Użyteczność modelowania MemTrax i uczenia maszynowego w klasyfikacji łagodnych zaburzeń poznawczych
artykuł naukowy
Autorzy: Bergeron, Michael F. | Landset, Sara | Zhou, Xianbo | Ding, Tao | Khoshgoftaar, Taghi M. | Zhao, Feng | Du, Bo | Chen, Xinjie | Wang, Xuan | Zhong, Lianmei | Liu, Xiaolei| Ashford, J. Wesson
DOI: 10.3233/JAD-191340
Dziennik: Dziennik z Choroba Alzheimera, vol. 77, nie. 4, str. 1545-1558, 2020
Abstrakcyjny
Tło:
Rozpowszechnienie i częstość występowania Chorobę Alzheimera i łagodne upośledzenie funkcji poznawczych (MCI) wywołało pilne wezwanie do przeprowadzenia badań w celu walidacji badań przesiewowych i oceny funkcji poznawczych wczesnego wykrywania.
Cel:
Naszym głównym celem badawczym było ustalenie, czy wybrane metryki wydajności MemTrax oraz odpowiednie cechy demograficzne i profil zdrowia mogą być skutecznie wykorzystane w modelach predykcyjnych opracowanych z wykorzystaniem uczenia maszynowego do klasyfikacji zdrowia poznawczego (normalne w porównaniu z MCI), jak wskazuje Montrealna ocena poznawcza (MoCA).
metody:
Przeprowadziliśmy badanie przekrojowe na 259 dorosłych pacjentach z neurologii, kliniki pamięci i chorób wewnętrznych zrekrutowanych z dwóch osób szpitale w Chinach. Każdy pacjent otrzymał chińskojęzyczny MoCA i sam zaaplikował sobie epizodyczny odcinek online MemTrax test pamięci online tego samego dnia. Modele klasyfikacji predykcyjnej zostały zbudowane przy użyciu uczenia maszynowego z 10-krotną walidacją krzyżową, a wydajność modelu została zmierzona za pomocą krzywej obszaru pod krzywą charakterystyki operacyjnej odbiornika (AUC). Modele zostały zbudowane przy użyciu dwóch metryk wydajności MemTrax (procent poprawności, czas odpowiedzi) wraz z ośmioma typowymi cechami demograficznymi i osobistymi.
Wyniki:
Porównując uczniów w wybranych kombinacjach wyników i progów MoCA, Naïve Bayes był ogólnie najskuteczniejszym uczniem z ogólną wydajnością klasyfikacji 0.9093. Co więcej, wśród trzech najlepszych uczniów, ogólna wydajność klasyfikacji opartej na MemTrax była lepsza przy użyciu tylko czterech najwyżej sklasyfikowanych cech (0.9119) w porównaniu z zastosowaniem wszystkich 10 wspólnych funkcji (0.8999).
Wnioski:
Wydajność MemTrax może być skutecznie wykorzystana w modelu predykcyjnym klasyfikacji uczenia maszynowego aplikacja przesiewowa do wykrywania wczesnego stadium upośledzenia funkcji poznawczych.
WPROWADZENIE
Rozpoznana (choć niedodiagnozowana) powszechna zachorowalność i rozpowszechnienie oraz równoległa eskalacja problemów medycznych, społecznych i publicznych zdrowie koszty i obciążenia związane z chorobą Alzheimera (AD) i łagodnymi zaburzeniami poznawczymi (MCI) są coraz bardziej obciążające dla wszystkich zainteresowanych stron [1, 2]. Ten niepokojący i rozwijający się scenariusz wywołał pilne wezwanie do przeprowadzenia badań w celu potwierdzenia wczesne wykrywanie poznawcze narzędzia przesiewowe i oceny do regularnej praktycznej użyteczności w warunkach osobistych i klinicznych dla starszych pacjentów w różnych regionach i populacjach [3]. Instrumenty te muszą również zapewniać bezproblemowe tłumaczenie wyników informacyjnych na elektroniczną dokumentację medyczną. Korzyści zostaną osiągnięte poprzez informowanie pacjentów i pomoc lekarzom we wcześniejszym rozpoznawaniu znaczących zmian, a tym samym umożliwienie szybszej i terminowej stratyfikacji, wdrażania i śledzenia odpowiedniego zindywidualizowanego i bardziej opłacalnego leczenia i opieki nad pacjentem dla tych, którzy zaczynają doświadczać spadek funkcji poznawczych [3, 4].
Skomputeryzowane narzędzie MemTrax (https://memtrax.com) to prosta i krótka ciągła ocena rozpoznawania, którą można samodzielnie przeprowadzić online, aby zmierzyć wymagającą czasową wydajność pamięci epizodycznej, w której użytkownik reaguje na powtarzające się obrazy, a nie na wstępną prezentację [5, 6]. Ostatnie badania i wynikające z nich implikacje praktyczne zaczynają stopniowo i łącznie wykazywać kliniczną skuteczność MemTrax we wczesnych badaniach przesiewowych AD i MCI [5–7]. Jednak bezpośrednie porównanie użyteczności klinicznej z istniejącymi zdrowie poznawcze ocena i konwencjonalne standardy są uzasadnione, aby informować fachową perspektywę i potwierdzać użyteczność MemTrax we wczesnym wykrywaniu i wsparciu diagnostycznym. van der Hoek i in. [8] porównali wybrane wskaźniki wydajności MemTrax (szybkość reakcji i procent poprawnych reakcji) ze stanem poznawczym określonym przez Montrealską Ocena poznawcza (MoCA). Jednak badanie to ograniczało się do powiązania tych wskaźników wydajności z charakterystyką stanu poznawczego (określonego przez MoCA) oraz zdefiniowania względnych zakresów i wartości odcięcia. W związku z tym, aby rozszerzyć to badanie i poprawić wydajność i skuteczność klasyfikacji, nasze główne pytanie badawcze brzmiało:
- Czy wybrane wskaźniki wydajności MemTrax danej osoby oraz odpowiednie dane demograficzne i zdrowotne profil czy cechy te byłyby skutecznie wykorzystywane w modelu predykcyjnym opracowanym z uczeniem maszynowym w celu dychotomicznej klasyfikacji zdrowia poznawczego (normalny vs MCI), na co wskazywałby wynik MoCA?
Oprócz tego chcieliśmy wiedzieć:
- Uwzględniając te same funkcje, czy model uczenia maszynowego MemTrax oparty na wydajności można skutecznie zastosować u pacjenta w celu przewidzenia nasilenia (łagodnego lub ciężkiego) w wybranych kategoriach zaburzeń poznawczych, które zostałyby określone przez niezależną diagnozę kliniczną?
Pojawienie się i rozwijające się praktyczne zastosowanie sztucznej inteligencji i uczenia maszynowego w badaniach przesiewowych/wykrywaniu wykazało już wyraźne korzyści praktyczne, a modelowanie predykcyjne skutecznie prowadzi klinicystów w trudnej ocenie zdrowia poznawczego/mózgu i zarządzania pacjentem. W naszym badaniu wybraliśmy podobne podejście w modelowaniu klasyfikacji MCI i dyskryminacji nasilenia zaburzeń poznawczych, co zostało potwierdzone diagnozą kliniczną z trzech zestawów danych reprezentujących wybranych pacjentów hospitalizowanych i ambulatoryjnych z dwóch szpitali w Chinach. Korzystając z modelowania predykcyjnego uczenia maszynowego, zidentyfikowaliśmy najlepszych uczniów z różnych kombinacji zestawów danych/uczących się i uszeregowaliśmy funkcje, które pomogą nam w zdefiniowaniu najbardziej praktycznych klinicznie zastosowań modeli.
Nasze hipotezy były takie, że zwalidowany model oparty na MemTrax może być wykorzystany do dychotomicznej klasyfikacji zdrowia poznawczego (normalny lub MCI) w oparciu o kryterium progu wyniku zagregowanego wyniku MoCA, oraz że podobny model predykcyjny MemTrax może być skutecznie zastosowany do rozróżniania nasilenia w wybranych kategoriach zdiagnozowane klinicznie zaburzenia poznawcze. Wykazanie oczekiwanych wyników miałoby zasadnicze znaczenie we wspieraniu skuteczności MemTrax jako ekranu wczesnego wykrywania pogorszenia funkcji poznawczych i klasyfikacji zaburzeń poznawczych. Korzystne porównanie z rzekomym standardem branżowym, uzupełnione o znacznie większą łatwość i szybkość użycia, miałoby wpływ na pomoc klinicystom w przyjęciu tego prostego, niezawodnego i dostępnego narzędzia jako wstępnego badania przesiewowego w wykrywaniu wczesnych (w tym prodromalnych) deficytów poznawczych. Takie podejście i użyteczność mogą zatem skłonić do bardziej terminowej i lepiej usystematyzowanej opieki nad pacjentem i interwencji. Te wybiegające w przyszłość spostrzeżenia oraz ulepszone metryki i modele mogą być również pomocne w łagodzeniu lub powstrzymywaniu postępu demencji, w tym AD i demencji związanych z AD (ADRD).
MATERIAŁY I METODY
Badana populacja
W okresie od stycznia 2018 do sierpnia 2019 zakończono badania przekrojowe na pacjentach rekrutowanych z dwóch szpitali w Chinach. Podawanie MemTrax [5] osobom w wieku 21 lat i starszym oraz gromadzenie i analiza tych danych zostały zweryfikowane i zatwierdzone przez Człowiek Komitet Ochrony Podmiotów Uniwersytetu Stanforda. MemTrax i wszystkie inne testy w ramach tego ogólnego badania przeprowadzono zgodnie z deklaracją helsińską z 1975 r. i zatwierdzono przez instytucjonalną komisję rewizyjną pierwszego stowarzyszonego szpitala Uniwersytetu Medycznego w Kunming w Kunming, Yunnan, Chiny. Każdy użytkownik otrzymał świadoma zgoda formularz do przeczytania/przeglądu, a następnie dobrowolnie wyrazić zgodę na udział.
