हल्का संज्ञानात्मक कमजोरीको वर्गीकरणमा मेमट्र्याक्स र मेसिन लर्निङ मोडेलिङको उपयोगिता
लेख खोज्नुहोस्
लेखक: Bergeron, माइकल एफ | ल्यान्डसेट, सारा | झोउ, जियानबो | डिङ, ताओ | खोशगोफ्तार, तागी एम | झाओ, फेंग | डु, बो | चेन, सिनजी | वाङ, जुआन | Zhong, Lianmei | लिउ, Xiaolei | एशफोर्ड, जे वेसन
DOI: 10.3233/JAD-191340
जर्नल: जर्नल अफ अल्जाइमर रोग, भोल्यूम 77, होईन। 4, pp। 1545-1558, 2020
सार
पृष्ठभूमि:
को व्यापक घटना र व्यापकता अल्जाइमर रोग र हल्का संज्ञानात्मक कमजोरी (MCI) ले प्रारम्भिक पत्ता लगाउने संज्ञानात्मक स्क्रीनिंग र मूल्याङ्कनलाई प्रमाणित गर्न अनुसन्धानको लागि तत्काल आह्वान गरेको छ।
उद्देश्य:
हाम्रो प्राथमिक अनुसन्धानको उद्देश्य मेमट्र्याक्स कार्यसम्पादन मेट्रिक्स र सान्दर्भिक जनसांख्यिकी र स्वास्थ्य प्रोफाइल विशेषताहरूलाई मेसिन लर्निङसँग संज्ञानात्मक स्वास्थ्य (सामान्य बनाम MCI) वर्गीकरण गर्नका लागि विकसित भविष्यवाणी मोडेलहरूमा प्रभावकारी रूपमा प्रयोग गर्न सकिन्छ कि भनेर निर्धारण गर्नु थियो। मोन्ट्रियल संज्ञानात्मक मूल्याङ्कन (MoCA)।
विधिहरू:
हामीले 259 न्यूरोलोजी, मेमोरी क्लिनिक, र आन्तरिक औषधि वयस्क बिरामीहरूमा दुई जनाबाट भर्ती गरिएको क्रस-सेक्शनल अध्ययन सञ्चालन गर्यौं। चीनमा अस्पतालहरू। प्रत्येक बिरामीलाई चिनियाँ भाषाको MoCA दिइएको थियो र MemTrax अनलाइन एपिसोडिकको निरन्तर पहिचान स्व-प्रशासित गरिएको थियो। मेमोरी परीक्षण अनलाइन एकै दिनमा। भविष्यवाणी वर्गीकरण मोडेलहरू 10-गुणा क्रस प्रमाणीकरणको साथ मेशिन लर्निङ प्रयोग गरेर निर्माण गरिएको थियो, र रिसीभर अपरेटिङ क्यारेक्टरिस्टिक कर्भ (AUC) अन्तर्गत क्षेत्र प्रयोग गरेर मोडेल प्रदर्शन मापन गरिएको थियो। मोडेलहरू आठ सामान्य जनसांख्यिकीय र व्यक्तिगत इतिहास सुविधाहरू सहित दुई MemTrax कार्यसम्पादन मेट्रिक्स (प्रतिशत सही, प्रतिक्रिया समय) प्रयोग गरेर निर्माण गरिएको थियो।
परिणाम:
MoCA स्कोर र थ्रेसहोल्डहरूको चयन गरिएका संयोजनहरूमा शिक्षार्थीहरूको तुलना गर्दा, Naïve Bayes सामान्यतया ०.९०९३ को समग्र वर्गीकरण कार्यसम्पादनको साथ शीर्ष-प्रदर्शन गर्ने शिक्षार्थी थिए। यसबाहेक, शीर्ष तीन शिक्षार्थीहरू मध्ये, MemTrax-आधारित वर्गीकरण कार्यसम्पादन सबै 0.9093 सामान्य सुविधाहरू (0.9119) को प्रयोगको तुलनामा शीर्ष-रैंक गरिएका चार सुविधाहरू (10) प्रयोग गरेर समग्रमा उत्कृष्ट थियो।
निष्कर्ष:
MemTrax प्रदर्शन प्रभावकारी रूपमा मेसिन लर्निङ वर्गीकरण भविष्यवाणी मोडेलमा प्रयोग गर्न सकिन्छ प्रारम्भिक चरणको संज्ञानात्मक हानि पत्ता लगाउनको लागि स्क्रीनिंग अनुप्रयोग.
परिचय
मान्यता प्राप्त (कम निदान नभए पनि) व्यापक फैलिएको घटना र व्यापकता र समानान्तर बढ्दो चिकित्सा, सामाजिक, र सार्वजनिक स्वास्थ्य अल्जाइमर रोग (AD) र हल्का संज्ञानात्मक हानि (MCI) को लागत र बोझ सबै सरोकारवालाहरूको लागि बढ्दो तनावपूर्ण छ [1, 2]। यो पीडादायी र पूँजीवादी परिदृश्यले प्रमाणीकरण गर्न अनुसन्धानको लागि तत्काल आह्वान गरेको छ। प्रारम्भिक पहिचान संज्ञानात्मक स्क्रीनिंग र विभिन्न क्षेत्रहरु र जनसंख्या मा पुराना रोगीहरु को लागी व्यक्तिगत र क्लिनिकल सेटिंग्स मा नियमित व्यावहारिक उपयोगिता को लागी मूल्याङ्कन उपकरणहरू [3]। यी उपकरणहरूले इलेक्ट्रोनिक स्वास्थ्य रेकर्डहरूमा सूचनात्मक परिणामहरूको निर्बाध अनुवादको लागि पनि प्रदान गर्नुपर्छ। लाभहरू बिरामीहरूलाई सूचित गरेर र चिकित्सकहरूलाई पहिले महत्त्वपूर्ण परिवर्तनहरू पहिचान गर्न मद्दत गरेर र यसरी अनुभव गर्न थालेकाहरूको लागि उपयुक्त व्यक्तिगतकृत र अधिक लागत-प्रभावी उपचार र बिरामी हेरचाहको थप द्रुत र समयमै स्तरीकरण, कार्यान्वयन, र ट्र्याकिङ सक्षम पार्नेछ। संज्ञानात्मक गिरावट [३, ४]।
कम्प्युटराइज्ड मेमट्र्याक्स उपकरण (https://memtrax.com) एक सरल र छोटो निरन्तर पहिचान मूल्याङ्कन हो जुन चुनौतीपूर्ण समयबद्ध एपिसोडिक मेमोरी प्रदर्शन मापन गर्न अनलाइन स्वयं-प्रशासित हुन सक्छ जहाँ प्रयोगकर्ताले दोहोर्याइएको छविहरूमा प्रतिक्रिया दिन्छ र प्रारम्भिक प्रस्तुतिमा होइन [5, 6]। भर्खरको अनुसन्धान र परिणामस्वरूप व्यावहारिक प्रभावहरू प्रगतिशील र सामूहिक रूपमा प्रारम्भिक एडी र MCI स्क्रीनिंग [5-7] मा मेमट्र्याक्सको क्लिनिकल प्रभावकारिता प्रदर्शन गर्न थालेका छन्। यद्यपि, अवस्थितसँग क्लिनिकल उपयोगिताको प्रत्यक्ष तुलना संज्ञानात्मक स्वास्थ्य मूल्याङ्कन र परम्परागत मापदण्डहरू व्यावसायिक परिप्रेक्ष्यमा सूचित गर्न र प्रारम्भिक पत्ता लगाउन र निदान समर्थनमा MemTrax उपयोगितालाई पुष्टि गर्न वारेन्टी गरिएको छ। van der Hoek et al। [8] मोन्ट्रियल द्वारा निर्धारित संज्ञानात्मक स्थितिमा चयन गरिएको मेमट्र्याक्स प्रदर्शन मेट्रिक्स (प्रतिक्रिया गति र प्रतिशत सही) तुलना गर्नुहोस्। संज्ञानात्मक मूल्याङ्कन (MoCA)। यद्यपि, यो अध्ययन यी कार्यसम्पादन मेट्रिक्सलाई संज्ञानात्मक स्थितिको विशेषता (MoCA द्वारा निर्धारण गरिएको) र सापेक्ष दायराहरू र कटअफ मानहरू परिभाषित गर्नमा सीमित थियो। तदनुसार, यस अनुसन्धानमा विस्तार गर्न र वर्गीकरण प्रदर्शन र प्रभावकारिता सुधार गर्न, हाम्रो प्राथमिक अनुसन्धान प्रश्न थियो:
- के एक व्यक्तिको चयन गरिएको MemTrax प्रदर्शन मेट्रिक्स र सान्दर्भिक जनसांख्यिकी र स्वास्थ्य प्रोफाइल संज्ञानात्मक स्वास्थ्य द्विविभाजन (सामान्य बनाम MCI) वर्गीकरण गर्न मेसिन लर्निङको साथ विकसित गरिएको भविष्यवाणी मोडेलमा विशेषताहरू प्रभावकारी रूपमा प्रयोग गरिन्छ, जसरी कसैको MoCA स्कोर द्वारा संकेत गरिनेछ?
यसको माध्यमिक, हामी जान्न चाहन्थ्यौं:
- समान सुविधाहरू समावेश गर्दै, के मेमट्र्याक्स कार्यसम्पादनमा आधारित मेसिन लर्निङ मोडेललाई प्रभावकारी रूपमा लागू गर्न सकिन्छ रोगीलाई गम्भीरता (हल्का बनाम गम्भीर) को संज्ञानात्मक कमजोरीका चयन गरिएका वर्गहरूमा एक स्वतन्त्र क्लिनिकल निदानद्वारा निर्धारण गर्नको लागि?
स्क्रिनिङ / पत्ता लगाउन कृत्रिम बुद्धिमत्ता र मेसिन लर्निङको आगमन र विकसित व्यावहारिक अनुप्रयोगले पहिले नै फरक व्यावहारिक फाइदाहरू प्रदर्शन गरिसकेको छ, भविष्यसूचक मोडेलिङले प्रभावकारी रूपमा चिकित्सकहरूलाई संज्ञानात्मक/मस्तिष्क स्वास्थ्य र बिरामी व्यवस्थापनको चुनौतीपूर्ण मूल्याङ्कनमा मार्गदर्शन गर्दछ। हाम्रो अध्ययनमा, हामीले MCI वर्गीकरण मोडेलिङ र संज्ञानात्मक कमजोरी गम्भीरता भेदभावमा समान दृष्टिकोण रोज्यौं जुन चीनका दुई अस्पतालहरूबाट चयन गरिएका स्वयंसेवक भित्री बिरामीहरू र बाहिरका बिरामीहरूलाई प्रतिनिधित्व गर्ने तीन डेटासेटहरूबाट क्लिनिकल निदानद्वारा पुष्टि गरिएको छ। मेसिन लर्निङ प्रेडिक्टिव मोडलिङ प्रयोग गरेर, हामीले विभिन्न डेटासेट/लर्नर संयोजनहरूबाट उच्च प्रदर्शन गर्ने सिकारुहरूलाई पहिचान गर्यौं र सबैभन्दा चिकित्सकीय रूपमा व्यावहारिक मोडेल अनुप्रयोगहरू परिभाषित गर्न हामीलाई मार्गदर्शन गर्न सुविधाहरूलाई श्रेणीबद्ध गर्यौं।
हाम्रो परिकल्पनाहरू थिए कि एक मान्य MemTrax-आधारित मोडेल संज्ञानात्मक स्वास्थ्य द्विविभाजन (सामान्य वा MCI) MoCA कुल स्कोर थ्रेसहोल्ड मापदण्डको आधारमा वर्गीकृत गर्न प्रयोग गर्न सकिन्छ, र समान MemTrax भविष्यवाणी मोडेल प्रभावकारी रूपमा चयन गरिएका गम्भीरताहरूको भेदभावमा प्रयोग गर्न सकिन्छ। चिकित्सकीय निदान संज्ञानात्मक हानि। संज्ञानात्मक गिरावट र संज्ञानात्मक कमजोरी वर्गीकरणको लागि प्रारम्भिक पत्ता लगाउने स्क्रिनको रूपमा MemTrax को प्रभावकारितालाई समर्थन गर्न अपेक्षित परिणामहरू प्रदर्शन गर्न सहायक हुनेछ। धेरै सहजता र उपयोगिताको द्रुतता द्वारा पूरक उद्योग कथित मानकसँग अनुकूल तुलना चिकित्सकहरूलाई यो सरल, भरपर्दो, र पहुँचयोग्य उपकरणलाई प्रारम्भिक (प्रोड्रोमल सहित) चरण संज्ञानात्मक घाटाहरू पत्ता लगाउन प्रारम्भिक स्क्रिनको रूपमा अपनाउन मद्दत गर्न प्रभावकारी हुनेछ। यस्तो दृष्टिकोण र उपयोगिताले यसरी अधिक समयमै र राम्रो स्तरीकृत रोगी हेरचाह र हस्तक्षेपलाई प्रेरित गर्न सक्छ। यी अग्रगामी-सोच अन्तर्दृष्टि र सुधारिएको मेट्रिक्स र मोडेलहरू पनि AD र AD-सम्बन्धित डिमेन्शिया (ADRD) सहित डिमेन्सिया प्रगतिलाई कम गर्न वा रोक्न मद्दत गर्न सक्छ।
सामग्री र विधिहरू
जनसंख्या अध्ययन गर्नुहोस्
जनवरी 2018 र अगस्त 2019 बीच, चीनका दुई अस्पतालहरूबाट भर्ती गरिएका बिरामीहरूमा क्रस-सेक्शनल अनुसन्धान पूरा भयो। MemTrax [५] को 5 वर्ष वा माथिका व्यक्तिहरूका लागि प्रशासन र ती डाटाहरूको सङ्कलन र विश्लेषणलाई समीक्षा र अनुमोदन गरिएको थियो र यसको नैतिक मापदण्डहरू अनुरूप प्रशासित गरिएको थियो। मानव स्ट्यानफोर्ड विश्वविद्यालय को विषय संरक्षण समिति। MemTrax र यस समग्र अध्ययनको लागि अन्य सबै परीक्षणहरू 1975 को हेलसिंकी घोषणा अनुसार गरिएको थियो र कुनमिङ, युनान, चीनको कुनमिङ मेडिकल युनिभर्सिटीको पहिलो सम्बद्ध अस्पतालको संस्थागत समीक्षा बोर्डले अनुमोदन गरेको थियो। प्रत्येक प्रयोगकर्तालाई प्रदान गरिएको थियो सूचित सहमति फारम पढ्न/समीक्षा गर्न र त्यसपछि स्वेच्छाले भाग लिन सहमत हुनुहोस्।
