MemTrax နှင့် Machine Learning Modeling ၏ အသုံးဝင်ပုံများ
သုတေသနအပိုဒ်
ရေးသားသူများ: Bergeron, Michael F. | Landset, Sara | Zhou, Xianbo | Ding, Tao | Khoshgoftaar, Taghi M. | Zhao, Feng | ဒူဘို | Chen, Xinjie | Wang, Xuan | Zhong, Lianmei | Liu၊ Xiaolei| Ashford၊ J. Wesson
DOI: 10.3233/JAD-191340
Journal: ဂျာနယ် အယ်လ်ဇိုင်းမားရောဂါ, vol ။ 77 မရှိ။ 4, စစ။ 1545-1558, 2020
ြဒပ်မဲ့သော
နောက်ခံသမိုင်း:
ပျံ့နှံ့ဖြစ်ပွားမှုနှင့် အဖြစ်များ၏။ အယ်လ်ဇိုင်းမားရောဂါ နှင့် အပျော့စား သိမြင်မှုဆိုင်ရာ ချို့ယွင်းချက် (MCI) သည် စောစီးစွာ သိရှိနိုင်မှုအား သိမြင်မှု စိစစ်ခြင်းနှင့် အကဲဖြတ်ခြင်းအား အတည်ပြုရန် သုတေသနအတွက် အရေးတကြီး တောင်းဆိုခဲ့သည်။
Objective:
ကျွန်ုပ်တို့၏ အဓိက သုတေသန ရည်ရွယ်ချက်မှာ ရွေးချယ်ထားသော MemTrax စွမ်းဆောင်ရည် မက်ထရစ်များနှင့် သက်ဆိုင်ရာ လူဦးရေ အချိုးအစားနှင့် ကျန်းမာရေး ပရိုဖိုင် ဝိသေသလက္ခဏာများကို ခွဲခြားသိမြင်မှုဆိုင်ရာ ကျန်းမာရေး (ပုံမှန်နှင့် MCI) ကို အမျိုးအစားခွဲခြားရန် စက်သင်ယူမှုဖြင့် တီထွင်ထားသော ခန့်မှန်းမှုပုံစံများတွင် ထိရောက်စွာ အသုံးချနိုင်သည်ဆိုသည်ကို ဆုံးဖြတ်ရန်ဖြစ်သည်။ မွန်ထရီရယ် သိမြင်မှု အကဲဖြတ်ခြင်း။ (MoCA)။
နည်းလမ်းများ:
ကျွန်ုပ်တို့သည် အာရုံကြောဆိုင်ရာ၊ မှတ်ဉာဏ်ဆေးခန်းနှင့် အရွယ်ရောက်ပြီးသူ လူနာနှစ်ဦးထံမှ စုဆောင်းထားသော အတွင်းပိုင်းဆေးပညာ 259 ခုကို အပိုင်းဖြတ်ပိုင်းလေ့လာမှုတစ်ခု ပြုလုပ်ခဲ့သည်။ တရုတ်နိုင်ငံရှိ ဆေးရုံများ. လူနာတစ်ဦးစီအား တရုတ်ဘာသာစကား MoCA ပေးအပ်ပြီး စဉ်ဆက်မပြတ် အသိအမှတ်ပြု MemTrax အွန်လိုင်း အပိုင်းကို ကိုယ်တိုင် စီမံခန့်ခွဲခဲ့သည်။ အွန်လိုင်းမှတ်ဉာဏ်စမ်းသပ်မှု ထိုနေ့တွင် ကြိုတင်ခန့်မှန်းနိုင်သော အမျိုးအစားခွဲခြင်းမော်ဒယ်များကို 10-ဆ ဖြတ်ကျော်အတည်ပြုချက်ဖြင့် စက်သင်ယူမှုကို အသုံးပြု၍ တည်ဆောက်ထားပြီး မော်ဒယ်စွမ်းဆောင်ရည်ကို လက်ခံသူလည်ပတ်မှုဆိုင်ရာလက္ခဏာရပ်မျဉ်း (AUC) အောက်တွင် ဧရိယာကို အသုံးပြု၍ တိုင်းတာထားသည်။ မော်ဒယ်များကို MemTrax စွမ်းဆောင်ရည်မက်ထရစ်နှစ်ခု (ရာခိုင်နှုန်းမှန်ကန်မှု၊ တုံ့ပြန်မှုအချိန်) ကို အသုံးပြု၍ ဘုံလူဦးရေစာရင်းအင်းနှင့် ကိုယ်ရေးကိုယ်တာမှတ်တမ်းအင်္ဂါရပ်ရှစ်ခုတို့နှင့်အတူ တည်ဆောက်ထားသည်။
ရလဒ်များ:
MoCA ရမှတ်များနှင့် အဆင့်သတ်မှတ်ချက်များ ပေါင်းစပ်မှုများတွင် သင်ယူသူများကို နှိုင်းယှဉ်ကြည့်ပါက Naïve Bayes သည် ယေဘုယျအားဖြင့် 0.9093 ရှိသော အမျိုးအစားခွဲစွမ်းဆောင်ရည်ဖြင့် ထိပ်တန်း သင်ယူသူဖြစ်သည်။ ထို့အပြင်၊ ထိပ်တန်းသင်ယူသူ သုံးဦးတွင် MemTrax အခြေပြု အမျိုးအစားခွဲခြားခြင်း စွမ်းဆောင်ရည် အလုံးစုံသည် ထိပ်တန်းအဆင့် အင်္ဂါရပ်လေးခု (0.9119) ကို အသုံးပြု၍ ဘုံအင်္ဂါရပ် 10 ခု (0.8999) ကို အသုံးပြု၍ သာလွန်ပါသည်။
နိဂုံး:
MemTrax စွမ်းဆောင်ရည်ကို စက်သင်ယူမှု အမျိုးအစားခွဲခြားမှု ခန့်မှန်းမှုပုံစံတွင် ထိထိရောက်ရောက် အသုံးချနိုင်သည်။ အစောပိုင်းအဆင့် သိမြင်မှုဆိုင်ရာ ချို့ယွင်းချက်ကို သိရှိရန် စိစစ်ခြင်း အက်ပ်.
နိဒါန်း
အသိအမှတ်ပြုထားသော (ရောဂါအမည်မရသေးသော်လည်း) ကျယ်ပြန့်သောဖြစ်ပွားမှုနှင့် ပျံ့နှံ့မှု နှင့် အပြိုင် တိုးမြင့်လာသော ဆေးဘက်ဆိုင်ရာ၊ လူမှုရေး၊ ကျန်းမာခြင်း အယ်လ်ဇိုင်းမားရောဂါ (AD) ၏ ကုန်ကျစရိတ်နှင့် ဝန်ထုပ်ဝန်ပိုး နှင့် အပျော့စား သိမြင်မှု ချို့ယွင်းခြင်း (MCI) တို့သည် သက်ဆိုင်သူအားလုံးအတွက် ပိုမိုတင်းကျပ်လာပါသည်။ ဤစိတ်ဆင်းရဲစရာနှင့် ဓနရှင်ဆန်သော ဇာတ်လမ်းသည် အတည်ပြုရန် သုတေသနပြုရန် အရေးပေါ်တောင်းဆိုမှုကို လှုံ့ဆော်ခဲ့သည်။ စောစောစီးစီးရှာဖွေတွေ့ရှိ ကွဲပြားသော ဒေသများနှင့် လူဦးရေများတစ်လျှောက် သက်ကြီးလူနာများအတွက် တစ်ကိုယ်ရည်နှင့် ဆေးခန်းဆက်တင်များတွင် ပုံမှန်လက်တွေ့အသုံးချမှုအတွက် သိမြင်မှုဆိုင်ရာ စစ်ဆေးမှုနှင့် အကဲဖြတ်မှုတူရိယာများ။ ဤတူရိယာများသည် အချက်အလက်ဆိုင်ရာ ရလဒ်များကို အီလက်ထရွန်းနစ် ကျန်းမာရေးမှတ်တမ်းများအဖြစ် ချောမွေ့စွာ ဘာသာပြန်ဆိုပေးရပါမည်။ သိသာထင်ရှားသော အပြောင်းအလဲများကို စောစီးစွာသိရှိနိုင်ရန် လူနာများအား အသိပေးခြင်းနှင့် သမားတော်များအား ကူညီပေးခြင်းဖြင့် အကျိုးကျေးဇူးများကို သိရှိနိုင်မည်ဖြစ်ပြီး ယင်းကြောင့် စတင်ခံစားရသူများအတွက် သင့်လျော်သော တစ်ဦးချင်းစီအလိုက် ကုန်ကျစရိတ်သက်သာသော ကုသမှုနှင့် လူနာပြုစုစောင့်ရှောက်မှုတို့ကို ပိုမိုလျင်မြန်ပြီး အချိန်နှင့်တစ်ပြေးညီ ခွဲခြားသတ်မှတ်ခြင်း၊ အကောင်အထည်ဖော်ခြင်းနှင့် ခြေရာခံခြင်းတို့ကို လုပ်ဆောင်နိုင်မည်ဖြစ်သည်။ သိမြင်မှုကျဆင်းခြင်း [၃၊ ၄]။
ကွန်ပျူတာဖြင့်ပြုလုပ်ထားသော MemTrax ကိရိယာ (https://memtrax.com) သည် သုံးစွဲသူသည် ထပ်ခါတလဲလဲ ရုပ်ပုံများကို တုံ့ပြန်ပြီး ကနဦးတင်ဆက်မှုတစ်ခုအား မတုံ့ပြန်သည့် စိန်ခေါ်မှုအချိန်အလိုက် အပိုင်းပိုင်းမှတ်ဉာဏ်စွမ်းဆောင်ရည်ကို တိုင်းတာရန်အတွက် အွန်လိုင်းတွင် ကိုယ်တိုင်စီမံခန့်ခွဲနိုင်သော ရိုးရှင်းပြီး အတိုချုံးသော အသိအမှတ်ပြုမှု အကဲဖြတ်မှုတစ်ခုဖြစ်သည်။ မကြာသေးမီက သုတေသနနှင့် ရလဒ်လက်တွေ့ သက်ရောက်မှုများသည် အစောပိုင်း အေဒီနှင့် MCI စစ်ဆေးမှု [5–6] တွင် MemTrax ၏ လက်တွေ့ထိရောက်မှုကို အဆင့်ဆင့်နှင့် စုပေါင်းသရုပ်ပြရန် စတင်လာသည်။ သို့သော်၊ ရှိနှင့်ပြီးသားလက်တွေ့အသုံးဝင်မှုကိုတိုက်ရိုက်နှိုင်းယှဉ် သိမှုဆိုင်ရာကျန်းမာရေး အကဲဖြတ်ခြင်းနှင့် သမားရိုးကျစံချိန်စံညွှန်းများသည် ပရော်ဖက်ရှင်နယ်အမြင်ကို အသိပေးရန်နှင့် စောစီးစွာရှာဖွေတွေ့ရှိခြင်းနှင့် ရောဂါရှာဖွေရေးဆိုင်ရာ ပံ့ပိုးမှုတွင် MemTrax utility ကို အတည်ပြုရန် အာမခံပါသည်။ van der Hoek et al ။ [8] ရွေးချယ်ထားသော MemTrax စွမ်းဆောင်ရည်မက်ထရစ်များ (တုံ့ပြန်မှုအမြန်နှုန်းနှင့် ရာခိုင်နှုန်းမှန်ကန်မှု) ကို Montreal မှ ဆုံးဖြတ်ထားသည့် သိမြင်မှုအခြေအနေနှင့် နှိုင်းယှဉ်ပါ သိမှုအကဲဖြတ်ခြင်း။ (MoCA)။ သို့သော်၊ ဤလေ့လာမှုသည် သိမြင်မှုအခြေအနေ (MoCA မှသတ်မှတ်ထားသည့်အတိုင်း) နှင့် ဆက်စပ်သော အပိုင်းအခြားများနှင့် ဖြတ်တောက်မှုတန်ဖိုးများကို သတ်မှတ်ခြင်းတို့ဖြင့် ဤစွမ်းဆောင်ရည်မက်ထရစ်များကို ချိတ်ဆက်ရန် ကန့်သတ်ထားသည်။ ထို့ကြောင့်၊ ဤစုံစမ်းစစ်ဆေးမှုအပေါ် ချဲ့ထွင်ပြီး အမျိုးအစားခွဲခြင်းဆိုင်ရာ စွမ်းဆောင်ရည်နှင့် ထိရောက်မှုကို မြှင့်တင်ရန် ကျွန်ုပ်တို့၏ အဓိက သုတေသနမေးခွန်းမှာ-
- တစ်ဦးချင်းစီ၏ ရွေးချယ်ထားသော MemTrax စွမ်းဆောင်ရည် မက်ထရစ်များနှင့် သက်ဆိုင်ရာ လူဦးရေစာရင်းနှင့် ကျန်းမာရေးတို့ကို ဆောင်ရွက်နိုင်ပါသလား။ ပရိုဖိုင်းကို တစ်ဦး၏ MoCA ရမှတ်ဖြင့် ညွှန်ပြထားသည့်အတိုင်း သိမြင်မှုကျန်းမာရေးကို dichotomously (ပုံမှန်နှင့် MCI) ခွဲခြားသတ်မှတ်ရန် စက်သင်ယူမှုဖြင့် တီထွင်ထားသော ခန့်မှန်းမှုပုံစံတွင် လက္ခဏာများကို ထိထိရောက်ရောက် အသုံးချနိုင်ပါသလား။
ဤအရာ၏နောက်ထပ်၊ ကျွန်ုပ်တို့သိချင်သည်-
- တူညီသောအင်္ဂါရပ်များအပါအဝင် MemTrax စွမ်းဆောင်ရည်အခြေပြု စက်သင်ယူမှုပုံစံကို ရွေးချယ်ထားသော မှတ်ဥာဏ်ချို့ယွင်းမှုအမျိုးအစားများအတွင်း ပြင်းထန်မှု (အပျော့စားနှင့် ပြင်းထန်မှု) ကို ခန့်မှန်းရန် လူနာတစ်ဦးထံ ထိထိရောက်ရောက် အသုံးချနိုင်မလား။
စမ်းသပ်ခြင်း/ထောက်လှမ်းခြင်းတွင် ဉာဏ်ရည်တုနှင့် စက်သင်ယူခြင်းဆိုင်ရာ လက်တွေ့အသုံးချမှု ထွန်းကားလာခြင်းနှင့် တိုးတက်နေသော လက်တွေ့ကျသော အသုံးချမှုသည် ကွဲပြားသော လက်တွေ့ကျသော အကျိုးကျေးဇူးများကို ပြသခဲ့ပြီး၊ ကြိုတင်ခန့်မှန်းမှုပုံစံဖြင့် ဆေးခန်းများကို စိန်ခေါ်မှုအကဲဖြတ်ခြင်း/ဦးနှောက်ကျန်းမာရေးနှင့် လူနာစီမံခန့်ခွဲမှုတွင် ထိထိရောက်ရောက် လမ်းညွှန်ပြသခဲ့သည်။ ကျွန်ုပ်တို့၏လေ့လာမှုတွင်၊ ကျွန်ုပ်တို့သည် တရုတ်နိုင်ငံရှိ ဆေးရုံနှစ်ရုံမှ စေတနာ့ဝန်ထမ်းလူနာများနှင့် ပြင်ပလူနာများကို ကိုယ်စားပြုသည့် ဒေတာအတွဲသုံးခုမှ အတည်ပြုထားသည့် ဒေတာအတွဲသုံးခုမှ အတည်ပြုထားသည့် MCI အမျိုးအစားခွဲခြားမှုပုံစံနှင့် သိမြင်နိုင်စွမ်းချို့ယွင်းမှု ပြင်းထန်မှု ခွဲခြားဆက်ဆံမှုတို့တွင် အလားတူချဉ်းကပ်နည်းကို ရွေးချယ်ခဲ့သည်။ စက်သင်ယူမှု ခန့်မှန်းမှုပုံစံကို အသုံးပြု၍ အမျိုးမျိုးသော ဒေတာအတွဲ/လေ့လာသူ ပေါင်းစပ်မှုများမှ ထိပ်တန်းစွမ်းဆောင်ရည်ရှိသော သင်ယူသူများကို ခွဲခြားသတ်မှတ်ကာ လက်တွေ့အကျဆုံး လက်တွေ့စံပြအသုံးချပရိုဂရမ်များကို သတ်မှတ်ရာတွင် ကျွန်ုပ်တို့ကို လမ်းညွှန်ရန် အင်္ဂါရပ်များကို အဆင့်သတ်မှတ်ထားသည်။
MoCA စုစုပေါင်းရမှတ် သတ်မှတ်ချက်စံနှုန်းအပေါ် အခြေခံ၍ သိမြင်မှုကျန်းမာရေးကို Dichotomously (ပုံမှန် သို့မဟုတ် MCI) ခွဲခြားသတ်မှတ်ရန် တရားဝင်သော MemTrax-based မော်ဒယ်ကို အသုံးချနိုင်သည်ဟု ကျွန်ုပ်တို့ယူဆချက်များနှင့် အလားတူ MemTrax ကြိုတင်ခန့်မှန်းမှုပုံစံကို ရွေးချယ်ထားသော အမျိုးအစားများတွင် ပြင်းထန်မှုအား ခွဲခြားဆက်ဆံရာတွင် ထိရောက်စွာအသုံးချနိုင်သည် ဆေးခန်းတွင် ရောဂါအမည်တပ်ထားသည်။ သိမြင်မှုချို့ယွင်း. မျှော်လင့်ထားသော ရလဒ်များကို သရုပ်ပြခြင်းသည် MemTrax ၏ သိမြင်မှု ကျဆင်းမှုနှင့် သိမြင်မှု ချို့ယွင်းမှု အမျိုးအစားခွဲခြင်းအတွက် အစောပိုင်းသိရှိမှု မျက်နှာပြင်တစ်ခုအဖြစ် MemTrax ၏ ထိရောက်မှုကို ပံ့ပိုးပေးရာတွင် အရေးကြီးပါသည်။ ပိုမိုလွယ်ကူမြန်ဆန်သော အသုံးဝင်မှုဖြင့် ဖြည့်စွက်ထားသော လုပ်ငန်းခွင်စံနှုန်းနှင့် ကိုက်ညီသော နှိုင်းယှဉ်မှုသည် ဤရိုးရှင်းသော၊ ယုံကြည်စိတ်ချရသော၊ လက်လှမ်းမီနိုင်သော ကိရိယာကို စောစီးစွာ (prodromal) အဆင့် သိမြင်မှုဆိုင်ရာ ချို့ယွင်းချက်များကို ရှာဖွေရာတွင် ကနဦးစခရင်တစ်ခုအဖြစ် ဆေးခန်းများအား ကူညီပေးရာတွင် သြဇာညောင်းမည်ဖြစ်ပါသည်။ ထိုသို့သောချဉ်းကပ်မှုနှင့် အသုံးဝင်မှုသည် အချိန်မီနှင့် ပိုမိုကောင်းမွန်သော အစီအစဥ်ရှိသော လူနာစောင့်ရှောက်မှုနှင့် ကြားဝင်ဆောင်ရွက်ပေးမှုကို လှုံ့ဆော်ပေးနိုင်သည်။ ဤကြိုတင်တွေးခေါ်မှုဆိုင်ရာ ထိုးထွင်းသိမြင်မှုများနှင့် မြှင့်တင်ထားသော မက်ထရစ်များနှင့် မော်ဒယ်များသည် AD နှင့် AD-ဆက်စပ်သော မေ့လျော့ခြင်း (ADRD) အပါအဝင် စိတ်ကျရောဂါဖြစ်ပွားမှုကို လျော့ပါးစေရန် သို့မဟုတ် ရပ်တန့်ရာတွင်လည်း အထောက်အကူဖြစ်နိုင်သည်။
ကုန်ကြမ်းနှင့်နည်းစနစ်များ
လေ့လာမှုလူဦးရေ
2018 ခုနှစ် ဇန်နဝါရီလ မှ 2019 ခုနှစ် သြဂုတ်လအတွင်း တရုတ်နိုင်ငံရှိ ဆေးရုံနှစ်ရုံမှ ခေါ်ယူထားသော လူနာများအား အပိုင်းပိုင်းခွဲ၍ သုတေသနပြုခဲ့ပါသည်။ MemTrax [5] ၏ စီမံအုပ်ချုပ်မှုအား အသက် 21 နှစ်နှင့်အထက် လူတစ်ဦးချင်းထံသို့ လည်းကောင်း၊ ထိုအချက်အလက်များ၏ စုစည်းမှုနှင့် ခွဲခြမ်းစိတ်ဖြာမှုများကို ကျင့်ဝတ်ဆိုင်ရာ စံနှုန်းများနှင့်အညီ စိစစ်အတည်ပြုပြီး စီမံဆောင်ရွက်ခဲ့ပါသည်။ လူ့ စတန်းဖို့ဒ်တက္ကသိုလ်၏ ဘာသာရပ်ကာကွယ်ရေးကော်မတီ။ MemTrax နှင့် ဤအလုံးစုံလေ့လာမှုအတွက် အခြားစမ်းသပ်မှုအားလုံးကို 1975 ခုနှစ် Helsinki ကြေငြာချက်အရ လုပ်ဆောင်ခဲ့ပြီး တရုတ်နိုင်ငံ၊ ယူနန်ပြည်နယ်၊ ကူမင်းမြို့ရှိ ကူမင်းဆေးတက္ကသိုလ်၏ ပထမဆုံးတွဲဖက်ဆေးရုံ၏ Institutional Review Board မှ အတည်ပြုခဲ့သည်။ အသုံးပြုသူတစ်ဦးစီကို ပေးထားသည်။ အကြောင်းကြားခွင့်ပြုချက် ဖောင်ကို ဖတ်/သုံးသပ်ရန်၊ ထို့နောက် စိတ်ဆန္ဒအလျောက် ပါဝင်ရန် သဘောတူသည်။