Uczestnicy byli rekrutowani z puli pacjentów ambulatoryjnych w klinice neurologicznej w szpitalu Yanhua (podzbiór danych YH) i klinika pamięci w First Affiliated Hospital of Kunming Medical Uniwersytet (podzbiór danych XL) w Pekinie, Chiny. Uczestnicy byli również rekrutowani z neurologii (podzbiór danych XL) i chorób wewnętrznych (podzbiór danych KM) w Pierwszym Stowarzyszonym Szpitalu Uniwersytetu Medycznego w Kunming. Kryteria włączenia obejmowały 1) mężczyzn i kobiety w wieku co najmniej 21 lat, 2) umiejętność mówienia po chińsku (mandaryńskim) oraz 3) zdolność rozumienia ustnych i pisemnych wskazówek. Kryteriami wykluczającymi były upośledzenia wzroku i motoryczne uniemożliwiające uczestnikom ukończenie badania Test MemTraxem, a także niemożność zrozumienia szczegółowych instrukcji testowych.
Chińska wersja MemTrax
Internet Platforma testowa MemTrax została przetłumaczona na język chiński (URL: https://www.memtrax.com.cn) i dalej dostosowany do wykorzystania przez WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Chiny) do samodzielnego administrowania. Dane były przechowywane na serwerze w chmurze (Ali Cloud) zlokalizowanym w Chinach i licencjonowanym przez firmę Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, Chiny) przez SJN Biomed LTD (Kunming, Yunnan, Chiny). Szczegółowe informacje na temat zastosowanego tu MemTrax i kryteriów ważności testu zostały opisane wcześniej [6]. Test był udostępniany pacjentom bezpłatnie.
Procedury badania
Dla pacjentów hospitalizowanych i ambulatoryjnych ogólnodostępny kwestionariusz papierowy do zbierania danych demograficznych i osobowych takich jak wiek, płeć, lata nauki, zawód, życia w pojedynkę lub z rodziną, a historia medyczna była zarządzana przez członka zespołu badawczego. Po wypełnieniu kwestionariusza stosowano testy MoCA [12] i MemTrax (najpierw MoCA), zachowując nie więcej niż 20 minut między testami. Procent poprawności MemTrax (MTx-% C), średni czas odpowiedzi (MTx-RT) oraz data i godzina badania zostały zapisane na papierze przez członka zespołu badawczego dla każdego badanego uczestnika. Wypełniony kwestionariusz i wyniki MoCA zostały przesłane do arkusza kalkulacyjnego Excel przez badacza przeprowadzającego testy i zweryfikowane przez kolegę przed zapisaniem plików Excel do analiz.
Test MemTraxem
Test online MemTrax obejmował 50 obrazów (25 unikalnych i 25 powtórzeń; 5 zestawów po 5 obrazów typowych scen lub obiektów) pokazanych w określonej pseudolosowej kolejności. Uczestnik (zgodnie z instrukcjami) dotykał przycisku Start na ekranie, aby rozpocząć test i rozpocząć przeglądanie serii obrazów, a następnie ponownie dotknąć obrazu na ekranie tak szybko, jak to możliwe, gdy pojawi się powtarzający się obraz. Każdy obraz pojawiał się przez 3 s lub do momentu dotknięcia obrazu na ekranie, co spowodowało natychmiastową prezentację kolejnego obrazu. Wykorzystując wewnętrzny zegar urządzenia lokalnego, MTx-RT dla każdego obrazu określano na podstawie czasu, jaki upłynął od prezentacji obrazu do momentu dotknięcia ekranu przez uczestnika w odpowiedzi na wskazanie rozpoznania obrazu jako już pokazanego podczas testu. MTx-RT rejestrowano dla każdego obrazu, przy czym rejestrowano pełne 3 s, co wskazuje na brak odpowiedzi. MTx-% C obliczono, aby wskazać procent powtórzonych i początkowych obrazów, na które użytkownik zareagował poprawnie (prawdziwie dodatni + prawdziwy ujemny podzielony przez 50). Dodatkowe szczegóły dotyczące administrowania i wdrażania MemTrax, redukcji danych, danych nieważnych lub „braku odpowiedzi” oraz analizy danych pierwotnych są opisane w innym miejscu [6].
Test MemTrax został szczegółowo wyjaśniony, a uczestnikom w warunkach szpitalnych udostępniono test praktyczny (z unikalnymi obrazami innymi niż te, które wykorzystano w teście do rejestrowania wyników). Uczestnicy podzbiorów danych YH i KM wykonali test MemTrax na smartfonie załadowanym aplikacją na WeChat; podczas gdy ograniczona liczba pacjentów z podzbioru danych XL używała iPada, a pozostali używali smartfona. Wszyscy uczestnicy wzięli udział w teście MemTrax z badaczem, który dyskretnie obserwował.
Montrealska ocena poznawcza
Pekińska wersja chińskiego MoCA (MoCA-BC) [13] była zarządzana i oceniana przez przeszkolonych badaczy zgodnie z oficjalnymi instrukcjami testowymi. Odpowiednio, wykazano, że MoCA-BC jest wiarygodna test poznawczy badania przesiewowe na wszystkich poziomach edukacji u chińskich dorosłych w podeszłym wieku [14]. Każdy test trwał około 10 do 30 minut, w zależności od zdolności poznawczych danego uczestnika.
Modelowanie klasyfikacji MoCA
Było w sumie 29 użytecznych funkcji, w tym dwie MemTrax metryki wydajności testów i 27 funkcji związanych z demografią i zdrowiem informacje dla każdego uczestnika. Zagregowany wynik testu MoCA każdego pacjenta został wykorzystany jako badanie poznawcze „benchmark” do trenowania naszych modeli predykcyjnych. W związku z tym, ponieważ MoCA zostało użyte do stworzenia etykiety klasy, nie mogliśmy użyć wyniku zagregowanego (ani żadnego z wyników podzbioru MoCA) jako niezależnej funkcji. Przeprowadziliśmy wstępne eksperymenty, w których indywidualnie modelowaliśmy (klasyfikując zdrowie poznawcze zdefiniowane przez MoCA) oryginalne trzy podzbiory danych szpitala/kliniki, a następnie połączyliśmy je przy użyciu wszystkich cech. Jednak wszystkie te same elementy danych nie zostały zebrane w każdej z czterech klinik reprezentujących trzy podzbiory danych; w związku z tym wiele naszych funkcji w połączonym zbiorze danych (przy użyciu wszystkich funkcji) miało wysoką częstość występowania brakujących wartości. Następnie zbudowaliśmy modele z połączonym zestawem danych, używając tylko wspólnych funkcji, co zaowocowało lepszą wydajnością klasyfikacji. Zostało to prawdopodobnie wyjaśnione kombinacją posiadania większej liczby instancji do pracy poprzez połączenie trzech podzbiorów danych pacjenta i braku cech z nadmierną częstością brakujących wartości (tylko jedna cecha w połączonym zbiorze danych, rodzaj pracy, miała jakiekolwiek brakujące wartości, co wpływa na tylko trzy przypadki pacjentów), ponieważ uwzględniono tylko wspólne cechy zarejestrowane we wszystkich trzech ośrodkach. Warto zauważyć, że nie mieliśmy konkretnego kryterium odrzucenia dla każdej funkcji, która ostatecznie nie została uwzględniona w połączonym zbiorze danych. Jednak w naszym wstępnym modelowaniu połączonych zestawów danych najpierw użyliśmy wszystkich funkcji z każdego z trzech oddzielnych podzbiorów danych pacjenta. To szeroko zaowocowało wydajnością modelu, która była wymiernie niższa niż początkowe wstępne modelowanie na każdym indywidualnym podzbiorze danych. Co więcej, podczas gdy skuteczność klasyfikacji modeli zbudowanych przy użyciu wszystkich cech była zachęcająca, w przypadku wszystkich uczniów i schematów klasyfikacji, wydajność poprawiła się w przypadku dwukrotnie większej liczby modeli przy użyciu tylko wspólnych cech. W rzeczywistości wśród tego, co ostatecznie stało się naszymi najlepszymi uczniami, wszystkie modele oprócz jednego poprawiły się po wyeliminowaniu nietypowych funkcji.
Ostateczny zagregowany zestaw danych (łącznie YH, XL i KM) obejmował 259 instancji, z których każda reprezentuje unikalnego uczestnika, który wziął zarówno testy MemTrax, jak i MoCA. Istniało 10 wspólnych niezależnych cech: Miary wydajności MemTrax: MTx-% C i średnia MTx-RT; informacje demograficzne i z historii choroby: wiek, płeć, lata wykształcenia, rodzaj pracy (robotniczy/urzędniczy), wsparcie społeczne (czy osoba badana mieszka sama, czy z rodziną) oraz odpowiedzi tak/nie, czy osoba badana miała historia cukrzycy, hiperlipidemii lub urazowego uszkodzenia mózgu. Dwie dodatkowe metryki, zagregowany wynik MoCA i zagregowany wynik MoCA skorygowany o lata edukacji [12], zostały użyte oddzielnie do opracowania zależnych etykiet klasyfikacji, tworząc w ten sposób dwa odrębne schematy modelowania do zastosowania w naszym połączonym zbiorze danych. Dla każdej wersji (skorygowanej i nieskorygowanej) wyniku MoCA dane ponownie modelowano oddzielnie pod kątem klasyfikacji binarnej przy użyciu dwóch różnych progów kryterialnych – początkowo zalecanego [12] oraz alternatywnej wartości wykorzystywanej i promowanej przez innych [8, 15]. W alternatywnym schemacie klasyfikacji progowej pacjent był uważany za zdrowy poznawczy, jeśli uzyskał ≥23 punktów w teście MoCA i MCI, jeśli wynik wynosił 22 lub mniej; podczas gdy w początkowym zalecanym formacie klasyfikacji pacjent musiał uzyskać wynik 26 lub lepszy w MoCA, aby zostać oznaczonym jako mający normalne zdrowie poznawcze.