सहभागीहरूलाई यान्हुआ अस्पताल (वाईएच सब-डेटासेट) मा न्यूरोलोजी क्लिनिकमा बाहिरी बिरामीहरूको पूलबाट भर्ती गरिएको थियो र कुनमिङ मेडिकलको पहिलो सम्बद्ध अस्पतालमा मेमोरी क्लिनिक बेइजिङ, चीनमा विश्वविद्यालय (XL उप-डेटासेट)। सहभागीहरूलाई कुनमिङ मेडिकल युनिभर्सिटीको पहिलो सम्बद्ध अस्पतालमा न्यूरोलोजी (XL सब-डेटासेट) र आन्तरिक चिकित्सा (KM सब-डेटासेट) भित्रका बिरामीहरूबाट पनि भर्ती गरिएको थियो। समावेशी मापदण्डमा 1) कम्तिमा 21 वर्ष उमेरका पुरुष र महिला, 2) चिनियाँ (म्यान्डारिन) बोल्ने क्षमता, र 3) मौखिक र लिखित दिशाहरू बुझ्ने क्षमता समावेश छ। बहिष्करण मापदण्डहरू दृष्टि र मोटर हानिहरू थिए जसले सहभागीहरूलाई पूरा गर्नबाट रोक्छ MemTrax परीक्षण, साथै विशिष्ट परीक्षण निर्देशनहरू बुझ्न असक्षमता।
MemTrax को चिनियाँ संस्करण
अनलाइन MemTrax परीक्षण प्लेटफर्म अनुवाद गरिएको थियो चिनियाँ भाषामा (URL: https://www.memtrax.com.cn) र थप स्व-प्रशासनको लागि WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) मार्फत प्रयोग गर्न अनुकूलित। डाटा चीनमा अवस्थित क्लाउड सर्भर (अली क्लाउड) मा भण्डारण गरिएको थियो र SJN बायोमेड लिमिटेड (कुन्मिङ, युनान, चीन) द्वारा अलीबाबा (अलिबाबा टेक्नोलोजी कम्पनी लिमिटेड, हांग्जाउ, झेजियाङ, चीन) बाट इजाजतपत्र प्राप्त गरिएको थियो। MemTrax मा विशेष विवरण र यहाँ प्रयोग गरिएको परीक्षण वैधता मापदण्ड पहिले वर्णन गरिएको छ [6]। बिरामीहरूलाई कुनै शुल्क नलिई परीक्षण प्रदान गरिएको थियो।
अध्ययन प्रक्रियाहरू
बिरामी र बाहिरका बिरामीहरूका लागि, जनसांख्यिकीय र व्यक्तिगत जानकारी सङ्कलन गर्नको लागि सामान्य कागज प्रश्नावली जस्तै उमेर, लिङ्ग, शिक्षाको वर्ष, पेशा, एक्लै बस्दै वा परिवारसँग, र चिकित्सा इतिहास अध्ययन टोलीको सदस्यद्वारा प्रशासित गरिएको थियो। प्रश्नावलीको समापन पछि, MoCA [12] र MemTrax परीक्षणहरू प्रशासित गरियो (MoCA पहिले) परीक्षणहरू बीच 20 मिनेट भन्दा बढी थिएन। MemTrax प्रतिशत सही (MTx-% C), औसत प्रतिक्रिया समय (MTx-RT), र परीक्षणको मिति र समय प्रत्येक सहभागीको लागि अध्ययन टोलीको सदस्यद्वारा कागजमा रेकर्ड गरिएको थियो। पूरा गरिएको प्रश्नावली र MoCA को नतिजाहरू एक्सेल स्प्रेडसिटमा अनुसन्धानकर्ताद्वारा अपलोड गरिएको थियो जसले परीक्षणहरू प्रशासित गर्यो र एक्सेल फाइलहरू विश्लेषणको लागि सुरक्षित गर्नु अघि एक सहकर्मीद्वारा प्रमाणित गरियो।
MemTrax परीक्षण
MemTrax अनलाइन परीक्षणले 50 छविहरू (25 अद्वितीय र 25 दोहोरिने; सामान्य दृश्य वा वस्तुहरूको 5 छविहरूको 5 सेटहरू) एक विशिष्ट छद्म-यादृच्छिक क्रममा देखाइयो। सहभागीले (निर्देशन अनुसार) परीक्षण सुरु गर्न स्क्रिनमा रहेको स्टार्ट बटन छुनेछ र छवि शृङ्खला हेर्न थाल्छ र दोहोरिने तस्विर देखा पर्दा जति सक्दो चाँडो स्क्रिनमा रहेको छविलाई छोइन्छ। प्रत्येक छवि 3 सेकेन्डको लागि देखा पर्यो वा स्क्रिनमा रहेको छवि नछोएसम्म, जसले अर्को तस्विरको तत्काल प्रस्तुतिलाई प्रेरित गर्यो। स्थानीय यन्त्रको आन्तरिक घडी प्रयोग गरेर, प्रत्येक छविको लागि MTx-RT छविको प्रस्तुतीकरणबाट स्क्रिनलाई छोएको प्रतिक्रियामा छविलाई पहिले देखि नै देखाइएको रूपमा पहिचान गर्ने प्रतिक्रियामा स्क्रिन छोएको समयद्वारा निर्धारण गरिएको थियो। परीक्षणको समयमा। MTx-RT प्रत्येक तस्बिरको लागि रेकर्ड गरिएको थियो, पूर्ण 3 सेकेन्ड रेकर्ड गरिएको कुनै प्रतिक्रिया जनाउँदैन। MTx-% C दोहोर्याइएको र प्रारम्भिक छविहरूको प्रतिशत संकेत गर्न गणना गरिएको थियो जसमा प्रयोगकर्ताले सही प्रतिक्रिया दिए (सत्य सकारात्मक + साँचो नकारात्मक 50 द्वारा विभाजित)। MemTrax प्रशासन र कार्यान्वयन, डाटा कटौती, अवैध वा "कुनै प्रतिक्रिया" डाटा, र प्राथमिक डाटा विश्लेषणको थप विवरणहरू अन्यत्र वर्णन गरिएको छ [6]।
MemTrax परीक्षणलाई विस्तृत रूपमा व्याख्या गरिएको थियो र अस्पतालको सेटिङमा सहभागीहरूलाई अभ्यास परीक्षण (परीक्षणमा प्रयोग गरिएका नतिजाहरू बाहेक अन्य अद्वितीय छविहरू सहित) प्रदान गरिएको थियो। YH र KM उप-डेटासेटहरूमा सहभागीहरूले स्मार्टफोनमा MemTrax परीक्षण लिए जुन WeChat मा अनुप्रयोगसँग लोड गरिएको थियो; जबकि सीमित संख्यामा XL उप-डेटासेट बिरामीहरूले आईप्याड प्रयोग गरे र बाँकीले स्मार्टफोन प्रयोग गरे। सबै सहभागीहरूले एक अध्ययन अन्वेषकको साथ मेमट्र्याक्स परीक्षा लिएका थिए।
मोन्ट्रियल संज्ञानात्मक मूल्याङ्कन
चिनियाँ एमओसीए (एमओसीए-बीसी) [१३] को बेइजिङ संस्करण आधिकारिक परीक्षण निर्देशनहरू अनुसार प्रशिक्षित अनुसन्धानकर्ताहरूद्वारा प्रशासित र स्कोर गरिएको थियो। उपयुक्त रूपमा, MoCA-BC भरपर्दो देखाइएको छ संज्ञानात्मक परीक्षण चिनियाँ वृद्ध वयस्कहरूमा सबै शिक्षा स्तरहरूमा स्क्रीनिंग [१४]। प्रत्येक परीक्षणले सम्बन्धित सहभागीको संज्ञानात्मक क्षमताको आधारमा व्यवस्थापन गर्न लगभग 14 देखि 10 मिनेट लियो।
MoCA वर्गीकरण मोडेलिङ
त्यहाँ दुई MemTrax सहित कुल 29 प्रयोगयोग्य सुविधाहरू थिए परीक्षण प्रदर्शन मेट्रिक्स र जनसांख्यिकीय र स्वास्थ्य सम्बन्धित 27 सुविधाहरू प्रत्येक सहभागीको लागि जानकारी। प्रत्येक बिरामीको MoCA समग्र परीक्षण स्कोरको रूपमा प्रयोग गरिएको थियो संज्ञानात्मक स्क्रीनिंग "बेन्चमार्क" हाम्रो भविष्यवाणी मोडेलहरू तालिम दिन। तदनुसार, क्लास लेबल सिर्जना गर्न MoCA को प्रयोग गरिएको हुनाले, हामीले समग्र स्कोर (वा कुनै पनि MoCA सबसेट स्कोरहरू) लाई स्वतन्त्र सुविधाको रूपमा प्रयोग गर्न सकेनौं। हामीले प्रारम्भिक प्रयोगहरू प्रदर्शन गर्यौं जसमा हामीले मोडेल (MoCA द्वारा परिभाषित संज्ञानात्मक स्वास्थ्य वर्गीकरण) मूल तीन अस्पताल/क्लिनिक(हरू) उप-डेटासेटहरू व्यक्तिगत रूपमा र त्यसपछि सबै सुविधाहरू प्रयोग गरेर संयुक्त। यद्यपि, तीनवटा उप-डेटासेटहरू प्रतिनिधित्व गर्ने चारवटा क्लिनिकहरूमा सबै समान डेटा तत्वहरू सङ्कलन गरिएका थिएनन्; यसरी, संयुक्त डेटासेटमा हाम्रा धेरै सुविधाहरू (सबै सुविधाहरू प्रयोग गर्दा) मा हराइरहेको मानहरूको उच्च घटना थियो। हामीले त्यसपछि मात्र सामान्य सुविधाहरू प्रयोग गरेर संयुक्त डेटासेटको साथ मोडेलहरू निर्माण गर्यौं जसले सुधारिएको वर्गीकरण कार्यसम्पादनमा परिणाम दिन्छ। यो सम्भवतः तीन बिरामी उप-डेटासेटहरू र हराइरहेको मानहरूको अनुचित प्रचलनको साथ कुनै सुविधाहरू नभएको संयोजन गरेर काम गर्न थप उदाहरणहरू भएको संयोजनद्वारा व्याख्या गरिएको थियो (संयुक्त डेटासेटमा मात्र एउटा विशेषता, कार्य प्रकार, कुनै पनि हराइरहेको मानहरू थिए, प्रभाव पार्ने। केवल तीन बिरामी उदाहरणहरू), किनभने सबै तीन साइटहरूमा रेकर्ड गरिएका सामान्य सुविधाहरू मात्र समावेश थिए। विशेष रूपमा, हामीसँग प्रत्येक विशेषताको लागि अस्वीकृति मापदण्ड थिएन जुन अन्ततः संयुक्त डेटासेटमा समावेश गरिएको थिएन। यद्यपि, हाम्रो प्रारम्भिक संयुक्त डेटासेट मोडेलिङमा, हामीले पहिलो पटक प्रत्येक तीनवटा अलग-अलग रोगी उप-डेटासेटहरूबाट सबै सुविधाहरू प्रयोग गर्यौं। यसले व्यापक रूपमा मोडेल कार्यसम्पादनमा परिणत गर्यो जुन प्रत्येक व्यक्तिगत उप-डेटासेटमा प्रारम्भिक प्रारम्भिक मोडेलिङ भन्दा मापन रूपमा कम थियो। यसबाहेक, जहाँ सबै सुविधाहरू प्रयोग गरी निर्मित मोडेलहरूको वर्गीकरण कार्यसम्पादन उत्साहजनक थियो, सबै शिक्षार्थीहरू र वर्गीकरण योजनाहरूमा, सामान्य सुविधाहरू मात्र प्रयोग गर्दा प्रदर्शनमा दोब्बर धेरै मोडेलहरूको लागि सुधार भयो। वास्तवमा, हाम्रा शीर्ष शिक्षार्थीहरू मध्येको अन्त्यमा, एउटा बाहेक सबै मोडेलहरूले गैर-सामान्य सुविधाहरू हटाएर सुधार गरे।
अन्तिम कुल डाटासेट (YH, XL, र KM संयुक्त) मा 259 दृष्टान्तहरू समावेश थिए, प्रत्येकले MemTrax र MoCA परीक्षणहरू लिने एक अद्वितीय सहभागीलाई प्रतिनिधित्व गर्दछ। त्यहाँ 10 साझा स्वतन्त्र सुविधाहरू थिए: MemTrax प्रदर्शन मेट्रिक्स: MTx-% C र मतलब MTx-RT; जनसांख्यिकीय र चिकित्सा इतिहास जानकारी: उमेर, लिंग, शिक्षाको वर्ष, कामको प्रकार (निलो कलर/सेतो कलर), सामाजिक समर्थन (परीक्षा दिने व्यक्ति एक्लै बस्ने होस् वा परिवारसँग), र प्रयोगकर्तासँग छ कि छैन भन्ने हो/होइन जवाफ। मधुमेह, हाइपरलिपिडेमिया, वा दर्दनाक मस्तिष्क चोटको इतिहास। दुई अतिरिक्त मेट्रिक्स, MoCA कुल स्कोर र MoCA कुल स्कोर शिक्षाको वर्षको लागि समायोजित [12], निर्भर वर्गीकरण लेबलहरू विकास गर्नको लागि अलग-अलग प्रयोग गरियो, यसरी हाम्रो संयुक्त डेटासेटमा लागू गर्न दुई फरक मोडेलिङ योजनाहरू सिर्जना गरियो। MoCA स्कोरको प्रत्येक संस्करण (समायोजित र असंयोजित) को लागि, डाटा फेरि दुई फरक मापदण्ड थ्रेसहोल्डहरू प्रयोग गरेर बाइनरी वर्गीकरणको लागि अलग-अलग मोडेल गरिएको थियो - प्रारम्भिक रूपमा सिफारिस गरिएको एउटा [12] र अन्य द्वारा प्रयोग गरिएको र प्रचार गरिएको वैकल्पिक मान [8, 15]। वैकल्पिक थ्रेसहोल्ड वर्गीकरण योजनामा, एक बिरामीलाई सामान्य संज्ञानात्मक स्वास्थ्य मानिन्थ्यो यदि उसले एमओसीए परीक्षणमा ≥२३ अंक ल्यायो र स्कोर २२ वा कम भएमा एमसीआई भएको; जबकि, प्रारम्भिक सिफारिस गरिएको वर्गीकरण ढाँचामा, रोगीले सामान्य संज्ञानात्मक स्वास्थ्य भएको रूपमा लेबल गर्न MoCA मा 23 वा राम्रो स्कोर गर्नुपर्थ्यो।
MoCA वर्गीकरण मोडलिङका लागि फिल्टर गरिएको डाटा
हामीले चारवटा सामान्य रूपमा प्रयोग हुने सुविधा रैंकिंग प्रविधिहरू प्रयोग गरेर MoCA वर्गीकरणको थप जाँच गर्यौं: Chi-Squared, Gain Ratio, Information Gain, र Symmetrical Uncertainty। अन्तरिम परिप्रेक्ष्यको लागि, हामीले हाम्रा चार मोडलिङ योजनाहरू प्रयोग गरेर सम्पूर्ण संयुक्त डेटासेटमा र्याङ्करहरू लागू गर्यौं। सबै वरियताहरू समान शीर्ष विशेषताहरूमा सहमत भए, जस्तै, उमेर, शिक्षाको वर्षको सङ्ख्या, र दुबै MemTrax कार्यसम्पादन मेट्रिक्स (MTx-% C, मतलब MTx-RT)। त्यसपछि हामीले प्रत्येक विशेषता चयन प्रविधि प्रयोग गरेर मोडेलहरूलाई केवल शीर्ष चार सुविधाहरूमा तालिम दिनका लागि मोडेलहरू पुनर्निर्माण गर्यौं (हेर्नुहोस् सुविधा चयन तल)।