ပါဝင်သူများကို Yanhua ဆေးရုံ (YH sub-dataset) ရှိ အာရုံကြောဆိုင်ရာ ဆေးခန်းရှိ ပြင်ပလူနာရေကန်မှ ခေါ်ယူခဲ့ပြီး၊ ကူမင်းဆေးဘက်ဆိုင်ရာ First Affiliated Hospital တွင် မှတ်ဉာဏ်ဆေးခန်း တရုတ်နိုင်ငံ၊ ပေကျင်းရှိ တက္ကသိုလ် (XL ဒေတာစုခွဲ)။ ပါဝင်သူများကို ကူမင်းဆေးတက္ကသိုလ်၏ First Affiliated Hospital (XL sub-dataset) နှင့် အတွင်းပိုင်းဆေးပညာ (KM sub-dataset) အတွင်းလူနာများအား ခေါ်ယူခဲ့ပါသည်။ ပါဝင်မှု စံနှုန်းများတွင် ၁) အသက် ၂၁ နှစ် အနည်းဆုံး အမျိုးသား၊ အမျိုးသမီး၊ ၂) တရုတ် (မန်ဒရင်) ပြောဆိုနိုင်မှု၊ ၃) နှုတ်နှင့် စာဖြင့် လမ်းညွှန်ချက်များကို နားလည်နိုင်မှုတို့ ပါဝင်ပါသည်။ ချန်လှပ်ထားသော စံနှုန်းများသည် ပါဝင်သူများကို ပြီးမြောက်ခြင်းမှ တားဆီးထားသော အမြင်အာရုံနှင့် မော်တာချို့ယွင်းချက်များ ဖြစ်သည်။ MemTrax စမ်းသပ်မှုတိကျသော စမ်းသပ်မှု ညွှန်ကြားချက်များကို နားမလည်နိုင်သည့်အပြင်၊
MemTrax ၏ တရုတ်ဗားရှင်း
အဆိုပါအွန်လိုင်း MemTrax စမ်းသပ်မှု ပလပ်ဖောင်းကို ဘာသာပြန်ခဲ့သည်။ တရုတ်ဘာသာသို့ (URL: https://www.memtrax.com.cn) နှင့် WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) မှတဆင့် အသုံးချရန် နောက်ထပ် လိုက်လျောညီထွေဖြစ်အောင် ပြုပြင်ထားပါသည်။ ဒေတာများကို တရုတ်နိုင်ငံရှိ cloud server (Ali Cloud) တွင် သိမ်းဆည်းထားပြီး SJN Biomed LTD (Kunming, Yunnan, China) မှ Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, China) မှ လိုင်စင်ရထားသည်။ ဤနေရာတွင်အသုံးပြုထားသော MemTrax နှင့် စမ်းသပ်မှုဆိုင်ရာ တရားဝင်သတ်မှတ်ချက်ဆိုင်ရာ သီးခြားအသေးစိတ်အချက်အလက်များကို ယခင်က [6] တွင် ဖော်ပြထားပါသည်။ စစ်ဆေးမှုအား လူနာများအား အခကြေးငွေ မယူဘဲ ဆောင်ရွက်ပေးခဲ့ပါသည်။
လေ့လာမှုလုပ်ထုံးလုပ်နည်းများ
အတွင်းလူနာနှင့် ပြင်ပလူနာများအတွက် အသက်၊ လိင်၊ ပညာရေး၊ နှစ်၊ အလုပ်အကိုင်စသည့် လူဦးရေစာရင်းနှင့် ကိုယ်ရေးကိုယ်တာ အချက်အလက်များကို စုဆောင်းရန်အတွက် အထွေထွေမေးခွန်းလွှာ၊ တစ်ဦးတည်းနေထိုင်နေ သို့မဟုတ် မိသားစုနှင့်အတူ၊ ဆေးမှတ်တမ်းကို လေ့လာမှုအဖွဲ့မှ အဖွဲ့ဝင်တစ်ဦးက စီမံခန့်ခွဲသည်။ မေးခွန်းလွှာပြီးဆုံးပြီးနောက်၊ MoCA [12] နှင့် MemTrax စစ်ဆေးမှုများ (MoCA ပထမပိုင်း) ကို စမ်းသပ်မှုကြားတွင် မိနစ် 20 ထက်မပိုဘဲ စီမံဆောင်ရွက်ခဲ့ပါသည်။ MemTrax ရာခိုင်နှုန်းမှန်ကန်မှု (MTx-%C)၊ ပျမ်းမျှတုံ့ပြန်ချိန် (MTx-RT) နှင့် စမ်းသပ်မှု၏ ရက်စွဲနှင့် အချိန်တို့ကို ပါဝင်သူတိုင်းအတွက် လေ့လာမှုအဖွဲ့အဖွဲ့ဝင်တစ်ဦးမှ စာရွက်ပေါ်တွင် မှတ်တမ်းတင်ထားသည်။ ပြီးပြည့်စုံသောမေးခွန်းလွှာနှင့် MoCA ၏ရလဒ်များကို Excel ဖိုင်များကို ခွဲခြမ်းစိတ်ဖြာမှုများအတွက် သိမ်းဆည်းခြင်းမပြုမီ လုပ်ဖော်ကိုင်ဖက်တစ်ဦးမှ စစ်ဆေးမှုများကို စီမံခန့်ခွဲပြီး လုပ်ဖော်ကိုင်ဖက်တစ်ဦးမှ စစ်ဆေးသော သုတေသီမှ Excel စာရင်းဇယားသို့ အပ်လုဒ်တင်ခဲ့ပါသည်။
MemTrax စမ်းသပ်မှု
MemTrax အွန်လိုင်းစမ်းသပ်မှုတွင် ပုံ 50 (ထူးခြားသော 25 ပုံနှင့် ထပ်ခါတလဲလဲ 25 ကြိမ်၊ ဘုံမြင်ကွင်းများ သို့မဟုတ် အရာဝတ္ထု 5 စုံ၏ ပုံ 5 စုံ) ပါ၀င်သည် ။ ပါဝင်သူသည် စမ်းသပ်မှုစတင်ရန် စခရင်ပေါ်ရှိ Start ခလုတ်ကို ထိပြီး ပုံစီးရီးကို စတင်ကြည့်ရှုပြီး ထပ်ခါတလဲလဲ ပုံပေါ်လာတိုင်း ဖန်သားပြင်ပေါ်ရှိ ပုံကို တတ်နိုင်သမျှ မြန်မြန် ထပ်မံထိပါ။ ပုံတစ်ပုံချင်းစီသည် 3 စက္ကန့်ကြာ သို့မဟုတ် စခရင်ပေါ်ရှိပုံကို မထိမချင်း ပေါ်လာပြီး နောက်တစ်ပုံ၏ချက်ချင်းတင်ပြမှုကို လှုံ့ဆော်ပေးပါသည်။ စက်၏အတွင်းပိုင်းနာရီကိုအသုံးပြု၍ ပုံတစ်ပုံချင်းစီအတွက် MTx-RT ကို ပုံ၏တင်ပြမှုမှစခရင်ကို ထိမိသည့်အချိန်အထိ ပုံတစ်ပုံချင်းစီကို ပြသထားပြီးဖြစ်ကြောင်း အသိအမှတ်ပြုမှုကို တုံ့ပြန်သည့်အနေဖြင့် ပါဝင်သူမှ စခရင်ကိုထိလိုက်သည့်အခါအထိ ဆုံးဖြတ်ပေးပါသည်။ စာမေးပွဲကာလအတွင်း။ ပုံတိုင်းအတွက် MTx-RT ကို တုံ့ပြန်ခြင်းမရှိကြောင်း 3 s အပြည့်ဖြင့် မှတ်တမ်းတင်ထားသည်။ MTx-%C ကို အသုံးပြုသူ မှန်ကန်စွာ တုံ့ပြန်သည့် အထပ်ထပ်နှင့် ကနဦးပုံများ၏ ရာခိုင်နှုန်းကို ညွှန်ပြရန် တွက်ချက်ထားသည် (အစစ်အမှန် အပြုသဘော + အနုတ် 50 ဖြင့် ပိုင်းခြားထားသည်)။ MemTrax စီမံအုပ်ချုပ်မှုနှင့် အကောင်အထည်ဖော်မှု၊ ဒေတာလျှော့ချမှု၊ မမှန်ကန်သော သို့မဟုတ် “တုံ့ပြန်မှုမရှိ” ဒေတာနှင့် အဓိကဒေတာခွဲခြမ်းစိတ်ဖြာမှုများကို အခြားနေရာတွင် ဖော်ပြထားပါသည်။ [6]
MemTrax စစ်ဆေးမှုအား အသေးစိတ်ရှင်းပြထားပြီး အလေ့အကျင့်စမ်းသပ်မှုတစ်ခု (စမ်းသပ်မှုရလဒ်များကို မှတ်တမ်းတင်ရန်အတွက် အသုံးပြုထားသည့် အခြားထူးခြားသောပုံများနှင့်အတူ) ဆေးရုံဆက်တင်တွင် ပါဝင်သူများအား ပံ့ပိုးပေးခဲ့ပါသည်။ YH နှင့် KM ဒေတာအတွဲခွဲများတွင် ပါဝင်သူများသည် WeChat တွင် အပလီကေးရှင်းဖြင့် တင်ထားသည့် စမတ်ဖုန်းတွင် MemTrax စမ်းသပ်မှုကို ခံယူခဲ့ကြသည်။ XL ဒေတာခွဲခွဲလူနာများသည် အရေအတွက်အကန့်အသတ်ဖြင့် iPad ကို အသုံးပြုကြပြီး ကျန်သူများသည် စမတ်ဖုန်းကို အသုံးပြုကြသည်။ ပါဝင်သူအားလုံးသည် MemTrax စမ်းသပ်မှုကို လေ့လာမှု စုံစမ်းစစ်ဆေးသူမှ မသိမသာ စောင့်ကြည့်နေပါသည်။
မွန်ထရီရယ် သိမြင်မှု အကဲဖြတ်ခြင်း။
တရုတ် MoCA (MoCA-BC) [13] ၏ ပေကျင်းဗားရှင်း [XNUMX] ကို တရားဝင် စမ်းသပ်မှု ညွှန်ကြားချက်များနှင့်အညီ လေ့ကျင့်သင်ကြားထားသော သုတေသီများက အမှတ်ပေးထားသည်။ သင့်လျော်စွာ၊ MoCA-BC သည် ယုံကြည်စိတ်ချရသူတစ်ဦးဖြစ်ကြောင်း ပြသထားသည်။ သိမြင်မှုများအတွက်စမ်းသပ်မှု တရုတ် သက်ကြီးရွယ်အို အရွယ်ရောက်ပြီးသူများ၏ ပညာရေးအဆင့်အားလုံးတွင် စစ်ဆေးမှု။ စမ်းသပ်မှုတစ်ခုစီသည် သက်ဆိုင်ရာပါဝင်သူ၏ သိမြင်နိုင်စွမ်းအပေါ်အခြေခံ၍ စီမံရန် 14 မိနစ်မှ 10 မိနစ်ခန့်ကြာသည်။
MoCA အမျိုးအစားခွဲခြားမှုပုံစံ
MemTrax နှစ်ခုအပါအဝင် စုစုပေါင်းအသုံးပြုနိုင်သည့် အင်္ဂါရပ် ၂၉ ခုရှိသည်။ လူဦးရေစာရင်းနှင့် ကျန်းမာရေးနှင့် သက်ဆိုင်သော စွမ်းဆောင်ရည် မက်ထရစ်များနှင့် အင်္ဂါရပ် ၂၇ ခုကို စမ်းသပ်ပါ။ ပါဝင်သူတိုင်းအတွက် အချက်အလက်။ လူနာတစ်ဦးစီ၏ MoCA စုစုပေါင်းစစ်ဆေးမှုရမှတ်ကို အသုံးပြုသည်။ သိမြင်မှုစိစစ်ခြင်း။ ကျွန်ုပ်တို့၏ ကြိုတင်ခန့်မှန်းမှုပုံစံများကို လေ့ကျင့်ရန် "စံသတ်မှတ်ချက်"။ ထို့ကြောင့်၊ အတန်းတံဆိပ်ကိုဖန်တီးရန် MoCA ကိုအသုံးပြုထားသောကြောင့်၊ စုစုပေါင်းရမှတ် (သို့မဟုတ် MoCA အမျိုးအစားခွဲရမှတ်များ) ကို သီးခြားအင်္ဂါရပ်အဖြစ် အသုံးပြု၍မရပါ။ ကျွန်ုပ်တို့သည် မူလဆေးရုံ/ဆေးခန်းခွဲ (များ) ဒေတာအတွဲသုံးခုကို တစ်ဦးချင်းအလိုက် (MoCA မှသတ်မှတ်ထားသော သိမြင်မှုကျန်းမာရေးကို အမျိုးအစားခွဲခြင်း) စံနမူနာပြုထားသည့် ပဏာမစမ်းသပ်မှုများကို လုပ်ဆောင်ခဲ့ပြီး အင်္ဂါရပ်အားလုံးကို အသုံးပြုကာ ပေါင်းစပ်ထားသည်။ သို့ရာတွင်၊ ဒေတာအတွဲသုံးခုကို ကိုယ်စားပြုသည့် ဆေးခန်းလေးခုမှ တစ်ခုစီတွင် တူညီသောဒေတာဒြပ်စင်အားလုံးကို စုဆောင်းမထားပါ။ ထို့ကြောင့်၊ ပေါင်းစပ်ဒေတာအတွဲရှိ ကျွန်ုပ်တို့၏အင်္ဂါရပ်အများအပြား (အင်္ဂါရပ်အားလုံးကို အသုံးပြုသည့်အခါ) ပျောက်ဆုံးနေသောတန်ဖိုးများ မြင့်မားစွာဖြစ်ပေါ်နေပါသည်။ ထို့နောက် ကျွန်ုပ်တို့သည် အမျိုးအစားခွဲခြားခြင်းစွမ်းဆောင်ရည်ကို မြှင့်တင်ပေးသည့် ဘုံအင်္ဂါရပ်များကိုသာ အသုံးပြုကာ ပေါင်းစပ်ဒေတာအတွဲဖြင့် မော်ဒယ်များကို တည်ဆောက်ခဲ့သည်။ လူနာဒေတာအတွဲ သုံးခုကို ပေါင်းစပ်ပြီး ပျောက်ဆုံးနေသောတန်ဖိုးများ မတန်တဆအဖြစ်များနေသည့် အင်္ဂါရပ်များ (ပေါင်းစပ်ဒေတာအတွဲ၊ အလုပ်အမျိုးအစားတွင် အင်္ဂါရပ်တစ်ခုသာရှိခြင်း၊ လွဲမှားနေသောတန်ဖိုးများ သက်ရောက်မှုရှိခြင်း၊ လူနာ သာဓက သုံးခုသာ)၊ ဆိုက် သုံးခုလုံးတွင် မှတ်တမ်းတင်ထားသော ဘုံအင်္ဂါရပ်များသာ ပါဝင်သောကြောင့် ဖြစ်သည်။ ထူးခြားသည်မှာ၊ ကျွန်ုပ်တို့တွင် နောက်ဆုံးတွင် ပေါင်းစပ်ဒေတာအတွဲတွင် မပါဝင်သည့် အင်္ဂါရပ်တစ်ခုစီအတွက် သီးခြားငြင်းဆိုမှုစံနှုန်းတစ်ခု မရှိပါ။ သို့သော်လည်း ကျွန်ုပ်တို့၏ ပဏာမပေါင်းစပ်ဒေတာအတွဲပုံစံတွင်၊ သီးခြားလူနာခွဲဒေတာအတွဲသုံးခုစီမှ အင်္ဂါရပ်အားလုံးကို ဦးစွာအသုံးပြုပါသည်။ ၎င်းသည် ဒေတာအတွဲတစ်ခုချင်းစီ၏ ကနဦးပဏာမပုံစံထုတ်ခြင်းထက် အတိုင်းအတာတစ်ခုအထိ နိမ့်ကျနေသော မော်ဒယ်စွမ်းဆောင်ရည်ကို ကျယ်ပြန့်စွာဖြစ်ပေါ်စေသည်။ ထို့အပြင်၊ အင်္ဂါရပ်များအားလုံးကို အသုံးပြု၍ တည်ဆောက်ထားသော မော်ဒယ်များ၏ အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်သည် အားတက်ဖွယ်ဖြစ်နေသော်လည်း၊ သင်ယူသူအားလုံးနှင့် အမျိုးအစားခွဲခြားမှုအစီအစဉ်များတွင် ဘုံအင်္ဂါရပ်များကိုသာ အသုံးပြုသည့်အခါ မော်ဒယ်များ၏ စွမ်းဆောင်ရည် နှစ်ဆတိုးမြင့်လာသည်။ အမှန်တော့၊ ကျွန်ုပ်တို့၏ ထိပ်တန်း သင်ယူသူများ ဖြစ်ခဲ့ကြသည့်အရာများထဲတွင် သာမန်မဟုတ်သော အင်္ဂါရပ်များကို ဖယ်ရှားလိုက်သောအခါ မော်ဒယ်တစ်ခုမှလွဲ၍ အားလုံး တိုးတက်ကောင်းမွန်လာပါသည်။
နောက်ဆုံးစုပေါင်းဒေတာအတွဲ (YH၊ XL၊ နှင့် KM ပေါင်းစပ်ထားသည်) တွင် MemTrax နှင့် MoCA စမ်းသပ်မှုနှစ်ခုစလုံးကိုဖြေဆိုခဲ့သည့် ပြိုင်ဘက်ကင်းပါဝင်သူတစ်ဦးကို ကိုယ်စားပြုသည့် ဖြစ်ရပ်ပေါင်း 259 ခု ပါဝင်ပါသည်။ မျှဝေထားသော သီးခြား သီးခြားအင်္ဂါရပ် 10 ခု ရှိသည်- MemTrax စွမ်းဆောင်ရည် မက်ထရစ်များ- MTx-%C နှင့် ဆိုလိုသည်မှာ MTx-RT; လူဦးရေစာရင်းနှင့် ဆေးဘက်ဆိုင်ရာ မှတ်တမ်း အချက်အလက်- အသက်၊ လိင်၊ ပညာရေး နှစ်များ၊ အလုပ်အမျိုးအစား (ကော်လာအပြာ/အဖြူရောင်ကော်လာ)၊ လူမှုရေး ပံ့ပိုးကူညီမှု (စာမေးပွဲဖြေဆိုသူ တစ်ဦးတည်း သို့မဟုတ် မိသားစုနှင့်အတူ နေထိုင်သည်ဖြစ်စေ) နှင့် အသုံးပြုသူ ရှိ/မရှိနှင့် ပတ်သက်၍ ဟုတ်/မဟုတ် အဖြေများ ဆီးချိုရောဂါ၊ သွေးပေါင်ချိန်လွန်ကဲခြင်း သို့မဟုတ် ဦးနှောက်ထိခိုက်ဒဏ်ရာရရှိမှုမှတ်တမ်း။ ပညာရေးနှစ်ပေါင်းများစွာအတွက် ချိန်ညှိထားသော MoCA စုစုပေါင်းရမှတ် နှင့် MoCA စုစည်းမှုရမှတ်နှစ်ခု [12] ကို မှီခိုနေသော အမျိုးအစားခွဲခြားမှု အညွှန်းများကို ဖော်ထုတ်ရန်အတွက် သီးခြားအသုံးပြုထားသောကြောင့် ကျွန်ုပ်တို့၏ပေါင်းစပ်ဒေတာအတွဲတွင် ကွဲပြားသော မော်ဒယ်လ်အစီအစဉ်နှစ်ခုကို ဖန်တီးပေးပါသည်။ MoCA ရမှတ်၏ ဗားရှင်းတစ်ခုစီတွင် (ချိန်ညှိပြီး ချိန်ညှိထားခြင်းမရှိသော) ဒေတာအား ကွဲပြားသောစံနှုန်းသတ်မှတ်ချက်နှစ်ခု—အစပိုင်းတွင် အကြံပြုထားသည့် [12] နှင့် အခြားသူများအသုံးပြုပြီး မြှင့်တင်ထားသော အလှည့်ကျတန်ဖိုးတစ်ခု [8, 15] ကို အသုံးပြု၍ ဒွိအမျိုးအစားခွဲခြားခြင်းအတွက် သီးခြားပုံစံပြုလုပ်ထားပါသည်။ အလှည့်ကျ သတ်မှတ်အဆင့် အမျိုးအစားခွဲခြင်းအစီအစဉ်တွင်၊ MoCA စစ်ဆေးမှုတွင် s/23 ရမှတ် ≥22 မှတ်နှင့် ရမှတ် 26 သို့မဟုတ် အောက်ဖြစ်ပါက လူနာတစ်ဦးသည် ပုံမှန်သိမြင်မှုဆိုင်ရာကျန်းမာရေးရှိသည်ဟု ယူဆပါသည်။ ကနဦး အကြံပြုထားသော အမျိုးအစားခွဲခြားမှုပုံစံတွင်၊ လူနာသည် ပုံမှန်သိမြင်နိုင်စွမ်းရှိခြင်းဟု တံဆိပ်ကပ်ရန် MoCA တွင် XNUMX သို့မဟုတ် ပိုကောင်းအောင် ရမှတ်ရမည်ဖြစ်သည်။
MoCA အမျိုးအစားခွဲခြားမှုပုံစံအတွက် စစ်ထုတ်ထားသောဒေတာ
ကျွန်ုပ်တို့သည် အသုံးများသော အင်္ဂါရပ်အဆင့်သတ်မှတ်ခြင်းနည်းစနစ်လေးခုကို အသုံးပြု၍ MoCA အမျိုးအစားခွဲခြားမှုကို ထပ်မံစစ်ဆေးခဲ့သည်- Chi-Squared၊ Gain Ratio၊ Information Gain နှင့် Symmetrical Uncertainty။ ကြားဖြတ်အမြင်အတွက်၊ ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏ မော်ဒယ်လ်ပုံစံ အစီအစဉ်လေးခုစီကို အသုံးပြု၍ ပေါင်းစပ်ဒေတာအတွဲတစ်ခုလုံးတွင် အဆင့်သတ်မှတ်သူများကို အသုံးချပါသည်။ အဆင့်သတ်မှတ်သူများအားလုံးသည် တူညီသောထိပ်တန်းအင်္ဂါရပ်များဖြစ်သည့် အသက်၊ ပညာရေးနှစ်အရေအတွက်နှင့် MemTrax စွမ်းဆောင်ရည်မက်ထရစ်များ (Mtx-%C၊ ဆိုလိုသည်မှာ MTx-RT) ကို သဘောတူညီခဲ့ကြသည်။ ထို့နောက် ကျွန်ုပ်တို့သည် ထိပ်တန်းအင်္ဂါရပ်လေးခုကိုသာ မော်ဒယ်များကိုလေ့ကျင့်ရန် အင်္ဂါရပ်ရွေးချယ်မှုနည်းစနစ်တစ်ခုစီကို အသုံးပြု၍ မော်ဒယ်များကို ပြန်လည်တည်ဆောက်ခဲ့သည် (ကြည့်ရှုပါ။ feature ကိုရွေးချယ်ရေး အောက်တွင်ဖော်ပြထားသော) ။