Przefiltrowane dane do modelowania klasyfikacji MoCA
Następnie zbadaliśmy klasyfikację MoCA przy użyciu czterech powszechnie stosowanych technik rankingu cech: Chi-Squared, Gain Ratio, Information Gain i Symetrical Uncertainty. W perspektywie tymczasowej zastosowaliśmy rankingi do całego połączonego zestawu danych przy użyciu każdego z naszych czterech schematów modelowania. Wszyscy oceniający byli zgodni co do tych samych najważniejszych cech, tj. wieku, liczby lat edukacji i obu wskaźników wydajności MemTrax (MTx-% C, średnia MTx-RT). Następnie przebudowaliśmy modele przy użyciu każdej techniki wyboru funkcji, aby wytrenować modele tylko na czterech najważniejszych funkcjach (patrz Wybór funkcji poniżej).
Otrzymane końcowe osiem odmian schematów modelowania klasyfikacji punktowej MoCA przedstawiono w tabeli 1.
Tabela 1
Podsumowanie wariantów schematu modelowania stosowanego do klasyfikacji MoCA (Normal Zdrowie poznawcze w porównaniu z MCI)
| Schemat modelowania | Normalne zdrowie poznawcze (klasa ujemna) | MCI (klasa pozytywna) |
| Skorygowane-23 Niefiltrowane/Przefiltrowane | 101 (% 39.0) | 158 (% 61.0) |
| Skorygowane-26 Niefiltrowane/Przefiltrowane | 49 (% 18.9) | 210 (% 81.1) |
| Niedopasowane-23 Niefiltrowane/filtrowane | 92 (% 35.5) | 167 (% 64.5) |
| Niedopasowane-26 Niefiltrowane/filtrowane | 42 (% 16.2) | 217 (% 83.8) |
Odpowiednią liczbę i odsetek wszystkich pacjentów w każdej klasie różnicuje się przez dostosowanie wyniku dla wykształcenia (skorygowany lub nieskorygowany) i progu klasyfikacji (23 lub 26), zastosowanego do obu zestawów cech (niefiltrowany i niefiltrowany).
Modelowanie oceny klinicznej oparte na MemTrax
Z naszych trzech oryginalnych podzbiorów danych (YH, XL, KM), tylko pacjenci z podzbiorami danych XL zostali niezależnie zdiagnozowani klinicznie pod kątem upośledzenia funkcji poznawczych (tj. ich odpowiednie wyniki MoCA nie zostały użyte w ustaleniu klasyfikacji normalnych względem upośledzonych). W szczególności u pacjentów z XL zdiagnozowano: Test na chorobę Alzheimera (AD) lub otępienie naczyniowe (VaD). W każdej z tych podstawowych kategorii diagnostycznych istniało dalsze oznaczenie MCI. Rozpoznanie MCI, otępienia, naczyniowego zaburzenia neuropoznawczego i zaburzenia neuropoznawczego spowodowanego AD opierało się na specyficznych i charakterystycznych kryteriach diagnostycznych przedstawionych w Diagnostic and Statistical Manual of Mental Disorders: DSM-5 [16]. Biorąc pod uwagę te udoskonalone diagnozy, dwa schematy modelowania klasyfikacji zastosowano oddzielnie do podzbioru danych XL, aby odróżnić poziom ciężkości (stopień upośledzenia) dla każdej podstawowej kategorii diagnozy. Dane wykorzystane w każdym z tych schematów modelowania diagnostycznego (AD i VaD) obejmowały informacje demograficzne i historię pacjenta, a także wydajność MemTrax (MTx-% C, średnia MTx-RT). Każda diagnoza została oznaczona jako łagodna, jeśli oznaczono ją jako MCI; w przeciwnym razie uznano to za poważne. Początkowo rozważaliśmy włączenie wyniku MoCA do modeli diagnozy (łagodne kontra ciężkie); ale ustaliliśmy, że byłoby to sprzeczne z celem naszego drugorzędnego schematu modelowania predykcyjnego. Tutaj uczący się byliby przeszkoleni przy użyciu innych charakterystyk pacjenta łatwo dostępnych dla dostawcy i wskaźników wydajności prostszego testu MemTrax (zamiast MoCA) w odniesieniu do referencyjnego „złotego standardu”, niezależnej diagnozy klinicznej. W zbiorze danych diagnostycznych AD było 69 przypadków i 76 przypadków VaD (Tabela 2). W obu zestawach danych było 12 niezależnych cech. Oprócz 10 cech zawartych w klasyfikacji punktowej MoCA, historia pacjenta zawierała również informacje dotyczące historii nadciśnienia tętniczego i udaru mózgu.
Tabela 2
Podsumowanie wariantów schematu modelowania stosowanego do klasyfikacji ciężkości diagnozy (łagodne kontra ciężkie)
| Schemat modelowania | Łagodny (klasa negatywna) | Ciężkie (klasa pozytywna) |
| MCI-AD kontra AD | 12 (% 17.4) | 57 (% 82.6) |
| MCI-VaD kontra VaD | 38 (% 50.0) | 38 (% 50.0) |
Odpowiednią liczbę i procent wszystkich pacjentów w każdej klasie różnicuje się według podstawowej kategorii rozpoznania (AD lub VaD).
Statistics
Porównanie cech uczestników i innych cech liczbowych między podzbiorami danych dla każdej strategii klasyfikacji modeli (w celu przewidywania stanu poznawczego MoCA i ciężkości diagnozy) przeprowadzono przy użyciu języka programowania Python (wersja 2.7.1) [17]. Różnice wydajności modelu zostały początkowo określone przy użyciu jedno- lub dwuczynnikowej (odpowiednio) ANOVA z 95% przedziałem ufności oraz testu uczciwej istotnej różnicy Tukeya (HSD) w celu porównania średnich wydajności. To badanie różnic między wydajnością modelu zostało przeprowadzone przy użyciu kombinacji Pythona i R (wersja 3.5.1) [18]. Zastosowaliśmy to (choć prawdopodobnie mniej niż optymalne) podejście tylko jako heurystyczną pomoc w tym wczesna faza do wstępnych porównań wydajności modeli w przewidywaniu potencjalnego zastosowania klinicznego. Następnie wykorzystaliśmy test rang Bayesa ze znakiem, używając rozkładu a posteriori, aby określić prawdopodobieństwo różnic wydajności modelu [19]. W tych analizach użyliśmy przedziału –0.01, 0.01, co oznacza, że jeśli dwie grupy miały różnicę w wynikach mniejszą niż 0.01, uznano je za takie same (w obszarze praktycznej równoważności) lub inaczej (jedna lepsza od inny). Aby przeprowadzić bayesowskie porównanie klasyfikatorów i obliczyć te prawdopodobieństwa, użyliśmy biblioteki baycomp (wersja 1.0.2) dla Pythona 3.6.4.
Modelowanie predykcyjne
Zbudowaliśmy modele predykcyjne przy użyciu dziesięciu wszystkich wariantów naszych schematów modelowania w celu przewidzenia (klasyfikowania) wyniku testu MoCA każdego pacjenta lub ciężkości diagnozy klinicznej. Zastosowano wszystkich uczniów, a modele zostały zbudowane przy użyciu platformy oprogramowania open source Weka [20]. Do naszej wstępnej analizy wykorzystaliśmy 10 powszechnie używanych algorytmów uczenia: 5-Nearest Neighbors, dwie wersje drzewa decyzyjnego C4.5, regresja logistyczna, perceptron wielowarstwowy, naiwne Bayesa, dwie wersje losowego lasu, sieć funkcji radialnych i wektor wsparcia Maszyna. Kluczowe atrybuty i kontrasty tych algorytmów zostały opisane w innym miejscu [21] (patrz odpowiedni Załącznik). Zostały one wybrane, ponieważ reprezentują różne typy uczniów i ponieważ wykazaliśmy sukces, używając ich w poprzednich analizach podobnych danych. Ustawienia hiperparametrów zostały wybrane z naszych wcześniejszych badań, wskazując, że są odporne na wiele różnych danych [22]. W oparciu o wyniki naszej wstępnej analizy przy użyciu tego samego połączonego zestawu danych o wspólnych cechach, które zostały następnie użyte w pełnej analizie, zidentyfikowaliśmy trzech uczniów, którzy zapewniali niezmiennie wysoką wydajność we wszystkich klasyfikacjach: regresja logistyczna, naiwne Bayesa i maszyna wektorów nośnych.
Walidacja krzyżowa i metryka wydajności modelu
W przypadku wszystkich modeli predykcyjnych (w tym wstępnych analiz) każdy model został zbudowany przy użyciu 10-krotnej walidacji krzyżowej, a wydajność modelu została zmierzona za pomocą krzywej obszaru pod krzywą charakterystyki operacyjnej odbiornika (AUC). Walidacja krzyżowa rozpoczęła się od losowego podzielenia każdego z 10 zestawów danych schematu modelowania na 10 równych segmentów (fałd), przy użyciu dziewięciu z tych odpowiednich segmentów do trenowania modelu i pozostałego segmentu do testowania. Procedurę tę powtórzono 10 razy, używając innego segmentu jako zestawu testowego w każdej iteracji. Wyniki zostały następnie połączone, aby obliczyć wynik/wydajność końcowego modelu. Dla każdej kombinacji uczeń/zestaw danych cały ten proces został powtórzony 10 razy, przy czym za każdym razem dane były dzielone inaczej. Ten ostatni krok zmniejszył błąd systematyczny, zapewnił powtarzalność i pomógł w określeniu ogólnej wydajności modelu. W sumie (dla połączonych schematów klasyfikacji MoCA i ciężkości diagnozy) zbudowano 6,600 modeli. Obejmowało to 1,800 niefiltrowanych modeli (6 schematów modelowania zastosowanych do zbioru danych×3 uczniów×10 przebiegów×10 razy = 1,800 modeli) i 4,800 modeli filtrowanych (4 schematy modelowania zastosowane do zbioru danych×3 uczniów×4 techniki wyboru cech×10 przebiegów× 10 fałd = 4,800 modeli).
