د معتدل ادراکي نیمګړتیا په طبقه بندي کې د میمټریکس او ماشین زده کړې ماډلینګ کارول

څیړنه ماده

لیکوالان: برجیرون، مایکل ایف | لینډیټ، سارا | ژو، ژیانبو | دنګ، تاو | خوشګفتار، تغای م. | ژاو، فینګ | دو، بو | چن، شينجي | وانګ، شوان | Zhong، Lianmei | ليو، شياولي | اشفورډ، جې ویسن

DOI: 10.3233/JAD-191340

Journal: Journal of د الزییریر ناروغي، vol. 77، نه. 4، پی پی 1545-1558، 2020

انتزاعي

شاليد:

په پراخه کچه پیښې او خپریدل د الزییریر ناروغۍ او معتدل ادراکي نیمګړتیا (MCI) د څیړنې لپاره بیړنۍ غوښتنه کړې ترڅو د لومړني کشف ادراکي سکرینینګ او ارزونې اعتبار وکړي.

موخه:

زموږ د لومړنۍ څیړنې هدف دا و چې دا معلومه کړي چې ایا ټاکل شوي د MemTrax فعالیت میټریکونه او اړونده ډیموګرافیک او د روغتیا پروفایل ځانګړتیاوې په مؤثره توګه د ماشین زده کړې سره رامینځته شوي وړاندوینې ماډلونو کې کارول کیدی شي ترڅو د ادراکي روغتیا طبقه بندي کړي (نورمال بمقابله MCI) ، لکه څنګه چې به ورته اشاره وشي. د مونټریال ادراکي ارزونه (MoCA).

میتودونه:

موږ د 259 نیورولوژي، حافظې کلینیک، او د داخلي درملو په اړه یوه کراس برخه مطالعه ترسره کړه چې له دوو څخه استخدام شوي بالغ ناروغان په چین کې روغتونونه. هر ناروغ ته د چینایي ژبې MoCA ورکړل شو او د MemTrax آنلاین قسط دوامداره پیژندنه پخپله اداره شوه د حافظې ازموینه آنلاین په همدې ورځ. د وړاندوینې ډلبندۍ ماډلونه د 10-fold کراس اعتبار سره د ماشین زده کړې په کارولو سره رامینځته شوي ، او د ماډل فعالیت د ترلاسه کونکي عملیاتي کریکټریټیک کریو (AUC) لاندې ساحې په کارولو سره اندازه شوی. موډلونه د اتو عام ډیموګرافیک او شخصي تاریخ ځانګړتیاو سره سره د دوه MemTrax فعالیت میټریکونو (سلنه سم، د غبرګون وخت) په کارولو سره جوړ شوي.

پایلې:

د MoCA نمرو او حدونو په ټاکلو ترکیبونو کې د زده کونکو پرتله کول، Naïve Bayes په عمومي ډول د 0.9093 ټولیز درجه بندي فعالیت سره د لوړ فعالیت زده کونکی و. برسېره پردې، د غوره دریو زده کونکو په منځ کې، د میمټریکس پر بنسټ د طبقه بندي فعالیت په ټولیزه توګه د ټولو 0.9119 عامو ځانګړتیاو (10) کارولو په پرتله یوازې د لوړ رتبه څلورو ځانګړتیاو (0.8999) په کارولو سره غوره و.

پایله:

د MemTrax فعالیت په مؤثره توګه د ماشین زده کړې طبقه بندي وړاندوینې ماډل کې کارول کیدی شي د لومړني مرحلې ادراکي نیمګړتیا موندلو لپاره د سکرینینګ غوښتنلیک.

سریزه

پیژندل شوي (که څه هم کم تشخیص شوي) پراخه پراخه پیښې او خپریدل او موازي مخ په زیاتیدو طبي ، ټولنیز او عامه روغتیا د الزایمر ناروغۍ لګښتونه او بار (AD) او معتدل ادراکي نیمګړتیا (MCI) د ټولو شریکانو لپاره په زیاتیدونکي توګه فشار راوړي [1, 2]. دې کړکېچن او بورژونکې سناریو د اعتبار لپاره د څیړنې لپاره عاجل غوښتنه کړې. وختي کشف په مختلفو سیمو او نفوس کې د زړو ناروغانو لپاره په شخصي او کلینیکي ترتیباتو کې د منظم عملي کارونې لپاره د ادراکي سکرینینګ او ارزونې وسیلې [3]. دا وسایل باید د معلوماتي پایلو بې ځایه ژباړې لپاره د بریښنایی روغتیا ریکارډونو کې هم چمتو کړي. ګټې به د ناروغانو په خبرولو او د ډاکټرانو سره د پام وړ بدلونونو په پیژندلو کې مرسته کولو سره درک شي او پدې توګه د مناسب انفرادي او ډیر ارزانه درملنې او د ناروغانو پاملرنې لپاره ډیر ګړندي او پر وخت سټراټیفیکیشن ، پلي کول ، او تعقیب ته وده ورکوي. سنجویه کمښت [۳، ۴].

د کمپیوټر شوي میمټریکس وسیله (https://memtrax.com) یو ساده او لنډ دوامداره پیژندنه ارزونه ده چې آنلاین پخپله اداره کیدی شي ترڅو د ننګونکي وخت شوي ایپیسوډیک حافظې فعالیت اندازه کړي چیرې چې کارونکي تکرار عکسونو ته ځواب ورکوي نه لومړني پریزنټشن ته [5, 6]. وروستي څیړنې او پایلې عملي اغیزې په تدریجي او ډله ایز ډول د AD او MCI سکرینینګ په لومړیو کې د MemTrax کلینیکي اغیزمنتوب ښودلو لپاره پیل کیږي [5-7]. په هرصورت، موجوده ته د کلینیکي ګټورتیا مستقیم پرتله کول ادراکي روغتیا ارزونه او دودیز معیارونه د مسلکي لید خبرولو لپاره تضمین شوي او د میمټریکس افادیت په لومړني کشف او تشخیصي ملاتړ کې تاییدوي. van der Hoek et al. [8] د مونټریال لخوا ټاکل شوي د ادراکي حالت سره د ټاکل شوي MemTrax فعالیت میټریک (د عکس العمل سرعت او سلنه سم) پرتله کول ادراکي ارزونه (MoCA). په هرصورت، دا څیړنه د دې فعالیت میټریکونو سره د ادراکي حالت ځانګړتیا (لکه څنګه چې د MoCA لخوا ټاکل شوې) او د اړونده حدونو او کټ آف ارزښتونو تعریف کولو پورې محدوده وه. په دې اساس، د دې څیړنې پراخولو او د طبقه بندي فعالیت او اغیزمنتیا ښه کولو لپاره، زموږ لومړنۍ څیړنې پوښتنه دا وه:

  • کولی شي د یو فرد ټاکل شوي MemTrax فعالیت میټریکونه او اړونده ډیموګرافیک او روغتیا عکس وښاياست ځانګړتیاوې په اغیزمنه توګه د وړاندوینې ماډل کې کارول کیږي چې د ماشین زده کړې سره رامینځته شوي ترڅو د ادراکي روغتیا دوه اړخیزه طبقه بندي کړي (نورمال د MCI په مقابل کې) ، لکه څنګه چې د یو چا د MoCA سکور لخوا اشاره کیږي؟

د دې لپاره دوهم، موږ غوښتل پوه شو:

  • د ورته ځانګړتیاو په شمول، ایا د میمټریکس فعالیت پر بنسټ د ماشین زده کړې ماډل په اغیزمنه توګه په ناروغ باندې تطبیق کیدی شي ترڅو د سنجوي نیمګړتیا په ټاکل شوي کټګوریو کې د شدت (لمر او شدید) وړاندوینه وکړي لکه څنګه چې د خپلواک کلینیکي تشخیص لخوا ټاکل کیږي؟

د سکرینینګ/تشخیص په برخه کې د مصنوعي استخباراتو او ماشین زده کړې پیل او پرمختللې عملي غوښتنلیک دمخه ځانګړي عملي ګټې ښودلې ، د وړاندوینې ماډلینګ سره په مؤثره توګه د ادراکي/مغز روغتیا او د ناروغ مدیریت ننګونکي ارزونې کې کلینیکانو ته لارښود کوي. زموږ په څیړنه کې، موږ د MCI طبقه بندي ماډلینګ او د ادراکي نیمګړتیا شدت تبعیض کې ورته طریقه غوره کړه لکه څنګه چې د دریو ډیټاسیټونو څخه د کلینیکي تشخیص لخوا تایید شوي چې په چین کې د دوه روغتونونو څخه غوره شوي داوطلب داخل ناروغانو او بهر ناروغانو استازیتوب کوي. د ماشین زده کړې وړاندوینې ماډلینګ په کارولو سره ، موږ د مختلف ډیټاسیټ / زده کونکي ترکیبونو څخه غوره کار کونکي زده کونکي پیژندلي او هغه ځانګړتیاوې یې درجه بندي کړې ترڅو موږ ته د خورا کلینیکي عملي ماډل غوښتنلیکونو تعریف کولو کې لارښود کړي.

زموږ فرضیه دا وه چې د MemTrax پر بنسټ یو باوري ماډل د MoCA د مجموعي سکور حد معیار پراساس د ادراکي روغتیا ډیکوټوموس ډول (نورمال یا MCI) طبقه بندي کولو لپاره کارول کیدی شي، او دا چې د ورته MemTrax وړاندوینې ماډل په اغیزمنه توګه د ټاکل شوي شدت تبعیض کولو کې کارول کیدی شي. په کلینیکي توګه تشخیص شوی د معلولیت لرونکی زیان. د اټکل شوي پایلو څرګندول به د ادراکي کمښت او ادراکي نیمګړتیاو طبقه بندي لپاره د لومړني کشف سکرین په توګه د MemTrax موثریت مالتړ کولو کې وسیله وي. د صنعت مطلوب معیار سره مناسب پرتله کول د خورا لوی اسانتیا او د کارونې ګړندۍ لخوا بشپړ شوي به د کلینیکانو سره مرسته وکړي چې دا ساده ، باوري او د لاسرسي وړ وسیلې د لومړني سکرین په توګه د لومړني (پروډرومل په شمول) مرحلې ادراکي نیمګړتیاو کشف کولو کې مرسته وکړي. دا ډول چلند او کارونې کولی شي په دې توګه ډیر وخت او غوره سطحي ناروغ پاملرنې او مداخلې ته وده ورکړي. دا د مخکینۍ فکر کولو بصیرت او ښه شوي میټریکونه او ماډلونه د ډیمنشیا پرمختګ کمولو یا بندولو کې هم ګټور کیدی شي ، پشمول د AD او AD پورې اړوند ډیمینشیا (ADRD).

مواد او دودونه

نفوس مطالعه کړئ

د ۲۰۱۸ کال د جنورۍ او د ۲۰۱۹ کال د اګست تر منځ، د چین له دوو روغتونونو څخه د استخدام شویو ناروغانو په اړه هر اړخیزې څیړنې بشپړې شوې. د MemTrax اداره [2018] د 2019 کالو څخه پورته عمر لرونکي اشخاصو ته او د دې معلوماتو راټولول او تحلیل د اخلاقي معیارونو سره سم بیاکتنه او تصویب شوي او اداره کیږي. د بشري د سټینفورډ پوهنتون د موضوع د ساتنې کمیټه. MemTrax او د دې عمومي مطالعې لپاره نورې ټولې ازموینې د 1975 د هیلسنکي اعالمیې سره سم ترسره شوي او د چین په کونمینګ، یوننان کې د کنمینګ طبي پوهنتون د لومړي وابسته روغتون د اداري بیاکتنې بورډ لخوا تصویب شوي. هر کارونکي ته ورکړل شوی رضایت اعلانول د لوستلو / بیاکتنې لپاره فورمه او بیا په داوطلبانه توګه د ګډون لپاره موافقه وکړئ.

