ਮਾਮੂਲੀ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ ਦੇ ਵਰਗੀਕਰਨ ਵਿੱਚ ਮੇਮਟਰੈਕਸ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਿੰਗ ਦੀ ਉਪਯੋਗਤਾ
ਖੋਜ ਲੇਖ
ਲੇਖਕ: ਬਰਗਰੋਨ, ਮਾਈਕਲ ਐੱਫ | ਲੈਂਡਸੈੱਟ, ਸਾਰਾ | Zhou, Xianbo | ਡਿੰਗ, ਤਾਓ | ਖੁਸ਼ਗੋਫਤਾਰ, ਤਾਗੀ ਐਮ | ਝਾਓ, ਫੇਂਗ | ਡੂ, ਬੋ | ਚੇਨ, ਜ਼ਿੰਜੀ | ਵੈਂਗ, ਜ਼ੁਆਨ | Zhong, Lianmei | ਲਿਊ, ਜ਼ਿਆਓਲੀ | ਐਸ਼ਫੋਰਡ, ਜੇ. ਵੈਸਨ
DOI: 10.3233/JAD-191340
ਜਰਨਲ: ਜਰਨਲ ਦਾ ਅਲਜ਼ਾਈਮਰ ਰੋਗ, ਵੋਲ. 77, ਨਹੀਂ. 4, ਪੰਨੇ 1545-1558, 2020
ਸਾਰ
ਪਿਛੋਕੜ:
ਦੀ ਵਿਆਪਕ ਘਟਨਾ ਅਤੇ ਪ੍ਰਸਾਰ ਅਲਜ਼ਾਈਮਰ ਰੋਗ ਅਤੇ ਮਾਮੂਲੀ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ (MCI) ਨੇ ਛੇਤੀ ਖੋਜ ਬੋਧਾਤਮਕ ਸਕ੍ਰੀਨਿੰਗ ਅਤੇ ਮੁਲਾਂਕਣ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਲਈ ਖੋਜ ਲਈ ਇੱਕ ਜ਼ਰੂਰੀ ਕਾਲ ਲਈ ਪ੍ਰੇਰਿਆ ਹੈ।
ਉਦੇਸ਼:
ਸਾਡਾ ਪ੍ਰਾਇਮਰੀ ਖੋਜ ਦਾ ਉਦੇਸ਼ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨਾ ਸੀ ਕਿ ਕੀ ਚੁਣੇ ਗਏ MemTrax ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਅਤੇ ਸੰਬੰਧਿਤ ਜਨਸੰਖਿਆ ਅਤੇ ਸਿਹਤ ਪ੍ਰੋਫਾਈਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਬੋਧਾਤਮਕ ਸਿਹਤ (ਆਮ ਬਨਾਮ MCI) ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨਾਲ ਵਿਕਸਤ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲਾਂ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾਵੇਗਾ। ਮਾਂਟਰੀਅਲ ਬੋਧਾਤਮਕ ਮੁਲਾਂਕਣ (MOCA)।
ਢੰਗ:
ਅਸੀਂ ਦੋ ਵਿੱਚੋਂ ਭਰਤੀ ਕੀਤੇ ਗਏ 259 ਨਿਊਰੋਲੋਜੀ, ਮੈਮੋਰੀ ਕਲੀਨਿਕ, ਅਤੇ ਅੰਦਰੂਨੀ ਦਵਾਈ ਬਾਲਗ ਮਰੀਜ਼ਾਂ 'ਤੇ ਇੱਕ ਅੰਤਰ-ਵਿਭਾਗੀ ਅਧਿਐਨ ਕੀਤਾ। ਚੀਨ ਵਿੱਚ ਹਸਪਤਾਲ. ਹਰੇਕ ਮਰੀਜ਼ ਨੂੰ ਚੀਨੀ ਭਾਸ਼ਾ ਦਾ MoCA ਦਿੱਤਾ ਗਿਆ ਸੀ ਅਤੇ ਲਗਾਤਾਰ ਮਾਨਤਾ MemTrax ਆਨਲਾਈਨ ਐਪੀਸੋਡਿਕ ਨੂੰ ਸਵੈ-ਪ੍ਰਬੰਧਿਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਮੈਮੋਰੀ ਟੈਸਟ ਆਨਲਾਈਨ ਉਸੇ ਦਿਨ 'ਤੇ. ਭਵਿੱਖਬਾਣੀ ਵਰਗੀਕਰਣ ਮਾਡਲਾਂ ਨੂੰ 10-ਗੁਣਾ ਕਰਾਸ ਪ੍ਰਮਾਣਿਕਤਾ ਦੇ ਨਾਲ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਇਆ ਗਿਆ ਸੀ, ਅਤੇ ਰੀਸੀਵਰ ਓਪਰੇਟਿੰਗ ਕਰੈਕਟਰਿਸਟਿਕ ਕਰਵ (AUC) ਦੇ ਅਧੀਨ ਖੇਤਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਮਾਪਿਆ ਗਿਆ ਸੀ। ਮਾਡਲਾਂ ਨੂੰ ਅੱਠ ਆਮ ਜਨਸੰਖਿਆ ਅਤੇ ਨਿੱਜੀ ਇਤਿਹਾਸ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਨਾਲ ਦੋ MemTrax ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ (ਪ੍ਰਤੀਸ਼ਤ ਸਹੀ, ਜਵਾਬ ਸਮਾਂ) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਇਆ ਗਿਆ ਸੀ।
ਨਤੀਜੇ:
MoCA ਸਕੋਰ ਅਤੇ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੇ ਚੁਣੇ ਹੋਏ ਸੰਜੋਗਾਂ ਵਿੱਚ ਸਿਖਿਆਰਥੀਆਂ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹੋਏ, ਨੈਵ ਬੇਅਸ ਆਮ ਤੌਰ 'ਤੇ 0.9093 ਦੇ ਸਮੁੱਚੇ ਵਰਗੀਕਰਣ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਨਾਲ ਸਿਖਰ-ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲਾ ਸਿਖਿਆਰਥੀ ਸੀ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸਿਖਰਲੇ ਤਿੰਨ ਸਿਖਿਆਰਥੀਆਂ ਵਿੱਚੋਂ, ਸਾਰੀਆਂ 0.9119 ਆਮ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (10) ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਮੁਕਾਬਲੇ ਸਿਰਫ਼ ਚੋਟੀ ਦੇ ਦਰਜੇ ਦੀਆਂ ਚਾਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (0.8999) ਦੀ ਵਰਤੋਂ ਕਰਕੇ MemTrax-ਅਧਾਰਿਤ ਵਰਗੀਕਰਣ ਪ੍ਰਦਰਸ਼ਨ ਸਮੁੱਚੇ ਤੌਰ 'ਤੇ ਬਿਹਤਰ ਸੀ।
ਸਿੱਟਾ:
MemTrax ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਇੱਕ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਰਗੀਕਰਨ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਦੀ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਸਕ੍ਰੀਨਿੰਗ ਐਪਲੀਕੇਸ਼ਨ.
ਜਾਣ-ਪਛਾਣ
ਮਾਨਤਾ ਪ੍ਰਾਪਤ (ਭਾਵੇਂ ਘੱਟ ਨਿਦਾਨ) ਵਿਆਪਕ ਫੈਲਣ ਵਾਲੀਆਂ ਘਟਨਾਵਾਂ ਅਤੇ ਪ੍ਰਸਾਰ ਅਤੇ ਸਮਾਨਾਂਤਰ ਵਧਦੀ ਮੈਡੀਕਲ, ਸਮਾਜਿਕ ਅਤੇ ਜਨਤਕ ਦੀ ਸਿਹਤ ਅਲਜ਼ਾਈਮਰ ਰੋਗ (AD) ਅਤੇ ਹਲਕੇ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ (MCI) ਦੀਆਂ ਲਾਗਤਾਂ ਅਤੇ ਬੋਝ ਸਾਰੇ ਹਿੱਸੇਦਾਰਾਂ [1, 2] ਲਈ ਤੇਜ਼ੀ ਨਾਲ ਤਣਾਅਪੂਰਨ ਹਨ। ਇਸ ਦੁਖਦਾਈ ਅਤੇ ਬੁਰਜਿੰਗ ਦ੍ਰਿਸ਼ ਨੇ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਲਈ ਖੋਜ ਲਈ ਇੱਕ ਜ਼ਰੂਰੀ ਕਾਲ ਨੂੰ ਪ੍ਰੇਰਿਆ ਹੈ ਜਲਦੀ ਖੋਜ ਵਿਭਿੰਨ ਖੇਤਰਾਂ ਅਤੇ ਆਬਾਦੀਆਂ [3] ਵਿੱਚ ਬਜ਼ੁਰਗ ਮਰੀਜ਼ਾਂ ਲਈ ਨਿੱਜੀ ਅਤੇ ਕਲੀਨਿਕਲ ਸੈਟਿੰਗਾਂ ਵਿੱਚ ਨਿਯਮਤ ਵਿਹਾਰਕ ਉਪਯੋਗਤਾ ਲਈ ਬੋਧਾਤਮਕ ਸਕ੍ਰੀਨਿੰਗ ਅਤੇ ਮੁਲਾਂਕਣ ਯੰਤਰ। ਇਹਨਾਂ ਯੰਤਰਾਂ ਨੂੰ ਇਲੈਕਟ੍ਰਾਨਿਕ ਸਿਹਤ ਰਿਕਾਰਡਾਂ ਵਿੱਚ ਜਾਣਕਾਰੀ ਭਰਪੂਰ ਨਤੀਜਿਆਂ ਦਾ ਸਹਿਜ ਅਨੁਵਾਦ ਵੀ ਪ੍ਰਦਾਨ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਲਾਭਾਂ ਨੂੰ ਮਰੀਜ਼ਾਂ ਨੂੰ ਸੂਚਿਤ ਕਰਨ ਅਤੇ ਡਾਕਟਰਾਂ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤਬਦੀਲੀਆਂ ਨੂੰ ਪਹਿਲਾਂ ਪਛਾਣਨ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਨ ਦੁਆਰਾ ਅਨੁਭਵ ਕੀਤਾ ਜਾਵੇਗਾ ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਅਨੁਭਵ ਕਰਨ ਵਾਲੇ ਲੋਕਾਂ ਲਈ ਉੱਚਿਤ ਵਿਅਕਤੀਗਤ ਅਤੇ ਵਧੇਰੇ ਲਾਗਤ-ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਇਲਾਜ ਅਤੇ ਮਰੀਜ਼ਾਂ ਦੀ ਦੇਖਭਾਲ ਦੇ ਵਧੇਰੇ ਤੁਰੰਤ ਅਤੇ ਸਮੇਂ ਸਿਰ ਪੱਧਰੀਕਰਨ, ਲਾਗੂ ਕਰਨ ਅਤੇ ਟਰੈਕਿੰਗ ਨੂੰ ਸਮਰੱਥ ਬਣਾਇਆ ਜਾਵੇਗਾ। ਬੋਧਿਕ ਗਿਰਾਵਟ [3, 4]।
ਕੰਪਿਊਟਰਾਈਜ਼ਡ MemTrax ਟੂਲ (https://memtrax.com) ਇੱਕ ਸਧਾਰਨ ਅਤੇ ਸੰਖੇਪ ਨਿਰੰਤਰ ਮਾਨਤਾ ਮੁਲਾਂਕਣ ਹੈ ਜੋ ਚੁਣੌਤੀਪੂਰਨ ਸਮਾਂਬੱਧ ਐਪੀਸੋਡਿਕ ਮੈਮੋਰੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਮਾਪਣ ਲਈ ਸਵੈ-ਪ੍ਰਬੰਧਿਤ ਔਨਲਾਈਨ ਹੋ ਸਕਦਾ ਹੈ ਜਿੱਥੇ ਉਪਭੋਗਤਾ ਵਾਰ-ਵਾਰ ਚਿੱਤਰਾਂ ਦਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ ਨਾ ਕਿ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਪੇਸ਼ਕਾਰੀ [5, 6]। ਹਾਲੀਆ ਖੋਜ ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ ਵਿਹਾਰਕ ਉਲਝਣਾਂ ਨੇ ਸ਼ੁਰੂਆਤੀ AD ਅਤੇ MCI ਸਕ੍ਰੀਨਿੰਗ [5-7] ਵਿੱਚ MemTrax ਦੀ ਕਲੀਨਿਕਲ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ਹੌਲੀ-ਹੌਲੀ ਅਤੇ ਸਮੂਹਿਕ ਤੌਰ 'ਤੇ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤਾ ਹੈ। ਹਾਲਾਂਕਿ, ਮੌਜੂਦਾ ਨਾਲ ਕਲੀਨਿਕਲ ਉਪਯੋਗਤਾ ਦੀ ਸਿੱਧੀ ਤੁਲਨਾ ਬੋਧ ਸਿਹਤ ਮੁਲਾਂਕਣ ਅਤੇ ਪਰੰਪਰਾਗਤ ਮਾਪਦੰਡ ਪੇਸ਼ਾਵਰ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨੂੰ ਸੂਚਿਤ ਕਰਨ ਅਤੇ ਸ਼ੁਰੂਆਤੀ ਖੋਜ ਅਤੇ ਡਾਇਗਨੌਸਟਿਕ ਸਹਾਇਤਾ ਵਿੱਚ MemTrax ਉਪਯੋਗਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦੇ ਹਨ। ਵੈਨ ਡੇਰ ਹੋਕ ਐਟ ਅਲ. [8] ਚੁਣੇ ਗਏ MemTrax ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ (ਪ੍ਰਤੀਕਿਰਿਆ ਦੀ ਗਤੀ ਅਤੇ ਪ੍ਰਤੀਸ਼ਤ ਸਹੀ) ਦੀ ਤੁਲਨਾ ਮਾਂਟਰੀਅਲ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੇ ਗਏ ਬੋਧਾਤਮਕ ਸਥਿਤੀ ਨਾਲ ਬੋਧਾਤਮਕ ਮੁਲਾਂਕਣ (MOCA)। ਹਾਲਾਂਕਿ, ਇਹ ਅਧਿਐਨ ਇਹਨਾਂ ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਬੋਧਾਤਮਕ ਸਥਿਤੀ (ਜਿਵੇਂ ਕਿ MoCA ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤਾ ਗਿਆ ਹੈ) ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਨਾਲ ਜੋੜਨ ਅਤੇ ਸੰਬੰਧਿਤ ਰੇਂਜਾਂ ਅਤੇ ਕੱਟ-ਆਫ ਮੁੱਲਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਤੱਕ ਸੀਮਿਤ ਸੀ। ਇਸ ਅਨੁਸਾਰ, ਇਸ ਜਾਂਚ ਨੂੰ ਵਧਾਉਣ ਅਤੇ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ, ਸਾਡਾ ਪ੍ਰਾਇਮਰੀ ਖੋਜ ਸਵਾਲ ਇਹ ਸੀ:
- ਕੀ ਕਿਸੇ ਵਿਅਕਤੀ ਦੇ ਚੁਣੇ ਹੋਏ MemTrax ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਅਤੇ ਸੰਬੰਧਿਤ ਜਨਸੰਖਿਆ ਅਤੇ ਸਿਹਤ ਨੂੰ ਦੇਖ ਸਕਦੇ ਹਨ ਪਰੋਫਾਈਲ ਬੋਧਾਤਮਕ ਸਿਹਤ ਨੂੰ ਵੱਖੋ-ਵੱਖਰੇ (ਆਮ ਬਨਾਮ MCI) ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਨਾਲ ਵਿਕਸਤ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਕਿਸੇ ਦੇ MoCA ਸਕੋਰ ਦੁਆਰਾ ਦਰਸਾਏ ਜਾਣਗੇ?
ਇਸਦੇ ਲਈ ਸੈਕੰਡਰੀ, ਅਸੀਂ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਸੀ:
- ਸਮਾਨ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਮੇਤ, ਕੀ ਇੱਕ ਸੁਤੰਤਰ ਕਲੀਨਿਕਲ ਤਸ਼ਖ਼ੀਸ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੇ ਗਏ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ ਦੀਆਂ ਚੁਣੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਦੇ ਅੰਦਰ ਗੰਭੀਰਤਾ (ਹਲਕੇ ਬਨਾਮ ਗੰਭੀਰ) ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਇੱਕ MemTrax ਕਾਰਗੁਜ਼ਾਰੀ-ਅਧਾਰਿਤ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲ ਨੂੰ ਪ੍ਰਭਾਵੀ ਢੰਗ ਨਾਲ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ?
ਸਕਰੀਨਿੰਗ/ਖੋਜ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਆਗਮਨ ਅਤੇ ਵਿਕਾਸਸ਼ੀਲ ਵਿਹਾਰਕ ਉਪਯੋਗ ਨੇ ਪਹਿਲਾਂ ਹੀ ਵੱਖਰੇ ਵਿਹਾਰਕ ਫਾਇਦੇ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤੇ ਹਨ, ਭਵਿੱਖਬਾਣੀ ਮਾਡਲਿੰਗ ਦੇ ਨਾਲ ਪ੍ਰਭਾਵੀ ਢੰਗ ਨਾਲ ਬੋਧਾਤਮਕ/ਦਿਮਾਗ ਦੀ ਸਿਹਤ ਅਤੇ ਮਰੀਜ਼ ਪ੍ਰਬੰਧਨ ਦੇ ਚੁਣੌਤੀਪੂਰਨ ਮੁਲਾਂਕਣ ਵਿੱਚ ਡਾਕਟਰੀ ਕਰਮਚਾਰੀਆਂ ਦੀ ਅਗਵਾਈ ਕਰਦੇ ਹਨ। ਸਾਡੇ ਅਧਿਐਨ ਵਿੱਚ, ਅਸੀਂ MCI ਵਰਗੀਕਰਣ ਮਾਡਲਿੰਗ ਅਤੇ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ ਗੰਭੀਰਤਾ ਵਿਤਕਰੇ ਵਿੱਚ ਇੱਕ ਸਮਾਨ ਪਹੁੰਚ ਚੁਣੀ ਹੈ ਜਿਵੇਂ ਕਿ ਚੀਨ ਵਿੱਚ ਦੋ ਹਸਪਤਾਲਾਂ ਤੋਂ ਚੁਣੇ ਗਏ ਸਵੈਸੇਵੀ ਦਾਖਲ ਮਰੀਜ਼ਾਂ ਅਤੇ ਬਾਹਰੀ ਮਰੀਜ਼ਾਂ ਦੀ ਨੁਮਾਇੰਦਗੀ ਕਰਨ ਵਾਲੇ ਤਿੰਨ ਡੇਟਾਸੈਟਾਂ ਤੋਂ ਕਲੀਨਿਕਲ ਨਿਦਾਨ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੀ ਗਈ ਹੈ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪੂਰਵ-ਸੂਚਕ ਮਾਡਲਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਅਸੀਂ ਵੱਖ-ਵੱਖ ਡੇਟਾਸੈਟ/ਲਰਨਰ ਸੰਜੋਗਾਂ ਤੋਂ ਸਿਖਰ-ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੇ ਸਿਖਿਆਰਥੀਆਂ ਦੀ ਪਛਾਣ ਕੀਤੀ ਅਤੇ ਸਭ ਤੋਂ ਡਾਕਟਰੀ ਤੌਰ 'ਤੇ ਪ੍ਰੈਕਟੀਕਲ ਮਾਡਲ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਲਈ ਸਾਡੀ ਅਗਵਾਈ ਕਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਦਰਜਾ ਦਿੱਤਾ।
ਸਾਡੀਆਂ ਧਾਰਨਾਵਾਂ ਇਹ ਸਨ ਕਿ ਇੱਕ ਪ੍ਰਮਾਣਿਤ MemTrax-ਆਧਾਰਿਤ ਮਾਡਲ ਦੀ ਵਰਤੋਂ MoCA ਕੁੱਲ ਸਕੋਰ ਥ੍ਰੈਸ਼ਹੋਲਡ ਮਾਪਦੰਡ ਦੇ ਅਧਾਰ ਤੇ ਬੋਧਾਤਮਕ ਸਿਹਤ ਨੂੰ ਵੱਖੋ-ਵੱਖਰੇ ਤੌਰ 'ਤੇ (ਆਮ ਜਾਂ MCI) ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਅਤੇ ਇਹ ਕਿ ਇੱਕ ਸਮਾਨ MemTrax ਭਵਿੱਖਬਾਣੀ ਮਾਡਲ ਨੂੰ ਚੁਣੀਆਂ ਗਈਆਂ ਸ਼੍ਰੇਣੀਆਂ ਦੇ ਵਿਤਕਰੇ ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਡਾਕਟਰੀ ਤੌਰ 'ਤੇ ਨਿਦਾਨ ਕੀਤਾ ਗਿਆ ਹੈ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ. ਸੰਭਾਵਿਤ ਨਤੀਜਿਆਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨਾ ਬੋਧਾਤਮਕ ਗਿਰਾਵਟ ਅਤੇ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ ਵਰਗੀਕਰਣ ਲਈ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਖੋਜ ਸਕ੍ਰੀਨ ਦੇ ਰੂਪ ਵਿੱਚ MemTrax ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਦਾ ਸਮਰਥਨ ਕਰਨ ਵਿੱਚ ਸਹਾਇਕ ਹੋਵੇਗਾ। ਇੱਕ ਉਦਯੋਗਿਕ ਮਾਨਕ ਨਾਲ ਅਨੁਕੂਲ ਤੁਲਨਾ ਜੋ ਕਿ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸੌਖ ਅਤੇ ਉਪਯੋਗਤਾ ਦੀ ਤੇਜ਼ਤਾ ਦੁਆਰਾ ਪੂਰਕ ਹੈ, ਡਾਕਟਰੀ ਕਰਮਚਾਰੀਆਂ ਨੂੰ ਸ਼ੁਰੂਆਤੀ (ਪ੍ਰੋਡਰੋਮਲ ਸਮੇਤ) ਪੜਾਅ ਦੇ ਬੋਧਾਤਮਕ ਘਾਟਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਵਿੱਚ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਸਕ੍ਰੀਨ ਵਜੋਂ ਇਸ ਸਧਾਰਨ, ਭਰੋਸੇਮੰਦ, ਅਤੇ ਪਹੁੰਚਯੋਗ ਸਾਧਨ ਨੂੰ ਅਪਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੋਵੇਗੀ। ਅਜਿਹੀ ਪਹੁੰਚ ਅਤੇ ਉਪਯੋਗਤਾ ਇਸ ਤਰ੍ਹਾਂ ਵਧੇਰੇ ਸਮੇਂ ਸਿਰ ਅਤੇ ਬਿਹਤਰ ਪੱਧਰੀ ਮਰੀਜ਼ਾਂ ਦੀ ਦੇਖਭਾਲ ਅਤੇ ਦਖਲਅੰਦਾਜ਼ੀ ਨੂੰ ਅੱਗੇ ਵਧਾ ਸਕਦੀ ਹੈ। ਇਹ ਅਗਾਂਹਵਧੂ-ਸੋਚਣ ਵਾਲੀਆਂ ਸੂਝਾਂ ਅਤੇ ਸੁਧਰੇ ਹੋਏ ਮੈਟ੍ਰਿਕਸ ਅਤੇ ਮਾਡਲ AD ਅਤੇ AD-ਸੰਬੰਧਿਤ ਡਿਮੈਂਸ਼ੀਆ (ADRD) ਸਮੇਤ ਡਿਮੈਂਸ਼ੀਆ ਦੀ ਤਰੱਕੀ ਨੂੰ ਘਟਾਉਣ ਜਾਂ ਰੋਕਣ ਵਿੱਚ ਵੀ ਮਦਦਗਾਰ ਹੋ ਸਕਦੇ ਹਨ।
ਸਾਮੱਗਰੀ ਅਤੇ ਵਿਧੀ
ਅਧਿਐਨ ਆਬਾਦੀ
ਜਨਵਰੀ 2018 ਅਤੇ ਅਗਸਤ 2019 ਦੇ ਵਿਚਕਾਰ, ਚੀਨ ਦੇ ਦੋ ਹਸਪਤਾਲਾਂ ਤੋਂ ਭਰਤੀ ਕੀਤੇ ਗਏ ਮਰੀਜ਼ਾਂ 'ਤੇ ਅੰਤਰ-ਵਿਭਾਗੀ ਖੋਜ ਪੂਰੀ ਕੀਤੀ ਗਈ ਸੀ। 5 ਸਾਲ ਅਤੇ ਇਸ ਤੋਂ ਵੱਧ ਉਮਰ ਦੇ ਵਿਅਕਤੀਆਂ ਲਈ MemTrax [21] ਦਾ ਪ੍ਰਸ਼ਾਸਨ ਅਤੇ ਉਹਨਾਂ ਡੇਟਾ ਦੇ ਸੰਗ੍ਰਹਿ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ ਗਈ ਸੀ ਅਤੇ ਉਹਨਾਂ ਦੁਆਰਾ ਪ੍ਰਵਾਨਿਤ ਕੀਤੀ ਗਈ ਸੀ ਅਤੇ ਉਹਨਾਂ ਦੇ ਨੈਤਿਕ ਮਾਪਦੰਡਾਂ ਦੇ ਅਨੁਸਾਰ ਪ੍ਰਬੰਧਿਤ ਕੀਤੀ ਗਈ ਸੀ। ਮਨੁੱਖੀ ਸਟੈਨਫੋਰਡ ਯੂਨੀਵਰਸਿਟੀ ਦੀ ਵਿਸ਼ਾ ਸੁਰੱਖਿਆ ਕਮੇਟੀ। ਇਸ ਸਮੁੱਚੇ ਅਧਿਐਨ ਲਈ MemTrax ਅਤੇ ਹੋਰ ਸਾਰੇ ਟੈਸਟ 1975 ਦੇ ਹੇਲਸਿੰਕੀ ਘੋਸ਼ਣਾ ਦੇ ਅਨੁਸਾਰ ਕੀਤੇ ਗਏ ਸਨ ਅਤੇ ਕੁਨਮਿੰਗ, ਯੂਨਾਨ, ਚੀਨ ਵਿੱਚ ਕੁਨਮਿੰਗ ਮੈਡੀਕਲ ਯੂਨੀਵਰਸਿਟੀ ਦੇ ਫਸਟ ਐਫੀਲੀਏਟਿਡ ਹਸਪਤਾਲ ਦੇ ਸੰਸਥਾਗਤ ਸਮੀਖਿਆ ਬੋਰਡ ਦੁਆਰਾ ਮਨਜ਼ੂਰ ਕੀਤੇ ਗਏ ਸਨ। ਹਰੇਕ ਉਪਭੋਗਤਾ ਨੂੰ ਇੱਕ ਪ੍ਰਦਾਨ ਕੀਤਾ ਗਿਆ ਸੀ ਸੂਚਿਤ ਸਹਿਮਤੀ ਪੜ੍ਹਨ/ਸਮੀਖਿਆ ਕਰਨ ਲਈ ਫਾਰਮ ਅਤੇ ਫਿਰ ਸਵੈ-ਇੱਛਾ ਨਾਲ ਹਿੱਸਾ ਲੈਣ ਲਈ ਸਹਿਮਤ ਹੋਵੋ।
ਭਾਗੀਦਾਰਾਂ ਨੂੰ ਯੈਨਹੂਆ ਹਸਪਤਾਲ (ਵਾਈਐਚ ਸਬ-ਡੇਟਾਸੈੱਟ) ਵਿਖੇ ਨਿਊਰੋਲੋਜੀ ਕਲੀਨਿਕ ਵਿੱਚ ਬਾਹਰੀ ਮਰੀਜ਼ਾਂ ਦੇ ਪੂਲ ਤੋਂ ਭਰਤੀ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਕੁਨਮਿੰਗ ਮੈਡੀਕਲ ਦੇ ਪਹਿਲੇ ਐਫੀਲੀਏਟਿਡ ਹਸਪਤਾਲ ਵਿੱਚ ਮੈਮੋਰੀ ਕਲੀਨਿਕ ਬੀਜਿੰਗ, ਚੀਨ ਵਿੱਚ ਯੂਨੀਵਰਸਿਟੀ (ਐਕਸਐਲ ਸਬ-ਡੇਟਾਸੈਟ)। ਭਾਗੀਦਾਰਾਂ ਨੂੰ ਕੁਨਮਿੰਗ ਮੈਡੀਕਲ ਯੂਨੀਵਰਸਿਟੀ ਦੇ ਫਸਟ ਐਫੀਲੀਏਟਿਡ ਹਸਪਤਾਲ ਵਿੱਚ ਨਿਊਰੋਲੋਜੀ (ਐਕਸਐਲ ਸਬ-ਡੇਟਾਸੈਟ) ਅਤੇ ਅੰਦਰੂਨੀ ਦਵਾਈ (ਕੇਐਮ ਸਬ-ਡੇਟਾਸੈਟ) ਦੇ ਮਰੀਜ਼ਾਂ ਤੋਂ ਵੀ ਭਰਤੀ ਕੀਤਾ ਗਿਆ ਸੀ। ਸ਼ਾਮਲ ਕਰਨ ਦੇ ਮਾਪਦੰਡ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ 1) ਘੱਟੋ-ਘੱਟ 21 ਸਾਲ ਦੀ ਉਮਰ ਦੇ ਮਰਦ ਅਤੇ ਔਰਤਾਂ, 2) ਚੀਨੀ (ਮੈਂਡਰਿਨ) ਬੋਲਣ ਦੀ ਯੋਗਤਾ, ਅਤੇ 3) ਜ਼ੁਬਾਨੀ ਅਤੇ ਲਿਖਤੀ ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਸਮਝਣ ਦੀ ਯੋਗਤਾ। ਬੇਦਖਲੀ ਦੇ ਮਾਪਦੰਡ ਦਰਸ਼ਣ ਅਤੇ ਮੋਟਰ ਕਮਜ਼ੋਰੀਆਂ ਸਨ ਜੋ ਭਾਗੀਦਾਰਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਤੋਂ ਰੋਕਦੇ ਸਨ MemTrax ਟੈਸਟ, ਨਾਲ ਹੀ ਖਾਸ ਟੈਸਟ ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਸਮਝਣ ਦੀ ਅਯੋਗਤਾ।
