Utiliti MemTrax dan Pemodelan Pembelajaran Mesin dalam Klasifikasi Kemerosotan Kognitif Ringan
artikel penyelidikan
Pengarang: Bergeron, Michael F. | Landset, Sara | Zhou, Xianbo | Ding, Tao | Khoshgoftaar, Taghi M. | Zhao, Feng | Du, Bo | Chen, Xinjie | Wang, Xuan | Zhong, Lianmei | Liu, Xiaolei| Ashford, J. Wesson
DOI: 10.3233/JAD-191340
Jurnal: Jurnal Penyakit Alzheimer, vol. 77, tidak. 4, ms 1545-1558, 2020
Abstrak
latar Belakang:
Insiden dan kelaziman yang meluas Penyakit Alzheimer dan kemerosotan kognitif ringan (MCI) telah mendorong panggilan segera untuk penyelidikan untuk mengesahkan pemeriksaan dan penilaian kognitif pengesanan awal.
Objektif:
Matlamat penyelidikan utama kami adalah untuk menentukan sama ada metrik prestasi MemTrax terpilih dan demografi yang berkaitan serta ciri profil kesihatan boleh digunakan dengan berkesan dalam model ramalan yang dibangunkan dengan pembelajaran mesin untuk mengklasifikasikan kesihatan kognitif (normal berbanding MCI), seperti yang ditunjukkan oleh Penilaian Kognitif Montreal (MoCA).
Kaedah:
Kami menjalankan kajian keratan rentas ke atas 259 neurologi, klinik ingatan, dan pesakit dewasa perubatan dalaman yang diambil daripada dua hospital di China. Setiap pesakit diberi MoCA bahasa Cina dan mentadbir sendiri pengiktirafan berterusan MemTrax episodik dalam talian ujian ingatan dalam talian pada hari yang sama. Model klasifikasi ramalan telah dibina menggunakan pembelajaran mesin dengan pengesahan silang 10 kali ganda, dan prestasi model diukur menggunakan Kawasan Di Bawah Lengkung Ciri Operasi Penerima (AUC). Model dibina menggunakan dua metrik prestasi MemTrax (peratus betul, masa tindak balas), bersama-sama dengan lapan ciri demografi dan sejarah peribadi yang biasa.
Results:
Membandingkan pelajar merentas gabungan markah dan ambang MoCA yang dipilih, Naïve Bayes secara amnya merupakan pelajar berprestasi tinggi dengan prestasi pengelasan keseluruhan 0.9093. Selanjutnya, dalam kalangan tiga pelajar terbaik, prestasi klasifikasi berasaskan MemTrax secara keseluruhan adalah lebih baik dengan hanya menggunakan empat ciri kedudukan teratas (0.9119) berbanding menggunakan kesemua 10 ciri biasa (0.8999).
Kesimpulan:
Prestasi MemTrax boleh digunakan dengan berkesan dalam model ramalan klasifikasi pembelajaran mesin aplikasi saringan untuk mengesan kecacatan kognitif peringkat awal.
PENGENALAN
Insiden dan kelaziman meluas yang diiktiraf (walaupun kurang didiagnosis) serta perubatan, sosial dan awam yang meningkat secara selari. kesihatan kos dan beban penyakit Alzheimer (AD) dan kemerosotan kognitif ringan (MCI) semakin membebankan semua pihak berkepentingan [1, 2]. Senario yang menyedihkan dan berkembang pesat ini telah mendorong seruan mendesak untuk penyelidikan untuk mengesahkan pengesanan awal pemeriksaan kognitif dan instrumen penilaian untuk utiliti praktikal biasa dalam tetapan peribadi dan klinikal untuk pesakit yang lebih tua di seluruh kawasan dan populasi yang pelbagai [3]. Instrumen ini juga mesti menyediakan terjemahan lancar hasil bermaklumat ke dalam rekod kesihatan elektronik. Faedah akan direalisasikan dengan memaklumkan kepada pesakit dan membantu doktor dalam mengiktiraf perubahan ketara lebih awal dan dengan itu membolehkan stratifikasi, pelaksanaan, dan penjejakan yang lebih cepat dan tepat pada masanya bagi rawatan dan penjagaan pesakit yang sesuai dan lebih kos efektif bagi mereka yang mula mengalami. penurunan kognitif [3, 4].
Alat MemTrax berkomputer (https://memtrax.com) ialah penilaian pengecaman berterusan yang ringkas dan ringkas yang boleh ditadbir sendiri dalam talian untuk mengukur prestasi memori episod bermasa yang mencabar di mana pengguna bertindak balas kepada imej berulang dan bukan kepada persembahan awal [5, 6]. Penyelidikan terkini dan implikasi praktikal yang terhasil mula secara progresif dan kolektif menunjukkan keberkesanan klinikal MemTrax pada awal AD dan saringan MCI [5-7]. Walau bagaimanapun, perbandingan langsung utiliti klinikal dengan sedia ada kesihatan kognitif penilaian dan piawaian konvensional adalah wajar untuk memaklumkan perspektif profesional dan menyokong utiliti MemTrax dalam pengesanan awal dan sokongan diagnostik. van der Hoek et al. [8] membandingkan metrik prestasi MemTrax terpilih (kelajuan tindak balas dan peratus betul) kepada status kognitif seperti yang ditentukan oleh Montreal Penilaian Kognitif (MoCA). Walau bagaimanapun, kajian ini terhad kepada mengaitkan metrik prestasi ini dengan pencirian status kognitif (seperti yang ditentukan oleh MoCA) dan mentakrifkan julat relatif dan nilai cutoff. Sehubungan itu, untuk mengembangkan penyiasatan ini dan meningkatkan prestasi dan keberkesanan klasifikasi, soalan kajian utama kami ialah:
- Bolehkah metrik prestasi MemTrax terpilih dan demografi serta kesihatan yang berkaitan profil ciri digunakan secara berkesan dalam model ramalan yang dibangunkan dengan pembelajaran mesin untuk mengklasifikasikan kesihatan kognitif secara dikotomi (normal berbanding MCI), seperti yang ditunjukkan oleh skor MoCA seseorang?
Sekunder untuk ini, kami ingin tahu:
- Termasuk ciri yang sama, bolehkah model pembelajaran mesin berasaskan prestasi MemTrax digunakan secara berkesan kepada pesakit untuk meramalkan keterukan (ringan berbanding teruk) dalam kategori gangguan kognitif terpilih seperti yang akan ditentukan oleh diagnosis klinikal bebas?
Kemunculan dan aplikasi praktikal kecerdasan buatan dan pembelajaran mesin dalam saringan/pengesan telah menunjukkan kelebihan praktikal yang berbeza, dengan pemodelan ramalan secara berkesan membimbing doktor dalam penilaian mencabar kesihatan kognitif/otak dan pengurusan pesakit. Dalam kajian kami, kami memilih pendekatan yang sama dalam pemodelan klasifikasi MCI dan diskriminasi keterukan gangguan kognitif seperti yang disahkan oleh diagnosis klinikal daripada tiga set data yang mewakili pesakit dalam dan pesakit luar sukarelawan terpilih dari dua hospital di China. Menggunakan pemodelan ramalan pembelajaran mesin, kami mengenal pasti pelajar berprestasi tinggi daripada pelbagai gabungan set data/pembelajar dan meletakkan ciri untuk membimbing kami dalam mentakrifkan aplikasi model yang paling praktikal secara klinikal.
Hipotesis kami ialah model berasaskan MemTrax yang disahkan boleh digunakan untuk mengklasifikasikan kesihatan kognitif secara dikotomi (normal atau MCI) berdasarkan kriteria ambang skor agregat MoCA, dan model ramalan MemTrax yang serupa boleh digunakan dengan berkesan dalam mendiskriminasikan keterukan dalam kategori terpilih. didiagnosis secara klinikal kecacatan kognitif. Menunjukkan hasil yang dijangkakan akan memainkan peranan penting dalam menyokong keberkesanan MemTrax sebagai skrin pengesanan awal untuk penurunan kognitif dan klasifikasi kemerosotan kognitif. Perbandingan yang menggalakkan dengan piawaian yang dikatakan industri yang dilengkapi dengan kemudahan dan kepantasan utiliti yang jauh lebih besar akan berpengaruh dalam membantu doktor menggunakan alat yang mudah, boleh dipercayai dan boleh diakses ini sebagai skrin awal dalam mengesan defisit kognitif peringkat awal (termasuk prodromal). Pendekatan dan utiliti sedemikian boleh mendorong penjagaan dan campur tangan pesakit yang lebih tepat pada masanya dan lebih berstrata. Cerapan pemikiran ke hadapan dan metrik serta model yang dipertingkatkan ini juga boleh membantu dalam mengurangkan atau menghentikan perkembangan demensia, termasuk demensia berkaitan AD dan AD (ADRD).
BAHAN DAN KAEDAH
Penduduk kajian
Antara Januari 2018 dan Ogos 2019, penyelidikan keratan rentas telah diselesaikan ke atas pesakit yang diambil dari dua hospital di China. Pentadbiran MemTrax [5] kepada individu yang berumur 21 tahun ke atas dan pengumpulan serta analisis data tersebut telah disemak dan diluluskan oleh dan ditadbir mengikut piawaian etika Manusia Jawatankuasa Perlindungan Mata Pelajaran Universiti Stanford. MemTrax dan semua ujian lain untuk kajian keseluruhan ini telah dilakukan mengikut pengisytiharan Helsinki pada tahun 1975 dan diluluskan oleh Lembaga Kajian Institusi Hospital Gabungan Pertama Universiti Perubatan Kunming di Kunming, Yunnan, China. Setiap pengguna diberikan satu persetujuan termaklum borang untuk membaca/menyemak dan kemudian secara sukarela bersetuju untuk mengambil bahagian.