برخه اخیستونکي د یانهوا روغتون (YH فرعي ډیټاسیټ) کې د نیورولوژي کلینیک کې د بهر ناروغانو له حوض څخه ګمارل شوي و. د کونمینګ طبي لومړني اړوند روغتون کې د حافظې کلینیک پوهنتون (XL فرعي ډیټاسیټ) په بیجینګ ، چین کې. برخه اخیستونکي د کنمینګ طبي پوهنتون په لومړي مربوط روغتون کې د نیورولوژي (XL فرعي ډیټاسیټ) او داخلي درملو (KM فرعي ډیټاسیټ) ناروغانو څخه هم استخدام شوي. د شاملولو معیارونو کې شامل دي 1) نارینه او ښځینه لږ تر لږه 21 کلن، 2) د چینایي ژبو وړتیا (مندرین)، او 3) د شفاهي او لیکلي لارښوونو د پوهیدو وړتیا. د اخراج معیارونه لید او د موټرو نیمګړتیاوې وې چې برخه اخیستونکي یې د بشپړولو مخه نیسي د MemTrax ازموینه، همدارنګه د ازموینې ځانګړي لارښوونو په پوهیدو کې ناتواني.

د MemTrax چینایي نسخه

آنلاین د MemTrax ازموینې پلیټ فارم ژباړل شوی په چینایي کې (URL: https://www.memtrax.com.cn) او نور د WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) له لارې د ځان اداره کولو لپاره کارول کیږي. معلومات په چین کې موقعیت لرونکي کلاوډ سرور (علي کلاوډ) کې زیرمه شوي او د SJN بایو میډ LTD (کونمینګ ، یوننان ، چین) لخوا د علی بابا (علی بابا ټیکنالوژۍ شرکت لمیټډ ، هانګزو ، ژیجیانګ ، چین) څخه جواز ترلاسه شوی. د MemTrax په اړه ځانګړي توضیحات او دلته کارول شوي د ازموینې اعتبار معیارونه دمخه تشریح شوي [6]. ازموینه ناروغانو ته پرته له کوم لګښت چمتو شوې.

د مطالعې کړنلارې

د داخل ناروغانو او بهر ناروغانو لپاره، د ډیموګرافیک او شخصي معلوماتو راټولولو لپاره د عمومي کاغذ پوښتنلیک لکه عمر، جنس، د زده کړې کلونه، مسلک، یوازې ژوند کوي یا د کورنۍ سره، او طبي تاریخ د مطالعې ټیم د غړي لخوا اداره کیږي. د پوښتنلیک له بشپړیدو وروسته، د MoCA [12] او MemTrax ازموینې اداره شوې (MoCA لومړی) د ازموینو ترمنځ له 20 دقیقو څخه ډیر نه و. د MemTrax سلنه سمه (MTx-% C)، د ځواب وخت (MTx-RT) معنی، او د ازموینې نیټه او وخت د هر ګډون کونکي ازموینې لپاره د مطالعې ټیم غړي لخوا په کاغذ کې ثبت شوي. بشپړ شوی پوښتنلیک او د MoCA پایلې د څیړونکي لخوا په Excel سپریډ شیټ کې اپلوډ شوي چې ازموینې اداره کوي او د اکسل فایلونه د تحلیلونو لپاره خوندي شوي دمخه د یو همکار لخوا تایید شوي.

د MemTrax ازموینه

د MemTrax آنلاین ازموینه کې 50 عکسونه شامل وو (25 بې ساري او 25 تکرار؛ د عام صحنو یا شیانو 5 عکسونو 5 سیټونه) په یو ځانګړي تصادفي ترتیب کې ښودل شوي. ګډون کوونکی به (له لارښوونو سره سم) د ازموینې پیل کولو لپاره په سکرین کې د سټارټ تڼۍ ته لمس کړي او د عکس لړۍ لیدل پیل کړي او بیا به ژر تر ژره په سکرین باندې عکس ته لمس کړي کله چې یو تکرار عکس څرګند شي. هر عکس د 3 ثانیو لپاره څرګند شو یا تر هغه چې په سکرین کې عکس لمس شو ، کوم چې د راتلونکي عکس سمدستي پریزنټشن هڅوي. د محلي وسیلې د داخلي ساعت په کارولو سره، د هر عکس لپاره MTx-RT د عکس له وړاندې کولو څخه د تیر شوي وخت لخوا ټاکل شوی و کله چې د ګډون کونکي لخوا سکرین ته د عکس په توګه د پیژندلو په ځواب کې چې دمخه ښودل شوی و. د ازموینې پرمهال. MTx-RT د هر عکس لپاره ثبت شوی و، د بشپړ 3 ثانیو سره ثبت شوی چې هیڅ ځواب نه ورکوي. MTx-٪ C حساب شوی ترڅو د تکرار او لومړني عکسونو سلنه وښیې کوم چې کارونکي سم ځواب ورکړی (ریښتینی مثبت + ریښتینی منفي په 50 ویشل شوی). د MemTrax ادارې او پلي کولو اضافي توضیحات، د معلوماتو کمښت، ناسم یا "نه ځواب" ډاټا، او د لومړنیو معلوماتو تحلیلونه په بل ځای کې تشریح شوي [6].

د MemTrax ازموینه په تفصیل سره تشریح شوه او د تمرین آزموینه (د هغه ځانګړي عکسونو سره چې د پایلو د ثبتولو لپاره په ازموینه کې کارول کیږي) د روغتون په ترتیب کې برخه اخیستونکو ته چمتو شوي. د YH او KM فرعي ډیټاسیټونو کې برخه اخیستونکو په سمارټ فون کې د MemTrax ازموینه واخیسته چې په WeChat کې د غوښتنلیک سره ډک شوی و؛ پداسې حال کې چې د XL فرعي ډیټاسیټ محدود شمیر ناروغانو یو iPad کارولی او پاتې یې سمارټ فون کاروي. ټولو ګډون کوونکو د MemTrax ازموینه د مطالعې پلټونکي سره په بې ساري ډول مشاهده کړه.

د مونټریال ادراکي ارزونه

د چینایي MoCA (MoCA-BC) بیجینګ نسخه [13] د رسمي ازموینې لارښوونو سره سم د روزل شوي څیړونکو لخوا اداره او نمرې ورکړل شوې. په مناسب ډول، MoCA-BC د باور وړ ښودل شوی د معرفت لپاره ازموینه په چینایي زړو لویانو کې د زده کړې په ټولو کچو کې سکرینینګ [14]. هره ازموینه د اړوند ګډون کونکي ادراکي وړتیاو پراساس اداره کولو لپاره شاوخوا 10 څخه تر 30 دقیقو وخت نیسي.

د MoCA طبقه بندي ماډلینګ

په ټولیزه توګه 29 د کارونې وړ ځانګړتیاوې درلودې، په شمول د دوه میمټریکس د ډیموګرافیک او روغتیا پورې اړوند د فعالیت میټریک او 27 ځانګړتیاوې ازموینه د هر ګډون کونکي لپاره معلومات. د هر ناروغ د MoCA مجموعي ازموینې نمرې د دې په توګه کارول شوې ادراکي معاينه "بنچمارک" زموږ د وړاندوینې ماډلونو روزلو لپاره. په همدې اساس، ځکه چې MoCA د ټولګي لیبل جوړولو لپاره کارول شوی و، موږ نشو کولی مجموعي نمرې (یا د MoCA کومې فرعي نمرې) د خپلواک ځانګړتیا په توګه وکاروو. موږ لومړنۍ تجربې ترسره کړې په کوم کې چې موږ ماډل کړی (د MoCA لخوا تعریف شوي ادراکي روغتیا طبقه بندي) اصلي درې روغتون/کلینیک فرعي ډیټاسیټونه په انفرادي ډول او بیا د ټولو ځانګړتیاو په کارولو سره یوځای شوي. په هرصورت، د ټولو ورته معلوماتو عناصر په څلورو کلینیکونو کې نه دي راټول شوي چې د دریو فرعي ډیټاسیټونو استازیتوب کوي؛ په دې توګه، زموږ ډیری ځانګړتیاوې په ګډ ډیټاسیټ کې (کله چې ټول ځانګړتیاوې کاروي) د ورک شوي ارزښتونو لوړ پیښې درلودې. موږ بیا یوازې د عامو ځانګړتیاو په کارولو سره د ګډ ډیټاسیټ سره ماډلونه جوړ کړل چې پایله یې د ډلبندۍ فعالیت ښه شوی. دا احتمال د دریو ناروغانو فرعي ډیټاسیټونو سره یوځای کولو سره د کار کولو لپاره د نورو مثالونو د ترکیب لخوا توضیح شوی و او د ورک شوي ارزښتونو غیر مناسب شتون سره هیڅ ځانګړتیاوې شتون نلري (په ګډ ډیټاسیټ کې یوازې یوه ځانګړتیا، د کار ډول، کوم ورک ارزښتونه درلودل، اغیزه کوي یوازې درې ناروغان مثالونه)، ځکه چې په ټولو دریو سایټونو کې ثبت شوي یوازې عام ځانګړتیاوې پکې شاملې وې. د پام وړ، موږ د هرې ځانګړتیا لپاره د رد کولو ځانګړی معیار نه درلود چې په نهایت کې په ګډ ډیټاسیټ کې شامل نه و. په هرصورت، زموږ په لومړني ګډ ډیټاسیټ ماډلینګ کې، موږ لومړی د هر درې جلا ناروغ فرعي ډیټاسیټونو څخه ټولې ځانګړتیاوې وکارولې. دا په پراخه کچه د ماډل فعالیت پایله وه چې د هر فرد فرعي ډیټاسیټ کې د لومړني لومړني ماډلینګ څخه د اندازې ټیټه وه. برسېره پردې، پداسې حال کې چې د ټولو ځانګړتیاوو په کارولو سره د جوړ شوي ماډلونو درجه بندي فعالیت هڅونکی و، د ټولو زده کونکو او طبقه بندي سکیمونو کې، فعالیت د ډیری ماډلونو په پرتله دوه چنده ښه شوی کله چې یوازې عام ځانګړتیاوې کاروي. په حقیقت کې، د هغه څه په منځ کې چې زموږ د غوره زده کونکو په توګه پای ته ورسیدل، د یو ماډل پرته ټول د غیر معمولي ځانګړتیاوو له منځه وړلو سره ښه شوي.

وروستی مجموعي ډیټاسیټ (YH، XL، او KM ګډ) کې 259 مثالونه شامل دي، هر یو د یو ځانګړي ګډون کونکي استازیتوب کوي چې د MemTrax او MoCA ازموینې یې اخیستې. دلته 10 شریکې خپلواکې ځانګړتیاوې وې: د MemTrax فعالیت میټریک: MTx-% C او معنی MTx-RT؛ د ډیموګرافیک او طبي تاریخ معلومات: عمر، جنس، د زده کړې کلونه، د کار ډول (نیلي کالر/سپین کالر)، ټولنیز ملاتړ (آیا ازموینه اخیستونکی یوازې ژوند کوي یا له کورنۍ سره)، او هو/نه ځوابونه چې ایا کارونکي لري د شکرې ناروغۍ تاریخ، هایپرلیپیډیمیا، یا د دماغ دردناک زخم. دوه اضافي میټریکونه، د MoCA مجموعي نمرې او د MoCA مجموعي نمرې د زده کړې د کلونو لپاره تنظیم شوي [12]، په جلا توګه کارول شوي ترڅو د انحصاري طبقه بندي لیبلونو پراختیا لپاره، په دې توګه زموږ په ګډ ډیټاسیټ کې د پلي کولو لپاره دوه جلا ماډلینګ سکیمونه رامینځته کړي. د MoCA سکور د هرې نسخې (تنظیم شوي او نه تنظیم شوي) لپاره، ډاټا بیا په جلا توګه د بائنری طبقه بندي لپاره د دوه مختلف معیارونو حدونو په کارولو سره ماډل شوي - په پیل کې وړاندیز شوی یو [12] او یو بدیل ارزښت چې د نورو لخوا کارول شوی او هڅول شوی [8, 15]. د بدیل حد طبقه بندي سکیم کې، یو ناروغ د عادي ادراکي روغتیا په توګه ګڼل کیده که چیرې هغه د MoCA ازموینه کې ≥23 نمرې ترلاسه کړي او MCI ولري که نمرې 22 یا ټیټ وي؛ په داسې حال کې چې، په لومړني وړاندیز شوي طبقه بندي بڼه کې، ناروغ باید په MoCA کې 26 یا غوره نمرې ترلاسه کړي ترڅو د عادي ادراکي روغتیا په توګه لیبل شي.