MoCA स्कोर वर्गीकरण मोडलिङ योजनाहरूको परिणामस्वरूप अन्तिम आठ भिन्नताहरू तालिका 1 मा प्रस्तुत गरिएका छन्।
टेबल 1
MoCA वर्गीकरणको लागि प्रयोग गरिएको मोडेलिङ योजना भिन्नताहरूको सारांश (सामान्य संज्ञानात्मक स्वास्थ्य MCI बनाम)
| मोडलिङ योजना | सामान्य संज्ञानात्मक स्वास्थ्य (नकारात्मक वर्ग) | MCI (सकारात्मक वर्ग) |
| समायोजित-23 अनफिल्टर्ड/फिल्टर गरिएको | 101 (39.0%) | 158 (61.0%) |
| समायोजित-26 अनफिल्टर्ड/फिल्टर गरिएको | 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%) |
प्रत्येक कक्षामा कुल बिरामीहरूको सम्बन्धित संख्या र प्रतिशतलाई शिक्षाको लागि स्कोरको समायोजन (समायोजित वा असंयोजित) र वर्गीकरण थ्रेसहोल्ड (23 वा 26) दुवै सुविधा सेटहरू (अनफिल्टर गरिएको र फिल्टर गरिएको) मा लागू गरिए अनुसार फरक गरिन्छ।
MemTrax आधारित क्लिनिकल मूल्याङ्कन मोडेलिङ
हाम्रा तीन मौलिक उप-डेटासेटहरू (YH, XL, KM), केवल XL उप-डेटासेट बिरामीहरूलाई नैदानिक रूपमा संज्ञानात्मक हानिको लागि निदान गरिएको थियो (अर्थात, तिनीहरूको सम्बन्धित MoCA स्कोरहरू सामान्य बनाम अशक्तहरूको वर्गीकरण स्थापना गर्न प्रयोग गरिएको थिएन)। विशेष रूपमा, XL रोगीहरूलाई या त निदान गरिएको थियो अल्जाइमर रोग परीक्षण (AD) वा भास्कुलर डिमेन्शिया (VaD)। यी प्रत्येक प्राथमिक निदान कोटिहरू भित्र, MCI को लागि थप पदनाम थियो। एमसीआई, डिमेन्सिया, भास्कुलर न्यूरोकग्निटिभ डिसअर्डर, र एडीका कारण न्यूरोकग्निटिभ डिसअर्डरको निदानहरू मानसिक विकारहरूको निदान र सांख्यिकीय पुस्तिकामा उल्लिखित विशिष्ट र विशिष्ट निदान मापदण्डमा आधारित थिए: DSM-5 [16]। यी परिष्कृत निदानहरूलाई ध्यानमा राख्दै, प्रत्येक प्राथमिक निदान कोटिको लागि गम्भीरता (हानिको डिग्री) को स्तर छुट्याउन XL उप-डेटासेटमा दुई वर्गीकरण मोडलिङ योजनाहरू अलग-अलग लागू गरियो। यी प्रत्येक डायग्नोस्टिक मोडेलिङ योजनाहरू (AD र VaD) मा प्रयोग गरिएको डाटामा जनसांख्यिकीय र बिरामी इतिहास जानकारी, साथै MemTrax प्रदर्शन (MTx-% C, मतलब MTx-RT) समावेश छ। MCI तोकिएको खण्डमा प्रत्येक निदानलाई हल्का लेबल गरिएको थियो; अन्यथा, यो गम्भीर मानिन्थ्यो। हामीले प्रारम्भमा निदान मोडेलहरूमा एमओसीए स्कोर समावेश गर्ने विचार गर्यौं (हल्का बनाम गम्भीर); तर हामीले हाम्रो माध्यमिक भविष्यवाणी मोडलिङ योजनाको उद्देश्यलाई पराजित गर्ने निर्णय गर्यौं। यहाँ शिक्षार्थीहरूलाई प्रदायकलाई उपलब्ध अन्य बिरामी विशेषताहरू र सरल मेमट्र्याक्स परीक्षण (MoCA को सट्टा) सन्दर्भ "गोल्ड मानक", स्वतन्त्र क्लिनिकल निदानको प्रदर्शन मेट्रिक्स प्रयोग गरेर तालिम दिइनेछ। AD निदान डेटासेटमा 69 वटा उदाहरणहरू थिए र VaD (तालिका) को 76 वटा उदाहरणहरू थिए। 2)। दुबै डेटासेटहरूमा, त्यहाँ 12 स्वतन्त्र सुविधाहरू थिए। MoCA स्कोर वर्गीकरणमा समावेश 10 सुविधाहरूको अतिरिक्त, रोगीको इतिहासमा उच्च रक्तचाप र स्ट्रोकको इतिहासमा जानकारी पनि समावेश छ।
टेबल 2
निदान गम्भीरता वर्गीकरणको लागि प्रयोग गरिएको मोडेलिङ योजना भिन्नताहरूको सारांश (हल्का बनाम गम्भीर)
| मोडलिङ योजना | हल्का (नकारात्मक कक्षा) | गम्भीर (सकारात्मक वर्ग) |
| MCI-AD बनाम AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD बनाम VaD | 38 (50.0%) | 38 (50.0%) |
प्रत्येक वर्गमा कुल बिरामीहरूको सम्बन्धित संख्या र प्रतिशत प्राथमिक निदान श्रेणी (AD वा VaD) द्वारा भिन्न हुन्छन्।
तथ्याङ्क
प्रत्येक मोडेल वर्गीकरण रणनीतिको लागि उप-डेटासेटहरू बीच सहभागी विशेषताहरू र अन्य संख्यात्मक सुविधाहरूको तुलना (MoCA संज्ञानात्मक स्वास्थ्य र निदान गम्भीरता भविष्यवाणी गर्न) पाइथन प्रोग्रामिङ भाषा (संस्करण 2.7.1) प्रयोग गरी प्रदर्शन गरिएको थियो [17]। मोडेल कार्यसम्पादन भिन्नताहरू प्रारम्भिक रूपमा एकल वा दुई-कारक (उपयुक्त रूपमा) ANOVA 95% आत्मविश्वास अन्तराल र Tukey honest महत्वपूर्ण भिन्नता (HSD) परीक्षण प्रयोग गरेर प्रदर्शन साधनहरू तुलना गर्न निर्धारण गरिएको थियो। मोडेल प्रदर्शनहरू बीचको भिन्नताहरूको यो परीक्षा पाइथन र आर (संस्करण 3.5.1) [18] को संयोजन प्रयोग गरेर प्रदर्शन गरिएको थियो। हामीले यो (यद्यपि, इष्टतम भन्दा कम) दृष्टिकोणलाई मात्र हेरिस्टिक सहायताको रूपमा प्रयोग गर्यौं। प्रारम्भिक अवस्था सम्भावित क्लिनिकल अनुप्रयोगको प्रत्याशामा प्रारम्भिक मोडेल प्रदर्शन तुलनाको लागि। हामीले त्यसपछि मोडेल प्रदर्शन भिन्नताहरूको सम्भाव्यता निर्धारण गर्नको लागि पोस्टरियर डिस्ट्रिब्युसन प्रयोग गरेर बायेसियन साइन-रैंक परीक्षण प्रयोग गर्यौं [19]। यी विश्लेषणहरूको लागि, हामीले अन्तराल -0.01, 0.01 प्रयोग गर्यौं, यदि दुई समूहहरूको कार्यसम्पादन भिन्नता 0.01 भन्दा कम थियो भने, उनीहरूलाई समान मानिन्थ्यो (व्यावहारिक समानताको क्षेत्र भित्र), वा अन्यथा तिनीहरू फरक थिए (एक भन्दा राम्रो। अन्य)। क्लासिफायरहरूको Bayesian तुलना गर्न र यी सम्भाव्यताहरू गणना गर्न, हामीले पाइथन 1.0.2 को लागि baycomp पुस्तकालय (संस्करण 3.6.4) प्रयोग गर्यौं।
भविष्यवाणी गर्ने मोडेलि।
हामीले प्रत्येक बिरामीको एमओसीए परीक्षणको नतिजा वा क्लिनिकल निदानको गम्भीरताको भविष्यवाणी (वर्गीकरण) गर्न हाम्रो मोडेलिङ योजनाहरूको कुल दस भिन्नताहरू प्रयोग गरेर भविष्यवाणी गर्ने मोडेलहरू निर्माण गरेका छौं। सबै शिक्षार्थीहरू लागू गरियो र मोडेलहरू खुला स्रोत सफ्टवेयर प्लेटफर्म Weka [२०] प्रयोग गरेर निर्माण गरिएको थियो। हाम्रो प्रारम्भिक विश्लेषणको लागि, हामीले सामान्य रूपमा प्रयोग हुने 20 सिकाउने एल्गोरिदमहरू प्रयोग गर्यौं: 10-नजिकैको छिमेकीहरू, C5 निर्णय रूखका दुई संस्करणहरू, लजिस्टिक रिग्रेसन, मल्टिलेयर पर्सेप्ट्रोन, नेभ बेज, र्यान्डम फरेस्टका दुई संस्करणहरू, रेडियल बेस फंक्शन नेटवर्क, र समर्थन भेक्टर। मेसिन। यी एल्गोरिदमहरूको मुख्य विशेषताहरू र विरोधाभासहरू अन्यत्र वर्णन गरिएको छ [२१] (सम्बन्धित परिशिष्ट हेर्नुहोस्)। यी छनोट गरिएका थिए किनभने तिनीहरूले विभिन्न प्रकारका सिक्नेहरूको प्रतिनिधित्व गर्दछन् र किनभने हामीले समान डेटामा अघिल्लो विश्लेषणहरूमा प्रयोग गरेर सफलता प्रदर्शन गरेका छौं। हाइपर-प्यारामिटर सेटिङ्हरू हाम्रो अघिल्लो अनुसन्धानबाट छनौट गरिएको थियो जुन तिनीहरूलाई विभिन्न डेटामा बलियो हुन संकेत गर्दछ [२२]। हाम्रो प्रारम्भिक विश्लेषणको नतिजाको आधारमा एउटै संयुक्त डेटासेट प्रयोग गरी सामान्य विशेषताहरू जुन पछि पूर्ण विश्लेषणमा प्रयोग गरिएको थियो, हामीले सबै वर्गीकरणहरूमा लगातार बलियो प्रदर्शन प्रदान गर्ने तीन सिकाउनेहरू पहिचान गर्यौं: लजिस्टिक रिग्रेसन, नेभ बेज, र समर्थन भेक्टर मेसिन।
क्रस-प्रमाणीकरण र मोडेल प्रदर्शन मेट्रिक
सबै भविष्यवाणी मोडलिङका लागि (प्रारम्भिक विश्लेषणहरू सहित), प्रत्येक मोडेल 10-गुणा क्रस प्रमाणीकरण प्रयोग गरेर निर्माण गरिएको थियो, र मोडेल प्रदर्शन रिसीभर अपरेटिङ क्यारेक्टरिस्टिक कर्भ (AUC) अन्तर्गत क्षेत्र प्रयोग गरेर मापन गरिएको थियो। क्रस-प्रमाणीकरण 10 मोडलिङ योजना डेटासेटहरू मध्ये प्रत्येकलाई 10 बराबर खण्डहरू (फोल्डहरू) मा अनियमित रूपमा विभाजन गरेर सुरु भयो, यी सम्बन्धित खण्डहरू मध्ये नौवटा मोडेललाई तालिम दिन र बाँकी खण्ड परीक्षणको लागि प्रयोग गरी। यो प्रक्रिया 10 पटक दोहोर्याइएको थियो, प्रत्येक पुनरावृत्तिमा परीक्षण सेटको रूपमा फरक खण्ड प्रयोग गरेर। परिणामहरू त्यसपछि अन्तिम मोडेलको नतिजा/कार्यसम्पादन गणना गर्न संयुक्त गरियो। प्रत्येक शिक्षार्थी/डेटासेट संयोजनको लागि, यो सम्पूर्ण प्रक्रिया 10 पटक दोहोर्याइएको थियो र प्रत्येक पटक डाटा अलग-अलग रूपमा विभाजित हुन्छ। यो अन्तिम चरणले पूर्वाग्रह कम गर्यो, प्रतिकृति सुनिश्चित गर्यो, र समग्र मोडेल कार्यसम्पादन निर्धारण गर्न मद्दत गर्यो। कुलमा (MoCA स्कोर र निदान गम्भीरता वर्गीकरण योजनाहरूको लागि संयुक्त), 6,600 मोडेलहरू निर्माण गरियो। यसमा 1,800 अनफिल्टर गरिएका मोडेलहरू (6 मोडलिङ योजनाहरू डेटासेटमा लागू गरियो × 3 सिकाउनेहरू × 10 रनहरू × 10 फोल्डहरू = 1,800 मोडेलहरू) र 4,800 फिल्टर गरिएका मोडेलहरू (डेटासेटमा लागू गरिएका 4 मोडलिङ योजनाहरू × 3 सिकाउनेहरू × 4 सुविधा चयन प्रविधि × 10 रन× 10 तह = 4,800 मोडेलहरू)।
सुविधा चयन
फिल्टर गरिएका मोडेलहरूका लागि, सुविधा चयन (चार विशेषता वर्गीकरण विधिहरू प्रयोग गरेर) क्रस-प्रमाणीकरण भित्र प्रदर्शन गरिएको थियो। प्रत्येक 10 फोल्डहरूका लागि, डेटासेटको फरक 10% परीक्षण डेटाको रूपमा, प्रत्येक प्रशिक्षण डेटासेटको लागि केवल शीर्ष चार चयन गरिएका सुविधाहरू (अर्थात, अन्य नौ तहहरू, वा सम्पूर्ण डेटासेटको बाँकी 90%) प्रयोग गरियो। मोडेलहरू निर्माण गर्न। हामी प्रत्येक मोडेलमा कुन चार सुविधाहरू प्रयोग गरिएको थियो भनेर पुष्टि गर्न असमर्थ थियौं, किनकि त्यो जानकारी हामीले प्रयोग गरेको मोडलिङ प्लेटफर्म (वेका) भित्र भण्डारण वा उपलब्ध गराइएको छैन। यद्यपि, शीर्ष सुविधाहरूको हाम्रो प्रारम्भिक छनोटमा स्थिरतालाई ध्यानमा राखी जब र्याङ्कहरू सम्पूर्ण संयुक्त डेटासेटमा लागू गरियो र मोडलिङ प्रदर्शनहरूमा पछिल्ला समानता, यी समान सुविधाहरू (उमेर, शिक्षाको वर्ष, MTx-% C, र मतलब MTx-RT। ) सम्भवतः क्रस-प्रमाणीकरण प्रक्रिया भित्र सुविधा चयनको साथ सबैभन्दा प्रचलित शीर्ष चार प्रयोग गरिएको सहवर्ती हो।
परिणामहरू