MoCA ရမှတ် အမျိုးအစား ခွဲခြားမှု မော်ဒယ်လ် အစီအစဉ်များ ၏ နောက်ဆုံး ကွဲပြားချက် ရှစ်ခုကို ဇယား 1 တွင် ဖော်ပြထားပါသည်။
ဇယား ၁
MoCA အမျိုးအစားခွဲခြင်းအတွက် အသုံးပြုသည့် မော်ဒယ်လ်ပုံစံ ကွဲပြားမှုများ၏ အကျဉ်းချုပ် (ပုံမှန် သိမှုကျန်းမာရေး MCI နှင့်)
| မော်ဒယ်လ်အစီအစဉ် | ပုံမှန်သိမြင်မှုကျန်းမာရေး (အဆိုးမြင်လူတန်းစား) | MCI (အပြုသဘောဆောင်သောအတန်း) |
| Adjusted-23 မစစ်ထုတ်/စစ်ထုတ်ထားသည်။ | 101 (39.0%) | 158 (61.0%) |
| Adjusted-26 မစစ်ထုတ်/စစ်ထုတ်ထားသည်။ | 49 (18.9%) | 210 (81.1%) |
| Unadjusted-23 Unfiltered/Filtered | 92 (35.5%) | 167 (64.5%) |
| Unadjusted-26 Unfiltered/Filtered | 42 (16.2%) | 217 (83.8%) |
အတန်းတစ်ခုစီရှိ လူနာစုစုပေါင်း၏ သက်ဆိုင်ရာ အရေအတွက်နှင့် ရာခိုင်နှုန်းကို ပညာရေးအတွက် ရမှတ်များ ချိန်ညှိမှု (Adjusted သို့မဟုတ် Unadjusted) နှင့် အမျိုးအစားခွဲခြင်းအဆင့် (23 သို့မဟုတ် 26) တို့ကို အင်္ဂါရပ်အစုံ (မစစ်ရသေးသော နှင့် စစ်ထုတ်ထားသော) နှစ်ခုလုံးတွင် ခွဲခြားထားသည်။
MemTrax အခြေပြု ဆေးခန်း အကဲဖြတ်ခြင်း မော်ဒယ်
ကျွန်ုပ်တို့၏မူရင်းဒေတာအတွဲခွဲသုံးခု (YH၊ XL၊ KM) မှ XL-ဒေတာအတွဲခွဲလူနာများကိုသာ မှတ်ဥာဏ်ချို့ယွင်းမှုအတွက် ဆေးခန်းတွင် သီးခြားစီစစ်ဆေးတွေ့ရှိခဲ့သည် (ဆိုလိုသည်မှာ၊ ၎င်းတို့၏သက်ဆိုင်ရာ MoCA ရမှတ်များကို ပုံမှန်ချို့ယွင်းသူနှင့် ခွဲခြားသတ်မှတ်ရာတွင် အသုံးမပြုပါ)။ အထူးသဖြင့် XL လူနာများကို လည်းကောင်း စစ်ဆေးတွေ့ရှိခဲ့သည်။ အယ်လ်ဇိုင်းမားရောဂါစမ်းသပ်မှု (AD) သို့မဟုတ် vascular dementia (VaD)။ ဤအဓိကရောဂါရှာဖွေခြင်းအမျိုးအစားတစ်ခုစီတွင်၊ MCI အတွက် နောက်ထပ်သတ်မှတ်ခြင်းတစ်ခုရှိခဲ့ပါသည်။ MCI၊ dementia၊ vascular neurocognitive disorder နှင့် AD ကြောင့် neurocognitive disorder တို့သည် DSM-5 [16] တွင်ဖော်ပြထားသော တိကျပြီး ထူးခြားသောရောဂါရှာဖွေရေးစံနှုန်းများအပေါ် အခြေခံထားသည်။ ဤသန့်စင်သောရောဂါရှာဖွေမှုများကို ထည့်သွင်းစဉ်းစားခြင်းဖြင့် မူလရောဂါရှာဖွေခြင်းအမျိုးအစားတစ်ခုစီအတွက် ပြင်းထန်မှုအဆင့် (ချို့ယွင်းမှုအဆင့်) ကို ပိုင်းခြားသတ်မှတ်ရန် အမျိုးအစားခွဲခြားမှုပုံစံနှစ်မျိုးကို XL ဒေတာခွဲခွဲတွင် သီးခြားစီအသုံးပြုခဲ့သည်။ ဤရောဂါရှာဖွေရေး မော်ဒယ်လ် အစီအစဉ်များ (AD နှင့် VaD) တစ်ခုစီတွင် အသုံးပြုသည့် ဒေတာများတွင် လူဦးရေစာရင်းနှင့် လူနာမှတ်တမ်း အချက်အလက်အပြင် MemTrax စွမ်းဆောင်ရည် (Mtx-%C၊ ဆိုလို MTx-RT) တို့ ပါဝင်ပါသည်။ သတ်မှတ်ထားသော MCI ဖြစ်ပါက ရောဂါတစ်ခုစီတိုင်းသည် အပျော့စားဟု တံဆိပ်တပ်ထားသည်။ မဟုတ်ရင် ပြင်းထန်တယ်လို့ ယူဆတယ်။ ကျွန်ုပ်တို့သည် ရောဂါရှာဖွေမှုပုံစံများတွင် MoCA ရမှတ်ကို ကနဦးထည့်သွင်းစဉ်းစားခဲ့သည် (အပျော့စားနှင့် ပြင်းထန်သည်)။ သို့သော် ကျွန်ုပ်တို့၏ ဒုတိယကြိုတင်ခန့်မှန်းထားသော မော်ဒယ်လ်အစီအစဥ်၏ ရည်ရွယ်ချက်ကို အနိုင်ယူမည်ဟု ကျွန်ုပ်တို့ ဆုံးဖြတ်ခဲ့သည်။ ဤနေရာတွင် သင်ယူသူများအား ပံ့ပိုးပေးသူနှင့် အလွယ်တကူရရှိနိုင်သော အခြားလူနာဝိသေသလက္ခဏာများကို အသုံးပြု၍ ရိုးရှင်းသော MemTrax စမ်းသပ်မှု (MoCA အစား) (MoCA ၏အစား) လွတ်လပ်သောလက်တွေ့ရောဂါရှာဖွေခြင်းဆိုင်ရာ ကိုးကားချက်ဖြစ်သော “ရွှေစံနှုန်း” ကို အသုံးပြု၍ လေ့ကျင့်သင်ကြားပေးမည်ဖြစ်သည်။ AD ရောဂါရှာဖွေခြင်းဒေတာအတွဲတွင် ဖြစ်ရပ်ပေါင်း 69 ကြိမ်နှင့် VaD ဖြစ်ရပ် 76 ခု (ဇယား 2) ဒေတာအတွဲနှစ်ခုစလုံးတွင် လွတ်လပ်သောအင်္ဂါရပ် ၁၂ ခုရှိသည်။ MoCA ရမှတ်အမျိုးအစားခွဲခြားမှုတွင်ပါ ၀ င်သည့်အင်္ဂါရပ် ၁၀ ခုအပြင်၊ လူနာမှတ်တမ်းသည်လည်းသွေးတိုးရောဂါနှင့်လေဖြတ်ခြင်းသမိုင်းဆိုင်ရာအချက်အလက်များပါ ၀ င်သည်။
ဇယား ၁
ပြင်းထန်မှု အမျိုးအစား ခွဲခြားခြင်းအတွက် အသုံးပြုသည့် မော်ဒယ်ပုံစံ ကွဲပြားမှုများ အကျဉ်းချုပ် (အပျော့စားနှင့် ပြင်းထန်မှု)
| မော်ဒယ်လ်အစီအစဉ် | အပျော့စား (အဆိုးမြင်လူတန်းစား) | ပြင်းထန်သော (အပြုသဘောဆောင်သော လူတန်းစား) |
| MCI-AD နှင့် AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD နှင့် VaD | 38 (50.0%) | 38 (50.0%) |
အတန်းတစ်ခုစီရှိ လူနာစုစုပေါင်း၏သက်ဆိုင်ရာအရေအတွက်နှင့် ရာခိုင်နှုန်းကို မူလရောဂါရှာဖွေခြင်းအမျိုးအစား (AD သို့မဟုတ် VaD) ဖြင့် ခွဲခြားထားသည်။
စာရင်းအင်း
မော်ဒယ်အမျိုးအစား ခွဲခြားခြင်းဗျူဟာတစ်ခုစီအတွက် (MoCA မှတ်ဥာဏ်ကျန်းမာရေးနှင့် ရောဂါရှာဖွေမှုပြင်းထန်မှုကို ခန့်မှန်းရန်) Python ပရိုဂရမ်းမင်းဘာသာစကား (ဗားရှင်း 2.7.1) [17] ကို အသုံးပြု၍ ပါဝင်သူဝိသေသလက္ခဏာများနှင့် အခြားဂဏန်းအင်္ဂါရပ်များကို နှိုင်းယှဉ်ခြင်း။ မော်ဒယ်စွမ်းဆောင်ရည် ကွာခြားချက်များသည် စွမ်းဆောင်ရည်ကို နှိုင်းယှဉ်ရန် 95% ယုံကြည်မှုကြားကာလဖြင့် ANOVA တစ်ခုတည်း သို့မဟုတ် နှစ်ခု-အချက် (သင့်လျော်သည့်အတိုင်း) ကို အသုံးပြု၍ ကနဦး ဆုံးဖြတ်ခဲ့ကြပြီး Tukey ရိုးသားသော သိသာထင်ရှားသော ခြားနားချက် (HSD) စမ်းသပ်မှု၏ စွမ်းဆောင်ရည်ကို ဆိုလိုသည်။ Python နှင့် R (ဗားရှင်း 3.5.1) [18] ပေါင်းစပ်အသုံးပြု၍ မော်ဒယ်စွမ်းဆောင်ရည်များကြား ကွာခြားချက်များကို ဤစစ်ဆေးမှုကို ပြုလုပ်ခဲ့သည်။ ကျွန်ုပ်တို့သည် ဤအရာကို (အကောင်းဆုံးထက်နည်းသည်ဟု ထင်ရသော်လည်း) ဤကိစ္စအတွက် ရူရစ်ချာအထောက်အကူအဖြစ်သာ အသုံးပြုခဲ့သည် ရှေးဦးအဆင့် ဖြစ်နိုင်ချေရှိသော လက်တွေ့အသုံးချမှုကို မျှော်လင့်ခြင်းအတွက် ကနဦး မော်ဒယ်စွမ်းဆောင်ရည် နှိုင်းယှဉ်မှုများအတွက်။ ထို့နောက် ကျွန်ုပ်တို့သည် မော်ဒယ်စွမ်းဆောင်ရည် ကွာခြားချက်များ [19] ဖြစ်နိုင်ခြေကို ဆုံးဖြတ်ရန် အနောက်သို့ ဖြန့်ဖြူးမှုကို အသုံးပြု၍ Bayesian လက်မှတ်ရေး ထိုးထားသော အဆင့်စစ်ဆေးမှုကို အသုံးပြုခဲ့သည်။ ဤခွဲခြမ်းစိတ်ဖြာမှုများအတွက်၊ ကျွန်ုပ်တို့သည် ကြားကာလ –0.01၊ 0.01 ကိုအသုံးပြုပြီး အုပ်စုနှစ်စုသည် 0.01 ထက်နည်းသောစွမ်းဆောင်ရည်ကွာခြားပါက ၎င်းတို့ကို တူညီသည် (လက်တွေ့ညီမျှသည့်ဒေသအတွင်း) သို့မဟုတ် ၎င်းတို့သည် ကွဲပြားသည် (တစ်ခုထက်ပိုကောင်းသည် အခြား)။ အမျိုးအစားခွဲခြားမှုများ၏ Bayesian နှိုင်းယှဉ်မှုကိုလုပ်ဆောင်ရန်နှင့် ယင်းဖြစ်နိုင်ချေများကိုတွက်ချက်ရန်အတွက် Python 1.0.2 အတွက် baycomp library (ဗားရှင်း 3.6.4) ကို အသုံးပြုခဲ့သည်။
ခန့်မှန်းမှုပုံစံ
လူနာတစ်ဦးစီ၏ MoCA စမ်းသပ်မှု သို့မဟုတ် ကုသမှုဆိုင်ရာ ရောဂါရှာဖွေမှု၏ ပြင်းထန်မှု (သို့) ရလဒ်ကို ခန့်မှန်းရန် (အမျိုးအစားခွဲခြား) ရန် ကျွန်ုပ်တို့၏ မော်ဒယ်လ်အစီအစဉ်များ၏ စုစုပေါင်းမူကွဲဆယ်မျိုးကို အသုံးပြု၍ ကြိုတင်ခန့်မှန်းထားသော မော်ဒယ်များကို တည်ဆောက်ထားပါသည်။ သင်ယူသူအားလုံးကို အသုံးချပြီး မော်ဒယ်များကို open source software platform Weka [20] ကို အသုံးပြု၍ တည်ဆောက်ထားသည်။ ကျွန်ုပ်တို့၏ ပဏာမခွဲခြမ်းစိတ်ဖြာမှုအတွက်၊ ကျွန်ုပ်တို့သည် အသုံးများသော သင်ယူမှုဆိုင်ရာ အယ်လဂိုရီသမ် 10 ခုကို အသုံးပြုထားသည်- 5-အနီးဆုံး အိမ်နီးချင်းများ၊ C4.5 ဆုံးဖြတ်ချက်သစ်ပင်၏ ဗားရှင်းနှစ်မျိုး၊ Logistic Regression၊ Multilayer Perceptron၊ Naïve Bayes၊ Random Forest၊ Radial Basis Function Network နှင့် ပံ့ပိုးမှု Vector ဗားရှင်းနှစ်မျိုး စက်။ ဤ algorithms များ၏ အဓိက အရည်အချင်းများနှင့် ဆန့်ကျင်ဘက်များကို အခြားနေရာများတွင် ဖော်ပြထားပြီး [21] (သက်ဆိုင်ရာ နောက်ဆက်တွဲကို ကြည့်ပါ)။ ၎င်းတို့သည် မတူညီသော သင်ယူသူ အမျိုးအစားများစွာကို ကိုယ်စားပြုသောကြောင့် ၎င်းတို့ကို ရွေးချယ်ခဲ့ခြင်းဖြစ်ပြီး အလားတူဒေတာများကို ယခင်ခွဲခြမ်းစိတ်ဖြာမှုတွင် ၎င်းတို့ကို အသုံးပြု၍ အောင်မြင်ကြောင်း သက်သေပြခဲ့သောကြောင့် ဖြစ်သည်။ မတူညီသောဒေတာအမျိုးမျိုးတွင် ကြံ့ခိုင်မှုရှိရန် ညွှန်ပြသော ကျွန်ုပ်တို့၏ယခင်သုတေသနမှ Hyper-parameter ဆက်တင်များကို ရွေးချယ်ထားပါသည်။ အပြည့်အဝခွဲခြမ်းစိတ်ဖြာမှုတွင် နောက်ဆက်တွဲအသုံးပြုထားသည့် တူညီသောပေါင်းစပ်ဒေတာအတွဲကိုအသုံးပြုထားသော ကျွန်ုပ်တို့၏ပဏာမခွဲခြမ်းစိတ်ဖြာမှုရလဒ်များအပေါ်အခြေခံ၍ အမျိုးအစားခွဲအားလုံးတွင် တသမတ်တည်းပြင်းထန်သောစွမ်းဆောင်ရည်ကိုပေးစွမ်းသည့် သင်ယူသူသုံးဦးကို ရှာဖွေတွေ့ရှိခဲ့သည်- Logistic Regression၊ Naïve Bayes နှင့် Support Vector Machine။
အပြန်အလှန်အတည်ပြုခြင်းနှင့် မော်ဒယ်စွမ်းဆောင်ရည်မက်ထရစ်
ကြိုတင်ခန့်မှန်းထားသော မော်ဒယ်လ်အားလုံးအတွက် (ပဏာမ ခွဲခြမ်းစိတ်ဖြာမှုများ အပါအဝင်) မော်ဒယ်တစ်ခုစီကို 10-ဆ ဖြတ်ကျော်အတည်ပြုချက်ဖြင့် တည်ဆောက်ထားကာ မော်ဒယ်စွမ်းဆောင်ရည်ကို လက်ခံသူ၏ လည်ပတ်မှုအသွင်အပြင်မျဉ်းကွေး (AUC) အောက်တွင် ဧရိယာကို အသုံးပြု၍ တိုင်းတာထားသည်။ Cross-validation သည် modeling scheme datasets 10 ခုမှ တစ်ခုစီကို အညီအမျှ segments 10 ခု (folds) သို့ ကျပန်းခွဲ၍ model နှင့် testing အတွက် ကျန်တဲ့ segment ကိုးခုကို အသုံးပြုပြီး သက်ဆိုင်ရာ segments ကိုးခုကို စတင်ခဲ့သည်။ ဤလုပ်ထုံးလုပ်နည်းကို ထပ်ခါတလဲလဲ တစ်ကြိမ်စီတွင် သတ်မှတ်ထားသော စမ်းသပ်မှုအဖြစ် မတူညီသော အပိုင်းတစ်ခုကို အသုံးပြုကာ 10 ကြိမ် ထပ်ခါထပ်ခါ ပြုလုပ်ခဲ့သည်။ ထို့နောက် နောက်ဆုံးမော်ဒယ်၏ ရလဒ်/စွမ်းဆောင်ရည်ကို တွက်ချက်ရန် ရလဒ်များကို ပေါင်းစပ်ထားသည်။ သင်ယူသူ/ဒေတာအတွဲတစ်ခုစီ၏ ပေါင်းစပ်မှုအတွက်၊ ဤလုပ်ငန်းစဉ်တစ်ခုလုံးကို အကြိမ်တိုင်းတွင် ကွဲပြားစွာခွဲခြမ်းခြင်းဖြင့် ဒေတာ ၁၀ ကြိမ် ထပ်ခါထပ်ခါ ပြုလုပ်ခဲ့ပါသည်။ ဤနောက်ဆုံးအဆင့်သည် ဘက်လိုက်မှုကို လျှော့ချပြီး ထပ်တူကျနိုင်မှုကို သေချာစေကာ အလုံးစုံမော်ဒယ်စွမ်းဆောင်ရည်ကို ဆုံးဖြတ်ရာတွင် အထောက်အကူဖြစ်စေသည်။ စုစုပေါင်း (MoCA ရမှတ်နှင့် ရောဂါရှာဖွေရေး ပြင်းထန်မှု အမျိုးအစားခွဲခြားမှု အစီအစဉ်များအတွက်) စုစုပေါင်း မော်ဒယ် 10 ကို တည်ဆောက်ခဲ့သည်။ ၎င်းတွင် စစ်ထုတ်မထားသော မော်ဒယ်များ 6,600 ပါဝင်သည် (ဒေတာအစုံ × 1,800 သင်ယူသူများ × 6 လည်ပတ်ခြင်း × 3 အခေါက် = 10 မော်ဒယ်များ) နှင့် 10 စစ်ထုတ်ထားသော မော်ဒယ်များ (ဒေတာအတွဲ × 1,800 သင်ယူသူများ × 4,800 အင်္ဂါရပ် ရွေးချယ်မှု နည်းပညာများ × 4 လည်ပတ်မှု × 3 ခေါက် = 4 တစ်ချောင်း)။
feature ကိုရွေးချယ်ရေး
စစ်ထုတ်ထားသော မော်ဒယ်များအတွက်၊ အင်္ဂါရပ်ရွေးချယ်ခြင်း (အင်္ဂါရပ်အဆင့်သတ်မှတ်ခြင်းနည်းလမ်း လေးခုကို အသုံးပြု) ကို အပြန်အလှန်အတည်ပြုခြင်းအတွင်း လုပ်ဆောင်ခဲ့သည်။ 10 ခေါက်စီအတွက်၊ မတူညီသော ဒေတာအတွဲ၏ 10% သည် စမ်းသပ်ဒေတာဖြစ်သောကြောင့်၊ လေ့ကျင့်ရေးဒေတာအတွဲတစ်ခုစီအတွက် ရွေးချယ်ထားသော ထိပ်တန်းအင်္ဂါရပ်လေးခု (ဥပမာ၊ အခြားကိုးခေါက် သို့မဟုတ် ဒေတာအစုံတစ်ခုလုံး၏ ကျန် 90%) ကို အသုံးပြုခဲ့သည်။ မော်ဒယ်များတည်ဆောက်ရန်။ မော်ဒယ်တစ်ခုစီတွင် မည်သည့်အင်္ဂါရပ်လေးခုကို အသုံးပြုထားသည်ကို ကျွန်ုပ်တို့ အတည်မပြုနိုင်ပေ။ သို့သော်၊ အဆင့်သတ်မှတ်ချက်များကို ပေါင်းစပ်ဒေတာအတွဲတစ်ခုလုံးနှင့် မော်ဒယ်လ်တင်ဆက်မှုများတွင် နောက်ဆက်တွဲတူညီမှုတို့ကို အသုံးချသည့်အခါ ကျွန်ုပ်တို့၏ကနဦးရွေးချယ်မှုတွင် ထိပ်တန်းအင်္ဂါရပ်များ၏ လိုက်လျောညီထွေရှိမှုဖြင့် အဆိုပါတူညီသောအင်္ဂါရပ်များ (အသက်၊ နှစ်၊ ပညာရေး၊ MTx-%C နှင့် ပျမ်းမျှ MTx-RT ) သည် အပြန်အလှန်စစ်ဆေးခြင်းလုပ်ငန်းစဉ်အတွင်း အင်္ဂါရပ်ရွေးချယ်မှုနှင့်အတူ အတွေ့ရအများဆုံး ထိပ်တန်းလေးခုဖြစ်ဖွယ်ရှိသည်။