د MoCA طبقه بندي ماډلینګ لپاره فلټر شوي ډاټا

موږ نور د MoCA طبقه بندي د څلورو عامو کارول شویو ځانګړتیاوو درجه بندي تخنیکونو په کارولو سره معاینه کړه: Chi-Squared، Gain Ratio، د معلوماتو لاسته راوړنه، او سمتي ناڅرګندتیا. د لنډمهاله لید لپاره، موږ زموږ د هر څلور ماډلینګ سکیمونو په کارولو سره ټول ګډ ډیټاسیټ ته درجه بندي پلي کړل. ټول درجه بندیان په ورته غوره ځانګړتیاو باندې موافق دي، د بیلګې په توګه، عمر، د زده کړې د کلونو شمیر، او د MemTrax فعالیت میټریکونه (MTx-% C، معنی MTx-RT). موږ بیا د هر فیچر انتخاب تخنیک په کارولو سره ماډلونه بیا جوړ کړل ترڅو موډلونه یوازې په غوره څلورو ځانګړتیاو کې وروزل شي (وګورئ د انتخاب ټاکنه لاندې).

د MoCA د نمرو طبقه بندي کولو ماډلینګ سکیمونو وروستي اته بدلونونه په جدول 1 کې وړاندې شوي.

جدول 1

د ماډلینګ سکیم بدلونونو لنډیز چې د MoCA طبقه بندي لپاره کارول کیږي (نورمال ادراکي روغتیا د MCI په مقابل کې)

د ماډلینګ سکیمنورمال ادراکي روغتیا (منفي طبقه)MCI (مثبت ټولګي)
تعدیل شوی - 23 غیر فلټر شوی / فلټر شوی101 (39.0٪)158 (61.0٪)
تعدیل شوی - 26 غیر فلټر شوی / فلټر شوی49 (18.9٪)210 (81.1٪)
نا تعدیل شوی - 23 غیر فلټر شوی / فلټر شوی92 (35.5٪)167 (64.5٪)
نا تعدیل شوی - 26 غیر فلټر شوی / فلټر شوی42 (16.2٪)217 (83.8٪)

په هر ټولګي کې د ټولو ناروغانو اړونده شمیره او سلنه د زده کړې لپاره د نمرو د تعدیل (تنظیم شوي یا نه تنظیم شوي) او د طبقه بندي حد (23 یا 26) سره توپیر لري، لکه څنګه چې په دواړو ځانګړتیاو کې پلي کیږي (غیر فلټر شوي او فلټر شوي).

د MemTrax پر بنسټ د کلینیکي ارزونې ماډلینګ

زموږ د دریو اصلي فرعي ډیټاسیټونو (YH, XL, KM) څخه، یوازې د XL فرعي ډیټاسیټ ناروغان په خپلواکه توګه د ادراکي نیمګړتیا لپاره په کلینیکي توګه تشخیص شوي (د بیلګې په توګه، د دوی اړوند MoCA نمرې د نورمال په مقابل کې د معلولیت طبقه بندي کولو کې ندي کارول شوي). په ځانګړې توګه، د XL ناروغان د یو سره تشخیص شوي د الزایمر ناروغۍ معاینه (AD) یا د ویسکولر ډیمنشیا (VaD). د دې لومړني تشخیص کټګوریو کې د MCI لپاره نور نومول شتون درلود. د AD له امله د MCI، ډیمنشیا، عصبي عصبي عصبي اختلال او عصبي عصبي اختلال تشخیص د ځانګړي او ځانګړي تشخیصي معیارونو پراساس و چې د دماغي اختلالاتو تشخیص او احصایوي لارښود کې تشریح شوي: DSM-5 [16]. د دې اصلاح شوي تشخیصونو په پام کې نیولو سره، د ډلبندۍ دوه ماډلینګ سکیمونه په جلا توګه د XL فرعي ډیټاسیټ لپاره پلي شوي ترڅو د هر لومړني تشخیص کټګورۍ لپاره د شدت کچه ​​(د نیمګړتیا کچه) توپیر وکړي. د دې تشخیصي ماډلینګ سکیمونو (AD او VaD) په هر یو کې کارول شوي ډیټا کې د ډیموګرافیک او د ناروغ تاریخ معلومات شامل دي، او همدارنګه د MemTrax فعالیت (MTx-% C، معنی MTx-RT). هر تشخیص د معتدل لیبل شوی و که چیرې MCI ټاکل شوی وي؛ که نه نو، دا سخت ګڼل کیده. موږ په پیل کې د تشخیص موډلونو کې د MoCA سکور په شمول په پام کې نیولی وو (لمر او شدید)؛ مګر موږ پریکړه وکړه چې دا به زموږ د ثانوي وړاندوینې ماډلینګ سکیم هدف مات کړي. دلته زده کونکي به د نورو ناروغانو ځانګړتیاو په کارولو سره روزل کیږي چې چمتو کونکي ته په اسانۍ سره شتون لري او د ساده MemTrax ازموینې (د MoCA په ځای) د "سرو زرو معیار" ، خپلواک کلینیکي تشخیص په مقابل کې د فعالیت میټریکونه. د AD تشخیص ډیټا سیټ کې 69 قضیې او د VaD 76 قضیې شتون درلود (جدول 2). په دواړو ډیټاسیټونو کې، 12 خپلواکې ځانګړتیاوې وې. د 10 ځانګړتیاو سربیره چې د MoCA سکور طبقه بندي کې شامل دي، د ناروغ تاریخ هم د لوړ فشار او سټروک تاریخ په اړه معلومات شامل کړي.

جدول 2

د ماډلینګ سکیم توپیرونو لنډیز چې د تشخیص شدت طبقه بندي لپاره کارول کیږي (معمولي او شدید)

د ماډلینګ سکیممعتدل (منفي ټولګي)شدید (مثبت ټولګي)
MCI-AD د AD په مقابل کې12 (17.4٪)57 (82.6٪)
MCI-VaD د VaD په مقابل کې38 (50.0٪)38 (50.0٪)

په هر ټولګي کې د ټولو ناروغانو اړونده شمیره او سلنه د لومړني تشخیص کټګورۍ (AD یا VaD) لخوا توپیر لري.

Statistics

د هر ماډل طبقه بندي کولو ستراتیژۍ لپاره د فرعي ډیټاسیټونو ترمینځ د ګډون کونکو ځانګړتیاو او نورو شمیرو ځانګړتیاو پرتله کول (د MoCA ادراکي روغتیا او تشخیص شدت وړاندوینه کول) د Python برنامې ژبې (نسخه 2.7.1) [17] په کارولو سره ترسره شوي. د ماډل فعالیت توپیرونه په پیل کې د یو واحد یا دوه فکتور (لکه مناسب) ANOVA په کارولو سره د 95٪ باور وقفې سره او د توکی صادق مهم توپیر (HSD) ازموینې سره د فعالیت وسیلو پرتله کولو لپاره ټاکل شوي. د ماډل اجرااتو تر مینځ د توپیرونو ازموینه د Python او R (نسخه 3.5.1) [18] ترکیب په کارولو سره ترسره شوې. موږ دا (که څه هم، د غوره څخه لږ تر لږه) طریقه یوازې په دې برخه کې د هورسټیک مرستې په توګه کاروو. لومړنۍ مرحله د احتمالي کلینیکي غوښتنلیک په تمه کولو کې د لومړني ماډل فعالیت پرتله کولو لپاره. بیا موږ د ماډل فعالیت توپیرونو احتمال معلومولو لپاره د پوسټر توزیع په کارولو سره د بایسیان لاسلیک شوي درجې ازموینه وکاروله [19]. د دې تحلیلونو لپاره، موږ وقفه -0.01، 0.01 وکاروو، دا په ګوته کوي چې که دوه ډلې د 0.01 څخه کم د فعالیت توپیر ولري، دوی ورته ګڼل کیږي (د عملي انډول په ساحه کې)، یا بل ډول دوی توپیر درلود (یو څخه غوره هغه بل). د طبقه بندیانو د بایسیان پرتله کولو او د دې احتمالاتو محاسبه کولو لپاره ، موږ د بای کامپ کتابتون (نسخه 1.0.2) د Python 3.6.4 لپاره وکاروه.

د وړاندوینې ماډلینګ

موږ د هر ناروغ د MoCA ازموینې پایلې یا د کلینیکي تشخیص شدت وړاندوینه کولو (طبقه کولو) لپاره زموږ د ماډلینګ سکیمونو لس ټولیز توپیرونو په کارولو سره وړاندوینې ماډلونه جوړ کړل. ټول زده کونکي پلي شوي او ماډلونه د خلاصې سرچینې سافټویر پلیټ فارم Weka [20] په کارولو سره رامینځته شوي. زموږ د لومړني تحلیل لپاره، موږ د زده کړې 10 عام کارول شوي الګوریتمونه استخدام کړل: 5-نږدې ګاونډیان، د C4.5 پریکړې ونې دوه نسخې، لوژستیک ریګریشن، ملټي لییر پرسیپټرون، ناوی بایس، د بې ترتیب ځنګل دوه نسخې، د ریډیل اساس فعالیت شبکه، او د ملاتړ ویکتور ماشین. د دې الګوریتم کلیدي ځانګړتیاوې او توپیرونه په بل ځای کې تشریح شوي [21] (د اړونده ضمیمه وګورئ). دا غوره شوي ځکه چې دوی د زده کونکو مختلف ډولونه استازیتوب کوي او ځکه چې موږ د ورته معلوماتو په تیرو تحلیلونو کې د دوی په کارولو سره بریا ښودلې. د هایپر پیرامیټ تنظیمات زموږ د پخوانیو څیړنو څخه غوره شوي چې دا په ګوته کوي چې دوی په مختلف مختلف ډیټاونو کې قوي وي [22]. زموږ د لومړني تحلیل د پایلو پراساس چې د ورته ګډ ډیټاسیټ په کارولو سره د عامو ځانګړتیاو سره چې وروسته په بشپړ تحلیل کې کارول شوي و، موږ درې زده کونکي وپیژندل چې په ټولو ټولګیو کې په دوامداره توګه قوي فعالیت وړاندې کوي: لوژستیک ریګریشن، ناوی بایس، او د ویکتور ماشین ملاتړ.

د کراس اعتبار او ماډل فعالیت میټریک

د ټولو وړاندوینې ماډلینګ لپاره (د لومړنیو تحلیلونو په شمول)، هر ماډل د 10-fold کراس اعتبار په کارولو سره جوړ شوی و، او د ماډل فعالیت د رسیدونکي عملیاتي ځانګړتیا منحل لاندې ساحه (AUC) په کارولو سره اندازه شوی. کراس- اعتبار په تصادفي ډول د 10 ماډلینګ سکیم ډیټاسیټونو څخه په 10 مساوي برخو (ډزونو) ویشلو سره پیل شو ، د دې اړوندو برخو څخه نهه یې د ماډل روزنې لپاره او پاتې برخې د ازموینې لپاره کارولې. دا کړنلاره 10 ځله تکرار شوه، په هر تکرار کې د ازموینې په توګه د مختلف برخې په کارولو سره. بیا پایلې د وروستي ماډل پایلې / فعالیت محاسبه کولو لپاره یوځای شوي. د هر زده کونکي / ډیټاسیټ ترکیب لپاره ، دا ټوله پروسه 10 ځله تکرار شوې او ډیټا هر ځل په مختلف ډول ویشل کیږي. دې وروستي ګام تعصب کم کړ، د تکرار وړتیا یې تضمین کړه، او د ټول ماډل فعالیت په ټاکلو کې یې مرسته وکړه. په مجموع کې (د MoCA سکور او د تشخیص د شدت درجه بندي سکیمونو لپاره په ګډه)، 6,600 ماډلونه جوړ شوي. پدې کې 1,800 غیر فلټر شوي ماډلونه شامل دي (6 د ماډلینګ سکیمونه په ډیټاسیټ کې پلي شوي × 3 زده کونکي × 10 منډې × 10 فولډ = 1,800 موډلونه) او 4,800 فلټر شوي ماډلونه (4 د ماډلینګ سکیمونه په ډیټاسیټ کې پلي شوي × 3 زده کونکي × 4 فیچر انتخاب تخنیکونه × 10 منډې × 10 فولډ = 4,800 ماډل).