MemTrax ਦਾ ਚੀਨੀ ਸੰਸਕਰਣ
ਆਨਲਾਈਨ MemTrax ਟੈਸਟ ਪਲੇਟਫਾਰਮ ਦਾ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਸੀ ਚੀਨੀ ਵਿੱਚ (URL: https://www.memtrax.com.cn) ਅਤੇ ਅੱਗੇ ਸਵੈ-ਪ੍ਰਸ਼ਾਸਨ ਲਈ WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) ਦੁਆਰਾ ਵਰਤੋਂ ਲਈ ਅਨੁਕੂਲਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਡਾਟਾ ਚੀਨ ਵਿੱਚ ਸਥਿਤ ਇੱਕ ਕਲਾਊਡ ਸਰਵਰ (ਅਲੀ ਕਲਾਊਡ) 'ਤੇ ਸਟੋਰ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ SJN Biomed LTD (ਕੁਨਮਿੰਗ, ਯੂਨਾਨ, ਚੀਨ) ਦੁਆਰਾ ਅਲੀਬਾਬਾ (ਅਲੀਬਾਬਾ ਟੈਕਨਾਲੋਜੀ ਕੰਪਨੀ ਲਿਮਿਟੇਡ, ਹਾਂਗਜ਼ੂ, ਝੇਜਿਆਂਗ, ਚੀਨ) ਤੋਂ ਲਾਇਸੰਸਸ਼ੁਦਾ ਕੀਤਾ ਗਿਆ ਸੀ। MemTrax 'ਤੇ ਖਾਸ ਵੇਰਵੇ ਅਤੇ ਇੱਥੇ ਵਰਤੇ ਗਏ ਟੈਸਟ ਵੈਧਤਾ ਮਾਪਦੰਡਾਂ ਦਾ ਪਹਿਲਾਂ ਵਰਣਨ ਕੀਤਾ ਗਿਆ ਹੈ [6]। ਮਰੀਜ਼ਾਂ ਨੂੰ ਬਿਨਾਂ ਕਿਸੇ ਫੀਸ ਦੇ ਟੈਸਟ ਮੁਹੱਈਆ ਕਰਵਾਏ ਗਏ।
ਅਧਿਐਨ ਪ੍ਰਕਿਰਿਆ
ਦਾਖਲ ਮਰੀਜ਼ਾਂ ਅਤੇ ਬਾਹਰਲੇ ਮਰੀਜ਼ਾਂ ਲਈ, ਜਨਸੰਖਿਆ ਅਤੇ ਨਿੱਜੀ ਜਾਣਕਾਰੀ ਜਿਵੇਂ ਕਿ ਉਮਰ, ਲਿੰਗ, ਸਿੱਖਿਆ ਦੇ ਸਾਲ, ਕਿੱਤਾ, ਇਕੱਤਰ ਕਰਨ ਲਈ ਇੱਕ ਆਮ ਪੇਪਰ ਪ੍ਰਸ਼ਨਾਵਲੀ। ਇਕੱਲਾ ਰਹਿਣਾ ਜਾਂ ਪਰਿਵਾਰ ਦੇ ਨਾਲ, ਅਤੇ ਮੈਡੀਕਲ ਇਤਿਹਾਸ ਅਧਿਐਨ ਟੀਮ ਦੇ ਇੱਕ ਮੈਂਬਰ ਦੁਆਰਾ ਚਲਾਇਆ ਗਿਆ ਸੀ। ਪ੍ਰਸ਼ਨਾਵਲੀ ਦੇ ਪੂਰਾ ਹੋਣ ਤੋਂ ਬਾਅਦ, MoCA [12] ਅਤੇ MemTrax ਟੈਸਟਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕੀਤਾ ਗਿਆ (MoCA ਪਹਿਲਾਂ) ਟੈਸਟਾਂ ਦੇ ਵਿਚਕਾਰ 20 ਮਿੰਟਾਂ ਤੋਂ ਵੱਧ ਨਹੀਂ। MemTrax ਪ੍ਰਤੀਸ਼ਤ ਸਹੀ (MTx-% C), ਮਤਲਬ ਜਵਾਬ ਸਮਾਂ (MTx-RT), ਅਤੇ ਟੈਸਟਿੰਗ ਦੀ ਮਿਤੀ ਅਤੇ ਸਮਾਂ ਅਧਿਐਨ ਟੀਮ ਦੇ ਇੱਕ ਮੈਂਬਰ ਦੁਆਰਾ ਟੈਸਟ ਕੀਤੇ ਗਏ ਹਰੇਕ ਭਾਗੀਦਾਰ ਲਈ ਕਾਗਜ਼ 'ਤੇ ਦਰਜ ਕੀਤਾ ਗਿਆ ਸੀ। ਮੁਕੰਮਲ ਕੀਤੀ ਗਈ ਪ੍ਰਸ਼ਨਾਵਲੀ ਅਤੇ MoCA ਦੇ ਨਤੀਜੇ ਖੋਜਕਰਤਾ ਦੁਆਰਾ ਇੱਕ ਐਕਸਲ ਸਪ੍ਰੈਡਸ਼ੀਟ ਵਿੱਚ ਅਪਲੋਡ ਕੀਤੇ ਗਏ ਸਨ ਜਿਸਨੇ ਟੈਸਟਾਂ ਦਾ ਪ੍ਰਬੰਧ ਕੀਤਾ ਸੀ ਅਤੇ ਐਕਸਲ ਫਾਈਲਾਂ ਨੂੰ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਸੁਰੱਖਿਅਤ ਕੀਤੇ ਜਾਣ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਸਹਿਯੋਗੀ ਦੁਆਰਾ ਤਸਦੀਕ ਕੀਤਾ ਗਿਆ ਸੀ।
MemTrax ਟੈਸਟ
MemTrax ਔਨਲਾਈਨ ਟੈਸਟ ਵਿੱਚ 50 ਚਿੱਤਰ (25 ਵਿਲੱਖਣ ਅਤੇ 25 ਦੁਹਰਾਓ; ਆਮ ਦ੍ਰਿਸ਼ਾਂ ਜਾਂ ਵਸਤੂਆਂ ਦੇ 5 ਚਿੱਤਰਾਂ ਦੇ 5 ਸੈੱਟ) ਨੂੰ ਇੱਕ ਖਾਸ ਸੂਡੋ-ਰੈਂਡਮ ਕ੍ਰਮ ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਸੀ। ਭਾਗੀਦਾਰ (ਪ੍ਰਤੀ ਹਦਾਇਤਾਂ ਅਨੁਸਾਰ) ਟੈਸਟ ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਸਕ੍ਰੀਨ 'ਤੇ ਸਟਾਰਟ ਬਟਨ ਨੂੰ ਛੂਹੇਗਾ ਅਤੇ ਚਿੱਤਰ ਲੜੀ ਨੂੰ ਦੇਖਣਾ ਸ਼ੁਰੂ ਕਰੇਗਾ ਅਤੇ ਜਦੋਂ ਵੀ ਵਾਰ-ਵਾਰ ਤਸਵੀਰ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ ਤਾਂ ਜਿੰਨੀ ਜਲਦੀ ਹੋ ਸਕੇ ਸਕ੍ਰੀਨ 'ਤੇ ਚਿੱਤਰ ਨੂੰ ਦੁਬਾਰਾ ਛੂਹੇਗਾ। ਹਰੇਕ ਚਿੱਤਰ 3 ਸਕਿੰਟਾਂ ਲਈ ਜਾਂ ਸਕ੍ਰੀਨ 'ਤੇ ਚਿੱਤਰ ਨੂੰ ਛੂਹਣ ਤੱਕ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਅਗਲੀ ਤਸਵੀਰ ਦੀ ਤੁਰੰਤ ਪੇਸ਼ਕਾਰੀ ਹੁੰਦੀ ਹੈ। ਸਥਾਨਕ ਯੰਤਰ ਦੀ ਅੰਦਰੂਨੀ ਘੜੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਹਰੇਕ ਚਿੱਤਰ ਲਈ MTx-RT ਨੂੰ ਚਿੱਤਰ ਦੀ ਪੇਸ਼ਕਾਰੀ ਤੋਂ ਲੈ ਕੇ ਜਦੋਂ ਤੱਕ ਸਕ੍ਰੀਨ ਨੂੰ ਛੂਹਿਆ ਗਿਆ ਸੀ, ਚਿੱਤਰ ਦੀ ਮਾਨਤਾ ਨੂੰ ਦਰਸਾਉਣ ਦੇ ਜਵਾਬ ਵਿੱਚ ਚਿੱਤਰ ਦੀ ਪੇਸ਼ਕਾਰੀ ਤੋਂ ਲੈ ਕੇ ਲੰਘੇ ਸਮੇਂ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤਾ ਗਿਆ ਸੀ ਜੋ ਪਹਿਲਾਂ ਹੀ ਦਿਖਾਇਆ ਗਿਆ ਸੀ। ਟੈਸਟ ਦੇ ਦੌਰਾਨ. MTx-RT ਹਰੇਕ ਚਿੱਤਰ ਲਈ ਰਿਕਾਰਡ ਕੀਤਾ ਗਿਆ ਸੀ, ਪੂਰੇ 3 ਸਕਿੰਟਾਂ ਦੇ ਨਾਲ ਕੋਈ ਜਵਾਬ ਨਹੀਂ ਦਿੱਤਾ ਗਿਆ। MTx-% C ਦੀ ਗਣਨਾ ਦੁਹਰਾਉਣ ਵਾਲੇ ਅਤੇ ਸ਼ੁਰੂਆਤੀ ਚਿੱਤਰਾਂ ਦੀ ਪ੍ਰਤੀਸ਼ਤਤਾ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਕੀਤੀ ਗਈ ਸੀ ਜਿਸ ਲਈ ਉਪਭੋਗਤਾ ਨੇ ਸਹੀ ਜਵਾਬ ਦਿੱਤਾ (ਸੱਚਾ ਸਕਾਰਾਤਮਕ + ਸੱਚਾ ਨਕਾਰਾਤਮਕ ਭਾਗ 50)। MemTrax ਪ੍ਰਸ਼ਾਸਨ ਅਤੇ ਲਾਗੂ ਕਰਨ, ਡਾਟਾ ਕਟੌਤੀ, ਅਵੈਧ ਜਾਂ "ਕੋਈ ਜਵਾਬ ਨਹੀਂ" ਡੇਟਾ, ਅਤੇ ਪ੍ਰਾਇਮਰੀ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਵਾਧੂ ਵੇਰਵੇ ਕਿਤੇ ਹੋਰ ਵਰਣਿਤ ਹਨ [6]।
MemTrax ਟੈਸਟ ਨੂੰ ਵਿਸਥਾਰ ਵਿੱਚ ਸਮਝਾਇਆ ਗਿਆ ਸੀ ਅਤੇ ਇੱਕ ਅਭਿਆਸ ਟੈਸਟ (ਰਿਕਾਰਡਿੰਗ ਨਤੀਜਿਆਂ ਲਈ ਟੈਸਟ ਵਿੱਚ ਵਰਤੇ ਗਏ ਵਿਲੱਖਣ ਚਿੱਤਰਾਂ ਦੇ ਨਾਲ) ਹਸਪਤਾਲ ਦੀ ਸੈਟਿੰਗ ਵਿੱਚ ਭਾਗ ਲੈਣ ਵਾਲਿਆਂ ਨੂੰ ਪ੍ਰਦਾਨ ਕੀਤਾ ਗਿਆ ਸੀ। YH ਅਤੇ KM ਉਪ-ਡਾਟਾਸੈਟਾਂ ਵਿੱਚ ਭਾਗ ਲੈਣ ਵਾਲਿਆਂ ਨੇ ਇੱਕ ਸਮਾਰਟਫੋਨ 'ਤੇ MemTrax ਟੈਸਟ ਲਿਆ ਜੋ WeChat 'ਤੇ ਐਪਲੀਕੇਸ਼ਨ ਨਾਲ ਲੋਡ ਕੀਤਾ ਗਿਆ ਸੀ; ਜਦੋਂ ਕਿ ਸੀਮਤ ਗਿਣਤੀ ਵਿੱਚ XL ਸਬ-ਡੇਟਾਸੈਟ ਮਰੀਜ਼ਾਂ ਨੇ ਇੱਕ ਆਈਪੈਡ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਅਤੇ ਬਾਕੀ ਨੇ ਇੱਕ ਸਮਾਰਟਫੋਨ ਵਰਤਿਆ। ਸਾਰੇ ਭਾਗੀਦਾਰਾਂ ਨੇ ਇੱਕ ਅਧਿਐਨ ਜਾਂਚਕਰਤਾ ਦੇ ਨਾਲ ਬੇਰੋਕ-ਟੋਕ ਨਿਰੀਖਣ ਕਰਦੇ ਹੋਏ MemTrax ਟੈਸਟ ਲਿਆ।
ਮਾਂਟਰੀਅਲ ਬੋਧਾਤਮਕ ਮੁਲਾਂਕਣ
ਚੀਨੀ MoCA (MoCA-BC) [13] ਦਾ ਬੀਜਿੰਗ ਸੰਸਕਰਣ ਅਧਿਕਾਰਤ ਜਾਂਚ ਨਿਰਦੇਸ਼ਾਂ ਦੇ ਅਨੁਸਾਰ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਖੋਜਕਰਤਾਵਾਂ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਅਤੇ ਸਕੋਰ ਕੀਤਾ ਗਿਆ ਸੀ। ਉਚਿਤ ਤੌਰ 'ਤੇ, MoCA-BC ਨੂੰ ਭਰੋਸੇਯੋਗ ਦਿਖਾਇਆ ਗਿਆ ਹੈ ਬੋਧਾਤਮਕ ਲਈ ਟੈਸਟ ਚੀਨੀ ਬਜ਼ੁਰਗ ਬਾਲਗਾਂ ਵਿੱਚ ਸਿੱਖਿਆ ਦੇ ਸਾਰੇ ਪੱਧਰਾਂ ਵਿੱਚ ਸਕ੍ਰੀਨਿੰਗ [14]। ਹਰੇਕ ਟੈਸਟ ਨੂੰ ਸਬੰਧਤ ਭਾਗੀਦਾਰ ਦੀਆਂ ਬੋਧਾਤਮਕ ਯੋਗਤਾਵਾਂ ਦੇ ਅਧਾਰ ਤੇ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਵਿੱਚ ਲਗਭਗ 10 ਤੋਂ 30 ਮਿੰਟ ਲੱਗਦੇ ਹਨ।
MoCA ਵਰਗੀਕਰਨ ਮਾਡਲਿੰਗ
ਦੋ MemTrax ਸਮੇਤ ਕੁੱਲ 29 ਵਰਤੋਂਯੋਗ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਨ ਟੈਸਟ ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਅਤੇ ਜਨਸੰਖਿਆ ਅਤੇ ਸਿਹਤ ਨਾਲ ਸਬੰਧਤ 27 ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਰੇਕ ਭਾਗੀਦਾਰ ਲਈ ਜਾਣਕਾਰੀ। ਹਰੇਕ ਮਰੀਜ਼ ਦੇ MoCA ਕੁੱਲ ਟੈਸਟ ਸਕੋਰ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ ਬੋਧਾਤਮਕ ਸਕ੍ਰੀਨਿੰਗ ਸਾਡੇ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ "ਬੈਂਚਮਾਰਕ"। ਇਸ ਅਨੁਸਾਰ, ਕਿਉਂਕਿ MoCA ਦੀ ਵਰਤੋਂ ਕਲਾਸ ਲੇਬਲ ਬਣਾਉਣ ਲਈ ਕੀਤੀ ਗਈ ਸੀ, ਅਸੀਂ ਇੱਕ ਸੁਤੰਤਰ ਵਿਸ਼ੇਸ਼ਤਾ ਵਜੋਂ ਕੁੱਲ ਸਕੋਰ (ਜਾਂ MoCA ਸਬਸੈੱਟ ਸਕੋਰਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਵੀ) ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕਰ ਸਕਦੇ ਹਾਂ। ਅਸੀਂ ਸ਼ੁਰੂਆਤੀ ਪ੍ਰਯੋਗ ਕੀਤੇ ਜਿਸ ਵਿੱਚ ਅਸੀਂ ਮਾਡਲਿੰਗ (MoCA ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ ਬੋਧਾਤਮਕ ਸਿਹਤ ਦਾ ਵਰਗੀਕਰਨ) ਮੂਲ ਤਿੰਨ ਹਸਪਤਾਲ/ਕਲੀਨਿਕ (ਆਂ) ਉਪ-ਡੇਟਾਸੈਟਾਂ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਬਣਾਇਆ ਅਤੇ ਫਿਰ ਸਾਰੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਜੋੜਿਆ। ਹਾਲਾਂਕਿ, ਤਿੰਨ ਉਪ-ਡਾਟਾਸੈਟਾਂ ਦੀ ਨੁਮਾਇੰਦਗੀ ਕਰਨ ਵਾਲੇ ਚਾਰ ਕਲੀਨਿਕਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਵਿੱਚ ਸਾਰੇ ਇੱਕੋ ਜਿਹੇ ਡੇਟਾ ਤੱਤ ਇਕੱਠੇ ਨਹੀਂ ਕੀਤੇ ਗਏ ਸਨ; ਇਸ ਤਰ੍ਹਾਂ, ਸੰਯੁਕਤ ਡੇਟਾਸੈਟ (ਜਦੋਂ ਸਾਰੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ) ਵਿੱਚ ਸਾਡੀਆਂ ਬਹੁਤ ਸਾਰੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਮੁੱਲ ਗੁਆਉਣ ਦੀ ਉੱਚ ਘਟਨਾ ਸੀ। ਅਸੀਂ ਫਿਰ ਸਿਰਫ ਆਮ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸੰਯੁਕਤ ਡੇਟਾਸੈਟ ਨਾਲ ਮਾਡਲ ਬਣਾਏ ਜਿਸ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਸੁਧਾਰ ਹੋਇਆ। ਇਹ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਤਿੰਨ ਮਰੀਜ਼ਾਂ ਦੇ ਉਪ-ਡਾਟਾਸੈਟਾਂ ਨੂੰ ਜੋੜ ਕੇ ਕੰਮ ਕਰਨ ਲਈ ਹੋਰ ਉਦਾਹਰਣਾਂ ਦੇ ਸੁਮੇਲ ਦੁਆਰਾ ਸਮਝਾਇਆ ਗਿਆ ਸੀ ਅਤੇ ਗੁੰਮ ਮੁੱਲਾਂ ਦੀ ਅਣਉਚਿਤ ਪ੍ਰਚਲਤ ਨਾਲ ਕੋਈ ਵਿਸ਼ੇਸ਼ਤਾ ਨਹੀਂ ਹੈ (ਸੰਯੁਕਤ ਡੇਟਾਸੈਟ ਵਿੱਚ ਸਿਰਫ ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ, ਕੰਮ ਦੀ ਕਿਸਮ, ਕੋਈ ਵੀ ਗੁੰਮ ਮੁੱਲ ਸੀ, ਜਿਸ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ। ਸਿਰਫ਼ ਤਿੰਨ ਮਰੀਜ਼ ਉਦਾਹਰਨਾਂ), ਕਿਉਂਕਿ ਤਿੰਨੋਂ ਸਾਈਟਾਂ 'ਤੇ ਰਿਕਾਰਡ ਕੀਤੀਆਂ ਸਿਰਫ਼ ਆਮ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸ਼ਾਮਲ ਕੀਤੀਆਂ ਗਈਆਂ ਸਨ। ਖਾਸ ਤੌਰ 'ਤੇ, ਸਾਡੇ ਕੋਲ ਹਰੇਕ ਵਿਸ਼ੇਸ਼ਤਾ ਲਈ ਕੋਈ ਖਾਸ ਅਸਵੀਕਾਰ ਮਾਪਦੰਡ ਨਹੀਂ ਸੀ ਜੋ ਆਖਰਕਾਰ ਸੰਯੁਕਤ ਡੇਟਾਸੈਟ ਵਿੱਚ ਸ਼ਾਮਲ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ। ਹਾਲਾਂਕਿ, ਸਾਡੀ ਸ਼ੁਰੂਆਤੀ ਸੰਯੁਕਤ ਡੇਟਾਸੈਟ ਮਾਡਲਿੰਗ ਵਿੱਚ, ਅਸੀਂ ਪਹਿਲਾਂ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਮਰੀਜ਼ ਉਪ-ਡਾਟਾਸੈਟਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਦੀਆਂ ਸਾਰੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਇਸਦਾ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਨਤੀਜਾ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਹੋਇਆ ਜੋ ਹਰੇਕ ਵਿਅਕਤੀਗਤ ਉਪ-ਡੇਟਾਸੈੱਟ 'ਤੇ ਸ਼ੁਰੂਆਤੀ ਸ਼ੁਰੂਆਤੀ ਮਾਡਲਿੰਗ ਤੋਂ ਮਾਪਦੰਡ ਘੱਟ ਸੀ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਜਦੋਂ ਕਿ ਸਾਰੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਬਣਾਏ ਗਏ ਮਾਡਲਾਂ ਦਾ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਉਤਸ਼ਾਹਜਨਕ ਸੀ, ਸਾਰੇ ਸਿਖਿਆਰਥੀਆਂ ਅਤੇ ਵਰਗੀਕਰਨ ਸਕੀਮਾਂ ਵਿੱਚ, ਸਿਰਫ ਆਮ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ 'ਤੇ ਕਈ ਮਾਡਲਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਦੋ ਗੁਣਾ ਸੁਧਾਰ ਹੋਇਆ। ਵਾਸਤਵ ਵਿੱਚ, ਸਾਡੇ ਸਿਖਰਲੇ ਸਿਖਿਆਰਥੀ ਹੋਣ ਦੇ ਅੰਤ ਵਿੱਚ, ਗੈਰ-ਆਮ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਖਤਮ ਕਰਨ 'ਤੇ ਇੱਕ ਮਾਡਲ ਨੂੰ ਛੱਡ ਕੇ ਬਾਕੀ ਸਾਰੇ ਸੁਧਾਰ ਹੋਏ ਹਨ।
ਅੰਤਮ ਸਮੁੱਚੀ ਡੇਟਾਸੈਟ (YH, XL, ਅਤੇ KM ਸੰਯੁਕਤ) ਵਿੱਚ 259 ਉਦਾਹਰਣਾਂ ਸ਼ਾਮਲ ਹਨ, ਹਰੇਕ ਇੱਕ ਵਿਲੱਖਣ ਭਾਗੀਦਾਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜਿਸਨੇ MemTrax ਅਤੇ MoCA ਦੋਵੇਂ ਟੈਸਟ ਲਏ ਸਨ। ਇੱਥੇ 10 ਸਾਂਝੀਆਂ ਸੁਤੰਤਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਨ: MemTrax ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ: MTx-% C ਅਤੇ ਮਤਲਬ MTx-RT; ਜਨਸੰਖਿਆ ਅਤੇ ਡਾਕਟਰੀ ਇਤਿਹਾਸ ਦੀ ਜਾਣਕਾਰੀ: ਉਮਰ, ਲਿੰਗ, ਸਿੱਖਿਆ ਦੇ ਸਾਲ, ਕੰਮ ਦੀ ਕਿਸਮ (ਨੀਲਾ ਕਾਲਰ/ਵਾਈਟ ਕਾਲਰ), ਸਮਾਜਿਕ ਸਹਾਇਤਾ (ਭਾਵੇਂ ਪ੍ਰੀਖਿਆ ਦੇਣ ਵਾਲਾ ਇਕੱਲਾ ਰਹਿੰਦਾ ਹੈ ਜਾਂ ਪਰਿਵਾਰ ਨਾਲ), ਅਤੇ ਹਾਂ/ਨਹੀਂ ਜਵਾਬ ਇਸ ਗੱਲ ਲਈ ਕਿ ਕੀ ਉਪਭੋਗਤਾ ਕੋਲ ਸੀ ਸ਼ੂਗਰ, ਹਾਈਪਰਲਿਪੀਡਮੀਆ, ਜਾਂ ਦਿਮਾਗੀ ਸੱਟ ਦਾ ਇਤਿਹਾਸ। ਦੋ ਵਾਧੂ ਮੈਟ੍ਰਿਕਸ, MoCA ਐਗਰੀਗੇਟ ਸਕੋਰ ਅਤੇ MoCA ਐਗਰੀਗੇਟ ਸਕੋਰ ਸਿੱਖਿਆ ਦੇ ਸਾਲਾਂ ਲਈ ਐਡਜਸਟ ਕੀਤੇ ਗਏ [12], ਨਿਰਭਰ ਵਰਗੀਕਰਣ ਲੇਬਲਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਲਈ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਵਰਤੇ ਗਏ ਸਨ, ਇਸ ਤਰ੍ਹਾਂ ਸਾਡੇ ਸੰਯੁਕਤ ਡੇਟਾਸੈਟ 'ਤੇ ਲਾਗੂ ਕਰਨ ਲਈ ਦੋ ਵੱਖਰੀਆਂ ਮਾਡਲਿੰਗ ਸਕੀਮਾਂ ਬਣਾਉਂਦੇ ਹਨ। MoCA ਸਕੋਰ ਦੇ ਹਰੇਕ ਸੰਸਕਰਣ (ਅਡਜੱਸਟਡ ਅਤੇ ਅਡਜਸਟਡ) ਲਈ, ਡੇਟਾ ਨੂੰ ਦੋ ਵੱਖ-ਵੱਖ ਮਾਪਦੰਡ ਥ੍ਰੈਸ਼ਹੋਲਡਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਬਾਈਨਰੀ ਵਰਗੀਕਰਣ ਲਈ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਮਾਡਲ ਬਣਾਇਆ ਗਿਆ ਸੀ-ਸ਼ੁਰੂਆਤ ਵਿੱਚ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਗਈ ਇੱਕ [12] ਅਤੇ ਇੱਕ ਵਿਕਲਪਿਕ ਮੁੱਲ ਜੋ ਦੂਜਿਆਂ ਦੁਆਰਾ ਵਰਤਿਆ ਅਤੇ ਉਤਸ਼ਾਹਿਤ ਕੀਤਾ ਗਿਆ ਸੀ [8, 15]। ਵਿਕਲਪਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਵਰਗੀਕਰਣ ਸਕੀਮ ਵਿੱਚ, ਇੱਕ ਮਰੀਜ਼ ਨੂੰ ਆਮ ਬੋਧਾਤਮਕ ਸਿਹਤ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਜੇਕਰ ਉਸ ਨੇ MoCA ਟੈਸਟ ਵਿੱਚ ≥23 ਸਕੋਰ ਕੀਤਾ ਹੈ ਅਤੇ MCI ਹੈ ਜੇਕਰ ਸਕੋਰ 22 ਜਾਂ ਘੱਟ ਸੀ; ਜਦੋਂ ਕਿ, ਸ਼ੁਰੂਆਤੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੇ ਵਰਗੀਕਰਣ ਫਾਰਮੈਟ ਵਿੱਚ, ਮਰੀਜ਼ ਨੂੰ ਆਮ ਬੋਧਾਤਮਕ ਸਿਹਤ ਦੇ ਤੌਰ 'ਤੇ ਲੇਬਲ ਕੀਤੇ ਜਾਣ ਲਈ MoCA 'ਤੇ 26 ਜਾਂ ਇਸ ਤੋਂ ਵਧੀਆ ਸਕੋਰ ਕਰਨਾ ਪੈਂਦਾ ਸੀ।
MoCA ਵਰਗੀਕਰਣ ਮਾਡਲਿੰਗ ਲਈ ਫਿਲਟਰ ਕੀਤਾ ਡੇਟਾ
ਅਸੀਂ ਚਾਰ ਆਮ ਤੌਰ 'ਤੇ ਵਰਤੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾ ਦਰਜਾਬੰਦੀ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ MoCA ਵਰਗੀਕਰਣ ਦੀ ਹੋਰ ਜਾਂਚ ਕੀਤੀ: ਚੀ-ਸਕੁਏਰਡ, ਗੇਨ ਰੇਸ਼ੋ, ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤੀ, ਅਤੇ ਸਮਮਿਤੀ ਅਨਿਸ਼ਚਿਤਤਾ। ਅੰਤਰਿਮ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਲਈ, ਅਸੀਂ ਸਾਡੀਆਂ ਚਾਰ ਮਾਡਲਿੰਗ ਸਕੀਮਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਮੁੱਚੇ ਸੰਯੁਕਤ ਡੇਟਾਸੈਟ ਲਈ ਰੈਂਕਰਾਂ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਹੈ। ਸਾਰੇ ਰੈਂਕਰ ਇੱਕੋ ਚੋਟੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਜਿਵੇਂ ਕਿ, ਉਮਰ, ਸਿੱਖਿਆ ਦੇ ਸਾਲਾਂ ਦੀ ਸੰਖਿਆ, ਅਤੇ ਦੋਵੇਂ MemTrax ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ (MTx-% C, ਮਤਲਬ MTx-RT) 'ਤੇ ਸਹਿਮਤ ਹੋਏ। ਅਸੀਂ ਫਿਰ ਮਾਡਲਾਂ ਨੂੰ ਸਿਰਫ਼ ਚੋਟੀ ਦੀਆਂ ਚਾਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ 'ਤੇ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਹਰੇਕ ਵਿਸ਼ੇਸ਼ਤਾ ਚੋਣ ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਮਾਡਲਾਂ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾਇਆ (ਵੇਖੋ ਵਿਸ਼ੇਸ਼ਤਾ ਚੋਣ ਹੇਠਾਂ).