MoCA- संकेतित संज्ञानात्मक स्वास्थ्य (सामान्य बनाम MCI) र निदान गम्भीरता (हल्का बनाम गम्भीर) भविष्यवाणी गर्न प्रत्येक मोडेल वर्गीकरण रणनीतिको लागि सम्बन्धित डेटासेटहरूको सहभागी संख्यात्मक विशेषताहरू (MoCA स्कोर र MemTrax प्रदर्शन मेट्रिक्स सहित) तालिका 3 मा देखाइएको छ।
टेबल 3
प्रत्येक मोडेल वर्गीकरण रणनीतिको लागि सहभागी विशेषताहरू, MoCA स्कोरहरू, र MemTrax प्रदर्शन
| वर्गीकरण रणनीति | उमेर | शिक्षा | MoCA समायोजित | MoCA असंयोजित | MTx-% C | MTx-RT |
| MoCA श्रेणी | ६१.९ वर्ष (१३.१) | ६१.९ वर्ष (१३.१) | 19.2 (6.5) | 18.4 (6.7) | .74.8 15.0.%% (२०१ XNUMX) | १.४ सेकेन्ड (०.३) |
| निदान गम्भीरता | ६१.९ वर्ष (१३.१) | ६१.९ वर्ष (१३.१) | 16.7 (6.2) | 15.8 (6.3) | .68.3 13.8.%% (२०१ XNUMX) | १.४ सेकेन्ड (०.३) |
मोडलिङ वर्गीकरण रणनीतिहरूद्वारा विभेदित देखाइएका मानहरू (मतलब, SD) MoCA- संकेतित संज्ञानात्मक स्वास्थ्य (MCI बनाम सामान्य) र XL उप-डेटासेट मात्र निदान गम्भीरता (हल्का बनाम गम्भीर) भविष्यवाणी गर्न प्रयोग गरिने संयुक्त डेटासेटका प्रतिनिधि हुन्।
MoCA स्कोर (समायोजित/असमायोजित) र थ्रेसहोल्ड (26/23) को प्रत्येक संयोजनको लागि, त्यहाँ एक सांख्यिकीय भिन्नता थियो (p = 0.000) उमेर, शिक्षा, र MemTrax कार्यसम्पादन (MTx-% C र MTx-RT) को लागि प्रत्येक जोडीमा तुलना (सामान्य संज्ञानात्मक स्वास्थ्य बनाम MCI) मा। प्रत्येक संयोजनको लागि सम्बन्धित MCI कक्षामा प्रत्येक बिरामी उप-डेटासेट औसतमा 9 देखि 15 वर्ष पुरानो थियो, लगभग पाँच वर्ष कम शिक्षाको रिपोर्ट गरिएको थियो, र दुवै मेट्रिक्सको लागि कम अनुकूल MemTrax प्रदर्शन थियो।
शीर्ष तीन सिकाउनेहरू, Logistic Regression, Naïve Bayes, र Support Vector Machine को प्रयोग गरी MoCA स्कोर वर्गीकरणका लागि अनुमानित मोडलिङ कार्यसम्पादन परिणामहरू तालिका ४ मा देखाइएका छन्। यी तीनवटा विभिन्न मोडेलहरूमा सबैभन्दा लगातार उच्च निरपेक्ष शिक्षार्थी प्रदर्शनको आधारमा छनोट गरिएका छन्। सबै मोडलिङ योजनाहरूको लागि डेटासेटहरूमा लागू गरियो। फिल्टर नगरिएको डेटासेट र मोडलिङका लागि, तालिका ४ मा भएका प्रत्येक डेटा मानहरूले प्रत्येक सिक्ने/मोडलिङ योजना संयोजनको लागि निर्मित १०० मोडलहरू (१० रन × १० फोल्डहरू) बाट व्युत्पन्न AUC सम्बन्धित माध्यमा आधारित मोडेल प्रदर्शनलाई सङ्केत गर्दछ, सम्बन्धित उच्चतमको साथ। बोल्ड अक्षरमा संकेत गरिएको प्रदर्शनकारी। जबकि फिल्टर गरिएको डेटासेट मोडलिङका लागि, तालिका ४ मा रिपोर्ट गरिएका नतिजाहरूले प्रत्येक विद्यार्थीका लागि प्रत्येक विशेषता श्रेणीकरण विधिहरू (४ फीचर रैंकिंग विधि × १० रन × १० फोल्डहरू) प्रयोग गरी 4 मोडेलहरूबाट समग्र औसत मोडेल प्रदर्शनहरू प्रतिबिम्बित गर्दछ।
टेबल 4
Dichotomous MoCA स्कोर वर्गीकरण कार्यसम्पादन (AUC; 0.0-1.0) सबै सम्बन्धित मोडलिङ योजनाहरूको लागि तीन शीर्ष-प्रदर्शन सिक्नेहरूको लागि परिणामहरू
| सुविधा सेट प्रयोग गरियो | MoCA स्कोर | कटअफ थ्रेसहोल्ड | लजिस्टिक प्रतिगमन | भोली बेज | समर्थन भेक्टर मेसिन |
| फिल्टर नगरिएको (१० सुविधाहरू) | समायोजित | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| अनावश्यक | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| फिल्टर गरिएको (४ विशेषताहरू) | समायोजित | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| अनावश्यक | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
सुविधा सेट, MoCA स्कोर, र MoCA स्कोर कटअफ थ्रेसहोल्डको भिन्नताहरू प्रयोग गर्दै, प्रत्येक मोडेलिङ योजनाको लागि उच्चतम प्रदर्शनमा देखाइएको छ। बोल्ड (आवश्यक छैन कि अन्य सबै भन्दा सांख्यिकीय रूपमा फरक छैन बोल्ड सम्बन्धित मोडेलको लागि)।
MoCA स्कोर संस्करण र थ्रेसहोल्डहरू (क्रमशः समायोजित/असमायोजित र 23/26, क्रमशः) संयुक्त अनफिल्टर्ड डेटासेटमा (जस्तै, 10 सामान्य सुविधाहरू प्रयोग गरेर) को सबै संयोजनहरूमा शिक्षार्थीहरूको तुलना गर्दा, Naïve Bayes सामान्यतया उत्कृष्ट प्रदर्शन गर्ने शिक्षार्थी थिए। 0.9093 को वर्गीकरण प्रदर्शन। शीर्ष तीन शिक्षार्थीहरूलाई विचार गर्दै, Bayesian-सम्बन्धित हस्ताक्षर-रैंक परीक्षणहरूले संकेत गरे कि सम्भावना (PrLogistic Regression को आउटपरफॉर्मिंग Naïve Bayes को 99.9% थियो। यसबाहेक, Naïve Bayes र Support Vector Machine बीच, सिकाउने कार्यसम्पादनमा व्यावहारिक समानताको 21.0% सम्भाव्यता (यसैले, Nave Bayes को समर्थन भेक्टर मेसिनको 79.0% सम्भाव्यता), सपोर्ट भेक्टर मेसिनले राम्रो प्रदर्शन गर्ने 0.0% सम्भाव्यताको साथमा, Naïve Bayes को लागि प्रदर्शन लाभ सुदृढ गर्दछ। सबै शिक्षार्थी/थ्रेसहोल्डहरूमा MoCA स्कोर संस्करणको थप तुलनाले समायोजित (0.9027 बनाम 0.8971, क्रमशः; Pr (असमायोजित > समायोजित) = ०.९८८)। त्यसै गरी, सबै शिक्षार्थीहरू र MoCA स्कोर संस्करणहरूमा कटअफ थ्रेसहोल्डको तुलनाले 0.988 (26 बनाम 23, क्रमशः; Pr (२६ > २३) = ०.९९९)। अन्तमा, केवल फिल्टर गरिएका नतिजाहरू (अर्थात्, शीर्ष-क्रमित चार सुविधाहरू मात्र) प्रयोग गर्ने मोडेलहरूको लागि वर्गीकरण कार्यसम्पादन जाँच गर्दै, Naïve Bayes (26) संख्यात्मक रूपमा सबै MoCA स्कोर संस्करणहरू/थ्रेसहोल्डहरूमा शीर्ष-प्रदर्शन गर्ने शिक्षार्थी थियो। जे होस्, सबै फिचर र्याङ्किङ प्रविधिहरूमा संयुक्त रूपमा, सबै शीर्ष प्रदर्शन गर्ने शिक्षार्थीहरूले समान प्रदर्शन गरे। Bayesian हस्ताक्षरित-रैंक परीक्षणहरूले फिल्टर गरिएका शिक्षार्थीहरूको प्रत्येक जोडी बीच व्यावहारिक समानताको 23% सम्भावना देखाएको छ। फिल्टर नगरिएको डाटाको रूपमा (सबै १० सामान्य सुविधाहरू प्रयोग गरेर), त्यहाँ फेरि MoCA स्कोरको असंयोजित संस्करणको लागि प्रदर्शन फाइदा थियो (Pr (असमायोजित > समायोजित) = 1.000), साथै 26 को वर्गीकरण थ्रेसहोल्डको लागि समान फरक फाइदा (Pr (26 > 23) = 1.000)। उल्लेखनीय रूपमा, सबै MoCA स्कोर संस्करणहरू/थ्रेसहोल्डहरूमा शीर्ष-दर्ता भएका चार सुविधाहरू प्रयोग गरेर शीर्ष तीन सिकारुहरूमध्ये प्रत्येकको औसत प्रदर्शनले फिल्टर नगरिएको डाटामा कुनै पनि विद्यार्थीको औसत प्रदर्शनलाई नाघ्यो। अचम्मको कुरा होइन, फिल्टर गरिएका मोडेलहरूको वर्गीकरण कार्यसम्पादन (शीर्ष श्रेणीका चार सुविधाहरू प्रयोग गरेर) समग्रमा अनफिल्टर गरिएका मोडेलहरू (०.८९९९) भन्दा उत्कृष्ट (०.९११९) थियो, जुनसुकै १० सामान्य प्रयोग गरेर ती सम्बन्धित मोडेलहरूसँग तुलना गरिएको सुविधा रैंकिंग विधि मोडेलहरू जेसुकै भए पनि। विशेषताहरु। प्रत्येक सुविधा चयन विधिको लागि, फिल्टर नगरिएका मोडेलहरूमा प्रदर्शन लाभको 0.9119% सम्भावना थियो।
AD निदान गम्भीरता वर्गीकरणको लागि विचार गरिएका बिरामीहरूसँग, बीच-समूह (MCI-AD बनाम AD) उमेरका लागि भिन्नताहरू (p = ०.००४), शिक्षा (p = ०.०२८), MoCA स्कोर समायोजित/असमायोजित (p = 0.000), र MTx-% C (p = ०.००८) सांख्यिकीय रूपमा महत्त्वपूर्ण थिए; जबकि MTx-RT को लागि यो थिएन (p = ०.०९७)। ती रोगीहरूसँग VaD निदान गम्भीरता वर्गीकरणको लागि विचार गरियो, बीच-समूह (MCI-VaD बनाम VaD) भिन्नताहरू MoCA स्कोर समायोजित/असमायोजित (p = ०.००७) र MTx-% C (p = ०.०२६) र MTx-RT (p = ०.००१) सांख्यिकीय रूपमा महत्त्वपूर्ण थिए; जबकि उमेर को लागी (p = ०.५११) र शिक्षा (p = ०.१५७) त्यहाँ समूह बीचको भिन्नताहरू थिएनन्।
तीन अघिल्लो चयन गरिएका सिकारुहरू, Logistic Regression, Naïve Bayes, र Support Vector Machine को प्रयोग गरेर निदानको गम्भीरता वर्गीकरणका लागि अनुमानित मोडलिङ कार्यसम्पादन परिणामहरू तालिका 5 मा देखाइएका छन्। जबकि अतिरिक्त परीक्षण गरिएका शिक्षार्थीहरूले व्यक्तिगत रूपमा दुईवटा नैदानिक निदान क्यानाटोरीहरू मध्ये एउटासँग थोरै बलियो प्रदर्शन देखाउँछन्। , हामीले हाम्रो अघिल्लो मोडलिङमा सबैभन्दा अनुकूलको रूपमा पहिचान गरेका तीन जना विद्यार्थीहरूले दुवै नयाँ मोडलिङ योजनाहरूसँग सबैभन्दा सुसंगत प्रदर्शन प्रस्ताव गरे। प्रत्येक प्राथमिक निदान कोटिहरू (AD र VaD) मा शिक्षार्थीहरूको तुलना गर्दा, MCI-VaD बनाम VaD को लागि शिक्षार्थीहरू बीच कुनै लगातार वर्गीकरण प्रदर्शन भिन्नता थिएन, यद्यपि समर्थन भेक्टर मेसिनले सामान्यतया बढी प्रष्ट रूपमा प्रदर्शन गर्यो। त्यसै गरी, MCI-AD विरुद्ध AD वर्गीकरणका लागि शिक्षार्थीहरू बीच कुनै महत्त्वपूर्ण भिन्नताहरू थिएनन्, यद्यपि Naïve Bayes (NB) ले लजिस्टिक रिग्रेसन (LR) मा थोरै प्रदर्शन लाभ र समर्थन भेक्टर मेसिनमा 61.4% को सम्भाव्यताहरूको साथमा नगण्य बहुलता थियो। र क्रमशः 41.7%। दुबै डेटासेटहरूमा, समर्थन भेक्टर मेशिन (SVM) को लागि समग्र प्रदर्शन लाभ थियो। Pr (SVM > LR) = ०.८१९ र Pr (SVM > NB) = ०.९३४। XL उप-डेटासेटमा निदानको गम्भीरता भविष्यवाणी गर्नमा सबै शिक्षार्थीहरूमा हाम्रो समग्र वर्गीकरण प्रदर्शन AD विरुद्ध VaD निदान श्रेणीमा राम्रो थियो।Pr (VAD > AD) = ०.९९८)।
टेबल 5
Dichotomous क्लिनिकल निदान गम्भीरता वर्गीकरण कार्यसम्पादन (AUC; 0.0-1.0) दुबै सम्बन्धित मोडलिङ योजनाहरूको लागि तीन शीर्ष-प्रदर्शन शिक्षार्थीहरूको लागि परिणामहरू
| मोडलिङ योजना | लजिस्टिक प्रतिगमन | भोली बेज | समर्थन भेक्टर मेसिन |
| MCI-AD बनाम AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD बनाम VaD | 0.8033 | 0.8044 | 0.8338 |
प्रत्येक मोडलिङ योजनाको लागि उच्चतम प्रदर्शन मा देखाइएको छ बोल्ड (अत्यावश्यक रूपमा तथ्याङ्कीय रूपमा अन्य भन्दा फरक छैन बोल्ड).