د انتخاب ټاکنه

د فلټر شوي ماډلونو لپاره، د ځانګړتیاوو انتخاب (د څلورو ځانګړتیاوو د درجه بندي میتودونو په کارولو سره) د کراس تایید کې ترسره شوی. د هر 10 فولډونو لپاره، لکه څنګه چې د ډیټاسیټ مختلف 10٪ د ازموینې ډیټا وه، د هرې روزنې ډیټاسیټ لپاره یوازې غوره څلور غوره شوي ځانګړتیاوې (د بیلګې په توګه، نور نهه فولډونه، یا د ټول ډیټاسیټ پاتې 90٪) کارول شوي. د ماډلونو جوړولو لپاره. موږ نشو کولی دا تایید کړو چې په هر ماډل کې کوم څلور ځانګړتیاوې کارول شوي، ځکه چې دا معلومات د ماډلینګ پلیټ فارم کې ندي زیرمه شوي یا شتون نلري چې موږ یې کارولی (ویکا). په هرصورت، زموږ د غوره ځانګړتیاوو په ابتدايي انتخاب کې ثبات ته په پام سره کله چې درجه بندي په ټول ګډ ډیټاسیټ کې پلي شوي او د ماډلینګ پرفارمنس کې ورته ورته والی، دا ورته ځانګړتیاوې) عمر، د زده کړې کلونه، MTx-٪ C، او معنی MTx-RT ) احتمال لري چې د کراس تایید کولو پروسې کې د فیچر انتخاب سره یوځای کارول شوي غوره څلور کارول شوي.

پایلې

د برخه اخیستونکي شمیرې ځانګړتیاوې (د MoCA سکورونو او د MemTrax فعالیت میټریکونو په شمول) د اړوندو ډیټاسیټونو د هر ماډل طبقه بندي کولو ستراتیژۍ لپاره چې د MoCA - اشاره شوي ادراکي روغتیا (نورمال په مقابل کې MCI) وړاندوینه کوي او د تشخیص شدت (لمر او شدید) په 3 جدول کې ښودل شوي.

جدول 3

د هر ماډل ډلبندۍ ستراتیژۍ لپاره د ګډون کونکي ځانګړتیاوې، د MoCA نمرې، او د MemTrax فعالیت

د طبقه بندي ستراتیژيعمرښوونهMoCA تعدیل شوید MoCA نه تعدیل شویMTx-٪ CMTx-RT
د MoCA کټګورۍ61.9 y (13.1)9.6 y (4.6)19.2 (6.5)18.4 (6.7)74.8٪ (15.0)1.4 ثانیې (0.3)
د تشخیص شدت65.6 y (12.1)8.6 y (4.4)16.7 (6.2)15.8 (6.3)68.3٪ (13.8)1.5 ثانیې (0.3)

ښودل شوي ارزښتونه (معنی، SD) د ماډلینګ ډلبندۍ ستراتیژیو لخوا توپیر شوي د ګډ ډیټاسیټ استازیتوب کوي چې د MoCA - اشاره شوي ادراکي روغتیا (MCI په مقابل کې نورمال) وړاندوینه کولو لپاره کارول کیږي او د XL فرعي ډیټاسیټ یوازې د تشخیص شدت وړاندوینې لپاره کارول کیږي (معمولي او شدید).

(p = 0.000) د عمر، زده کړې، او د میم ټریکس فعالیت (MTx-% C او MTx-RT) لپاره د هر یو جوړه پرتله (د MCI په پرتله نورمال ادراکي روغتیا) کې. د هر ترکیب لپاره د اړوند MCI ټولګي کې د هر ناروغ فرعي ډیټاسیټ په اوسط ډول له 9 څخه تر 15 کلونو پورې عمر درلود ، د پنځه لږو کلونو زده کړې راپور ورکړ ، او د دواړو میټریکونو لپاره د MemTrax فعالیت لږ مناسب و.

د MoCA سکور کټګوریو لپاره د وړاندوینې ماډلینګ فعالیت پایلې د غوره دریو زده کونکو په کارولو سره ، لوژستیک ریګریشن ، نییو بایس ، او د ملاتړ ویکتور ماشین په 4 جدول کې ښودل شوي. دا درې په ټولو مختلف ماډلونو کې د خورا دوامداره لوړ مطلق زده کونکي فعالیت پراساس غوره شوي. د ټولو ماډلینګ سکیمونو لپاره ډیټاسیټونو کې پلي شوي. د غیر فلټر شوي ډیټا سیټ او ماډلینګ لپاره ، په 4 جدول کې د معلوماتو هر یو ارزښت د AUC اړوند معنی پراساس د ماډل فعالیت په ګوته کوي چې د هر زده کونکي / ماډلینګ سکیم ترکیب لپاره رامینځته شوي د 100 ماډلونو (10 رنز × 10 فولډونو) څخه اخیستل شوي ، د اړوند لوړ سره. د زده کونکي اجرا کول په بولډ کې ښودل شوي. په داسې حال کې چې د فلټر شوي ډیټاسیټ ماډلینګ لپاره، په 4 جدول کې راپور شوي پایلې د هر زده کونکي لپاره د 400 ماډلونو څخه د ټولیز اوسط ماډل فعالیت منعکس کوي چې د هر یو فیچر درجه بندي میتودونه کاروي (د 4 فیچر درجه بندي میتودونه × 10 منډې × 10 فولډ).

جدول 4

Dichotomous MoCA د ټولو اړوندو ماډلینګ سکیمونو لپاره د دریو غوره ترسره کونکو زده کونکو څخه د هر یو لپاره د AUC؛ 0.0-1.0 سکور درجه بندي فعالیت پایلې

د فیچر سیټ کارول شوید MoCA نمرېد قطع کولو حدلوژیستیک فشاربې باکيد ویکتور ماشین ملاتړ
غیر فلټر شوی (10 ځانګړتیاوې)سمول230.88620.89130.8695
260.89710.92210.9161
بې بنسټه230.91030.90850.8995
260.88340.91530.8994
فلټر شوي (4 ځانګړتیاوې)سمول230.89290.89540.8948
260.91880.92470.9201
بې بنسټه230.91350.91340.9122
260.91590.92360.9177

د فیچر سیټ، د MoCA سکور، او د MoCA سکور کټ آف حد د تغیراتو کارول، د هر ماډلینګ سکیم لپاره ترټولو لوړ فعالیت په کې ښودل شوی. ذکر شوي (لازمه نه ده چې د احصایې له پلوه د نورو ټولو څخه توپیر ولري چې په کې ندي ذکر شوي د اړوند ماډل لپاره).

د MoCA سکور نسخو او حدونو په ټولو ترکیبونو کې د زده کونکو پرتله کول (تنظیم شوي / نه تنظیم شوي او 23/26، په ترتیب سره) په ګډ غیر فلټر شوي ډیټا سیټ کې (د مثال په توګه د 10 عام ځانګړتیاو په کارولو سره) ، Naïve Bayes په عمومي ډول د لوړ فعالیت زده کونکی و. د 0.9093 درجه بندي فعالیت. د لوړ پوړو دریو زده کونکو په پام کې نیولو سره، د بایسیان سره تړلې لاسلیک شوي درجې ازموینې په ډاګه کړه چې احتمال (Pr) د لوژستیک ریګریشن څخه د نیکو بایس ښه فعالیت 99.9٪ و. برسېره پردې، د Naïve Bayes او Support Vector Machine ترمنځ، د زده کونکي په فعالیت کې د عملي انډول 21.0٪ احتمال (په دې توګه، د 79.0٪ احتمال د Naïve Bayes د ملاتړ ویکتور ماشین څخه ښه فعالیت کوي)، د 0.0٪ احتمال سره یوځای د ملاتړ ویکتور ماشین په ښه توګه ترسره کوي. د Naïve Bayes لپاره د فعالیت ګټه تقویه کوي. د ټولو زده کونکو / حدونو په اوږدو کې د MoCA سکور نسخه نور پرتله کول د تنظیم شوي (0.9027 په مقابل کې 0.8971، په ترتیب سره د غیر تنظیم شوي MoCA نمرو په کارولو سره د فعالیت لږ ګټه وړاندیز کوي؛ Pr (غیر تنظیم شوی> تنظیم شوی) = 0.988). په ورته ډول، د ټولو زده کونکو او د MoCA سکور نسخو کې د کټ آف حد پرتله کول د 26 په پرتله د 23 (0.9056 په پرتله 0.8942، په ترتیب سره د XNUMX په توګه د ډلبندۍ حد په کارولو سره د ډلبندۍ د فعالیت یوه کوچنۍ ګټه په ګوته کوي؛ Pr (26 > 23) = 0.999). په نهایت کې، د ماډلونو لپاره د طبقه بندي فعالیت معاینه کول چې یوازې فلټر شوي پایلې کاروي (د بیلګې په توګه، یوازې د لوړ رتبه څلور ځانګړتیاوې)، Naïve Bayes (0.9143) په عددي توګه د MoCA د ټولو نمرو نسخو / حدونو کې د لوړ فعالیت زده کونکی و. په هرصورت، د ټولو ځانګړتیاوو درجه بندي تخنیکونو کې یوځای شوي، ټول لوړ فعالیت زده کونکو ورته ورته ترسره کړي. د بایسیان لاسلیک شوي درجې ازموینې د فلټر شوي زده کونکو هرې جوړې ترمنځ د عملي انډول احتمال 100٪ ښودلی. لکه څنګه چې د غیر فلټر شوي معلوماتو سره (د ټولو 10 عامو ځانګړتیاو په کارولو سره)، بیا د MoCA سکور غیر تنظیم شوي نسخې لپاره د فعالیت ګټه وه (Pr (غیر تنظیم شوی> تعدیل شوی) = 1.000)، او همدارنګه د 26 د طبقه بندي حد لپاره ورته ورته جلا ګټه (Pr (26 > 23) = 1.000). د پام وړ، د ټولو MoCA سکورونو نسخو / حدونو کې د هر یو لوړ پوړو زده کونکو اوسط فعالیت یوازې د لوړ رتبه څلورو ځانګړتیاو په کارولو سره د غیر فلټر شوي معلوماتو په اړه د هر زده کونکي اوسط فعالیت څخه ډیر دی. د حیرانتیا خبره نده، د فلټر شوي ماډلونو طبقه بندي فعالیت (د لوړ پوړو څلورو ځانګړتیاو په کارولو سره) په ټولیز ډول د غیر فلټر شوي ماډلونو (0.9119) څخه غوره (0.8999) وه، پرته له دې چې د ځانګړتیاوو درجه بندي میتود ماډلونه په پام کې نیولو سره چې د ټولو 10 عامو کارولو په کارولو سره د اړوندو ماډلونو سره پرتله شوي. برخی. د هر فیچر انتخاب میتود لپاره، د غیر فلټر شوي ماډلونو په پرتله د فعالیت ګټې 100٪ احتمال شتون درلود.

د هغه ناروغانو سره چې د AD تشخیص شدت طبقه بندي لپاره په پام کې نیول شوي، د عمر لپاره د ګروپ (MCI-AD په مقابل کې AD) توپیرونه (p = 0.004)، زده کړه (p = 0.028)، د MoCA نمرې تعدیل شوي / غیر تنظیم شوي (p = 0.000)، او MTx-٪ C (p = 0.008) د احصایې له پلوه مهم وو؛ پداسې حال کې چې د MTx-RT لپاره دا نه وه (p = 0.097). د هغو ناروغانو سره چې د VaD تشخیص شدت طبقه بندي لپاره په پام کې نیول شوي، د ګروپ تر منځ (MCI-VaD په مقابل کې VaD) توپیرونه د MoCA سکور لپاره تنظیم شوي / غیر تنظیم شوي (p = 0.007) او MTx-٪ C (p = 0.026) او MTx-RT (p = 0.001) د احصایې له پلوه مهم وو؛ پداسې حال کې چې د عمر لپاره (p = 0.511) او تعلیم (p = 0.157) د ګروپ ترمنځ کوم مهم توپیرونه شتون نلري.