MoCA ਸਕੋਰ ਵਰਗੀਕਰਣ ਮਾਡਲਿੰਗ ਸਕੀਮਾਂ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਅੰਤਮ ਅੱਠ ਪਰਿਵਰਤਨ ਸਾਰਣੀ 1 ਵਿੱਚ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਹਨ।
ਟੇਬਲ 1
MoCA ਵਰਗੀਕਰਣ (ਆਮ ਬੋਧਾਤਮਕ ਸਿਹਤ ਬਨਾਮ MCI)
| ਮਾਡਲਿੰਗ ਸਕੀਮ | ਸਧਾਰਣ ਬੋਧਾਤਮਕ ਸਿਹਤ (ਨੈਗੇਟਿਵ ਕਲਾਸ) | MCI (ਸਕਾਰਾਤਮਕ ਕਲਾਸ) |
| ਐਡਜਸਟਡ-23 ਅਨਫਿਲਟਰਡ/ਫਿਲਟਰਡ | 101 (39.0%) | 158 (61.0%) |
| ਐਡਜਸਟਡ-26 ਅਨਫਿਲਟਰਡ/ਫਿਲਟਰਡ | 49 (18.9%) | 210 (81.1%) |
| ਅਨ-ਅਡਜਸਟਡ-23 ਅਨਫਿਲਟਰਡ/ਫਿਲਟਰ ਕੀਤਾ ਗਿਆ | 92 (35.5%) | 167 (64.5%) |
| ਅਨ-ਅਡਜਸਟਡ-26 ਅਨਫਿਲਟਰਡ/ਫਿਲਟਰ ਕੀਤਾ ਗਿਆ | 42 (16.2%) | 217 (83.8%) |
ਹਰੇਕ ਕਲਾਸ ਵਿੱਚ ਕੁੱਲ ਮਰੀਜ਼ਾਂ ਦੀ ਅਨੁਸਾਰੀ ਸੰਖਿਆ ਅਤੇ ਪ੍ਰਤੀਸ਼ਤ ਨੂੰ ਸਿੱਖਿਆ ਲਈ ਸਕੋਰ ਦੇ ਸਮਾਯੋਜਨ (ਅਡਜੱਸਟਡ ਜਾਂ ਅਡਜੱਸਟਡ) ਅਤੇ ਵਰਗੀਕਰਣ ਥ੍ਰੈਸ਼ਹੋਲਡ (23 ਜਾਂ 26) ਦੁਆਰਾ ਵੱਖ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਦੋਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾ ਸੈੱਟਾਂ (ਅਨਫਿਲਟਰਡ ਅਤੇ ਫਿਲਟਰਡ) 'ਤੇ ਲਾਗੂ ਹੁੰਦਾ ਹੈ।
MemTrax-ਅਧਾਰਤ ਕਲੀਨਿਕਲ ਮੁਲਾਂਕਣ ਮਾਡਲਿੰਗ
ਸਾਡੇ ਤਿੰਨ ਮੂਲ ਉਪ-ਡਾਟਾਸੈਟਾਂ (YH, XL, KM) ਵਿੱਚੋਂ, ਕੇਵਲ XL ਉਪ-ਡਾਟਾਸੈੱਟ ਮਰੀਜ਼ਾਂ ਨੂੰ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ ਲਈ ਕਲੀਨਿਕਲ ਤੌਰ 'ਤੇ ਨਿਦਾਨ ਕੀਤਾ ਗਿਆ ਸੀ (ਭਾਵ, ਉਹਨਾਂ ਦੇ ਸੰਬੰਧਿਤ MoCA ਸਕੋਰਾਂ ਦੀ ਵਰਤੋਂ ਆਮ ਬਨਾਮ ਕਮਜ਼ੋਰ ਦੇ ਵਰਗੀਕਰਣ ਦੀ ਸਥਾਪਨਾ ਵਿੱਚ ਨਹੀਂ ਕੀਤੀ ਗਈ ਸੀ)। ਖਾਸ ਤੌਰ 'ਤੇ, XL ਮਰੀਜ਼ਾਂ ਨੂੰ ਕਿਸੇ ਨਾਲ ਨਿਦਾਨ ਕੀਤਾ ਗਿਆ ਸੀ ਅਲਜ਼ਾਈਮਰ ਰੋਗ ਟੈਸਟ (AD) ਜਾਂ ਨਾੜੀ ਦਿਮਾਗੀ ਕਮਜ਼ੋਰੀ (VaD)। ਇਹਨਾਂ ਪ੍ਰਾਇਮਰੀ ਨਿਦਾਨ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚੋਂ ਹਰੇਕ ਦੇ ਅੰਦਰ, MCI ਲਈ ਇੱਕ ਹੋਰ ਅਹੁਦਾ ਸੀ। AD ਦੇ ਕਾਰਨ MCI, ਡਿਮੈਂਸ਼ੀਆ, ਵੈਸਕੁਲਰ ਨਿਊਰੋਕੋਗਨਿਟਿਵ ਡਿਸਆਰਡਰ, ਅਤੇ ਨਿਊਰੋਕੋਗਨਿਟਿਵ ਡਿਸਆਰਡਰ ਦੇ ਨਿਦਾਨ ਮਾਨਸਿਕ ਵਿਗਾੜਾਂ ਦੇ ਡਾਇਗਨੌਸਟਿਕ ਅਤੇ ਸਟੈਟਿਸਟੀਕਲ ਮੈਨੂਅਲ ਵਿੱਚ ਦੱਸੇ ਗਏ ਖਾਸ ਅਤੇ ਵਿਲੱਖਣ ਡਾਇਗਨੌਸਟਿਕ ਮਾਪਦੰਡਾਂ 'ਤੇ ਅਧਾਰਤ ਸਨ: DSM-5 [16]। ਇਹਨਾਂ ਸ਼ੁੱਧ ਨਿਦਾਨਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਹਰੇਕ ਪ੍ਰਾਇਮਰੀ ਨਿਦਾਨ ਸ਼੍ਰੇਣੀ ਲਈ ਗੰਭੀਰਤਾ ਦੇ ਪੱਧਰ (ਨੁਕਸ ਦੀ ਡਿਗਰੀ) ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਦੋ ਵਰਗੀਕਰਨ ਮਾਡਲਿੰਗ ਸਕੀਮਾਂ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ XL ਉਪ-ਡਾਟਾਸੈਟ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਹਨਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਡਾਇਗਨੌਸਟਿਕ ਮਾਡਲਿੰਗ ਸਕੀਮਾਂ (AD ਅਤੇ VaD) ਵਿੱਚ ਵਰਤੇ ਗਏ ਡੇਟਾ ਵਿੱਚ ਜਨਸੰਖਿਆ ਅਤੇ ਮਰੀਜ਼ਾਂ ਦੇ ਇਤਿਹਾਸ ਦੀ ਜਾਣਕਾਰੀ ਦੇ ਨਾਲ-ਨਾਲ MemTrax ਕਾਰਗੁਜ਼ਾਰੀ (MTx-% C, ਮਤਲਬ MTx-RT) ਸ਼ਾਮਲ ਹੈ। ਹਰੇਕ ਨਿਦਾਨ ਨੂੰ ਹਲਕੇ ਲੇਬਲ ਕੀਤਾ ਗਿਆ ਸੀ ਜੇ ਮਨੋਨੀਤ MCI; ਨਹੀਂ ਤਾਂ, ਇਸ ਨੂੰ ਗੰਭੀਰ ਮੰਨਿਆ ਜਾਂਦਾ ਸੀ। ਅਸੀਂ ਸ਼ੁਰੂਆਤੀ ਤੌਰ 'ਤੇ ਨਿਦਾਨ ਮਾਡਲਾਂ (ਹਲਕੇ ਬਨਾਮ ਗੰਭੀਰ) ਵਿੱਚ MoCA ਸਕੋਰ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ 'ਤੇ ਵਿਚਾਰ ਕੀਤਾ; ਪਰ ਅਸੀਂ ਨਿਸ਼ਚਤ ਕੀਤਾ ਹੈ ਕਿ ਇਹ ਸਾਡੀ ਸੈਕੰਡਰੀ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲਿੰਗ ਸਕੀਮ ਦੇ ਉਦੇਸ਼ ਨੂੰ ਹਰਾ ਦੇਵੇਗਾ। ਇੱਥੇ ਸਿਖਿਆਰਥੀਆਂ ਨੂੰ ਸੰਦਰਭ "ਗੋਲਡ ਸਟੈਂਡਰਡ", ਸੁਤੰਤਰ ਕਲੀਨਿਕਲ ਨਿਦਾਨ ਦੇ ਵਿਰੁੱਧ ਸਰਲ MemTrax ਟੈਸਟ (MoCA ਦੇ ਬਦਲੇ) ਦੇ ਪ੍ਰਦਾਤਾ ਲਈ ਆਸਾਨੀ ਨਾਲ ਉਪਲਬਧ ਹੋਰ ਮਰੀਜ਼ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਵੇਗੀ। AD ਨਿਦਾਨ ਡੇਟਾਸੈਟ ਵਿੱਚ 69 ਮੌਕਿਆਂ ਅਤੇ VaD (ਸਾਰਣੀ) ਦੀਆਂ 76 ਉਦਾਹਰਣਾਂ ਸਨ 2). ਦੋਵਾਂ ਡੇਟਾਸੈਟਾਂ ਵਿੱਚ, 12 ਸੁਤੰਤਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਨ। MoCA ਸਕੋਰ ਵਰਗੀਕਰਣ ਵਿੱਚ ਸ਼ਾਮਲ 10 ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਤੋਂ ਇਲਾਵਾ, ਮਰੀਜ਼ ਦੇ ਇਤਿਹਾਸ ਵਿੱਚ ਹਾਈਪਰਟੈਨਸ਼ਨ ਅਤੇ ਸਟ੍ਰੋਕ ਦੇ ਇਤਿਹਾਸ ਬਾਰੇ ਜਾਣਕਾਰੀ ਵੀ ਸ਼ਾਮਲ ਹੈ।
ਟੇਬਲ 2
ਨਿਦਾਨ ਗੰਭੀਰਤਾ ਵਰਗੀਕਰਣ (ਹਲਕੇ ਬਨਾਮ ਗੰਭੀਰ) ਲਈ ਵਰਤੇ ਗਏ ਮਾਡਲਿੰਗ ਸਕੀਮ ਭਿੰਨਤਾਵਾਂ ਦਾ ਸਾਰ
| ਮਾਡਲਿੰਗ ਸਕੀਮ | ਹਲਕੇ (ਨੈਗੇਟਿਵ ਕਲਾਸ) | ਗੰਭੀਰ (ਸਕਾਰਾਤਮਕ ਸ਼੍ਰੇਣੀ) |
| MCI-AD ਬਨਾਮ AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD ਬਨਾਮ VaD | 38 (50.0%) | 38 (50.0%) |
ਹਰੇਕ ਸ਼੍ਰੇਣੀ ਦੇ ਕੁੱਲ ਮਰੀਜ਼ਾਂ ਦੀ ਅਨੁਸਾਰੀ ਸੰਖਿਆ ਅਤੇ ਪ੍ਰਤੀਸ਼ਤ ਨੂੰ ਪ੍ਰਾਇਮਰੀ ਨਿਦਾਨ ਸ਼੍ਰੇਣੀ (AD ਜਾਂ VaD) ਦੁਆਰਾ ਵੱਖ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਅੰਕੜੇ
ਭਾਗੀਦਾਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਹਰੇਕ ਮਾਡਲ ਵਰਗੀਕਰਣ ਰਣਨੀਤੀ ਲਈ ਉਪ-ਡਾਟਾਸੈਟਾਂ ਦੇ ਵਿਚਕਾਰ ਹੋਰ ਸੰਖਿਆਤਮਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਤੁਲਨਾ (MoCA ਬੋਧਾਤਮਕ ਸਿਹਤ ਅਤੇ ਨਿਦਾਨ ਦੀ ਤੀਬਰਤਾ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ) ਪਾਈਥਨ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾ (ਵਰਜਨ 2.7.1) [17] ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਗਈ ਸੀ। ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਅੰਤਰਾਂ ਨੂੰ ਸ਼ੁਰੂਆਤੀ ਤੌਰ 'ਤੇ 95% ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲ ਦੇ ਨਾਲ ਇੱਕ ਸਿੰਗਲ- ਜਾਂ ਦੋ-ਫੈਕਟਰ (ਜਿਵੇਂ ਉਚਿਤ) ANOVA ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਸਾਧਨਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ Tukey ਇਮਾਨਦਾਰ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ (HSD) ਟੈਸਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨਿਰਧਾਰਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨਾਂ ਵਿਚਕਾਰ ਅੰਤਰ ਦੀ ਇਹ ਜਾਂਚ ਪਾਈਥਨ ਅਤੇ ਆਰ (ਵਰਜਨ 3.5.1) [18] ਦੇ ਸੁਮੇਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਗਈ ਸੀ। ਅਸੀਂ ਇਸ ਨੂੰ (ਹਾਲਾਂਕਿ, ਦਲੀਲਪੂਰਨ ਤੌਰ 'ਤੇ ਅਨੁਕੂਲ ਤੋਂ ਘੱਟ) ਪਹੁੰਚ ਨੂੰ ਇਸ 'ਤੇ ਸਿਰਫ ਇੱਕ ਖੋਜੀ ਸਹਾਇਤਾ ਵਜੋਂ ਵਰਤਿਆ ਹੈ ਸ਼ੁਰੂਆਤੀ ਅਵਸਥਾ ਸੰਭਾਵੀ ਕਲੀਨਿਕਲ ਐਪਲੀਕੇਸ਼ਨ ਦੀ ਉਮੀਦ ਕਰਨ ਵਿੱਚ ਸ਼ੁਰੂਆਤੀ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਤੁਲਨਾ ਲਈ। ਅਸੀਂ ਫਿਰ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਅੰਤਰ [19] ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇੱਕ ਪਿਛਲਾ ਵੰਡ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਬਾਏਸੀਅਨ ਸਾਈਨਡ-ਰੈਂਕ ਟੈਸਟ ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਇਹਨਾਂ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਲਈ, ਅਸੀਂ ਅੰਤਰਾਲ -0.01, 0.01 ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਇਹ ਦਰਸਾਉਂਦੇ ਹੋਏ ਕਿ ਜੇਕਰ ਦੋ ਸਮੂਹਾਂ ਵਿੱਚ 0.01 ਤੋਂ ਘੱਟ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਅੰਤਰ ਸੀ, ਤਾਂ ਉਹਨਾਂ ਨੂੰ ਇੱਕੋ ਜਿਹਾ ਮੰਨਿਆ ਜਾਂਦਾ ਸੀ (ਵਿਹਾਰਕ ਸਮਾਨਤਾ ਦੇ ਖੇਤਰ ਵਿੱਚ), ਜਾਂ ਨਹੀਂ ਤਾਂ ਉਹ ਵੱਖਰੇ ਸਨ (ਇੱਕ ਨਾਲੋਂ ਬਿਹਤਰ ਕੋਈ ਹੋਰ). ਕਲਾਸੀਫਾਇਰ ਦੀ ਬੇਸੀਅਨ ਤੁਲਨਾ ਕਰਨ ਅਤੇ ਇਹਨਾਂ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ, ਅਸੀਂ ਪਾਈਥਨ 1.0.2 ਲਈ ਬੇਕੌਪ ਲਾਇਬ੍ਰੇਰੀ (ਵਰਜਨ 3.6.4) ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ।
ਭਵਿੱਖਬਾਣੀ ਮਾਡਲਿੰਗ
ਅਸੀਂ ਹਰੇਕ ਮਰੀਜ਼ ਦੇ ਐਮਓਸੀਏ ਟੈਸਟ ਦੇ ਨਤੀਜੇ ਜਾਂ ਕਲੀਨਿਕਲ ਤਸ਼ਖੀਸ ਦੀ ਤੀਬਰਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ (ਵਰਗੀਕ੍ਰਿਤ) ਕਰਨ ਲਈ ਸਾਡੀਆਂ ਮਾਡਲਿੰਗ ਸਕੀਮਾਂ ਦੀਆਂ ਕੁੱਲ ਦਸ ਭਿੰਨਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਮਾਡਲ ਬਣਾਏ ਹਨ। ਸਾਰੇ ਸਿਖਿਆਰਥੀਆਂ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਮਾਡਲਾਂ ਨੂੰ ਓਪਨ ਸੋਰਸ ਸੌਫਟਵੇਅਰ ਪਲੇਟਫਾਰਮ ਵੇਕਾ [20] ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਇਆ ਗਿਆ ਸੀ। ਸਾਡੇ ਸ਼ੁਰੂਆਤੀ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ, ਅਸੀਂ 10 ਆਮ ਤੌਰ 'ਤੇ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਸਿੱਖਣ ਦੇ ਐਲਗੋਰਿਦਮ ਨੂੰ ਨਿਯੁਕਤ ਕੀਤਾ ਹੈ: 5-ਨੇੜਲੇ ਗੁਆਂਢੀ, C4.5 ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੇ ਦੋ ਸੰਸਕਰਣ, ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ, ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟਰੋਨ, ਨੈਵ ਬੇਅਸ, ਰੈਂਡਮ ਫੋਰੈਸਟ ਦੇ ਦੋ ਸੰਸਕਰਣ, ਰੇਡੀਅਲ ਬੇਸਿਸ ਫੰਕਸ਼ਨ ਨੈੱਟਵਰਕ, ਅਤੇ ਸਪੋਰਟ ਵੈਕਟਰ। ਮਸ਼ੀਨ। ਇਹਨਾਂ ਐਲਗੋਰਿਥਮਾਂ ਦੇ ਮੁੱਖ ਗੁਣ ਅਤੇ ਵਿਪਰੀਤਤਾ ਦਾ ਵਰਣਨ ਕਿਤੇ ਹੋਰ ਕੀਤਾ ਗਿਆ ਹੈ [21] (ਸੰਬੰਧਿਤ ਅੰਤਿਕਾ ਦੇਖੋ)। ਇਹਨਾਂ ਨੂੰ ਇਸ ਲਈ ਚੁਣਿਆ ਗਿਆ ਸੀ ਕਿਉਂਕਿ ਇਹ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਸਿਖਿਆਰਥੀਆਂ ਦੀ ਨੁਮਾਇੰਦਗੀ ਕਰਦੇ ਹਨ ਅਤੇ ਕਿਉਂਕਿ ਅਸੀਂ ਉਹਨਾਂ ਨੂੰ ਸਮਾਨ ਡੇਟਾ ਦੇ ਪਿਛਲੇ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਵਿੱਚ ਵਰਤ ਕੇ ਸਫਲਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਹੈ। ਹਾਈਪਰ-ਪੈਰਾਮੀਟਰ ਸੈਟਿੰਗਾਂ ਨੂੰ ਸਾਡੀ ਪਿਛਲੀ ਖੋਜ ਤੋਂ ਚੁਣਿਆ ਗਿਆ ਸੀ ਜੋ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਉਹ ਵੱਖੋ-ਵੱਖਰੇ ਵੱਖ-ਵੱਖ ਡੇਟਾ [22] 'ਤੇ ਮਜ਼ਬੂਤ ਹਨ। ਸਾਡੇ ਮੁੱਢਲੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਇੱਕੋ ਜਿਹੇ ਸੰਯੁਕਤ ਡੇਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਆਮ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਨਾਲ ਜੋ ਬਾਅਦ ਵਿੱਚ ਪੂਰੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਵਰਤੇ ਗਏ ਸਨ, ਅਸੀਂ ਤਿੰਨ ਸਿਖਿਆਰਥੀਆਂ ਦੀ ਪਛਾਣ ਕੀਤੀ ਜਿਨ੍ਹਾਂ ਨੇ ਸਾਰੇ ਵਰਗੀਕਰਣਾਂ ਵਿੱਚ ਲਗਾਤਾਰ ਮਜ਼ਬੂਤ ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰਦਾਨ ਕੀਤਾ: ਲੌਜਿਸਟਿਕ ਰੀਗਰੈਸ਼ਨ, ਨੇਵ ਬੇਅਸ, ਅਤੇ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ।
ਕਰਾਸ-ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕ
ਸਾਰੇ ਪੂਰਵ-ਅਨੁਮਾਨੀ ਮਾਡਲਿੰਗ (ਸ਼ੁਰੂਆਤੀ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਸਮੇਤ) ਲਈ, ਹਰੇਕ ਮਾਡਲ ਨੂੰ 10-ਗੁਣਾ ਕਰਾਸ ਪ੍ਰਮਾਣਿਕਤਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਇਆ ਗਿਆ ਸੀ, ਅਤੇ ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਰੀਸੀਵਰ ਓਪਰੇਟਿੰਗ ਕਰੈਕਟਰਿਸਟਿਕ ਕਰਵ (AUC) ਦੇ ਅਧੀਨ ਖੇਤਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਪਿਆ ਗਿਆ ਸੀ। ਕਰਾਸ-ਪ੍ਰਮਾਣਿਕਤਾ 10 ਮਾਡਲਿੰਗ ਸਕੀਮ ਡੇਟਾਸੈਟਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਨੂੰ ਬੇਤਰਤੀਬ ਢੰਗ ਨਾਲ 10 ਬਰਾਬਰ ਹਿੱਸਿਆਂ (ਫੋਲਡਾਂ) ਵਿੱਚ ਵੰਡਣ ਨਾਲ ਸ਼ੁਰੂ ਹੋਈ, ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਇਹਨਾਂ ਸਬੰਧਤ ਖੰਡਾਂ ਵਿੱਚੋਂ ਨੌਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਅਤੇ ਬਾਕੀ ਬਚੇ ਹਿੱਸੇ ਨੂੰ ਜਾਂਚ ਲਈ। ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ 10 ਵਾਰ ਦੁਹਰਾਇਆ ਗਿਆ ਸੀ, ਹਰੇਕ ਦੁਹਰਾਅ ਵਿੱਚ ਟੈਸਟ ਸੈੱਟ ਦੇ ਤੌਰ ਤੇ ਇੱਕ ਵੱਖਰੇ ਹਿੱਸੇ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ। ਨਤੀਜਿਆਂ ਨੂੰ ਫਿਰ ਅੰਤਿਮ ਮਾਡਲ ਦੇ ਨਤੀਜੇ/ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਜੋੜਿਆ ਗਿਆ ਸੀ। ਹਰੇਕ ਸਿਖਿਆਰਥੀ/ਡੇਟਾਸੈਟ ਦੇ ਸੁਮੇਲ ਲਈ, ਇਸ ਪੂਰੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ 10 ਵਾਰ ਦੁਹਰਾਇਆ ਗਿਆ ਸੀ ਅਤੇ ਹਰ ਵਾਰ ਡੇਟਾ ਨੂੰ ਵੱਖ-ਵੱਖ ਢੰਗ ਨਾਲ ਵੰਡਿਆ ਜਾਂਦਾ ਸੀ। ਇਸ ਆਖਰੀ ਪੜਾਅ ਨੇ ਪੱਖਪਾਤ ਨੂੰ ਘਟਾਇਆ, ਪ੍ਰਤੀਕ੍ਰਿਤੀ ਨੂੰ ਯਕੀਨੀ ਬਣਾਇਆ, ਅਤੇ ਸਮੁੱਚੇ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ। ਕੁੱਲ ਮਿਲਾ ਕੇ (MoCA ਸਕੋਰ ਅਤੇ ਨਿਦਾਨ ਗੰਭੀਰਤਾ ਵਰਗੀਕਰਣ ਸਕੀਮਾਂ ਲਈ), 6,600 ਮਾਡਲ ਬਣਾਏ ਗਏ ਸਨ। ਇਸ ਵਿੱਚ 1,800 ਅਨਫਿਲਟਰ ਕੀਤੇ ਮਾਡਲ (6 ਮਾਡਲਿੰਗ ਸਕੀਮਾਂ ਡੈਟਾਸੈੱਟ × 3 ਸਿਖਿਆਰਥੀਆਂ × 10 ਰਨ × 10 ਫੋਲਡ = 1,800 ਮਾਡਲਾਂ 'ਤੇ ਲਾਗੂ ਕੀਤੀਆਂ ਗਈਆਂ) ਅਤੇ 4,800 ਫਿਲਟਰ ਕੀਤੇ ਮਾਡਲ (4 ਮਾਡਲਿੰਗ ਸਕੀਮਾਂ ਡੇਟਾਸੈਟ × 3 ਸਿਖਿਆਰਥੀਆਂ × 4 ਵਿਸ਼ੇਸ਼ਤਾ ਚੋਣ ਤਕਨੀਕ × 10 ਦੌੜਾਂ × 'ਤੇ ਲਾਗੂ ਕੀਤੀਆਂ ਗਈਆਂ। 10 ਫੋਲਡ = 4,800 ਮਾਡਲ)।
ਵਿਸ਼ੇਸ਼ਤਾ ਚੋਣ
ਫਿਲਟਰ ਕੀਤੇ ਮਾਡਲਾਂ ਲਈ, ਵਿਸ਼ੇਸ਼ਤਾ ਚੋਣ (ਚਾਰ ਵਿਸ਼ੇਸ਼ਤਾ ਦਰਜਾਬੰਦੀ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ) ਕਰਾਸ-ਵੈਧੀਕਰਨ ਦੇ ਅੰਦਰ ਕੀਤੀ ਗਈ ਸੀ। 10 ਫੋਲਡਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਲਈ, ਜਿਵੇਂ ਕਿ ਡੇਟਾਸੈਟ ਦਾ ਇੱਕ ਵੱਖਰਾ 10% ਟੈਸਟ ਡੇਟਾ ਸੀ, ਹਰੇਕ ਸਿਖਲਾਈ ਡੇਟਾਸੈਟ ਲਈ ਸਿਰਫ਼ ਚੋਟੀ ਦੀਆਂ ਚਾਰ ਚੁਣੀਆਂ ਗਈਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਭਾਵ, ਬਾਕੀ ਨੌਂ ਫੋਲਡਾਂ, ਜਾਂ ਪੂਰੇ ਡੇਟਾਸੈਟ ਦਾ ਬਾਕੀ 90%) ਵਰਤੇ ਗਏ ਸਨ। ਮਾਡਲ ਬਣਾਉਣ ਲਈ. ਅਸੀਂ ਇਹ ਪੁਸ਼ਟੀ ਕਰਨ ਵਿੱਚ ਅਸਮਰੱਥ ਸੀ ਕਿ ਹਰੇਕ ਮਾਡਲ ਵਿੱਚ ਕਿਹੜੀਆਂ ਚਾਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ, ਕਿਉਂਕਿ ਇਹ ਜਾਣਕਾਰੀ ਸਾਡੇ ਦੁਆਰਾ ਵਰਤੇ ਗਏ ਮਾਡਲਿੰਗ ਪਲੇਟਫਾਰਮ (ਵੇਕਾ) ਵਿੱਚ ਸਟੋਰ ਜਾਂ ਉਪਲਬਧ ਨਹੀਂ ਕੀਤੀ ਗਈ ਹੈ। ਹਾਲਾਂਕਿ, ਚੋਟੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਸਾਡੀ ਸ਼ੁਰੂਆਤੀ ਚੋਣ ਵਿੱਚ ਇਕਸਾਰਤਾ ਨੂੰ ਦੇਖਦੇ ਹੋਏ ਜਦੋਂ ਰੈਂਕਰਾਂ ਨੂੰ ਪੂਰੇ ਸੰਯੁਕਤ ਡੇਟਾਸੈਟ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਮਾਡਲਿੰਗ ਪ੍ਰਦਰਸ਼ਨਾਂ ਵਿੱਚ ਬਾਅਦ ਵਿੱਚ ਸਮਾਨਤਾ, ਇਹ ਉਹੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਉਮਰ, ਸਿੱਖਿਆ ਦੇ ਸਾਲ, MTx-% C, ਅਤੇ ਮਤਲਬ MTx-RT ) ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਕਰਾਸ-ਵੈਧਨ ਪ੍ਰਕਿਰਿਆ ਦੇ ਅੰਦਰ ਵਿਸ਼ੇਸ਼ਤਾ ਚੋਣ ਦੇ ਨਾਲ ਸਭ ਤੋਂ ਵੱਧ ਪ੍ਰਚਲਿਤ ਚੋਟੀ ਦੇ ਚਾਰ ਵਰਤੇ ਜਾਂਦੇ ਹਨ।