डिसेम्बर
संज्ञानात्मक स्वास्थ्यमा परिवर्तनहरूको प्रारम्भिक पहिचान महत्त्वपूर्ण छ व्यक्तिगत स्वास्थ्य व्यवस्थापन र सार्वजनिक स्वास्थ्य समान रूपमा व्यावहारिक उपयोगिता। वास्तवमा, यो विश्वव्यापी रोगीहरूको लागि क्लिनिकल सेटिङहरूमा पनि धेरै उच्च प्राथमिकता हो। साझा लक्ष्य भनेको बिरामीहरू, हेरचाहकर्ताहरू, र प्रदायकहरूलाई सचेत गराउनु हो र संज्ञानात्मक गिरावटको अनुभव गर्न थालेकाहरूको लागि पहिले उपयुक्त र लागत-प्रभावी उपचार र अनुदैर्ध्य हेरचाह गर्नु हो। हाम्रा तीनवटा अस्पताल/क्लिनिक(हरू) डेटा सबसेटहरू मर्ज गर्दै, हामीले प्रयोग गर्ने भविष्यवाणी गर्ने मोडेलहरू निर्माण गर्न (एउटा उल्लेखनीय स्ट्यान्डआउट -Naïve Bayes सँग) तीनवटा विशिष्ट रूपमा प्राथमिकता मिल्ने विद्यार्थीहरू पहिचान गर्यौं। MemTrax प्रदर्शन मेट्रिक्स जसले भरपर्दो रूपमा संज्ञानात्मक स्वास्थ्य स्थिति वर्गीकरण गर्न सक्छ Dichotomously (सामान्य संज्ञानात्मक स्वास्थ्य वा MCI) एक MoCA समग्र स्कोर द्वारा संकेत गरिनेछ। विशेष रूपमा, हाम्रा मोडेलहरूले मुख्य रूपमा यी MemTrax कार्यसम्पादन मेट्रिक्सलाई समेट्ने शीर्ष-रैंकका चार सुविधाहरू मात्र प्रयोग गर्दा सबै तीन विद्यार्थीहरूको लागि समग्र वर्गीकरण कार्यसम्पादनमा सुधार भयो। यसबाहेक, हामीले डिमेन्शिया निदानका दुई वर्गहरूको गम्भीरता छुट्याउन निदान समर्थन वर्गीकरण मोडेलिङ योजनामा उही शिक्षार्थीहरू र मेमट्र्याक्स कार्यसम्पादन मेट्रिक्सको प्रयोग गर्नको लागि पर्याप्त सम्भावना प्रकट गर्यौं: AD र VaD।
मेमोरी परीक्षण AD [23, 24] को प्रारम्भिक पत्ता लगाउनको लागि केन्द्रीय छ। तसर्थ, यो उपयुक्त छ कि MemTrax एक स्वीकार्य, आकर्षक, र कार्यान्वयन गर्न सजिलो अनलाइन हो। एपिसोडिक मेमोरीको लागि स्क्रीनिंग परीक्षण सामान्य जनसंख्या मा [6]। यस निरन्तर कार्यसम्पादन कार्यबाट पहिचानको शुद्धता र प्रतिक्रिया समयहरू विशेष गरी प्रारम्भिक र विकसित हुने बिग्रेको पहिचान गर्न र सिक्ने, मेमोरी, र अनुभूतिसँग सम्बन्धित न्यूरोप्लास्टिक प्रक्रियाहरूमा परिणामस्वरूप घाटाहरू प्रकट गर्दै छन्। त्यो हो, यहाँका मोडेलहरू जुन धेरै हदसम्म मेमट्र्याक्स प्रदर्शन मेट्रिक्समा आधारित छन् संवेदनशील छन् र सजिलैसँग र न्यूनतम लागतमा जैविक न्यूरोपैथोलोजिक घाटालाई संक्रमणकालीन एसिम्प्टोमेटिक चरणको बखत अधिक पर्याप्त कार्यात्मक हानि [२५] भन्दा पहिले नै देखाउन सक्ने सम्भावना हुन्छ। Ashford et al। MemTrax [25] सँग आफ्नै भाग लिने अनलाइन प्रयोगकर्ताहरूमा पहिचान मेमोरी शुद्धता र प्रतिक्रिया समयको ढाँचा र व्यवहारहरू नजिकबाट जाँच गरियो। यी वितरणहरू इष्टतम मोडलिङमा महत्वपूर्ण छन् र वैध र प्रभावकारी रोगी हेरचाह अनुप्रयोगहरू विकास गर्न महत्त्वपूर्ण छन् भनेर सम्मान गर्दै, क्लिनिकल र अनुसन्धान उपयोगिताको लागि मूल्यवान आधारभूत सन्दर्भ स्थापना गर्न चिकित्सकीय रूपमा लागू हुने मान्यता र प्रतिक्रिया समय प्रोफाइलहरू परिभाषित गर्न आवश्यक छ। प्रारम्भिक चरणको संज्ञानात्मक कमजोरी र विभेदक निदान समर्थनको लागि AD स्क्रिनिङमा MemTrax को व्यावहारिक मूल्यलाई क्लिनिकल सेटिङको सन्दर्भमा अझ नजिकबाट जाँच्न आवश्यक छ जहाँ comorbidities र संज्ञानात्मक, संवेदी, र परीक्षण प्रदर्शनलाई असर गर्ने मोटर क्षमताहरू विचार गर्न सकिन्छ। र व्यावसायिक परिप्रेक्ष्यलाई सूचित गर्न र व्यावहारिक क्लिनिकल उपयोगितालाई प्रोत्साहित गर्न, यो स्थापित संज्ञानात्मक स्वास्थ्य मूल्याङ्कन परीक्षणको तुलनालाई प्रदर्शन गर्न पहिलो अनिवार्य छ, यद्यपि पछिको जटिल परीक्षण रसद, शिक्षा र भाषा अवरोधहरू, र सांस्कृतिक प्रभावहरू द्वारा पहिचानयोग्य रूपमा सीमित हुन सक्छ [२६]। । यस सन्दर्भमा, MemTrax को क्लिनिकल प्रभावकारितामा MoCA को अनुकूल तुलना जुन सामान्यतया उद्योग मानकको रूपमा अभिप्रेरित छ, महत्त्वपूर्ण छ, विशेष गरी जब मेमट्र्याक्सको उपयोगिता र बिरामीको स्वीकृतिको ठूलो सहजतालाई वजन गर्दा।
MemTrax लाई MoCA सँग तुलना गर्ने अघिल्लो अन्वेषणले हाम्रो मोडलिङ अनुसन्धानलाई समर्थन गर्ने तर्क र प्रारम्भिक प्रमाणलाई हाइलाइट गर्दछ [8]। यद्यपि, यो पहिलेको तुलनाले केवल दुई प्रमुख MemTrax कार्यसम्पादन मेट्रिक्ससँग सम्बन्धित छ जुन हामीले संज्ञानात्मक स्थितिसँग MoCA द्वारा निर्धारण गरेको र सम्बन्धित दायराहरू र कटअफ मानहरू परिभाषित गरेका छौं। हामीले मेमट्र्याक्सको क्लिनिकल उपयोगिता मूल्याङ्कनलाई भविष्यवाणी गर्ने मोडलिङ-आधारित दृष्टिकोणको अन्वेषण गरेर गहिरो बनायौं जसले अन्य सम्भावित प्रासंगिक बिरामी-विशिष्ट प्यारामिटरहरूको थप व्यक्तिगत विचार प्रदान गर्नेछ। अन्यको विपरित, हामीले MoCA स्कोरमा शिक्षा सुधार (समायोजन) प्रयोग गरेर वा मौलिक रूपमा सिफारिस गरिएको 26 देखि 23 [12, 15] बाट संज्ञानात्मक स्वास्थ्य भेदभाव गर्ने MoCA समग्र स्कोर थ्रेसहोल्डमा भिन्नता प्रयोग गरेर मोडेल प्रदर्शनमा फाइदा फेला पारेनौं। वास्तवमा, समायोजन नगरिएको MoCA स्कोर र उच्च थ्रेसहोल्ड प्रयोग गरेर वर्गीकरण प्रदर्शन लाभ।
क्लिनिकल अभ्यासमा मुख्य बिन्दुहरू
मेसिन लर्निङ प्रायः राम्रो प्रयोग गरिन्छ र भविष्यवाणी मोडलिङमा सबैभन्दा प्रभावकारी हुन्छ जब डाटा व्यापक र बहु-आयामी हुन्छ, त्यो हो, जब त्यहाँ धेरै अवलोकनहरू र उच्च-मूल्य (योगदान) विशेषताहरूको एक सहवर्ती विस्तृत सरणी हुन्छ। यद्यपि, यी हालको डेटाको साथ, केवल चार चयन सुविधाहरू भएका फिल्टर गरिएका मोडेलहरूले सबै 10 सामान्य सुविधाहरू प्रयोग गर्नेहरू भन्दा राम्रो प्रदर्शन गरे। यसले सुझाव दिन्छ कि हाम्रो समग्र अस्पताल डेटासेटमा यस तरिकाले बिरामीहरूलाई इष्टतम रूपमा वर्गीकृत गर्न चिकित्सकीय रूपमा उपयुक्त (उच्च मूल्य) सुविधाहरू थिएनन्। यद्यपि, मुख्य मेमट्र्याक्स कार्यसम्पादन मेट्रिक्स-MTx-% C र MTx-RT-मा विशेषता रैंकिंग जोडले यस परीक्षणको वरिपरि प्रारम्भिक चरणको संज्ञानात्मक घाटा स्क्रिनिङ मोडेलहरू निर्माण गर्न दृढतापूर्वक समर्थन गर्दछ जुन सरल, व्यवस्थापन गर्न सजिलो, कम लागत, र उपयुक्त रूपमा खुलासा गर्दछ। मेमोरी प्रदर्शन, कम्तिमा अहिले संज्ञानात्मक स्वास्थ्य स्थितिको बाइनरी वर्गीकरणको लागि प्रारम्भिक स्क्रिनको रूपमा। प्रदायकहरू र स्वास्थ्य सेवा प्रणालीहरूमा सँधै बढ्दो तनावलाई ध्यानमा राख्दै, बिरामी स्क्रीनिंग प्रक्रियाहरू र क्लिनिकल अनुप्रयोगहरू ती बिरामी विशेषताहरू र परीक्षण मेट्रिकहरू सङ्कलन, ट्र्याकिङ, र मोडेलिङमा जोड दिएर उपयुक्त रूपमा विकसित गरिनु पर्छ जुन निदानमा सबैभन्दा उपयोगी, लाभदायक र प्रभावकारी साबित हुन्छ। र बिरामी व्यवस्थापन समर्थन।
दुई प्रमुख MemTrax मेट्रिक्स MCI वर्गीकरणको केन्द्रबिन्दु भएकाले, हाम्रो उच्च प्रदर्शन गर्ने शिक्षार्थी (Naïve Bayes) ले धेरैजसो मोडेलहरूमा (AUC माथि 0.90) को साँचो-सकारात्मक देखि गलत-सकारात्मक अनुपातको नजिक वा केही हदसम्म 4 भन्दा बढी मोडेलहरूमा धेरै उच्च भविष्यवाणी गर्ने प्रदर्शन गरेको थियो। : 1. यस शिक्षार्थी प्रयोग गर्ने अनुवादात्मक क्लिनिकल अनुप्रयोगले यसरी संज्ञानात्मक घाटा भएका धेरैजसो व्यक्तिहरूलाई कैप्चर (सही रूपमा वर्गीकृत) गर्नेछ, जबकि सामान्य संज्ञानात्मक स्वास्थ्य भएको व्यक्तिलाई संज्ञानात्मक घाटा भएको (झूटा सकारात्मक) वा गलत रूपमा वर्गीकरण गर्ने लागतलाई कम गर्दछ। संज्ञानात्मक घाटा (झूटा नकारात्मक) भएकाहरूमा त्यो वर्गीकरण हराइरहेको छ। गलत वर्गीकरणको यी परिदृश्यहरू मध्ये कुनै एकले बिरामी र हेरचाहकर्ताहरूलाई अनुचित मनो-सामाजिक बोझ थोपाउन सक्छ।