د وړاندوینې ماډلینګ فعالیت پایلې د تشخیص شدت ډلبندۍ لپاره د دریو مخکینیو غوره شوي زده کونکو په کارولو سره ، لوژیستیک ریګریشن ، نییو بایس ، او ملاتړ ویکتور ماشین په 5 جدول کې ښودل شوي. په داسې حال کې چې اضافي معاینه شوي زده کونکو په انفرادي ډول یو څه قوي فعالیت ښودلی د دوه کلینیکي تشخیص محاسبې سره. ، هغه درې زده کونکي چې موږ یې زموږ په تیرو ماډلینګ کې ترټولو غوره په توګه پیژندلي وو د دواړو نوي ماډلینګ سکیمونو سره خورا ثابت فعالیت وړاندې کړ. د هر ابتدايي تشخیص کټګوریو (AD او VaD) کې د زده کونکو پرتله کول، د MCI-VaD په مقابل کې د VAD لپاره د زده کونکو ترمنځ د درجه بندي فعالیت توپیر شتون نه درلود، که څه هم د ملاتړ ویکتور ماشین په عمومي توګه ډیر ښه ترسره کوي. په ورته ډول، د MCI-AD په پرتله د AD طبقه بندي لپاره د زده کونکو ترمنځ کوم مهم توپیر شتون نه درلود، که څه هم Naïve Bayes (NB) د لوژیستیک ریګریشن (LR) په پرتله د فعالیت لږ ګټه درلوده او د ملاتړ ویکتور ماشین په پرتله د 61.4٪ احتمالاتو سره یو څه کم کثرت درلود. او په ترتیب سره 41.7٪. په دواړو ډیټاسیټونو کې، د ملاتړ ویکتور ماشین (SVM) لپاره د عمومي فعالیت ګټه شتون درلود، سره Pr (SVM > LR) = 0.819 او Pr (SVM > NB) = 0.934. د XL فرعي ډیټاسیټ کې د تشخیص د شدت وړاندوینې کې د ټولو زده کونکو په مینځ کې زموږ د ټولیز درجه بندي فعالیت د AD په پرتله د VaD تشخیص کټګورۍ کې غوره و (Pr (VAD > AD) = 0.998).

جدول 5

د ډیکوټوموس کلینیکي تشخیص د شدت درجه بندي فعالیت (AUC؛ 0.0-1.0) د دواړو اړوندو ماډلینګ سکیمونو لپاره د دریو غوره ترسره کونکو زده کونکو لپاره پایلې

د ماډلینګ سکیملوژیستیک فشاربې باکيد ویکتور ماشین ملاتړ
MCI-AD د AD په مقابل کې0.74650.78100.7443
MCI-VaD د VaD په مقابل کې0.80330.80440.8338

د هر ماډلینګ سکیم لپاره ترټولو لوړ فعالیت په کې ښودل شوی ذکر شوي (لازمه نه ده چې د احصایې له مخې د نورو په پرتله توپیر ولري ذکر شوي).

بحث

په ادراکي روغتیا کې د بدلونونو لومړني کشف مهم دي د شخصي روغتیا مدیریت او عامه روغتیا کې ورته عملي ګټه. په حقیقت کې، دا د نړۍ په کچه د ناروغانو لپاره په کلینیکي ترتیباتو کې خورا لوړ لومړیتوب دی. ګډ هدف دا دی چې ناروغان، پاملرنې کونکي، او چمتو کونکي خبر کړي او د هغو کسانو لپاره چې د ادراکي کمښت تجربه کوي مخکې مناسب او ارزانه درملنه او اوږدمهاله پاملرنې ته وده ورکړي. زموږ د دریو روغتونونو/کلینیکونو ډیټا فرعي سیټونو سره یوځای کولو سره، موږ درې ځانګړي غوره زده کونکي په ګوته کړل (د یو د پام وړ سټنډرډ - نایو بایس سره) ترڅو د کارولو وړاندوینې ماډلونه رامینځته کړي. د MemTrax فعالیت میټریکونه چې کولی شي په معتبر ډول د ادراکي روغتیا حالت طبقه بندي کړي دوه اړخیزه (نورمال ادراکي روغتیا یا MCI) لکه څنګه چې د MoCA مجموعي نمرې لخوا اشاره کیږي. د پام وړ، د ټولو دریو زده کونکو لپاره په ټولیزه توګه د ډلبندۍ فعالیت ښه شوی کله چې زموږ ماډل یوازې د لوړ رتبه څلور ځانګړتیاوې کاروي کوم چې په اصل کې د دې MemTrax فعالیت میټریکونو کې شامل دي. برسېره پردې، موږ د تشخیصي مالتړ طبقه بندي ماډلینګ سکیم کې د ورته زده کونکو او د MemTrax فعالیت میټریکونو کارولو لپاره ثابت ظرفیت څرګند کړ ترڅو د ډیمنشیا تشخیص دوه کټګوریو شدت توپیر وکړي: AD او VaD.

د حافظې ازموینه د AD [23, 24] د لومړني کشف لپاره مرکزي دی. په دې توګه، دا مناسبه ده چې MemTrax د منلو وړ، ښکیلتیا، او د آنلاین پلي کولو لپاره اسانه وي د episodic حافظې لپاره د سکرینینګ ازموینه په عامو خلکو کې [6]. د دې دوامداره فعالیت دندې څخه د پیژندنې دقت او د غبرګون وختونه په ځانګړي ډول د زده کړې ، حافظې او ادراک پورې اړوند نیوروپلاستیک پروسو کې د لومړني او پرمختللي خرابوالي او پایله کې نیمګړتیاو پیژندلو کې څرګندیږي. دا دی، دلته هغه ماډلونه چې په لویه کچه د MemTrax فعالیت میټریکونو پر بنسټ والړ دي حساس دي او ډیر احتمال لري چې په اسانۍ سره او لږ لګښت سره د انتقالي اسیمپټوماتیک مرحلې په جریان کې د بیولوژیکي نیوروپاتولوژیک خسارې څرګند کړي مخکې له دې چې د پام وړ فعال ضایع کیدو څخه مخکې [25]. Ashford et al. په آنلاین کاروونکو کې د پیژندنې حافظې دقت او غبرګون وخت نمونې او چلندونه له نږدې معاینه کړي چې پخپله یې د MemTrax سره برخه اخیستې [6]. په درناوي چې دا توزیع د غوره ماډلینګ کولو او د معتبر او مؤثره ناروغانو پاملرنې غوښتنلیکونو رامینځته کولو کې خورا مهم دي ، د کلینیکي پلي کیدو وړ پیژندنې او د ځواب وخت پروفایل تعریف کول د کلینیکي او څیړنې کارونې لپاره د ارزښتناکه بنسټیز حوالې رامینځته کولو کې اړین دي. د لومړني مرحلې ادراکي نیمګړتیا او توپیر تشخیصي مالتړ لپاره د AD سکرینینګ کې د میمټریکس عملي ارزښت بیا د کلینیکي ترتیب په شرایطو کې ډیر نږدې معاینه کولو ته اړتیا لري چیرې چې کوموربیډیتونه او ادراکي ، حسي ، او د موټرو وړتیاوې چې د ازموینې فعالیت اغیزه کوي په پام کې نیول کیدی شي. او د مسلکي لید خبرولو او د عملي کلینیکي کارونې هڅولو لپاره، دا لومړی اړین دی چې د یو رامینځته شوي ادراکي روغتیا ارزونې ازموینې پرتله وښیې، که څه هم وروستی ممکن د پیچلي ازموینې لوژستیک، تعلیم او ژبې مخنیوي، او کلتوري اغیزو لخوا د پیژندلو وړ محدودیت ولري [26] . په دې اړه، د MoCA سره د کلینیکي اغیزمنتیا په برخه کې د MemTrax مناسب پرتله کول چې معمولا د صنعت معیار په توګه پیژندل کیږي د پام وړ دي، په ځانګړې توګه کله چې د میم ټریکس د اسانتیا او د ناروغ منلو ډیر وزن وزن ولري.

پخوانۍ سپړنه چې د MoCA سره د MemTrax پرتله کول زموږ د ماډلینګ تحقیق تضمین کوي ​​دلیل او لومړني شواهد روښانه کوي [8]. په هرصورت، دا مخکینۍ پرتله یوازې د دوه کلیدي MemTrax فعالیت میټریکونو سره تړاو لري چې موږ د ادراکي حالت سره معاینه کړې لکه څنګه چې د MoCA لخوا ټاکل شوي او اړونده حدونه او کټ آف ارزښتونه تعریف شوي. موږ د وړاندوینې ماډلینګ پراساس چلند په سپړلو سره د MemTrax کلینیکي ارزونې ارزونه ژوره کړه چې د نورو احتمالي اړونده ناروغ - ځانګړي پیرامیټونو ډیر انفرادي غور چمتو کوي. د نورو په مقابل کې، موږ د MoCA سکور ته د زده کړې اصالحاتو (تعدیل) په کارولو سره د ماډل فعالیت کې کومه ګټه ونه موندله یا د ادراکي روغتیا توپیر د MoCA مجموعي نمرې حد له اصلي وړاندیز شوي 26 څخه تر 23 [12, 15] پورې. په حقیقت کې، د ډلبندۍ فعالیت ګټه د MoCA غیر تنظیم شوي نمرې او لوړ حد په کارولو سره غوره شوې.

په کلینیکي تمرین کې کلیدي ټکي

د ماشین زده کړه اکثرا د وړاندوینې ماډلینګ کې غوره کارول کیږي او خورا مؤثره وي کله چې ډیټا پراخه او څو اړخیزه وي ، دا هغه وخت دی چې ډیری مشاهدې شتون ولري او د لوړ ارزښت (ونډې کولو) ځانګړتیاو پراخه لړۍ وي. بیا هم، د دې اوسنیو معلوماتو سره، فلټر شوي ماډلونه چې یوازې څلور انتخاب شوي ځانګړتیاوې لري د ټولو 10 عامو ځانګړتیاو څخه کار اخیستلو په پرتله ښه کار کوي. دا وړاندیز کوي چې زموږ د روغتون مجموعي ډیټاسیټ خورا کلینیکي مناسب (لوړ ارزښت) ځانګړتیاوې نلري ترڅو ناروغان په دې ډول طبقه بندي کړي. سره له دې، د ځانګړتیا درجه بندي ټینګار د کلیدي MemTrax فعالیت میټریکونو باندې ټینګار کوي — MTx-% C او MTx-RT — په کلکه د دې ازموینې په شاوخوا کې د لومړني مرحلې ادراکي کسر سکرینینګ ماډلونو رامینځته کولو ملاتړ کوي چې ساده ، اداره کول اسانه ، ټیټ لګښت ، او په مناسب ډول څرګندول دي. د حافظې فعالیت، لږترلږه همدا اوس د ادراکي روغتیا حالت د بائنری طبقه بندي لپاره د لومړني سکرین په توګه. په چمتو کونکو او روغتیایی سیسټمونو باندې د تل پاتې فشار په پام کې نیولو سره، د ناروغ د سکرینینګ پروسې او کلینیکي غوښتنلیکونه باید په مناسب ډول رامینځته شي چې د ناروغانو ځانګړتیاو او ټیسټ میټریکونو راټولولو، تعقیب، او ماډل کولو باندې ټینګار وکړي چې خورا ګټور، ګټور، او په تشخیص کې اغیزمن ثابت شوي. او د ناروغ مدیریت ملاتړ.

د MCI طبقه بندي کولو لپاره د دوه کلیدي میمټریکس میټریکونو سره ، زموږ د غوره فعالیت زده کونکي (Naïve Bayes) په ډیری ماډلونو کې خورا لوړ وړاندوینې وړ فعالیت درلود (AUC له 0.90 څخه ډیر) د ریښتیني مثبت څخه غلط - مثبت تناسب سره نږدې یا یو څه حد ته نږدې 4. : 1. د ژباړونکي کلینیکي غوښتنلیک د دې زده کونکي په کارولو سره به پدې توګه ډیری هغه کسان ونیسي (په سمه توګه طبقه بندي) چې د ادراکي کسر سره مخ دي، پداسې حال کې چې په غلطۍ سره د عادي ادراکي روغتیا سره د ادراکي کسر (غلط مثبت) یا په غلطۍ سره طبقه بندي کولو لګښت کموي. په هغو کسانو کې چې د ادراکي کمښت لري (دروغ منفي). د غلط طبقې کولو له دې سناریو څخه یو هم کولی شي ناروغ او پاملرنې کونکو ته غیرقانوني رواني - ټولنیز بوج تحمیل کړي.