RESULTS
MoCA-ਸੰਕੇਤ ਬੋਧਾਤਮਕ ਸਿਹਤ (ਆਮ ਬਨਾਮ MCI) ਅਤੇ ਨਿਦਾਨ ਗੰਭੀਰਤਾ (ਹਲਕੀ ਬਨਾਮ ਗੰਭੀਰ) ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਹਰੇਕ ਮਾਡਲ ਵਰਗੀਕਰਣ ਰਣਨੀਤੀ ਲਈ ਸੰਬੰਧਿਤ ਡੇਟਾਸੈਟਾਂ ਦੇ ਭਾਗੀਦਾਰ ਸੰਖਿਆਤਮਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (MoCA ਸਕੋਰ ਅਤੇ MemTrax ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਸਮੇਤ) ਸਾਰਣੀ 3 ਵਿੱਚ ਦਿਖਾਈਆਂ ਗਈਆਂ ਹਨ।
ਟੇਬਲ 3
ਹਰੇਕ ਮਾਡਲ ਵਰਗੀਕਰਣ ਰਣਨੀਤੀ ਲਈ ਭਾਗੀਦਾਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, MoCA ਸਕੋਰ, ਅਤੇ MemTrax ਪ੍ਰਦਰਸ਼ਨ
| ਵਰਗੀਕਰਨ ਰਣਨੀਤੀ | ਉੁਮਰ | ਸਿੱਖਿਆ | MoCA ਵਿਵਸਥਿਤ | MoCA ਅਵਿਵਸਥਿਤ | MTx-% ਸੀ | MTx-RT |
| MoCA ਸ਼੍ਰੇਣੀ | 61.9 ਸਾਲ (13.1) | 9.6 ਸਾਲ (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 ਸਕਿੰਟ (0.3) |
| ਨਿਦਾਨ ਦੀ ਗੰਭੀਰਤਾ | 65.6 ਸਾਲ (12.1) | 8.6 ਸਾਲ (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 ਸਕਿੰਟ (0.3) |
ਮਾਡਲਿੰਗ ਵਰਗੀਕਰਨ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਦੁਆਰਾ ਵੱਖ-ਵੱਖ ਦਿਖਾਏ ਗਏ ਮੁੱਲ (ਮਤਲਬ, SD) MoCA-ਸੰਕੇਤ ਬੋਧਾਤਮਕ ਸਿਹਤ (MCI ਬਨਾਮ ਆਮ) ਅਤੇ XL ਉਪ-ਡੇਟਾਸੈੱਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਵਰਤੇ ਗਏ ਸੰਯੁਕਤ ਡੇਟਾਸੈਟ ਦੇ ਪ੍ਰਤੀਨਿਧ ਹਨ ਜੋ ਸਿਰਫ ਨਿਦਾਨ ਦੀ ਤੀਬਰਤਾ (ਹਲਕੇ ਬਨਾਮ ਗੰਭੀਰ) ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
MoCA ਸਕੋਰ (ਅਡਜਸਟ/ਅਡਜਸਟਡ) ਅਤੇ ਥ੍ਰੈਸ਼ਹੋਲਡ (26/23) ਦੇ ਹਰੇਕ ਸੁਮੇਲ ਲਈ, ਇੱਕ ਅੰਕੜਾ ਅੰਤਰ ਸੀ (p = 0.000) ਉਮਰ, ਸਿੱਖਿਆ, ਅਤੇ MemTrax ਪ੍ਰਦਰਸ਼ਨ (MTx-% C ਅਤੇ MTx-RT) ਲਈ ਹਰੇਕ ਜੋੜੇ ਅਨੁਸਾਰ ਤੁਲਨਾ (ਆਮ ਬੋਧਾਤਮਕ ਸਿਹਤ ਬਨਾਮ MCI) ਵਿੱਚ। ਹਰੇਕ ਮਿਸ਼ਰਨ ਲਈ ਸਬੰਧਤ MCI ਕਲਾਸ ਵਿੱਚ ਹਰੇਕ ਮਰੀਜ਼ ਦਾ ਉਪ-ਡਾਟਾਸੈਟ ਔਸਤਨ 9 ਤੋਂ 15 ਸਾਲ ਵੱਡਾ ਸੀ, ਲਗਭਗ ਪੰਜ ਘੱਟ ਸਾਲਾਂ ਦੀ ਸਿੱਖਿਆ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਸੀ, ਅਤੇ ਦੋਵਾਂ ਮੈਟ੍ਰਿਕਸ ਲਈ ਘੱਟ ਅਨੁਕੂਲ MemTrax ਕਾਰਗੁਜ਼ਾਰੀ ਸੀ।
ਸਿਖਰ ਦੇ ਤਿੰਨ ਸਿਖਿਆਰਥੀਆਂ, ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ, ਨੇਵ ਬੇਅਸ, ਅਤੇ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਐਮਓਸੀਏ ਸਕੋਰ ਵਰਗੀਕਰਣਾਂ ਲਈ ਅਨੁਮਾਨਿਤ ਮਾਡਲਿੰਗ ਪ੍ਰਦਰਸ਼ਨ ਨਤੀਜੇ, ਸਾਰਣੀ 4 ਵਿੱਚ ਦਰਸਾਏ ਗਏ ਹਨ। ਇਹਨਾਂ ਤਿੰਨਾਂ ਨੂੰ ਸਾਰੇ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਨਿਰੰਤਰ ਉੱਚ ਸੰਪੂਰਨ ਸਿਖਿਆਰਥੀ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਅਧਾਰ ਤੇ ਚੁਣਿਆ ਗਿਆ ਸੀ। ਸਾਰੀਆਂ ਮਾਡਲਿੰਗ ਸਕੀਮਾਂ ਲਈ ਡਾਟਾਸੈਟਾਂ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ। ਅਨਫਿਲਟਰਡ ਡੇਟਾਸੈਟ ਅਤੇ ਮਾਡਲਿੰਗ ਲਈ, ਸਾਰਣੀ 4 ਵਿੱਚ ਹਰੇਕ ਡੇਟਾ ਮੁੱਲ ਹਰੇਕ ਸਿਖਿਆਰਥੀ/ਮਾਡਲਿੰਗ ਸਕੀਮ ਸੁਮੇਲ ਲਈ ਬਣਾਏ ਗਏ 100 ਮਾਡਲਾਂ (10 ਦੌੜਾਂ × 10 ਫੋਲਡਾਂ) ਤੋਂ ਲਏ ਗਏ AUC ਅਨੁਸਾਰੀ ਮਾਧਿਅਮ ਦੇ ਅਧਾਰ ਤੇ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਅਨੁਸਾਰੀ ਉੱਚਤਮ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੇ ਸਿਖਿਆਰਥੀ ਨੂੰ ਬੋਲਡ ਵਿੱਚ ਦਰਸਾਇਆ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਫਿਲਟਰ ਕੀਤੇ ਡੇਟਾਸੈਟ ਮਾਡਲਿੰਗ ਲਈ, ਸਾਰਣੀ 4 ਵਿੱਚ ਰਿਪੋਰਟ ਕੀਤੇ ਗਏ ਨਤੀਜੇ ਹਰੇਕ ਵਿਸ਼ੇਸ਼ਤਾ ਦਰਜਾਬੰਦੀ ਵਿਧੀਆਂ (400 ਵਿਸ਼ੇਸ਼ਤਾ ਦਰਜਾਬੰਦੀ ਵਿਧੀਆਂ × 4 ਦੌੜਾਂ × 10 ਫੋਲਡ) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਹਰੇਕ ਸਿਖਿਆਰਥੀ ਲਈ 10 ਮਾਡਲਾਂ ਤੋਂ ਸਮੁੱਚੇ ਔਸਤ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।
ਟੇਬਲ 4
ਸਾਰੀਆਂ ਸਬੰਧਤ ਮਾਡਲਿੰਗ ਸਕੀਮਾਂ ਲਈ ਤਿੰਨ ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੇ ਸਿਖਿਆਰਥੀਆਂ ਵਿੱਚੋਂ ਹਰੇਕ ਲਈ ਡਿਕੋਟੋਮਸ ਐਮਓਸੀਏ ਸਕੋਰ ਵਰਗੀਕਰਣ ਪ੍ਰਦਰਸ਼ਨ (AUC; 0.0–1.0) ਨਤੀਜੇ
| ਵਿਸ਼ੇਸ਼ਤਾ ਸੈੱਟ ਵਰਤਿਆ ਗਿਆ | MoCA ਸਕੋਰ | ਕਟੌਫ ਥ੍ਰੈਸ਼ਹੋਲਡ | ਲੌਜਿਸਟਿਕ ਰੈਗ੍ਰੇਸ਼ਨ | ਭੋਲੇ ਭਾਲੇ | ਵੈਕਟਰ ਮਸ਼ੀਨ ਦਾ ਸਮਰਥਨ ਕਰੋ |
| ਅਨਫਿਲਟਰਡ (10 ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ) | ਸਮਾਯੋਜਿਤ | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| ਬੇਵਜ੍ਹਾ | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| ਫਿਲਟਰ ਕੀਤੇ (4 ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ) | ਸਮਾਯੋਜਿਤ | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| ਬੇਵਜ੍ਹਾ | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
ਵਿਸ਼ੇਸ਼ਤਾ ਸੈੱਟ, MoCA ਸਕੋਰ, ਅਤੇ MoCA ਸਕੋਰ ਕਟੌਫ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੇ ਭਿੰਨਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਹਰੇਕ ਮਾਡਲਿੰਗ ਸਕੀਮ ਲਈ ਸਭ ਤੋਂ ਉੱਚੇ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ ਬੋਲਡ (ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਅੰਕੜਿਆਂ ਦੇ ਤੌਰ 'ਤੇ ਬਾਕੀ ਸਾਰਿਆਂ ਨਾਲੋਂ ਵੱਖਰਾ ਨਹੀਂ ਹੈ ਬੋਲਡ ਸੰਬੰਧਿਤ ਮਾਡਲ ਲਈ).
ਸੰਯੁਕਤ ਅਨਫਿਲਟਰਡ ਡੇਟਾਸੇਟ (ਭਾਵ, 23 ਆਮ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ) ਵਿੱਚ MoCA ਸਕੋਰ ਸੰਸਕਰਣਾਂ ਅਤੇ ਥ੍ਰੈਸ਼ਹੋਲਡ (ਕ੍ਰਮਵਾਰ ਐਡਜਸਟ/ਅਡਜੱਸਟਡ ਅਤੇ 26/10) ਦੇ ਸਾਰੇ ਸੰਜੋਗਾਂ ਵਿੱਚ ਸਿਖਿਆਰਥੀਆਂ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹੋਏ, ਨੇਵ ਬੇਅਸ ਆਮ ਤੌਰ 'ਤੇ ਸਮੁੱਚੇ ਤੌਰ 'ਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੇ ਸਿਖਿਆਰਥੀ ਸਨ। 0.9093 ਦਾ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ। ਸਿਖਰਲੇ ਤਿੰਨ ਸਿਖਿਆਰਥੀਆਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਬਾਏਸੀਅਨ-ਸਬੰਧਿਤ ਹਸਤਾਖਰਿਤ-ਰੈਂਕ ਟੈਸਟਾਂ ਨੇ ਸੰਕੇਤ ਦਿੱਤਾ ਕਿ ਸੰਭਾਵਨਾ (Prਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਨੂੰ ਆਊਟਪਰਫਾਰਮ ਕਰਨ ਵਾਲੇ Naïve Bayes ਦਾ 99.9% ਸੀ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਨੈਵ ਬੇਅਜ਼ ਅਤੇ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ ਦੇ ਵਿਚਕਾਰ, ਸਿਖਿਆਰਥੀ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਵਿਹਾਰਕ ਬਰਾਬਰੀ ਦੀ 21.0% ਸੰਭਾਵਨਾ (ਇਸ ਤਰ੍ਹਾਂ, ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੀ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ ਦੀ 79.0% ਸੰਭਾਵਨਾ ਦੇ ਨਾਲ, ਨੈਵ ਬੇਜ਼ ਦੀ 0.0% ਸੰਭਾਵਨਾ), Naïve Bayes ਲਈ ਪ੍ਰਦਰਸ਼ਨ ਲਾਭ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਦਾ ਹੈ। ਸਾਰੇ ਸਿਖਿਆਰਥੀਆਂ/ਥ੍ਰੈਸ਼ਹੋਲਡਾਂ ਵਿੱਚ ਐਮਓਸੀਏ ਸਕੋਰ ਸੰਸਕਰਣ ਦੀ ਹੋਰ ਤੁਲਨਾ ਨੇ ਅਡਜਸਟ ਕੀਤੇ (0.9027 ਬਨਾਮ 0.8971, ਕ੍ਰਮਵਾਰ, XNUMX ਬਨਾਮ XNUMX; Pr (ਅਨਵਿਵਸਥਿਤ > ਵਿਵਸਥਿਤ) = 0.988)। ਇਸੇ ਤਰ੍ਹਾਂ, ਸਾਰੇ ਸਿਖਿਆਰਥੀਆਂ ਅਤੇ MoCA ਸਕੋਰ ਸੰਸਕਰਣਾਂ ਵਿੱਚ ਕਟੌਫ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੀ ਤੁਲਨਾ ਨੇ ਕ੍ਰਮਵਾਰ 26 (23 ਬਨਾਮ 0.9056, ਕ੍ਰਮਵਾਰ; Pr (26 > 23) = 0.999)। ਅੰਤ ਵਿੱਚ, ਸਿਰਫ ਫਿਲਟਰ ਕੀਤੇ ਨਤੀਜਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਮਾਡਲਾਂ ਲਈ ਵਰਗੀਕਰਣ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹੋਏ (ਜਿਵੇਂ, ਸਿਰਫ ਚੋਟੀ ਦੇ ਦਰਜੇ ਵਾਲੇ ਚਾਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ), Naïve Bayes (0.9143) ਸਾਰੇ MoCA ਸਕੋਰ ਸੰਸਕਰਣਾਂ/ਥ੍ਰੈਸ਼ਹੋਲਡ ਵਿੱਚ ਸੰਖਿਆਤਮਕ ਤੌਰ 'ਤੇ ਸਿਖਰ-ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲਾ ਸਿਖਿਆਰਥੀ ਸੀ। ਹਾਲਾਂਕਿ, ਸਾਰੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾ ਦਰਜਾਬੰਦੀ ਦੀਆਂ ਤਕਨੀਕਾਂ ਨੂੰ ਮਿਲਾ ਕੇ, ਸਾਰੇ ਸਿਖਰ-ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੇ ਸਿਖਿਆਰਥੀਆਂ ਨੇ ਇਸੇ ਤਰ੍ਹਾਂ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ। ਬਾਏਸੀਅਨ ਹਸਤਾਖਰਿਤ-ਰੈਂਕ ਟੈਸਟਾਂ ਨੇ ਫਿਲਟਰ ਕੀਤੇ ਸਿਖਿਆਰਥੀਆਂ ਦੇ ਹਰੇਕ ਜੋੜੇ ਦੇ ਵਿਚਕਾਰ ਵਿਹਾਰਕ ਸਮਾਨਤਾ ਦੀ 100% ਸੰਭਾਵਨਾ ਦਿਖਾਈ। ਜਿਵੇਂ ਕਿ ਅਨਫਿਲਟਰ ਕੀਤੇ ਡੇਟਾ (ਸਾਰੇ 10 ਆਮ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ) ਦੇ ਨਾਲ, ਐਮਓਸੀਏ ਸਕੋਰ (Pr (ਅਨਵਿਵਸਥਿਤ > ਐਡਜਸਟਡ) = 1.000), ਅਤੇ ਨਾਲ ਹੀ 26 ਦੇ ਵਰਗੀਕਰਣ ਥ੍ਰੈਸ਼ਹੋਲਡ (Pr (26 > 23) = 1.000)। ਖਾਸ ਤੌਰ 'ਤੇ, ਸਾਰੇ MoCA ਸਕੋਰ ਸੰਸਕਰਣਾਂ/ਥ੍ਰੈਸ਼ਹੋਲਡਾਂ ਵਿੱਚ ਸਿਖਰਲੇ ਤਿੰਨ ਸਿਖਿਆਰਥੀਆਂ ਵਿੱਚੋਂ ਹਰੇਕ ਦੀ ਔਸਤ ਕਾਰਗੁਜ਼ਾਰੀ ਸਿਰਫ਼ ਸਿਖਰਲੇ ਦਰਜੇ ਦੀਆਂ ਚਾਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਅਨਫਿਲਟਰ ਕੀਤੇ ਡੇਟਾ 'ਤੇ ਕਿਸੇ ਵੀ ਸਿਖਿਆਰਥੀ ਦੇ ਔਸਤ ਪ੍ਰਦਰਸ਼ਨ ਤੋਂ ਵੱਧ ਗਈ ਹੈ। ਹੈਰਾਨੀ ਦੀ ਗੱਲ ਨਹੀਂ ਹੈ, ਫਿਲਟਰ ਕੀਤੇ ਮਾਡਲਾਂ ਦੀ ਵਰਗੀਕਰਣ ਕਾਰਗੁਜ਼ਾਰੀ (ਸਿਖਰਲੀ ਦਰਜਾਬੰਦੀ ਵਾਲੀਆਂ ਚਾਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ) ਸਮੁੱਚੇ ਤੌਰ 'ਤੇ ਅਨਫਿਲਟਰ ਕੀਤੇ ਮਾਡਲਾਂ (0.9119) ਨਾਲੋਂ ਬਿਹਤਰ (0.8999) ਸੀ, ਵਿਸ਼ੇਸ਼ਤਾ ਦਰਜਾਬੰਦੀ ਵਿਧੀ ਦੇ ਮਾਡਲਾਂ ਦੀ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ, ਜਿਨ੍ਹਾਂ ਦੀ ਤੁਲਨਾ ਸਾਰੇ 10 ਆਮ ਵਰਤਦੇ ਹੋਏ ਸਬੰਧਤ ਮਾਡਲਾਂ ਨਾਲ ਕੀਤੀ ਗਈ ਸੀ। ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ। ਹਰੇਕ ਵਿਸ਼ੇਸ਼ਤਾ ਚੋਣ ਵਿਧੀ ਲਈ, ਫਿਲਟਰ ਕੀਤੇ ਮਾਡਲਾਂ ਦੇ ਮੁਕਾਬਲੇ ਪ੍ਰਦਰਸ਼ਨ ਲਾਭ ਦੀ 100% ਸੰਭਾਵਨਾ ਸੀ।
AD ਨਿਦਾਨ ਦੀ ਤੀਬਰਤਾ ਵਰਗੀਕਰਣ ਲਈ ਵਿਚਾਰੇ ਗਏ ਮਰੀਜ਼ਾਂ ਦੇ ਨਾਲ, ਉਮਰ (MCI-AD ਬਨਾਮ AD) ਦੇ ਵਿਚਕਾਰ-ਸਮੂਹ (p = 0.004), ਸਿੱਖਿਆ (p = 0.028), MoCA ਸਕੋਰ ਵਿਵਸਥਿਤ/ਅਨਵਿਵਸਥਿਤ (p = 0.000), ਅਤੇ MTx-% C (p = 0.008) ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਸਨ; ਜਦੋਂ ਕਿ MTx-RT ਲਈ ਇਹ ਨਹੀਂ ਸੀ (p = 0.097)। ਉਹਨਾਂ ਮਰੀਜ਼ਾਂ ਦੇ ਨਾਲ ਜਿਨ੍ਹਾਂ ਨੂੰ VaD ਨਿਦਾਨ ਗੰਭੀਰਤਾ ਵਰਗੀਕਰਣ ਲਈ ਵਿਚਾਰਿਆ ਗਿਆ ਹੈ, ਵਿਚਕਾਰ-ਸਮੂਹ (MCI-VaD ਬਨਾਮ VaD) ਵਿਚਕਾਰ ਅੰਤਰ ਐਮਓਸੀਏ ਸਕੋਰ ਐਡਜਸਟ/ਅਡਜਸਟਡ (p = 0.007) ਅਤੇ MTx-% C (.p = 0.026) ਅਤੇ MTx-RT (p = 0.001) ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਸਨ; ਜਦਕਿ ਉਮਰ ਲਈ (p = 0.511) ਅਤੇ ਸਿੱਖਿਆ (p = 0.157) ਗਰੁੱਪ ਵਿਚਕਾਰ ਕੋਈ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਨਹੀਂ ਸਨ।
ਤਿੰਨ ਪਹਿਲਾਂ ਚੁਣੇ ਗਏ ਸਿਖਿਆਰਥੀਆਂ, ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ, ਨੇਵ ਬੇਅਜ਼, ਅਤੇ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਨਿਦਾਨ ਗੰਭੀਰਤਾ ਵਰਗੀਕਰਣਾਂ ਲਈ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲਿੰਗ ਕਾਰਗੁਜ਼ਾਰੀ ਦੇ ਨਤੀਜੇ ਸਾਰਣੀ 5 ਵਿੱਚ ਦਿਖਾਏ ਗਏ ਹਨ। ਜਦੋਂ ਕਿ ਵਾਧੂ ਜਾਂਚ ਕੀਤੇ ਗਏ ਸਿਖਿਆਰਥੀਆਂ ਨੇ ਦੋ ਕਲੀਨਿਕਲ ਡਾਇਗਨੋਸਿਸ ਕੈਟਾਗਰੀਜ਼ ਵਿੱਚੋਂ ਇੱਕ ਦੇ ਨਾਲ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਥੋੜ੍ਹਾ ਮਜ਼ਬੂਤ ਪ੍ਰਦਰਸ਼ਨ ਦਿਖਾਇਆ। , ਜਿਨ੍ਹਾਂ ਤਿੰਨ ਸਿਖਿਆਰਥੀਆਂ ਦੀ ਅਸੀਂ ਆਪਣੀ ਪਿਛਲੀ ਮਾਡਲਿੰਗ ਵਿੱਚ ਸਭ ਤੋਂ ਅਨੁਕੂਲ ਵਜੋਂ ਪਛਾਣ ਕੀਤੀ ਸੀ, ਉਨ੍ਹਾਂ ਨੇ ਦੋਵਾਂ ਨਵੀਆਂ ਮਾਡਲਿੰਗ ਸਕੀਮਾਂ ਦੇ ਨਾਲ ਸਭ ਤੋਂ ਇਕਸਾਰ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਪੇਸ਼ਕਸ਼ ਕੀਤੀ ਸੀ। ਹਰੇਕ ਪ੍ਰਾਇਮਰੀ ਨਿਦਾਨ ਸ਼੍ਰੇਣੀਆਂ (AD ਅਤੇ VaD) ਦੇ ਸਿਖਿਆਰਥੀਆਂ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹੋਏ, MCI-VaD ਬਨਾਮ VaD ਲਈ ਸਿਖਿਆਰਥੀਆਂ ਵਿਚਕਾਰ ਕੋਈ ਇਕਸਾਰ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਅੰਤਰ ਨਹੀਂ ਸੀ, ਹਾਲਾਂਕਿ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ ਆਮ ਤੌਰ 'ਤੇ ਵਧੇਰੇ ਪ੍ਰਮੁੱਖਤਾ ਨਾਲ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੀ ਹੈ। ਇਸੇ ਤਰ੍ਹਾਂ, MCI-AD ਬਨਾਮ AD ਵਰਗੀਕਰਣ ਲਈ ਸਿਖਿਆਰਥੀਆਂ ਵਿਚਕਾਰ ਕੋਈ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਨਹੀਂ ਸਨ, ਹਾਲਾਂਕਿ 61.4% ਦੀ ਸੰਭਾਵਨਾਵਾਂ ਦੇ ਨਾਲ, ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ (LR) ਅਤੇ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ ਨਾਲੋਂ ਨਾਈਵ ਬੇਅਸ (NB) ਦਾ ਮਾਮੂਲੀ ਪ੍ਰਦਰਸ਼ਨ ਫਾਇਦਾ ਸੀ ਅਤੇ ਸਿਰਫ ਇੱਕ ਮਾਮੂਲੀ ਬਹੁਲਤਾ ਸੀ। ਅਤੇ ਕ੍ਰਮਵਾਰ 41.7%. ਦੋਵਾਂ ਡੇਟਾਸੈਟਾਂ ਵਿੱਚ, ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ (SVM) ਲਈ ਇੱਕ ਸਮੁੱਚਾ ਪ੍ਰਦਰਸ਼ਨ ਫਾਇਦਾ ਸੀ, ਜਿਸ ਵਿੱਚ Pr (SVM > LR) = 0.819 ਅਤੇ Pr (SVM > NB) = 0.934। XL ਉਪ-ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਨਿਦਾਨ ਦੀ ਗੰਭੀਰਤਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਵਿੱਚ ਸਾਰੇ ਸਿਖਿਆਰਥੀਆਂ ਵਿੱਚ ਸਾਡੀ ਸਮੁੱਚੀ ਵਰਗੀਕਰਣ ਕਾਰਗੁਜ਼ਾਰੀ AD ਦੇ ਮੁਕਾਬਲੇ VaD ਨਿਦਾਨ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਬਿਹਤਰ ਸੀ (Pr (VAD > AD) = 0.998)।
ਟੇਬਲ 5
ਦੋਨੋ ਸਬੰਧਤ ਮਾਡਲਿੰਗ ਸਕੀਮਾਂ ਲਈ ਤਿੰਨ ਸਿਖਰ-ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੇ ਸਿਖਿਆਰਥੀਆਂ ਵਿੱਚੋਂ ਹਰੇਕ ਲਈ ਡਾਇਕੋਟੋਮਸ ਕਲੀਨਿਕਲ ਨਿਦਾਨ ਗੰਭੀਰਤਾ ਵਰਗੀਕਰਣ ਪ੍ਰਦਰਸ਼ਨ (AUC; 0.0–1.0) ਨਤੀਜੇ
| ਮਾਡਲਿੰਗ ਸਕੀਮ | ਲੌਜਿਸਟਿਕ ਰੈਗ੍ਰੇਸ਼ਨ | ਭੋਲੇ ਭਾਲੇ | ਵੈਕਟਰ ਮਸ਼ੀਨ ਦਾ ਸਮਰਥਨ ਕਰੋ |
| MCI-AD ਬਨਾਮ AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD ਬਨਾਮ VaD | 0.8033 | 0.8044 | 0.8338 |
ਹਰੇਕ ਮਾਡਲਿੰਗ ਸਕੀਮ ਲਈ ਉੱਚਤਮ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ ਬੋਲਡ (ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਅੰਕੜਿਆਂ ਨਾਲੋਂ ਵੱਖਰਾ ਨਹੀਂ ਹੈ ਬੋਲਡ).