Wybór funkcji
W przypadku przefiltrowanych modeli selekcję cech (przy użyciu czterech metod rankingu cech) przeprowadzono w ramach walidacji krzyżowej. Dla każdego z 10 złożeń, ponieważ różne 10% zbioru danych stanowiły dane testowe, użyto tylko czterech najlepszych wybranych cech dla każdego uczącego zbioru danych (tj. pozostałych dziewięciu zgięć lub pozostałych 90% całego zbioru danych) budować modele. Nie byliśmy w stanie potwierdzić, które cztery funkcje były używane w każdym modelu, ponieważ te informacje nie są przechowywane ani udostępniane w używanej przez nas platformie modelowania (Weka). Jednakże, biorąc pod uwagę spójność naszego początkowego wyboru najważniejszych cech, gdy rankingi zastosowano do całego połączonego zestawu danych i późniejsze podobieństwo wyników modelowania, te same cechy (wiek, lata edukacji, MTx-% C i średnia MTx-RT ) są prawdopodobnie najbardziej rozpowszechnionymi czterema najczęściej używanymi równolegle z wyborem cech w procesie walidacji krzyżowej.
WYNIKI
Charakterystyki liczbowe uczestników (w tym wyniki MoCA i metryki wydajności MemTrax) odpowiednich zestawów danych dla każdej strategii klasyfikacji modelu w celu przewidzenia stanu poznawczego wskazanego przez MoCA (normalny vs. MCI) i ciężkości diagnozy (łagodnego vs. ciężkiego) przedstawiono w Tabeli 3.
Tabela 3
Charakterystyka uczestników, wyniki MoCA i wydajność MemTrax dla każdej strategii klasyfikacji modelu
| Strategia klasyfikacji | Wiek | Edukacja | Dostosowane do MoCA | MoCA nieskorygowane | MTx-% C | MTx-RT |
| Kategoria MoCA | 61.9 lat (13.1) | 9.6 lat (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 s (0.3) |
| Ciężkość diagnozy | 65.6 lat (12.1) | 8.6 lat (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 s (0.3) |
Przedstawione wartości (średnia, SD) zróżnicowane przez strategie klasyfikacji modelowania są reprezentatywne dla połączonego zbioru danych stosowanego do przewidywania zdrowia poznawczego wskazanego przez MoCA (MCI w porównaniu z normalnym) i podzbioru danych XL wykorzystywanego tylko do przewidywania ciężkości diagnozy (łagodne lub ciężkie).
Dla każdej kombinacji wyniku MoCA (skorygowanego/nieskorygowanego) i progu (26/23) wystąpiła różnica statystyczna (p = 0.000) w każdym porównaniu parami (normalne zdrowie poznawcze w porównaniu z MCI) dla wieku, wykształcenia i wydajności MemTrax (MTx-% C i MTx-RT). Każdy podzbiór danych pacjenta w odpowiedniej klasie MCI dla każdej kombinacji był średnio o około 9 do 15 lat starszy, zgłosił około pięć lat edukacji mniej i miał mniej korzystne działanie MemTrax dla obu wskaźników.
Wyniki modelowania predykcyjnego dla klasyfikacji wyników MoCA przy użyciu trzech najlepszych uczniów, regresji logistycznej, naiwnych Bayesów i maszyny wektorów wsparcia, przedstawiono w tabeli 4. Te trzy zostały wybrane na podstawie najbardziej konsekwentnie wysokich bezwzględnych wyników uczniów we wszystkich różnych modelach stosowane do zbiorów danych dla wszystkich schematów modelowania. W przypadku niefiltrowanego zbioru danych i modelowania każda z wartości danych w Tabeli 4 wskazuje wydajność modelu w oparciu o odpowiednią średnią AUC uzyskaną ze 100 modeli (10 przebiegów × 10 razy) zbudowanych dla każdej kombinacji uczącego się/schematu modelowania, z odpowiednią najwyższą uczący się wykonujący wskazany pogrubioną czcionką. Podczas gdy w przypadku modelowania przefiltrowanego zestawu danych wyniki przedstawione w tabeli 4 odzwierciedlają ogólną średnią wydajność modelu z 400 modeli dla każdego ucznia przy użyciu każdej z metod rankingu cech (4 metody rankingu cech × 10 przebiegów × 10 razy).
Tabela 4
Dychotomiczne wyniki klasyfikacji wyników MoCA (AUC; 0.0–1.0) dla każdego z trzech najlepszych uczniów we wszystkich odpowiednich schematach modelowania
| Używany zestaw funkcji | Wynik MoCA | Próg odcięcia | Regresja logistyczna | Naiwny Bayes | Maszyna wektorów nośnych |
| Niefiltrowane (10 funkcji) | Skorygowana | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Niedostosowany | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Filtrowane (4 funkcje) | Skorygowana | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Niedostosowany | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Wykorzystując wariacje zestawu cech, wyniku MoCA i progu odcięcia wyniku MoCA, najwyższa wydajność dla każdego schematu modelowania jest pokazana w (niekoniecznie statystycznie różni się od wszystkich innych nie w dla odpowiedniego modelu).
Porównując uczniów we wszystkich kombinacjach wersji i progów wyniku MoCA (odpowiednio skorygowanego/nieskorygowanego i 23/26) w połączonym, niefiltrowanym zbiorze danych (tj. przy użyciu 10 wspólnych cech), Naïve Bayes był ogólnie najlepszym uczniem z ogólną wydajność klasyfikacyjna 0.9093. Biorąc pod uwagę trzech najlepszych uczniów, skorelowane bayesowskie testy rangowania znaków wykazały, że prawdopodobieństwo (Pr) testu Naïve Bayes, który przewyższał regresję logistyczną, wyniósł 99.9%. Co więcej, pomiędzy Naïve Bayes a maszyną wektorów nośnych, 21.0% prawdopodobieństwa praktycznej równoważności wyników ucznia (a zatem 79.0% prawdopodobieństwa, że Naïve Bayes przewyższa maszynę wektorów nośnych), w połączeniu z 0.0% prawdopodobieństwem lepszej, wymiernie działającej maszyny wektorów nośnych wzmacnia przewagę wydajności dla Naïve Bayes. Dalsze porównanie wersji wyniku MoCA wśród wszystkich uczniów/progów sugerowało niewielką przewagę wydajności przy użyciu nieskorygowanych wyników MoCA w porównaniu z skorygowanymi (odpowiednio 0.9027 w porównaniu z 0.8971); Pr (nieskorygowany > skorygowany) = 0.988). Podobnie porównanie progu odcięcia dla wszystkich uczniów i wersji wyniku MoCA wykazało niewielką przewagę wydajności klasyfikacji przy użyciu 26 jako progu klasyfikacji w porównaniu z 23 (odpowiednio 0.9056 w porównaniu z 0.8942); Pr (26 > 23) = 0.999). Wreszcie, badając wydajność klasyfikacji dla modeli wykorzystujących tylko przefiltrowane wyniki (tj. tylko cztery najwyżej ocenione cechy), Naïve Bayes (0.9143) był liczbowo najlepiej uczącym się we wszystkich wersjach/progach wyniku MoCA. Jednak we wszystkich połączonych technikach rankingowania cech wszyscy najlepsi uczniowie osiągali podobne wyniki. Bayesowskie testy rangowanych znaków wykazały 100% prawdopodobieństwo praktycznej równoważności między każdą parą przefiltrowanych uczniów. Podobnie jak w przypadku danych niefiltrowanych (przy użyciu wszystkich 10 wspólnych funkcji), ponownie odnotowano przewagę wydajności w przypadku nieskorygowanej wersji wyniku MoCA (Pr (nieskorygowana > skorygowana) = 1.000), a także podobnie wyraźna przewaga dla progu klasyfikacji 26 (Pr (26 > 23) = 1.000). Warto zauważyć, że średnia wydajność każdego z trzech najlepszych uczniów we wszystkich wersjach/progach wyniku MoCA przy użyciu tylko czterech najwyżej sklasyfikowanych funkcji przekroczyła średnią wydajność dowolnego ucznia na niefiltrowanych danych. Nic dziwnego, że ogólna wydajność klasyfikacji przefiltrowanych modeli (przy użyciu czterech najwyżej ocenionych cech) była lepsza (0.9119) w porównaniu z modelami niefiltrowanymi (0.8999), niezależnie od modeli metody rankingu cech, które zostały porównane z odpowiednimi modelami wykorzystującymi wszystkie 10 powszechnych cechy. Dla każdej metody wyboru cech istniało 100% prawdopodobieństwo przewagi wydajności nad modelami niefiltrowanymi.
W przypadku pacjentów uwzględnionych w klasyfikacji ciężkości rozpoznania AD, różnice międzygrupowe (MCI-AD vs AD) pod względem wieku (p = 0.004), wykształcenie (p = 0.028), skorygowany/nieskorygowany wynik MoCA (p = 0.000) i MTx-% C (p = 0.008) były istotne statystycznie; podczas gdy dla MTx-RT nie było (p = 0.097). W przypadku tych pacjentów, których uwzględniono w klasyfikacji ciężkości diagnozy VaD, różnice międzygrupowe (MCI-VaD versus VaD) dla skorygowanego/nieskorygowanego wyniku MoCA (p = 0.007) i MTx-% C (p = 0.026) i MTx-RT (p = 0.001) były istotne statystycznie; natomiast dla wieku (p = 0.511) i wykształcenie (p = 0.157) nie było istotnych różnic między grupami.