ရလဒ်
MoCA-ညွှန်ပြသော သိမြင်မှုကျန်းမာရေး (ပုံမှန်နှင့် MCI) နှင့် ရောဂါရှာဖွေမှု ပြင်းထန်မှု (အပျော့စားနှင့် ပြင်းထန်မှု) ကို ဇယား 3 တွင် ဖော်ပြထားသည့် မော်ဒယ်အမျိုးအစား ခွဲခြားမှုဗျူဟာ တစ်ခုစီအတွက် သက်ဆိုင်ရာ ဒေတာအတွဲများ ပါဝင်သူ ဂဏန်းလက္ခဏာများ (MoCA ရမှတ်များနှင့် MemTrax စွမ်းဆောင်ရည် မက်ထရစ်များ) ကို ဇယား XNUMX တွင် ပြထားသည်။
ဇယား ၁
မော်ဒယ်အမျိုးအစားခွဲခြားခြင်းဗျူဟာတစ်ခုစီအတွက် ပါဝင်သူဝိသေသလက္ခဏာများ၊ MoCA ရမှတ်များနှင့် MemTrax စွမ်းဆောင်ရည်
| အမျိုးအစားခွဲခြားနည်းဗျူဟာ | အသက်အရွယ် | ပညာရေး | MoCA ကို ချိန်ညှိထားသည်။ | MoCA ကို ချိန်ညှိမထားပါ။ | MTx-%C | MTx-RT |
| MoCA အမျိုးအစား | 61.9 y (13.1) | 9.6 y (4.6) | 19.2 (6.5) | 18.4 (6.7) | ၅၈.၇% (၂၀၁၃) | 1.4 s (0.3) |
| Diagnosis ပြင်းထန်မှု | 65.6 y (12.1) | 8.6 y (4.4) | 16.7 (6.2) | 15.8 (6.3) | ၅၈.၇% (၂၀၁၃) | 1.5 s (0.3) |
မော်ဒယ်ခွဲခြားခြင်းဗျူဟာများဖြင့် ပိုင်းခြားထားသော (ပျမ်းမျှ၊ SD) တန်ဖိုးများသည် MoCA-ညွှန်ပြထားသော သိမြင်မှုကျန်းမာရေး (MCI နှင့် ပုံမှန်) ကို ခန့်မှန်းရန် အသုံးပြုသည့် ပေါင်းစပ်ဒေတာအတွဲ၏ ကိုယ်စားပြုပြီး XL ဒေတာခွဲခွဲ (အပျော့စားနှင့် ပြင်းထန်မှု) တို့ကို ကိုယ်စားပြုပါသည်။
MoCA ရမှတ် ပေါင်းစပ်မှုတစ်ခုစီအတွက် (ချိန်ညှိပြီး/မပြင်ဆင်ထား) နှင့် တံခါးခုံ (26/23) တွင် ကိန်းဂဏန်းကွာခြားချက် (p = 0.000) အသက်အရွယ်၊ ပညာရေးနှင့် MemTrax စွမ်းဆောင်ရည် (Mtx-%C နှင့် MTx-RT) အတွက် အတွဲလိုက် နှိုင်းယှဉ်မှုတစ်ခုစီတွင် (ပုံမှန် သိမြင်နိုင်စွမ်းဆိုင်ရာ ကျန်းမာရေးနှင့် MCI)။ ပေါင်းစပ်မှုတစ်ခုစီအတွက် သက်ဆိုင်ရာ MCI အတန်းရှိ လူနာခွဲတစ်ခုစီသည် ပျမ်းမျှအားဖြင့် 9 နှစ်မှ 15 နှစ်ခန့်သာရှိသေးပြီး၊ ပညာရေး၏ငါးနှစ်ခန့်ကို အစီရင်ခံတင်ပြပြီး မက်ထရစ်နှစ်ခုစလုံးအတွက် MemTrax စွမ်းဆောင်ရည် နည်းပါးသည်။
ထိပ်တန်း သင်ယူသူ သုံးဦးဖြစ်သည့် Logistic Regression၊ Naïve Bayes နှင့် Support Vector Machine ကို အသုံးပြု၍ MoCA ရမှတ် အမျိုးအစား ခွဲခြားခြင်းအတွက် ကြိုတင်ခန့်မှန်းနိုင်သော မော်ဒယ်လ် စွမ်းဆောင်ရည် ရလဒ်များကို ဇယား 4 တွင် ပြသထားသည်။ ၎င်းတို့ သုံးခုကို မော်ဒယ်လ် အမျိုးမျိုးတွင် အမြင့်မားဆုံး အကြွင်းမဲ့ သင်ယူသူ စွမ်းဆောင်ရည်အပေါ် အခြေခံ၍ ရွေးချယ်ထားပါသည်။ မော်ဒယ်လ်အစီအစဥ်အားလုံးအတွက် datasets များတွင် အသုံးချသည်။ စစ်ထုတ်မထားသော ဒေတာအတွဲနှင့် မော်ဒယ်လ်အတွက်၊ ဇယား 4 ရှိ ဒေတာတန်ဖိုးတစ်ခုစီသည် သင်ယူသူ/မော်ဒယ်လ်အစီအစဉ်တစ်ခုစီအတွက် တည်ဆောက်ထားသော မော်ဒယ် 100 (10 ပြေး× 10 ခေါက်) မှ ဆင်းသက်လာသော AUC သက်ဆိုင်ရာ ဆိုလိုရင်းအပေါ် အခြေခံ၍ မော်ဒယ်စွမ်းဆောင်ရည်ကို ညွှန်ပြသည် သင်ယူသူအား ရဲရင့်စွာ ညွှန်ပြသည်။ filtered dataset modeling အတွက်၊ Table 4 တွင် အစီရင်ခံထားသော ရလဒ်များသည် အင်္ဂါရပ်အဆင့်သတ်မှတ်ခြင်းနည်းလမ်းတစ်ခုစီကို အသုံးပြု၍ လေ့လာသူတိုင်းအတွက် မော်ဒယ် 400 မှ ပျမ်းမျှစွမ်းဆောင်ရည်ကို ထင်ဟပ်စေသည် (အင်္ဂါရပ်အဆင့်သတ်မှတ်ခြင်းနည်းလမ်း 4 ခု × 10 ပြေး× 10 အဆ)။
ဇယား ၁
Dichotomous MoCA ရမှတ် အမျိုးအစားခွဲခြင်း စွမ်းဆောင်ရည် (AUC; 0.0–1.0) သက်ဆိုင်ရာ မော်ဒယ်လ် အစီအစဉ်အားလုံးအတွက် ထိပ်တန်း သင်ယူသူ သုံးဦးစီအတွက် ရလဒ်များ
| Feature Set ကို အသုံးပြုထားပါတယ်။ | MoCA ရမှတ် | ဖြတ်တောက်မှုအဆင့် | Logistic Regression | Naïve Bayes | Vector Machine ကိုပံ့ပိုးပါ။ |
| စစ်ထုတ်မထားသော (အင်္ဂါရပ် ၁၀ ခု) | ချိန်ညှိသည် | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| မပြုပြင်ဘူး | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| စစ်ထုတ်ထားသည် (အင်္ဂါရပ် ၄ ခု) | ချိန်ညှိသည် | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| မပြုပြင်ဘူး | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
အင်္ဂါရပ်အစုံ၊ MoCA ရမှတ်နှင့် MoCA ရမှတ်ဖြတ်တောက်မှုအဆင့်ကို အသုံးပြု၍ မော်ဒယ်လ်အစီအစဉ်တစ်ခုစီအတွက် အမြင့်ဆုံးစွမ်းဆောင်ရည်ကို ပြသထားသည်။ ရဲရင့် (စာရင်းအင်းမရှိသော အခြားသူများနှင့် မတူပါ။ ရဲရင့် သက်ဆိုင်ရာ မော်ဒယ်အတွက်)။
ပေါင်းစပ်ထားသော ဒေတာအတွဲတွင် MoCA ရမှတ်ဗားရှင်းများနှင့် အဆင့်သတ်မှတ်ချက်များ ပေါင်းစပ်မှုအားလုံးတွင် သင်ယူသူများကို နှိုင်းယှဉ်ပြီး (ချိန်ညှိပြီး/မချိန်ညှိထားသော နှင့် 23/26 အသီးသီး) (ဆိုလိုသည်မှာ ဘုံအင်္ဂါရပ် 10 ခုကို အသုံးပြုခြင်း)၊ Naïve Bayes သည် ယေဘုယျအားဖြင့် ယေဘုယျအားဖြင့် ထိပ်တန်းစွမ်းဆောင်ရည်ရှိသော သင်ယူသူဖြစ်သည်။ အမျိုးအစားခွဲခြင်းစွမ်းဆောင်ရည် 0.9093 ။ ထိပ်တန်း သင်ယူသူ သုံးဦးကို ထည့်သွင်းစဉ်းစားခြင်းဖြင့်၊ Bayesian နှင့် ဆက်နွှယ်သော လက်မှတ် ရေးထိုး အဆင့် စစ်ဆေးမှုများသည် ဖြစ်နိုင်ခြေ (Pr) Naïve Bayes ၏ Logistic Regression သည် 99.9% ထက်သာလွန်သည်။ ထို့အပြင်၊ Naïve Bayes နှင့် Support Vector Machine အကြား၊ သင်ယူသူစွမ်းဆောင်ရည်အတွက် လက်တွေ့ညီမျှမှုဖြစ်နိုင်ခြေ 21.0% (ထို့ကြောင့် Naïve Bayes ၏ 79.0% ဖြစ်နိုင်ခြေသည် Support Vector Machine ထက် သာလွန်သည်)၊ Support Vector Machine ၏ 0.0% ဖြစ်နိုင်ခြေနှင့် တွဲဖက်၍ တိုင်းတာနိုင်သော၊ Naïve Bayes အတွက် စွမ်းဆောင်ရည် အားသာချက်ကို အားဖြည့်ပေးသည်။ MoCA ရမှတ်ဗားရှင်း၏နောက်ထပ်နှိုင်းယှဉ်ချက်သည် သင်ယူသူ/အဆင့်သတ်မှတ်ချက်များအားလုံးရှိ ချိန်ညှိမထားသော MoCA ရမှတ်များနှင့် ချိန်ညှိထားသော (0.9027 နှင့် 0.8971၊ အသီးသီး၊ Pr (မချိန်ညှိထား > ချိန်ညှိထားသည်) = 0.988)။ အလားတူ၊ သင်ယူသူအားလုံးနှင့် MoCA ရမှတ်ဗားရှင်းများတစ်လျှောက် ဖြတ်တောက်မှုအဆင့်ကို နှိုင်းယှဉ်ခြင်းသည် 26 ကို အမျိုးအစားခွဲခြင်းအဆင့်နှင့် 23 (0.9056 နှင့် 0.8942၊ အသီးသီး) အဖြစ် XNUMX ကို အသုံးပြု၍ အမျိုးအစားခွဲခြင်းဆိုင်ရာ စွမ်းဆောင်ရည်အားသာချက်ကို ညွှန်ပြခဲ့သည်။ Pr (26 > 23) = 0.999)။ နောက်ဆုံးအနေဖြင့်၊ စစ်ထုတ်ထားသောရလဒ်များကိုသာအသုံးပြု၍ မော်ဒယ်များအတွက် အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်ကို ဆန်းစစ်ခြင်း (ဆိုလိုသည်မှာ ထိပ်တန်းအဆင့် အင်္ဂါရပ်လေးခုသာ)၊ Naïve Bayes (0.9143) သည် MoCA ရမှတ် ဗားရှင်း/သတ်မှတ်အဆင့်များအားလုံးတွင် နံပါတ်ဖြင့် စွမ်းဆောင်ရည်အကောင်းဆုံး သင်ယူသူဖြစ်သည်။ သို့သော်၊ ပေါင်းစပ်အဆင့်သတ်မှတ်ခြင်းနည်းပညာအားလုံးတွင် ထိပ်တန်းစွမ်းဆောင်ရည်ရှိသည့် သင်ယူသူများအားလုံး အလားတူလုပ်ဆောင်ခဲ့ကြသည်။ Bayesian လက်မှတ်ထိုးအဆင့် စာမေးပွဲများသည် စစ်ထုတ်ထားသည့် သင်ယူသူတစ်စုံစီကြား လက်တွေ့ညီမျှမှု 100% ဖြစ်နိုင်ခြေကို ပြသခဲ့သည်။ စစ်ထုတ်မထားသောဒေတာများကဲ့သို့ (ဘုံအင်္ဂါရပ် 10 လုံးကိုအသုံးပြုခြင်း) သည် MoCA ရမှတ်၏မချိန်ညှိထားသောဗားရှင်းအတွက် စွမ်းဆောင်ရည်အားသာချက်တစ်ဖန်ရှိပါသည် (Pr (unadjusted > adjusted) = 1.000) အပြင် 26 (အမျိုးအစား ခွဲခြားသတ်မှတ်ခြင်းအဆင့်အတွက် အလားတူထူးခြားသောအားသာချက်တစ်ခု၊Pr (26 > 23) = 1.000)။ ထင်ရှားသည်မှာ၊ MoCA ရမှတ်ဗားရှင်း/အဆင့်သတ်မှတ်ချက်များအားလုံးရှိ ထိပ်တန်းလေ့လာသူ သုံးဦးစီ၏ ပျမ်းမျှစွမ်းဆောင်ရည်သည် ထိပ်တန်းအဆင့် အင်္ဂါရပ်လေးခုကိုသာ အသုံးပြု၍ စစ်ထုတ်မထားသောဒေတာရှိ မည်သည့်သင်ယူသူမဆို ပျမ်းမျှစွမ်းဆောင်ရည်ကို ကျော်လွန်သွားပါသည်။ အံ့သြစရာမဟုတ်ပါ၊ စစ်ထုတ်ထားသောမော်ဒယ်များ၏ အမျိုးအစားခွဲခြင်းစွမ်းဆောင်ရည် (ထိပ်တန်းအဆင့်သတ်မှတ်ချက်လေးခုကိုအသုံးပြု၍) အလုံးစုံသည် စစ်ထုတ်မထားသောမော်ဒယ်များ (0.9119) ထက် (0.8999) သာလွန်သည် (10)၊ 100 ဘုံအဆင့်သတ်မှတ်ချက်မော်ဒယ်များနှင့် နှိုင်းယှဉ်ထားသည့် အင်္ဂါရပ်အဆင့်သတ်မှတ်ချက်မော်ဒယ်များ မည်သို့ပင်ရှိစေကာမူ၊ အင်္ဂါရပ်များ။ အင်္ဂါရပ်ရွေးချယ်မှုနည်းလမ်းတစ်ခုစီအတွက်၊ စစ်ထုတ်မထားသော မော်ဒယ်များထက် စွမ်းဆောင်ရည် အားသာချက် ဖြစ်နိုင်ခြေ XNUMX% ရှိပါသည်။
AD ရောဂါရှာဖွေခြင်း ပြင်းထန်မှု အမျိုးအစားခွဲခြင်းအတွက် စဉ်းစားထားသော လူနာများနှင့် အုပ်စုအကြား (MCI-AD နှင့် AD) ကွာခြားချက်များ (အသက်အရွယ်၊p = 0.004) ပညာရေး (၊p = 0.028), MoCA ရမှတ်ကို ချိန်ညှိပြီး/မချိန်ညှိထား (p = 0.000) နှင့် MTx-%C (p = 0.008) စာရင်းအင်းအရ သိသာထင်ရှားသော၊ MTx-RT အတွက်မဟုတ်ပါ (p = 0.097)။ VaD ရောဂါရှာဖွေရေး ပြင်းထန်မှု အမျိုးအစားခွဲခြင်းအတွက် စဉ်းစားထားသော လူနာများနှင့်၊ MoCA ရမှတ်အတွက် ချိန်ညှိထားသော/မချိန်ညှိထားသော အုပ်စုအကြား (MCI-VaD နှင့် VaD) ကွာခြားချက်များ (p = 0.007) နှင့် MTx- %C (p = 0.026) နှင့် MTx-RT (p = 0.001) စာရင်းအင်းအရ သိသာထင်ရှားသော၊ အသက်အရွယ်အလိုက် (p = 0.511) နှင့် ပညာရေး (p = 0.157) အုပ်စုကြားတွင် သိသာထင်ရှားသော ကွဲပြားမှုများ မရှိခဲ့ပါ။
ယခင်က ရွေးချယ်ထားသည့် သင်ယူသူ သုံးဦးဖြစ်သည့် Logistic Regression၊ Naïve Bayes နှင့် Support Vector Machine တို့ကို အသုံးပြု၍ ရောဂါရှာဖွေမှု ပြင်းထန်မှု အမျိုးအစားခွဲခြင်းအတွက် ကြိုတင်ခန့်မှန်းထားသော စံပြစွမ်းဆောင်ရည်ရလဒ်များကို ဇယား 5 တွင် ပြသထားသည်။ ထပ်ဆောင်းလေ့လာသင်ယူသူများသည် ဆေးခန်းရောဂါရှာဖွေရေးအမျိုးအစား နှစ်ခုအနက်မှ တစ်ခုချင်းစီအလိုက် အနည်းငယ် ပိုအားကောင်းသည့် စွမ်းဆောင်ရည်များကို သရုပ်ပြကြသည်။ ကျွန်ုပ်တို့၏ယခင်မော်ဒယ်ပြုလုပ်ခြင်းတွင် အနှစ်သက်ဆုံးဟုသတ်မှတ်ထားသော သင်ယူသူသုံးဦးသည် မော်ဒယ်အသစ်နှစ်မျိုးလုံးဖြင့် အကိုက်ညီဆုံးစွမ်းဆောင်ရည်ကို ပေးဆောင်သည်။ အခြေခံရောဂါရှာဖွေရေးအမျိုးအစားများ (AD နှင့် VaD) တစ်ခုစီတွင် သင်ယူသူများအား နှိုင်းယှဉ်ကြည့်ပါက MCI-VaD နှင့် VaD အတွက် သင်ယူသူများအကြား တစ်သမတ်တည်း အမျိုးအစားခွဲခြားခြင်း စွမ်းဆောင်ရည် ကွာခြားချက်မရှိသော်လည်း၊ Support Vector Machine သည် ယေဘုယျအားဖြင့် ပိုမိုထင်ရှားစွာ လုပ်ဆောင်နိုင်သော်လည်း၊ အလားတူပင်၊ Naïve Bayes (NB) သည် Logistic Regression (LR) နှင့် Support Vector Machine ထက် ဖြစ်နိုင်ခြေ 61.4% ဖြင့် အနည်းငယ်သာစွမ်းဆောင်နိုင်သော်လည်း၊ MCI-AD နှင့် AD အမျိုးအစားခွဲခြားခြင်းအတွက် သင်ယူသူများအကြား သိသာထင်ရှားသောကွာခြားချက်များမရှိပါ ။ 41.7% အသီးသီးရှိသည်။ ဒေတာအတွဲနှစ်ခုစလုံးတွင် Support Vector Machine (SVM) အတွက် အလုံးစုံစွမ်းဆောင်ရည်အားသာချက်တစ်ခုရှိသည်။ Pr (SVM > LR) = 0.819 နှင့် Pr (SVM > NB) = 0.934။ XL ဒေတာခွဲခွဲရှိ ရောဂါရှာဖွေမှု၏ ပြင်းထန်မှုကို ခန့်မှန်းရာတွင် သင်ယူသူအားလုံးတွင် ကျွန်ုပ်တို့၏ အလုံးစုံ အမျိုးအစားခွဲခြင်းစွမ်းဆောင်ရည်သည် VaD ရောဂါရှာဖွေခြင်းအမျိုးအစားနှင့် AD နှင့် နှိုင်းယှဉ်ခြင်း (Pr (VAD > AD) = 0.998)။
ဇယား ၁
Dichotomous ဆေးခန်းဆိုင်ရာ ရောဂါရှာဖွေခြင်း ပြင်းထန်မှု အမျိုးအစားခွဲခြင်း စွမ်းဆောင်ရည် (AUC; 0.0–1.0) သည် သက်ဆိုင်ရာ မော်ဒယ်လ် ပုံစံနှစ်မျိုးလုံးအတွက် ထိပ်တန်း သင်ယူသူ သုံးဦးစီအတွက် ရလဒ်များ
| မော်ဒယ်လ်အစီအစဉ် | Logistic Regression | Naïve Bayes | Vector Machine ကိုပံ့ပိုးပါ။ |
| MCI-AD နှင့် AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD နှင့် VaD | 0.8033 | 0.8044 | 0.8338 |
မော်ဒယ်လ်အစီအစဉ်တစ်ခုစီအတွက် အမြင့်ဆုံးစွမ်းဆောင်ရည်ကို ပြသထားသည်။ ရဲရင့် (အခြားသူများနဲ့ မတူတဲ့ စာရင်းအင်းနဲ့ လုံးဝမတူပါဘူး။ ရဲရင့်).