जहाँ प्रारम्भिक र पूर्ण विश्लेषणहरूमा हामीले प्रत्येक मोडलिङ योजनामा सबै दस जना सिकारुहरू प्रयोग गर्यौं, हामीले हाम्रा नतिजाहरूलाई सबैभन्दा लगातार बलियो प्रदर्शन देखाउने तीन वर्गीकरणहरूमा केन्द्रित गर्यौं। यो पनि हाइलाइट गर्न को लागी थियो, यी डेटा को आधार मा, संज्ञानात्मक स्थिति वर्गीकरण निर्धारण मा एक व्यावहारिक क्लिनिकल आवेदन मा एक उच्च स्तर मा प्रत्याशित रूपमा भरोसेमंद प्रदर्शन गर्न सक्ने शिक्षार्थीहरु। यसबाहेक, यो अध्ययन संज्ञानात्मक स्क्रिनिङ र यी समयमै क्लिनिकल चुनौतीहरूमा मेसिन लर्निङको उपयोगितामा परिचयात्मक अनुसन्धानको रूपमा लक्षित भएको हुनाले, हामीले न्यूनतम प्यारामिटर ट्युनिङका साथ सिकाइ प्रविधिलाई सरल र सामान्यीकृत गर्ने निर्णय गरेका छौं। हामी सराहना गर्छौं कि यो दृष्टिकोणले अधिक संकीर्ण परिभाषित रोगी-विशिष्ट भविष्यवाणी क्षमताहरूको लागि सम्भाव्यतालाई सीमित गरेको हुन सक्छ। त्यसै गरी, जहाँ केवल शीर्ष सुविधाहरू (फिल्टर गरिएको दृष्टिकोण) प्रयोग गरेर मोडेलहरू प्रशिक्षणले हामीलाई यी डेटा (संकलित डाटामा कमजोरीहरूको लागि विशिष्ट र बहुमूल्य क्लिनिकल समय र स्रोतहरूलाई अनुकूलन गर्न मूल्य हाइलाइट गर्ने) सम्बन्धमा थप जानकारी दिन्छ, हामी बुझ्दछौं कि यो समय भन्दा पहिले नै संकीर्ण हो। मोडेलहरूको दायरा र त्यसकारण, सबै (र अन्य सुविधाहरू) लाई भविष्यको अनुसन्धानको साथ विचार गरिनुपर्छ जबसम्म हामीसँग प्राथमिकता सुविधाहरूको थप निश्चित प्रोफाइल छैन जुन व्यापक जनसंख्यामा लागू हुनेछ। यसैले, हामी यो पनि पूर्ण रूपमा स्वीकार गर्छौं कि यी र अन्य मोडेलहरूको थप समावेशी र व्यापक रूपमा प्रतिनिधि डेटा र अनुकूलन तिनीहरूलाई प्रभावकारी क्लिनिकल अनुप्रयोगमा एकीकृत गर्नु अघि आवश्यक हुनेछ, विशेष गरी संज्ञानात्मक कार्यसम्पादनलाई असर गर्ने comorbidities समायोजन गर्न जुन थप क्लिनिकल मूल्याङ्कनमा विचार गर्न आवश्यक छ।
मेमट्र्याक्सको उपयोगितालाई छुट्टै क्लिनिकल निदानको आधारमा रोगको गम्भीरताको मोडेलिङद्वारा थप परिमार्जन गरिएको थियो। VaD (AD को तुलनामा) को गम्भीरता भविष्यवाणी गर्नमा राम्रो समग्र वर्गीकरण प्रदर्शन थिएन। वास्कुलर स्वास्थ्यको लागि विशिष्ट मोडेलहरूमा बिरामी प्रोफाइल सुविधाहरू दिएर आश्चर्यजनक र स्ट्रोक जोखिम, जस्तै, उच्च रक्तचाप, हाइपरलिपिडेमिया, मधुमेह, र (निश्चय) स्ट्रोक इतिहास। यद्यपि यी थप समावेशी डेटाका साथ शिक्षार्थीहरूलाई तालिम दिन सामान्य संज्ञानात्मक स्वास्थ्यसँग मिल्दोजुल्दो रोगीहरूमा एउटै नैदानिक मूल्याङ्कन गर्नु अधिक वांछनीय र उपयुक्त हुने थियो। यो विशेष गरी वारेन्ट गरिएको छ, किनकि MemTrax प्राथमिक रूपमा संज्ञानात्मक घाटाको प्रारम्भिक चरण पत्ता लगाउन र व्यक्तिगत परिवर्तनको पछिल्ला ट्र्याकिङको लागि प्रयोग गर्ने उद्देश्यले गरिएको छ। यो पनि प्रशंसनीय छ कि VaD डाटासेटमा डाटाको अधिक वांछनीय वितरणले तुलनात्मक रूपमा राम्रो मोडलिङ प्रदर्शनमा अंशमा योगदान पुर्यायो। VaD डेटासेट दुई वर्गहरू बीच राम्रोसँग सन्तुलित थियो, जबकि धेरै कम MCI बिरामीहरूसँग AD डेटासेट थिएन। विशेष गरी साना डेटासेटहरूमा, केही अतिरिक्त उदाहरणहरूले पनि मापनयोग्य भिन्नता ल्याउन सक्छ। दुबै परिप्रेक्ष्यहरू रोग गम्भीरता मोडेलिङ प्रदर्शनमा भिन्नताहरू अन्तर्निहित तर्कहरू हुन्। यद्यपि, डाटासेट संख्यात्मक विशेषताहरू वा विचाराधीन क्लिनिकल प्रस्तुतिमा विशिष्ट अन्तर्निहित सुविधाहरूमा सुधारिएको प्रदर्शनलाई समानुपातिक रूपमा एट्रिब्युट गर्नु समयपूर्व हो। जे होस्, यस उपन्यासले क्लिनिकल निदान समर्थनको भूमिकामा MemTrax भविष्यवाणी वर्गीकरण मोडेलको उपयोगिता प्रदर्शन गर्दछ मूल्यवान परिप्रेक्ष्य प्रदान गर्दछ र MCI को निरन्तरतामा बिरामीहरूसँग थप परीक्षाको लागि खोजीलाई पुष्टि गर्दछ।
MemTrax र चीनमा यी मोडेलहरूको कार्यान्वयन र प्रदर्शन उपयोगिता, जहाँ भाषा र संस्कृति स्थापित उपयोगिताका अन्य क्षेत्रहरू (जस्तै, फ्रान्स, नेदरल्याण्ड्स, र संयुक्त राज्य अमेरिका) [७, ८, २७] भन्दा एकदमै भिन्न छन् [७, ८, २७], यसले सम्भाव्यतालाई थप जोड दिन्छ। MemTrax-आधारित प्लेटफर्मको व्यापक विश्वव्यापी स्वीकृति र क्लिनिकल मूल्यको लागि। यो डेटा मेलमिलाप तर्फ प्रयास गर्ने र विश्वव्यापी रूपमा प्रयोगको लागि मानकीकृत र सजिलैसँग अनुकूलित हुने संज्ञानात्मक स्क्रिनिङका लागि व्यावहारिक अन्तर्राष्ट्रिय मापदण्डहरू र मोडलिङ स्रोतहरू विकास गर्ने एउटा उदाहरणीय उदाहरण हो।
संज्ञानात्मक गिरावट मोडलिङ र अनुप्रयोगमा अर्को चरणहरू
AD मा संज्ञानात्मक डिसफंक्शन वास्तवमा एक निरन्तरतामा हुन्छ, अलग चरण वा चरणहरूमा होइन [28, 29]। जे होस्, यस प्रारम्भिक चरणमा, हाम्रो लक्ष्य भनेको "सामान्य" लाई "सामान्य होइन" लाई मौलिक रूपमा छुट्याउन सक्ने मेमट्र्याक्सलाई समावेश गर्ने मोडेल निर्माण गर्ने हाम्रो क्षमता स्थापित गर्नु थियो। थप समावेशी अनुभवजन्य डेटा (जस्तै, मस्तिष्क इमेजिङ, आनुवंशिक विशेषताहरू, बायोमार्करहरू, कमोरबिडिटीहरू, र जटिलका कार्यात्मक मार्करहरू संज्ञानात्मक आवश्यक गतिविधिहरू नियन्त्रण) [३०] बिभिन्न विश्वव्यापी क्षेत्रहरू, जनसंख्या र उमेर समूहहरूमा तालिम दिन र थप परिष्कृत (उपयुक्त रूपमा भारित ensemble सहित) मेशिन लर्निङ मोडेलहरूले विस्तारित वर्गीकरण, अर्थात् रोगीहरूको समूहलाई वर्गीकरण गर्ने क्षमतालाई समर्थन गर्नेछ। MCI साना र थप निश्चित उपसेटहरूमा संज्ञानात्मक गिरावट निरन्तरताको साथ। यसबाहेक, क्षेत्रीय रूपमा विविध रोगी जनसंख्याका व्यक्तिहरूको लागि सहवर्ती क्लिनिकल निदानहरू आवश्यक छन्। प्रभावकारी तालिम यी थप समावेशी र अनुमानित रूपमा बलियो मोडेलहरू। यसले समान पृष्ठभूमि, प्रभावहरू, र थप संकीर्ण परिभाषित विशेषता संज्ञानात्मक प्रोफाइलहरू भएकाहरूका लागि थप विशिष्ट स्तरीकृत केस व्यवस्थापनलाई सुविधा दिनेछ र यसैले क्लिनिकल निर्णय समर्थन र बिरामी हेरचाहलाई अनुकूलन गर्दछ।
आजको धेरै सान्दर्भिक क्लिनिकल अनुसन्धानले कम्तीमा हल्का डिमेन्सिया भएका बिरामीहरूलाई सम्बोधन गरेको छ; र, व्यवहारमा, धेरै पटक रोगी हस्तक्षेप उन्नत चरणहरूमा मात्र प्रयास गरिन्छ। यद्यपि, डिमेन्सियाका लागि क्लिनिकल मापदण्डहरू पूरा हुनुभन्दा पहिले नै संज्ञानात्मक गिरावट सुरु हुन्छ, प्रभावकारी रूपमा लागू गरिएको मेमट्र्याक्स-आधारित प्रारम्भिक स्क्रिनले रोग र यसको प्रगतिको बारेमा व्यक्तिहरूलाई उपयुक्त शिक्षालाई प्रोत्साहित गर्न सक्छ र पहिले र अधिक समयमै हस्तक्षेपहरू तुरुन्तै गर्न सक्छ। यसैले, प्रारम्भिक पहिचानले व्यायाम, आहार, भावनात्मक समर्थन, र सुधारिएको समाजीकरणदेखि फार्माकोलॉजिकल हस्तक्षेपमा उपयुक्त संलग्नताहरूलाई समर्थन गर्न सक्छ र व्यवहार र धारणामा रोगी-सम्बन्धित परिवर्तनहरूलाई सुदृढ पार्न सक्छ जुन एकल वा समग्रमा कम गर्न वा सम्भावित रूपमा डिमेन्सिया प्रगति रोक्न सक्छ [31, 32] । साथै, प्रभावकारी प्रारम्भिक स्क्रीनिंग, व्यक्तिहरू र तिनीहरूका परिवारहरूलाई अपेक्षा र अभिप्रायहरू स्पष्ट गर्न र दैनिक कार्यहरू व्यवस्थित गर्न मद्दतको लागि क्लिनिकल परीक्षणहरू विचार गर्न वा परामर्श र अन्य सामाजिक सेवाहरूको समर्थन प्राप्त गर्न प्रेरित गर्न सकिन्छ। यी तरिकाहरूमा थप प्रमाणीकरण र व्यापक व्यावहारिक उपयोगिता धेरै व्यक्तिहरूको लागि MCI, AD, र ADRD को प्रगतिलाई कम गर्न वा रोक्नको लागि सहायक हुन सक्छ।
वास्तवमा, हाम्रो अध्ययनमा बिरामीको उमेर दायराको कम अन्त्यले AD सँग परम्परागत चिन्ताको जनसंख्यालाई प्रतिनिधित्व गर्दैन। जे होस्, MoCA स्कोर/थ्रेसहोल्ड र निदान गम्भीरता (तालिका 3) मा आधारित वर्गीकरण मोडलिङ योजनाहरूमा प्रयोग गरिएको प्रत्येक समूहको औसत उमेरले स्पष्ट बहुमत (80% भन्दा बढी) कम्तिमा 50 वर्ष पुरानो भएकोमा जोड दिन्छ। यसरी यो वितरण सामान्यीकरणको लागि धेरै उपयुक्त छ, जनसंख्यामा यी मोडेलहरूको उपयोगितालाई समर्थन गर्दै ती व्यक्तिहरूलाई विशेष रूपमा प्रभावित प्रारम्भिक सुरुवात र AD र VaD को कारणले बढ्दो न्यूरोकोग्निटिभ बिमारी। साथै, भर्खरको प्रमाण र परिप्रेक्ष्यले ती मान्यता प्राप्त कारकहरू (जस्तै, उच्च रक्तचाप, मोटोपना, मधुमेह, र धुम्रपान) लाई जोड दिन्छ। वयस्क र मिडलाइफ भास्कुलर जोखिम स्कोर र फलस्वरूप सूक्ष्म भास्कुलर मस्तिष्क चोट जुन युवाहरूमा पनि स्पष्ट प्रभावहरूको साथ कपटी रूपमा विकास हुन्छ। वयस्क [३३-३५]। तदनुसार, प्रारम्भिक पत्ता लगाउनको लागि सबैभन्दा इष्टतम प्रारम्भिक स्क्रीनिंग अवसर चरण संज्ञानात्मक घाटा र सफलतापूर्वक डिमेन्सिया सम्बोधन गर्न प्रभावकारी रोकथाम र हस्तक्षेप रणनीतिहरू प्रारम्भ गर्दै प्रारम्भिक वयस्कता र सम्भावित बाल्यकाल समेत (प्रारम्भिक गर्भावस्थादेखि नै एपोलिपोप्रोटिन ई जस्ता आनुवंशिक कारकहरूको सान्दर्भिकतालाई ध्यानमा राख्दै) उमेर स्पेक्ट्रममा योगदान गर्ने कारकहरू र पूर्ववर्ती संकेतकहरूको परीक्षणबाट देखा पर्नेछ।