ਚਰਚਾ
ਬੋਧਾਤਮਕ ਸਿਹਤ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦੀ ਸ਼ੁਰੂਆਤੀ ਖੋਜ ਮਹੱਤਵਪੂਰਨ ਹੈ ਨਿੱਜੀ ਸਿਹਤ ਪ੍ਰਬੰਧਨ ਅਤੇ ਜਨਤਕ ਸਿਹਤ ਵਿੱਚ ਵਿਹਾਰਕ ਉਪਯੋਗਤਾ। ਦਰਅਸਲ, ਇਹ ਦੁਨੀਆ ਭਰ ਦੇ ਮਰੀਜ਼ਾਂ ਲਈ ਕਲੀਨਿਕਲ ਸੈਟਿੰਗਾਂ ਵਿੱਚ ਵੀ ਬਹੁਤ ਉੱਚ ਤਰਜੀਹ ਹੈ। ਸਾਂਝਾ ਟੀਚਾ ਮਰੀਜ਼ਾਂ, ਦੇਖਭਾਲ ਕਰਨ ਵਾਲਿਆਂ, ਅਤੇ ਪ੍ਰਦਾਤਾਵਾਂ ਨੂੰ ਸੁਚੇਤ ਕਰਨਾ ਹੈ ਅਤੇ ਬੋਧਾਤਮਕ ਗਿਰਾਵਟ ਦਾ ਅਨੁਭਵ ਕਰਨ ਵਾਲੇ ਲੋਕਾਂ ਲਈ ਪਹਿਲਾਂ ਤੋਂ ਉਚਿਤ ਅਤੇ ਲਾਗਤ-ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਇਲਾਜ ਅਤੇ ਲੰਮੀ ਦੇਖਭਾਲ ਦਾ ਸੰਕੇਤ ਦੇਣਾ ਹੈ। ਸਾਡੇ ਤਿੰਨ ਹਸਪਤਾਲ/ਕਲੀਨਿਕ(ਆਂ) ਦੇ ਡੇਟਾ ਸਬਸੈੱਟਾਂ ਨੂੰ ਮਿਲਾਉਂਦੇ ਹੋਏ, ਅਸੀਂ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਤਿੰਨ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਤਰਜੀਹੀ ਸਿਖਿਆਰਥੀਆਂ (ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸਟੈਂਡਆਉਟ -Naïve Bayes ਦੇ ਨਾਲ) ਦੀ ਪਛਾਣ ਕੀਤੀ ਹੈ। MemTrax ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਜੋ ਬੋਧਾਤਮਕ ਸਿਹਤ ਸਥਿਤੀ ਨੂੰ ਭਰੋਸੇਯੋਗ ਤੌਰ 'ਤੇ ਵਰਗੀਕ੍ਰਿਤ ਕਰ ਸਕਦੇ ਹਨ ਵਿਭਾਜਨਕ ਤੌਰ 'ਤੇ (ਆਮ ਬੋਧਾਤਮਕ ਸਿਹਤ ਜਾਂ MCI) ਜਿਵੇਂ ਕਿ ਇੱਕ MoCA ਕੁੱਲ ਸਕੋਰ ਦੁਆਰਾ ਦਰਸਾਏ ਜਾਣਗੇ। ਖਾਸ ਤੌਰ 'ਤੇ, ਤਿੰਨੋਂ ਸਿਖਿਆਰਥੀਆਂ ਲਈ ਸਮੁੱਚੀ ਵਰਗੀਕਰਣ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਸੁਧਾਰ ਹੋਇਆ ਜਦੋਂ ਸਾਡੇ ਮਾਡਲਾਂ ਨੇ ਸਿਰਫ਼ ਚੋਟੀ ਦੇ ਦਰਜੇ ਦੀਆਂ ਚਾਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜੋ ਮੁੱਖ ਤੌਰ 'ਤੇ ਇਹਨਾਂ ਮੇਮਟਰੈਕਸ ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦੇ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਡਿਮੇਨਸ਼ੀਆ ਨਿਦਾਨ ਦੀਆਂ ਦੋ ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਗੰਭੀਰਤਾ ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਡਾਇਗਨੌਸਟਿਕ ਸਪੋਰਟ ਵਰਗੀਕਰਣ ਮਾਡਲਿੰਗ ਸਕੀਮ ਵਿੱਚ ਇੱਕੋ ਜਿਹੇ ਸਿਖਿਆਰਥੀਆਂ ਅਤੇ MemTrax ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਪ੍ਰਮਾਣਿਤ ਸੰਭਾਵਨਾਵਾਂ ਦਾ ਖੁਲਾਸਾ ਕੀਤਾ ਹੈ: AD ਅਤੇ VaD।
ਮੈਮੋਰੀ ਟੈਸਟਿੰਗ AD [23, 24] ਦੀ ਸ਼ੁਰੂਆਤੀ ਖੋਜ ਲਈ ਕੇਂਦਰੀ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਇਹ ਮੌਕਾ ਹੈ ਕਿ MemTrax ਇੱਕ ਸਵੀਕਾਰਯੋਗ, ਆਕਰਸ਼ਕ, ਅਤੇ ਔਨਲਾਈਨ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਆਸਾਨ ਹੈ। ਐਪੀਸੋਡਿਕ ਮੈਮੋਰੀ ਲਈ ਸਕ੍ਰੀਨਿੰਗ ਟੈਸਟ ਆਮ ਆਬਾਦੀ ਵਿੱਚ [6]. ਇਸ ਨਿਰੰਤਰ ਕਾਰਜਕੁਸ਼ਲਤਾ ਕਾਰਜ ਤੋਂ ਮਾਨਤਾ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਪ੍ਰਤੀਕ੍ਰਿਆ ਸਮਾਂ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਸਿੱਖਣ, ਯਾਦਦਾਸ਼ਤ ਅਤੇ ਬੋਧ ਨਾਲ ਸਬੰਧਤ ਨਿਯੂਰੋਪਲਾਸਟਿਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਸ਼ੁਰੂਆਤੀ ਅਤੇ ਵਿਕਾਸਸ਼ੀਲ ਵਿਗਾੜ ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ ਘਾਟਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਪ੍ਰਗਟ ਹੁੰਦੇ ਹਨ। ਭਾਵ, ਇੱਥੇ ਮਾਡਲ ਜੋ ਕਿ ਜ਼ਿਆਦਾਤਰ ਮੇਮਟਰੈਕਸ ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ 'ਤੇ ਅਧਾਰਤ ਹਨ, ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦੇ ਹਨ ਅਤੇ ਆਸਾਨੀ ਨਾਲ ਅਤੇ ਘੱਟ ਲਾਗਤ ਨਾਲ ਵਧੇਰੇ ਮਹੱਤਵਪੂਰਨ ਕਾਰਜਸ਼ੀਲ ਨੁਕਸਾਨ [25] ਤੋਂ ਪਹਿਲਾਂ ਪਰਿਵਰਤਨਸ਼ੀਲ ਅਸੈਂਪਟੋਮੈਟਿਕ ਪੜਾਅ ਦੌਰਾਨ ਜੀਵ-ਵਿਗਿਆਨਕ ਨਿਊਰੋਪੈਥੋਲੋਜਿਕ ਘਾਟਾਂ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦੇ ਹਨ। ਐਸ਼ਫੋਰਡ ਐਟ ਅਲ. MemTrax [6] ਨਾਲ ਆਪਣੇ ਤੌਰ 'ਤੇ ਹਿੱਸਾ ਲੈਣ ਵਾਲੇ ਔਨਲਾਈਨ ਉਪਭੋਗਤਾਵਾਂ ਵਿੱਚ ਮਾਨਤਾ ਮੈਮੋਰੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਜਵਾਬ ਸਮੇਂ ਦੇ ਪੈਟਰਨਾਂ ਅਤੇ ਵਿਵਹਾਰਾਂ ਦੀ ਨੇੜਿਓਂ ਜਾਂਚ ਕੀਤੀ। ਇਸ ਗੱਲ ਦਾ ਸਤਿਕਾਰ ਕਰਦੇ ਹੋਏ ਕਿ ਇਹ ਵੰਡ ਅਨੁਕੂਲ ਮਾਡਲਿੰਗ ਅਤੇ ਵੈਧ ਅਤੇ ਪ੍ਰਭਾਵੀ ਮਰੀਜ਼ ਦੇਖਭਾਲ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਹਨ, ਕਲੀਨਿਕਲ ਅਤੇ ਖੋਜ ਉਪਯੋਗਤਾ ਲਈ ਇੱਕ ਕੀਮਤੀ ਬੁਨਿਆਦੀ ਸੰਦਰਭ ਸਥਾਪਤ ਕਰਨ ਲਈ ਕਲੀਨਿਕੀ ਤੌਰ 'ਤੇ ਲਾਗੂ ਮਾਨਤਾ ਅਤੇ ਜਵਾਬ ਸਮੇਂ ਦੇ ਪ੍ਰੋਫਾਈਲਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ। ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਦੀ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ ਅਤੇ ਵਿਭਿੰਨ ਡਾਇਗਨੌਸਟਿਕ ਸਹਾਇਤਾ ਲਈ AD ਸਕ੍ਰੀਨਿੰਗ ਵਿੱਚ MemTrax ਦੇ ਵਿਹਾਰਕ ਮੁੱਲ ਨੂੰ ਫਿਰ ਇੱਕ ਕਲੀਨਿਕਲ ਸੈਟਿੰਗ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਵਧੇਰੇ ਧਿਆਨ ਨਾਲ ਜਾਂਚਣ ਦੀ ਜ਼ਰੂਰਤ ਹੈ ਜਿੱਥੇ ਟੈਸਟ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਵਾਲੀਆਂ ਕੋਮੋਰਬਿਡਿਟੀਜ਼ ਅਤੇ ਬੋਧਾਤਮਕ, ਸੰਵੇਦੀ, ਅਤੇ ਮੋਟਰ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਵਿਚਾਰਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਅਤੇ ਪੇਸ਼ੇਵਰ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨੂੰ ਸੂਚਿਤ ਕਰਨ ਅਤੇ ਵਿਹਾਰਕ ਕਲੀਨਿਕਲ ਉਪਯੋਗਤਾ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਲਈ, ਇੱਕ ਸਥਾਪਿਤ ਬੋਧਾਤਮਕ ਸਿਹਤ ਮੁਲਾਂਕਣ ਟੈਸਟ ਦੀ ਤੁਲਨਾ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨਾ ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਜ਼ਰੂਰੀ ਹੈ, ਭਾਵੇਂ ਕਿ ਬਾਅਦ ਵਾਲੇ ਨੂੰ ਬੋਝਲ ਟੈਸਟਿੰਗ ਲੌਜਿਸਟਿਕਸ, ਸਿੱਖਿਆ ਅਤੇ ਭਾਸ਼ਾ ਦੇ ਰੁਕਾਵਟਾਂ, ਅਤੇ ਸੱਭਿਆਚਾਰਕ ਪ੍ਰਭਾਵਾਂ ਦੁਆਰਾ ਪਛਾਣਨਯੋਗ ਤੌਰ 'ਤੇ ਸੀਮਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ [26] . ਇਸ ਸਬੰਧ ਵਿੱਚ, ਐਮਓਸੀਏ ਨਾਲ ਕਲੀਨਿਕਲ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਵਿੱਚ MemTrax ਦੀ ਅਨੁਕੂਲ ਤੁਲਨਾ ਜੋ ਕਿ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ ਉਦਯੋਗ ਦੇ ਮਿਆਰ ਵਜੋਂ ਪੇਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਮਹੱਤਵਪੂਰਨ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਜਦੋਂ ਉਪਯੋਗਤਾ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਸੌਖ ਅਤੇ MemTrax ਦੀ ਮਰੀਜ਼ ਦੀ ਸਵੀਕ੍ਰਿਤੀ ਨੂੰ ਤੋਲਿਆ ਜਾਂਦਾ ਹੈ।
MemTrax ਦੀ MoCA ਨਾਲ ਤੁਲਨਾ ਕਰਨ ਵਾਲੀ ਪਿਛਲੀ ਖੋਜ ਸਾਡੀ ਮਾਡਲਿੰਗ ਜਾਂਚ [8] ਦੀ ਗਰੰਟੀ ਦੇਣ ਵਾਲੇ ਤਰਕ ਅਤੇ ਮੁਢਲੇ ਸਬੂਤਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਇਹ ਪਹਿਲਾਂ ਦੀ ਤੁਲਨਾ ਸਿਰਫ਼ ਦੋ ਮੁੱਖ MemTrax ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਜੋੜਦੀ ਹੈ ਜੋ ਅਸੀਂ MoCA ਦੁਆਰਾ ਨਿਰਧਾਰਿਤ ਕੀਤੇ ਗਏ ਬੋਧਾਤਮਕ ਸਥਿਤੀ ਦੇ ਨਾਲ ਜਾਂਚ ਕੀਤੀ ਹੈ ਅਤੇ ਸੰਬੰਧਿਤ ਰੇਂਜਾਂ ਅਤੇ ਕਟੌਫ ਮੁੱਲਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ। ਅਸੀਂ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲਿੰਗ-ਅਧਾਰਿਤ ਪਹੁੰਚ ਦੀ ਪੜਚੋਲ ਕਰਕੇ MemTrax ਦੇ ਕਲੀਨਿਕਲ ਉਪਯੋਗਤਾ ਮੁਲਾਂਕਣ ਨੂੰ ਡੂੰਘਾ ਕੀਤਾ ਹੈ ਜੋ ਹੋਰ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਸੰਬੰਧਿਤ ਮਰੀਜ਼-ਵਿਸ਼ੇਸ਼ ਮਾਪਦੰਡਾਂ ਦਾ ਵਧੇਰੇ ਵਿਅਕਤੀਗਤ ਵਿਚਾਰ ਪ੍ਰਦਾਨ ਕਰੇਗਾ। ਦੂਜਿਆਂ ਦੇ ਉਲਟ, ਅਸੀਂ MoCA ਸਕੋਰ ਵਿੱਚ ਸਿੱਖਿਆ ਸੁਧਾਰ (ਅਡਜਸਟਮੈਂਟ) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਜਾਂ ਮੂਲ ਰੂਪ ਵਿੱਚ ਸਿਫ਼ਾਰਿਸ਼ ਕੀਤੇ 26 ਤੋਂ 23 [12, 15] ਤੱਕ MoCA ਕੁੱਲ ਸਕੋਰ ਥ੍ਰੈਸ਼ਹੋਲਡ ਵਿੱਚ ਵਿਤਕਰਾ ਕਰਨ ਵਾਲੇ ਬੋਧਾਤਮਕ ਸਿਹਤ ਨੂੰ ਵੱਖ ਕਰਨ ਵਿੱਚ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਕੋਈ ਫਾਇਦਾ ਨਹੀਂ ਲੱਭਿਆ। ਵਾਸਤਵ ਵਿੱਚ, ਵਰਗੀਕਰਣ ਪ੍ਰਦਰਸ਼ਨ ਲਾਭ ਅਵਿਵਸਥਿਤ MoCA ਸਕੋਰ ਅਤੇ ਉੱਚ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਅਨੁਕੂਲਿਤ ਕੀਤਾ ਗਿਆ ਹੈ।
ਕਲੀਨਿਕਲ ਅਭਿਆਸ ਵਿੱਚ ਮੁੱਖ ਨੁਕਤੇ
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਅਕਸਰ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲਿੰਗ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਅਤੇ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਡੇਟਾ ਵਿਆਪਕ ਅਤੇ ਬਹੁ-ਆਯਾਮੀ ਹੁੰਦਾ ਹੈ, ਭਾਵ, ਜਦੋਂ ਬਹੁਤ ਸਾਰੇ ਨਿਰੀਖਣ ਹੁੰਦੇ ਹਨ ਅਤੇ ਉੱਚ-ਮੁੱਲ (ਯੋਗਦਾਨ) ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਇੱਕ ਵਿਆਪਕ ਲੜੀ ਹੁੰਦੀ ਹੈ। ਫਿਰ ਵੀ, ਇਹਨਾਂ ਮੌਜੂਦਾ ਡੇਟਾ ਦੇ ਨਾਲ, ਸਿਰਫ ਚਾਰ ਚੋਣਵੇਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੇ ਫਿਲਟਰ ਕੀਤੇ ਮਾਡਲਾਂ ਨੇ ਸਾਰੀਆਂ 10 ਆਮ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਮਾਡਲਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ। ਇਹ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਸਾਡੇ ਸਮੁੱਚੇ ਹਸਪਤਾਲ ਡੇਟਾਸੇਟ ਵਿੱਚ ਇਸ ਤਰੀਕੇ ਨਾਲ ਮਰੀਜ਼ਾਂ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਡਾਕਟਰੀ ਤੌਰ 'ਤੇ ਉਚਿਤ (ਉੱਚ ਮੁੱਲ) ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨਹੀਂ ਸਨ। ਫਿਰ ਵੀ, ਮੁੱਖ MemTrax ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ - MTx-% C ਅਤੇ MTx-RT - 'ਤੇ ਵਿਸ਼ੇਸ਼ਤਾ ਦਰਜਾਬੰਦੀ ਜ਼ੋਰ ਇਸ ਟੈਸਟ ਦੇ ਆਲੇ ਦੁਆਲੇ ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਦੇ ਬੋਧਾਤਮਕ ਘਾਟ ਸਕ੍ਰੀਨਿੰਗ ਮਾਡਲਾਂ ਨੂੰ ਬਣਾਉਣ ਦਾ ਸਮਰਥਨ ਕਰਦੀ ਹੈ ਜੋ ਸਰਲ, ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਆਸਾਨ, ਘੱਟ ਲਾਗਤ ਵਾਲੇ, ਅਤੇ ਉਚਿਤ ਰੂਪ ਵਿੱਚ ਪ੍ਰਗਟ ਕਰਨ ਵਾਲੇ ਹਨ। ਮੈਮੋਰੀ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ, ਘੱਟੋ-ਘੱਟ ਇਸ ਸਮੇਂ ਬੋਧਾਤਮਕ ਸਿਹਤ ਸਥਿਤੀ ਦੇ ਬਾਈਨਰੀ ਵਰਗੀਕਰਨ ਲਈ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਸਕ੍ਰੀਨ ਵਜੋਂ। ਪ੍ਰਦਾਤਾਵਾਂ ਅਤੇ ਹੈਲਥਕੇਅਰ ਪ੍ਰਣਾਲੀਆਂ 'ਤੇ ਲਗਾਤਾਰ ਵਧ ਰਹੇ ਦਬਾਅ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, ਮਰੀਜ਼ਾਂ ਦੀ ਜਾਂਚ ਪ੍ਰਕਿਰਿਆਵਾਂ ਅਤੇ ਕਲੀਨਿਕਲ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਉਹਨਾਂ ਮਰੀਜ਼ਾਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਟੈਸਟ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਇਕੱਠਾ ਕਰਨ, ਟਰੈਕ ਕਰਨ ਅਤੇ ਮਾਡਲਿੰਗ ਕਰਨ 'ਤੇ ਜ਼ੋਰ ਦੇਣ ਦੇ ਨਾਲ ਢੁਕਵੇਂ ਢੰਗ ਨਾਲ ਵਿਕਸਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਡਾਇਗਨੌਸਟਿਕ ਵਿੱਚ ਸਭ ਤੋਂ ਲਾਭਦਾਇਕ, ਲਾਭਦਾਇਕ ਅਤੇ ਸਾਬਤ ਹੋਏ ਹਨ। ਅਤੇ ਮਰੀਜ਼ ਪ੍ਰਬੰਧਨ ਸਹਾਇਤਾ।
ਦੋ ਮੁੱਖ MemTrax ਮੈਟ੍ਰਿਕਸ MCI ਵਰਗੀਕਰਣ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਹੋਣ ਦੇ ਨਾਲ, ਸਾਡੇ ਸਿਖਰ-ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੇ ਸਿਖਿਆਰਥੀ (Naïve Bayes) ਦਾ ਜ਼ਿਆਦਾਤਰ ਮਾਡਲਾਂ (AUC ਤੋਂ ਵੱਧ 0.90) ਵਿੱਚ ਇੱਕ ਬਹੁਤ ਹੀ ਉੱਚ ਭਵਿੱਖਬਾਣੀ ਪ੍ਰਦਰਸ਼ਨ ਸੀ ਜਿਸ ਵਿੱਚ ਸਹੀ-ਸਕਾਰਾਤਮਕ ਤੋਂ ਗਲਤ-ਸਕਾਰਾਤਮਕ ਅਨੁਪਾਤ 4 ਦੇ ਨੇੜੇ ਜਾਂ ਕੁਝ ਹੱਦ ਤੱਕ ਵੱਧ ਸੀ। : 1. ਇਸ ਸਿਖਿਆਰਥੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਅਨੁਵਾਦਕ ਕਲੀਨਿਕਲ ਐਪਲੀਕੇਸ਼ਨ ਇਸ ਤਰ੍ਹਾਂ ਬੋਧਾਤਮਕ ਘਾਟ ਵਾਲੇ ਜ਼ਿਆਦਾਤਰ ਲੋਕਾਂ ਦੁਆਰਾ ਕੈਪਚਰ (ਸਹੀ ਢੰਗ ਨਾਲ ਵਰਗੀਕਰਨ) ਕਰੇਗੀ, ਜਦੋਂ ਕਿ ਆਮ ਬੋਧਾਤਮਕ ਸਿਹਤ ਵਾਲੇ ਕਿਸੇ ਵਿਅਕਤੀ ਨੂੰ ਬੋਧਾਤਮਕ ਘਾਟ (ਗਲਤ ਸਕਾਰਾਤਮਕ) ਹੋਣ ਦੇ ਰੂਪ ਵਿੱਚ ਗਲਤੀ ਨਾਲ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਨਾਲ ਸੰਬੰਧਿਤ ਲਾਗਤ ਨੂੰ ਘੱਟ ਕਰਦਾ ਹੈ ਜਾਂ ਉਹਨਾਂ ਲੋਕਾਂ ਵਿੱਚ ਉਹ ਵਰਗੀਕਰਨ ਗਾਇਬ ਹੈ ਜਿਨ੍ਹਾਂ ਕੋਲ ਬੋਧਾਤਮਕ ਘਾਟ (ਗਲਤ ਨਕਾਰਾਤਮਕ) ਹੈ। ਗਲਤ ਵਰਗੀਕਰਨ ਦੇ ਇਹਨਾਂ ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚੋਂ ਕੋਈ ਇੱਕ ਮਰੀਜ਼ ਅਤੇ ਦੇਖਭਾਲ ਕਰਨ ਵਾਲਿਆਂ ਲਈ ਇੱਕ ਅਣਉਚਿਤ ਮਨੋ-ਸਮਾਜਿਕ ਬੋਝ ਪਾ ਸਕਦਾ ਹੈ।