ဆွေးနွေးရန်
သိမြင်မှုဆိုင်ရာ ကျန်းမာရေးပြောင်းလဲမှုများကို စောစီးစွာသိရှိနိုင်မှုသည် အရေးကြီးပါသည်။ တစ်ကိုယ်ရေကျန်းမာရေးစီမံခန့်ခွဲမှုနှင့် ပြည်သူ့ကျန်းမာရေးအတွက် လက်တွေ့အသုံးဝင်မှု။ အမှန်စင်စစ်၊ ၎င်းသည် ကမ္ဘာတစ်ဝှမ်းရှိ လူနာများအတွက် ဆေးခန်းဆိုင်ရာ သတ်မှတ်ချက်များတွင်လည်း အလွန်ဦးစားပေးပါသည်။ မျှဝေထားသော ရည်မှန်းချက်မှာ လူနာများ၊ ပြုစုစောင့်ရှောက်ပေးသူများနှင့် ပံ့ပိုးပေးသူများကို သတိပေးရန်နှင့် အသိဉာဏ်ကျဆင်းမှုစတင်ခံစားရသူများအတွက် စောလျင်စွာ သင့်လျော်ပြီး ကုန်ကျစရိတ်သက်သာသော ကုသမှုနှင့် ရှည်လျားသောစောင့်ရှောက်မှုတို့ကို အသိပေးရန်ဖြစ်သည်။ ကျွန်ုပ်တို့၏ ဆေးရုံ/ဆေးခန်း (များ) ဒေတာ အစုခွဲသုံးခုကို ပေါင်းစည်းခြင်းဖြင့် ကျွန်ုပ်တို့သည် ကြိုတင်ခန့်မှန်းနိုင်သော မော်ဒယ်များကို အသုံးချရန်အတွက် ထူးခြားစွာ နှစ်သက်ဖွယ်ကောင်းသော သင်ယူသူ (၃)ဦး (ထင်ရှားသော ထင်ရှားပေါ်လွင်ထင်ရှားသော-Naïve Bayes) ကို အသုံးပြု၍ ရှာဖွေတွေ့ရှိခဲ့ပါသည်။ သိမြင်မှုကျန်းမာရေးအခြေအနေကို ယုံကြည်စိတ်ချစွာ ခွဲခြားနိုင်သည့် MemTrax စွမ်းဆောင်ရည် မက်ထရစ်များ MoCA စုစုပေါင်းရမှတ်ဖြင့်ညွှန်ပြထားသည့်အတိုင်း dichotomously (ပုံမှန်သိမြင်မှုကျန်းမာရေး သို့မဟုတ် MCI)။ ကျွန်ုပ်တို့၏မော်ဒယ်များသည် ဤ MemTrax စွမ်းဆောင်ရည်မက်ထရစ်များကို အဓိကအားဖြင့် လွှမ်းခြုံထားသည့် ထိပ်တန်းအဆင့် အင်္ဂါရပ်လေးခုကိုသာ အသုံးပြုသောအခါ မှတ်သားဖွယ်မှာ သင်ယူသူသုံးဦးစလုံးအတွက် အလုံးစုံ အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည် တိုးတက်လာခဲ့သည်။ ထို့အပြင်၊ ကျွန်ုပ်တို့သည် တူညီသောသင်ယူသူများနှင့် MemTrax စွမ်းဆောင်ရည်မက်ထရစ်များကို အသုံးပြုရန်အတွက် ခိုင်လုံသောအလားအလာများကို AD နှင့် VaD အမျိုးအစားနှစ်မျိုးခွဲခြားသတ်မှတ်ရန် ရောဂါရှာဖွေရေးပံ့ပိုးမှုအမျိုးအစားခွဲခြားမှုပုံစံပုံစံအစီအမံတွင် ဖော်ပြထားပါသည်။
မှတ်ဉာဏ်စမ်းသပ်ခြင်း။ AD [23၊ 24] ကို စောစီးစွာ သိရှိနိုင်စေရန်အတွက် အဓိကဖြစ်သည်။ ထို့ကြောင့် MemTrax သည် လက်ခံနိုင်သော၊ ဆွဲဆောင်မှုရှိကာ အွန်လိုင်းတွင် အကောင်အထည်ဖော်ရလွယ်ကူသည် အပိုင်းမှတ်ဉာဏ်အတွက် စစ်ဆေးမှု ယေဘူယျအားဖြင့် [6]။ ဤစဉ်ဆက်မပြတ်စွမ်းဆောင်မှုလုပ်ငန်းမှ အသိအမှတ်ပြုမှု တိကျမှုနှင့် တုံ့ပြန်မှုအချိန်များသည် သင်ယူမှု၊ မှတ်ဉာဏ်နှင့် သိမြင်မှုဆိုင်ရာ အာရုံကြောပလပ်စတစ်လုပ်ငန်းစဉ်များတွင် အစောပိုင်းနှင့် ပြောင်းလဲလာသော ယိုယွင်းမှုနှင့် အကျိုးဆက်ချို့ယွင်းချက်များကို ဖော်ထုတ်ရာတွင် အထူးသဖြင့် ထင်ရှားပါသည်။ ဆိုလိုသည်မှာ၊ MemTrax စွမ်းဆောင်ရည်မက်ထရစ်များကို အဓိကအခြေခံထားသော ဤနေရာတွင် မော်ဒယ်များသည် အလွယ်တကူ အလွယ်တကူရရှိနိုင်ပြီး ကုန်ကျစရိတ်အနည်းငယ်ဖြင့် အသွင်ကူးပြောင်းမှုလက္ခဏာမပြနိုင်သောအဆင့်အတွင်း ဇီဝဗေဒဆိုင်ရာ အာရုံကြောဆိုင်ရာချို့ယွင်းချက်များကို ကောင်းစွာဖော်ပြနိုင်သည် [25]။ Ashford et al ။ MemTrax [6] တွင် ပါဝင်ခဲ့သည့် အွန်လိုင်းအသုံးပြုသူများတွင် အသိအမှတ်ပြုမှတ်ဉာဏ် တိကျမှုနှင့် တုံ့ပြန်မှုအချိန်များ၏ ပုံစံများနှင့် အပြုအမူများကို အနီးကပ်စစ်ဆေးခဲ့သည်။ ဤဖြန့်ဝေမှုများသည် အကောင်းမွန်ဆုံး စံနမူနာပြခြင်းနှင့် မှန်ကန်ပြီး ထိရောက်သော လူနာစောင့်ရှောက်မှု အက်ပ်လီကေးရှင်းများကို ဖန်တီးရာတွင် အရေးပါသည်ဟု လေးစားလျက်၊ လက်တွေ့အသုံးချနိုင်သော အသိအမှတ်ပြုမှုနှင့် တုံ့ပြန်မှုအချိန်ပရိုဖိုင်များကို သတ်မှတ်ခြင်းသည် ဆေးခန်းနှင့် သုတေသနဆိုင်ရာ အသုံးဝင်မှုအတွက် အဖိုးတန်သော အခြေခံအကိုးအကားကို ထူထောင်ရာတွင် မရှိမဖြစ်လိုအပ်ပါသည်။ အစောပိုင်းအဆင့် သိမြင်မှု ချို့ယွင်းမှုနှင့် ကွဲပြားမှုဆိုင်ရာ ရောဂါရှာဖွေရေး ပံ့ပိုးမှုအတွက် AD စစ်ဆေးမှုတွင် MemTrax ၏ လက်တွေ့ကျသောတန်ဖိုးကို စမ်းသပ်မှုစွမ်းဆောင်ရည်ကို ထိခိုက်စေသော comorbidities နှင့် သိမြင်နိုင်စွမ်း၊ အာရုံခံနိုင်စွမ်းနှင့် မော်တာစွမ်းရည်များကို ထည့်သွင်းစဉ်းစားနိုင်သည့် ဆေးခန်းဆက်တင်တစ်ခုတွင် ပိုမိုနီးကပ်စွာ ဆန်းစစ်ရန်လိုအပ်ပါသည်။ ပရော်ဖက်ရှင်နယ်အမြင်ကို အသိပေးရန်နှင့် လက်တွေ့ကျသော လက်တွေ့အသုံးချမှုဆိုင်ရာ အသုံးဝင်မှုကို အားပေးရန်အတွက်၊ နောက်ပိုင်းတွင် ခက်ခဲကြမ်းတမ်းသော စမ်းသပ်ပို့ဆောင်မှု၊ ပညာရေးနှင့် ဘာသာစကားဆိုင်ရာ အဟန့်အတားများနှင့် ယဉ်ကျေးမှုဆိုင်ရာ လွှမ်းမိုးမှုများကြောင့် အသိအမှတ်ပြုခံရနိုင်သော်လည်း၊ တည်ထောင်ထားသော သိမြင်မှုကျန်းမာရေးဆိုင်ရာ အကဲဖြတ်စစ်ဆေးမှုတစ်ခုနှင့် နှိုင်းယှဉ်ပြသရန် လိုအပ်ပါသည်။ [26] . ဤကိစ္စနှင့် ပတ်သက်၍၊ ပုံမှန်အားဖြင့် စက်မှုလုပ်ငန်းစံအဖြစ် ယူဆထားသော MoCA နှင့် လက်တွေ့ထိရောက်မှုတွင် MemTrax ၏ နှစ်သက်ဖွယ် နှိုင်းယှဉ်ချက်သည် အထူးသဖြင့် MemTrax ၏ အသုံးဝင်မှုနှင့် လူနာလက်ခံမှုကို ချိန်ဆသည့်အခါတွင် သိသာထင်ရှားပါသည်။
MemTrax ကို MoCA နှင့် နှိုင်းယှဉ်ထားသော ယခင်ရှာဖွေမှုသည် ကျွန်ုပ်တို့၏ မော်ဒယ်စမ်းသပ်မှု [8] ကို ခိုင်လုံသော ကျိုးကြောင်းဆီလျော်မှုနှင့် ပဏာမသက်သေအထောက်အထားများကို မီးမောင်းထိုးပြပါသည်။ သို့သော်လည်း၊ ဤကြိုတင်နှိုင်းယှဉ်မှုသည် MoCA မှသတ်မှတ်ထားသော သိမြင်မှုအခြေအနေနှင့် ကျွန်ုပ်တို့စစ်ဆေးခဲ့သော အဓိက MemTrax စွမ်းဆောင်ရည်မက်ထရစ်နှစ်ခုနှင့် ဆက်စပ်နေပြီး သက်ဆိုင်ရာအပိုင်းအခြားများနှင့် ဖြတ်တောက်မှုတန်ဖိုးများကို သတ်မှတ်ပေးထားသည်။ ကျွန်ုပ်တို့သည် MemTrax ၏ လက်တွေ့အသုံးချအကဲဖြတ်မှုကို နက်ရှိုင်းစွာလုပ်ဆောင်ပြီး အခြားဖြစ်နိုင်ချေရှိသော လူနာနှင့်သက်ဆိုင်သော ကန့်သတ်ဘောင်များကို တစ်ဦးချင်းအလိုက် ပိုမိုထည့်သွင်းစဉ်းစားပေးမည့် ကြိုတင်ခန့်မှန်းမော်ဒယ်လ်အခြေပြုချဉ်းကပ်နည်းကို ရှာဖွေခြင်းဖြင့် နက်ရှိုင်းလာပါသည်။ အခြားသူများနှင့်မတူဘဲ၊ MoCA ရမှတ်သို့ ပညာပေးပြင်ဆင်မှု (ချိန်ညှိမှု) ကိုအသုံးပြု၍ စံပြစွမ်းဆောင်ရည်တွင် အားသာချက်တစ်ခု သို့မဟုတ် MoCA စုစုပေါင်းရမှတ်အဆင့်ကို မူလအကြံပြုထားသည့် 26 မှ 23 [12၊ 15] မှ ခွဲခြားသိမြင်မှုကျန်းမာရေးကို ကွဲပြားစေခြင်းတွင် အားသာချက်မတွေ့ပါ။ အမှန်မှာ၊ အမျိုးအစားခွဲခြင်းစွမ်းဆောင်ရည်အားသာချက်သည် မချိန်ညှိထားသော MoCA ရမှတ်နှင့် မြင့်မားသောအဆင့်ကို အသုံးပြု၍ ဦးစားပေးသည်။
လက်တွေ့ကျင့်စဉ်တွင် အဓိကအချက်များ
ဒေတာများ ကျယ်ကျယ်ပြန့်ပြန့်နှင့် ဘက်ပေါင်းစုံမှ များပြားလာသောအခါတွင်၊ ဆိုလိုသည်မှာ၊ လေ့လာသုံးသပ်ချက်ပေါင်းမြောက်မြားစွာနှင့် တန်ဖိုးမြင့်သော (ပံ့ပိုးကူညီမှု) ရည်ညွှန်းချက်များ ပေါင်းစပ်လိုက်သောအခါတွင် machine learning ကို အကောင်းဆုံးအသုံးချပြီး ထိရောက်မှုအရှိဆုံးဖြစ်သည်။ သို့တိုင်၊ ဤလက်ရှိဒေတာဖြင့်၊ ရွေးချယ်ထားသောအင်္ဂါရပ်လေးခုသာရှိသော စစ်ထုတ်ထားသောမော်ဒယ်များသည် ဘုံအင်္ဂါရပ် 10 ခုလုံးကိုအသုံးပြုခြင်းထက် ပိုမိုကောင်းမွန်ပါသည်။ ဤနည်းဖြင့် လူနာများကို အကောင်းဆုံး အမျိုးအစားခွဲရန် ကျွန်ုပ်တို့၏ စုစည်းထားသော ဆေးရုံဒေတာအတွဲတွင် အသင့်လျော်ဆုံး (တန်ဖိုးမြင့်) အင်္ဂါရပ်များ မပါရှိကြောင်း အကြံပြုပါသည်။ မည်သို့ပင်ဆိုစေကာမူ၊ အဓိက MemTrax စွမ်းဆောင်ရည်မက်ထရစ်များ—MTx-%C နှင့် MTx-RT—အပေါ် အလေးပေးဖော်ပြသည့်အင်္ဂါရပ်သည် ရိုးရှင်းသော၊ စီမံခန့်ခွဲရလွယ်ကူသော၊ ကုန်ကျစရိတ်နည်းပြီး သင့်လျော်စွာဖော်ပြသည့် ဤစမ်းသပ်မှုတစ်ဝိုက်တွင် အစောပိုင်းအဆင့် သိမြင်မှုလိုငွေပြမှုစိစစ်ခြင်းပုံစံများကို တည်ဆောက်ခြင်းကို အခိုင်အမာထောက်ခံပါသည်။ မှတ်ဉာဏ်စွမ်းဆောင်ရည်၊ အနည်းဆုံး ယခုအချိန်တွင် သိမြင်မှုကျန်းမာရေးအခြေအနေ၏ ဒွိအမျိုးအစားခွဲခြားမှုအတွက် ကနဦးစခရင်တစ်ခုဖြစ်သည်။ ဝန်ဆောင်မှုပေးသူများနှင့် ကျန်းမာရေးစောင့်ရှောက်မှုစနစ်များပေါ်တွင် အမြဲတစေ တင်းမာနေခြင်းကြောင့် လူနာစစ်ဆေးခြင်းလုပ်ငန်းစဉ်များနှင့် ဆေးခန်းသုံးလျှောက်လွှာများကို စုဆောင်းခြင်း၊ ခြေရာခံခြင်းနှင့် စံနမူနာပြခြင်းအပေါ် အလေးပေးကာ သင့်လျော်စွာ ဖော်ဆောင်သင့်သည် နှင့်လူနာစီမံခန့်ခွဲမှုပံ့ပိုးမှု။
MCI အမျိုးအစားခွဲခြားခြင်းအတွက် အဓိကကျသော MemTrax မက်ထရစ်နှစ်ခုသည် ကျွန်ုပ်တို့၏ထိပ်တန်းစွမ်းဆောင်ရည်ရှိသောသင်ယူသူ (Naïve Bayes) သည် မော်ဒယ်အများစုတွင် (AUC ထက် 0.90 ကျော်) တွင် မှန်ကန်သောအပြုသဘောမှ မှားယွင်းသောအပြုသဘောအချိုးအစား 4 အနီး သို့မဟုတ် 1 ထက် အနည်းငယ်ကျော်လွန်နေပါသည်။ : XNUMX. ဤသင်ယူသူအသုံးပြုထားသော ဘာသာပြန်လက်တွေ့အပလီကေးရှင်းတစ်ခုသည် မှတ်ဥာဏ်ချို့ယွင်းနေသူအများစုကို (မှန်ကန်စွာ အမျိုးအစားခွဲခြား) နိုင်မည်ဖြစ်ပြီး၊ ပုံမှန်သိမြင်မှုကျန်းမာရေးရှိသူကို မှားယွင်းစွာခွဲခြားသတ်မှတ်ခြင်းနှင့် ဆက်စပ်သောကုန်ကျစရိတ်ကို နည်းပါးအောင်ပြုလုပ်ခြင်းဖြင့် မှတ်ဥာဏ်ချို့ယွင်းမှု (false positive) သို့မဟုတ် သိမှု ချို့ယွင်းချက် (false negative) ရှိသူများတွင် အဆိုပါ အမျိုးအစား ခွဲခြားမှု ပျောက်ဆုံးနေပါသည်။ မှားယွင်းသော အမျိုးအစားခွဲခြားခြင်း၏ ဤအခြေအနေများထဲမှ တစ်ခုက လူနာနှင့် ပြုစုစောင့်ရှောက်သူများအတွက် မလျော်ကန်သော စိတ်ပိုင်းဆိုင်ရာ လူမှုရေးဆိုင်ရာ ဝန်ထုပ်ဝန်ပိုး ဖြစ်စေနိုင်သည်။
ပဏာမနှင့် အပြည့်အဝ ခွဲခြမ်းစိတ်ဖြာမှုတွင် ကျွန်ုပ်တို့သည် မော်ဒယ်လ်အစီအစဉ်တစ်ခုစီတွင် သင်ယူသူ ဆယ်ဦးလုံးကို အသုံးပြုထားသော်လည်း၊ တစ်သမတ်တည်း အပြင်းထန်ဆုံးစွမ်းဆောင်ရည်ပြသသည့် အမျိုးအစားခွဲသုံးမျိုးအပေါ် ကျွန်ုပ်တို့၏ရလဒ်များကို အာရုံစိုက်ထားပါသည်။ ဤအချက်အပေါ် အခြေခံ၍ သိမြင်မှုအခြေအနေ အမျိုးအစားခွဲခြားသတ်မှတ်ရာတွင် လက်တွေ့ကျသော လက်တွေ့အသုံးချမှုဆိုင်ရာ အသုံးချမှုတွင် မြင့်မားသောအဆင့်တွင် မှီခိုအားထားကာ မျှော်မှန်းလုပ်ဆောင်မည့် သင်ယူသူများကိုလည်း မီးမောင်းထိုးပြရန်ဖြစ်ပါသည်။ ထို့အပြင်၊ ဤလေ့လာမှုကို သိမြင်မှုစစ်ဆေးခြင်းဆိုင်ရာ စက်သင်ယူခြင်း၏ အသုံးဝင်ပုံနှင့် ဤအချိန်နှင့်တစ်ပြေးညီ လက်တွေ့စမ်းသပ်မှုဆိုင်ရာ စိန်ခေါ်မှုများကို နိဒါန်းလေ့လာရန် ရည်ရွယ်ထားသောကြောင့်၊ ကျွန်ုပ်တို့သည် သင်ယူမှုနည်းစနစ်များကို ရိုးရှင်းပြီး ယေဘုယျအားဖြင့် ကန့်သတ်ထားရန် ဆုံးဖြတ်ချက်ချခဲ့သည်။ ဤချဉ်းကပ်နည်းသည် ပိုမိုကျဉ်းမြောင်းစွာသတ်မှတ်ထားသော လူနာတစ်ဦးချင်းအလိုက် ကြိုတင်ခန့်မှန်းနိုင်မှုများအတွက် အလားအလာများကို ကန့်သတ်ထားနိုင်သည်ကို ကျွန်ုပ်တို့ ကျေးဇူးတင်ပါသည်။ အလားတူ၊ ထိပ်တန်းအင်္ဂါရပ်များ (filtered approach) ကိုသာ အသုံးပြု၍ မော်ဒယ်များကို လေ့ကျင့်ပေးသော်လည်း ဤဒေတာများနှင့်ပတ်သက်၍ ကျွန်ုပ်တို့အား ထပ်လောင်းအသိပေးသည် (စုဆောင်းရရှိထားသော ဒေတာချို့ယွင်းချက်နှင့် အဖိုးတန်လက်တွေ့အချိန်နှင့် အရင်းအမြစ်များကို ပိုမိုကောင်းမွန်အောင်လုပ်ဆောင်ရာတွင် တန်ဖိုးကို မီးမောင်းထိုးပြခြင်း)၊ ကျဉ်းမြောင်းရန် အချိန်မတန်သေးကြောင်း ကျွန်ုပ်တို့အသိအမှတ်ပြုပါသည်။ မော်ဒယ်များ၏ နယ်ပယ်နှင့် ထို့ကြောင့်၊ ကျယ်ပြန့်သော လူဦးရေနှင့် သက်ဆိုင်မည့် ဦးစားပေး အင်္ဂါရပ်များ၏ ပိုမိုတိကျသော ပရိုဖိုင်တစ်ခု မရရှိမချင်း အနာဂတ် သုတေသနတွင် ထည့်သွင်းစဉ်းစားသင့်ပါသည်။ ထို့ကြောင့်၊ အထူးသဖြင့် နောက်ထပ်လက်တွေ့အကဲဖြတ်မှုတွင် ထည့်သွင်းစဉ်းစားရမည့် မှတ်ဥာဏ်စွမ်းဆောင်ရည်အပေါ် သက်ရောက်မှုရှိသော comorbidities များကို လိုက်လျောညီထွေဖြစ်စေရန်အတွက် ၎င်းတို့နှင့် အခြားမော်ဒယ်များ၏ ထိရောက်သော လက်တွေ့အသုံးချမှုတစ်ခုအဖြစ် ပေါင်းစပ်ခြင်းမပြုမီ ပိုမိုပါဝင်ပြီး ကျယ်ပြန့်သော ကိုယ်စားလှယ်ဒေတာနှင့် ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ရန် လိုအပ်ကြောင်းကိုလည်း ကျွန်ုပ်တို့ အပြည့်အဝအသိအမှတ်ပြုပါသည်။