अभ्यासमा, मान्य क्लिनिकल निदान र उन्नत इमेजिङ, आनुवंशिक प्रोफाइलिङ, र आशाजनक बायोमार्करहरू मापनका लागि महँगो प्रक्रियाहरू सँधै सजिलै उपलब्ध हुँदैनन् वा धेरै प्रदायकहरूको लागि पनि सम्भव हुँदैन। यसैले, धेरै उदाहरणहरूमा, प्रारम्भिक समग्र संज्ञानात्मक स्वास्थ्य स्थिति वर्गीकरण बिरामी द्वारा प्रदान गरिएको अन्य साधारण मेट्रिक्स प्रयोग गरेर मोडेलहरूबाट व्युत्पन्न हुन सक्छ (जस्तै, स्व-रिपोर्ट गरिएको मेमोरी समस्याहरु, वर्तमान औषधिहरू, र दिनचर्या गतिविधि सीमाहरू) र सामान्य जनसांख्यिकीय सुविधाहरू [7]। क्यालिफोर्निया विश्वविद्यालय जस्ता रजिस्ट्रीहरू मस्तिष्क स्वास्थ्य रजिस्ट्री (https://www.brainhealthregistry.org/) [२७] र अन्य स्व-रिपोर्ट गरिएका लक्षणहरू, गुणात्मक उपायहरू (जस्तै, निद्रा र हरेक दिनको अनुभूति), औषधिहरू, स्वास्थ्य स्थिति, र इतिहास, र अधिक विस्तृत जनसांख्यिकी क्लिनिकमा यी अधिक आदिम मोडेलहरूको व्यावहारिक अनुप्रयोगको विकास र प्रमाणीकरण गर्न सहायक हुनेछ। यसबाहेक, मेमट्र्याक्स जस्ता परीक्षण, जसले मेमोरी प्रकार्यको मूल्याङ्कन गर्न उपयोगिता देखाएको छ, वास्तवमा जैविक मार्करहरू भन्दा AD रोगविज्ञानको पर्याप्त रूपमा राम्रो अनुमान प्रदान गर्न सक्छ। यो दिईएको छ कि AD रोगविज्ञान को मुख्य विशेषता न्यूरोप्लास्टिकिटी को अवरोध र synapses को एक अत्यधिक जटिल क्षति हो, जुन एपिसोडिक को रूप मा प्रकट हुन्छ। मेमोरी डिसफंक्शन, एपिसोडिक मेमोरीको मूल्याङ्कन गर्ने उपाय वास्तवमा हुन सक्छ जीवित रोगी [36] मा जैविक मार्करहरू भन्दा एडी रोगशास्त्रीय बोझको राम्रो अनुमान प्रदान गर्नुहोस्।
सबै भविष्यवाणी मोडेलहरू - चाहे अत्याधुनिक टेक्नोलोजीबाट जटिल र समावेशी डेटा द्वारा पूरक हो र धेरै डोमेनहरूमा परिष्कृत क्लिनिकल अन्तर्दृष्टिहरू वा अवस्थित बिरामी प्रोफाइलहरूको थप आधारभूत र सजिलै उपलब्ध जानकारी विशेषताहरूमा सीमित - कृत्रिम बुद्धिमत्ताको मान्यता प्राप्त फाइदा। र मेशिन लर्निङ भनेको परिणाम स्वरूप मोडेलहरूले चलिरहेको एप्लिकेसन उपयोगद्वारा उपलब्ध गराइएका सान्दर्भिक नयाँ डाटा र परिप्रेक्ष्यबाट सिन्थेसाइज गर्न र इन्डक्टिव रूपमा "सिक्न" सक्छ। व्यावहारिक टेक्नोलोजी स्थानान्तरण पछि, यहाँ (र विकसित हुने) मोडेलहरू थप केसहरू र प्रासंगिक डेटा (आगामी संज्ञानात्मक गिरावटको साथ प्रस्तुत हुन सक्ने कमोरबिडिटी भएका बिरामीहरू सहित), भविष्यवाणी कार्यसम्पादन र संज्ञानात्मक स्वास्थ्य वर्गीकरण थप बलियो हुनेछ। अधिक प्रभावकारी क्लिनिकल निर्णय समर्थन उपयोगिता को परिणामस्वरूप। MemTrax लाई कस्टम (उपलब्ध क्षमताहरूमा लक्षित) प्लेटफर्महरूमा इम्बेड गरेर यो विकास पूर्ण रूपमा र व्यावहारिक रूपमा महसुस हुनेछ जुन स्वास्थ्य सेवा प्रदायकहरूले क्लिनिकमा वास्तविक-समयमा प्रयोग गर्न सक्नेछन्।
निदान समर्थन र बिरामी हेरचाहको लागि MemTrax मोडेलको प्रमाणीकरण र उपयोगिताको लागि अत्यावश्यक अर्थपूर्ण अनुदैर्ध्य डेटाको अत्यधिक खोजी गरिन्छ। प्रारम्भिक चरणको MCI मार्फत सामान्यको पर्याप्त दायरा भरि नैदानिक स्थितिमा सहवर्ती परिवर्तनहरू (यदि कुनै भएमा) को अवलोकन र रेकर्ड गरेर, उपयुक्त चलिरहेको मूल्याङ्कन र वर्गीकरणका लागि मोडेलहरूलाई बिरामीको उमेर अनुसार प्रशिक्षित र परिमार्जन गर्न सकिन्छ र उपचार गरिन्छ। त्यो हो, बारम्बार उपयोगिताले हल्का संज्ञानात्मक परिवर्तनहरूको अनुदैर्ध्य ट्र्याकिङ, हस्तक्षेप प्रभावकारिता, र सूचित स्तरीकृत हेरचाह कायम राख्न मद्दत गर्न सक्छ। यो दृष्टिकोण नैदानिक अभ्यास र रोगी र केस व्यवस्थापन संग अधिक नजिक पङ्क्तिबद्ध छ।
सीमितता
हामी नियन्त्रित क्लिनिक/अस्पताल सेटिङमा स्वच्छ क्लिनिकल डेटा सङ्कलन गर्ने चुनौती र मूल्यको कदर गर्छौं। जे होस्, यसले हाम्रो मोडेलिङलाई बलियो बनाउँछ यदि हाम्रा डेटासेटहरूमा सामान्य सुविधाहरू भएका थप बिरामीहरू समावेश हुन्छन्। यसबाहेक, हाम्रो डायग्नोसिस मोडलिङको लागि विशिष्ट, सामान्य संज्ञानात्मक स्वास्थ्यसँग मिल्दोजुल्दो रोगीहरूमा सिकाउनेहरूलाई तालिम दिनको लागि समान नैदानिक मूल्याङ्कन गर्नु अधिक वांछनीय र उपयुक्त हुने थियो। र फिल्टर गरिएको डाटासेट प्रयोग गरेर उच्च वर्गीकरण कार्यसम्पादन द्वारा अन्डरस्कोर गरिएको रूपमा (केवल शीर्ष श्रेणीका चार सुविधाहरू), थप सामान्य र संज्ञानात्मक स्वास्थ्य उपायहरू/सूचकहरूमा सुधार भएको हुन सक्छ सबै बिरामीहरूमा सामान्य सुविधाहरूको ठूलो संख्याको साथ मोडेलिङ प्रदर्शन।
केही सहभागीहरूले एकैसाथ अन्य रोगहरू अनुभव गरिरहनुभएको हुन सक्छ जसले ट्रान्जिटरी वा क्रोनिक संज्ञानात्मक कमीहरूलाई प्रेरित गरेको हुन सक्छ। XL उप-डेटासेट बाहेक जहाँ रोगीहरूलाई निदान रूपमा AD वा VaD भएको रूपमा वर्गीकृत गरिएको थियो, YH रोगी पूलमा कमोरबिडिटी डेटा सङ्कलन/रिपोर्ट गरिएको थिएन, र KM उप-डेटासेटमा सबैभन्दा बढी रिपोर्ट गरिएको कमोरबिडिटी मधुमेह थियो। तथापि, यो तर्कयोग्य छ कि हाम्रो मोडलिङ योजनाहरूमा comorbidities भएका बिरामीहरू समावेश गर्दछ जसले संज्ञानात्मक कमीको स्तरलाई बढावा दिन सक्छ र परिणामस्वरूप निम्न MemTrax प्रदर्शन यो अधिक सामान्यीकृत प्रारम्भिक संज्ञानात्मक स्क्रीनिंगको लागि वास्तविक-विश्व लक्षित बिरामी जनसंख्याको अधिक प्रतिनिधि हुनेछ। र मोडेलिङ दृष्टिकोण। अगाडि बढ्दै, संज्ञानात्मक कार्यसम्पादनलाई सम्भावित रूपमा असर गर्ने comorbidities को सही निदान मोडेलहरू र परिणामस्वरूप बिरामी हेरचाह अनुप्रयोगहरू अनुकूलन गर्नको लागि व्यापक रूपमा लाभदायक छ।
अन्तमा, YH र KM सब-डेटासेट बिरामीहरूले मेमट्र्याक्स परीक्षण लिन स्मार्टफोन प्रयोग गरे, जबकि सीमित संख्यामा XL उप-डेटासेट बिरामीहरूले आईप्याड प्रयोग गरे र बाँकीले स्मार्टफोन प्रयोग गरे। यसले MoCA वर्गीकरण मोडलिङको लागि MemTrax कार्यसम्पादनमा एउटा सानो यन्त्र-सम्बन्धित भिन्नता ल्याउन सक्छ। यद्यपि, MTx-RT मा भिन्नताहरू (यदि कुनै हो भने), उदाहरणका लागि, उपकरणहरू बीचको सम्भावना नगण्य हुनेछ, विशेष गरी प्रत्येक सहभागीलाई रेकर्ड गरिएको परीक्षण प्रदर्शनको ठीक अघि "अभ्यास" परीक्षण दिइन्छ। यद्यपि, यी दुई ह्यान्डहेल्ड उपकरणहरूको उपयोगिताले अन्य मेमट्र्याक्स परिणामहरूसँग प्रत्यक्ष तुलना र/वा एकीकरणलाई सम्भावित रूपमा सम्झौता गर्दछ जहाँ प्रयोगकर्ताहरूले कम्प्युटर किबोर्डमा स्पेसबार छोएर चित्रहरू दोहोर्याउन प्रतिक्रिया दिए।
MemTrax भविष्यवाणी मोडलिङ उपयोगिता मा मुख्य बिन्दुहरू
- • चयनित MemTrax कार्यसम्पादन मेट्रिकहरू समावेश गर्ने हाम्रो शीर्ष-प्रदर्शन भविष्यवाणी मोडेलहरूले व्यापक रूपमा मान्यता प्राप्त MoCA परीक्षणद्वारा संकेत गरिए अनुसार संज्ञानात्मक स्वास्थ्य स्थिति (सामान्य संज्ञानात्मक स्वास्थ्य वा MCI) लाई विश्वसनीय रूपमा वर्गीकृत गर्न सक्छ।
- • यी परिणामहरूले प्रारम्भिक चरणको संज्ञानात्मक हानिको लागि वर्गीकरण भविष्यवाणी मोडेल स्क्रीनिंग अनुप्रयोगमा चयन गरिएको MemTrax प्रदर्शन मेट्रिक्सको एकीकरणलाई समर्थन गर्दछ।
- • हाम्रो वर्गीकरण मोडलिङले डिमेन्सिया निदानको गम्भीरता छुट्याउनका लागि आवेदनहरूमा MemTrax कार्यसम्पादन प्रयोग गर्ने सम्भाव्यता पनि प्रकट गरेको छ।
यी उपन्यास खोजहरूले प्रभावकारी क्लिनिकल केस व्यवस्थापन र संज्ञानात्मक कमजोरी अनुभव गरिरहेका व्यक्तिहरूको लागि रोगी हेरचाहमा निदान समर्थनको लागि परिष्कृत बलियो मेमट्र्याक्स-आधारित वर्गीकरण मोडेलहरू निर्माण गर्न मेसिन लर्निंगको उपयोगितालाई समर्थन गर्ने निश्चित प्रमाणहरू स्थापना गर्दछ।
ACKNOWLEDGMENTS
हामी यहाँ प्रयोग गरिएको अनलाइन निरन्तर पहिचान कार्य र उपकरण (MemTrax) को विकास र प्रमाणीकरणका लागि J. Wesson Ashford, Curtis B. Ashford, र सहकर्मीहरूको कामलाई मान्यता दिन्छौं र हामी महत्वपूर्ण आधारभूत अनुसन्धानमा योगदान गर्ने डिमेन्सियाका धेरै बिरामीहरूप्रति आभारी छौं। । हामी Xianbo Zhou र SJN Biomed LTD मा उहाँका सहकर्मीहरू, उहाँका सहकर्मीहरू र अस्पताल/क्लिनिक साइटहरूमा सहयोगीहरू, विशेष गरी डा. एम. लुओ र एम. झोङ, जसले सहभागीहरूको भर्ती, परीक्षण तालिका, र डेटा सङ्कलन, रेकर्डिङ र फ्रन्ट-एन्ड प्रबन्धनमा मद्दत गरे, र स्वयंसेवक सहभागीहरू जसले आफ्नो बहुमूल्य समय दान गरे र परीक्षा लिन र प्रदान गर्ने प्रतिबद्धता व्यक्त गरे। यस अध्ययनमा हामीलाई मूल्याङ्कन गर्नको लागि मूल्यवान डाटा। यो अध्ययन एमडी वैज्ञानिक अनुसन्धान द्वारा आंशिक रूपमा समर्थित थियो कुनमिङ मेडिकल युनिभर्सिटीको कार्यक्रम (अनुदान नं. 2017BS028 to XL) र युनान विज्ञान र प्रविधि विभागको अनुसन्धान कार्यक्रम (अनुदान नं. 2019FE001 (-222) लाई XL)।
जे. वेसन एशफोर्डले सामान्यको लागि यस पेपरमा वर्णन गरिएको विशिष्ट निरन्तर पहिचान प्रतिमानको प्रयोगको लागि पेटेन्ट आवेदन दायर गरेको छ। मेमोरी परीक्षण.