Wyniki wydajności modelowania predykcyjnego dla klasyfikacji nasilenia diagnozy przy użyciu trzech wcześniej wybranych uczniów, regresji logistycznej, naiwnych Bayesów i maszyny wektorów wsparcia, przedstawiono w tabeli 5. Podczas gdy dodatkowe przebadane osoby uczące się wykazały nieco lepsze wyniki indywidualnie w jednej z dwóch kategorii diagnozy klinicznej , trzech uczniów, których uznaliśmy za najbardziej korzystnych w naszym poprzednim modelowaniu, zaoferowało najbardziej spójne wyniki w obu nowych schematach modelowania. Porównując uczniów w każdej z głównych kategorii diagnozy (AD i VaD), nie było spójnej różnicy w wydajności klasyfikacji między uczącymi się dla MCI-VaD i VaD, chociaż maszyna wektora nośnego generalnie radziła sobie lepiej. Podobnie nie było znaczących różnic między uczącymi się w klasyfikacji MCI-AD a AD, chociaż Naïve Bayes (NB) miał niewielką przewagę wydajności nad regresją logistyczną (LR) i tylko znikomą mnogość nad maszyną wektorów nośnych, z prawdopodobieństwem 61.4% i 41.7% odpowiednio. W obu zestawach danych wystąpiła ogólna przewaga wydajności dla Support Vector Machine (SVM), przy czym Pr (SVM > LR) = 0.819 i Pr (SVM > NB) = 0.934. Nasza ogólna skuteczność klasyfikacji wśród wszystkich uczniów w przewidywaniu ciężkości diagnozy w podzbiorze danych XL była lepsza w kategorii diagnozy VaD w porównaniu z AD (Pr (VAD > AD) = 0.998).
Tabela 5
Dychotomiczne wyniki klasyfikacji nasilenia diagnozy klinicznej (AUC; 0.0–1.0) dla każdego z trzech najlepszych uczniów w obu odpowiednich schematach modelowania
| Schemat modelowania | Regresja logistyczna | Naiwny Bayes | Maszyna wektorów nośnych |
| MCI-AD kontra AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD kontra VaD | 0.8033 | 0.8044 | 0.8338 |
Najwyższa wydajność dla każdego schematu modelowania jest pokazana w (niekoniecznie statystycznie różni się od innych nie w ).
DYSKUSJA
Wczesne wykrywanie zmian w zakresie zdrowia poznawczego ma duże znaczenie praktyczna użyteczność zarówno w zarządzaniu zdrowiem osobistym, jak i zdrowiem publicznym. Rzeczywiście, jest to również bardzo wysoki priorytet w warunkach klinicznych dla pacjentów na całym świecie. Wspólnym celem jest ostrzeganie pacjentów, opiekunów i usługodawców oraz zachęcanie do wcześniejszego odpowiedniego i opłacalnego leczenia i opieki długoterminowej dla osób, które zaczynają doświadczać pogorszenia funkcji poznawczych. Łącząc nasze trzy podzbiory danych szpitali/klinik, zidentyfikowaliśmy trzech wyraźnie preferowanych uczniów (z jednym wyróżniającym się – Naïve Bayes), aby zbudować modele predykcyjne wykorzystujące Metryki wydajności MemTrax, które mogą wiarygodnie klasyfikować stan zdrowia poznawczego dychotomicznie (normalny stan poznawczy lub MCI), na co wskazuje łączny wynik MoCA. Warto zauważyć, że ogólna wydajność klasyfikacji dla wszystkich trzech uczniów poprawiła się, gdy nasze modele wykorzystywały tylko cztery najwyżej oceniane funkcje, które zasadniczo obejmowały metryki wydajności MemTrax. Co więcej, ujawniliśmy uzasadniony potencjał wykorzystania tych samych wskaźników wydajności uczniów i MemTrax w schemacie modelowania klasyfikacji wsparcia diagnostycznego w celu rozróżnienia ciężkości dwóch kategorii diagnozy demencji: AD i VaD.
Testowanie pamięci ma kluczowe znaczenie dla wczesnego wykrycia AD [23, 24]. Dlatego dobrze jest, aby MemTrax był akceptowalnym, angażującym i łatwym do wdrożenia rozwiązaniem online badanie przesiewowe pamięci epizodycznej w populacji ogólnej [6]. Dokładność rozpoznawania i czasy reakcji z tego ciągłego zadania wydajnościowego są szczególnie odkrywcze w identyfikowaniu wczesnych i rozwijających się pogorszeń i wynikających z nich deficytów w procesach neuroplastycznych związanych z uczeniem się, pamięcią i poznaniem. Oznacza to, że przedstawione tutaj modele, które w dużej mierze opierają się na wskaźnikach wydajności MemTrax, są wrażliwe na i z większym prawdopodobieństwem łatwo i przy minimalnych kosztach ujawnią biologiczne deficyty neuropatologiczne podczas przejściowego bezobjawowego stadium na długo przed bardziej znaczącą utratą czynnościową [25]. Ashford i in. dokładnie zbadali wzorce i zachowania dokładności rozpoznawania pamięci i czasu odpowiedzi u użytkowników online, którzy samodzielnie uczestniczyli w programie MemTrax [6]. Uznając, że rozkłady te mają kluczowe znaczenie dla optymalnego modelowania i opracowywania ważnych i skutecznych aplikacji do opieki nad pacjentem, zdefiniowanie klinicznie odpowiednich profili rozpoznawania i czasu reakcji jest niezbędne do ustanowienia wartościowego podstawowego odniesienia dla użyteczności klinicznej i badawczej. Praktyczna wartość MemTrax w badaniach przesiewowych AD we wczesnym stadium zaburzeń funkcji poznawczych i diagnostyce różnicowej wymaga dokładniejszego zbadania w kontekście warunków klinicznych, w których można wziąć pod uwagę choroby współistniejące oraz zdolności poznawcze, czuciowe i motoryczne wpływające na wyniki testu. Aby zapewnić fachową perspektywę i zachęcić do praktycznej użyteczności klinicznej, konieczne jest przede wszystkim zademonstrowanie porównania z ustalonym testem oceny stanu poznawczego, nawet jeśli ten ostatni może być wyraźnie ograniczony przez uciążliwą logistykę testowania, środki odstraszające związane z edukacją i językiem oraz wpływy kulturowe [26] . Pod tym względem korzystne porównanie skuteczności klinicznej MemTrax z MoCA, które jest powszechnie uważane za standard branżowy, jest znaczące, zwłaszcza biorąc pod uwagę większą łatwość użycia i akceptację MemTrax przez pacjentów.
Poprzednie badanie porównujące MemTrax z MoCA podkreśla uzasadnienie i wstępne dowody uzasadniające nasze badanie modelowania [8]. Jednak to wcześniejsze porównanie jedynie powiązało dwie kluczowe metryki wydajności MemTrax, które zbadaliśmy, ze statusem poznawczym określonym przez MoCA i zdefiniowano odpowiednie zakresy i wartości odcięcia. Pogłębiliśmy ocenę użyteczności klinicznej MemTrax, badając podejście oparte na modelowaniu predykcyjnym, które zapewniłoby bardziej zindywidualizowane uwzględnienie innych potencjalnie istotnych parametrów specyficznych dla pacjenta. W przeciwieństwie do innych, nie stwierdziliśmy przewagi w osiąganiu modeli przy użyciu korekty edukacyjnej (dostosowania) do wyniku MoCA lub różnicowania progu zbiorczego wyniku MoCA dyskryminującego zdrowie poznawcze z pierwotnie zalecanych 26 do 23 [12, 15]. W rzeczywistości przewaga wyników w klasyfikacji faworyzowała stosowanie nieskorygowanego wyniku MoCA i wyższego progu.
Kluczowe punkty w praktyce klinicznej
Uczenie maszynowe jest często najlepiej wykorzystywane i najskuteczniejsze w modelowaniu predykcyjnym, gdy dane są obszerne i wielowymiarowe, to znaczy, gdy istnieje wiele obserwacji i towarzysząca im szeroka gama atrybutów o wysokiej wartości (wnoszących wkład). Jednak przy tych aktualnych danych filtrowane modele z tylko czterema wybranymi funkcjami działały lepiej niż modele wykorzystujące wszystkie 10 wspólnych funkcji. Sugeruje to, że nasz zagregowany zbiór danych szpitalnych nie miał najbardziej odpowiednich klinicznie (wysokiej wartości) cech do optymalnej klasyfikacji pacjentów w ten sposób. Niemniej jednak nacisk rankingu funkcji na kluczowe wskaźniki wydajności MemTrax — MTx-% C i MTx-RT — zdecydowanie wspiera budowanie modeli przesiewowych deficytów poznawczych na wczesnym etapie wokół tego testu, który jest prosty, łatwy w administrowaniu, tani i trafnie ujawniający wydajność pamięci, przynajmniej teraz jako wstępny ekran do binarnej klasyfikacji stanu zdrowia poznawczego. Biorąc pod uwagę coraz większe obciążenie świadczeniodawców i systemów opieki zdrowotnej, procesy badań przesiewowych pacjentów i zastosowania kliniczne powinny być odpowiednio rozwijane z naciskiem na gromadzenie, śledzenie i modelowanie tych cech pacjentów i metryk badań, które są najbardziej przydatne, korzystne i okazały się skuteczne w diagnostyce oraz wsparcie zarządzania pacjentami.
Ponieważ dwie kluczowe metryki MemTrax są kluczowe dla klasyfikacji MCI, nasz najskuteczniejszy uczeń (Naïve Bayes) miał bardzo wysoką skuteczność predykcyjną w większości modeli (AUC powyżej 0.90) ze stosunkiem prawdziwie dodatnich do fałszywie dodatnich bliskim lub nieco przekraczającym 4 : 1. Translacyjna aplikacja kliniczna wykorzystująca tego ucznia mogłaby w ten sposób uchwycić (poprawnie sklasyfikować) zdecydowanie większość osób z deficytem poznawczym, minimalizując jednocześnie koszty związane z błędnym zaklasyfikowaniem osoby o normalnym zdrowiu poznawczym jako osoby z deficytem poznawczym (fałszywie pozytywne) lub brak tej klasyfikacji u tych, którzy mają deficyt poznawczy (fałszywie negatywny). Każdy z tych scenariuszy błędnej klasyfikacji może nałożyć nadmierne obciążenie psychospołeczne na pacjenta i opiekunów.