MemTrax ၏ Utility ကို သီးခြားလက်တွေ့ရောဂါရှာဖွေတွေ့ရှိမှုအပေါ် အခြေခံ၍ ရောဂါပြင်းထန်မှုပုံစံပုံစံဖြင့် ထပ်မံပြင်ဆင်ထားပါသည်။ VaD ၏ ပြင်းထန်မှု (AD နှင့် နှိုင်းယှဉ်ပါက) ခန့်မှန်းရာတွင် ပိုမိုကောင်းမွန်သော အလုံးစုံ အမျိုးအစားခွဲခြင်း စွမ်းဆောင်ရည်သည် မဟုတ်ပါ။ သွေးကြောကျန်းမာရေးနှင့် သက်ဆိုင်သော မော်ဒယ်များတွင် လူနာ၏ ကိုယ်ရေးအကျဉ်း အင်္ဂါရပ်များကို အံ့သြဖွယ် တွေ့ရှိရသည်။ နှင့် လေဖြတ်နိုင်ခြေ ၊ ဆိုလိုသည်မှာ သွေးတိုးရောဂါ၊ သွေးတိုးရောဂါ၊ ဆီးချိုရောဂါနှင့် (ဟုတ်ပါတယ်) လေဖြတ်ခြင်း မှတ်တမ်း။ သင်ယူသူများကို ဤပို၍ပါဝင်သည့် အချက်အလက်များဖြင့် လေ့ကျင့်ပေးရန်အတွက် သာမန်အသိဉာဏ်ကျန်းမာရေးနှင့် ကိုက်ညီသော လူနာများအပေါ် တူညီသော ဆေးခန်းအကဲဖြတ်မှုပြုလုပ်ရန် ပိုမိုနှစ်လိုဖွယ်ကောင်းပြီး သင့်လျော်မည်ဖြစ်သည်။ MemTrax သည် သိမြင်မှုလိုငွေပြမှုနှင့် တစ်ဦးချင်းပြောင်းလဲမှုများ၏ နောက်ဆက်တွဲ ခြေရာခံခြင်းအတွက် အဓိကအားဖြင့် အသုံးပြုရန် ရည်ရွယ်ထားသောကြောင့် ၎င်းကို အထူးအာမခံပါသည်။ VaD dataset တွင် ပိုမိုနှစ်လိုဖွယ်ကောင်းသော ဒေတာဖြန့်ဝေမှုသည် နှိုင်းယှဥ်သာလွန်သော မော်ဒယ်လ်စွမ်းဆောင်ရည်အတွက် တစ်စိတ်တစ်ပိုင်း အထောက်အကူဖြစ်စေသည်ဟုလည်း ဖြစ်နိုင်သည်။ VaD ဒေတာအစုံသည် အတန်းနှစ်ခုကြားတွင် ကောင်းစွာဟန်ချက်ညီခဲ့သော်လည်း MCI လူနာနည်းပါးသော AD ဒေတာအတွဲသည် မရှိပေ။ အထူးသဖြင့် သေးငယ်သော ဒေတာအတွဲများတွင်၊ အချို့သော နောက်ထပ်သာဓကများသည်ပင် တိုင်းတာနိုင်သော ခြားနားမှုကို ဖြစ်စေနိုင်သည်။ ရှုထောင့်နှစ်ခုလုံးသည် ရောဂါပြင်းထန်မှု ပုံစံထုတ်ခြင်းစွမ်းဆောင်ရည်တွင် ကွဲပြားမှုများကို နောက်ခံပြုထားသော ကျိုးကြောင်းဆီလျော်သော အကြောင်းပြချက်များဖြစ်သည်။ သို့ရာတွင်၊ ဒေတာအစုအလိုက် ကိန်းဂဏာန်းလက္ခဏာများ သို့မဟုတ် ထည့်သွင်းစဉ်းစားထားသည့် လက်တွေ့တင်ပြမှုများအတွက် အချိုးကျတိုးတက်လာသော စွမ်းဆောင်ရည်ကို ထည့်သွင်းတွက်ချက်ခြင်းသည် အချိန်မတန်သေးပါ။ မည်သို့ပင်ဆိုစေကာမူ၊ ဤဝတ္ထုသည် လက်တွေ့စမ်းသပ်မှုဆိုင်ရာ ပံ့ပိုးမှုအခန်းကဏ္ဍတွင် MemTrax ကြိုတင်ခန့်မှန်းနိုင်သော အမျိုးအစားခွဲခြားမှုပုံစံ၏ အသုံးဝင်မှုကို သရုပ်ပြခဲ့ပြီး အဖိုးတန်သောရှုထောင့်ကို ပံ့ပိုးပေးပြီး MCI ၏သန္တာန်တစ်လျှောက် လူနာများနှင့် ထပ်လောင်းစစ်ဆေးမှုများအတွက် လိုက်ရှာမှုကို အခိုင်အမာပြသခဲ့သည်။
ဘာသာစကားနှင့် ယဉ်ကျေးမှုသည် တည်ထောင်ထားသော အခြားဒေသများ (ဥပမာ၊ ပြင်သစ်၊ နယ်သာလန်၊ နှင့် United States) [7၊ 8၊ 27] တို့နှင့် အလွန်ကွာခြားသည့် MemTrax နှင့် ဤပုံစံများကို အကောင်အထည်ဖော်ခြင်းနှင့် သရုပ်ပြသည့် အသုံးဝင်မှုသည် တရုတ်နိုင်ငံရှိ အလားအလာများကို ပိုမိုအလေးပေးဖော်ပြသည်။ MemTrax အခြေခံ ပလပ်ဖောင်း၏ ကျယ်ပြန့်သော ကမ္ဘာလုံးဆိုင်ရာ လက်ခံမှုနှင့် လက်တွေ့တန်ဖိုးအတွက်။ ဤသည်မှာ ဒေတာသဟဇာတဖြစ်အောင် ကြိုးပမ်းရာတွင် လက်တွေ့ကျသော နိုင်ငံတကာ စံနှုန်းများနှင့် ကမ္ဘာတစ်ဝှမ်း အသုံးပြုရန် အလွယ်တကူ လိုက်လျောညီထွေဖြစ်အောင် စံပြု၍ အလွယ်တကူ လိုက်လျောညီထွေဖြစ်သော သိမြင်မှုဆိုင်ရာ စိစစ်ခြင်းအတွက် လက်တွေ့ကျသော နိုင်ငံတကာစံနှုန်းများနှင့် စံပြအရင်းအမြစ်များကို ဖော်ဆောင်ရာတွင် သက်သေပြနိုင်သော ဥပမာတစ်ခုဖြစ်သည်။
သိမြင်မှု ကျဆင်းမှုပုံစံနှင့် အသုံးချမှုတွင် နောက်အဆင့်များ
AD တွင် သိမြင်မှု ချို့ယွင်းမှုသည် ခွဲခြမ်းစိတ်ဖြာသော အဆင့်များ သို့မဟုတ် အဆင့်များတွင် မဟုတ်ဘဲ အသန္တာန်တွင် အမှန်တကယ် ဖြစ်ပေါ်ပါသည်။ သို့သော်၊ ဤအစောပိုင်းအဆင့်တွင်၊ ကျွန်ုပ်တို့၏ရည်မှန်းချက်မှာ "ပုံမှန်" နှင့် "ပုံမှန်မဟုတ်" ကိုအခြေခံကျကျခွဲခြားနိုင်သော MemTrax ပါ၀င်သည့်ပုံစံတစ်ခုကိုတည်ဆောက်ရန် ကျွန်ုပ်တို့၏စွမ်းရည်ကို ဦးစွာတည်ဆောက်ရန်ဖြစ်သည်။ ပိုမိုပါဝင်သည့် empirical data (ဥပမာ၊ ဦးနှောက်ပုံရိပ်ဖော်ခြင်း၊ မျိုးဗီဇအင်္ဂါရပ်များ၊ biomarkers၊ comorbidities နှင့် ရှုပ်ထွေးသောလုပ်ဆောင်မှုဆိုင်ရာ အမှတ်အသားများ သိမြင်မှုလိုအပ်သောလှုပ်ရှားမှုများ ထိန်းချုပ်မှု) [30] မတူညီသောကမ္ဘာ့ဒေသများ၊ လူဦးရေနှင့် အသက်အုပ်စုများတစ်လျှောက် ပိုမိုခေတ်မီဆန်းသစ်သော (သင့်လျော်သောအလေးချိန်ရှိသော အစုအဝေးအပါအဝင်) စက်သင်ယူမှုပုံစံများသည် ပိုမိုတိုးတက်ကောင်းမွန်သော အမျိုးအစားခွဲခြားမှုကို ပံ့ပိုးပေးမည်ဖြစ်ပြီး၊ ဆိုလိုသည်မှာ လူနာအုပ်စုများကို အမျိုးအစားခွဲခြားနိုင်သည့်စွမ်းရည်၊ MCI သည် သိမြင်မှု ကျဆင်းနေသော သန္တာန်တစ်လျှောက်ရှိ သေးငယ်ပြီး ပိုမိုတိကျသော အစုခွဲများအဖြစ်သို့။ ထို့အပြင်၊ ဒေသအလိုက် ကွဲပြားသော လူနာဦးရေများတစ်လျှောက် တစ်ဦးချင်းစီအတွက် ပေါင်းစပ်လက်တွေ့ စစ်ဆေးမှုများသည် မရှိမဖြစ် လိုအပ်ပါသည်။ ထိထိရောက်ရောက်လေ့ကျင့်ပါ။ ဤပိုမိုပါဝင်ပြီး ကြိုတင်မှန်းဆနိုင်သော ကြံ့ခိုင်မော်ဒယ်များ။ ၎င်းသည် အလားတူနောက်ခံများ၊ သြဇာလွှမ်းမိုးမှုများနှင့် ကျဉ်းမြောင်းစွာသတ်မှတ်ထားသော သိမြင်မှုဆိုင်ရာ ပရိုဖိုင်များ ရှိသူများအတွက် ပိုမိုတိကျသော ခွဲခြားသတ်မှတ်ထားသော အမှုတွဲစီမံခန့်ခွဲမှုကို လွယ်ကူချောမွေ့စေမည်ဖြစ်ပြီး ထို့ကြောင့် ဆေးခန်းဆိုင်ရာ ဆုံးဖြတ်ချက် ပံ့ပိုးမှုနှင့် လူနာပြုစုစောင့်ရှောက်မှုကို ပိုကောင်းအောင် လုပ်ဆောင်နိုင်မည်ဖြစ်သည်။
ယနေ့အထိ သက်ဆိုင်ရာလက်တွေ့သုတေသနအများစုသည် အနည်းဆုံး အပျော့စား dementia ရှိသော လူနာများကို ကိုင်တွယ်ဖြေရှင်းထားပါသည်။ လက်တွေ့တွင်၊ လူနာသည် မကြာခဏဆိုသလို ကြားဝင်စွက်ဖက်မှုကို အဆင့်မြင့်အဆင့်များတွင်သာ ကြိုးစားသည်။ သို့သော်၊ မှတ်ဥာဏ်ကျဆင်းမှုသည် လက်တွေ့ကျသော စံသတ်မှတ်ချက်များ မပြည့်မီမီတွင် ကောင်းမွန်စွာစတင်သောကြောင့်၊ ထိရောက်စွာအသုံးချထားသော MemTrax အခြေပြု အစောပိုင်းမျက်နှာပြင်သည် ရောဂါနှင့် ၎င်း၏တိုးတက်မှုများနှင့်ပတ်သက်ပြီး လူတစ်ဦးချင်းစီ၏ သင့်လျော်သောပညာရေးကို တွန်းအားပေးနိုင်ပြီး စောစောပိုင်းနှင့် အချိန်နှင့်တစ်ပြေးညီ ကြားဝင်ဆောင်ရွက်ပေးမှုများကို လှုံ့ဆော်ပေးနိုင်သည်။ ထို့ကြောင့် စောစီးစွာရှာဖွေတွေ့ရှိမှုသည် လေ့ကျင့်ခန်း၊ အစားအသောက်၊ စိတ်ပိုင်းဆိုင်ရာ ပံ့ပိုးကူညီမှုနှင့် လူမှုဆက်ဆံရေးကောင်းမွန်သော ဆေးဝါးဗေဒဆိုင်ရာ ဝင်ရောက်စွက်ဖက်မှုအထိ သင့်လျော်သောပါဝင်ပတ်သက်မှုများကို ပံ့ပိုးပေးနိုင်ပြီး လူနာနှင့်ပတ်သက်သော အပြုအမူနှင့် ခံယူချက်ပြောင်းလဲမှုများတွင် တစ်ကိုယ်တည်း သို့မဟုတ် အစုလိုက်အပြုံလိုက် လျော့ပါးသွားစေနိုင်သည့် သို့မဟုတ် ရပ်တန့်သွားစေနိုင်သည် [31၊ 32] . ထို့အပြင် ထိရောက်မှုရှိသည်။ အစောပိုင်းစစ်ဆေးမှုမျှော်လင့်ချက်များနှင့် ရည်ရွယ်ချက်များကို ရှင်းလင်းရန်နှင့် နေ့စဉ်လုပ်ငန်းဆောင်တာများကို စီမံခန့်ခွဲရာတွင် ကူညီရန်အတွက် တစ်ဦးချင်းစီနှင့် ၎င်းတို့၏ မိသားစုများအား လက်တွေ့စမ်းသပ်မှုများကို ထည့်သွင်းစဉ်းစားရန် သို့မဟုတ် အကြံဉာဏ်ပေးခြင်းနှင့် အခြားလူမှုရေးဝန်ဆောင်မှုများပံ့ပိုးမှုရယူရန် လှုံ့ဆော်ခံရနိုင်သည်။ ဤနည်းလမ်းများတွင် ထပ်လောင်းအတည်ပြုခြင်းနှင့် ကျယ်ပြန့်သောလက်တွေ့အသုံးချမှုတို့သည် လူများစွာအတွက် MCI၊ AD နှင့် ADRD ၏တိုးတက်မှုကို လျော့ပါးစေရန် သို့မဟုတ် ရပ်တန့်ခြင်းအတွက် အထောက်အကူဖြစ်နိုင်ပါသည်။
အမှန်စင်စစ်၊ ကျွန်ုပ်တို့၏လေ့လာမှုရှိ လူနာအသက်အပိုင်းအခြား၏ နိမ့်ပါးမှုသည် AD နှင့် အစဉ်အလာစိုးရိမ်မှု၏ လူဦးရေကို ကိုယ်စားမပြုပါ။ မည်သို့ပင်ဆိုစေကာမူ၊ MoCA ရမှတ်/သတ်မှတ်အဆင့်နှင့် ရောဂါရှာဖွေမှုပြင်းထန်မှု (ဇယား 3) ပေါ်အခြေခံ၍ အမျိုးအစားခွဲခြားမှုပုံစံပုံစံအစီအမံများတွင်အသုံးပြုသော အုပ်စုတစ်ခုစီအတွက် ပျမ်းမျှအသက်သည် အနည်းဆုံး အသက် 80 နှစ်ဖြစ်ခြင်းကို ထင်ရှားစေသည်။ ထို့ကြောင့် ဤဖြန့်ဝေမှုသည် ယေဘုယျအားဖြင့် အလွန်သင့်လျော်ပြီး ပုံမှန်အားဖြင့် သက်ရောက်မှုခံရသူများအား လက္ခဏာပြသော လူဦးရေတွင် ဤမော်ဒယ်များ၏ အသုံးဝင်မှုကို ပံ့ပိုးပေးပါသည်။ အစောပိုင်းစတင်ခြင်း။ AD နှင့် VaD ကြောင့် ကြီးထွားလာသော အာရုံကြောဆိုင်ရာရောဂါများ။ ထို့အပြင်၊ မကြာသေးမီက သက်သေအထောက်အထားများနှင့် ရှုထောင့်မှ အသိအမှတ်ပြုထားသော အကြောင်းရင်းများ (ဥပမာ- သွေးတိုးရောဂါ၊ အဝလွန်ခြင်း၊ ဆီးချိုရောဂါနှင့် ဆေးလိပ်သောက်ခြင်း) သည် စောစီးစွာ ဖြစ်ပွားနိုင်ချေကို မြင့်မားစေပါသည်။ အရွယ်ရောက်ပြီးသူနှင့် အသက်တစ်ဝိုက်တွင် သွေးကြောဆိုင်ရာအန္တရာယ်ရမှတ်များနှင့် ငယ်ရွယ်စဉ်တွင်ပင် ထင်ရှားသောအကျိုးသက်ရောက်မှုများဖြင့် ဆိုးရွားစွာဖြစ်ပေါ်နေသော သိမ်မွေ့သော သွေးကြောဆိုင်ရာ ဦးနှောက်ထိခိုက်မှု၏အကျိုးဆက်များ၊ အရွယ်ရောက်ပြီးသူ [33–35]။ ထို့ကြောင့်၊ စောစီးစွာသိရှိနိုင်ရေးအတွက် အကောင်းဆုံးကနဦးစစ်ဆေးမှုအခွင့်အလမ်းဖြစ်သည်။ မှတ်ဥာဏ်ချို့ယွင်းမှုအဆင့်နှင့် dementia ကိုအောင်မြင်စွာဖြေရှင်းရန်အတွက်ထိရောက်သောကြိုတင်ကာကွယ်ရေးနှင့်ဝင်ရောက်စွက်ဖက်မှုမဟာဗျူဟာများကိုစတင်လုပ်ဆောင်သည် အရွယ်ရောက်ပြီးသူနှင့် ကလေးဘဝပင်ဖြစ်နိုင်ချေများအပါအဝင် အသက်အရွယ်အပိုင်းအခြားတစ်လျှောက်နှင့် ရှေးဦးအညွှန်းကိန်းများကို ဆန်းစစ်ရာမှ ထွက်ပေါ်လာလိမ့်မည် (အစောပိုင်းကိုယ်ဝန်ဆောင်ချိန်မှ apolipoprotein E ကဲ့သို့သော မျိုးရိုးဗီဇဆိုင်ရာအချက်များ ဆက်စပ်မှုကို သတိပြုမိသည်)။