Para peserta telah diambil dari kumpulan pesakit luar di klinik neurologi di Hospital Yanhua (sub-dataset YH) dan klinik ingatan di Hospital Gabungan Pertama Perubatan Kunming Universiti (sub-set data XL) di Beijing, China. Para peserta juga telah diambil daripada pesakit dalam neurologi (sub-dataset XL) dan perubatan dalaman (sub-dataset KM) di Hospital Gabungan Pertama Universiti Perubatan Kunming. Kriteria kemasukan termasuk 1) lelaki dan wanita berumur sekurang-kurangnya 21 tahun, 2) kebolehan berbahasa Cina (Mandarin), dan 3) kebolehan memahami arahan lisan dan bertulis. Kriteria pengecualian adalah gangguan penglihatan dan motor yang menghalang peserta daripada melengkapkan Ujian MemTrax, serta ketidakupayaan untuk memahami arahan ujian tertentu.
MemTrax versi Cina
Dalam talian Platform ujian MemTrax telah diterjemahkan ke dalam bahasa Cina (URL: https://www.memtrax.com.cn) dan selanjutnya disesuaikan untuk digunakan melalui WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) untuk pentadbiran sendiri. Data disimpan pada pelayan awan (Ali Cloud) yang terletak di China dan dilesenkan daripada Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, China) oleh SJN Biomed LTD (Kunming, Yunnan, China). Butiran khusus mengenai MemTrax dan kriteria kesahan ujian yang digunakan di sini telah diterangkan sebelum ini [6]. Ujian diberikan tanpa bayaran kepada pesakit.
Prosedur kajian
Bagi pesakit dalam dan pesakit luar, kertas soal selidik am untuk mengumpul maklumat demografi dan peribadi seperti umur, jantina, tahun pendidikan, pekerjaan, Hidup sendiri atau dengan keluarga, dan sejarah perubatan telah ditadbir oleh ahli pasukan kajian. Selepas melengkapkan soal selidik, ujian MoCA [12] dan MemTrax telah ditadbir (MoCA dahulu) dengan tidak lebih daripada 20 minit antara ujian. MemTrax peratus betul (MTx-% C), min masa tindak balas (MTx-RT), dan tarikh serta masa ujian telah direkodkan di atas kertas oleh ahli pasukan kajian untuk setiap peserta yang diuji. Soal selidik yang lengkap dan keputusan MoCA telah dimuat naik ke dalam hamparan Excel oleh penyelidik yang mentadbir ujian dan disahkan oleh rakan sekerja sebelum fail Excel disimpan untuk analisis.
Ujian MemTrax
Ujian dalam talian MemTrax termasuk 50 imej (25 unik dan 25 ulangan; 5 set 5 imej adegan atau objek biasa) ditunjukkan dalam susunan rawak pseudo tertentu. Peserta akan (mengikut arahan) menyentuh butang Mula pada skrin untuk memulakan ujian dan mula melihat siri imej dan sekali lagi menyentuh imej pada skrin secepat mungkin apabila gambar berulang muncul. Setiap imej muncul selama 3 s atau sehingga imej pada skrin disentuh, yang mendorong persembahan segera gambar seterusnya. Menggunakan jam dalaman peranti tempatan, MTx-RT untuk setiap imej ditentukan mengikut masa berlalu dari pembentangan imej hingga apabila skrin disentuh oleh peserta sebagai tindak balas untuk menunjukkan pengecaman imej sebagai imej yang telah ditunjukkan. semasa ujian. MTx-RT telah dirakam untuk setiap imej, dengan 3 saat penuh dirakam menunjukkan tiada tindak balas. MTx-% C dikira untuk menunjukkan peratusan ulangan dan imej awal yang pengguna bertindak balas dengan betul (positif benar + negatif benar dibahagikan dengan 50). Butiran tambahan mengenai pentadbiran dan pelaksanaan MemTrax, pengurangan data, data tidak sah atau "tiada respons", dan analisis data primer diterangkan di tempat lain [6].
Ujian MemTrax telah dijelaskan secara terperinci dan ujian amalan (dengan imej unik selain daripada yang digunakan dalam ujian untuk merakam keputusan) telah disediakan kepada peserta dalam persekitaran hospital. Peserta dalam sub-dataset YH dan KM mengambil ujian MemTrax pada telefon pintar yang dimuatkan dengan aplikasi di WeChat; manakala sebilangan terhad pesakit sub-dataset XL menggunakan iPad dan selebihnya menggunakan telefon pintar. Semua peserta mengambil ujian MemTrax dengan penyiasat kajian yang memerhati secara tidak sengaja.
Penilaian kognitif Montreal
MoCA Cina (MoCA-BC) versi Beijing [13] telah ditadbir dan dijaringkan oleh penyelidik terlatih mengikut arahan ujian rasmi. Sewajarnya, MoCA-BC telah terbukti boleh dipercayai ujian untuk kognitif saringan merentasi semua peringkat pendidikan dalam orang dewasa warga emas Cina [14]. Setiap ujian mengambil masa kira-kira 10 hingga 30 minit untuk ditadbir berdasarkan kebolehan kognitif peserta masing-masing.
Pemodelan klasifikasi MoCA
Terdapat sejumlah 29 ciri yang boleh digunakan, termasuk dua MemTrax metrik prestasi ujian dan 27 ciri yang berkaitan dengan demografi dan kesihatan maklumat untuk setiap peserta. Skor ujian agregat MoCA setiap pesakit digunakan sebagai saringan kognitif "penanda aras" untuk melatih model ramalan kami. Sehubungan itu, kerana MoCA digunakan untuk mencipta label kelas, kami tidak boleh menggunakan skor agregat (atau mana-mana skor subset MoCA) sebagai ciri bebas. Kami melakukan eksperimen awal di mana kami memodelkan (mengklasifikasikan kesihatan kognitif yang ditakrifkan oleh MoCA) tiga set subdata hospital/klinik asal secara individu dan kemudian digabungkan menggunakan semua ciri. Walau bagaimanapun, semua elemen data yang sama tidak dikumpul di setiap empat klinik yang mewakili tiga sub-set data; oleh itu, kebanyakan ciri kami dalam set data gabungan (apabila menggunakan semua ciri) mempunyai insiden nilai hilang yang tinggi. Kami kemudian membina model dengan set data gabungan hanya menggunakan ciri biasa yang menghasilkan prestasi klasifikasi yang lebih baik. Ini mungkin dijelaskan oleh gabungan yang mempunyai lebih banyak contoh untuk digunakan dengan menggabungkan tiga set subdata pesakit dan tiada ciri dengan kelaziman nilai yang hilang yang tidak wajar (hanya satu ciri dalam set data gabungan, jenis kerja, mempunyai sebarang nilai yang hilang, yang menjejaskan hanya tiga contoh pesakit), kerana hanya ciri biasa yang direkodkan di ketiga-tiga tapak dimasukkan. Terutama, kami tidak mempunyai kriteria penolakan khusus untuk setiap ciri yang akhirnya tidak disertakan dalam set data gabungan. Walau bagaimanapun, dalam pemodelan set data gabungan awal kami, kami mula-mula menggunakan semua ciri daripada setiap tiga sub-dataset pesakit yang berasingan. Ini secara meluas menghasilkan prestasi model yang boleh diukur lebih rendah daripada pemodelan awal awal pada setiap sub-dataset individu. Selain itu, walaupun prestasi klasifikasi model yang dibina menggunakan semua ciri adalah menggalakkan, merentas semua pelajar dan skema klasifikasi, prestasi meningkat dua kali lebih banyak model apabila menggunakan ciri biasa sahaja. Malah, antara yang akhirnya menjadi pelajar terbaik kami, semua kecuali satu model bertambah baik apabila menghapuskan ciri bukan biasa.
Set data agregat akhir (YH, XL dan KM digabungkan) termasuk 259 kejadian, setiap satu mewakili peserta unik yang mengambil kedua-dua ujian MemTrax dan MoCA. Terdapat 10 ciri bebas yang dikongsi: Metrik prestasi MemTrax: MTx-% C dan min MTx-RT; maklumat demografi dan sejarah perubatan: umur, jantina, tahun pendidikan, jenis kerja (kolar biru/kolar putih), sokongan sosial (sama ada peserta ujian tinggal bersendirian atau bersama keluarga), dan jawapan ya/tidak sama ada pengguna mempunyai sejarah diabetes, hiperlipidemia, atau kecederaan otak traumatik. Dua metrik tambahan, skor agregat MoCA dan skor agregat MoCA diselaraskan untuk tahun pendidikan [12], digunakan secara berasingan untuk membangunkan label klasifikasi bergantung, sekali gus mewujudkan dua skema pemodelan yang berbeza untuk digunakan pada set data gabungan kami. Bagi setiap versi (dilaraskan dan tidak diselaraskan) skor MoCA, data sekali lagi dimodelkan secara berasingan untuk klasifikasi binari menggunakan dua ambang kriteria yang berbeza-yang pada mulanya disyorkan [12] dan nilai ganti yang digunakan dan dipromosikan oleh orang lain [8, 15]. Dalam skema klasifikasi ambang alternatif, pesakit dianggap mempunyai kesihatan kognitif yang normal jika dia mendapat ≥23 pada ujian MoCA dan mempunyai MCI jika skor adalah 22 atau lebih rendah; manakala, dalam format klasifikasi awal yang disyorkan, pesakit perlu mendapat markah 26 atau lebih baik pada MoCA untuk dilabelkan sebagai mempunyai kesihatan kognitif yang normal.