Podczas gdy we wstępnych i pełnych analizach wykorzystaliśmy wszystkich dziesięciu uczniów w każdym schemacie modelowania, skoncentrowaliśmy nasze wyniki na trzech klasyfikatorach wykazujących najbardziej spójne, dobre wyniki. Miało to również na celu podkreślenie, na podstawie tych danych, uczniów, którzy zgodnie z przewidywaniami będą osiągać niezawodne wyniki na wysokim poziomie w praktycznym zastosowaniu klinicznym w określaniu klasyfikacji statusu poznawczego. Co więcej, ponieważ badanie to miało być wstępnym badaniem przydatności uczenia maszynowego w badaniach przesiewowych poznawczych i tych aktualnych wyzwaniach klinicznych, podjęliśmy decyzję o utrzymaniu prostych i uogólnionych technik uczenia się przy minimalnym dostrajaniu parametrów. Zdajemy sobie sprawę, że takie podejście mogło ograniczać potencjał węższych, specyficznych dla pacjenta zdolności predykcyjnych. Podobnie, podczas gdy trenowanie modeli przy użyciu tylko najważniejszych funkcji (podejście filtrowane) informuje nas dalej o tych danych (specyficznych dla niedociągnięć w zebranych danych i podkreślając wartość w optymalizacji cennego czasu klinicznego i zasobów), uznajemy, że zawężenie jest przedwczesne. zakres modeli, a zatem wszystkie (i inne cechy) powinny być brane pod uwagę w przyszłych badaniach, dopóki nie uzyskamy bardziej definitywnego profilu cech priorytetowych, które będą miały zastosowanie do szerokiej populacji. Dlatego też w pełni zdajemy sobie sprawę, że bardziej inkluzywne i szeroko reprezentatywne dane oraz optymalizacja tych i innych modeli byłaby konieczna przed włączeniem ich do skutecznego zastosowania klinicznego, szczególnie w celu uwzględnienia chorób współistniejących wpływających na sprawność poznawczą, które należałoby uwzględnić w dalszej ocenie klinicznej.
Użyteczność MemTrax została dodatkowo wzmocniona przez modelowanie ciężkości choroby w oparciu o oddzielną diagnozę kliniczną. Lepsza ogólna wydajność klasyfikacji w przewidywaniu ciężkości VaD (w porównaniu z AD) nie była zaskakujące, biorąc pod uwagę cechy profilu pacjenta w modelach specyficznych dla zdrowia naczyń i ryzyko udaru, tj. nadciśnienie, hiperlipidemia, cukrzyca i (oczywiście) historia udaru. Chociaż bardziej pożądane i odpowiednie byłoby przeprowadzenie tej samej oceny klinicznej na dobranych pacjentach o normalnym zdrowiu poznawczym, aby przeszkolić uczniów z tymi bardziej wszechstronnymi danymi. Jest to szczególnie uzasadnione, ponieważ MemTrax jest przeznaczony głównie do wykrywania wczesnych stadiów deficytu funkcji poznawczych i późniejszego śledzenia indywidualnych zmian. Jest również prawdopodobne, że bardziej pożądana dystrybucja danych w zbiorze danych VaD częściowo przyczyniła się do stosunkowo lepszej wydajności modelowania. Zestaw danych VaD był dobrze zrównoważony między dwiema klasami, podczas gdy zestaw danych AD ze znacznie mniejszą liczbą pacjentów z MCI nie był. Szczególnie w przypadku małych zbiorów danych nawet kilka dodatkowych instancji może zrobić wymierną różnicę. Obie perspektywy są rozsądnymi argumentami leżącymi u podstaw różnic w wydajności modelowania ciężkości choroby. Jednak proporcjonalne przypisywanie lepszych wyników charakterystyce liczbowej zestawu danych lub nieodłącznym cechom charakterystycznym dla rozważanej prezentacji klinicznej jest przedwczesne. Niemniej jednak ta powieść wykazała przydatność predykcyjnego modelu klasyfikacji MemTrax w roli klinicznego wsparcia diagnostycznego, zapewniając cenną perspektywę i potwierdza dążenie do dodatkowych badań pacjentów z całego kontinuum MCI.
Wdrożenie i wykazana użyteczność MemTrax i tych modeli w Chinach, gdzie język i kultura drastycznie różnią się od innych regionów o ustalonej użyteczności (np. Francja, Holandia i Stany Zjednoczone) [7, 8, 27], dodatkowo podkreśla potencjał za powszechną globalną akceptację i wartość kliniczną platformy opartej na MemTrax. Jest to wyraźny przykład w dążeniu do harmonizacji danych i opracowywania praktycznych międzynarodowych norm i zasobów modelowania dla poznawczych badań przesiewowych, które są standaryzowane i łatwo przystosowane do użytku na całym świecie.
Kolejne kroki w modelowaniu i zastosowaniu spadku funkcji poznawczych
Dysfunkcja poznawcza w AD rzeczywiście występuje na kontinuum, a nie w dyskretnych stadiach lub krokach [28, 29]. Jednak w tej wczesnej fazie naszym celem było najpierw ustalenie naszej zdolności do zbudowania modelu zawierającego MemTrax, który może zasadniczo odróżnić „normalny” od „nienormalnego”. Bardziej inkluzywne dane empiryczne (np. obrazowanie mózgu, cechy genetyczne, biomarkery, choroby współistniejące i funkcjonalne markery złożonych czynności wymagające poznawcze kontroli) [30] w różnych regionach świata, populacjach i grupach wiekowych, aby trenować i rozwijać bardziej wyrafinowane (w tym odpowiednio wyważone zespoły) modele uczenia maszynowego będą wspierać większy stopień ulepszonej klasyfikacji, to znaczy zdolność kategoryzowania grup pacjentów z MCI na mniejsze i bardziej definitywne podzbiory wzdłuż kontinuum spadku funkcji poznawczych. Ponadto niezbędne są równoczesne diagnozy kliniczne dla osób z regionalnie zróżnicowanych populacji pacjentów skutecznie trenować te bardziej inkluzywne i przewidywalnie solidne modele. Ułatwi to bardziej szczegółowe zarządzanie przypadkami warstwowymi dla osób o podobnym pochodzeniu, wpływach i wężej zdefiniowanych charakterystycznych profilach poznawczych, a tym samym zoptymalizuje wsparcie decyzji klinicznych i opiekę nad pacjentem.
Wiele z dotychczasowych odpowiednich badań klinicznych dotyczyło pacjentów z co najmniej łagodną demencją; w praktyce zbyt często interwencja pacjenta jest podejmowana dopiero w zaawansowanych stadiach. Ponieważ jednak pogorszenie funkcji poznawczych zaczyna się na długo przed spełnieniem klinicznych kryteriów demencji, skutecznie zastosowany wczesny przesiew oparty na MemTrax może zachęcić osoby do odpowiedniej edukacji na temat choroby i jej progresji oraz przyspieszyć wcześniejsze i bardziej terminowe interwencje. Tak więc wczesne wykrycie może wspierać odpowiednie zaangażowanie, począwszy od ćwiczeń, diety, wsparcia emocjonalnego i lepszej socjalizacji po interwencję farmakologiczną i wzmacniać związane z pacjentem zmiany w zachowaniu i percepcji, które pojedynczo lub łącznie mogą złagodzić lub potencjalnie zatrzymać postęp demencji [31, 32] . Ponadto ze skutecznym wczesne badanie przesiewowe, osoby i ich rodziny mogą zostać poproszone o rozważenie badań klinicznych lub uzyskanie poradnictwa i innego wsparcia ze strony usług społecznych, które pomogą wyjaśnić oczekiwania i intencje oraz poradzić sobie z codziennymi zadaniami. Dalsza walidacja i powszechna praktyczna użyteczność tych sposobów mogą być pomocne w łagodzeniu lub zatrzymywaniu progresji MCI, AD i ADRD u wielu osób.
Rzeczywiście, dolna granica przedziału wiekowego pacjentów w naszym badaniu nie reprezentuje populacji tradycyjnie zainteresowanej AD. Niemniej jednak średni wiek dla każdej grupy wykorzystany w schematach modelowania klasyfikacji w oparciu o wynik / próg MoCA i ciężkość diagnozy (Tabela 3) podkreśla wyraźną większość (ponad 80%), która ma co najmniej 50 lat. Ten rozkład jest zatem bardzo odpowiedni do uogólnienia, potwierdzając użyteczność tych modeli w populacji charakteryzującej osoby zwykle dotknięte wczesny początek oraz nasilającą się chorobę neurokognitywną spowodowaną AD i VaD. Również najnowsze dowody i perspektywa podkreślają te uznane czynniki (np. nadciśnienie, otyłość, cukrzyca i palenie), które mogą przyczyniać się do wyższego wczesnego wczesnego zachorowania oceny ryzyka naczyniowego w wieku dorosłym i średnim, a w konsekwencji subtelne naczyniowe uszkodzenie mózgu, które rozwija się podstępnie z widocznymi skutkami nawet u młodych dorośli [33–35]. W związku z tym najbardziej optymalna wstępna możliwość przesiewowa w celu wczesnego wykrycia etap deficytów poznawczych i inicjowanie skutecznych strategii zapobiegania i interwencji w skutecznym leczeniu demencji wyłoni się z badania czynników przyczyniających się i wskaźników poprzedzających w całym spektrum wiekowym, w tym wczesnej dorosłości, a potencjalnie nawet dzieciństwa (zwracając uwagę na znaczenie czynników genetycznych, takich jak apolipoproteina E od wczesnej ciąży).