လက်တွေ့တွင်၊ အဆင့်မြင့် ပုံရိပ်ဖော်ခြင်း၊ မျိုးရိုးဗီဇဆိုင်ရာ ပရိုဖိုင်ပြုလုပ်ခြင်းနှင့် အလားအလာရှိသော ဇီဝအမှတ်အသားများကို တိုင်းတာခြင်းအတွက် မှန်ကန်သော ဆေးခန်းဆိုင်ရာ ရောဂါရှာဖွေမှုများနှင့် ကုန်ကျစရိတ်များသော လုပ်ငန်းစဉ်များသည် အမြဲတမ်း အလွယ်တကူရရှိနိုင်သည် သို့မဟုတ် ပံ့ပိုးပေးသူအများအပြားအတွက်ပင် ဖြစ်နိုင်ချေမရှိပါ။ ထို့ကြောင့်၊ ဥပမာများစွာတွင်၊ ကနဦး အလုံးစုံ သိမြင်မှုဆိုင်ရာ ကျန်းမာရေး အခြေအနေ အမျိုးအစား ခွဲခြားခြင်းကို လူနာမှ ပံ့ပိုးပေးသော အခြားသော ရိုးရှင်းသော တိုင်းတာမှုများကို အသုံးပြုသည့် မော်ဒယ်များမှ ဆင်းသက်လာရပေမည် (ဥပမာ၊ ကိုယ်တိုင် အစီရင်ခံခြင်း မှတ်ဥာဏ်ပြproblemsနာများ၊ လက်ရှိဆေးဝါးများ၊ နှင့် ပုံမှန်လုပ်ဆောင်မှု ကန့်သတ်ချက်များ) နှင့် ဘုံလူဦးရေဆိုင်ရာ အင်္ဂါရပ်များ [7]။ ကယ်လီဖိုးနီးယား တက္ကသိုလ် ကဲ့သို့သော စာရင်းသွင်းမှုများ ဦးနှောက်ကနျြးမာရေး Registry (https://www.brainhealthregistry.org/) [27] နှင့် အခြားသူများ ကိုယ်တိုင် အစီရင်ခံထားသော ရောဂါလက္ခဏာများ၊ အရည်အချင်းပြည့်မီမှု (ဥပမာ၊ အိပ်စက်ခြင်းနှင့် နေ့စဉ်သိမြင်မှု)၊ ဆေးဝါးများ၊ ကျန်းမာရေး အခြေအနေနှင့် မှတ်တမ်းများ၊ ပိုမိုအသေးစိတ်သော လူဦးရေပုံသဏ္ဍာန်များသည် ဆေးခန်းရှိ ဤပို၍ ရှေးရိုးဆန်သော မော်ဒယ်များ၏ လက်တွေ့ကျသော အသုံးချမှုကို ဖော်ထုတ်ခြင်းနှင့် အတည်ပြုခြင်းအတွက် အထောက်အကူဖြစ်လိမ့်မည်။ ထို့အပြင်၊ MemTrax ကဲ့သို့သော စမ်းသပ်မှုတစ်ခုသည် မှတ်ဉာဏ်လုပ်ဆောင်ချက်ကို အကဲဖြတ်ရာတွင် အသုံးဝင်မှုကို သရုပ်ပြထားသည့်အတွက် အမှန်တကယ်တွင် ဇီဝဗေဒဆိုင်ရာ အမှတ်အသားများထက် AD ရောဂါဗေဒ၏ သိသိသာသာ ပိုမိုကောင်းမွန်သော ခန့်မှန်းချက်ကို ပေးနိုင်ပါသည်။ AD ရောဂါဗေဒ၏အဓိကအင်္ဂါရပ်မှာ neuroplasticity ၏နှောင့်ယှက်ခြင်းနှင့်အလွန်ရှုပ်ထွေးသော synapses ဆုံးရှုံးခြင်းဖြစ်သည်၊ ၎င်းသည် episodic အဖြစ်ထင်ရှားသည် မှတ်ဉာဏ်ကမောက်ကမဖြစ်မှု ၊ တကယ်တော့ episodic memory ကို အကဲဖြတ်တဲ့ အတိုင်းအတာတစ်ခုပါ။ သက်ရှိလူနာ [36] တွင် ဇီဝဗေဒဆိုင်ရာ အမှတ်အသားများထက် AD ရောဂါဗေဒဆိုင်ရာ ဝန်ထုပ်ဝန်ပိုးကို ခန့်မှန်းခြေ ပိုကောင်းစေသည်။
ခေတ်မီနည်းပညာများမှ ရှုပ်ထွေးပြီး ပါဝင်နိုင်သော အချက်အလက်များနှင့် နယ်ပယ်များစွာရှိ သန့်စင်ထားသော ဆေးခန်းဆိုင်ရာ ထိုးထွင်းသိမြင်မှုများဖြင့် ပေါင်းစပ်ထားသော ကြိုတင်ခန့်မှန်းနိုင်သော မော်ဒယ်များအားလုံး သို့မဟုတ် ရှိပြီးသား လူနာပရိုဖိုင်များ၏ အခြေခံနှင့် အလွယ်တကူရရှိနိုင်သည့် အချက်အလက်ဆိုင်ရာ လက္ခဏာရပ်များ—အသိဉာဏ်တုအတု၏ အားသာချက်၊ စက်သင်ယူခြင်းသည် ထွက်ပေါ်လာသော မော်ဒယ်များသည် သက်ဆိုင်ရာ ဒေတာအသစ်များနှင့် ရှုထောင့်မှ ပေါင်းစပ်ကာ ပေါင်းစပ်ကာ “သင်ယူ” နိုင်ခြင်းကြောင့် ဖြစ်သည်။ လက်တွေ့ကျသောနည်းပညာလွှဲပြောင်းပြီးနောက်၊ ဤပုံစံများကို (နှင့် ဖွံ့ဖြိုးတိုးတက်ရန်) အသုံးချကာ ပိုမိုများပြားသောကိစ္စများနှင့်သက်ဆိုင်သောဒေတာများ (နောက်ဆက်တွဲဖြစ်ပေါ်နေသောအသိဉာဏ်ကျဆင်းမှုနှင့်အတူရှိနေနိုင်သည့်လူနာများအပါအဝင်)၊ ခန့်မှန်းစွမ်းဆောင်ရည်နှင့် သိမြင်မှုဆိုင်ရာကျန်းမာရေးအမျိုးအစားခွဲခြားမှုများသည် ပိုမိုအားကောင်းလာမည်ဖြစ်သည်။ ပိုမိုထိရောက်သော ကုသမှုဆိုင်ရာ ဆုံးဖြတ်ချက်ကို အထောက်အကူဖြစ်စေသည်။ ကျန်းမာရေးစောင့်ရှောက်မှုပေးသူများသည် ဆေးခန်းတွင်အချိန်နှင့်တပြေးညီအသုံးပြုနိုင်သည့် စိတ်ကြိုက် (ရရှိနိုင်စွမ်းဆောင်နိုင်မှုများအတွက် ရည်ရွယ်ထားသည့်) ပလပ်ဖောင်းများတွင် MemTrax ကို ထည့်သွင်းခြင်းဖြင့် ဤဆင့်ကဲဖြစ်စဉ်ကို ပိုမိုပြည့်စုံပြီး လက်တွေ့ကျကျ သိရှိလာမည်ဖြစ်ပါသည်။
ရောဂါရှာဖွေရေး ပံ့ပိုးမှုနှင့် လူနာပြုစုစောင့်ရှောက်မှုအတွက် MemTrax မော်ဒယ်၏ တရားဝင်မှုနှင့် အသုံးဝင်မှုတို့အတွက် မရှိမဖြစ်လိုအပ်သည်မှာ အဓိပ္ပာယ်ပြည့်ဝသော အရှည်လိုက်ဒေတာကို အလွန်ရှာဖွေနေပါသည်။ အစောပိုင်းအဆင့် MCI မှ လုံလောက်သော ပုံမှန်အကွာအဝေးအတွင်း ပုံမှန်အကွာအဝေးအတွင်း ပေါင်းစပ်ပြောင်းလဲမှုများ (ရှိပါက) ကို ကြည့်ရှုမှတ်သားခြင်းဖြင့်၊ သင့်လျော်သော ဆက်လက်အကဲဖြတ်ခြင်းနှင့် အမျိုးအစားခွဲခြင်းအတွက် မော်ဒယ်များကို လူနာအသက်အရွယ်အတိုင်း လေ့ကျင့်ပြင်ဆင်ပြီး ကုသနိုင်ပါသည်။ ဆိုလိုသည်မှာ၊ ထပ်ခါတလဲလဲ utility သည် အပျော့စား သိမြင်မှုဆိုင်ရာပြောင်းလဲမှုများ၊ စွက်ဖက်မှုထိရောက်မှု၊ နှင့်အသိပေး stratified care ကိုထိန်းသိမ်းထားခြင်းဖြင့် ကူညီပေးနိုင်ပါသည်။ ဤချဉ်းကပ်မှုသည် ဆေးခန်းအလေ့အကျင့်နှင့် လူနာနှင့် အမှုတွဲစီမံခန့်ခွဲမှုတို့နှင့် ပိုမိုနီးကပ်စွာ ချိန်ညှိထားသည်။
ကန့်သတ်
ထိန်းချုပ်ထားသောဆေးခန်း/ဆေးရုံဆက်တင်တွင် သန့်ရှင်းသောဆေးခန်းဒေတာကို စုဆောင်းရာတွင် စိန်ခေါ်မှုနှင့်တန်ဖိုးကို ကျွန်ုပ်တို့တန်ဖိုးထားပါသည်။ မည်သို့ပင်ဆိုစေကာမူ၊ ကျွန်ုပ်တို့၏ဒေတာအတွဲများတွင် တူညီသောအင်္ဂါရပ်များရှိသည့် လူနာများပိုမိုပါဝင်လာပါက ကျွန်ုပ်တို့၏ စံပြပုံစံကို အားကောင်းစေမည်ဖြစ်သည်။ ထို့အပြင်၊ ကျွန်ုပ်တို့၏ရောဂါရှာဖွေရေးပုံစံအတွက် အတိအကျအားဖြင့်၊ သင်ယူသူများကို လေ့ကျင့်ပေးရန်အတွက် သာမန်သိမြင်မှုကျန်းမာရေးနှင့်ကိုက်ညီသော လူနာများအပေါ် တူညီသောလက်တွေ့အကဲဖြတ်မှုပြုလုပ်ရန် ပိုမိုနှစ်လိုဖွယ်ကောင်းပြီး သင့်လျော်မည်ဖြစ်သည်။ စစ်ထုတ်ထားသော ဒေတာအတွဲကို အသုံးပြု၍ ပိုမိုမြင့်မားသော အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်ဖြင့် အလေးပေးဖော်ပြထားသည့်အတိုင်း (ထိပ်တန်းအဆင့် အင်္ဂါရပ်လေးခုသာ)၊ သိမှုကျန်းမာရေးဆိုင်ရာ အစီအမံများ/ညွှန်ကိန်းများသည် တိုးတက်ကောင်းမွန်လာဖွယ်ရှိသည်။ လူနာအားလုံးတွင် ဘုံအင်္ဂါရပ်များစွာဖြင့် စံပြစွမ်းဆောင်ရည်။
အချို့သော ပါဝင်သူများသည် အကူးအပြောင်း သို့မဟုတ် နာတာရှည် သိမြင်မှု ချို့ယွင်းမှုကို ဖြစ်စေနိုင်သည့် အခြားသော ရောဂါများကို တပြိုင်နက် ကြုံတွေ့နေနိုင်သည်။ လူနာများကို AD သို့မဟုတ် VaD ဟူ၍ခွဲခြားသတ်မှတ်ထားသည့် XL ဒေတာအတွဲမှလွဲ၍ အခြားရောဂါဖြစ်ပွားမှုဒေတာကို YH လူနာရေကန်တွင် စုဆောင်း/အစီရင်ခံခြင်းမခံရဘဲ၊ KM ဒေတာစုခွဲတွင် လက်ရှိအချိန်အထိ ထင်ရှားသောရောဂါသည် ဆီးချိုရောဂါဖြစ်သည်။ သို့သော်၊ သိမြင်နိုင်စွမ်းချို့ယွင်းမှုအဆင့်ကို နှိုးဆွပေးနိုင်သော သို့မဟုတ် ပိုမိုဆိုးရွားစေနိုင်သည့် ဆက်စပ်ရောဂါများရှိသည့် ကျွန်ုပ်တို့၏မော်ဒယ်ပုံစံအစီအမံများတွင် လူနာများပါဝင်ပြီး အကျိုးဆက်အနေဖြင့် MemTrax စွမ်းဆောင်ရည်နိမ့်ကျမှုသည် လက်တွေ့ကမ္ဘာမှပစ်မှတ်ထားသော လူနာလူဦးရေကို ပိုမိုကိုယ်စားပြုနိုင်သည်ဟု စောဒကတက်နိုင်သည် နှင့် မော်ဒယ်လ်ချဉ်းကပ်မှု။ ရှေ့သို့ဆက်လှမ်းရာတွင်၊ မှတ်ဥာဏ်စွမ်းဆောင်ရည်ကိုထိခိုက်စေနိုင်သည့် ဆက်စပ်ရောဂါများကို တိကျမှန်ကန်စွာ အဖြေရှာခြင်းသည် မော်ဒယ်များနှင့် ထွက်ပေါ်လာသော လူနာပြုစုစောင့်ရှောက်မှုဆိုင်ရာ အသုံးချပရိုဂရမ်များကို ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ရန်အတွက် ကျယ်ပြန့်စွာအကျိုးရှိသည်။
နောက်ဆုံးအနေဖြင့် YH နှင့် KM ဒေတာအစုံခွဲလူနာများသည် MemTrax စစ်ဆေးမှုခံယူရန် စမတ်ဖုန်းကို အသုံးပြုကြပြီး XL ဒေတာခွဲခွဲလူနာများသည် အရေအတွက်အကန့်အသတ်ဖြင့် iPad ကိုအသုံးပြုကြပြီး ကျန်သူများသည် စမတ်ဖုန်းကို အသုံးပြုကြသည်။ ၎င်းသည် MoCA အမျိုးအစားခွဲခြားမှုပုံစံအတွက် MemTrax စွမ်းဆောင်ရည်တွင် အသေးစားစက်နှင့်ပတ်သက်သည့် ကွာခြားချက်ကို မိတ်ဆက်ပေးနိုင်ခဲ့သည်။ သို့သော်၊ ဥပမာအားဖြင့်၊ MTx-RT တွင် ကွဲပြားမှုများ (ရှိပါက)၊ အထူးသဖြင့် ပါဝင်သူတိုင်းအား မှတ်တမ်းတင်ထားသော စမ်းသပ်မှုစွမ်းဆောင်ရည်မမီမီတွင် “အလေ့အကျင့်” စာမေးပွဲကို ပေးဆောင်ခြင်းဖြင့် စက်ပစ္စည်းများကြားတွင် အားနည်းသွားဖွယ်ရှိသည်။ မည်သို့ပင်ဆိုစေကာမူ၊ ဤလက်ကိုင်စက်ပစ္စည်းနှစ်ခု၏ အသုံးဝင်မှုသည် အသုံးပြုသူများသည် ကွန်ပျူတာကီးဘုတ်ပေါ်ရှိ spacebar ကိုထိခြင်းဖြင့် ဓာတ်ပုံများကို ထပ်ခါတလဲလဲတုံ့ပြန်သည့် အခြား MemTrax ရလဒ်များနှင့် ပေါင်းစပ်ခြင်းနှင့် တိုက်ရိုက်နှိုင်းယှဉ်ခြင်းနှင့်/သို့မဟုတ် ပေါင်းစပ်မှုကို အလျှော့ပေးနိုင်သည်။
MemTrax ကြိုတင်ခန့်မှန်းနိုင်သော မော်ဒယ်လ်အသုံးချမှုဆိုင်ရာ အဓိကအချက်များ
- • ရွေးချယ်ထားသော MemTrax စွမ်းဆောင်ရည်မက်ထရစ်များ လွှမ်းခြုံထားသော ကျွန်ုပ်တို့၏ထိပ်တန်းစွမ်းဆောင်ရည်ကြိုတင်ခန့်မှန်းမော်ဒယ်များသည် ကျယ်ပြန့်စွာအသိအမှတ်ပြုထားသော MoCA စမ်းသပ်မှုမှ ညွှန်ပြထားသည့်အတိုင်း သိမြင်မှုကျန်းမာရေးအခြေအနေ (သာမန်သိမြင်မှုကျန်းမာရေး သို့မဟုတ် MCI) ကို ယုံကြည်စိတ်ချစွာ အမျိုးအစားခွဲခြားနိုင်သည်။
- • ဤရလဒ်များသည် အစောပိုင်းအဆင့် မှတ်ဥာဏ်ချို့ယွင်းခြင်းအတွက် အမျိုးအစားခွဲခြင်းဆိုင်ရာ ခန့်မှန်းတွက်ချက်မှုပုံစံစိစစ်ခြင်းအပလီကေးရှင်းတစ်ခုအဖြစ် ရွေးချယ်ထားသော MemTrax စွမ်းဆောင်ရည်မက်ထရစ်များကို ပေါင်းစပ်မှုကို ပံ့ပိုးပေးပါသည်။
- • ကျွန်ုပ်တို့၏ အမျိုးအစားခွဲခြင်းပုံစံသည် MemTrax စွမ်းဆောင်ရည်ကို ပြင်းထန်မှုခွဲခြားခြင်းအတွက် အပလီကေးရှင်းများတွင် MemTrax စွမ်းဆောင်ရည်ကို အသုံးချရန် အလားအလာကို ထင်ရှားစေသည်။
ဤဆန်းသစ်တွေ့ရှိချက်များသည် ထိရောက်သော ဆေးခန်းကိစ္စစီမံခန့်ခွဲမှုနှင့် မှတ်ဥာဏ်ချို့ယွင်းမှုကြုံတွေ့နေရသော လူတစ်ဦးချင်းစီအတွက် လူနာပြုစုစောင့်ရှောက်မှုအတွက် ခိုင်မာအားကောင်းသော MemTrax-based အမျိုးအစားခွဲခြားမှုပုံစံများကို တည်ဆောက်ရာတွင် စက်သင်ယူမှု၏အသုံးဝင်မှုကို ပံ့ပိုးပေးသည့် တိကျသေချာသောအထောက်အထားကို ဖော်ထုတ်ပေးပါသည်။
ဝန်ခံချက်
J. Wesson Ashford၊ Curtis B. Ashford နှင့် လုပ်ဖော်ကိုင်ဖက်များသည် ဤနေရာတွင်အသုံးပြုထားသော အွန်လိုင်း စဉ်ဆက်မပြတ် အသိအမှတ်ပြုခြင်းလုပ်ငန်းနှင့် ကိရိယာ (MemTrax) ကို တီထွင်ခြင်းနှင့် သက်သေပြခြင်းတို့ကို အသိအမှတ်ပြုပြီး အရေးကြီးသော အခြေခံအုတ်မြစ်ဆိုင်ရာ သုတေသနပြုမှုကို ပံ့ပိုးပေးခဲ့သော စိတ်ကျရောဂါဝေဒနာရှင်များစွာကို ကျေးဇူးတင်ပါသည်။ . ကျွန်ုပ်တို့သည် Xianbo Zhou နှင့် SJN Biomed LTD ရှိ သူ၏လုပ်ဖော်ကိုင်ဖက်များ၊ ဆေးရုံ/ဆေးခန်းများ အထူးသဖြင့် Drs များရှိ လုပ်ဖော်ကိုင်ဖက်များနှင့် ပူးပေါင်းဆောင်ရွက်သူများကိုလည်း ကျေးဇူးတင်ပါသည်။ M. Luo နှင့် M. Zhong တို့သည် သင်တန်းသားများကို စုဆောင်းခြင်း၊ စာမေးပွဲများ အချိန်ဇယားဆွဲခြင်း၊ ဒေတာစုဆောင်းခြင်း၊ မှတ်တမ်းတင်ခြင်းနှင့် ဒေတာများကို ရှေ့တန်းမှ စီမံခန့်ခွဲခြင်းနှင့် ၎င်းတို့၏ အဖိုးတန်အချိန်များကို လှူဒါန်းပြီး စာမေးပွဲများဖြေဆိုရန် ကတိကဝတ်ပြုထားသည့် စေတနာ့ဝန်ထမ်းပါဝင်သူများ၊ ဤလေ့လာမှုတွင် အကဲဖြတ်ရန် ကျွန်ုပ်တို့အတွက် တန်ဖိုးရှိသောဒေတာ။ ဒီ လေ့လာမှုအား MD Scientific Research မှ ပံ့ပိုးပေးခဲ့ပါသည်။ Kunming ဆေးဘက်ဆိုင်ရာတက္ကသိုလ်၏ အစီအစဉ် (Grant no. 2017BS028 to XL) နှင့် Yunnan Science and Technology Department ၏ သုတေသနအစီအစဉ် (Grant no. 2019FE001 (-222) to XL)။
J. Wesson Ashford သည် ဤစာတမ်းတွင် ဖော်ပြထားသော သီးခြား စဉ်ဆက်မပြတ် အသိအမှတ်ပြုမှုဆိုင်ရာ ပါရာဒိုင်းကို အသုံးပြုရန်အတွက် မူပိုင်ခွင့်လျှောက်လွှာကို တင်သွင်းခဲ့သည်။ မှတ်ဉာဏ်စမ်းသပ်ခြင်း။.