Data yang ditapis untuk pemodelan klasifikasi MoCA
Kami selanjutnya mengkaji klasifikasi MoCA menggunakan empat teknik kedudukan ciri yang biasa digunakan: Chi-Squared, Nisbah Keuntungan, Keuntungan Maklumat dan Ketidakpastian Simetri. Untuk perspektif interim, kami menggunakan penaraf pada keseluruhan set data gabungan menggunakan setiap empat skim pemodelan kami. Semua penaraf bersetuju dengan ciri teratas yang sama, iaitu umur, bilangan tahun pendidikan dan kedua-dua metrik prestasi MemTrax (MTx-% C, min MTx-RT). Kami kemudian membina semula model menggunakan setiap teknik pemilihan ciri untuk melatih model hanya pada empat ciri teratas (lihat Pemilihan ciri di bawah).
Lapan variasi akhir yang terhasil bagi skim pemodelan klasifikasi skor MoCA dibentangkan dalam Jadual 1.
Jadual 1
Ringkasan variasi skema pemodelan yang digunakan untuk klasifikasi MoCA (Normal Kesihatan Kognitif berbanding MCI)
| Skim Permodelan | Kesihatan Kognitif Normal (Kelas Negatif) | MCI (Kelas Positif) |
| Dilaras-23 Tidak Ditapis/Ditapis | 101 (39.0%) | 158 (61.0%) |
| Dilaras-26 Tidak Ditapis/Ditapis | 49 (18.9%) | 210 (81.1%) |
| Tidak Dilaras-23 Tidak Ditapis/Ditapis | 92 (35.5%) | 167 (64.5%) |
| Tidak Dilaras-26 Tidak Ditapis/Ditapis | 42 (16.2%) | 217 (83.8%) |
Masing-masing bilangan dan peratus daripada jumlah pesakit dalam setiap kelas dibezakan dengan pelarasan skor untuk pendidikan (Dilaraskan atau Tidak Dilaraskan) dan ambang klasifikasi (23 atau 26), seperti yang digunakan pada kedua-dua set ciri (Tidak Ditapis dan Ditapis).
Pemodelan penilaian klinikal berasaskan MemTrax
Daripada tiga sub-dataset asal kami (YH, XL, KM), hanya pesakit sub-dataset XL yang didiagnosis secara klinikal secara bebas untuk kemerosotan kognitif (iaitu, skor MoCA masing-masing tidak digunakan dalam mewujudkan klasifikasi normal berbanding terjejas). Khususnya, pesakit XL telah didiagnosis sama ada Ujian penyakit Alzheimer (AD) atau demensia vaskular (VaD). Dalam setiap kategori diagnosis utama ini, terdapat sebutan lanjut untuk MCI. Diagnosis MCI, demensia, gangguan neurokognitif vaskular, dan gangguan neurokognitif akibat AD adalah berdasarkan kriteria diagnostik khusus dan tersendiri yang digariskan dalam Manual Diagnostik dan Statistik Gangguan Mental: DSM-5 [16]. Memandangkan diagnosis yang diperhalusi ini, dua skema pemodelan klasifikasi digunakan secara berasingan pada sub-dataset XL untuk membezakan tahap keterukan (tahap kemerosotan) bagi setiap kategori diagnosis utama. Data yang digunakan dalam setiap skim pemodelan diagnostik (AD dan VaD) ini termasuk maklumat demografi dan sejarah pesakit, serta prestasi MemTrax (MTx-% C, min MTx-RT). Setiap diagnosis dilabel ringan jika ditetapkan MCI; jika tidak, ia dianggap teruk. Kami pada mulanya mempertimbangkan untuk memasukkan skor MoCA dalam model diagnosis (ringan berbanding teruk); tetapi kami memutuskan bahawa ia akan mengalahkan tujuan skim pemodelan ramalan sekunder kami. Di sini pelajar akan dilatih menggunakan ciri pesakit lain yang sedia ada kepada pembekal dan metrik prestasi ujian MemTrax yang lebih mudah (sebagai ganti MoCA) terhadap rujukan "standard emas", diagnosis klinikal bebas. Terdapat 69 kejadian dalam dataset diagnosis AD dan 76 kejadian VaD (Jadual 2). Dalam kedua-dua set data, terdapat 12 ciri bebas. Sebagai tambahan kepada 10 ciri yang termasuk dalam klasifikasi skor MoCA, sejarah pesakit juga termasuk maklumat tentang sejarah hipertensi dan strok.
Jadual 2
Ringkasan variasi skema pemodelan yang digunakan untuk klasifikasi keterukan diagnosis (Ringan berbanding Teruk)
| Skim Permodelan | Ringan (Kelas Negatif) | Teruk (Kelas Positif) |
| MCI-AD berbanding AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD berbanding VaD | 38 (50.0%) | 38 (50.0%) |
Masing-masing bilangan dan peratus daripada jumlah pesakit dalam setiap kelas dibezakan mengikut kategori diagnosis primer (AD atau VaD).
Statistik
Perbandingan ciri peserta dan ciri berangka lain antara sub-dataset untuk setiap strategi klasifikasi model (untuk meramalkan kesihatan kognitif MoCA dan keterukan diagnosis) telah dilakukan menggunakan bahasa pengaturcaraan Python (versi 2.7.1) [17]. Perbezaan prestasi model pada mulanya ditentukan menggunakan ANOVA satu atau dua faktor (mengikut kesesuaian) dengan selang keyakinan 95% dan ujian perbezaan ketara jujur Tukey (HSD) untuk membandingkan min prestasi. Pemeriksaan perbezaan antara prestasi model ini dilakukan menggunakan gabungan Python dan R (versi 3.5.1) [18]. Kami menggunakan pendekatan ini (walaupun, boleh dikatakan kurang optimum) hanya sebagai bantuan heuristik dalam hal ini peringkat awal untuk perbandingan prestasi model awal dalam menjangka aplikasi klinikal yang berpotensi. Kami kemudian menggunakan ujian peringkat bertanda Bayesian menggunakan pengedaran posterior untuk menentukan kebarangkalian perbezaan prestasi model [19]. Untuk analisis ini, kami menggunakan selang -0.01, 0.01, menandakan bahawa jika dua kumpulan mempunyai perbezaan prestasi kurang daripada 0.01, mereka dianggap sama (dalam kawasan kesetaraan praktikal), atau sebaliknya mereka berbeza (satu lebih baik daripada yang lain). Untuk melakukan perbandingan pengelas Bayesian dan mengira kebarangkalian ini, kami menggunakan perpustakaan baycomp (versi 1.0.2) untuk Python 3.6.4.
Pemodelan ramalan
Kami membina model ramalan menggunakan sepuluh variasi keseluruhan skema pemodelan kami untuk meramalkan (mengklasifikasikan) hasil ujian MoCA setiap pesakit atau keterukan diagnosis klinikal. Semua pelajar telah diterapkan dan model dibina menggunakan platform perisian sumber terbuka Weka [20]. Untuk analisis awal kami, kami menggunakan 10 algoritma pembelajaran yang biasa digunakan: 5-Nearest Neighbors, dua versi pepohon keputusan C4.5, Regresi Logistik, Multilayer Perceptron, Naïve Bayes, dua versi Random Forest, Radial Basis Function Network dan Sokongan Vektor Mesin. Atribut utama dan kontras algoritma ini telah diterangkan di tempat lain [21] (lihat Lampiran masing-masing). Ini dipilih kerana mereka mewakili pelbagai jenis pelajar yang berbeza dan kerana kami telah menunjukkan kejayaan menggunakan mereka dalam analisis sebelumnya pada data yang serupa. Tetapan hyper-parameter telah dipilih daripada penyelidikan kami sebelum ini yang menunjukkan ia teguh pada pelbagai data yang berbeza [22]. Berdasarkan keputusan analisis awal kami menggunakan set data gabungan yang sama dengan ciri biasa yang digunakan kemudian dalam analisis penuh, kami mengenal pasti tiga pelajar yang memberikan prestasi kukuh secara konsisten merentas semua klasifikasi: Regresi Logistik, Naïve Bayes dan Mesin Vektor Sokongan.
Pengesahan silang dan metrik prestasi model
Untuk semua pemodelan ramalan (termasuk analisis awal), setiap model dibina menggunakan pengesahan silang 10 kali ganda, dan prestasi model diukur menggunakan Kawasan Di Bawah Lengkung Ciri Operasi Penerima (AUC). Pengesahan silang bermula dengan membahagikan secara rawak setiap satu daripada 10 set data skema pemodelan kepada 10 segmen yang sama (lipatan), menggunakan sembilan daripada segmen masing-masing untuk melatih model dan segmen yang tinggal untuk ujian. Prosedur ini diulang 10 kali, menggunakan segmen berbeza sebagai ujian yang ditetapkan dalam setiap lelaran. Hasilnya kemudiannya digabungkan untuk mengira hasil/prestasi model akhir. Untuk setiap gabungan pelajar/set data, keseluruhan proses ini diulang 10 kali dengan data dibahagikan secara berbeza setiap kali. Langkah terakhir ini mengurangkan berat sebelah, memastikan kebolehulangan dan membantu dalam menentukan prestasi model keseluruhan. Secara keseluruhan (untuk skor MoCA dan skema klasifikasi keterukan diagnosis digabungkan), 6,600 model telah dibina. Ini termasuk 1,800 model tidak ditapis (6 skema pemodelan digunakan pada set data×3 pelajar×10 larian×10 lipatan = 1,800 model) dan 4,800 model ditapis (4 skema pemodelan digunakan pada set data×3 pelajar×4 teknik pemilihan ciri×10 larian× 10 lipatan = 4,800 model).
