэнцвэргүй өгөгдлөөс суралцах туршилтын хэтийн төлөв. онд Машин сургалтын олон улсын 24 дэх бага хурлын эмхэтгэл, Корвалис, Орегон, АНУ, хуудас 935-942.
[23] Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Alzheimer өвчтөний үнэлгээ ба мини-сэтгэцийн төлөв: Зүйлийн шинж чанарын муруй шинжилгээ.P. Ж Геронтол 44, 139–146.
[24] Ashford JW , Jarvik L (1985) Альцгеймерийн өвчин: Нейроны уян хатан чанар нь аксональ нейрофибрилляр доройтолд хүргэдэг үү? 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 , Gunterm JML , Rocca WA , Petersen RC (2019) Хөгшрөлт-Альцгеймерийн үндэсний хүрээлэнг ашиглан биологийн болон эмнэлзүйн хувьд тодорхойлогдсон Альцгеймерийн спектрийн нэгжүүдийн тархалт Холбооны судалгаа хүрээ. JAMA Neurol 76, 1174–1183.
[26] Zhou X , Ashford JW (2019) Скрининг хийх хэрэгслийн дэвшил Alzheimer-ийн өвчин. Хөгшрөлтийн Мед 2, 88–93.
[27] Weiner MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) The Тархи эрүүл мэнд Бүртгэл: Мэдрэл судлалын судалгаанд оролцогчдыг элсүүлэх, үнэлэх, уртын дагуу хянах интернетэд суурилсан платформ. Alzheimers Dement 14, 1063–1076.
[28] Ashford JW , Schmitt FA (2001) Цаг хугацааны курсийг загварчлах Альцгеймерийн дементиа. Curr Psychiatry Rep 3, 20–28.
[29] Ли X , Ван Х , Су Л , Ху X , Хан Ү (2019) Танин мэдэхүйн бууралтын Хятадын уртын судалгаа (SILCODE): Субьектив танин мэдэхүйн сулралд шилжих эрсдэлийг урьдчилан таамаглах загварыг боловсруулах Хятадын уртын ажиглалтын судалгааны протокол буурах. BMJ Open 9, e028188.
[30] Тарнанас I , Цолаки А , Видерхольд М , Видерхольд Б , Цолаки М (2015) Таван жилийн биомаркерын явцын хэлбэлзэл Альцгеймерийн өвчний дементиа Урьдчилан таамаглал: Өдөр тутмын амьдралын хэв маягийн нарийн төвөгтэй арга хэрэгсэл нь цоорхойг нөхөж чадах уу? Alzheimers Dement (Amst) 1, 521–532.
[31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) Альцгеймерийн өвчнөөс урьдчилан сэргийлэх, эмчлэх: Дасгал хийх биологийн механизмууд. J Alzheimers Dis 69, 311-338.
[32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Therapies for Альцгеймерийн өвчнөөс урьдчилан сэргийлэх, эмчлэх. 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) Насанд хүрэгчдийн цусны судасны эрсдэл ба хожуу үеийн тархины эмгэгийн хоорондын холбоо: Британийн төрөлтийн бүлгийн нотолгоо. JAMA Neurol 77, 175–183.
[34] Сешадри С (2020) Нас, амилоид хайрцгаас хэтэрсэн сэтгэхүйн хомсдолоос урьдчилан сэргийлэх. 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) Фрамингхэмийн зүрхний хөндлөнгийн судалгаагаар залуу насанд хүрэгчдийн цагаан бодисын бүрэн бүтэн байдалд систолын цусны даралтын нөлөө: - хэсэгчилсэн судалгаа. Lancet Neurol 11, 1039–1047.
[36] Финк HA , Linskens EJ , Silverman PC , McCarten JR , Hemmy LS , Ouellette JM , Greer NL , Wilt TJ , Butler M (2020) Нейропатологийн хувьд тодорхойлогдсон биомаркерын шинжилгээний нарийвчлал Дементиа бүхий ахмад настнуудын Альцгеймер өвчин. Анн Дадлагажигч Мед 172, 669–677.

Холбоо: [a] SIVOTEC Analytics, Бока Ратон, Флорида, АНУ | [b] Компьютер, цахилгааны инженер, компьютерийн шинжлэх ухааны тэнхим, Флоридагийн Атлантик их сургууль, Бока Ратон, Флорида, АНУ | [c] SJN Biomed LTD, Кунмин, Юннань, Хятад | [d] төв Альцгеймерийн судалгаа, Клиникийн судалгааны Вашингтон институт, Вашингтон, ДС, АНУ | [e] Кунмин Анагаах Ухааны Их Сургуулийн Нэгдүгээр Эмнэлгийн Нөхөн сэргээх Анагаах Ухааны Тэнхим, Куньмин, Юннань, Хятад | [f] Хятад улсын Юньнань хот, Дехонг хотын Дэхун ардын эмнэлгийн мэдрэлийн тасаг | [g] Хятад улсын Юньнань мужийн Кунмин хот, Ухуа дүүрэг, Куньмин Анагаах Ухааны Их Сургуулийн Нэгдүгээр харьяа эмнэлгийн мэдрэлийн тасаг | [h] Дайнтай холбоотой өвчин, гэмтэл судлалын төв, VA Пало Алто Эрүүл мэндийн Систем, Пало Алто, Калифорниа, АНУ | [i] Стэнфордын их сургуулийн Анагаах ухааны сургууль, Пало Алто, Калифорниа, АНУ-ын Сэтгэцийн эмгэг, зан үйлийн шинжлэх ухааны тэнхим

Захидал: [*] Мэдээлэл: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. Имэйл: mbergeron@sivotecanalytics.com.; Xiaolei Liu, Анагаах ухааны доктор, Мэдрэлийн тасаг, Куньмин Анагаах Ухааны Их Сургуулийн Нэгдүгээр харьяа эмнэлэг, 295 Шичан зам, Вухуа дүүрэг, Юньнань мужийн Куньмин, 650032, Хятад. Имэйл: ring@vip.163.com.

Түлхүүр үг: Хөгшрөлт, Alzheimer-ийн өвчин, дементиа, масс скрининг