پداسې حال کې چې په لومړنیو او بشپړ تحلیلونو کې موږ د ماډلینګ په هر سکیم کې ټول لس زده کونکي کارولي، موږ خپلې پایلې په دریو طبقه بندی کونکو باندې متمرکزې کړې چې خورا ثابت قوي فعالیت ښیې. دا د دې معلوماتو پراساس د روښانه کولو لپاره هم و ، هغه زده کونکي چې تمه کیده په لوړه کچه په عملي کلینیکي غوښتنلیک کې د ادراکي حالت طبقه بندي په ټاکلو کې په انحصاري توګه ترسره کړي. سربیره پردې ، ځکه چې دا څیړنه د ادراکي سکرینینګ او دې وختي کلینیکي ننګونو په اړه د ماشین زده کړې ګټې اخیستنې په اړه د ابتدایی تحقیق په توګه ټاکل شوې وه ، موږ پریکړه وکړه چې د زده کړې تخنیکونه ساده او عمومي وساتو ، د لږترلږه پیرامیټر تونګ سره. موږ ستاینه کوو چې دا طریقه ممکن د ډیر محدود تعریف شوي ناروغ - ځانګړي وړاندوینې وړتیاو ظرفیت محدود کړي. په ورته ډول، پداسې حال کې چې یوازې د غوره ځانګړتیاوو (فلټر شوي طریقې) په کارولو سره د ماډلونو روزنه موږ ته د دې معلوماتو په اړه نور معلومات راکوي (د راټول شویو معلوماتو نیمګړتیاو ته ځانګړي کول او د قیمتي کلینیکي وخت او سرچینو په ښه کولو کې ارزښت روښانه کول)، موږ پوهیږو چې دا د وخت څخه مخکې محدود دی. د موډلونو ساحه او له همدې امله، ټول (او نور ځانګړتیاوې) باید د راتلونکي څیړنې سره په پام کې ونیول شي تر هغه چې موږ د لومړیتوب ځانګړتیاوو ډیر مشخص پروفایل ولرو چې د پراخ نفوس لپاره د تطبیق وړ وي. په دې توګه، موږ دا هم په بشپړه توګه پیژنو چې د دې او نورو ماډلونو ډیر جامع او په پراخه کچه نمایندګي ډاټا او اصلاح کول به اړین وي مخکې له دې چې دوی په مؤثره کلینیکي غوښتنلیک کې مدغم شي، په ځانګړې توګه د کموربیډیټیو ځای په ځای کولو لپاره چې د ادراکي فعالیت اغیزه کوي چې په نور کلینیکي ارزونه کې به په پام کې ونیول شي.

د MemTrax کارول د جلا کلینیکي تشخیص پراساس د ناروغۍ شدت ماډلینګ لخوا نور هم اصالح شوي. د VaD د شدت وړاندوینه کولو کې د ډلبندۍ غوره فعالیت (د AD په پرتله) نه و د عصبي روغتیا لپاره ځانګړي ماډلونو کې د ناروغ پروفایل ځانګړتیاو ته په پام سره حیرانتیا او د سټروک خطر، د بیلګې په توګه، د لوړ فشار، هایپرلیپیډیمیا، شکر ناروغۍ، او (البته) د سټروک تاریخ. که څه هم دا به ډیر مطلوب او مناسب وي چې ورته کلینیکي ارزونه د عادي ادراکي روغتیا سره د ورته ناروغانو په اړه ترسره شوې وي ترڅو زده کونکي د دې ډیرو شاملو معلوماتو سره وروزل شي. دا په ځانګړې توګه تضمین دی، ځکه چې MemTrax موخه دا ده چې په ابتدايي توګه د ادراکي کمښت د کشف او وروسته د انفرادي بدلون تعقیب لپاره وکارول شي. دا هم د منلو وړ ده چې د VaD ډیټاسیټ کې د ډیټا ډیر مطلوب توزیع د نسبتا غوره ماډل کولو فعالیت کې برخه اخیستې. د VaD ډیټاسیټ د دوو ټولګیو ترمنځ ښه متوازن و، پداسې حال کې چې د AD ډیټاسیټ د MCI لږ ناروغانو سره نه و. په ځانګړې توګه په کوچنیو ډیټاسیټونو کې، حتی یو څو اضافي مثالونه کولی شي د اندازه کولو وړ توپیر رامنځته کړي. دواړه لیدونه معقول دلیلونه دي چې د ناروغۍ شدت ماډلینګ فعالیت کې توپیر لري. په هرصورت، په متناسب ډول د ډیټاسیټ شمیري ځانګړتیاو ته د ښه فعالیت منسوبول یا د کلینیکي پریزنټشن لپاره ځانګړي اصلي ځانګړتیاوې په پام کې نیول وخت دمخه دی. په هرصورت، دا ناول د کلینیکي تشخیصي مالتړ په رول کې د MemTrax د وړاندوینې ډلبندۍ ماډل ګټورتیا ښودلې ارزښتناکه لید وړاندې کوي او د MCI په دوام کې د ناروغانو سره د اضافي معاینې لپاره تعقیب تاییدوي.

په چین کې د MemTrax او د دې ماډلونو پلي کول او ښودل شوي افادیت، چیرې چې ژبه او کلتور د تاسیس شوي افادیت له نورو سیمو څخه خورا توپیر لري (د بیلګې په توګه، فرانسه، هالنډ، او متحده ایالات) [7, 8, 27]، د دې احتمال نور هم روښانه کوي. د MemTrax میشته پلیټ فارم پراخه نړیوال منلو او کلینیکي ارزښت لپاره. دا د ډیټا همغږي کولو او د ادراکي سکرینینګ لپاره د عملي نړیوالو نورمونو او ماډلینګ سرچینو رامینځته کولو لپاره د هڅو یوه څرګند مثال دی چې په ټوله نړۍ کې د کارولو لپاره معیاري او په اسانۍ سره تطبیق کیږي.

د ادراکي کمښت ماډلینګ او غوښتنلیک کې راتلونکي ګامونه

په AD کې ادراکي اختلال په حقیقت کې په دوامداره توګه پیښیږي ، نه په جلا مرحلو یا مرحلو کې [28, 29]. په هرصورت، په دې ابتدايي مرحله کې، زموږ موخه دا وه چې لومړی زموږ وړتیا رامینځته کړو چې یو ماډل جوړ کړو چې MemTrax پکې شامل وي چې په بنسټیز ډول د "نورمال" څخه "نورمال" توپیر کولی شي. نور ټول شموله تجربه لرونکي معلومات (د بیلګې په توګه، د دماغ انځور کول، جینیاتي ځانګړتیاوې، بایومارکر، کموربیډیټیز، او د پیچلو فعالیت نښه کونکي هغه فعالیتونه چې ادراکي ته اړتیا لري کنټرول) [30] په مختلفو نړیوالو سیمو، نفوس، او د عمر ګروپونو کې د روزنې او پراختیا لپاره نور پیچلي (د مناسب وزن لرونکي انسبل په شمول) د ماشین زده کړې ماډلونه به د لوړې درجې درجه بندي ملاتړ وکړي، دا د ناروغانو ګروپونو طبقه بندي کولو ظرفیت دی. MCI د ادراکي کمښت دوام سره په کوچنیو او ډیرو مشخصو برخو کې. برسېره پردې، په سیمه ایزه کچه د مختلفو ناروغانو نفوس کې د افرادو لپاره همغږي کلینیکي تشخیص اړین دي په مؤثره توګه روزنه دا ډیر ټول شموله او د وړاندوینې وړ قوي ماډلونه. دا به د هغو کسانو لپاره چې ورته شالیدونه، اغیزې، او ډیر محدود تعریف شوي ځانګړتیاوې سنجوي پروفایلونه لري، د ځانګړي سټراټیف شوي قضیې مدیریت اسانه کړي او پدې توګه د کلینیکي پریکړې مالتړ او د ناروغ پاملرنې ته وده ورکړي.

تر نن نیټې پورې ډیری اړونده کلینیکي څیړنو هغه ناروغان په ګوته کړي چې لږ تر لږه د ډیمنشیا سره مخ دي؛ او، په عمل کې، ډیری وختونه د ناروغ مداخله یوازې په پرمختللو مرحلو کې هڅه کیږي. په هرصورت، ځکه چې ادراکي کمښت د ډیمنشیا لپاره د کلینیکي معیارونو له پوره کیدو دمخه ښه پیل کیږي، د MemTrax پر بنسټ په اغیزمنه توګه کارول شوي ابتدايي سکرین کولی شي د ناروغۍ او د هغې د پرمختګونو په اړه د افرادو مناسبه زده کړه وهڅوي او مخکې او ډیر وخت مداخلې ګړندي کړي. په دې توګه، ابتدايي کشف کولی شي د مناسب ښکیلتیا مالتړ وکړي چې د تمرین، خواړو، احساساتي مالتړ، او د فارماکولوژیکي مداخلې څخه ښه ټولنیز کول او په چلند او انګیرنې کې د ناروغ پورې اړوند بدلونونه پیاوړي کوي چې په واحد یا مجموع کې کولی شي د ډیمنشیا پرمختګ کم کړي یا په بالقوه توګه ودروي [31, 32] . سربیره پردې، په اغیزمنه توګه ابتدايي سکرینینګ، اشخاص او د دوی کورنۍ ممکن د کلینیکي آزموینو په پام کې نیولو یا مشورې ورکولو او نورو ټولنیزو خدماتو ملاتړ ترلاسه کولو ته وهڅول شي ترڅو د تمې او ارادې روښانه کولو کې مرسته وکړي او ورځني دندې اداره کړي. په دې طریقو کې نور تایید او پراخه عملي ګټه اخیستنه د ډیری اشخاصو لپاره د MCI، AD، او ADRD پرمختګ کمولو یا بندولو کې وسیله کیدی شي.

په حقیقت کې، زموږ په څیړنه کې د ناروغ د عمر حد ټیټ پای د AD سره د دودیز اندیښنې نفوس استازیتوب نه کوي. سره له دې، د هرې ډلې منځنۍ عمر چې د طبقه بندي ماډلینګ سکیمونو کې د MoCA سکور/درېشولډ او د تشخیص شدت (جدول 3) پر بنسټ کارول کیږي د روښانه اکثریت (80٪ څخه ډیر) لږ تر لږه 50 کلن دی. په دې توګه دا ویش د عمومي کولو لپاره خورا مناسب دی، په نفوس کې د دې ماډلونو د کارونې مالتړ کوي چې په عمومي ډول اغیزمن شوي. ژر پیل او د AD او VaD له امله د عصبي ناروغۍ وده. همدارنګه، وروستي شواهد او لید هغه پیژندل شوي فکتورونه فشار راوړي (د بیلګې په توګه، لوړ فشار، چاقۍ، شکر، او سګرټ څښل) په بالقوه توګه د لوړې کچې سره مرسته کوي. د بالغ او منځني ژوند د عصبي خطر نمرې او په پایله کې د فرعي عصبي مغز زخم چې حتی په ځوانو کې د څرګند اغیزو سره په کلکه وده کوي لویان [33-35]. په دې اساس، د ابتدايي کشف لپاره ترټولو غوره ابتدايي سکرینینګ فرصت د ادراکي نیمګړتیاو مرحله او د ډیمینشیا په بریالیتوب سره په نښه کولو کې د مؤثره مخنیوي او مداخلې ستراتیژیو پیل کول د عمر په اوږدو کې د مرسته کونکي فکتورونو او مخکیني شاخصونو معاینه کولو څخه راپورته کیږي ، پشمول د ځوانۍ دمخه او احتمالي حتی ماشومتوب (د جنیټیک فکتورونو تړاو لکه د امیندوارۍ له پیل څخه د apolipoprotein E په پام کې نیولو سره).