Pemilihan ciri
Untuk model yang ditapis, pemilihan ciri (menggunakan empat kaedah kedudukan ciri) telah dilakukan dalam pengesahan silang. Bagi setiap satu daripada 10 lipatan, kerana 10% daripada set data yang berbeza ialah data ujian, hanya empat ciri terpilih teratas untuk setiap set data latihan (iaitu, sembilan lipatan yang lain atau baki 90% daripada keseluruhan set data) telah digunakan untuk membina model. Kami tidak dapat mengesahkan empat ciri yang digunakan dalam setiap model, kerana maklumat itu tidak disimpan atau tersedia dalam platform pemodelan yang kami gunakan (Weka). Walau bagaimanapun, memandangkan ketekalan dalam pemilihan awal ciri teratas kami apabila penarafan digunakan pada keseluruhan set data gabungan dan persamaan seterusnya dalam prestasi pemodelan, ciri yang sama ini (umur, tahun pendidikan, MTx-% C dan min MTx-RT ) mungkin merupakan empat teratas yang paling lazim digunakan seiring dengan pemilihan ciri dalam proses pengesahan silang.
KEPUTUSAN
Ciri berangka peserta (termasuk skor MoCA dan metrik prestasi MemTrax) set data masing-masing untuk setiap strategi klasifikasi model untuk meramalkan kesihatan kognitif yang ditunjukkan oleh MoCA (normal berbanding MCI) dan keterukan diagnosis (ringan berbanding teruk) ditunjukkan dalam Jadual 3.
Jadual 3
Ciri-ciri peserta, skor MoCA dan prestasi MemTrax untuk setiap strategi klasifikasi model
| Strategi Pengelasan | Umur | Pendidikan | MoCA Dilaraskan | MoCA Tidak Dilaraskan | MTx-% C | MTx-RT |
| Kategori MoCA | 61.9 th (13.1) | 9.6 th (4.6) | 19.2 (6.5) | 18.4 (6.7) | % 74.8 (15.0) | 1.4 s (0.3) |
| Keterukan Diagnosis | 65.6 th (12.1) | 8.6 th (4.4) | 16.7 (6.2) | 15.8 (6.3) | % 68.3 (13.8) | 1.5 s (0.3) |
Nilai yang ditunjukkan (min, SD) yang dibezakan oleh strategi klasifikasi pemodelan mewakili set data gabungan yang digunakan untuk meramalkan kesihatan kognitif yang ditunjukkan oleh MoCA (MCI berbanding normal) dan set subdata XL hanya digunakan untuk meramalkan keterukan diagnosis (ringan berbanding teruk).
Bagi setiap gabungan skor MoCA (dilaraskan/tidak diselaraskan) dan ambang (26/23), terdapat perbezaan statistik (p = 0.000) dalam setiap perbandingan berpasangan (kesihatan kognitif normal berbanding MCI) untuk umur, pendidikan dan prestasi MemTrax (MTx-% C dan MTx-RT). Setiap sub-dataset pesakit dalam kelas MCI masing-masing untuk setiap kombinasi adalah secara purata kira-kira 9 hingga 15 tahun lebih tua, melaporkan kira-kira lima tahun pendidikan yang kurang dan mempunyai prestasi MemTrax yang kurang menggalakkan untuk kedua-dua metrik.
Keputusan prestasi pemodelan ramalan untuk klasifikasi skor MoCA menggunakan tiga pelajar teratas, Regresi Logistik, Naïve Bayes dan Mesin Vektor Sokongan, ditunjukkan dalam Jadual 4. Ketiga-tiga ini dipilih berdasarkan prestasi pelajar mutlak tertinggi yang paling konsisten merentas semua pelbagai model digunakan pada set data untuk semua skema pemodelan. Untuk set data dan pemodelan yang tidak ditapis, setiap nilai data dalam Jadual 4 menunjukkan prestasi model berdasarkan purata AUC masing-masing yang diperoleh daripada 100 model (10 larian × 10 lipatan) yang dibina untuk setiap gabungan skema pelajar/pemodelan, dengan nilai tertinggi masing-masing. pelajar berprestasi ditunjukkan dalam huruf tebal. Manakala bagi pemodelan set data yang ditapis, keputusan yang dilaporkan dalam Jadual 4 mencerminkan purata keseluruhan prestasi model daripada 400 model untuk setiap pelajar menggunakan setiap kaedah pemeringkatan ciri (4 kaedah pemeringkatan ciri×10 larian×10 lipatan).
Jadual 4
Hasil klasifikasi skor MoCA dikotomi (AUC; 0.0–1.0) untuk setiap tiga pelajar berprestasi tinggi untuk semua skema pemodelan masing-masing
| Set Ciri Digunakan | Skor MoCA | Ambang Cutoff | Regresi Logistik | Naif Bayes | Mesin Vektor Sokongan |
| Tidak ditapis (10 ciri) | Diselaraskan | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Tidak disesuaikan | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Ditapis (4 ciri) | Diselaraskan | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Tidak disesuaikan | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Menggunakan variasi set ciri, skor MoCA dan ambang pemotongan skor MoCA, prestasi tertinggi untuk setiap skema pemodelan ditunjukkan dalam berani (tidak semestinya berbeza secara statistik daripada semua yang lain tidak dalam berani untuk model masing-masing).
Membandingkan pelajar merentas semua gabungan versi skor MoCA dan ambang (masing-masing diselaraskan/tidak diselaraskan dan 23/26) dalam set data tidak ditapis gabungan (iaitu, menggunakan 10 ciri biasa), Naïve Bayes secara amnya merupakan pelajar berprestasi tinggi dengan keseluruhan prestasi klasifikasi 0.9093. Memandangkan tiga pelajar teratas, ujian peringkat bertanda berkorelasi Bayesian menunjukkan bahawa kebarangkalian (Pr) daripada Naïve Bayes mengatasi Regresi Logistik ialah 99.9%. Selain itu, antara Naïve Bayes dan Mesin Vektor Sokongan, 21.0% kebarangkalian kesetaraan praktikal dalam prestasi pelajar (oleh itu, kebarangkalian 79.0% untuk Naïve Bayes mengatasi Mesin Vektor Sokongan), ditambah dengan 0.0% kebarangkalian Mesin Vektor Sokongan berprestasi lebih baik, boleh diukur memperkukuh kelebihan prestasi untuk Naïve Bayes. Perbandingan lanjut versi skor MoCA merentas semua pelajar/ambang mencadangkan sedikit kelebihan prestasi menggunakan skor MoCA yang tidak diselaraskan berbanding dilaraskan (masing-masing 0.9027 berbanding 0.8971; Pr (tidak diselaraskan > dilaraskan) = 0.988). Begitu juga, perbandingan ambang cutoff merentas semua pelajar dan versi skor MoCA menunjukkan kelebihan prestasi pengelasan yang kecil menggunakan 26 sebagai ambang pengelasan berbanding 23 (masing-masing 0.9056 berbanding 0.8942; Pr (26 > 23) = 0.999). Akhir sekali, meneliti prestasi pengelasan untuk model yang hanya menggunakan hasil yang ditapis (iaitu, empat ciri kedudukan teratas sahaja), Naïve Bayes (0.9143) secara berangka adalah pelajar berprestasi tinggi merentas semua versi/ambang skor MoCA. Walau bagaimanapun, merentasi semua teknik kedudukan ciri digabungkan, semua pelajar berprestasi tinggi menunjukkan prestasi yang sama. Ujian peringkat bertanda Bayesian menunjukkan 100% kebarangkalian kesetaraan praktikal antara setiap pasangan pelajar yang ditapis. Seperti data yang tidak ditapis (menggunakan kesemua 10 ciri biasa), terdapat sekali lagi kelebihan prestasi untuk versi skor MoCA yang tidak diselaraskan (Pr (tidak diselaraskan > diselaraskan) = 1.000), serta kelebihan yang sama berbeza untuk ambang pengelasan 26 (Pr (26 > 23) = 1.000). Terutama sekali, prestasi purata bagi setiap tiga pelajar teratas merentas semua versi/ambang skor MoCA yang menggunakan hanya empat ciri kedudukan teratas melebihi prestasi purata mana-mana pelajar pada data tidak ditapis. Tidak menghairankan, prestasi klasifikasi model yang ditapis (menggunakan empat ciri kedudukan teratas) secara keseluruhan adalah lebih baik (0.9119) berbanding model yang tidak ditapis (0.8999), tanpa mengira model kaedah kedudukan ciri yang dibandingkan dengan model masing-masing menggunakan kesemua 10 biasa. ciri-ciri. Bagi setiap kaedah pemilihan ciri, terdapat 100% kebarangkalian kelebihan prestasi berbanding model yang tidak ditapis.
Dengan pesakit dipertimbangkan untuk klasifikasi keterukan diagnosis AD, perbezaan antara kumpulan (MCI-AD berbanding AD) untuk umur (p = 0.004), pendidikan (p = 0.028), skor MoCA diselaraskan/tidak diselaraskan (p = 0.000), dan MTx-% C (p = 0.008) adalah signifikan secara statistik; sedangkan untuk MTx-RT tidak (p = 0.097). Dengan pesakit yang dipertimbangkan untuk klasifikasi keterukan diagnosis VaD, perbezaan antara kumpulan (MCI-VaD berbanding VaD) untuk skor MoCA diselaraskan/tidak diselaraskan (p = 0.007) dan MTx-% C (p = 0.026) dan MTx-RT (p = 0.001) adalah signifikan secara statistik; sedangkan untuk umur (p = 0.511) dan pendidikan (p = 0.157) tidak terdapat perbezaan yang signifikan antara kumpulan.