W praktyce ważne diagnozy kliniczne i kosztowne procedury zaawansowanego obrazowania, profilowania genetycznego i pomiaru obiecujących biomarkerów nie zawsze są łatwo dostępne, a nawet wykonalne dla wielu dostawców. Dlatego w wielu przypadkach wstępna ogólna klasyfikacja poznawczego stanu zdrowia może wymagać wyprowadzenia z modeli wykorzystujących inne proste wskaźniki dostarczone przez pacjenta (np. problemy z pamięcią, aktualne leki i ograniczenia rutynowej aktywności) oraz wspólne cechy demograficzne [7]. Rejestry, takie jak University of California Zdrowie mózg Rejestr (https://www.brainhealthregistry.org/) [27] i inne z nieodłącznie większym zakresem zgłaszanych przez siebie objawów, miarami jakościowymi (np. sen i codzienne funkcje poznawcze), lekami, stanem zdrowia i historią oraz bardziej szczegółowe dane demograficzne będą pomocne w opracowywaniu i potwierdzaniu praktycznego zastosowania tych bardziej prymitywnych modeli w praktyce klinicznej. Co więcej, test taki jak MemTrax, który wykazał przydatność w ocenie funkcji pamięci, może w rzeczywistości zapewnić znacznie lepszą ocenę patologii AD niż markery biologiczne. Biorąc pod uwagę, że podstawową cechą patologii AD jest zaburzenie neuroplastyczności i niezwykle złożona utrata synaps, która objawia się jako epizodyczna dysfunkcja pamięci, miara, która ocenia pamięć epizodyczną może w rzeczywistości dają lepsze oszacowanie patologicznego obciążenia AD niż markery biologiczne u żywego pacjenta [36].
W przypadku wszystkich modeli predykcyjnych — uzupełnionych złożonymi i kompleksowymi danymi pochodzącymi z najnowocześniejszych technologii i wyrafinowanymi spostrzeżeniami klinicznymi w wielu dziedzinach lub ograniczonymi do bardziej podstawowych i łatwo dostępnych informacji charakterystycznych dla istniejących profili pacjentów — uznana zaleta sztucznej inteligencji a uczenie maszynowe polega na tym, że powstałe modele mogą syntetyzować i indukcyjnie „uczyć się” na podstawie odpowiednich nowych danych i perspektywy zapewnianych przez bieżące wykorzystanie aplikacji. Po praktycznym transferze technologii, ponieważ modele tutaj (i które mają zostać opracowane) są stosowane i wzbogacane o większą liczbę przypadków i istotnych danych (w tym pacjentów z chorobami współistniejącymi, które mogą objawiać się następującym pogorszeniem funkcji poznawczych), wydajność przewidywania i klasyfikacja zdrowia poznawczego będą bardziej solidne, co skutkuje bardziej efektywnym narzędziem wspomagania decyzji klinicznych. Ta ewolucja zostanie w pełni i praktycznie zrealizowana dzięki wbudowaniu MemTrax w niestandardowe (ukierunkowane na dostępne możliwości) platformy, z których świadczeniodawcy mogą korzystać w klinice w czasie rzeczywistym.
Niezbędne do walidacji i użyteczności modelu MemTrax dla wsparcia diagnostycznego i opieki nad pacjentem są bardzo poszukiwane znaczące dane podłużne. Obserwując i rejestrując współistniejące zmiany (jeśli występują) w stanie klinicznym w odpowiednim zakresie od normalnego do wczesnego MCI, modele odpowiedniej ciągłej oceny i klasyfikacji mogą być trenowane i modyfikowane wraz z wiekiem pacjentów i ich leczeniem. Oznacza to, że powtarzana użyteczność może pomóc w długotrwałym śledzeniu łagodnych zmian poznawczych, skuteczności interwencji i utrzymywaniu świadomej opieki wielopoziomowej. Podejście to jest ściślej powiązane z praktyką kliniczną oraz postępowaniem z pacjentem i przypadkiem.
Ograniczenia
Doceniamy wyzwanie i wartość zbierania czystych danych klinicznych w kontrolowanych warunkach kliniki/szpitala. Niemniej jednak wzmocniłoby to nasze modelowanie, gdyby nasze zbiory danych obejmowały więcej pacjentów o wspólnych cechach. Co więcej, specyficzne dla naszego modelowania diagnozy, bardziej pożądane i odpowiednie byłoby przeprowadzenie tej samej oceny klinicznej na dopasowanych pacjentach o normalnym zdrowiu poznawczym w celu szkolenia uczniów. Jak podkreśla wyższa wydajność klasyfikacji przy użyciu przefiltrowanego zestawu danych (tylko cztery najwyżej oceniane cechy), bardziej ogólne i miary/wskaźniki zdrowia poznawczego prawdopodobnie uległyby poprawie modelowanie wydajności z większą liczbą wspólnych cech u wszystkich pacjentów.
Niektórzy uczestnicy mogli jednocześnie doświadczać innych chorób, które mogły wywołać przejściowe lub przewlekłe braki poznawcze. Poza podzbiorem danych XL, w którym pacjentów sklasyfikowano diagnostycznie jako cierpiących na AD lub VaD, dane dotyczące chorób współistniejących nie były zbierane/raportowane w puli pacjentów z YH, a dominującym zgłaszanym schorzeniem współistniejącym zdecydowanie w podzbiorze KM była cukrzyca. Można jednak argumentować, że uwzględnienie w naszych schematach modelowania pacjentów z chorobami współistniejącymi, które mogłyby wywołać lub zaostrzyć poziom upośledzenia funkcji poznawczych, a w konsekwencji słabszą wydajność MemTrax, byłoby bardziej reprezentatywne dla rzeczywistej populacji docelowej pacjentów dla tego bardziej uogólnionego wczesnego badania funkcji poznawczych i modelowania. Idąc dalej, dokładna diagnoza chorób współistniejących potencjalnie wpływających na sprawność poznawczą jest bardzo korzystna dla optymalizacji modeli i wynikających z nich zastosowań opieki nad pacjentem.
Wreszcie, pacjenci z podzbiorem danych YH i KM używali smartfona do wykonania testu MemTrax, podczas gdy ograniczona liczba pacjentów podzbioru danych XL korzystała z iPada, a pozostali korzystali ze smartfona. Mogło to wprowadzić niewielką różnicę związaną z urządzeniem w wydajności MemTrax dla modelowania klasyfikacji MoCA. Jednak różnice (jeśli występują) w MTx-RT, na przykład, między urządzeniami byłyby prawdopodobnie nieistotne, zwłaszcza gdy każdy uczestnik otrzymałby test „praktyczny” tuż przed zarejestrowanym wykonaniem testu. Niemniej jednak użyteczność tych dwóch urządzeń przenośnych potencjalnie zagraża bezpośredniemu porównaniu i/lub integracji z innymi wynikami MemTrax, w których użytkownicy reagowali na powtarzające się zdjęcia, dotykając spacji na klawiaturze komputera.
Kluczowe punkty dotyczące narzędzia do predykcyjnego modelowania MemTrax
- • Nasze najskuteczniejsze modele predykcyjne obejmujące wybrane metryki wydajności MemTrax mogą wiarygodnie klasyfikować stan zdrowia poznawczego (normalne zdrowie poznawcze lub MCI), na co wskazuje powszechnie uznany test MoCA.
- • Wyniki te wspierają integrację wybranych metryk wydajności MemTrax z aplikacją do klasyfikacji predykcyjnej modelu przesiewowego pod kątem wczesnego stadium upośledzenia funkcji poznawczych.
- • Nasze modelowanie klasyfikacji ujawniło również możliwość wykorzystania wydajności MemTrax w aplikacjach do rozróżniania ciężkości diagnozy demencji.
Te nowe odkrycia dostarczają ostatecznych dowodów potwierdzających użyteczność uczenia maszynowego w budowaniu ulepszonych, solidnych modeli klasyfikacji opartych na MemTrax dla wsparcia diagnostycznego w skutecznym zarządzaniu przypadkami klinicznymi i opiece nad pacjentami z zaburzeniami poznawczymi.
PODZIĘKOWANIA
Doceniamy pracę J. Wessona Ashforda, Curtisa B. Ashforda i współpracowników za opracowanie i walidację zastosowanego tutaj zadania i narzędzia ciągłego rozpoznawania online (MemTrax) i jesteśmy wdzięczni licznym pacjentom z demencją, którzy przyczynili się do krytycznych badań podstawowych . Dziękujemy również Xianbo Zhou i jego współpracownikom z SJN Biomed LTD, jego współpracownikom i współpracownikom w szpitalach/klinikach, zwłaszcza dr. M. Luo i M. Zhong, którzy pomogli w rekrutacji uczestników, planowaniu testów oraz zbieraniu, rejestrowaniu i zarządzaniu danymi, a także uczestnikom-wolontariuszom, którzy poświęcili swój cenny czas i zobowiązali się do przeprowadzenia testów i dostarczenia cenne dane do oceny w tym badaniu. Ten badanie było częściowo wspierane przez MD Scientific Research Program Uniwersytetu Medycznego w Kunming (Grant nr 2017BS028 do XL) oraz Program badawczy Wydziału Nauki i Technologii Yunnan (Grant nr 2019FE001 (-222) do XL).
J. Wesson Ashford złożył wniosek patentowy dotyczący zastosowania specyficznego paradygmatu ciągłego rozpoznawania opisanego w tym artykule do zastosowań ogólnych testowanie pamięci.
MemTrax, LLC jest spółką należącą do Curtisa Ashforda i ta firma zarządza testowanie pamięci system opisany w tym artykule.