ਜਦੋਂ ਕਿ ਸ਼ੁਰੂਆਤੀ ਅਤੇ ਪੂਰੇ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਵਿੱਚ ਅਸੀਂ ਹਰੇਕ ਮਾਡਲਿੰਗ ਸਕੀਮ ਵਿੱਚ ਸਾਰੇ ਦਸ ਸਿਖਿਆਰਥੀਆਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਸੀ, ਅਸੀਂ ਆਪਣੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸਭ ਤੋਂ ਨਿਰੰਤਰ ਮਜ਼ਬੂਤ ਪ੍ਰਦਰਸ਼ਨ ਦਿਖਾਉਣ ਵਾਲੇ ਤਿੰਨ ਵਰਗੀਕਰਣਾਂ 'ਤੇ ਕੇਂਦਰਿਤ ਕੀਤਾ। ਇਹ ਇਹਨਾਂ ਅੰਕੜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ, ਸਿਖਿਆਰਥੀਆਂ ਨੂੰ ਉਜਾਗਰ ਕਰਨ ਲਈ ਵੀ ਸੀ ਜੋ ਬੋਧਾਤਮਕ ਸਥਿਤੀ ਦੇ ਵਰਗੀਕਰਨ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇੱਕ ਵਿਹਾਰਕ ਕਲੀਨਿਕਲ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਉੱਚ ਪੱਧਰ 'ਤੇ ਭਰੋਸੇਯੋਗ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨਗੇ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕਿਉਂਕਿ ਇਹ ਅਧਿਐਨ ਬੋਧਾਤਮਕ ਸਕ੍ਰੀਨਿੰਗ ਅਤੇ ਸਮੇਂ ਸਿਰ ਕਲੀਨਿਕਲ ਚੁਣੌਤੀਆਂ 'ਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਉਪਯੋਗਤਾ ਦੀ ਸ਼ੁਰੂਆਤੀ ਜਾਂਚ ਦੇ ਤੌਰ 'ਤੇ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ, ਅਸੀਂ ਘੱਟੋ-ਘੱਟ ਪੈਰਾਮੀਟਰ ਟਿਊਨਿੰਗ ਦੇ ਨਾਲ, ਸਿੱਖਣ ਦੀਆਂ ਤਕਨੀਕਾਂ ਨੂੰ ਸਰਲ ਅਤੇ ਸਧਾਰਨ ਰੱਖਣ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਹੈ। ਅਸੀਂ ਇਸ ਗੱਲ ਦੀ ਪ੍ਰਸ਼ੰਸਾ ਕਰਦੇ ਹਾਂ ਕਿ ਇਸ ਪਹੁੰਚ ਨੇ ਵਧੇਰੇ ਸੰਖੇਪ ਪਰਿਭਾਸ਼ਿਤ ਮਰੀਜ਼-ਵਿਸ਼ੇਸ਼ ਭਵਿੱਖਬਾਣੀ ਸਮਰੱਥਾਵਾਂ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਸੀਮਤ ਕਰ ਦਿੱਤਾ ਹੈ। ਇਸੇ ਤਰ੍ਹਾਂ, ਜਦੋਂ ਕਿ ਸਿਰਫ ਚੋਟੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਫਿਲਟਰ ਕੀਤੀ ਪਹੁੰਚ) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਮਾਡਲਾਂ ਦੀ ਸਿਖਲਾਈ ਸਾਨੂੰ ਇਹਨਾਂ ਡੇਟਾ (ਇਕੱਠੇ ਕੀਤੇ ਗਏ ਡੇਟਾ ਵਿੱਚ ਕਮੀਆਂ ਅਤੇ ਕੀਮਤੀ ਕਲੀਨਿਕਲ ਸਮੇਂ ਅਤੇ ਸਰੋਤਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਵਿੱਚ ਮੁੱਲ ਨੂੰ ਉਜਾਗਰ ਕਰਨ ਲਈ ਖਾਸ) ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਦਿੰਦੀ ਹੈ, ਅਸੀਂ ਪਛਾਣਦੇ ਹਾਂ ਕਿ ਇਹ ਸੰਕੁਚਿਤ ਕਰਨਾ ਸਮੇਂ ਤੋਂ ਪਹਿਲਾਂ ਹੈ। ਮਾਡਲਾਂ ਦੇ ਦਾਇਰੇ ਅਤੇ, ਇਸਲਈ, ਸਾਰੀਆਂ (ਅਤੇ ਹੋਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ) ਨੂੰ ਭਵਿੱਖੀ ਖੋਜ ਦੇ ਨਾਲ ਵਿਚਾਰਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਜਦੋਂ ਤੱਕ ਸਾਡੇ ਕੋਲ ਤਰਜੀਹੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਇੱਕ ਵਧੇਰੇ ਨਿਸ਼ਚਿਤ ਪ੍ਰੋਫਾਈਲ ਨਹੀਂ ਹੈ ਜੋ ਵਿਆਪਕ ਆਬਾਦੀ 'ਤੇ ਲਾਗੂ ਹੋਣਗੀਆਂ। ਇਸ ਤਰ੍ਹਾਂ, ਅਸੀਂ ਇਹ ਵੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮੰਨਦੇ ਹਾਂ ਕਿ ਇਹਨਾਂ ਅਤੇ ਹੋਰ ਮਾਡਲਾਂ ਨੂੰ ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਕਲੀਨਿਕਲ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਵਧੇਰੇ ਸੰਮਲਿਤ ਅਤੇ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਪ੍ਰਤੀਨਿਧ ਡੇਟਾ ਅਤੇ ਅਨੁਕੂਲਤਾ ਜ਼ਰੂਰੀ ਹੋਵੇਗੀ, ਖਾਸ ਤੌਰ 'ਤੇ ਬੋਧਾਤਮਕ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਵਾਲੀਆਂ ਸਹਿਜਤਾਵਾਂ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰਨ ਲਈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਅੱਗੇ ਕਲੀਨਿਕਲ ਮੁਲਾਂਕਣ ਵਿੱਚ ਵਿਚਾਰਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
MemTrax ਦੀ ਉਪਯੋਗਤਾ ਨੂੰ ਵੱਖਰੇ ਕਲੀਨਿਕਲ ਨਿਦਾਨ ਦੇ ਅਧਾਰ ਤੇ ਬਿਮਾਰੀ ਦੀ ਤੀਬਰਤਾ ਦੇ ਮਾਡਲਿੰਗ ਦੁਆਰਾ ਹੋਰ ਸੰਸ਼ੋਧਿਤ ਕੀਤਾ ਗਿਆ ਸੀ। VaD (AD ਦੇ ਮੁਕਾਬਲੇ) ਦੀ ਤੀਬਰਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਇੱਕ ਬਿਹਤਰ ਸਮੁੱਚੀ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਨਹੀਂ ਸੀ ਨਾੜੀਆਂ ਦੀ ਸਿਹਤ ਲਈ ਵਿਸ਼ੇਸ਼ ਮਾਡਲਾਂ ਵਿੱਚ ਮਰੀਜ਼ ਪ੍ਰੋਫਾਈਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਵੇਖਦਿਆਂ ਹੈਰਾਨੀਜਨਕ ਅਤੇ ਸਟ੍ਰੋਕ ਦਾ ਜੋਖਮ, ਭਾਵ, ਹਾਈਪਰਟੈਨਸ਼ਨ, ਹਾਈਪਰਲਿਪੀਡਮੀਆ, ਡਾਇਬੀਟੀਜ਼, ਅਤੇ (ਬੇਸ਼ਕ) ਸਟ੍ਰੋਕ ਦਾ ਇਤਿਹਾਸ। ਹਾਲਾਂਕਿ ਇਹ ਵਧੇਰੇ ਫਾਇਦੇਮੰਦ ਅਤੇ ਢੁਕਵਾਂ ਹੋਵੇਗਾ ਕਿ ਇਹਨਾਂ ਵਧੇਰੇ ਸੰਮਿਲਿਤ ਡੇਟਾ ਨਾਲ ਸਿਖਿਆਰਥੀਆਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਆਮ ਬੋਧਾਤਮਕ ਸਿਹਤ ਵਾਲੇ ਮੇਲ ਖਾਂਦੇ ਮਰੀਜ਼ਾਂ 'ਤੇ ਇੱਕੋ ਜਿਹੇ ਕਲੀਨਿਕਲ ਮੁਲਾਂਕਣ ਕੀਤੇ ਜਾਣ। ਇਹ ਖਾਸ ਤੌਰ 'ਤੇ ਪ੍ਰਮਾਣਿਤ ਹੈ, ਕਿਉਂਕਿ MemTrax ਨੂੰ ਮੁੱਖ ਤੌਰ 'ਤੇ ਬੋਧਾਤਮਕ ਘਾਟੇ ਦੇ ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਦਾ ਪਤਾ ਲਗਾਉਣ ਅਤੇ ਵਿਅਕਤੀਗਤ ਪਰਿਵਰਤਨ ਦੇ ਬਾਅਦ ਵਿੱਚ ਟਰੈਕ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਣਾ ਹੈ। ਇਹ ਵੀ ਮੰਨਣਯੋਗ ਹੈ ਕਿ VaD ਡੇਟਾਸੇਟ ਵਿੱਚ ਡੇਟਾ ਦੀ ਵਧੇਰੇ ਲੋੜੀਂਦੇ ਵੰਡ ਨੇ ਤੁਲਨਾਤਮਕ ਤੌਰ 'ਤੇ ਬਿਹਤਰ ਮਾਡਲਿੰਗ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਇਆ। VaD ਡੇਟਾਸੈਟ ਦੋ ਕਲਾਸਾਂ ਵਿਚਕਾਰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸੰਤੁਲਿਤ ਸੀ, ਜਦੋਂ ਕਿ ਬਹੁਤ ਘੱਟ MCI ਮਰੀਜ਼ਾਂ ਵਾਲਾ AD ਡੇਟਾਸੈਟ ਨਹੀਂ ਸੀ। ਖਾਸ ਤੌਰ 'ਤੇ ਛੋਟੇ ਡੇਟਾਸੈਟਾਂ ਵਿੱਚ, ਇੱਥੋਂ ਤੱਕ ਕਿ ਕੁਝ ਵਾਧੂ ਉਦਾਹਰਣਾਂ ਵੀ ਇੱਕ ਮਾਪਣਯੋਗ ਫਰਕ ਲਿਆ ਸਕਦੀਆਂ ਹਨ। ਦੋਵੇਂ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਬਿਮਾਰੀ ਦੀ ਤੀਬਰਤਾ ਮਾਡਲਿੰਗ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਅੰਤਰ ਨੂੰ ਦਰਸਾਉਂਦੇ ਵਾਜਬ ਦਲੀਲਾਂ ਹਨ। ਹਾਲਾਂਕਿ, ਡੇਟਾਸੈਟ ਸੰਖਿਆਤਮਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਜਾਂ ਵਿਚਾਰ ਅਧੀਨ ਕਲੀਨਿਕਲ ਪ੍ਰਸਤੁਤੀ ਲਈ ਵਿਸ਼ੇਸ਼ ਅੰਦਰੂਨੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਅਨੁਪਾਤਕ ਤੌਰ 'ਤੇ ਸੁਧਾਰੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਕਾਰਨ ਦੇਣਾ ਸਮੇਂ ਤੋਂ ਪਹਿਲਾਂ ਹੈ। ਫਿਰ ਵੀ, ਇਸ ਨਾਵਲ ਨੇ ਕਲੀਨਿਕਲ ਡਾਇਗਨੌਸਟਿਕ ਸਹਾਇਤਾ ਦੀ ਭੂਮਿਕਾ ਵਿੱਚ ਇੱਕ MemTrax ਭਵਿੱਖਬਾਣੀ ਵਰਗੀਕਰਣ ਮਾਡਲ ਦੀ ਉਪਯੋਗਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਹੈ ਜੋ ਕੀਮਤੀ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਅਤੇ MCI ਦੇ ਨਿਰੰਤਰਤਾ ਵਿੱਚ ਮਰੀਜ਼ਾਂ ਨਾਲ ਵਾਧੂ ਜਾਂਚ ਲਈ ਪਿੱਛਾ ਕਰਨ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ।
MemTrax ਅਤੇ ਚੀਨ ਵਿੱਚ ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਅਤੇ ਪ੍ਰਦਰਸ਼ਿਤ ਉਪਯੋਗਤਾ, ਜਿੱਥੇ ਭਾਸ਼ਾ ਅਤੇ ਸੱਭਿਆਚਾਰ ਸਥਾਪਤ ਉਪਯੋਗਤਾ ਦੇ ਦੂਜੇ ਖੇਤਰਾਂ (ਜਿਵੇਂ ਕਿ, ਫਰਾਂਸ, ਨੀਦਰਲੈਂਡ, ਅਤੇ ਸੰਯੁਕਤ ਰਾਜ) [7, 8, 27] ਤੋਂ ਬਹੁਤ ਵੱਖਰੇ ਹਨ, ਸੰਭਾਵੀ ਨੂੰ ਹੋਰ ਰੇਖਾਂਕਿਤ ਕਰਦਾ ਹੈ। ਇੱਕ MemTrax-ਅਧਾਰਿਤ ਪਲੇਟਫਾਰਮ ਦੇ ਵਿਆਪਕ ਗਲੋਬਲ ਸਵੀਕ੍ਰਿਤੀ ਅਤੇ ਕਲੀਨਿਕਲ ਮੁੱਲ ਲਈ। ਇਹ ਅੰਕੜਿਆਂ ਦੇ ਮੇਲ-ਜੋਲ ਵੱਲ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਅਤੇ ਬੋਧਾਤਮਕ ਸਕ੍ਰੀਨਿੰਗ ਲਈ ਵਿਹਾਰਕ ਅੰਤਰਰਾਸ਼ਟਰੀ ਨਿਯਮਾਂ ਅਤੇ ਮਾਡਲਿੰਗ ਸਰੋਤਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਵਿੱਚ ਇੱਕ ਪ੍ਰਦਰਸ਼ਿਤ ਉਦਾਹਰਣ ਹੈ ਜੋ ਵਿਸ਼ਵ ਭਰ ਵਿੱਚ ਵਰਤੋਂ ਲਈ ਮਿਆਰੀ ਅਤੇ ਆਸਾਨੀ ਨਾਲ ਅਨੁਕੂਲਿਤ ਹਨ।
ਬੋਧਾਤਮਕ ਗਿਰਾਵਟ ਮਾਡਲਿੰਗ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਅਗਲੇ ਕਦਮ
AD ਵਿੱਚ ਬੋਧਾਤਮਕ ਨਪੁੰਸਕਤਾ ਅਸਲ ਵਿੱਚ ਇੱਕ ਨਿਰੰਤਰਤਾ 'ਤੇ ਵਾਪਰਦੀ ਹੈ, ਨਾ ਕਿ ਵੱਖਰੇ ਪੜਾਵਾਂ ਜਾਂ ਕਦਮਾਂ ਵਿੱਚ [28, 29]। ਹਾਲਾਂਕਿ, ਇਸ ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ 'ਤੇ, ਸਾਡਾ ਟੀਚਾ ਪਹਿਲਾਂ MemTrax ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਵਾਲੇ ਮਾਡਲ ਨੂੰ ਬਣਾਉਣ ਦੀ ਸਾਡੀ ਯੋਗਤਾ ਨੂੰ ਸਥਾਪਿਤ ਕਰਨਾ ਸੀ ਜੋ ਬੁਨਿਆਦੀ ਤੌਰ 'ਤੇ "ਆਮ" ਨੂੰ "ਨਾ ਆਮ" ਤੋਂ ਵੱਖਰਾ ਕਰ ਸਕਦਾ ਹੈ। ਵਧੇਰੇ ਸੰਮਿਲਿਤ ਅਨੁਭਵੀ ਡੇਟਾ (ਜਿਵੇਂ ਕਿ, ਦਿਮਾਗ ਦੀ ਇਮੇਜਿੰਗ, ਜੈਨੇਟਿਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਬਾਇਓਮਾਰਕਰ, ਕੋਮੋਰਬਿਡਿਟੀਜ਼, ਅਤੇ ਕੰਪਲੈਕਸ ਦੇ ਕਾਰਜਸ਼ੀਲ ਮਾਰਕਰ ਬੋਧਾਤਮਕ ਲੋੜਾਂ ਵਾਲੀਆਂ ਗਤੀਵਿਧੀਆਂ ਨਿਯੰਤਰਣ) [30] ਵਿਭਿੰਨ ਗਲੋਬਲ ਖੇਤਰਾਂ, ਆਬਾਦੀ ਅਤੇ ਉਮਰ ਸਮੂਹਾਂ ਵਿੱਚ ਸਿਖਲਾਈ ਅਤੇ ਵਿਕਸਤ ਕਰਨ ਲਈ ਵਧੇਰੇ ਸੂਝਵਾਨ (ਢੁਕਵੇਂ ਤੌਰ 'ਤੇ ਭਾਰ ਵਾਲੇ ਸੰਗ੍ਰਹਿ ਸਮੇਤ) ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾੱਡਲ ਵਧੇ ਹੋਏ ਵਰਗੀਕਰਨ ਦੀ ਇੱਕ ਵੱਡੀ ਡਿਗਰੀ ਦਾ ਸਮਰਥਨ ਕਰਨਗੇ, ਯਾਨੀ, ਮਰੀਜ਼ਾਂ ਦੇ ਸਮੂਹਾਂ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਦੀ ਸਮਰੱਥਾ। ਬੋਧਾਤਮਕ ਗਿਰਾਵਟ ਨਿਰੰਤਰਤਾ ਦੇ ਨਾਲ ਛੋਟੇ ਅਤੇ ਵਧੇਰੇ ਨਿਸ਼ਚਤ ਉਪ-ਸੈਟਾਂ ਵਿੱਚ MCI। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਖੇਤਰੀ ਤੌਰ 'ਤੇ ਵਿਭਿੰਨ ਮਰੀਜ਼ਾਂ ਦੀ ਆਬਾਦੀ ਵਾਲੇ ਵਿਅਕਤੀਆਂ ਲਈ ਸਹਿਕਾਰੀ ਕਲੀਨਿਕਲ ਨਿਦਾਨ ਜ਼ਰੂਰੀ ਹਨ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਸਿਖਲਾਈ ਇਹ ਵਧੇਰੇ ਸੰਮਲਿਤ ਅਤੇ ਅਨੁਮਾਨਿਤ ਤੌਰ 'ਤੇ ਮਜ਼ਬੂਤ ਮਾਡਲ। ਇਹ ਸਮਾਨ ਬੈਕਗ੍ਰਾਉਂਡ, ਪ੍ਰਭਾਵਾਂ, ਅਤੇ ਵਧੇਰੇ ਸੰਖੇਪ ਰੂਪ ਵਿੱਚ ਪਰਿਭਾਸ਼ਿਤ ਵਿਸ਼ੇਸ਼ਤਾ ਵਾਲੇ ਬੋਧਾਤਮਕ ਪ੍ਰੋਫਾਈਲਾਂ ਵਾਲੇ ਲੋਕਾਂ ਲਈ ਵਧੇਰੇ ਵਿਸ਼ੇਸ਼ ਪੱਧਰੀ ਕੇਸ ਪ੍ਰਬੰਧਨ ਦੀ ਸਹੂਲਤ ਦੇਵੇਗਾ ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਕਲੀਨਿਕਲ ਫੈਸਲੇ ਸਹਾਇਤਾ ਅਤੇ ਮਰੀਜ਼ ਦੀ ਦੇਖਭਾਲ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰੇਗਾ।
ਅੱਜ ਤੱਕ ਦੀ ਜ਼ਿਆਦਾਤਰ ਸੰਬੰਧਿਤ ਕਲੀਨਿਕਲ ਖੋਜਾਂ ਨੇ ਘੱਟੋ-ਘੱਟ ਹਲਕੇ ਦਿਮਾਗੀ ਕਮਜ਼ੋਰੀ ਵਾਲੇ ਮਰੀਜ਼ਾਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕੀਤਾ ਹੈ; ਅਤੇ, ਅਭਿਆਸ ਵਿੱਚ, ਬਹੁਤ ਅਕਸਰ ਮਰੀਜ਼ ਦੇ ਦਖਲ ਦੀ ਕੋਸ਼ਿਸ਼ ਸਿਰਫ ਉੱਨਤ ਪੜਾਵਾਂ 'ਤੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਕਿਉਂਕਿ ਦਿਮਾਗੀ ਕਮਜ਼ੋਰੀ ਲਈ ਕਲੀਨਿਕਲ ਮਾਪਦੰਡ ਪੂਰੇ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਬੋਧਾਤਮਕ ਗਿਰਾਵਟ ਸ਼ੁਰੂ ਹੋ ਜਾਂਦੀ ਹੈ, ਇੱਕ ਪ੍ਰਭਾਵੀ ਢੰਗ ਨਾਲ ਲਾਗੂ ਕੀਤੀ ਗਈ MemTrax-ਅਧਾਰਿਤ ਸ਼ੁਰੂਆਤੀ ਸਕ੍ਰੀਨ ਰੋਗ ਅਤੇ ਇਸਦੀ ਤਰੱਕੀ ਬਾਰੇ ਵਿਅਕਤੀਆਂ ਦੀ ਉਚਿਤ ਸਿੱਖਿਆ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰ ਸਕਦੀ ਹੈ ਅਤੇ ਪਹਿਲਾਂ ਅਤੇ ਹੋਰ ਸਮੇਂ ਸਿਰ ਦਖਲਅੰਦਾਜ਼ੀ ਕਰ ਸਕਦੀ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਸ਼ੁਰੂਆਤੀ ਖੋਜ ਕਸਰਤ, ਖੁਰਾਕ, ਭਾਵਨਾਤਮਕ ਸਹਾਇਤਾ, ਅਤੇ ਫਾਰਮਾਕੋਲੋਜੀਕਲ ਦਖਲਅੰਦਾਜ਼ੀ ਤੋਂ ਲੈ ਕੇ ਸੁਧਰੀ ਹੋਈ ਸਮਾਜਿਕਤਾ ਤੱਕ ਢੁਕਵੀਂ ਸ਼ਮੂਲੀਅਤ ਦਾ ਸਮਰਥਨ ਕਰ ਸਕਦੀ ਹੈ ਅਤੇ ਵਿਵਹਾਰ ਅਤੇ ਧਾਰਨਾ ਵਿੱਚ ਰੋਗੀ-ਸਬੰਧਤ ਤਬਦੀਲੀਆਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰ ਸਕਦੀ ਹੈ ਜੋ ਇਕੱਲੇ ਜਾਂ ਕੁੱਲ ਮਿਲਾ ਕੇ ਡਿਮੇਨਸ਼ੀਆ ਦੇ ਵਿਕਾਸ ਨੂੰ ਘੱਟ ਜਾਂ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਰੋਕ ਸਕਦਾ ਹੈ [31, 32] . ਇਸ ਤੋਂ ਇਲਾਵਾ, ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਦੇ ਨਾਲ ਸ਼ੁਰੂਆਤੀ ਸਕ੍ਰੀਨਿੰਗ, ਵਿਅਕਤੀਆਂ ਅਤੇ ਉਹਨਾਂ ਦੇ ਪਰਿਵਾਰਾਂ ਨੂੰ ਕਲੀਨਿਕਲ ਅਜ਼ਮਾਇਸ਼ਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰਨ ਲਈ ਕਿਹਾ ਜਾ ਸਕਦਾ ਹੈ ਜਾਂ ਉਮੀਦਾਂ ਅਤੇ ਇਰਾਦਿਆਂ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰਨ ਅਤੇ ਰੋਜ਼ਾਨਾ ਕੰਮਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਸਲਾਹ ਅਤੇ ਹੋਰ ਸਮਾਜਿਕ ਸੇਵਾਵਾਂ ਦੀ ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕਿਹਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹਨਾਂ ਤਰੀਕਿਆਂ ਵਿੱਚ ਹੋਰ ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਵਿਆਪਕ ਵਿਹਾਰਕ ਉਪਯੋਗਤਾ ਬਹੁਤ ਸਾਰੇ ਵਿਅਕਤੀਆਂ ਲਈ MCI, AD, ਅਤੇ ADRD ਦੀ ਤਰੱਕੀ ਨੂੰ ਘਟਾਉਣ ਜਾਂ ਰੋਕਣ ਵਿੱਚ ਸਹਾਇਕ ਹੋ ਸਕਦੀ ਹੈ।
ਵਾਸਤਵ ਵਿੱਚ, ਸਾਡੇ ਅਧਿਐਨ ਵਿੱਚ ਮਰੀਜ਼ ਦੀ ਉਮਰ ਸੀਮਾ ਦਾ ਨੀਵਾਂ ਅੰਤ AD ਨਾਲ ਰਵਾਇਤੀ ਚਿੰਤਾ ਦੀ ਆਬਾਦੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਨਹੀਂ ਹੈ. ਫਿਰ ਵੀ, MoCA ਸਕੋਰ/ਥ੍ਰੈਸ਼ਹੋਲਡ ਅਤੇ ਨਿਦਾਨ ਗੰਭੀਰਤਾ (ਟੇਬਲ 3) ਦੇ ਆਧਾਰ 'ਤੇ ਵਰਗੀਕਰਨ ਮਾਡਲਿੰਗ ਸਕੀਮਾਂ ਵਿੱਚ ਵਰਤੇ ਗਏ ਹਰੇਕ ਸਮੂਹ ਦੀ ਔਸਤ ਉਮਰ ਘੱਟੋ-ਘੱਟ 80 ਸਾਲ ਦੀ ਉਮਰ ਦੇ ਸਪੱਸ਼ਟ ਬਹੁਮਤ (50% ਤੋਂ ਵੱਧ) ਨੂੰ ਰੇਖਾਂਕਿਤ ਕਰਦੀ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ ਇਹ ਵੰਡ ਸਧਾਰਨਕਰਨ ਲਈ ਬਹੁਤ ਢੁਕਵੀਂ ਹੈ, ਆਬਾਦੀ ਵਿੱਚ ਇਹਨਾਂ ਮਾਡਲਾਂ ਦੀ ਉਪਯੋਗਤਾ ਦਾ ਸਮਰਥਨ ਕਰਦੀ ਹੈ ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੇ ਹਨ। ਸ਼ੁਰੂਆਤੀ ਸ਼ੁਰੂਆਤ ਅਤੇ AD ਅਤੇ VaD ਦੇ ਕਾਰਨ ਵਧਦੀ ਨਿਊਰੋਕੋਗਨਿਟਿਵ ਬਿਮਾਰੀ। ਨਾਲ ਹੀ, ਹਾਲੀਆ ਸਬੂਤ ਅਤੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਉਹਨਾਂ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਕਾਰਕਾਂ (ਜਿਵੇਂ ਕਿ, ਹਾਈਪਰਟੈਨਸ਼ਨ, ਮੋਟਾਪਾ, ਸ਼ੂਗਰ, ਅਤੇ ਸਿਗਰਟਨੋਸ਼ੀ) ਉੱਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹਨ ਜੋ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਉੱਚ ਸ਼ੁਰੂਆਤ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਂਦੇ ਹਨ। ਬਾਲਗ ਅਤੇ ਮੱਧ ਜੀਵਨ ਦੇ ਨਾੜੀ ਜੋਖਮ ਦੇ ਸਕੋਰ ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ ਸੂਖਮ ਨਾੜੀ ਦਿਮਾਗ ਦੀ ਸੱਟ ਜੋ ਕਿ ਨੌਜਵਾਨਾਂ ਵਿੱਚ ਵੀ ਸਪੱਸ਼ਟ ਪ੍ਰਭਾਵਾਂ ਦੇ ਨਾਲ ਘਾਤਕ ਰੂਪ ਵਿੱਚ ਵਿਕਸਤ ਹੁੰਦੀ ਹੈ ਬਾਲਗ [33-35]. ਇਸ ਅਨੁਸਾਰ, ਸ਼ੁਰੂਆਤੀ ਖੋਜ ਲਈ ਸਭ ਤੋਂ ਅਨੁਕੂਲ ਸ਼ੁਰੂਆਤੀ ਸਕ੍ਰੀਨਿੰਗ ਦਾ ਮੌਕਾ ਦਿਮਾਗੀ ਕਮਜ਼ੋਰੀ ਨੂੰ ਸਫਲਤਾਪੂਰਵਕ ਸੰਬੋਧਿਤ ਕਰਨ ਲਈ ਪੜਾਅ ਦੇ ਬੋਧਾਤਮਕ ਘਾਟੇ ਅਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਰੋਕਥਾਮ ਅਤੇ ਦਖਲਅੰਦਾਜ਼ੀ ਰਣਨੀਤੀਆਂ ਦੀ ਸ਼ੁਰੂਆਤ ਉਮਰ ਸਪੈਕਟ੍ਰਮ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਣ ਵਾਲੇ ਕਾਰਕਾਂ ਅਤੇ ਪੂਰਵ ਸੂਚਕਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਤੋਂ ਉਭਰੇਗਾ, ਜਿਸ ਵਿੱਚ ਸ਼ੁਰੂਆਤੀ ਬਾਲਗਤਾ ਅਤੇ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਬਚਪਨ ਵੀ ਸ਼ਾਮਲ ਹੈ (ਸ਼ੁਰੂਆਤੀ ਗਰਭ ਅਵਸਥਾ ਤੋਂ ਜੈਨੇਟਿਕ ਕਾਰਕਾਂ ਜਿਵੇਂ ਕਿ ਅਪੋਲੀਪੋਪ੍ਰੋਟੀਨ ਈ ਦੀ ਪ੍ਰਸੰਗਿਕਤਾ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ)।