Keputusan prestasi pemodelan ramalan untuk klasifikasi keterukan diagnosis menggunakan tiga pelajar yang dipilih sebelum ini, Regresi Logistik, Naïve Bayes, dan Mesin Vektor Sokongan, ditunjukkan dalam Jadual 5. Manakala pelajar tambahan yang diperiksa menunjukkan prestasi yang lebih kuat sedikit secara individu dengan salah satu daripada dua kategori diagnosis klinikal , tiga pelajar yang telah kami kenal pasti sebagai yang paling disukai dalam pemodelan kami sebelum ini menawarkan prestasi paling konsisten dengan kedua-dua skim pemodelan baharu. Membandingkan pelajar merentas setiap kategori diagnosis utama (AD dan VaD), tidak terdapat perbezaan prestasi klasifikasi yang konsisten antara pelajar untuk MCI-VaD berbanding VaD, walaupun Mesin Vektor Sokongan secara amnya berprestasi lebih menonjol. Begitu juga, tidak terdapat perbezaan yang ketara antara pelajar untuk klasifikasi MCI-AD berbanding AD, walaupun Naïve Bayes (NB) mempunyai sedikit kelebihan prestasi berbanding Regresi Logistik (LR) dan hanya pluraliti yang boleh diabaikan berbanding Mesin Vektor Sokongan, dengan kebarangkalian 61.4% dan 41.7% masing-masing. Pada kedua-dua set data, terdapat kelebihan prestasi keseluruhan untuk Mesin Vektor Sokongan (SVM), dengan Pr (SVM > LR) = 0.819 dan Pr (SVM > NB) = 0.934. Prestasi klasifikasi keseluruhan kami merentas semua pelajar dalam meramalkan keterukan diagnosis dalam sub-dataset XL adalah lebih baik dalam kategori diagnosis VaD berbanding AD (Pr (VAD > AD) = 0.998).
Jadual 5
Prestasi klasifikasi keterukan diagnosis klinikal dikotomi (AUC; 0.0–1.0) keputusan untuk setiap tiga pelajar berprestasi tinggi untuk kedua-dua skema pemodelan masing-masing
| Skim Permodelan | Regresi Logistik | Naif Bayes | Mesin Vektor Sokongan |
| MCI-AD berbanding AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD berbanding VaD | 0.8033 | 0.8044 | 0.8338 |
Prestasi tertinggi untuk setiap skema pemodelan ditunjukkan dalam berani (tidak semestinya berbeza secara statistik daripada yang lain tidak dalam berani).
PERBINCANGAN
Pengesanan awal perubahan dalam kesihatan kognitif adalah penting utiliti praktikal dalam pengurusan kesihatan diri dan kesihatan awam. Malah, ia juga merupakan keutamaan yang tinggi dalam tetapan klinikal untuk pesakit di seluruh dunia. Matlamat bersama adalah untuk memberi amaran kepada pesakit, penjaga, dan pembekal serta menyegerakan rawatan awal yang sesuai dan kos efektif serta penjagaan membujur bagi mereka yang mula mengalami penurunan kognitif. Menggabungkan tiga subset data hospital/klinik kami, kami mengenal pasti tiga pelajar pilihan yang tersendiri (dengan seorang yang menonjol -Naïve Bayes) untuk membina model ramalan menggunakan Metrik prestasi MemTrax yang boleh mengklasifikasikan status kesihatan kognitif dengan pasti secara dikotomi (kesihatan kognitif normal atau MCI) seperti yang ditunjukkan oleh skor agregat MoCA. Terutama sekali, prestasi klasifikasi keseluruhan untuk ketiga-tiga pelajar bertambah baik apabila model kami hanya menggunakan empat ciri kedudukan teratas yang terutamanya merangkumi metrik prestasi MemTrax ini. Selain itu, kami mendedahkan potensi yang kukuh untuk menggunakan pelajar yang sama dan metrik prestasi MemTrax dalam skim pemodelan klasifikasi sokongan diagnostik untuk membezakan keterukan dua kategori diagnosis demensia: AD dan VaD.
Ujian ingatan adalah penting kepada pengesanan awal AD [23, 24]. Oleh itu, adalah wajar bahawa MemTrax adalah aplikasi dalam talian yang boleh diterima, menarik dan mudah dilaksanakan. ujian saringan untuk ingatan episodik dalam populasi umum [6]. Ketepatan pengecaman dan masa tindak balas daripada tugas prestasi berterusan ini amat ketara dalam mengenal pasti kemerosotan awal dan berkembang serta defisit akibat dalam proses neuroplastik yang berkaitan dengan pembelajaran, ingatan dan kognisi. Iaitu, model di sini yang berdasarkan sebahagian besarnya pada metrik prestasi MemTrax adalah sensitif kepada dan lebih cenderung untuk dengan mudah dan dengan kos yang minimum mendedahkan defisit neuropatologi biologi semasa peringkat asimtomatik peralihan jauh sebelum kehilangan fungsi yang lebih besar [25]. Ashford et al. mengkaji dengan teliti corak dan tingkah laku ketepatan ingatan pengecaman dan masa tindak balas dalam pengguna dalam talian yang mengambil bahagian sendiri dengan MemTrax [6]. Menghormati bahawa pengagihan ini adalah penting dalam pemodelan optimum dan membangunkan aplikasi penjagaan pesakit yang sah dan berkesan, mentakrifkan profil pengiktirafan dan masa tindak balas yang boleh digunakan secara klinikal adalah penting dalam mewujudkan rujukan asas yang berharga untuk utiliti klinikal dan penyelidikan. Nilai praktikal MemTrax dalam saringan AD untuk kemerosotan kognitif peringkat awal dan sokongan diagnostik pembezaan perlu diperiksa dengan lebih teliti dalam konteks persekitaran klinikal di mana komorbiditi dan keupayaan kognitif, deria dan motor yang mempengaruhi prestasi ujian boleh dipertimbangkan. Dan untuk memaklumkan perspektif profesional dan menggalakkan utiliti klinikal praktikal, pertama sekali adalah penting untuk menunjukkan perbandingan dengan ujian penilaian kesihatan kognitif yang telah ditetapkan, walaupun yang terakhir mungkin dikekang oleh logistik ujian yang rumit, pencegah pendidikan dan bahasa, dan pengaruh budaya [26] . Dalam hal ini, perbandingan MemTrax yang menggalakkan dalam keberkesanan klinikal kepada MoCA yang lazimnya dikatakan sebagai piawaian industri adalah penting, terutamanya apabila mempertimbangkan kemudahan utiliti yang lebih besar dan penerimaan pesakit terhadap MemTrax.
Penerokaan sebelumnya yang membandingkan MemTrax dengan MoCA menyerlahkan rasional dan bukti awal yang menjamin penyiasatan pemodelan kami [8]. Walau bagaimanapun, perbandingan terdahulu ini hanya mengaitkan dua metrik prestasi MemTrax utama yang kami periksa dengan status kognitif seperti yang ditentukan oleh MoCA dan menentukan julat dan nilai cutoff masing-masing. Kami memperdalam penilaian utiliti klinikal MemTrax dengan meneroka pendekatan berasaskan pemodelan ramalan yang akan memberikan pertimbangan yang lebih individu bagi parameter khusus pesakit lain yang berpotensi berkaitan. Berbeza dengan yang lain, kami tidak menemui kelebihan dalam prestasi model menggunakan pembetulan pendidikan (pelarasan) kepada skor MoCA atau dalam mengubah ambang skor agregat MoCA yang mendiskriminasi kesihatan kognitif daripada 26 hingga 23 yang disyorkan pada asalnya [12, 15]. Malah, kelebihan prestasi klasifikasi diutamakan menggunakan skor MoCA yang tidak diselaraskan dan ambang yang lebih tinggi.
Perkara utama dalam amalan klinikal
Pembelajaran mesin selalunya digunakan sebaik-baiknya dan paling berkesan dalam pemodelan ramalan apabila data adalah luas dan berbilang dimensi, iaitu apabila terdapat banyak pemerhatian dan pelbagai serentak atribut bernilai tinggi (menyumbang). Namun, dengan data semasa ini, model yang ditapis dengan hanya empat ciri terpilih menunjukkan prestasi yang lebih baik daripada yang menggunakan kesemua 10 ciri biasa. Ini menunjukkan bahawa set data hospital agregat kami tidak mempunyai ciri yang paling sesuai secara klinikal (bernilai tinggi) untuk mengklasifikasikan pesakit secara optimum dengan cara ini. Namun begitu, penekanan kedudukan ciri pada metrik prestasi MemTrax utama—MTx-% C dan MTx-RT—sangat menyokong pembinaan model saringan defisit kognitif peringkat awal di sekeliling ujian ini yang mudah, mudah ditadbir, kos rendah dan mendedahkan dengan tepat mengenai prestasi ingatan, sekurang-kurangnya sekarang sebagai skrin awal untuk klasifikasi binari status kesihatan kognitif. Memandangkan tekanan yang sentiasa meningkat pada pembekal dan sistem penjagaan kesihatan, proses pemeriksaan pesakit dan aplikasi klinikal harus dibangunkan dengan sesuai dengan penekanan pada pengumpulan, pengesanan dan pemodelan ciri-ciri pesakit dan metrik ujian yang paling berguna, berfaedah dan terbukti berkesan dalam diagnostik. dan sokongan pengurusan pesakit.