Ujawnienia autorów dostępne w Internecie (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
LITERATURA
| [1] Stowarzyszenie Alzheimera (2016) 2016 Fakty dotyczące choroby Alzheimera i figury. Alzheimer Dement 12, 459-509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Wpływ wczesnego stadium Chorobę Alzheimera na wyniki finansowe gospodarstwa domowego. Ekonomia Zdrowia 29, 18–29. | |
| [3] | Foster NL , Bondi MW , Das R , Foss M , Hershey LA , Koh S , Logan R , Poole C , Shega JW , Sood A , Thothala N , Wicklund M , Yu M , Bennett A , Wang D (2019) Poprawa jakości w neurologia: zestaw do pomiaru jakości łagodnych zaburzeń poznawczych. Neurologia 93, 705-713. |
| [4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) Efektywność kosztowa stosowania poznawczych testów przesiewowych do wykrywania demencji i łagodnych zaburzeń poznawczych w podstawowej opiece zdrowotnej. Int J Geriatr Psychiatria 32, 1392–1400. | |
| [5] Ashford JW, Gere E, Bayley PJ (2011) Pamięć pomiarowa w ustawieniach dużych grup przy użyciu ciągłego testu rozpoznawania. J Alzheimer Dis 27, 885–895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Skomputeryzowane zadanie ciągłego rozpoznawania do pomiaru pamięci epizodycznej. J Alzheimer Dis 69, 385-399. |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Wydajność pamięci epizodycznej w modelowaniu uczenia maszynowego do przewidywania klasyfikacji stanu zdrowia poznawczego. J Alzheimer Dis 70, 277-286. |
| [8] van der Hoek MD, Nieuwenhuizen A, Keijer J, Ashford JW (2019) Test MemTraxem w porównaniu z montrealską oceną poznawczą łagodnych zaburzeń poznawczych. J Alzheimer Dis 67, 1045–1054. | |
| [9] | Falcone M , Yadav N , Poellabauer C , Flynn P (2013) Używanie izolowanych dźwięków samogłosek do klasyfikacji łagodnego urazowego uszkodzenia mózgu. W 2013 roku Międzynarodowa Konferencja IEEE na temat Akustyki, Przetwarzania Mowy i Sygnałów, Vancouver, BC, s. 7577-7581. |
| [10] | Dabek F , Caban JJ (2015) Wykorzystanie dużych zbiorów danych do modelowania prawdopodobieństwa wystąpienia warunków psychicznych po wstrząśnieniu mózgu. Procedia Comput Sci 53, 265-273. |
| [11] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Drzewo decyzyjne do wczesnego wykrywania zaburzeń poznawczych przez farmaceutów społecznych. Front Pharmacol 9, 1232. |
| [12] | Nasreddine ZS , Phillips NA , Bedirian V , Charbonneau S , Whitehead V , Collin I , Cummings JL , Chertkow H (2005) Montreal Cognitive Assessment, MoCA: krótkie narzędzie przesiewowe dla łagodnych zaburzeń poznawczych. J Am Geriatr Soc 53, 695-699. |
| [13] | Yu J , Li J , Huang X (2012) Pekińska wersja montrealskiej oceny poznawczej jako krótkie narzędzie przesiewowe dla łagodnych zaburzeń poznawczych: badanie społecznościowe. BMC Psychiatria 12, 156. |
| [14] | Chen KL, Xu Y, Chu AQ, Ding D, Liang XN, Nasreddine ZS, Dong Q, Hong Z, Zhao QH, Guo QH (2016) Walidacja chińskiej wersji montrealskiej oceny poznawczej podstawowej do badania przesiewowego łagodnego upośledzenia funkcji poznawczych. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N , Leach L , Murphy KJ (2018) Ponowne badanie punktów odcięcia Montreal Cognitive Assessment (MoCA). Int J Geriatr Psychiatry 33, 379-388. |
| [16] | Amerykańskie Towarzystwo Psychiatryczne (2013) Task Force Diagnostyka i podręcznik statystyczny zaburzeń psychicznych: DSM-5™, American Psychiatric Publishing, Inc., Waszyngton, DC. |
| [17] | Pyton. Python Software Foundation, http://www.python.org, dostęp 15 listopada 2019 r. |
| [18] | R Core Group, R: Język i środowisko do obliczeń statystycznych R Foundation for Statistical Computing, Wiedeń, Austria. https://www.R-project.org/, 2018, dostęp 15 listopada 2019. |
| [19] | Benavoli A , Corani G , Demšar J , Zaffalon M (2017) Czas na zmianę: samouczek do porównywania wielu klasyfikatorów za pomocą analizy bayesowskiej. J Mach Learn Res 18, 1–36. |
| [20] | Frank E , Hall MA , Witten IH (2016) Stół warsztatowy WEKA. W Eksploracja danych: praktyczne narzędzia i techniki uczenia maszynowego, Frank E, Hall MA, Witten IH, Pal CJ, wyd. Morgan Kaufmann https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf |
| [21] | Bergeron MF , Landset S , Maugans TA , Williams VB , Collins CL , Wasserman EB , Khoshgoftaar TM (2019) Uczenie maszynowe w modelowaniu rozwiązywania objawów wstrząsu mózgu w liceum. Med Sci Sports Exerc 51, 1362-1371. |
| [22] | Van Hulse J , Khoshgoftaar TM , Napolitano A (2007) Eksperymentalne perspektywy uczenia się na podstawie niezrównoważonych danych. W Materiały 24. Międzynarodowej Konferencji Uczenia Maszynowego, Corvalis, Oregon, USA, s. 935-942. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Ocena pacjenta z chorobą Alzheimera i stan mini-mentalny: Analiza krzywej charakterystycznej przedmiotu. J Gerontol 44, 139-146. |
| [24] Ashford JW, Jarvik L (1985) Choroba Alzheimera: Czy plastyczność neuronów predysponuje do zwyrodnienia neurofibrylarnego aksonów? N Engl J Med 313, 388–389. | |
| [25] Jack CR Jr, Therneau TM, Weigand SD, Wiste HJ, Knopman DS, Vemuri P, Lowe VJ, Mielke MM, Roberts RO, Machulda MM, Graff-Radford J, Jones DT, Schwarz CG, Gunter JL, Senjem ML , Rocca WA , Petersen RC (2019) Rozpowszechnienie biologicznie i klinicznie zdefiniowanych jednostek spektrum Alzheimera przy użyciu National Institute on Aging-Alzheimer's Badania Stowarzyszenia struktura. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X, Ashford JW (2019) Postępy w instrumentach przesiewowych dla Chorobę Alzheimera. Starzenie się Med 2, 88–93. | |
| [27] Weiner MW, Nosheny R, Camacho M, Truran-Sacrey D, Mackin RS, Flenniken D, Ulbricht A, Insel P, Finley S, Fockler J, Veitch D (2018). Zdrowie mózg Rejestr: internetowa platforma do rekrutacji, oceny i długoterminowego monitorowania uczestników badań neurologicznych. Alzheimer Dement 14, 1063–1076. | |
| [28] Ashford JW , Schmitt FA (2001) Modelowanie przebiegu w czasie otępienie typu alzheimerowskiego. Curr Psychiatry Rep 3, 20–28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE): Protokół chińskiego podłużnego badania obserwacyjnego w celu opracowania modeli przewidywania ryzyka konwersji do łagodnych zaburzeń poznawczych u osób z subiektywnymi funkcjami poznawczymi spadek. BMJ Otwarte 9, e028188. |
| [30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015) Pięcioletnia zmienność progresji biomarkerów dla Otępienie w chorobie Alzheimera przewidywania: czy złożone instrumentalne czynności życia codziennego mogą wypełnić luki? Choroba Alzheimera (Amst) 1, 521–532. | |
| [31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) Profilaktyka i leczenie choroby Alzheimera: Biologiczne mechanizmy wysiłku. J Alzheimers Dis 69, 311–338. | |
| [32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) Terapie dla profilaktyki i leczenia choroby Alzheimera. Biomed Res Int 2016, 2589276. | |
| [33] | Lane CA , Barnes J , Nicholas JM , Sudre CH , Cash DM , Malone IB , Parker TD , Keshavan A , Buchanan SM , Keuss SE , James SN , Lu K , Murray-Smith H , Wong A , Gordon E , Coath W , Modat M , Thomas D , Richards M , Fox NC , Schott JM (2020) Powiązania między ryzykiem naczyniowym w wieku dorosłym a patologią mózgu w późnym życiu: dowody z brytyjskiej kohorty urodzeniowej. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) Zapobieganie myśleniu o demencji poza wiekiem i skrzynkami amyloidu. JAMA Neurol 77, 160-161. |
| [35] | Maillard P, Seshadri S, Beiser A, Himali JJ, Au R, Fletcher E, Carmichael O, Wolf PA, DeCarli C (2012) Wpływ skurczowego ciśnienia krwi na integralność istoty białej u młodych dorosłych w badaniu Framingham Heart: krzyż - badanie przekrojowe. Lancet Neurol 11, 1039-1047. |
| [36] Fink HA, Linskens EJ, Silverman PC, McCarten JR, Hemmy LS, Ouellette JM, Greer NL, Wilt TJ, Butler M (2020) Accuracy of biomarker testing for neuropatologicznie zdefiniowane Choroba Alzheimera u osób starszych z otępieniem. Ann Intern Med 172, 669–677. |
Powiązania: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] Wydział Inżynierii Komputerowej i Elektrycznej oraz Informatyki, Florida Atlantic University, Boca Raton, Floryda, USA | [c] SJN Biomed LTD, Kunming, Yunnan, Chiny | [d] Centrum ds Badania nad chorobą Alzheimera, Washington Institute of Clinical Research, Waszyngton, DC, USA | [e] Zakład Medycyny Rehabilitacyjnej, Pierwszy Szpital Stowarzyszony Uniwersytetu Medycznego w Kunming, Kunming, Yunnan, Chiny | [f] Oddział Neurologii, Szpital Ludowy Dehong, Dehong, Yunnan, Chiny | [g] Klinika Neurologii, pierwszy stowarzyszony szpital Uniwersytetu Medycznego w Kunming, dystrykt Wuhua, Kunming, prowincja Yunnan, Chiny | [h] Centrum badań nad chorobami i obrażeniami związanymi z wojną, Wirginia Palo Alto Opieka zdrowotna System, Palo Alto, Kalifornia, USA | [i] Wydział Psychiatrii i Nauk Behawioralnych, Szkoła Medyczna Uniwersytetu Stanforda, Palo Alto, Kalifornia, USA
Korespondencja: [*] Korespondencja do: dr Michael F. Bergeron, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. E-mail: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Wydział Neurologii, Pierwszy Afiliowany Szpital Uniwersytetu Medycznego w Kunming, 295 Xichang Road, dystrykt Wuhua, Kunming, prowincja Yunnan 650032, Chiny. E-mail: ring@vip.163.com.
Słowa kluczowe: Starzenie się, Chorobę Alzheimera, demencja, masowe badania przesiewowe