ਅਭਿਆਸ ਵਿੱਚ, ਅਡਵਾਂਸਡ ਇਮੇਜਿੰਗ, ਜੈਨੇਟਿਕ ਪ੍ਰੋਫਾਈਲਿੰਗ, ਅਤੇ ਵਾਅਦਾ ਕਰਨ ਵਾਲੇ ਬਾਇਓਮਾਰਕਰਾਂ ਨੂੰ ਮਾਪਣ ਲਈ ਵੈਧ ਕਲੀਨਿਕਲ ਨਿਦਾਨ ਅਤੇ ਮਹਿੰਗੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਬਹੁਤ ਸਾਰੇ ਪ੍ਰਦਾਤਾਵਾਂ ਲਈ ਹਮੇਸ਼ਾਂ ਆਸਾਨੀ ਨਾਲ ਉਪਲਬਧ ਜਾਂ ਸੰਭਵ ਨਹੀਂ ਹੁੰਦੀਆਂ ਹਨ। ਇਸ ਤਰ੍ਹਾਂ, ਬਹੁਤ ਸਾਰੇ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਸ਼ੁਰੂਆਤੀ ਸਮੁੱਚੀ ਬੋਧਾਤਮਕ ਸਿਹਤ ਸਥਿਤੀ ਵਰਗੀਕਰਣ ਨੂੰ ਮਰੀਜ਼ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਹੋਰ ਸਧਾਰਨ ਮਾਪਦੰਡਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਮਾਡਲਾਂ ਤੋਂ ਲਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ (ਉਦਾਹਰਨ ਲਈ, ਸਵੈ-ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਮੈਮੋਰੀ ਸਮੱਸਿਆਵਾਂ, ਮੌਜੂਦਾ ਦਵਾਈਆਂ, ਅਤੇ ਰੁਟੀਨ ਗਤੀਵਿਧੀ ਸੀਮਾਵਾਂ) ਅਤੇ ਆਮ ਜਨਸੰਖਿਆ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ [7]। ਰਜਿਸਟਰੀਆਂ ਜਿਵੇਂ ਕਿ ਕੈਲੀਫੋਰਨੀਆ ਯੂਨੀਵਰਸਿਟੀ ਦਿਮਾਗ ਸਿਹਤ ਰਜਿਸਟਰੀ (https://www.brainhealthregistry.org/) [27] ਅਤੇ ਹੋਰ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਸਵੈ-ਰਿਪੋਰਟ ਕੀਤੇ ਗਏ ਲੱਛਣਾਂ, ਗੁਣਾਤਮਕ ਉਪਾਅ (ਜਿਵੇਂ ਕਿ, ਨੀਂਦ ਅਤੇ ਹਰ ਰੋਜ਼ ਬੋਧ), ਦਵਾਈਆਂ, ਸਿਹਤ ਸਥਿਤੀ, ਅਤੇ ਇਤਿਹਾਸ, ਅਤੇ ਵਧੇਰੇ ਵਿਸਤ੍ਰਿਤ ਜਨਸੰਖਿਆ ਕਲੀਨਿਕ ਵਿੱਚ ਇਹਨਾਂ ਹੋਰ ਪੁਰਾਣੇ ਮਾਡਲਾਂ ਦੇ ਵਿਹਾਰਕ ਉਪਯੋਗ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਵਿੱਚ ਸਹਾਇਕ ਹੋਵੇਗਾ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇੱਕ ਟੈਸਟ ਜਿਵੇਂ ਕਿ ਮੇਮਟਰੈਕਸ, ਜਿਸ ਨੇ ਮੈਮੋਰੀ ਫੰਕਸ਼ਨ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਵਿੱਚ ਉਪਯੋਗਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਹੈ, ਅਸਲ ਵਿੱਚ ਜੈਵਿਕ ਮਾਰਕਰਾਂ ਨਾਲੋਂ AD ਪੈਥੋਲੋਜੀ ਦਾ ਕਾਫ਼ੀ ਬਿਹਤਰ ਅਨੁਮਾਨ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਦੇਖਦੇ ਹੋਏ ਕਿ AD ਪੈਥੋਲੋਜੀ ਦੀ ਮੁੱਖ ਵਿਸ਼ੇਸ਼ਤਾ ਨਿਊਰੋਪਲਾਸਟਿਕਿਟੀ ਦਾ ਵਿਘਨ ਅਤੇ ਸਿਨੇਪਸ ਦਾ ਇੱਕ ਬਹੁਤ ਜ਼ਿਆਦਾ ਗੁੰਝਲਦਾਰ ਨੁਕਸਾਨ ਹੈ, ਜੋ ਕਿ ਐਪੀਸੋਡਿਕ ਦੇ ਰੂਪ ਵਿੱਚ ਪ੍ਰਗਟ ਹੁੰਦਾ ਹੈ। ਮੈਮੋਰੀ ਨਪੁੰਸਕਤਾ, ਇੱਕ ਮਾਪ ਜੋ ਐਪੀਸੋਡਿਕ ਮੈਮੋਰੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ ਅਸਲ ਵਿੱਚ ਜੀਵਿਤ ਮਰੀਜ਼ [36] ਵਿੱਚ ਜੈਵਿਕ ਮਾਰਕਰਾਂ ਨਾਲੋਂ AD ਪੈਥੋਲੋਜੀਕਲ ਬੋਝ ਦਾ ਬਿਹਤਰ ਅੰਦਾਜ਼ਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
ਸਾਰੇ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲਾਂ ਦੇ ਨਾਲ-ਚਾਹੇ ਅਤਿ-ਆਧੁਨਿਕ ਤਕਨਾਲੋਜੀ ਤੋਂ ਗੁੰਝਲਦਾਰ ਅਤੇ ਸੰਮਿਲਿਤ ਡੇਟਾ ਅਤੇ ਕਈ ਡੋਮੇਨਾਂ ਵਿੱਚ ਸ਼ੁੱਧ ਕਲੀਨਿਕਲ ਸੂਝ ਨਾਲ ਪੂਰਕ ਹੋਵੇ ਜਾਂ ਮੌਜੂਦਾ ਮਰੀਜ਼ ਪ੍ਰੋਫਾਈਲਾਂ ਦੀ ਵਧੇਰੇ ਬੁਨਿਆਦੀ ਅਤੇ ਆਸਾਨੀ ਨਾਲ ਉਪਲਬਧ ਜਾਣਕਾਰੀ ਵਿਸ਼ੇਸ਼ਤਾ ਤੱਕ ਸੀਮਿਤ - ਨਕਲੀ ਬੁੱਧੀ ਦਾ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਫਾਇਦਾ। ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਇਹ ਹੈ ਕਿ ਨਤੀਜਾ ਮਾਡਲ ਸੰਸ਼ਲੇਸ਼ਣ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਚੱਲ ਰਹੇ ਐਪਲੀਕੇਸ਼ਨ ਉਪਯੋਗਤਾ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਨਵੇਂ ਡੇਟਾ ਅਤੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ "ਸਿੱਖ" ਸਕਦੇ ਹਨ। ਵਿਹਾਰਕ ਤਕਨਾਲੋਜੀ ਦੇ ਤਬਾਦਲੇ ਦੇ ਬਾਅਦ, ਕਿਉਂਕਿ ਇੱਥੇ ਮਾਡਲ (ਅਤੇ ਵਿਕਸਤ ਕੀਤੇ ਜਾਣੇ ਹਨ) ਲਾਗੂ ਕੀਤੇ ਗਏ ਹਨ ਅਤੇ ਵਧੇਰੇ ਕੇਸਾਂ ਅਤੇ ਢੁਕਵੇਂ ਡੇਟਾ (ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਸਹਿਣਸ਼ੀਲਤਾ ਵਾਲੇ ਮਰੀਜ਼ ਸ਼ਾਮਲ ਹਨ ਜੋ ਆਉਣ ਵਾਲੇ ਬੋਧਾਤਮਕ ਗਿਰਾਵਟ ਦੇ ਨਾਲ ਪੇਸ਼ ਹੋ ਸਕਦੇ ਹਨ), ਭਵਿੱਖਬਾਣੀ ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ ਬੋਧਾਤਮਕ ਸਿਹਤ ਵਰਗੀਕਰਨ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਹੋਣਗੇ, ਨਤੀਜੇ ਵਜੋਂ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਕਲੀਨਿਕਲ ਫੈਸਲੇ ਸਹਾਇਤਾ ਉਪਯੋਗਤਾ। ਇਹ ਵਿਕਾਸ MemTrax ਨੂੰ ਕਸਟਮ (ਉਪਲਬਧ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਨਿਸ਼ਾਨਾ) ਪਲੇਟਫਾਰਮਾਂ ਵਿੱਚ ਏਮਬੈਡ ਕਰਨ ਨਾਲ ਵਧੇਰੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਤੇ ਅਮਲੀ ਤੌਰ 'ਤੇ ਅਨੁਭਵ ਕੀਤਾ ਜਾਵੇਗਾ ਜੋ ਹੈਲਥਕੇਅਰ ਪ੍ਰਦਾਤਾ ਕਲੀਨਿਕ ਵਿੱਚ ਅਸਲ-ਸਮੇਂ ਵਿੱਚ ਵਰਤ ਸਕਦੇ ਹਨ।
ਡਾਇਗਨੌਸਟਿਕ ਸਹਾਇਤਾ ਅਤੇ ਮਰੀਜ਼ਾਂ ਦੀ ਦੇਖਭਾਲ ਲਈ MemTrax ਮਾਡਲ ਦੀ ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਉਪਯੋਗਤਾ ਲਈ ਜ਼ਰੂਰੀ ਅਰਥਪੂਰਨ ਲੰਬਕਾਰੀ ਡੇਟਾ ਦੀ ਬਹੁਤ ਜ਼ਿਆਦਾ ਮੰਗ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਸ਼ੁਰੂਆਤੀ-ਪੜਾਅ MCI ਦੁਆਰਾ ਆਮ ਦੀ ਇੱਕ ਢੁਕਵੀਂ ਸੀਮਾ ਵਿੱਚ ਕਲੀਨਿਕਲ ਸਥਿਤੀ ਵਿੱਚ ਸਮਕਾਲੀ ਤਬਦੀਲੀਆਂ (ਜੇ ਕੋਈ ਹੋਵੇ) ਨੂੰ ਦੇਖਣ ਅਤੇ ਰਿਕਾਰਡ ਕਰਨ ਦੁਆਰਾ, ਉਚਿਤ ਚੱਲ ਰਹੇ ਮੁਲਾਂਕਣ ਅਤੇ ਵਰਗੀਕਰਨ ਲਈ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾ ਸਕਦੀ ਹੈ ਅਤੇ ਮਰੀਜ਼ਾਂ ਦੀ ਉਮਰ ਦੇ ਅਨੁਸਾਰ ਸੋਧਿਆ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਇਲਾਜ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਯਾਨੀ, ਵਾਰ-ਵਾਰ ਉਪਯੋਗਤਾ ਹਲਕੇ ਬੋਧਾਤਮਕ ਤਬਦੀਲੀਆਂ, ਦਖਲਅੰਦਾਜ਼ੀ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ, ਅਤੇ ਸੂਚਿਤ ਪੱਧਰੀ ਦੇਖਭਾਲ ਨੂੰ ਕਾਇਮ ਰੱਖਣ ਦੀ ਲੰਮੀ ਟਰੈਕਿੰਗ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰ ਸਕਦੀ ਹੈ। ਇਹ ਪਹੁੰਚ ਕਲੀਨਿਕਲ ਅਭਿਆਸ ਅਤੇ ਮਰੀਜ਼ ਅਤੇ ਕੇਸ ਪ੍ਰਬੰਧਨ ਨਾਲ ਵਧੇਰੇ ਨੇੜਿਓਂ ਮੇਲ ਖਾਂਦੀ ਹੈ।
ਇਸਤੇਮਾਲ
ਅਸੀਂ ਨਿਯੰਤਰਿਤ ਕਲੀਨਿਕ/ਹਸਪਤਾਲ ਸੈਟਿੰਗ ਵਿੱਚ ਸਾਫ਼ ਕਲੀਨਿਕਲ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨ ਵਿੱਚ ਚੁਣੌਤੀ ਅਤੇ ਮੁੱਲ ਦੀ ਕਦਰ ਕਰਦੇ ਹਾਂ। ਫਿਰ ਵੀ, ਜੇ ਸਾਡੇ ਡੇਟਾਸੈਟਾਂ ਵਿੱਚ ਆਮ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੇ ਹੋਰ ਮਰੀਜ਼ ਸ਼ਾਮਲ ਹੁੰਦੇ ਤਾਂ ਇਹ ਸਾਡੇ ਮਾਡਲਿੰਗ ਨੂੰ ਮਜ਼ਬੂਤ ਬਣਾਉਂਦਾ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸਾਡੇ ਨਿਦਾਨ ਮਾਡਲਿੰਗ ਲਈ ਖਾਸ, ਸਿਖਿਆਰਥੀਆਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਆਮ ਬੋਧਾਤਮਕ ਸਿਹਤ ਵਾਲੇ ਮੇਲ ਖਾਂਦੇ ਮਰੀਜ਼ਾਂ 'ਤੇ ਇੱਕੋ ਜਿਹਾ ਕਲੀਨਿਕਲ ਮੁਲਾਂਕਣ ਕਰਨਾ ਵਧੇਰੇ ਫਾਇਦੇਮੰਦ ਅਤੇ ਢੁਕਵਾਂ ਹੁੰਦਾ। ਅਤੇ ਜਿਵੇਂ ਕਿ ਫਿਲਟਰ ਕੀਤੇ ਡੇਟਾਸੈਟ (ਸਿਰਫ ਚੋਟੀ ਦੇ ਦਰਜੇ ਦੀਆਂ ਚਾਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਉੱਚ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਦੁਆਰਾ ਅੰਡਰਸਕੋਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਵਧੇਰੇ ਆਮ ਅਤੇ ਬੋਧਾਤਮਕ ਸਿਹਤ ਦੇ ਉਪਾਅ/ਸੂਚਕਾਂ ਵਿੱਚ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਸੁਧਾਰ ਹੋਇਆ ਹੋਵੇਗਾ ਸਾਰੇ ਮਰੀਜ਼ਾਂ ਵਿੱਚ ਆਮ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਇੱਕ ਵੱਡੀ ਗਿਣਤੀ ਦੇ ਨਾਲ ਮਾਡਲਿੰਗ ਪ੍ਰਦਰਸ਼ਨ।
ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਕੁਝ ਭਾਗੀਦਾਰ ਇੱਕੋ ਸਮੇਂ ਦੂਜੀਆਂ ਬਿਮਾਰੀਆਂ ਦਾ ਅਨੁਭਵ ਕਰ ਰਹੇ ਹੋਣ ਜੋ ਅਸਥਾਈ ਜਾਂ ਪੁਰਾਣੀ ਬੋਧਾਤਮਕ ਕਮੀਆਂ ਨੂੰ ਪ੍ਰੇਰਿਤ ਕਰ ਸਕਦੀਆਂ ਸਨ। XL ਉਪ-ਡਾਟਾਸੈਟ ਤੋਂ ਇਲਾਵਾ ਜਿੱਥੇ ਮਰੀਜ਼ਾਂ ਨੂੰ AD ਜਾਂ VaD ਹੋਣ ਦੇ ਤੌਰ ਤੇ ਨਿਦਾਨਕ ਤੌਰ 'ਤੇ ਵਰਗੀਕ੍ਰਿਤ ਕੀਤਾ ਗਿਆ ਸੀ, YH ਮਰੀਜ਼ ਪੂਲ ਵਿੱਚ ਕੋਮੋਰਬਿਡਿਟੀ ਡੇਟਾ ਇਕੱਠਾ ਨਹੀਂ ਕੀਤਾ ਗਿਆ/ਰਿਪੋਰਟ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ, ਅਤੇ KM ਉਪ-ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਹੁਣ ਤੱਕ ਪ੍ਰਮੁੱਖ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਕੋਮੋਰਬਿਡਿਟੀ ਡਾਇਬੀਟੀਜ਼ ਸੀ। ਇਹ ਬਹਿਸਯੋਗ ਹੈ, ਹਾਲਾਂਕਿ, ਸਾਡੀਆਂ ਮਾਡਲਿੰਗ ਸਕੀਮਾਂ ਵਿੱਚ ਸਹਿਜਤਾਵਾਂ ਵਾਲੇ ਮਰੀਜ਼ਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ ਜੋ ਬੋਧਾਤਮਕ ਘਾਟ ਦੇ ਪੱਧਰ ਨੂੰ ਤੇਜ਼ ਜਾਂ ਵਧਾ ਸਕਦੇ ਹਨ ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ ਘੱਟ MemTrax ਕਾਰਗੁਜ਼ਾਰੀ ਇਸ ਵਧੇਰੇ ਆਮ ਸ਼ੁਰੂਆਤੀ ਬੋਧਾਤਮਕ ਸਕ੍ਰੀਨਿੰਗ ਲਈ ਅਸਲ-ਸੰਸਾਰ ਦੇ ਨਿਸ਼ਾਨੇ ਵਾਲੇ ਮਰੀਜ਼ਾਂ ਦੀ ਆਬਾਦੀ ਦਾ ਵਧੇਰੇ ਪ੍ਰਤੀਨਿਧ ਹੋਵੇਗਾ। ਅਤੇ ਮਾਡਲਿੰਗ ਪਹੁੰਚ. ਅੱਗੇ ਵਧਣਾ, ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਬੋਧਾਤਮਕ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਨ ਵਾਲੀਆਂ ਕੋਮੋਰਬਿਡਿਟੀਜ਼ ਦਾ ਸਹੀ ਨਿਦਾਨ ਮਾਡਲਾਂ ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ ਮਰੀਜ਼ਾਂ ਦੀ ਦੇਖਭਾਲ ਦੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਲਾਭਦਾਇਕ ਹੈ।
ਅੰਤ ਵਿੱਚ, YH ਅਤੇ KM ਉਪ-ਡਾਟਾਸੈਟ ਮਰੀਜ਼ਾਂ ਨੇ ਮੇਮਟਰੈਕਸ ਟੈਸਟ ਲੈਣ ਲਈ ਇੱਕ ਸਮਾਰਟਫ਼ੋਨ ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਜਦੋਂ ਕਿ ਸੀਮਤ ਗਿਣਤੀ ਵਿੱਚ XL ਉਪ-ਡਾਟਾਸੈਟ ਮਰੀਜ਼ਾਂ ਨੇ ਇੱਕ ਆਈਪੈਡ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਅਤੇ ਬਾਕੀ ਨੇ ਇੱਕ ਸਮਾਰਟਫੋਨ ਵਰਤਿਆ। ਇਹ MoCA ਵਰਗੀਕਰਣ ਮਾਡਲਿੰਗ ਲਈ MemTrax ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਇੱਕ ਮਾਮੂਲੀ ਡਿਵਾਈਸ-ਸਬੰਧਤ ਅੰਤਰ ਪੇਸ਼ ਕਰ ਸਕਦਾ ਸੀ। ਹਾਲਾਂਕਿ, MTx-RT ਵਿੱਚ ਅੰਤਰ (ਜੇ ਕੋਈ ਹੈ), ਉਦਾਹਰਨ ਲਈ, ਡਿਵਾਈਸਾਂ ਦੇ ਵਿਚਕਾਰ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਅਣਗੌਲਿਆ ਹੋਵੇਗਾ, ਖਾਸ ਤੌਰ 'ਤੇ ਹਰੇਕ ਭਾਗੀਦਾਰ ਨੂੰ ਰਿਕਾਰਡ ਕੀਤੇ ਟੈਸਟ ਪ੍ਰਦਰਸ਼ਨ ਤੋਂ ਠੀਕ ਪਹਿਲਾਂ ਇੱਕ "ਅਭਿਆਸ" ਟੈਸਟ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਫਿਰ ਵੀ, ਇਹਨਾਂ ਦੋ ਹੈਂਡਹੈਲਡ ਡਿਵਾਈਸਾਂ ਦੀ ਉਪਯੋਗਤਾ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਦੂਜੇ MemTrax ਨਤੀਜਿਆਂ ਨਾਲ ਸਿੱਧੀ ਤੁਲਨਾ ਅਤੇ/ਜਾਂ ਏਕੀਕਰਣ ਨਾਲ ਸਮਝੌਤਾ ਕਰਦੀ ਹੈ ਜਿੱਥੇ ਉਪਭੋਗਤਾਵਾਂ ਨੇ ਕੰਪਿਊਟਰ ਕੀਬੋਰਡ 'ਤੇ ਸਪੇਸਬਾਰ ਨੂੰ ਛੂਹ ਕੇ ਤਸਵੀਰਾਂ ਨੂੰ ਦੁਹਰਾਉਣ ਲਈ ਜਵਾਬ ਦਿੱਤਾ ਸੀ।
MemTrax ਭਵਿੱਖਬਾਣੀ ਮਾਡਲਿੰਗ ਉਪਯੋਗਤਾ 'ਤੇ ਮੁੱਖ ਨੁਕਤੇ
- • ਚੁਣੇ ਗਏ MemTrax ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਵਾਲੇ ਸਾਡੇ ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੇ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲ ਭਰੋਸੇਯੋਗ ਤੌਰ 'ਤੇ ਬੋਧਾਤਮਕ ਸਿਹਤ ਸਥਿਤੀ (ਆਮ ਬੋਧਾਤਮਕ ਸਿਹਤ ਜਾਂ MCI) ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰ ਸਕਦੇ ਹਨ ਜਿਵੇਂ ਕਿ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਮਾਨਤਾ ਪ੍ਰਾਪਤ MoCA ਟੈਸਟ ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾਵੇਗਾ।
- • ਇਹ ਨਤੀਜੇ ਚੁਣੇ ਗਏ MemTrax ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਦੇ ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਦੀ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ ਲਈ ਇੱਕ ਵਰਗੀਕਰਨ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲ ਸਕ੍ਰੀਨਿੰਗ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਏਕੀਕਰਣ ਦਾ ਸਮਰਥਨ ਕਰਦੇ ਹਨ।
- • ਸਾਡੇ ਵਰਗੀਕਰਣ ਮਾਡਲਿੰਗ ਨੇ ਡਿਮੇਨਸ਼ੀਆ ਨਿਦਾਨ ਦੀ ਗੰਭੀਰਤਾ ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਮੇਮਟਰੈਕਸ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਵੀ ਪ੍ਰਗਟ ਕੀਤਾ ਹੈ।
ਇਹ ਨਵੀਆਂ ਖੋਜਾਂ ਪ੍ਰਭਾਵੀ ਕਲੀਨਿਕਲ ਕੇਸ ਪ੍ਰਬੰਧਨ ਅਤੇ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ ਦਾ ਸਾਹਮਣਾ ਕਰ ਰਹੇ ਵਿਅਕਤੀਆਂ ਲਈ ਰੋਗੀ ਦੇਖਭਾਲ ਵਿੱਚ ਡਾਇਗਨੌਸਟਿਕ ਸਹਾਇਤਾ ਲਈ ਵਿਸਤ੍ਰਿਤ ਮਜਬੂਤ ਮੇਮਟਰੈਕਸ-ਅਧਾਰਤ ਵਰਗੀਕਰਨ ਮਾਡਲਾਂ ਨੂੰ ਬਣਾਉਣ ਵਿੱਚ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਉਪਯੋਗਤਾ ਦਾ ਸਮਰਥਨ ਕਰਨ ਵਾਲੇ ਨਿਸ਼ਚਤ ਸਬੂਤ ਸਥਾਪਤ ਕਰਦੀਆਂ ਹਨ।
ਪਾਬੰਦੀ
ਅਸੀਂ ਇੱਥੇ ਵਰਤੇ ਗਏ ਔਨਲਾਈਨ ਨਿਰੰਤਰ ਮਾਨਤਾ ਕਾਰਜ ਅਤੇ ਟੂਲ (MemTrax) ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਲਈ ਜੇ. ਵੇਸਨ ਐਸ਼ਫੋਰਡ, ਕਰਟਿਸ ਬੀ. ਐਸ਼ਫੋਰਡ, ਅਤੇ ਸਹਿਕਰਮੀਆਂ ਦੇ ਕੰਮ ਨੂੰ ਮਾਨਤਾ ਦਿੰਦੇ ਹਾਂ ਅਤੇ ਅਸੀਂ ਡਿਮੇਨਸ਼ੀਆ ਵਾਲੇ ਬਹੁਤ ਸਾਰੇ ਮਰੀਜ਼ਾਂ ਦੇ ਧੰਨਵਾਦੀ ਹਾਂ ਜਿਨ੍ਹਾਂ ਨੇ ਮਹੱਤਵਪੂਰਨ ਬੁਨਿਆਦੀ ਖੋਜ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਇਆ। . ਅਸੀਂ Xianbo Zhou ਅਤੇ SJN Biomed LTD ਵਿਖੇ ਉਸਦੇ ਸਹਿਯੋਗੀਆਂ, ਹਸਪਤਾਲਾਂ/ਕਲੀਨਿਕ ਸਾਈਟਾਂ 'ਤੇ ਉਸਦੇ ਸਹਿਯੋਗੀਆਂ ਅਤੇ ਸਹਿਯੋਗੀਆਂ, ਖਾਸ ਤੌਰ 'ਤੇ ਡਾ. ਐਮ. ਲੁਓ ਅਤੇ ਐਮ. ਝੌਂਗ, ਜਿਨ੍ਹਾਂ ਨੇ ਭਾਗੀਦਾਰਾਂ ਦੀ ਭਰਤੀ, ਟੈਸਟਾਂ ਦਾ ਸਮਾਂ ਤੈਅ ਕਰਨ, ਅਤੇ ਡਾਟਾ ਇਕੱਤਰ ਕਰਨ, ਰਿਕਾਰਡਿੰਗ ਅਤੇ ਫਰੰਟ-ਐਂਡ ਦੇ ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ, ਅਤੇ ਵਾਲੰਟੀਅਰ ਭਾਗੀਦਾਰ ਜਿਨ੍ਹਾਂ ਨੇ ਆਪਣਾ ਕੀਮਤੀ ਸਮਾਂ ਦਾਨ ਕੀਤਾ ਅਤੇ ਟੈਸਟ ਲੈਣ ਅਤੇ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਵਚਨਬੱਧਤਾ ਪ੍ਰਗਟਾਈ। ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਸਾਡੇ ਲਈ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਮੁੱਲਵਾਨ ਡੇਟਾ। ਇਹ ਅਧਿਐਨ ਨੂੰ ਅੰਸ਼ਕ ਰੂਪ ਵਿੱਚ ਐਮਡੀ ਵਿਗਿਆਨਕ ਖੋਜ ਦੁਆਰਾ ਸਮਰਥਤ ਕੀਤਾ ਗਿਆ ਸੀ ਕੁਨਮਿੰਗ ਮੈਡੀਕਲ ਯੂਨੀਵਰਸਿਟੀ ਦਾ ਪ੍ਰੋਗਰਾਮ (ਗ੍ਰਾਂਟ ਨੰ. 2017BS028 ਤੋਂ XL) ਅਤੇ ਯੂਨਾਨ ਵਿਗਿਆਨ ਅਤੇ ਤਕਨਾਲੋਜੀ ਵਿਭਾਗ ਦਾ ਖੋਜ ਪ੍ਰੋਗਰਾਮ (ਗ੍ਰਾਂਟ ਨੰ. 2019FE001 (-222) ਤੋਂ XL)।
ਜੇ. ਵੈਸਨ ਐਸ਼ਫੋਰਡ ਨੇ ਆਮ ਲਈ ਇਸ ਪੇਪਰ ਵਿੱਚ ਵਰਣਿਤ ਖਾਸ ਨਿਰੰਤਰ ਮਾਨਤਾ ਪੈਰਾਡਾਈਮ ਦੀ ਵਰਤੋਂ ਲਈ ਇੱਕ ਪੇਟੈਂਟ ਅਰਜ਼ੀ ਦਾਇਰ ਕੀਤੀ ਹੈ ਮੈਮੋਰੀ ਦੀ ਜਾਂਚ.
MemTrax, LLC ਕਰਟਿਸ ਐਸ਼ਫੋਰਡ ਦੀ ਮਲਕੀਅਤ ਵਾਲੀ ਇੱਕ ਕੰਪਨੀ ਹੈ, ਅਤੇ ਇਹ ਕੰਪਨੀ ਪ੍ਰਬੰਧਨ ਕਰ ਰਹੀ ਹੈ ਮੈਮੋਰੀ ਟੈਸਟਿੰਗ ਸਿਸਟਮ ਨੂੰ ਇਸ ਪੇਪਰ ਵਿੱਚ ਦੱਸਿਆ ਗਿਆ ਹੈ.