Dengan dua metrik MemTrax utama menjadi pusat klasifikasi MCI, pelajar berprestasi tinggi kami (Naïve Bayes) mempunyai prestasi ramalan yang sangat tinggi dalam kebanyakan model (AUC melebihi 0.90) dengan nisbah positif benar kepada positif palsu menghampiri atau agak melebihi 4 : 1. Aplikasi klinikal translasi menggunakan pelajar ini dengan itu akan menangkap (mengklasifikasikan dengan betul) setakat ini kebanyakan mereka yang mengalami defisit kognitif, sambil meminimumkan kos yang berkaitan dengan tersalah mengklasifikasikan seseorang yang mempunyai kesihatan kognitif normal sebagai mengalami defisit kognitif (positif palsu) atau kehilangan klasifikasi itu pada mereka yang mempunyai defisit kognitif (negatif palsu). Salah satu daripada senario salah klasifikasi ini boleh mengenakan beban psiko-sosial yang tidak wajar kepada pesakit dan penjaga.
Manakala dalam analisis awal dan penuh kami menggunakan kesemua sepuluh pelajar dalam setiap skema pemodelan, kami memfokuskan keputusan kami pada tiga pengelas yang menunjukkan prestasi kukuh yang paling konsisten. Ini juga untuk menyerlahkan, berdasarkan data ini, para pelajar yang dijangka akan menunjukkan prestasi yang boleh dipercayai pada tahap tinggi dalam aplikasi klinikal praktikal dalam menentukan klasifikasi status kognitif. Selain itu, kerana kajian ini bertujuan sebagai penyiasatan pengenalan kepada kegunaan pembelajaran mesin pada pemeriksaan kognitif dan cabaran klinikal yang tepat pada masanya, kami membuat keputusan untuk memastikan teknik pembelajaran mudah dan umum, dengan penalaan parameter yang minimum. Kami menghargai bahawa pendekatan ini mungkin telah mengehadkan potensi untuk keupayaan ramalan khusus pesakit yang lebih sempit. Begitu juga, walaupun melatih model menggunakan hanya ciri teratas (pendekatan ditapis) memaklumkan kami lebih lanjut mengenai data ini (khusus kepada kekurangan dalam data yang dikumpul dan menyerlahkan nilai dalam mengoptimumkan masa dan sumber klinikal yang berharga), kami menyedari bahawa ia adalah pramatang untuk menyempitkan. skop model dan, oleh itu, semua (dan ciri lain) harus dipertimbangkan dengan penyelidikan masa depan sehingga kami mempunyai profil ciri keutamaan yang lebih muktamad yang boleh digunakan untuk populasi luas. Oleh itu, kami juga menyedari sepenuhnya bahawa data yang lebih inklusif dan mewakili secara meluas dan pengoptimuman model ini dan model lain akan diperlukan sebelum menyepadukannya ke dalam aplikasi klinikal yang berkesan, terutamanya untuk menampung komorbiditi yang mempengaruhi prestasi kognitif yang perlu dipertimbangkan dalam penilaian klinikal selanjutnya.
Utiliti MemTrax diperkukuhkan lagi dengan pemodelan keterukan penyakit berdasarkan diagnosis klinikal yang berasingan. Prestasi klasifikasi keseluruhan yang lebih baik dalam meramalkan keterukan VaD (berbanding AD) tidak mengejutkan memandangkan ciri profil pesakit dalam model khusus untuk kesihatan vaskular dan risiko strok, iaitu, hipertensi, hiperlipidemia, diabetes, dan (sudah tentu) sejarah strok. Walaupun adalah lebih wajar dan sesuai untuk mengadakan penilaian klinikal yang sama dijalankan ke atas pesakit yang sepadan dengan kesihatan kognitif normal untuk melatih pelajar dengan data yang lebih inklusif ini. Ini amat wajar, kerana MemTrax bertujuan untuk digunakan terutamanya untuk pengesanan peringkat awal defisit kognitif dan penjejakan seterusnya perubahan individu. Adalah munasabah juga bahawa pengedaran data yang lebih diingini dalam dataset VaD menyumbang sebahagiannya kepada prestasi pemodelan yang lebih baik secara perbandingan. Dataset VaD adalah seimbang antara kedua-dua kelas, manakala dataset AD dengan pesakit MCI yang jauh lebih sedikit tidak. Terutamanya dalam set data kecil, walaupun beberapa contoh tambahan boleh membuat perbezaan yang boleh diukur. Kedua-dua perspektif adalah hujah munasabah yang mendasari perbezaan dalam prestasi pemodelan keparahan penyakit. Walau bagaimanapun, mengaitkan prestasi yang dipertingkatkan secara berkadar kepada ciri berangka set data atau ciri-ciri yang wujud khusus untuk pembentangan klinikal yang sedang dipertimbangkan adalah pramatang. Walau bagaimanapun, novel ini menunjukkan kegunaan model klasifikasi ramalan MemTrax dalam peranan sokongan diagnostik klinikal memberikan perspektif yang berharga dan mengesahkan usaha untuk pemeriksaan tambahan dengan pesakit merentasi kontinum MCI.
Pelaksanaan dan menunjukkan utiliti MemTrax dan model ini di China, di mana bahasa dan budayanya berbeza secara drastik daripada kawasan utiliti yang telah ditetapkan (cth, Perancis, Belanda, dan Amerika Syarikat) [7, 8, 27], menekankan lagi potensi untuk penerimaan global yang meluas dan nilai klinikal bagi platform berasaskan MemTrax. Ini adalah contoh yang boleh ditunjukkan dalam usaha ke arah penyelarasan data dan membangunkan norma antarabangsa yang praktikal dan sumber pemodelan untuk pemeriksaan kognitif yang diseragamkan dan mudah disesuaikan untuk digunakan di seluruh dunia.
Langkah seterusnya dalam pemodelan dan aplikasi penurunan kognitif
Disfungsi kognitif dalam AD memang berlaku pada kontinum, bukan dalam peringkat atau langkah diskret [28, 29]. Walau bagaimanapun, pada fasa awal ini, matlamat kami adalah untuk mula-mula mewujudkan keupayaan kami untuk membina model yang menggabungkan MemTrax yang secara asasnya boleh membezakan "biasa" daripada "tidak normal". Data empirikal yang lebih inklusif (cth, pengimejan otak, ciri genetik, biomarker, komorbiditi dan penanda berfungsi kompleks aktiviti yang memerlukan kognitif kawalan) [30] merentas pelbagai rantau global, populasi dan kumpulan umur untuk melatih dan membangunkan model pembelajaran mesin yang lebih canggih (termasuk ensembel wajaran yang sesuai) akan menyokong tahap klasifikasi yang dipertingkatkan yang lebih tinggi, iaitu kapasiti untuk mengkategorikan kumpulan pesakit dengan MCI menjadi subset yang lebih kecil dan lebih muktamad di sepanjang kontinum penurunan kognitif. Selain itu, diagnosis klinikal serentak untuk individu merentas populasi pesakit yang pelbagai serantau adalah penting untuk melatih secara berkesan model yang lebih inklusif dan boleh diramal teguh ini. Ini akan memudahkan pengurusan kes berstrata yang lebih khusus bagi mereka yang mempunyai latar belakang, pengaruh dan profil kognitif ciri yang lebih sempit dan dengan itu mengoptimumkan sokongan keputusan klinikal dan penjagaan pesakit.
Kebanyakan penyelidikan klinikal yang relevan setakat ini telah menangani pesakit dengan sekurang-kurangnya demensia ringan; dan, dalam amalan, terlalu kerap campur tangan pesakit hanya dicuba pada peringkat lanjut. Walau bagaimanapun, oleh kerana penurunan kognitif bermula sebelum kriteria klinikal untuk demensia dipenuhi, skrin awal berasaskan MemTrax yang digunakan secara berkesan boleh menggalakkan pendidikan yang sesuai bagi individu tentang penyakit dan perkembangannya serta menggesa intervensi yang lebih awal dan lebih tepat pada masanya. Oleh itu, pengesanan awal boleh menyokong penglibatan yang sesuai mulai dari senaman, diet, sokongan emosi, dan sosialisasi yang lebih baik kepada campur tangan farmakologi dan mengukuhkan perubahan berkaitan pesakit dalam tingkah laku dan persepsi yang secara tunggal atau secara agregat boleh mengurangkan atau berpotensi menghentikan perkembangan demensia [31, 32] . Lebih-lebih lagi, dengan berkesan saringan awal, individu dan keluarga mereka mungkin digesa untuk mempertimbangkan ujian klinikal atau mendapatkan kaunseling dan sokongan perkhidmatan sosial lain untuk membantu menjelaskan jangkaan dan niat serta mengurus tugas harian. Pengesahan lanjut dan utiliti praktikal yang meluas dalam cara ini boleh memainkan peranan penting dalam mengurangkan atau menghentikan perkembangan MCI, AD, dan ADRD untuk kebanyakan individu.
Sesungguhnya, peringkat rendah julat umur pesakit dalam kajian kami tidak mewakili populasi kebimbangan tradisional dengan AD. Walau bagaimanapun, purata umur bagi setiap kumpulan yang digunakan dalam skema pemodelan klasifikasi berdasarkan skor/ambang MoCA dan keterukan diagnosis (Jadual 3) menggariskan majoriti yang jelas (lebih 80%) berumur sekurang-kurangnya 50 tahun. Oleh itu, taburan ini sangat sesuai untuk generalisasi, menyokong kegunaan model ini dalam populasi yang mencirikan mereka yang biasanya dipengaruhi oleh permulaan awal dan penyakit neurokognitif yang semakin berkembang akibat AD dan VaD. Selain itu, bukti dan perspektif terkini menekankan faktor-faktor yang diiktiraf (cth, hipertensi, obesiti, diabetes dan merokok) yang berpotensi menyumbang kepada tahap awal yang lebih tinggi. skor risiko vaskular dewasa dan pertengahan umur dan akibat kecederaan otak vaskular halus yang berkembang secara licik dengan kesan yang jelas walaupun pada usia muda. dewasa [33–35]. Sehubungan itu, peluang saringan awal yang paling optimum untuk mengesan awal peringkat defisit kognitif dan memulakan strategi pencegahan dan intervensi yang berkesan dalam berjaya menangani demensia akan muncul daripada meneliti faktor penyumbang dan penunjuk anteseden merentas spektrum umur, termasuk awal dewasa dan mungkin juga kanak-kanak (memperhatikan kaitan faktor genetik seperti apolipoprotein E dari kehamilan awal).