MemTrax, LLC कर्टिस एशफोर्डको स्वामित्वमा रहेको कम्पनी हो, र यो कम्पनीले व्यवस्थापन गरिरहेको छ मेमोरी परीक्षण यस लेखमा वर्णन गरिएको प्रणाली।
लेखकहरूको खुलासा अनलाइन उपलब्ध छ (https://www.j-alz.com/manuscript-disclosures/19-1340r2)।
संदर्भ
| [1] अल्जाइमर एसोसिएशन (2016) 2016 अल्जाइमर रोग तथ्य र अंकहरू। अल्जाइमर्स डिमेन्ट १२, ४५९–५०९। | |
| [२] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2) प्रारम्भिक चरणको प्रभाव अल्जाइमर रोग घरायसी आर्थिक परिणामहरूमा। स्वास्थ्य अर्थ 29, 18-29। | |
| [3] | फोस्टर एनएल , बोन्डी MW , दास आर , फोस एम , हर्से एलए , कोह एस , लोगान आर , पूल सी , शेगा जेडब्ल्यू , सूद ए , थोथला एन , विक्लन्ड एम , यू एम , बेनेट ए , वांग डी (२०१९) मा गुणस्तर सुधार न्यूरोलोजी: हल्का संज्ञानात्मक हानि गुणस्तर मापन सेट। न्यूरोलोजी ९३, ७०५–७१३। |
| [४] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (4) प्रयोगको लागत प्रभावकारिता प्राथमिक हेरचाहमा डिमेन्सिया र हल्का संज्ञानात्मक कमजोरी पत्ता लगाउनको लागि संज्ञानात्मक स्क्रीनिंग परीक्षणहरू। Int J Geriatr मनोचिकित्सा 32, 1392-1400। | |
| [५] एशफोर्ड जेडब्ल्यू, गेरे ई, बेली पीजे (२०११) मेमोरी मापन निरन्तर पहिचान परीक्षण प्रयोग गरेर ठूलो समूह सेटिङहरूमा। जे अल्जाइमर्स डिस 27, 885-895। | |
| [6] | Ashford JW , Tarpin-Bernard F , Ashford CB , Ashford MT (2019) एपिसोडिक मेमोरीको मापनको लागि कम्प्यूटरीकृत निरन्तर-मान्यता कार्य। जे अल्जाइमर्स डिस ६९, ३८५–३९९। |
| [7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) संज्ञानात्मक स्वास्थ्य स्थिति वर्गीकरणको भविष्यवाणी गर्न मेसिन लर्निङ मोडलिङमा एपिसोडिक-मेमोरी प्रदर्शन। जे अल्जाइमर्स डिस 70, 277-286। |
| [८] भ्यान डेर होक एमडी, निउवेनहुइजेन ए, केइजर जे, एशफोर्ड जेडब्ल्यू (२०१९) द MemTrax परीक्षण हल्का संज्ञानात्मक हानिको मोन्ट्रियल संज्ञानात्मक मूल्यांकन अनुमानको तुलनामा। जे अल्जाइमर्स डिस 67, 1045-1054। | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) हल्का दर्दनाक मस्तिष्क चोटको वर्गीकरणको लागि पृथक स्वर ध्वनि प्रयोग गर्दै। 2013 मा ध्वनिकी, भाषण र संकेत प्रशोधन मा IEEE अन्तर्राष्ट्रिय सम्मेलन, भ्यानकुभर, BC, pp. 7577–7581। |
| [10] | Dabek F , Caban JJ (2015) ठट्टा पछि मनोवैज्ञानिक अवस्थाहरू विकास गर्ने सम्भावनालाई मोडेल गर्न ठूलो डेटाको लाभ उठाउँदै। Procedia Comput Sci 53, 265-273। |
| [11] | Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) सामुदायिक फार्मासिस्टहरू द्वारा संज्ञानात्मक हानिको प्रारम्भिक पत्ता लगाउनको लागि निर्णय रूख। फ्रन्ट फार्माकोल ९, १२३२। |
| [12] | Nasreddine ZS, Phillips NA, Bedirian V, Charbonneau S, Whitehead V, Collin I, Cummings JL, Chertkow H (2005) The Montreal Cognitive Assessment, MoCA: हल्का संज्ञानात्मक कमजोरीको लागि एक संक्षिप्त स्क्रीनिंग उपकरण। J Am Geriatr Soc 53, 695-699। |
| [13] | यू जे, ली जे, हुआंग एक्स (2012) हल्का संज्ञानात्मक कमजोरीको लागि संक्षिप्त स्क्रीनिंग उपकरणको रूपमा मोन्ट्रियल संज्ञानात्मक मूल्याङ्कनको बेइजिङ संस्करण: एक समुदाय-आधारित अध्ययन। BMC मनोचिकित्सा 12, 156। |
| [14] | चेन KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) हल्का संज्ञानात्मक कमजोरी स्क्रीनिंगको लागि मौन्ट्रियल संज्ञानात्मक मूल्याङ्कन आधारभूतको चिनियाँ संस्करणको प्रमाणीकरण। J Am Geriatr Soc 64, e285–e290। |
| [15] | कार्सन एन, लीच एल, मर्फी केजे (2018) मोन्ट्रियल संज्ञानात्मक मूल्याङ्कन (MoCA) कटअफ स्कोरहरूको पुन: परीक्षा। Int J Geriatr मनोचिकित्सा 33, 379-388। |
| [16] | अमेरिकन साइकियाट्रिक एसोसिएशन (२०१३) टास्क फोर्स डायग्नोस्टिक एण्ड स्ट्याटिस्टिकल म्यानुअल अफ मानसिक डिसअर्डर: DSM-2013™, अमेरिकन साइकियाट्रिक पब्लिशिङ, इंक., वाशिंगटन, डीसी। |
| [17] | पाइथन। पाइथन सफ्टवेयर फाउन्डेशन, http://www.python.org, नोभेम्बर 15, 2019 मा पहुँच गरियो। |
| [18] | आर कोर समूह, आर: सांख्यिकीय कम्प्युटिङको लागि भाषा र वातावरण, सांख्यिकीय कम्प्युटिङको लागि आर फाउन्डेशन, भियना, अस्ट्रिया। https://www.R-project.org/, 2018, नोभेम्बर 15, 2019 मा पहुँच गरियो। |
| [19] | Benavoli A , Corani G , Demšar J , Zaffalon M (2017) परिवर्तनको लागि समय: Bayesian विश्लेषण मार्फत बहु वर्गीकरणकर्ताहरू तुलना गर्ने ट्यूटोरियल। J Mach Learn Res 18, 1-36। |
| [20] | फ्रैंक ई, हल एमए, विटन आईएच (2016) WEKA वर्कबेन्च। मा डाटा माइनिङ: व्यावहारिक मेसिन लर्निंग उपकरण र प्रविधिहरू, फ्रैंक ई, हल एमए, विटेन आईएच, पाल सीजे, एड्स। मोर्गन काउफम्यान https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf |
| [21] | Bergeron MF , Landset S , Maugans TA , विलियम्स VB , Collins CL , Wasserman EB , Khoshgoftaar TM (2019) मेसिन लर्निङ इन मोडलिङ हाई स्कूल खेलकुद कन्क्ससन लक्षण समाधान। मेड साइ स्पोर्ट्स एक्सरसाइज ५१, १३६२–१३७१। |
| [22] | भ्यान हुल्स जे, खोशगोफ्तार टीएम, नेपोलिटानो ए (२००७) असंतुलित डाटाबाट सिक्नेमा प्रयोगात्मक दृष्टिकोण। मा मेसिन लर्निङमा 24 औं अन्तर्राष्ट्रिय सम्मेलनको कार्यवाही, Corvalis, Oregon, USA, pp. 935-942। |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) अल्जाइमर रोगी मूल्याङ्कन र मिनी-मानसिक अवस्था: वस्तु विशेषता वक्र विश्लेषण। J Gerontol 44, 139-146। |
| [२४] एशफोर्ड जेडब्ल्यू, जार्विक एल (१९८५) अल्जाइमरको रोग: के न्युरोन प्लास्टिसिटीले एक्सोनल न्यूरोफिब्रिलरी डिजेनेरेसनको सम्भावना हुन्छ? N Engl J Med 313, 388-389। | |
| [२५] ज्याक सीआर जूनियर , थेर्नाउ टीएम , वेइगान्ड एसडी , विस्टे एचजे , नोपम्यान डीएस , वेमुरी पी , लोव वीजे , माइल्के एमएम , रोबर्ट्स आरओ , माचुल्डा एमएम , ग्राफ-राडफोर्ड जे , जोन्स डीटी , श्वार्ज सीजी , सेनजेमएल , Rocca WA , Petersen RC (25) एजिंग-अल्जाइमरमा राष्ट्रिय संस्थान प्रयोग गरी जैविक रूपमा नैदानिक रूपमा परिभाषित अल्जाइमर स्पेक्ट्रम संस्थाहरूको प्रसार। संघ अनुसन्धान फ्रेमवर्क। जामा न्यूरोल ७६, ११७४–११८३। | |
| [२६] Zhou X, Ashford JW (26) को लागि स्क्रीनिंग उपकरणहरूमा अग्रिमहरू अल्जाइमर रोग। एजिङ मेड २, ८८–९३। | |
| [२७] Weiner MW, Nosheny R, Camacho M, Truran-Sacrey D, Mackin RS, Flenniken D, Ulbricht A, Insel P, Finley S, Fockler J, Veitch D (27) द मस्तिष्क स्वास्थ्य रजिस्ट्री: भर्ती, मूल्याङ्कन, र न्यूरोसाइन्स अध्ययनका लागि सहभागीहरूको अनुदैर्ध्य अनुगमनको लागि इन्टरनेट-आधारित प्लेटफर्म। अल्जाइमर्स डिमेन्ट १४, १०६३–१०७६। | |
| [२८] Ashford JW, Schmitt FA (28) मोडलिङ द टाइम-कोर्स अल्जाइमर डिमेन्सिया। करर मनोचिकित्सा प्रतिनिधि 3, 20-28। | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE): व्यक्तिपरक संज्ञानात्मक भएका व्यक्तिहरूमा हल्का संज्ञानात्मक कमजोरीमा रूपान्तरणको जोखिम भविष्यवाणी मोडेलहरू विकास गर्न चिनियाँ अनुदैर्ध्य अवलोकन अध्ययनको लागि प्रोटोकल अस्वीकार। BMJ ओपन 9, e028188। |
| [३०] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (30) पाँच वर्षको बायोमार्कर प्रगति परिवर्तनशीलता अल्जाइमर रोग डिमेन्सिया भविष्यवाणी: दैनिक जीवन मार्करको जटिल उपकरण गतिविधिहरूले खाली ठाउँहरू भर्न सक्छ? अल्जाइमर्स डिमेन्ट (Amst) 1, 521-532। | |
| [३१] McGurran H, Glenn JM, Madero EN, Bott NT (31) अल्जाइमर रोग को रोकथाम र उपचार: व्यायाम को जैविक संयन्त्र। जे अल्जाइमर्स डिस 69, 311-338। | |
| [३२] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (32) को उपचार अल्जाइमर रोग को रोकथाम र उपचार। Biomed Res Int 2016, 2589276। | |
| [33] | लेन सीए, बार्नेस जे, निकोलस जेएम, सुद्रे सीएच, नगद डीएम, मालोन आईबी, पार्कर टीडी, केशवन ए, बुकानन एसएम, केउस एसई, जेम्स एसएन, लु के, मरे-स्मिथ एच, वोंग ए, गोर्डन ई, कोथ डब्ल्यू, मोडाट एम, थोमस डी, रिचर्ड्स एम, फक्स एनसी, स्कट जेएम (2020) वयस्कता र लेट लाइफमा मस्तिष्क रोगविज्ञान बीचको भास्कुलर जोखिम बीचको एसोसिएसन: ब्रिटिश जन्म समूहबाट प्रमाण। जामा न्यूरोल ७७, १७५–१८३। |
| [34] | शेषाद्री एस (२०२०) उमेर र एमाइलाइड बक्सहरू भन्दा परको डिमेन्सिया-सोचको रोकथाम। जामा न्यूरोल ७७, १६०–१६१। |
| [35] | Maillard P, Seshadri S, Beiser A, Himali JJ, Au R, Fletcher E, Carmichael O, Wolf PA, DeCarli C (2012) Framingham Heart Study: A Cross - खण्डीय अध्ययन। ल्यान्सेट न्यूरोल 11, 1039-1047। |
| [३६] फिंक HA , Linskens EJ , Silverman PC , McCarten JR , Hemmy LS , Ouellette JM , Greer NL , Wilt TJ , Butler M (36) न्यूरोपैथोलोजिकल रूपमा परिभाषित गरिएको बायोमार्कर परीक्षणको शुद्धता। डिमेन्सिया भएका वृद्ध वयस्कहरूमा अल्जाइमर रोग। एन इंटर्न मेड 172, 669-677। |
सम्बद्धता: [a] SIVOTEC एनालिटिक्स, बोका रटन, FL, USA | [b] कम्प्युटर र इलेक्ट्रिकल इन्जिनियरिङ् र कम्प्युटर विज्ञान विभाग, फ्लोरिडा एट्लान्टिक विश्वविद्यालय, बोका रटन, FL, संयुक्त राज्य अमेरिका | [c] SJN बायोमेड लिमिटेड, कुनमिङ, युनान, चीन | [घ] केन्द्र अल्जाइमर अनुसन्धान, वाशिंगटन इन्स्टिच्युट अफ क्लिनिकल रिसर्च, वाशिंगटन, डीसी, संयुक्त राज्य अमेरिका | [e] पुनर्वास चिकित्सा विभाग, कुनमिङ मेडिकल युनिभर्सिटीको पहिलो सम्बद्ध अस्पताल, कुनमिङ, युनान, चीन | [f] न्यूरोलोजी विभाग, देहोङ पिपुल्स अस्पताल, देहोङ, युनान, चीन | [g] न्यूरोलोजी विभाग, कुनमिङ मेडिकल युनिभर्सिटीको पहिलो सम्बद्ध अस्पताल, वुहुआ जिल्ला, कुनमिङ, युनान प्रान्त, चीन | [h] युद्ध-सम्बन्धित रोग र चोट अध्ययन केन्द्र, VA पालो अल्टो स्वास्थ्य हेरविचार प्रणाली, पालो अल्टो, CA, संयुक्त राज्य अमेरिका | [i] मनोचिकित्सा र व्यवहार विज्ञान विभाग, स्ट्यानफोर्ड विश्वविद्यालय स्कूल अफ मेडिसिन, पालो अल्टो, CA, संयुक्त राज्य अमेरिका
पत्राचार: [*] पत्राचार: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA। इ-मेल: mbergeron@sivotecanalytics.com।; Xiaolei Liu, MD, न्यूरोलोजी विभाग, कुनमिङ मेडिकल विश्वविद्यालयको पहिलो सम्बद्ध अस्पताल, 295 Xichang Road, Wuhua District, Kunming, Yunnan Province 650032, China। इमेल: ring@vip.163.com।
कीवर्ड: बुढ्यौली, अल्जाइमर रोग, डिमेन्सिया, मास स्क्रीनिंग