ਲੇਖਕਾਂ ਦੇ ਖੁਲਾਸੇ ਔਨਲਾਈਨ ਉਪਲਬਧ ਹਨ (https://www.j-alz.com/manuscript-disclosures/19-1340r2)।
ਹਵਾਲੇ
| [1] ਅਲਜ਼ਾਈਮਰ ਐਸੋਸੀਏਸ਼ਨ (2016) 2016 ਅਲਜ਼ਾਈਮਰ ਰੋਗ ਦੇ ਤੱਥ ਅਤੇ ਅੰਕੜੇ। ਅਲਜ਼ਾਈਮਰ ਡਿਮੈਂਟ 12, 459–509। | |
| [2] ਗ੍ਰੇਸੇਂਜ਼ ਸੀਆਰ, ਮਿਸ਼ੇਲ ਜੇਐਮ, ਮੈਰੋਨ ਜੇ, ਫੈਡਰੌਫ ਐਚਜੇ (2019) ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਦਾ ਪ੍ਰਭਾਵ ਅਲਜ਼ਾਈਮਰ ਰੋਗ ਘਰੇਲੂ ਵਿੱਤੀ ਨਤੀਜਿਆਂ 'ਤੇ. ਸਿਹਤ ਅਰਥ 29, 18-29। | |
| [3] | ਫੋਸਟਰ ਐਨਐਲ, ਬੋਂਡੀ ਐਮਡਬਲਯੂ, ਦਾਸ ਆਰ, ਫੋਸ ਐਮ, ਹਰਸ਼ੇ ਐਲਏ, ਕੋਹ ਐਸ, ਲੋਗਨ ਆਰ, ਪੂਲ ਸੀ, ਸ਼ੇਗਾ ਜੇਡਬਲਯੂ, ਸੂਦ ਏ, ਥੋਥਲਾ ਐਨ, ਵਿਕਲੰਡ ਐਮ, ਯੂ ਐਮ, ਬੇਨੇਟ ਏ, ਵੈਂਗ ਡੀ (2019) ਵਿੱਚ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ ਨਿਊਰੋਲੋਜੀ: ਹਲਕੇ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ ਗੁਣਵੱਤਾ ਮਾਪ ਸੈੱਟ। ਨਿਊਰੋਲੋਜੀ 93, 705-713. |
| [4] ਟੋਂਗ ਟੀ, ਥੋਕਾਲਾ ਪੀ, ਮੈਕਮਿਲਨ ਬੀ, ਘੋਸ਼ ਆਰ, ਬ੍ਰੇਜ਼ੀਅਰ ਜੇ (2017) ਦੀ ਵਰਤੋਂ ਦੀ ਲਾਗਤ ਪ੍ਰਭਾਵ ਪ੍ਰਾਇਮਰੀ ਕੇਅਰ ਵਿੱਚ ਦਿਮਾਗੀ ਕਮਜ਼ੋਰੀ ਅਤੇ ਹਲਕੇ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਬੋਧਾਤਮਕ ਸਕ੍ਰੀਨਿੰਗ ਟੈਸਟ. ਇੰਟ ਜੇ ਜੇਰੀਏਟਰ ਸਾਈਕਾਇਟਰੀ 32, 1392–1400. | |
| [5] ਐਸ਼ਫੋਰਡ ਜੇਡਬਲਯੂ, ਗੇਰੇ ਈ, ਬੇਲੀ ਪੀਜੇ (2011) ਮੈਮੋਰੀ ਨੂੰ ਮਾਪਣਾ ਇੱਕ ਨਿਰੰਤਰ ਮਾਨਤਾ ਟੈਸਟ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵੱਡੇ ਸਮੂਹ ਸੈਟਿੰਗਾਂ ਵਿੱਚ। ਜੇ ਅਲਜ਼ਾਈਮਰ ਡਿਸ 27, 885–895। | |
| [6] | ਐਸ਼ਫੋਰਡ ਜੇਡਬਲਯੂ, ਟਾਰਪਿਨ-ਬਰਨਾਰਡ ਐੱਫ, ਐਸ਼ਫੋਰਡ ਸੀਬੀ, ਐਸ਼ਫੋਰਡ MT (2019) ਐਪੀਸੋਡਿਕ ਮੈਮੋਰੀ ਦੇ ਮਾਪ ਲਈ ਇੱਕ ਕੰਪਿਊਟਰਾਈਜ਼ਡ ਨਿਰੰਤਰ-ਮਾਨਤਾ ਕਾਰਜ। ਜੇ ਅਲਜ਼ਾਈਮਰ ਡਿਸ 69, 385–399। |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) ਬੋਧਾਤਮਕ ਸਿਹਤ ਸਥਿਤੀ ਵਰਗੀਕਰਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲਿੰਗ ਵਿੱਚ ਐਪੀਸੋਡਿਕ-ਮੈਮੋਰੀ ਪ੍ਰਦਰਸ਼ਨ। ਜੇ ਅਲਜ਼ਾਈਮਰ ਡਿਸ 70, 277–286. |
| [8] ਵੈਨ ਡੇਰ ਹੋਇਕ ਐਮਡੀ, ਨਿਯੂਵੇਨਹਾਈਜ਼ਨ ਏ, ਕੀਜਰ ਜੇ, ਐਸ਼ਫੋਰਡ ਜੇਡਬਲਯੂ (2019) ਦ MemTrax ਟੈਸਟ ਹਲਕੇ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ ਦੇ ਮਾਂਟਰੀਅਲ ਬੋਧਾਤਮਕ ਮੁਲਾਂਕਣ ਅਨੁਮਾਨ ਦੇ ਮੁਕਾਬਲੇ। ਜੇ ਅਲਜ਼ਾਈਮਰ ਡਿਸ 67, 1045–1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) ਹਲਕੀ ਦੁਖਦਾਈ ਦਿਮਾਗੀ ਸੱਟ ਦੇ ਵਰਗੀਕਰਨ ਲਈ ਅਲੱਗ-ਥਲੱਗ ਸਵਰ ਆਵਾਜ਼ਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ। 2013 ਵਿੱਚ ਧੁਨੀ ਵਿਗਿਆਨ, ਸਪੀਚ ਅਤੇ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ, ਵੈਨਕੂਵਰ, ਬੀਸੀ, ਪੀਪੀ 7577–7581 ਉੱਤੇ ਆਈਈਈਈ ਇੰਟਰਨੈਸ਼ਨਲ ਕਾਨਫਰੰਸ। |
| [10] | Dabek F, Caban JJ (2015) ਇੱਕ ਉਲਝਣ ਤੋਂ ਬਾਅਦ ਮਨੋਵਿਗਿਆਨਕ ਸਥਿਤੀਆਂ ਦੇ ਵਿਕਾਸ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਵੱਡੇ ਡੇਟਾ ਦਾ ਲਾਭ ਉਠਾਉਣਾ। ਪ੍ਰੋਸੀਡੀਆ ਕੰਪਿਊਟ ਸਾਇੰਸ 53, 265–273. |
| [11] | ਕਲਾਈਮੈਂਟ ਐਮਟੀ, ਪਾਰਡੋ ਜੇ, ਮੁਨੋਜ਼-ਅਲਮਰਾਜ਼ ਐਫਜੇ, ਗਵੇਰੇਰੋ ਐਮਡੀ, ਮੋਰੇਨੋ ਐਲ (2018) ਕਮਿਊਨਿਟੀ ਫਾਰਮਾਸਿਸਟਾਂ ਦੁਆਰਾ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ ਦੀ ਸ਼ੁਰੂਆਤੀ ਖੋਜ ਲਈ ਫੈਸਲਾ ਟ੍ਰੀ। ਫਰੰਟ ਫਾਰਮਾਕੋਲ 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: ਹਲਕੇ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ ਲਈ ਇੱਕ ਸੰਖੇਪ ਸਕ੍ਰੀਨਿੰਗ ਟੂਲ। J Am Geriatr Soc 53, 695–699। |
| [13] | ਯੂ ਜੇ, ਲੀ ਜੇ, ਹੁਆਂਗ ਐਕਸ (2012) ਹਲਕੇ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ ਲਈ ਇੱਕ ਸੰਖੇਪ ਸਕ੍ਰੀਨਿੰਗ ਟੂਲ ਵਜੋਂ ਮਾਂਟਰੀਅਲ ਬੋਧਾਤਮਕ ਮੁਲਾਂਕਣ ਦਾ ਬੀਜਿੰਗ ਸੰਸਕਰਣ: ਇੱਕ ਕਮਿਊਨਿਟੀ-ਅਧਾਰਿਤ ਅਧਿਐਨ। BMC ਮਨੋਵਿਗਿਆਨ 12, 156. |
| [14] | ਚੇਨ KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) ਮਾਮੂਲੀ ਬੋਧਾਤਮਕ ਕਮਜ਼ੋਰੀ ਦੀ ਜਾਂਚ ਲਈ ਮੌਂਟਰੀਅਲ ਬੋਧਾਤਮਕ ਮੁਲਾਂਕਣ ਦੇ ਚੀਨੀ ਸੰਸਕਰਣ ਦੀ ਪ੍ਰਮਾਣਿਕਤਾ। J Am Geriatr Soc 64, e285–e290। |
| [15] | ਕਾਰਸਨ ਐਨ, ਲੀਚ ਐਲ, ਮਰਫੀ ਕੇਜੇ (2018) ਮਾਂਟਰੀਅਲ ਕੋਗਨਿਟਿਵ ਅਸੈਸਮੈਂਟ (ਐਮਓਸੀਏ) ਕਟਆਫ ਸਕੋਰ ਦੀ ਮੁੜ-ਪ੍ਰੀਖਿਆ। ਇੰਟ ਜੇ ਜੇਰੀਏਟਰ ਮਨੋਵਿਗਿਆਨ 33, 379–388. |
| [16] | ਅਮਰੀਕਨ ਸਾਈਕਿਆਟ੍ਰਿਕ ਐਸੋਸੀਏਸ਼ਨ (2013) ਟਾਸਕ ਫੋਰਸ ਡਾਇਗਨੌਸਟਿਕ ਅਤੇ ਮਾਨਸਿਕ ਵਿਗਾੜਾਂ ਦਾ ਅੰਕੜਾ ਮੈਨੂਅਲ: DSM-5™, ਅਮਰੀਕਨ ਸਾਈਕਿਆਟ੍ਰਿਕ ਪਬਲਿਸ਼ਿੰਗ, ਇੰਕ., ਵਾਸ਼ਿੰਗਟਨ, ਡੀ.ਸੀ. |
| [17] | ਪਾਈਥਨ। ਪਾਈਥਨ ਸਾਫਟਵੇਅਰ ਫਾਊਂਡੇਸ਼ਨ, http://www.python.org, 15 ਨਵੰਬਰ 2019 ਨੂੰ ਐਕਸੈਸ ਕੀਤਾ ਗਿਆ। |
| [18] | ਆਰ ਕੋਰ ਗਰੁੱਪ, ਆਰ: ਸਟੈਟਿਸਟੀਕਲ ਕੰਪਿਊਟਿੰਗ ਲਈ ਇੱਕ ਭਾਸ਼ਾ ਅਤੇ ਵਾਤਾਵਰਣ ਆਰ ਫਾਊਂਡੇਸ਼ਨ ਫਾਰ ਸਟੈਟਿਸਟੀਕਲ ਕੰਪਿਊਟਿੰਗ, ਵਿਏਨਾ, ਆਸਟਰੀਆ। https://www.R-project.org/, 2018, 15 ਨਵੰਬਰ 2019 ਤੱਕ ਪਹੁੰਚ ਕੀਤੀ ਗਈ। |
| [19] | ਬੇਨਾਵੋਲੀ ਏ , ਕੋਰਾਨੀ ਜੀ , ਡੈਮਸਰ ਜੇ , ਜ਼ਫਾਲਨ ਐਮ (2017) ਤਬਦੀਲੀ ਲਈ ਸਮਾਂ: ਬੇਸੀਅਨ ਵਿਸ਼ਲੇਸ਼ਣ ਦੁਆਰਾ ਮਲਟੀਪਲ ਵਰਗੀਫਾਇਰ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਇੱਕ ਟਿਊਟੋਰਿਅਲ। ਜੇ ਮਾਚ ਲਰਨ ਰੈਜ਼ 18, 1–36। |
| [20] | ਫ੍ਰੈਂਕ ਈ, ਹਾਲ ਐਮਏ, ਵਿਟਨ ਆਈਐਚ (2016) WEKA ਵਰਕਬੈਂਚ। ਵਿੱਚ ਡੇਟਾ ਮਾਈਨਿੰਗ: ਪ੍ਰੈਕਟੀਕਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਟੂਲ ਅਤੇ ਤਕਨੀਕਾਂ, Frank E, Hall MA, Witten IH, Pal CJ, eds. ਮੋਰਗਨ ਕੌਫਮੈਨ https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf |
| [21] | ਬਰਗਰੋਨ ਐਮਐਫ, ਲੈਂਡਸੈੱਟ ਐਸ, ਮੌਗਨਸ ਟੀਏ, ਵਿਲੀਅਮਜ਼ ਵੀਬੀ, ਕੋਲਿਨਜ਼ ਸੀਐਲ, ਵਾਸਰਮੈਨ ਈਬੀ, ਖੋਸ਼ਗੋਫਤਾਰ ਟੀਐਮ (2019) ਮਾਡਲਿੰਗ ਹਾਈ ਸਕੂਲ ਸਪੋਰਟ ਕੰਕਸਸ਼ਨ ਲੱਛਣ ਹੱਲ ਵਿੱਚ ਮਸ਼ੀਨ ਸਿਖਲਾਈ। Med Sci ਖੇਡ ਅਭਿਆਸ 51, 1362–1371। |
| [22] | ਵੈਨ ਹੁਲਸ ਜੇ, ਖੋਸ਼ਗੋਫਤਾਰ ਟੀਐਮ, ਨੈਪੋਲੀਟਾਨੋ ਏ (2007) ਅਸੰਤੁਲਿਤ ਡੇਟਾ ਤੋਂ ਸਿੱਖਣ 'ਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ। ਵਿੱਚ ਮਸ਼ੀਨ ਲਰਨਿੰਗ 'ਤੇ 24ਵੀਂ ਅੰਤਰਰਾਸ਼ਟਰੀ ਕਾਨਫਰੰਸ ਦੀ ਕਾਰਵਾਈ, Corvalis, Oregon, USA, pp. 935-942. |
| [23] | ਐਸ਼ਫੋਰਡ ਜੇਡਬਲਯੂ, ਕੋਲਮ ਪੀ, ਕੋਲੀਵਰ ਜੇ.ਏ., ਬੇਕੀਅਨ ਸੀ, ਹਸੂ ਐਲਐਨ (1989) ਅਲਜ਼ਾਈਮਰ ਮਰੀਜ਼ ਮੁਲਾਂਕਣ ਅਤੇ ਮਿੰਨੀ-ਮਾਨਸਿਕ ਸਥਿਤੀ: ਆਈਟਮ ਵਿਸ਼ੇਸ਼ਤਾ ਵਕਰ ਵਿਸ਼ਲੇਸ਼ਣ. ਪੀ. ਜੇ ਗੇਰੋਨਟੋਲ 44, 139-146. |
| [24] ਐਸ਼ਫੋਰਡ ਜੇਡਬਲਯੂ, ਜਾਰਵਿਕ ਐਲ (1985) ਅਲਜ਼ਾਈਮਰ ਰੋਗ: ਕੀ ਨਿਊਰੋਨ ਪਲਾਸਟਿਕਟੀ ਐਕਸੋਨਲ ਨਿਊਰੋਫਿਬਰਿਲਰੀ ਡੀਜਨਰੇਸ਼ਨ ਦੀ ਸੰਭਾਵਨਾ ਹੈ? N Engl J Med 313, 388–389. | |
| [25] ਜੈਕ ਸੀਆਰ ਜੂਨੀਅਰ, ਥਰਨੇਊ ਟੀਐਮ, ਵੇਗੈਂਡ ਐਸਡੀ, ਵਿਸਟ ਐਚਜੇ, ਨੋਪਮੈਨ ਡੀਐਸ, ਵੇਮੂਰੀ ਪੀ, ਲੋਵੇ ਵੀਜੇ, ਮੀਲਕੇ ਐਮਐਮ, ਰੌਬਰਟਸ ਆਰਓ, ਮਾਚੁਲਡਾ ਐਮਐਮ, ਗ੍ਰਾਫ-ਰੈਡਫੋਰਡ ਜੇ, ਜੋਨਸ ਡੀਟੀ, ਸ਼ਵਾਰਜ਼ ਸੀਜੀ, ਜੇਐਮਐਲਐਲ , Rocca WA , Petersen RC (2019) ਨੈਸ਼ਨਲ ਇੰਸਟੀਚਿਊਟ ਆਨ ਏਜਿੰਗ-ਅਲਜ਼ਾਈਮਰਸ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਜੈਵਿਕ ਤੌਰ 'ਤੇ ਬਨਾਮ ਕਲੀਨਿਕੀ ਤੌਰ 'ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਅਲਜ਼ਾਈਮਰ ਸਪੈਕਟ੍ਰਮ ਇਕਾਈਆਂ ਦਾ ਪ੍ਰਸਾਰ ਐਸੋਸੀਏਸ਼ਨ ਰਿਸਰਚ ਫਰੇਮਵਰਕ ਜਾਮਾ ਨਿਊਰੋਲ 76, 1174–1183। | |
| [26] Zhou X, Ashford JW (2019) ਲਈ ਸਕ੍ਰੀਨਿੰਗ ਯੰਤਰਾਂ ਵਿੱਚ ਤਰੱਕੀ ਅਲਜ਼ਾਈਮਰ ਰੋਗ. ਏਜਿੰਗ ਮੇਡ 2, 88-93। | |
| [27] ਵੇਨਰ ਐਮਡਬਲਯੂ, ਨੋਸ਼ੇਨੀ ਆਰ, ਕੈਮਾਚੋ ਐਮ, ਟਰੂਰਾਨ-ਸੈਕਰੇ ਡੀ, ਮੈਕਿਨ ਆਰਐਸ, ਫਲੇਨਿਕਨ ਡੀ, ਉਲਬ੍ਰਿਕਟ ਏ, ਇਨਸੇਲ ਪੀ, ਫਿਨਲੇ ਐਸ, ਫੋਕਲਰ ਜੇ, ਵੀਚ ਡੀ (2018) ਦ ਦਿਮਾਗ ਸਿਹਤ ਰਜਿਸਟਰੀ: ਨਿਊਰੋਸਾਇੰਸ ਸਟੱਡੀਜ਼ ਲਈ ਭਾਗੀਦਾਰਾਂ ਦੀ ਭਰਤੀ, ਮੁਲਾਂਕਣ ਅਤੇ ਲੰਮੀ ਨਿਗਰਾਨੀ ਲਈ ਇੱਕ ਇੰਟਰਨੈਟ-ਆਧਾਰਿਤ ਪਲੇਟਫਾਰਮ। ਅਲਜ਼ਾਈਮਰ ਡਿਮੈਂਟ 14, 1063–1076. | |
| [28] ਐਸ਼ਫੋਰਡ ਜੇ.ਡਬਲਿਊ., ਸਮਿਟ ਐੱਫ.ਏ. (2001) ਮਾਡਲਿੰਗ ਦਾ ਸਮਾਂ-ਕੋਰਸ ਅਲਜ਼ਾਈਮਰ ਡਿਮੈਂਸ਼ੀਆ. ਕਰਰ ਮਨੋਵਿਗਿਆਨ ਪ੍ਰਤੀਨਿਧ 3, 20-28। | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) ਸਿਨੋ ਲੋਂਗਿਟੁਡੀਨਲ ਸਟੱਡੀ ਆਨ ਕੋਗਨਿਟਿਵ ਡਿਕਲਾਈਨ (ਸਿਲਕੋਡ): ਵਿਅਕਤੀਗਤ ਬੋਧਾਤਮਕ ਵਿਗਾੜ ਵਾਲੇ ਵਿਅਕਤੀਆਂ ਵਿੱਚ ਪਰਿਵਰਤਨ ਦੇ ਜੋਖਮ ਪੂਰਵ-ਅਨੁਮਾਨ ਮਾਡਲਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਲਈ ਇੱਕ ਚੀਨੀ ਲੰਬਕਾਰੀ ਨਿਰੀਖਣ ਅਧਿਐਨ ਲਈ ਪ੍ਰੋਟੋਕੋਲ ਗਿਰਾਵਟ. BMJ ਓਪਨ 9, e028188. |
| [30] ਤਰਨਾਨਸ I , ਤਸੋਲਾਕੀ ਏ , ਵਾਈਡਰਹੋਲਡ ਐਮ , ਵਾਈਡਰਹੋਲਡ ਬੀ , ਤਸੋਲਾਕੀ ਐਮ (2015) ਲਈ ਪੰਜ ਸਾਲਾ ਬਾਇਓਮਾਰਕਰ ਪ੍ਰਗਤੀ ਪਰਿਵਰਤਨਸ਼ੀਲਤਾ ਅਲਜ਼ਾਈਮਰ ਰੋਗ ਦਿਮਾਗੀ ਕਮਜ਼ੋਰੀ ਪੂਰਵ-ਅਨੁਮਾਨ: ਕੀ ਰੋਜ਼ਾਨਾ ਜੀਵਣ ਮਾਰਕਰ ਦੀਆਂ ਇੱਕ ਗੁੰਝਲਦਾਰ ਯੰਤਰ ਗਤੀਵਿਧੀਆਂ ਅੰਤਰਾਲ ਨੂੰ ਭਰ ਸਕਦੀਆਂ ਹਨ? ਅਲਜ਼ਾਈਮਰ ਡਿਮੈਂਟ (ਐਮਐਸਟੀ) 1, 521–532। | |
| [31] ਮੈਕਗੁਰਾਨ ਐਚ, ਗਲੇਨ ਜੇਐਮ, ਮੈਡੇਰੋ EN, ਬੋਟ ਐਨਟੀ (2019) ਅਲਜ਼ਾਈਮਰ ਰੋਗ ਦੀ ਰੋਕਥਾਮ ਅਤੇ ਇਲਾਜ: ਕਸਰਤ ਦੀ ਜੀਵ-ਵਿਗਿਆਨਕ ਵਿਧੀ। ਜੇ ਅਲਜ਼ਾਈਮਰ ਡਿਸ 69, 311–338. | |
| [32] ਮੇਂਡਿਓਲਾ-ਪ੍ਰੀਕੋਮਾ ਜੇ, ਬੇਰੁਮੇਨ ਐਲਸੀ, ਪੈਡਿਲਾ ਕੇ, ਗਾਰਸੀਆ-ਅਲਕੋਸਰ ਜੀ (2016) ਲਈ ਥੈਰੇਪੀਆਂ ਅਲਜ਼ਾਈਮਰ ਰੋਗ ਦੀ ਰੋਕਥਾਮ ਅਤੇ ਇਲਾਜ. ਬਾਇਓਮੇਡ ਰੈਜ਼ ਇੰਟ 2016, 2589276. | |
| [33] | ਲੇਨ ਸੀਏ, ਬਾਰਨੇਸ ਜੇ, ਨਿਕੋਲਸ ਜੇਐਮ, ਸੁਦਰੇ ਸੀਐਚ, ਕੈਸ਼ ਡੀਐਮ, ਮਲੋਨ ਆਈਬੀ, ਪਾਰਕਰ ਟੀਡੀ, ਕੇਸ਼ਵਨ ਏ, ਬੁਕਾਨਨ ਐਸਐਮ, ਕੇਅਸ ਐਸਈ, ਜੇਮਸ ਐਸਐਨ, ਲੂ ਕੇ, ਮਰੇ-ਸਮਿਥ ਐਚ, ਵੋਂਗ ਏ, ਗੋਰਡਨ ਈ, ਕੋਥ ਡਬਲਯੂ, ਮੋਡੈਟ ਐਮ, ਥਾਮਸ ਡੀ, ਰਿਚਰਡਜ਼ ਐਮ, ਫੌਕਸ ਐਨਸੀ, ਸਕੌਟ ਜੇਐਮ (2020) ਅੰਤ ਦੇ ਜੀਵਨ ਵਿੱਚ ਬਾਲਗਤਾ ਅਤੇ ਦਿਮਾਗ ਦੇ ਰੋਗ ਵਿਗਿਆਨ ਦੇ ਵਿਚਕਾਰ ਨਾੜੀ ਜੋਖਮ ਦੇ ਵਿਚਕਾਰ ਐਸੋਸੀਏਸ਼ਨ: ਇੱਕ ਬ੍ਰਿਟਿਸ਼ ਜਨਮ ਸਮੂਹ ਤੋਂ ਸਬੂਤ। ਜਾਮਾ ਨਿਊਰੋਲ 77, 175-183. |
| [34] | ਸੇਸ਼ਾਦਰੀ ਐਸ (2020) ਉਮਰ ਅਤੇ ਐਮੀਲੋਇਡ ਬਾਕਸ ਤੋਂ ਪਰੇ ਡਿਮੈਂਸ਼ੀਆ-ਸੋਚ ਦੀ ਰੋਕਥਾਮ। ਜਾਮਾ ਨਿਊਰੋਲ 77, 160–161। |
| [35] | ਮੈਲਾਰਡ ਪੀ, ਸੇਸ਼ਾਦਰੀ ਐਸ, ਬੇਸਰ ਏ, ਹਿਮਾਲੀ ਜੇਜੇ, ਏਯੂ ਆਰ, ਫਲੈਚਰ ਈ, ਕਾਰਮਾਈਕਲ ਓ, ਵੁਲਫ ਪੀਏ, ਡੀਕਾਰਲੀ ਸੀ (2012) ਫਰੇਮਿੰਘਮ ਹਾਰਟ ਸਟੱਡੀ ਵਿੱਚ ਨੌਜਵਾਨ ਬਾਲਗਾਂ ਵਿੱਚ ਚਿੱਟੇ ਪਦਾਰਥ ਦੀ ਇਕਸਾਰਤਾ 'ਤੇ ਸਿਸਟੋਲਿਕ ਬਲੱਡ ਪ੍ਰੈਸ਼ਰ ਦੇ ਪ੍ਰਭਾਵ: ਇੱਕ ਕਰਾਸ - ਵਿਭਾਗੀ ਅਧਿਐਨ. ਲੈਂਸੇਟ ਨਿਊਰੋਲ 11, 1039–1047। |
| [36] ਫਿੰਕ HA, Linskens EJ, Silverman PC, McCarten JR, Hemmy LS, Ouellette JM, Greer NL, Wilt TJ, Butler M (2020) neuropathologically ਪਰਿਭਾਸ਼ਿਤ ਲਈ ਬਾਇਓਮਾਰਕਰ ਟੈਸਟਿੰਗ ਦੀ ਸ਼ੁੱਧਤਾ। ਡਿਮੈਂਸ਼ੀਆ ਵਾਲੇ ਬਜ਼ੁਰਗ ਬਾਲਗਾਂ ਵਿੱਚ ਅਲਜ਼ਾਈਮਰ ਰੋਗ. ਐਨ ਇੰਟਰਨ ਮੇਡ 172, 669–677। |
ਮਾਨਤਾਵਾਂ: [a] SIVOTEC ਵਿਸ਼ਲੇਸ਼ਣ, Boca Raton, FL, USA | [b] ਕੰਪਿਊਟਰ ਅਤੇ ਇਲੈਕਟ੍ਰੀਕਲ ਇੰਜੀਨੀਅਰਿੰਗ ਅਤੇ ਕੰਪਿਊਟਰ ਵਿਗਿਆਨ ਵਿਭਾਗ, ਫਲੋਰੀਡਾ ਐਟਲਾਂਟਿਕ ਯੂਨੀਵਰਸਿਟੀ, ਬੋਕਾ ਰੈਟਨ, FL, USA | [c] SJN Biomed LTD, ਕੁਨਮਿੰਗ, ਯੂਨਾਨ, ਚੀਨ | [d] ਲਈ ਕੇਂਦਰ ਅਲਜ਼ਾਈਮਰ ਖੋਜ, ਵਾਸ਼ਿੰਗਟਨ ਇੰਸਟੀਚਿਊਟ ਆਫ ਕਲੀਨਿਕਲ ਰਿਸਰਚ, ਵਾਸ਼ਿੰਗਟਨ, ਡੀ.ਸੀ., ਅਮਰੀਕਾ | [e] ਰੀਹੈਬਲੀਟੇਸ਼ਨ ਮੈਡੀਸਨ ਵਿਭਾਗ, ਕੁਨਮਿੰਗ ਮੈਡੀਕਲ ਯੂਨੀਵਰਸਿਟੀ, ਕੁਨਮਿੰਗ, ਯੂਨਾਨ, ਚੀਨ ਦਾ ਪਹਿਲਾ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਹਸਪਤਾਲ | [f] ਨਿਊਰੋਲੋਜੀ ਵਿਭਾਗ, ਦੇਹੋਂਗ ਪੀਪਲਜ਼ ਹਸਪਤਾਲ, ਦੇਹੋਂਗ, ਯੂਨਾਨ, ਚੀਨ | [g] ਨਿਊਰੋਲੋਜੀ ਵਿਭਾਗ, ਕੁਨਮਿੰਗ ਮੈਡੀਕਲ ਯੂਨੀਵਰਸਿਟੀ, ਵੁਹੁਆ ਜ਼ਿਲ੍ਹਾ, ਕੁਨਮਿੰਗ, ਯੂਨਾਨ ਪ੍ਰਾਂਤ, ਚੀਨ ਦਾ ਪਹਿਲਾ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਹਸਪਤਾਲ | [h] ਯੁੱਧ-ਸਬੰਧਤ ਬੀਮਾਰੀ ਅਤੇ ਸੱਟ ਸਟੱਡੀ ਸੈਂਟਰ, VA ਪਾਲੋ ਆਲਟੋ ਹੈਲਥ ਕੇਅਰ ਸਿਸਟਮ, ਪਾਲੋ ਆਲਟੋ, CA, USA | [i] ਮਨੋਵਿਗਿਆਨ ਅਤੇ ਵਿਵਹਾਰ ਵਿਗਿਆਨ ਵਿਭਾਗ, ਸਟੈਨਫੋਰਡ ਯੂਨੀਵਰਸਿਟੀ ਸਕੂਲ ਆਫ਼ ਮੈਡੀਸਨ, ਪਾਲੋ ਆਲਟੋ, CA, USA
ਪੱਤਰ-ਵਿਹਾਰ: [*] ਪੱਤਰ-ਵਿਹਾਰ: ਮਾਈਕਲ ਐਫ. ਬਰਗਰੋਨ, ਪੀਐਚਡੀ, ਐਫਏਸੀਐਸਐਮ, ਸਿਵੋਟੇਕ ਵਿਸ਼ਲੇਸ਼ਣ, ਬੋਕਾ ਰੈਟਨ ਇਨੋਵੇਸ਼ਨ ਕੈਂਪਸ, 4800 ਟੀ-ਰੇਕਸ ਐਵੇਨਿਊ, ਸੂਟ 315, ਬੋਕਾ ਰੈਟਨ, FL 33431, ਅਮਰੀਕਾ। ਈ-ਮੇਲ: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, neurology Department, Kunming Medical University, 295 Xichang Road, Wuhua District, Kunming, Yunnan Province 650032, China ਦਾ ਪਹਿਲਾ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਹਸਪਤਾਲ। ਈ-ਮੇਲ: ring@vip.163.com.
ਕੀਵਰਡ: ਬੁਢਾਪਾ, ਅਲਜ਼ਾਈਮਰ ਰੋਗ, ਡਿਮੈਂਸ਼ੀਆ, ਪੁੰਜ ਸਕ੍ਰੀਨਿੰਗ