Dalam praktiknya, diagnosis klinikal yang sah dan prosedur yang mahal untuk pengimejan lanjutan, pemprofilan genetik dan mengukur biomarker yang menjanjikan tidak selalu tersedia atau boleh dilaksanakan untuk banyak pembekal. Oleh itu, dalam banyak keadaan, klasifikasi status kesihatan kognitif keseluruhan awal mungkin perlu diperoleh daripada model menggunakan metrik mudah lain yang disediakan oleh pesakit (cth. masalah ingatan, ubat-ubatan semasa, dan had aktiviti rutin) dan ciri demografi biasa [7]. Pendaftaran seperti Universiti California Kesihatan Otak Pendaftaran (https://www.brainhealthregistry.org/) [27] dan lain-lain dengan keluasan yang lebih besar daripada gejala yang dilaporkan sendiri, langkah kualitatif (cth, tidur dan kognisi setiap hari), ubat-ubatan, status kesihatan dan sejarah, dan demografi yang lebih terperinci akan memainkan peranan penting dalam membangunkan dan mengesahkan aplikasi praktikal model yang lebih primitif ini di klinik. Selanjutnya, ujian seperti MemTrax, yang telah menunjukkan kegunaan dalam menilai fungsi ingatan, sebenarnya boleh memberikan anggaran patologi AD yang jauh lebih baik daripada penanda biologi. Memandangkan ciri teras patologi AD ialah gangguan neuroplastisitas dan kehilangan sinaps yang sangat kompleks, yang nyata sebagai episodik. disfungsi ingatan, ukuran yang menilai ingatan episod mungkin sebenarnya memberikan anggaran beban patologi AD yang lebih baik daripada penanda biologi dalam pesakit yang masih hidup [36].
Dengan semua model ramalan—sama ada dilengkapi dengan data yang kompleks dan inklusif daripada teknologi terkini dan cerapan klinikal yang diperhalusi merentas berbilang domain atau yang terhad kepada ciri maklumat yang lebih asas dan mudah didapati bagi profil pesakit sedia ada—kelebihan kecerdasan buatan yang diiktiraf dan pembelajaran mesin ialah model yang terhasil boleh mensintesis dan "belajar" secara induktif daripada data dan perspektif baharu yang berkaitan yang disediakan oleh penggunaan aplikasi yang berterusan. Berikutan pemindahan teknologi praktikal, kerana model di sini (dan akan dibangunkan) digunakan dan diperkaya dengan lebih banyak kes dan data yang berkaitan (termasuk pesakit dengan komorbiditi yang boleh hadir dengan penurunan kognitif seterusnya), prestasi ramalan dan klasifikasi kesihatan kognitif akan menjadi lebih teguh, menghasilkan utiliti sokongan keputusan klinikal yang lebih berkesan. Evolusi ini akan direalisasikan dengan lebih lengkap dan praktikal dengan membenamkan MemTrax ke dalam platform tersuai (disasarkan kepada keupayaan yang ada) yang boleh digunakan oleh penyedia penjagaan kesihatan dalam masa nyata di klinik.
Penting kepada pengesahan dan utiliti model MemTrax untuk sokongan diagnostik dan penjagaan pesakit adalah data membujur yang sangat dicari. Dengan memerhati dan merekodkan perubahan serentak (jika ada) dalam status klinikal merentasi julat normal yang mencukupi melalui MCI peringkat awal, model untuk penilaian dan klasifikasi berterusan yang sesuai boleh dilatih dan diubah suai mengikut umur pesakit dan dirawat. Iaitu, utiliti berulang boleh membantu dengan pengesanan membujur perubahan kognitif ringan, keberkesanan intervensi, dan mengekalkan penjagaan berstrata termaklum. Pendekatan ini lebih sejajar dengan amalan klinikal dan pengurusan pesakit dan kes.
Batasan
Kami menghargai cabaran dan nilai dalam mengumpul data klinikal yang bersih dalam persekitaran klinik/hospital terkawal. Walau bagaimanapun, ia akan mengukuhkan pemodelan kami jika set data kami menyertakan lebih ramai pesakit dengan ciri biasa. Selain itu, khusus untuk pemodelan diagnosis kami, adalah lebih wajar dan sesuai untuk mengadakan penilaian klinikal yang sama dijalankan ke atas pesakit yang sepadan dengan kesihatan kognitif normal untuk melatih pelajar. Dan seperti yang digariskan oleh prestasi klasifikasi yang lebih tinggi menggunakan set data yang ditapis (hanya empat ciri kedudukan teratas), lebih umum dan langkah/indikator kesihatan kognitif mungkin akan bertambah baik prestasi pemodelan dengan lebih banyak ciri umum merentas semua pesakit.
Peserta tertentu mungkin mengalami penyakit lain secara serentak yang boleh menyebabkan kekurangan kognitif sementara atau kronik. Selain daripada sub-dataset XL di mana pesakit diklasifikasikan secara diagnostik sebagai mempunyai sama ada AD atau VaD, data komorbiditi tidak dikumpulkan/dilaporkan dalam kumpulan pesakit YH, dan komorbiditi yang dilaporkan setakat ini dalam sub-dataset KM ialah diabetes. Walau bagaimanapun, boleh dipertikaikan bahawa termasuk pesakit dalam skim pemodelan kami dengan komorbiditi yang boleh mendorong atau memburukkan lagi tahap kekurangan kognitif dan akibatnya prestasi MemTrax yang lebih rendah akan lebih mewakili populasi pesakit yang disasarkan dunia sebenar untuk pemeriksaan kognitif awal yang lebih umum ini. dan pendekatan pemodelan. Melangkah ke hadapan, diagnosis tepat komorbiditi yang berpotensi menjejaskan prestasi kognitif secara amnya bermanfaat untuk mengoptimumkan model dan aplikasi penjagaan pesakit yang dihasilkan.
Akhir sekali, pesakit sub-dataset YH dan KM menggunakan telefon pintar untuk mengambil ujian MemTrax, manakala sebilangan terhad pesakit sub-dataset XL menggunakan iPad dan selebihnya menggunakan telefon pintar. Ini mungkin telah memperkenalkan perbezaan kecil berkaitan peranti dalam prestasi MemTrax untuk pemodelan klasifikasi MoCA. Walau bagaimanapun, perbezaan (jika ada) dalam MTx-RT, sebagai contoh, antara peranti mungkin boleh diabaikan, terutamanya dengan setiap peserta diberi ujian "latihan" sejurus sebelum prestasi ujian yang direkodkan. Namun begitu, utiliti kedua-dua peranti pegang tangan ini berpotensi menjejaskan perbandingan langsung dan/atau penyepaduan dengan hasil MemTrax lain di mana pengguna bertindak balas untuk mengulang gambar dengan menyentuh bar ruang pada papan kekunci komputer.
Perkara utama mengenai utiliti pemodelan ramalan MemTrax
- • Model ramalan berprestasi tinggi kami yang merangkumi metrik prestasi MemTrax terpilih boleh mengklasifikasikan status kesihatan kognitif (kesihatan kognitif normal atau MCI) dengan pasti dengan pasti seperti yang ditunjukkan oleh ujian MoCA yang diiktiraf secara meluas.
- • Keputusan ini menyokong penyepaduan metrik prestasi MemTrax terpilih ke dalam aplikasi penyaringan model ramalan klasifikasi untuk kemerosotan kognitif peringkat awal.
- • Pemodelan klasifikasi kami juga mendedahkan potensi untuk menggunakan prestasi MemTrax dalam aplikasi untuk membezakan keterukan diagnosis demensia.
Penemuan baru ini mewujudkan bukti muktamad yang menyokong utiliti pembelajaran mesin dalam membina model klasifikasi berasaskan MemTrax yang teguh yang dipertingkatkan untuk sokongan diagnostik dalam pengurusan kes klinikal yang berkesan dan penjagaan pesakit bagi individu yang mengalami gangguan kognitif.
PENGHARGAAN
Kami mengiktiraf hasil kerja J. Wesson Ashford, Curtis B. Ashford dan rakan sekerja untuk membangunkan dan mengesahkan tugas dan alat pengecaman berterusan dalam talian (MemTrax) yang digunakan di sini dan kami berterima kasih kepada ramai pesakit demensia yang menyumbang kepada penyelidikan asas yang kritikal . Kami juga berterima kasih kepada Xianbo Zhou dan rakan-rakannya di SJN Biomed LTD, rakan-rakan dan kolaboratornya di tapak hospital/klinik, terutamanya Dr. M. Luo dan M. Zhong, yang membantu dengan pengambilan peserta, menjadualkan ujian, dan mengumpul, merekod, dan mengurus data bahagian hadapan, dan peserta sukarelawan yang menyumbangkan masa berharga mereka dan membuat komitmen untuk mengambil ujian dan menyediakan data yang bernilai untuk kami menilai dalam kajian ini. ini kajian disokong sebahagiannya oleh Penyelidikan Saintifik MD Program Universiti Perubatan Kunming (Geran no. 2017BS028 kepada XL) dan Program Penyelidikan Jabatan Sains dan Teknologi Yunnan (Geran no. 2019FE001 (-222) kepada XL).