MemTrax, LLC သည် Curtis Ashford မှပိုင်ဆိုင်သောကုမ္ပဏီဖြစ်ပြီး၊ ဤကုမ္ပဏီသည် ၎င်းအား စီမံခန့်ခွဲနေပါသည်။ မှတ်ဉာဏ်စမ်းသပ်ခြင်း။ ဤစာတမ်းတွင်ဖော်ပြထားသောစနစ်။
စာရေးဆရာများ၏ ထုတ်ဖော်ချက်များကို အွန်လိုင်းတွင် ရနိုင်သည် (https://www.j-alz.com/manuscript-disclosures/19-1340r2)။
အညွှန်း
| [1] အယ်လ်ဇိုင်းမားအသင်း (2016) 2016 အယ်လ်ဇိုင်းမားရောဂါအချက်အလက် ကိန်းဂဏန်းများ။ အယ်လ်ဇိုင်းမားရောဂါ 12၊ 459–509။ | |
| [2] Gresenz CR ၊ Mitchell JM ၊ Marrone J ၊ Federoff HJ (2019) အစောပိုင်းအဆင့်၏အကျိုးသက်ရောက်မှု အယ်လ်ဇိုင်းမားရောဂါ အိမ်ထောင်စုဘဏ္ဍာရေးဆိုင်ရာရလဒ်များ။ Health Econ ၂၉၊ ၁၈–၂၉။ | |
| [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) အရည်အသွေးမြှင့်တင်မှု အာရုံကြောပညာ- အပျော့စား မှတ်ဥာဏ်ချို့ယွင်းမှု အရည်အသွေး တိုင်းတာခြင်း သတ်မှတ်။ အာရုံကြောဗေဒ ၉၃၊ ၇၀၅–၇၁၃။ |
| [4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) အသုံးပြုမှု ကုန်ကျစရိတ် ထိရောက်မှု ပဏာမစောင့်ရှောက်မှုတွင် မှတ်ဉာဏ်ချို့ယွင်းမှု နှင့် အပျော့စား မှတ်ဥာဏ်ချို့ယွင်းမှုတို့ကို ရှာဖွေရန်အတွက် သိမြင်မှုဆိုင်ရာ စစ်ဆေးမှုစစ်ဆေးမှုများ. Int J Geriatr စိတ်ရောဂါကု ၃၂၊ ၁၃၉၂-၁၄၀၀။ | |
| [5] Ashford JW ၊ Gere E ၊ Bayley PJ (2011) မှတ်ဉာဏ်ကို တိုင်းတာခြင်း။ စဉ်ဆက်မပြတ် အသိအမှတ်ပြုစမ်းသပ်မှုကို အသုံးပြု၍ အုပ်စုကြီးများ၏ ဆက်တင်များတွင်။ J Alzheimers Dis 27၊ 885–895။ | |
| [6] | Ashford JW ၊ Tarpin-Bernard F ၊ Ashford CB ၊ Ashford MT (2019) အပိုင်းမှတ်ဉာဏ်တိုင်းတာခြင်းအတွက် ကွန်ပျူတာဖြင့် စဉ်ဆက်မပြတ် အသိအမှတ်ပြုခြင်းလုပ်ငန်း။ J Alzheimers Dis 69၊ 385–399။ |
| [7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) မှတ်ဥာဏ်ဆိုင်ရာ ကျန်းမာရေးအခြေအနေ အမျိုးအစားခွဲခြားမှုကို ခန့်မှန်းရန်အတွက် machine learning modeling တွင် Episodic-memory စွမ်းဆောင်ရည်။ J Alzheimers Dis 70၊ 277–286။ |
| [8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The MemTrax စမ်းသပ်မှု အပျော့စား မှတ်ဥာဏ်ချို့ယွင်းမှု၏ မွန်ထရီရယ် သိမြင်မှု အကဲဖြတ်မှု ခန့်မှန်းချက်နှင့် နှိုင်းယှဉ်ပါ။ J Alzheimers Dis 67၊ 1045–1054။ | |
| [9] | Falcone M , Yadav N , Poellabauer C , Flynn P (2013) အပျော့စား ဦးနှောက်ဒဏ်ရာကို အမျိုးအစားခွဲခြားရန်အတွက် သီးခြားသရသံများကို အသုံးပြုခြင်း။ 2013 ခုနှစ်တွင် IEEE နိုင်ငံတကာ ကွန်ဖရင့်တွင် အသံပိုင်းဆိုင်ရာ၊ မိန့်ခွန်းနှင့် အချက်ပြမှု ဆောင်ရွက်ခြင်း၊ ဗန်ကူးဗား၊ ဘီစီ၊ စ. 7577–7581။ |
| [10] | Dabek F , Caban JJ (2015) ထိခိုက်ဒဏ်ရာရပြီးနောက် စိတ်ပိုင်းဆိုင်ရာအခြေအနေများ ဖွံ့ဖြိုးတိုးတက်လာနိုင်ခြေကို စံနမူနာပြုရန်အတွက် ကြီးမားသောဒေတာကို အသုံးပြုခြင်း။ Procedia Comput Sci 53၊ 265–273။ |
| [11] | Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) ရပ်ရွာဆေးဝါးပညာရှင်များ၏ သိမြင်မှုချို့ယွင်းမှုကို စောစီးစွာသိရှိနိုင်ရေးအတွက် ဆုံးဖြတ်ချက်သစ်ပင်။ Front Pharmacol 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- အပျော့စား မှတ်ဥာဏ်ချို့ယွင်းမှုအတွက် အတိုချုံး စစ်ဆေးမှု ကိရိယာ။ J Am Geriatr Soc 53၊ 695–699။ |
| [13] | Yu J , Li J , Huang X (2012) မွန်ထရီရယ် ဥာဏ်ရည်ဥာဏ်သွေး အကဲဖြတ်ခြင်း၏ ဘေဂျင်းဗားရှင်းသည် အပျော့စား မှတ်ဥာဏ်ချို့ယွင်းမှုများအတွက် အတိုချုံးစစ်ဆေးခြင်းကိရိယာအဖြစ် ရပ်ရွာအခြေပြုလေ့လာမှု။ BMC စိတ်ရောဂါကု 12, 156။ |
| [14] | Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) မွန်ထရီရယ် အသိဥာဏ်ဆိုင်ရာ အကဲဖြတ်မှု အခြေခံ တရုတ်ဗားရှင်းကို မှန်ကန်ကြောင်း အတည်ပြုခြင်း။ J Am Geriatr Soc 64၊ e285–e290။ |
| [15] | Carson N , Leach L , Murphy KJ (2018) Montreal Cognitive Assessment (MoCA) ဖြတ်တောက်မှုရမှတ်များကို ပြန်လည်စစ်ဆေးခြင်း။ Int J Geriatr စိတ်ရောဂါကု ၃၃၊ ၃၇၉–၃၈၈။ |
| [16] | American Psychiatric Association (2013) Task Force စိတ်ရောဂါရှာဖွေရေးနှင့် ကိန်းဂဏန်းဆိုင်ရာ လက်စွဲ- DSM-5™၊ American Psychiatric Publishing, Inc., Washington, DC. |
| [17] | စပါးအုံး။ Python ဆော့ဖ်ဝဲဖောင်ဒေးရှင်း၊ http://www.python.org၊ နိုဝင်ဘာ 15၊ 2019 တွင် ဝင်ရောက်ကြည့်ရှုခဲ့သည်။ |
| [18] | R Core အုပ်စု၊ R- စာရင်းအင်းတွက်ချက်ခြင်းအတွက် ဘာသာစကားနှင့် ပတ်ဝန်းကျင်သည် စာရင်းအင်းတွက်ချက်ခြင်း R ဖောင်ဒေးရှင်း၊ ဗီယင်နာ၊ ဩစတြီးယား၊ https://www.R-project.org/၊ 2018၊ နိုဝင်ဘာ 15၊ 2019 တွင် ဝင်ရောက်ကြည့်ရှုခဲ့သည်။ |
| [19] | Benavoli A , Corani G , Demšar J , Zaffalon M (2017) အပြောင်းအလဲအတွက် အချိန်- Bayesian ခွဲခြမ်းစိတ်ဖြာမှုမှတစ်ဆင့် အမျိုးအစားခွဲများစွာကို နှိုင်းယှဉ်ခြင်းအတွက် သင်ခန်းစာတစ်ခု။ J Mach Learn Res 18၊ 1–36။ |
| [20] | Frank E ၊ Hall MA ၊ Witten IH (2016) WEKA Workbench ၌ ဒေတာတူးဖော်ခြင်း- လက်တွေ့ကျသော စက်သင်ယူမှု ကိရိယာများနှင့် နည်းပညာများ၊ 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) အထက်တန်းကျောင်း အားကစား ထိမှန်ခြင်း လက္ခဏာ ဖြေရှင်းနည်းကို မော်ဒယ်မြင့်ကျောင်းတွင် ပုံဖော်ရာတွင် စက်သင်ယူခြင်း။ Med Sci Sports Exerc 51၊ 1362–1371။ |
| [22] | Van Hulse J , Khoshgoftaar TM , Napolitano A (2007) မမျှတသောဒေတာများမှ သင်ယူခြင်းဆိုင်ရာ စမ်းသပ်ရှုထောင့်များ။ ၌ ၂၄ ကြိမ်မြောက် အပြည်ပြည်ဆိုင်ရာ စက်သင်ယူခြင်းဆိုင်ရာ ညီလာခံ၏ လုပ်ငန်းစဉ်များ, Corvalis, Oregon, USA, စစ. ၉၃၅-၉၄၂။ |
| [23] | Ashford JW ၊ Kolm P ၊ Colliver JA ၊ Bekian C ၊ Hsu LN (1989) အယ်လ်ဇိုင်းမားလူနာ အကဲဖြတ်ခြင်းနှင့် စိတ်ပိုင်းဆိုင်ရာ အခြေအနေ- အကြောင်းအရာ မျဉ်းကွေး ပိုင်းခြားစိတ်ဖြာမှု။P. J Gerontol 44၊ 139–146။ |
| [24] Ashford JW , Jarvik L (1985) အယ်လ်ဇိုင်းမားရောဂါ: နျူရွန်ပလပ်စတစ်သည် axonal neurofibrillary ယိုယွင်းမှုကို တွန်းလှန်နိုင်ပါသလား။ 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 , Gunjter J , Rocca WA , Petersen RC (2019) အသက်အရွယ်ကြီးရင့်ခြင်း-အယ်လ်ဇိုင်းမားအမျိုးသားအင်စတီကျုကို အသုံးပြု၍ ဇီဝဗေဒဆိုင်ရာနှင့် ဆေးခန်းသတ်မှတ်ထားသော အယ်လ်ဇိုင်းမားရောင်စဉ်များအဖြစ်များခြင်း အသင်းသုတေသန မူဘောင်။ JAMA Neurol 76၊ 1174–1183။ | |
| [26] Zhou X , Ashford JW (2019) အတွက် စစ်ဆေးမှုတူရိယာများ တိုးတက်လာသည်။ အယ်လ်ဇိုင်းမားရောဂါ. သက်ကြီးရွယ်အို 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) ဦးနှောက်ကနျြးမာရေး မှတ်ပုံတင်ခြင်း- ခေါ်ယူမှု၊ အကဲဖြတ်မှုနှင့် အာရုံကြောသိပ္ပံလေ့လာမှုများအတွက် ပါဝင်သူများအား ရှည်လျားစွာစောင့်ကြည့်ခြင်းအတွက် အင်တာနက်အခြေခံပလပ်ဖောင်းတစ်ခု။ အယ်လ်ဇိုင်းမားရောဂါ 14၊ 1063–1076။ | |
| [28] Ashford JW ၊ Schmitt FA (2001) ၏ အချိန်-သင်တန်းကို စံပြ အယ်လ်ဇိုင်းမား dementia. Curr စိတ်ရောဂါကု ကိုယ်စားလှယ် ၃၊ ၂၀–၂၈။ | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE)- ပရိုတိုကော- ဘာသာရပ်ဆိုင်ရာ သိမြင်နိုင်စွမ်းရှိသော လူတစ်ဦးချင်းစီတွင် ပေါ့ပါးသော သိမြင်နိုင်စွမ်းရှိသော လူတစ်ဦးချင်းစီတွင် စွန့်စားရနိုင်သော ခန့်မှန်းချက်ပုံစံများကို ဖွံ့ဖြိုးတိုးတက်စေရန်အတွက် Li X ၊ Wang X ၊ ကျဆင်းခြင်း။ BMJ Open 9၊ e028188။ |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) အတွက် ငါးနှစ်ကြာ biomarker တိုးတက်မှု ပြောင်းလဲမှု အယ်လ်ဇိုင်းမားရောဂါ dementia ခန့်မှန်းချက်- နေ့စဉ်အသက်ရှင်နေထိုင်မှုအမှတ်အသား၏ ရှုပ်ထွေးသော ကိရိယာတန်ဆာပလာလှုပ်ရှားမှုများသည် ကွက်လပ်များကို ဖြည့်ဆည်းပေးနိုင်ပါသလား။ အယ်လ်ဇိုင်းမားရောဂါ (Amst) 1, 521–532။ | |
| [31] McGurran H ၊ Glenn JM ၊ Madero EN ၊ Bott NT (2019) အယ်လ်ဇိုင်းမားရောဂါ ကာကွယ်ခြင်းနှင့် ကုသခြင်း ဇီဝယန္တရားများ လေ့ကျင့်ခန်း။ J Alzheimers Dis 69၊ 311–338။ | |
| [32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) ကုထုံးများ အယ်လ်ဇိုင်းမားရောဂါ ကာကွယ်ခြင်းနှင့် ကုသခြင်း။. 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) အရွယ်ရောက်ပြီးသူနှင့် နှောင်းပိုင်းတွင် ဦးနှောက်ရောဂါဗေဒဆိုင်ရာ သွေးကြောဆိုင်ရာအန္တရာယ်များကြား ပေါင်းစည်းမှုများ- ဗြိတိန်မွေးဖွားမှုအုပ်စုမှ အထောက်အထား။ JAMA Neurol 77၊ 175–183။ |
| [34] | Seshadri S (2020) အသက်အရွယ်ထက်ကျော်လွန်ပြီး စိတ်ကျရောဂါ-တွေးခေါ်ခြင်းများကို ကာကွယ်ခြင်းနှင့် amyloid သေတ္တာများ။ 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) Framingham Heart Study တွင် အရွယ်ရောက်ပြီးသူများတွင် ဖြူစင်သောသွေးပေါင်ချိန်အပေါ် သက်ရောက်မှုများ - ကဏ္ဍအလိုက်လေ့လာခြင်း။ 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) အာရုံကြောရောဂါဗေဒအရ သတ်မှတ်ထားသော biomarker စစ်ဆေးခြင်း၏ တိကျမှန်ကန်မှု သက်ကြီးရွယ်အိုများတွင် အယ်လ်ဇိုင်းမားရောဂါ (Dementia). Ann Intern Med 172၊ 669–677။ |
ဆက်နွယ်မှုများ- [a] SIVOTEC Analytics၊ Boca Raton၊ FL၊ USA | [b] ကွန်ပျူတာနှင့် လျှပ်စစ်အင်ဂျင်နီယာဌာနနှင့် ကွန်ပျူတာသိပ္ပံဌာန၊ Florida Atlantic တက္ကသိုလ်၊ Boca Raton, FL, USA | [c] SJN Biomed LTD၊ ကူမင်း၊ ယူနန်၊ တရုတ် | [ဃ] စင်တာ အယ်လ်ဇိုင်းမားသုတေသန, Washington Institute of Clinical Research, Washington, DC, USA | [e] ပြန်လည်ထူထောင်ရေးဆေးပညာဌာန၊ ကူမင်းဆေးတက္ကသိုလ်၏ ပထမဆုံးတွဲဖက်ဆေးရုံ၊ ကူမင်း၊ ယူနန်၊ တရုတ် | [f] အာရုံကြောဗေဒဌာန၊ Dehong ပြည်သူ့ဆေးရုံ၊ Dehong၊ ယူနန်၊ တရုတ် | [g] အာရုံကြောပညာဌာန၊ ကူမင်းဆေးတက္ကသိုလ်၏ ပထမဆုံး တွဲဖက်ဆေးရုံ၊ ဝူဟွာခရိုင်၊ ကူမင်း၊ ယူနန်ပြည်နယ်၊ တရုတ် | [h] စစ်နှင့်ပတ်သက်သော နာမကျန်းမှုနှင့် ဒဏ်ရာလေ့လာမှုစင်တာ၊ VA Palo Alto ကနျြးမာရေးစောင့်ရှောက်မှု စနစ်၊ Palo Alto, CA, USA | [i] စိတ်ရောဂါကုထုံးနှင့် အပြုအမူသိပ္ပံဌာန၊ စတန်းဖို့ဒ်တက္ကသိုလ် ဆေးကျောင်း၊ Palo Alto၊ CA၊ USA
စာပေးစာ- [*] စာပေးစာ- Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. အီးမေးလ်- mbergeron@sivotecanalytics.com။; Xiaolei Liu၊ MD၊ အာရုံကြောပညာဌာန၊ ကူမင်းဆေးတက္ကသိုလ်၏ ပထမဆုံးတွဲဖက်ဆေးရုံ၊ 295 Xichang လမ်း၊ Wuhua ခရိုင်၊ Kunming၊ Yunnan ပြည်နယ် 650032၊ တရုတ်နိုင်ငံ။ အီးမေးလ်- ring@vip.163.com။
သော့ချက်စာလုံးများ- ဇရာ၊ အယ်လ်ဇိုင်းမားရောဂါ, dementia, အစုလိုက်အပြုံလိုက်စစ်ဆေးခြင်း။