په عمل کې، معتبر کلینیکي تشخیصونه او د پرمختللي عکس العمل لپاره قیمتي پروسیجرونه، جینیاتي پروفایل کول، او د ژمنو بایومارکرونو اندازه کول تل د ډیری چمتو کونکو لپاره په اسانۍ سره شتون نلري یا حتی د امکان وړ ندي. په دې توګه، په ډیری مواردو کې، د ابتدايي ټول ادراکي روغتیا حالت طبقه بندي ممکن د نورو ساده میټریکونو په کارولو سره د ناروغ لخوا چمتو شوي ماډلونو څخه اخیستل شوي وي (د بیلګې په توګه، پخپله راپور شوی د حافظې ستونزې، اوسني درمل، او د ورځني فعالیت محدودیتونه) او عام ډیموګرافیک ځانګړتیاوې [7]. راجسترونه لکه د کالیفورنیا پوهنتون د دماغ روغتیا راجسټری (https://www.brainhealthregistry.org/) [27] او نور د ځان راپور شوي نښې نښانې، کیفیتي اقدامات (د بیلګې په توګه، خوب او هره ورځ معرفت)، درمل، روغتیا وضعیت، او تاریخ، او ډیر مفصل ډیموګرافیک به په کلینیک کې د دې نورو لومړني ماډلونو عملي غوښتنلیک رامینځته کولو او تصدیق کولو کې مهم وي. برسېره پردې، یوه ازموینه لکه MemTrax، چې د حافظې فعالیت ارزولو کې یې ګټورتیا ښودلې، ممکن په حقیقت کې د بیولوژیکي نښه کونکو په پرتله د AD رنځپوهنې خورا ښه اټکل وړاندې کړي. د دې په پام کې نیولو سره چې د AD رنځپوهنې اصلي ځانګړتیا د نیوروپلاستیکیت ګډوډي او د Synapses خورا پیچلي زیان دی، کوم چې د پیښې په توګه څرګندیږي. د حافظې ضعف، یو اندازه چې د پیښو حافظه ارزوي په حقیقت کې په ژوندی ناروغ کې د بیولوژیکي مارکرونو په پرتله د AD رنځولوژیکي بار ښه اټکل چمتو کړئ [36].

د ټولو وړاندوینې ماډلونو سره - ایا د عصري ټیکنالوژۍ پیچلي او ټول شموله ډیټا لخوا بشپړ شوي او په ډیری ډومینونو کې د کلینیکي بصیرت اصلاح شوي یا د موجوده ناروغانو پروفایلونو ځانګړتیاو پورې خورا لومړني او په اسانۍ سره موجود معلوماتو پورې محدود دي - د مصنوعي استخباراتو پیژندل شوې ګټه او د ماشین زده کړه دا ده چې پایله لرونکي ماډلونه کولی شي د اړونده نوي ډیټا او لید څخه چې د غوښتنلیک د روانې کارونې لخوا چمتو شوي ترکیب او په زړه پورې ډول "زده کړي" شي. د عملي ټیکنالوژۍ لیږد وروسته، لکه څنګه چې دلته ماډلونه (او پراختیا ومومي) د ډیرو قضیو او اړوندو معلوماتو سره پلي کیږي او بډایه کیږي (پشمول د هغو ناروغانو په شمول چې د سنجوي کمښت سره وړاندې کیدی شي)، د وړاندوینې فعالیت او د ادراکي روغتیا طبقه بندي به خورا پیاوړې وي، د ډیر اغیزمن کلینیکي پریکړې مالتړ ګټورتیا پایله. دا تکامل به په بشپړ ډول او په عملي ډول د MemTrax په دودیز (د شته وړتیاوو په نښه شوي) پلیټ فارمونو کې د ځای په ځای کولو سره احساس شي چې د روغتیا پاملرنې چمتو کونکي کولی شي په ریښتیني وخت کې په کلینیک کې وکاروي.

د تشخیصي مالتړ او د ناروغانو پاملرنې لپاره د MemTrax ماډل تایید او کارونې لپاره اړین دي د معنی لرونکي اوږدمهاله ډیټا په لټه کې دي. د MCI د ابتدايي مرحلې له لارې په کافي اندازه نورمال حد کې په کلینیکي حالت کې د همغږي بدلونونو (که کوم وي) مشاهده کولو او ثبتولو سره، د مناسبې روانې ارزونې او طبقه بندي ماډلونه د ناروغانو د عمر په توګه روزل او تعدیل کیدی شي او درملنه کیږي. دا دی، تکرار کارول کولی شي د معتدل ادراکي بدلونونو اوږد مهاله تعقیب، د مداخلې اغیزمنتوب، او د باخبره سطحي پاملرنې ساتلو کې مرسته وکړي. دا طریقه د کلینیکي تمرین او د ناروغ او قضیې مدیریت سره ډیر نږدې سره سمون لري.

محدودیتونه

موږ په کنټرول شوي کلینیک / روغتون کې د پاکو کلینیکي معلوماتو راټولولو کې ننګونې او ارزښت ستاینه کوو. سره له دې، دا به زموږ ماډلینګ پیاوړی کړي که زموږ ډیټاسیټونو کې نور ناروغان د عام ځانګړتیاو سره شامل وي. برسېره پردې، زموږ د تشخیص ماډلینګ لپاره مشخص، دا به ډیر مطلوب او مناسب وي چې ورته کلینیکي ارزونه د عادي ادراکي روغتیا سره د ورته ناروغانو په اړه ترسره شي ترڅو زده کونکي وروزل شي. او لکه څنګه چې د فلټر شوي ډیټاسیټ په کارولو سره د لوړې ډلبندۍ فعالیت لخوا په ګوته شوي (یوازې لوړ رتبه څلور ځانګړتیاوې)، نور عمومي او د ادراکي روغتیا اقدامات / شاخصونه به احتمال ښه شوي وي د ماډلینګ فعالیت په ټولو ناروغانو کې د ډیری عام ځانګړتیاو سره.

ځینې ​​برخه اخیستونکي ممکن په ورته وخت کې د نورو ناروغیو سره مخ شوي وي چې ممکن انتقالي یا اوږدمهاله ادراکي نیمګړتیاوې رامینځته کړي. د XL فرعي ډیټاسیټ پرته چیرې چې ناروغان په تشخیصي ډول د AD یا VaD درلودو په توګه طبقه بندي شوي ، د YH ناروغانو په حوض کې د کموربیډیټي ډیټا راټول شوي / راپور شوي ندي ، او د KM فرعي ډیټاسیټ کې ترټولو لوی راپور شوي کموربیډیټي د شکر ناروغي وه. په هرصورت، دا د استدلال وړ ده چې زموږ د ماډلینګ سکیمونو کې د ناروغانو په شمول د کموربیډیټیو سره چې کولی شي د ادراکي کمښت کچه ​​ګړندۍ یا زیاته کړي او په پایله کې د MemTrax ټیټ فعالیت به د دې ډیر عمومي شوي لومړني ادراکي سکرینینګ لپاره د ریښتیني نړۍ په نښه شوي ناروغ نفوس ډیر استازی وي. او د موډل کولو طریقه. مخ په وړاندې تلل، د کموربیډیټیو دقیق تشخیص په بالقوه توګه د ادراکي فعالیت اغیزه کوي د ماډلونو او په پایله کې د ناروغانو پاملرنې غوښتنلیکونو اصلاح کولو لپاره په پراخه کچه ګټور دي.

په نهایت کې، د YH او KM فرعي ډیټاسیټ ناروغانو د MemTrax ازموینې اخیستو لپاره سمارټ فون کارولی، پداسې حال کې چې د XL فرعي ډیټاسیټ محدود شمیر ناروغانو یو iPad کارولی او پاتې نور یې سمارټ فون کاروي. دا کولی شي د MoCA طبقه بندي ماډلینګ لپاره د MemTrax فعالیت کې د وسیلې پورې اړوند لږ توپیر معرفي کړي. په هرصورت، توپیرونه (که کوم وي) په MTx-RT کې، د بیلګې په توګه، د وسیلو تر مینځ به احتمال د پام وړ وي، په ځانګړې توګه د هر ګډون کونکي سره د ثبت شوي ازموینې فعالیت څخه مخکې د "تمرین" ازموینه ورکول کیږي. سره له دې، د دې دوه لاسي وسیلو کارول په بالقوه توګه د نورو میمټریکس پایلو سره مستقیم پرتله کولو او/یا ادغام سره موافقت کوي چیرې چې کاروونکو د کمپیوټر کیبورډ کې د سپیس بار په لمس کولو سره عکسونو تکرارولو ته ځواب ووایی.

د MemTrax وړاندوینې ماډلینګ کارونې په اړه کلیدي ټکي

  • • زموږ د غوره ترسره کولو وړاندوینې ماډلونه چې د ټاکل شوي MemTrax فعالیت میټریکونه پکې شامل دي کولی شي په معتبر ډول د ادراکي روغتیا حالت (نورمال ادراکي روغتیا یا MCI) طبقه بندي کړي لکه څنګه چې په پراخه کچه پیژندل شوي د MoCA ازموینې لخوا اشاره کیږي.
  • • دا پایلې د لومړني مرحلې ادراکي نیمګړتیا لپاره د کټګورۍ وړاندوینې ماډل سکرینینګ غوښتنلیک کې د ټاکل شوي MemTrax فعالیت میټریکونو ادغام ملاتړ کوي.
  • • زموږ د طبقه بندي ماډلینګ د ډیمنشیا تشخیص د شدت توپیر لپاره غوښتنلیکونو کې د MemTrax فعالیت کارولو احتمال هم څرګند کړ.

دا نوي موندنې دقیق شواهد رامینځته کوي چې د مؤثره کلینیکي قضیې مدیریت کې د تشخیصي مالتړ لپاره د قوي MemTrax پراساس طبقه بندي ماډلونو رامینځته کولو کې د ماشین زده کړې ګټورتیا مالتړ کوي او د هغو اشخاصو لپاره چې د ادراکي نیمګړتیا تجربه کوي د ناروغانو پاملرنې کې.

ACKNOWLEDGMENTS

موږ د J. Wesson Ashford، Curtis B. Ashford، او همکارانو کار پیژنو د آنلاین دوامداره پیژندنې دندې او وسیلې (MemTrax) پراختیا او اعتبار لپاره چې دلته کارول شوي او موږ د ډیمینشیا سره د ډیری ناروغانو څخه مننه کوو چې د اساسي بنسټیزو څیړنو سره یې مرسته کړې. . موږ په SJN Biomed LTD کې د Xianbo Zhou او د هغه همکارانو، د روغتونونو/کلینیکونو په ساحو کې د هغه همکارانو او همکارانو، په ځانګړې توګه ډاکټرانو څخه مننه کوو. ایم لو او ایم ژونګ، چې د ګډونوالو په ګمارلو، د ازموینو مهالویش کولو، او د معلوماتو راټولولو، ثبتولو، او مخکینۍ پای اداره کولو کې مرسته کړې، او داوطلب ګډونوال چې خپل ارزښتناکه وخت یې ورکړ او د ازموینې اخیستلو او چمتو کولو ژمنه یې وکړه. په دې څیړنه کې زموږ د ارزونې لپاره ارزښتناک معلومات. دا مطالعه د MD ساینسي څیړنې لخوا په برخه کې ملاتړ شوې د کونمینګ طبي پوهنتون برنامه (د مرستې شمیره 2017BS028 ته XL) او د یونان د ساینس او ​​​​ټیکنالوژۍ ډیپارټمنټ څیړنیز پروګرام (د مرستې شمیره 2019FE001 (-222) XL ته).

J. ویسن اشفورډ د ځانګړي دوامداره پیژندنې تمثیل کارولو لپاره د پیټینټ غوښتنلیک درج کړی چې پدې مقاله کې د عمومي لپاره بیان شوي د حافظې ازموینه.

MemTrax, LLC یو شرکت دی چې د کورټیس اشفورډ ملکیت دی، او دا شرکت اداره کوي د حافظې ازموینه سیسټم پدې مقاله کې تشریح شوی.