J. Wesson Ashford telah memfailkan permohonan paten untuk penggunaan paradigma pengiktirafan berterusan khusus yang diterangkan dalam kertas ini untuk umum ujian ingatan.
MemTrax, LLC ialah sebuah syarikat yang dimiliki oleh Curtis Ashford, dan syarikat ini menguruskan ujian ingatan sistem yang diterangkan dalam kertas ini.
Pendedahan pengarang tersedia dalam talian (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
RUJUKAN
| [1] Persatuan Alzheimer (2016) 2016 Fakta penyakit Alzheimer dan angka. Demen Alzheimer 12, 459–509. | |
| [2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) Kesan peringkat awal Penyakit Alzheimer mengenai hasil kewangan isi rumah. Ekon Kesihatan 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) Peningkatan kualiti dalam neurologi: Set ukuran kualiti gangguan kognitif ringan. Neurologi 93, 705–713. |
| [4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) Keberkesanan kos penggunaan ujian saringan kognitif untuk mengesan demensia dan gangguan kognitif ringan dalam penjagaan primer. Int J Geriatr Psikiatri 32, 1392–1400. | |
| [5] Ashford JW , Gere E , Bayley PJ (2011) Mengukur ingatan dalam tetapan kumpulan besar menggunakan ujian pengecaman berterusan. J Alzheimers Dis 27, 885–895. | |
| [6] | Ashford JW , Tarpin-Bernard F , Ashford CB , Ashford MT (2019) Tugas pengiktirafan berterusan berkomputer untuk pengukuran ingatan episod. J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) Prestasi ingatan episod dalam pemodelan pembelajaran mesin untuk meramal klasifikasi status kesihatan kognitif. J Alzheimers Dis 70, 277–286. |
| [8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The Ujian MemTrax berbanding dengan anggaran penilaian kognitif montreal bagi kemerosotan kognitif ringan. J Alzheimers Dis 67, 1045–1054. | |
| [9] | Falcone M , Yadav N , Poellabauer C , Flynn P (2013) Menggunakan bunyi vokal terpencil untuk klasifikasi kecederaan otak traumatik ringan. Pada 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, Vancouver, BC, hlm. 7577–7581. |
| [10] | Dabek F , Caban JJ (2015) Memanfaatkan data besar untuk memodelkan kemungkinan membangunkan keadaan psikologi selepas gegaran. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) Pohon keputusan untuk pengesanan awal gangguan kognitif oleh ahli farmasi komuniti. Pharmacol Depan 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: Alat saringan ringkas untuk kemerosotan kognitif ringan. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J , Li J , Huang X (2012) Versi Beijing bagi penilaian kognitif montreal sebagai alat saringan ringkas untuk gangguan kognitif ringan: Kajian berasaskan komuniti. BMC Psikiatri 12, 156. |
| [14] | Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) Pengesahan asas penilaian kognitif Montreal versi Cina untuk menyaring kemerosotan kognitif ringan. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N , Leach L , Murphy KJ (2018) Peperiksaan semula markah cutoff Montreal Cognitive Assessment (MoCA). Int J Geriatr Psikiatri 33, 379–388. |
| [16] | Persatuan Psikiatri Amerika (2013) Manual Diagnostik dan statistik gangguan mental Pasukan Petugas: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC. |
| [17] | Ular sawa. Yayasan Perisian Python, http://www.python.org, Diakses pada 15 November 2019. |
| [18] | Kumpulan Teras R, R: Bahasa dan persekitaran untuk pengkomputeran statistik R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/, 2018, Diakses pada 15 November 2019. |
| [19] | Benavoli A , Corani G , Demšar J , Zaffalon M (2017) Masa untuk perubahan: Tutorial untuk membandingkan berbilang pengelas melalui analisis Bayesian. J Mach Learn Res 18, 1–36. |
| [20] | Frank E , Hall MA , Witten IH (2016) The WEKA Workbench. Dalam Perlombongan Data: Alat dan Teknik Pembelajaran Mesin Praktikal, Frank E, Hall MA, Witten IH, Pal CJ, eds. Morgan Kaufmann https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf |
| [21] | Bergeron MF , Landset S , Maugans TA , Williams VB , Collins CL , Wasserman EB , Khoshgoftaar TM (2019) Pembelajaran mesin dalam pemodelan penyelesaian gejala gegaran sukan sekolah menengah. Latihan Sukan Med Sci 51, 1362–1371. |
| [22] | Van Hulse J , Khoshgoftaar TM , Napolitano A (2007) Perspektif eksperimen tentang pembelajaran daripada data yang tidak seimbang. Dalam Prosiding Persidangan Antarabangsa ke-24 mengenai Pembelajaran Mesin, Corvalis, Oregon, Amerika Syarikat, ms 935-942. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Penilaian pesakit Alzheimer dan keadaan mental mini: Analisis keluk ciri item.P. J Gerontol 44, 139–146. |
| [24] Ashford JW , Jarvik L (1985) Penyakit Alzheimer: Adakah keplastikan neuron terdedah kepada degenerasi neurofibrillary axonal? 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 , Gunter JL , Senjem ML , Rocca WA , Petersen RC (2019) Kelaziman entiti spektrum Alzheimer yang ditakrifkan secara biologi vs klinikal menggunakan Institut Kebangsaan mengenai Penuaan-Alzheimer Penyelidikan Persatuan rangka kerja. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X , Ashford JW (2019) Kemajuan dalam instrumen saringan untuk Penyakit Alzheimer. Aging Med 2, 88–93. | |
| [27] Weiner MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) The Kesihatan Otak Pendaftaran: Platform berasaskan internet untuk pengambilan, penilaian, dan pemantauan membujur peserta untuk kajian neurosains. Demen Alzheimer 14, 1063–1076. | |
| [28] Ashford JW , Schmitt FA (2001) Modeling the time-course of Alzheimer demensia. Rep Psikiatri Curr 3, 20–28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE): Protokol untuk kajian pemerhatian membujur Cina untuk membangunkan model ramalan risiko penukaran kepada kemerosotan kognitif ringan dalam individu dengan kognitif subjektif merosot. BMJ Terbuka 9, e028188. |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) Kebolehubahan perkembangan biomarker lima tahun untuk Demensia penyakit Alzheimer ramalan: Bolehkah aktiviti instrumental yang kompleks dalam penanda kehidupan harian mengisi jurang? Demen Alzheimer (Amst) 1, 521–532. | |
| [31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) Pencegahan dan rawatan penyakit Alzheimer: Mekanisme biologi senaman. J Alzheimers Dis 69, 311–338. | |
| [32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Terapi untuk pencegahan dan rawatan penyakit Alzheimer. Biomed Res Int 2016, 2589276. | |
| [33] | Lane CA , Barnes J , Nicholas JM , Sudre CH , Cash DM , Malone IB , Parker TD , Keshavan A , Buchanan SM , Keuss SE , James SN , Lu K , Murray-Smith H , Wong A , Gordon E , Coath W , Modat M , Thomas D , Richards M , Fox NC , Schott JM (2020) Persatuan antara risiko vaskular merentas dewasa dan patologi otak pada akhir hayat: Bukti daripada kohort kelahiran British. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) Pencegahan pemikiran demensia melebihi umur dan kotak amiloid. 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) Kesan tekanan darah sistolik pada integriti bahan putih pada orang dewasa muda dalam Kajian Jantung Framingham: Salib -kajian bahagian. Lancet Neurol 11, 1039–1047. |
| [36] Fink HA , Linskens EJ , Silverman PC , McCarten JR , Hemmy LS , Ouellette JM , Greer NL , Wilt TJ , Butler M (2020) Ketepatan ujian biomarker untuk ditakrifkan secara neuropatologi Penyakit Alzheimer pada orang dewasa yang lebih tua dengan demensia. Ann Intern Med 172, 669–677. |
Gabungan: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] Jabatan Komputer dan Kejuruteraan Elektrik dan Sains Komputer, Florida Atlantic University, Boca Raton, FL, Amerika Syarikat | [c] SJN Biomed LTD, Kunming, Yunnan, China | [d] Pusat untuk Penyelidikan Alzheimer, Institut Penyelidikan Klinikal Washington, Washington, DC, Amerika Syarikat | [e] Jabatan Perubatan Pemulihan, Hospital Gabungan Pertama Universiti Perubatan Kunming, Kunming, Yunnan, China | [f] Jabatan Neurologi, Hospital Rakyat Dehong, Dehong, Yunnan, China | [g] Jabatan Neurologi, Hospital Gabungan Pertama Universiti Perubatan Kunming, Daerah Wuhua, Kunming, Wilayah Yunnan, China | [h] Pusat Kajian Penyakit dan Kecederaan Berkaitan Perang, VA Palo Alto Penjagaan Kesihatan Sistem, Palo Alto, CA, Amerika Syarikat | [i] Jabatan Psikiatri & Sains Tingkah Laku, Sekolah Perubatan Universiti Stanford, Palo Alto, CA, Amerika Syarikat
Surat-menyurat: [*] Surat-menyurat kepada: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Kampus Inovasi Boca Raton, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, Amerika Syarikat. E-mel: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Jabatan Neurologi, Hospital Gabungan Pertama Universiti Perubatan Kunming, 295 Xichang Road, Daerah Wuhua, Kunming, Wilayah Yunnan 650032, China. E-mel: ring@vip.163.com.
Kata kunci: Penuaan, Penyakit Alzheimer, demensia, saringan massa