د لیکوال افشا کول آنلاین شتون لري (https://www.j-alz.com/manuscript-disclosures/19-1340r2).

د حافظې ټیسټ ډیمنشیا ټیسټ د حافظې له لاسه ورکولو ازموینه لنډمهاله حافظه له لاسه ورکولو ټیسټ رام ټیسټ د ذهن رژیم مختلف کتابونه ادراکي ازموینه آنلاین
کورټیس اشفورډ - د ادراکي څیړنې همغږي کونکی

ماخذونه

[1] د الزایمر ټولنه (2016) 2016 د الزایمر ناروغۍ حقایق او ارقام. د الزایمر خپګان 12، 459-509.
[2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) د ابتدايي مرحلې اغیز د الزییریر ناروغۍ د کورنۍ مالي پایلو په اړه. روغتیا اقتصاد 29، 18-29.
[3] فوسټر 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 ) د کیفیت ښه والی نیورولوژي: معتدل ادراکي نیمګړتیا د کیفیت اندازه کول. نیورولوژي 93، 705-713.
[4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) د کارولو لګښت اغیزمنتوب په لومړني پاملرنې کې د ډیمینشیا او معتدل ادراکي نیمګړتیا موندلو لپاره د ادراکي سکرینینګ ازموینې. Int J Geriatr Psychiatry 32, 1392-1400.
[5] اشفورډ JW، ګیر ای، بیلی PJ (2011) د حافظې اندازه کول په لوی ګروپ ترتیباتو کې د دوامداره پیژندنې ازموینې په کارولو سره. J Alzheimers Dis 27, 885–895.
[6] اشفورډ JW , Tarpin-Bernard F , Ashford CB , Ashford MT (2019) د پیښو د حافظې اندازه کولو لپاره د کمپیوټر شوي دوامداره پیژندنې دنده. J Alzheimers Dis 69, 385–399.
[7] Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) د ادراکي روغتیا وضعیت کټګورۍ وړاندوینې لپاره د ماشین زده کړې ماډلینګ کې د قسط - حافظې فعالیت. J Alzheimers Dis 70, 277–286.
[8] وان ډیر هویک MD ، نیووین هایزن A ، کیجیر J ، اشفورډ JW (2019) دی د MemTrax ازموینه د مونټریال ادراکي ارزونې په پرتله د معتدل ادراکي نیمګړتیا اټکل. J Alzheimers Dis 67, 1045-1054.
[9] Falcone M , Yadav N , Poellabauer C , Flynn P (2013) د لږ دردناک دماغي زخم طبقه بندي لپاره د جلا شوي غږ غږونو کارول. په 2013 کې د اکوسټیک، وینا او سیګنال پروسس کولو په اړه IEEE نړیوال کنفرانس، وینکوور، BC، pp. 7577-7581.
[10] Dabek F , Caban JJ (2015) د لوی ډیټا څخه ګټه پورته کول ترڅو د کنسریشن وروسته د رواني شرایطو د پراختیا احتمال ماډل کړي. پروسیډیا کمپیوټر ساینس 53، 265-273.
[11] کلیمینټ MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) د ټولنې درمل جوړونکو لخوا د ادراکي نیمګړتیا د ژر کشف لپاره د پریکړې ونې. فرنټ فارماکول 9، 1232.
[12] Nasreddine ZS , Phillips NA , Bedirian V , Charbonneau S , Whitehead V , Collin I , Cummings JL , Chertkow H (2005) د مونټریال ادراکي ارزونه، MoCA: د معتدل ادراکي نیمګړتیا لپاره د لنډ سکرینینګ وسیله. J Am Geriatr Soc 53, 695-699.
[13] Yu J, Li J, Huang X (2012) د مونټریال ادراکي ارزونې بیجینګ نسخه د معتدل ادراکي نیمګړتیا لپاره د لنډ سکرینینګ وسیلې په توګه: د ټولنې پر بنسټ مطالعه. د BMC رواني 12، 156.
[14] Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) د مونټریال ادراکي ارزونې د چینایي نسخې اعتبار د معتدل ادراکي نیمګړتیا د سکرین کولو لپاره بنسټیز. J Am Geriatr Soc 64, e285–e290.
[15] کارسن این، لیچ ایل، مرفي KJ (2018) د مونټریال ادراکي ارزونې (MoCA) کټ آف نمرو بیا ازموینه. Int J Geriatr Psychiatry 33, 379-388.
[16] د امریکا د رواني ناروغیو ټولنه (2013) کاري ځواک د رواني اختلالاتو تشخیص او احصایوي لارښود: DSM-5™، امریکایی رواني خپرونه، Inc.، واشنګټن، DC.
[17] پیتون. د Python سافټویر فاونډیشن، http://www.python.org، د نومبر په 15، 2019 ته رسیدلی.
[18] R اصلي ګروپ، R: د احصایې کمپیوټر لپاره ژبه او چاپیریال R بنسټ د احصایې کمپیوټري، ویانا، اتریش. https://www.R-project.org/، 2018، د نومبر په 15، 2019 ته رسیدلی.
[19] بینوولي A , Corani G , Demšar J , Zaffalon M (2017) د بدلون لپاره وخت: د بایسیان تحلیل له لارې د ډیری ډلبندیو پرتله کولو لپاره یوه ښوونه. J Mach زده کړه Res 18, 1-36.
[20] فرانک ای، هال MA، ویټین IH (2016) د WEKA کاري بینچ. په د معلوماتو کان کیندنه: د ماشین زده کړې عملي وسایل او تخنیکونه، فرانک ای، هال MA، Witten IH، Pal CJ، eds. مورګان کافمن 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) په ماډلینګ کې د ماشین زده کړه د عالي لیسې سپورټ کنسرس سمپټوم حل. د میډ سای سپورت تمرین 51، 1362-1371.
[22] وان هولس ج، خوشګوفتار TM، ناپولیټانو A (2007) د غیر متوازن معلوماتو څخه د زده کړې په اړه تجربه لرونکي لید. په د ماشین زده کړې په اړه د 24 نړیوال کنفرانس بهیر, Corvalis, Oregon, USA, pp. 935-942.
[23] اشفورډ JW , Kolm P , Colliver JA , Bekian C , Hsu LN (1989) د الزایمر ناروغ ارزونه او د کوچني ذهني حالت: د توکو ځانګړتیا وکر تحلیل. J Gerontol 44، 139-146.
[24] اشفورډ JW، جارویک ایل (1985) د الزایمر ناروغي: ایا د نیورون پلاستیکیت د محور نیوروفیبریلري انحطاط احتمال لري؟ N Engl J Med 313, 388–389.
[25] جیک CR جونیئر، 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، JuntemL GunterjL , Rocca WA , Petersen RC (2019) د بیولوژیکي پلوه په کلینیکي ډول تعریف شوي الزایمر سپیکٹرم ادارو خپریدل د عمر - الزایمر ملي انسټیټیوټ په کارولو سره د ټولنې څیړنه چوکاټ JAMA نیورول 76، 1174-1183.
[26] ژو ایکس ، اشفورډ JW (2019) د سکرینینګ وسیلو کې پرمختګ د الزییریر ناروغۍ. عمر 2 میډ، 88-93.
[27] وینر میګاواټ، نوشیني آر، کاماچو ایم، تروران-سکري ډي، مکین آر ایس، فلینیکن ډي، البریچټ اې، انسل پی، فنلي ایس، فوکلر ج، ویچ ډي (2018) د دماغ روغتیا راجسټری: د نیورو ساینس مطالعاتو لپاره د ګډون کونکو ګمارنې ، ارزونې او اوږد مهاله نظارت لپاره د انټرنیټ پراساس پلیټ فارم. د الزایمر خپګان 14، 1063-1076.
[28] اشفورډ JW , Schmitt FA (2001) د وخت کورس ماډلینګ الزایمر ډیمنشیا. د کرر رواني درملنه 3، 20-28.
[29] Li X , Wang X , Su L , Hu X , Han Y (2019) د سنجوي کمښت په اړه د سینو اوږدمهاله مطالعه (SILCODE): د چینایي اوږدمهاله مشاهدې مطالعې پروتوکول ترڅو په افرادو کې د ادراکي ادراکي نیمګړتیا لپاره د خطر وړاندوینې ماډلونو ته وده ورکړي کمیدل BMJ خلاص 9، e028188.
[30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) د پنځه کلن بایومارکر پرمختګ تغیرات د الزایمر ناروغي ډیمنشیا وړاندوینه: ایا د ورځني ژوند نښه کونکي پیچلي وسیله فعالیتونه تشې ډکولی شي؟ د الزایمر خپګان (Amst) 1، 521-532.
[31] مکګوران ایچ، ګلین JM، مادیرو این، بوټ NT (2019) د الزایمر ناروغۍ مخنیوی او درملنه: د تمرین بیولوژیکي میکانیزمونه. J Alzheimers Dis 69, 311–338.
[32] Mendiola-Precoma J، Berumen LC، Padilla K، Garcia-Alcocer G (2016) د درملنې لپاره د الزایمر ناروغۍ مخنیوی او درملنه. Biomed Res Int 2016، 2589276.
[33] لین 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 , موډات ایم، توماس ډي، ریچارډز ایم، فاکس NC، سکاټ JM (2020) په وروستي ژوند کې د بالغ عمر او دماغ رنځپوهنې په اوږدو کې د عصبي خطرونو ترمنځ اتحادیې: د برتانوي زیږون سره شواهد. JAMA نیورول 77، 175-183.
[34] Seshadri S (2020) د عمر او امیلایډ بکسونو هاخوا د ډیمینشیا - فکر کولو مخنیوی. JAMA نیورول 77، 160-161.
[35] میلارډ پی، سیشادري ایس، بیزر A، همالي JJ، Au R، Fletcher E، کارمیکل O، ولف PA، DeCarli C (2012) د فریمینګهم د زړه مطالعې کې په ځوانانو کې د سپینې مادې بشپړتیا باندې د سیسټولیک وینې فشار اغیزې: یو کراس - برخه مطالعه. لانسیټ نیورول 11، 1039-1047.
[36] Fink HA، Linskens EJ، Silverman PC، McCarten JR، Hemmy LS، Ouellette JM، Greer NL، Wilt TJ، Butler M (2020) د نیوروپاتولوژیکي تعریف لپاره د بایومارکر ازموینې درستیت د الزایمر ناروغي په زړو لویانو کې د ډیمینشیا سره. این انټر میډ 172، 669-677.

تړاو: [a] SIVOTEC Analytics، Boca Raton, FL, USA | [b] د کمپیوټر او بریښنایی انجینرۍ او کمپیوټر ساینس څانګه، د فلوریډا اتلانتیک پوهنتون، بوکا راټن، FL، USA | [c] SJN Biomed LTD, Kunming, Yunnan, China | د مرکز لپاره د الزایمر څیړنهد واشنگټن د کلینیکي څیړنو انستیتیوت، واشنگټن ډي سي، امریکا | [e] د بیارغونې درملو څانګه، د کونمینګ طبي پوهنتون لومړی تړلی روغتون، کونمینګ، یونن، چین | [f] د عصبي علومو څانګه، د دهونګ د خلکو روغتون، دهونګ، يون نان، چين | [g] د عصبي علومو څانګه، د کونمینګ طبي پوهنتون لومړی مربوط روغتون، ووهوا ولسوالۍ، کونمینګ، یون نان ولایت، چین | [h] د جګړې اړوند ناروغۍ او ټپونو مطالعاتو مرکز، VA پالو الټو روغتيا او صحت سیسټم، پالو الټو، CA، USA | [i] د رواني او چلند علومو څانګه، د سټینفورډ پوهنتون د طب ښوونځي، پالو الټو، CA، USA

لیکنه: [*] له دې سره لیکنه: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. برېښناليک: mbergeron@sivotecanalytics.com.; Xiaolei Liu، MD، د نیورولوژي څانګه، د کونمینګ طبي پوهنتون لومړی تړلی روغتون، 295 Xichang Road، Wuhua District، Kunming، Yunnan ولایت 650032، چین. بریښنالیک: ring@vip.163.com.

کلیدي کلمې: زړښت، د الزییریر ناروغۍډیمنشیا، ډله ایز سکرینینګ