ميم ٽرڪس جي يوٽيلٽي ۽ مشين لرننگ ماڊلنگ جي درجه بندي ۾ نرمي جي شعوري خرابي

تحقيق آرٽيڪل

ليکڪ: برجرون، مائیکل ايف. | لينڊ سيٽ، سارا | Zhou، Xianbo | ڊنگ، تاو | خوشگفتار، طاغي ايم. | زاؤ، فينگ | دو، بو | چن، زنجي | وانگ، شوان | Zhong، Lianmei | ليو، شياولي | ايشفورڊ، جي ويسن

DOI: 10.3233/JAD-191340

جرنل: جرنل آف Alzheimer جي بيماري، ص. 77 4، پي. 1545-1558، 2020

تجريدي

پس منظر:

جي وڏي پيماني تي واقعا ۽ پکيڙ Alzheimer جي بيماري ۽ mild cognitive impairment (MCI) تحقيق جي لاءِ هڪ تڪڙي ڪال ڪئي آهي ته جيئن ابتدائي سڃاڻپ جي سنجيدگي واري اسڪريننگ ۽ تشخيص جي تصديق ڪئي وڃي.

مقصد

اسان جي بنيادي تحقيق جو مقصد اهو طئي ڪرڻ هو ته ڇا چونڊيل MemTrax ڪارڪردگي ميٽرڪس ۽ لاڳاپيل ڊيموگرافڪس ۽ صحت جي پروفائل خاصيتون مؤثر طريقي سان استعمال ڪري سگھجن ٿيون اڳڪٿي ڪندڙ ماڊلز ۾ مشين لرننگ سان تيار ڪيل شعوري صحت جي درجه بندي ڪرڻ لاءِ (عام بمقابله MCI)، جيئن اشارو ڪيو ويندو مونٽريال سنجشي تشخيص (MoCA).

طريقو:

اسان 259 نيورولوجي، ميموري ڪلينڪ، ۽ اندروني دوائون بالغ مريضن تي هڪ پار-سيڪشنل مطالعو ڪيو. چين ۾ اسپتالون. هر مريض کي چيني ٻوليءَ جو MoCA ڏنو ويو ۽ خود انتظام ڪيو ويو مسلسل سڃاڻپ MemTrax آن لائن قسط ميموري ٽيسٽ آن لائن ساڳئي ڏينهن تي. اڳڪٿي واري درجه بندي جا ماڊل مشين لرننگ استعمال ڪندي 10-فولڊ ڪراس تصديق سان ٺاهيا ويا، ۽ ماڊل جي ڪارڪردگي ماپ ڪئي وئي ايريا انڊر دي ريسيور آپريٽنگ ڪرڪٽرسٽ ڪرو (AUC) استعمال ڪندي. ماڊل ٺاهيا ويا ٻه MemTrax ڪارڪردگي ميٽرڪس (فيصد صحيح، جوابي وقت)، اٺ عام ڊيموگرافڪ ۽ ذاتي تاريخ جي خاصيتن سان گڏ.

نتيجا:

MoCA سکور ۽ حدن جي چونڊيل مجموعن ۾ سکندڙن جو مقابلو ڪندي، Naïve Bayes عام طور تي 0.9093 جي مجموعي درجه بندي ڪارڪردگيءَ سان اعليٰ ڪارڪردگيءَ وارو سکيا ڏيندڙ ھو. وڌيڪ، مٿين ٽن سکندڙن مان، MemTrax جي بنياد تي درجه بندي ڪارڪردگي مجموعي طور تي تمام اعليٰ هئي صرف مٿين رينڪڊ چار خصوصيتن (0.9119) کي استعمال ڪندي سڀني 10 عام خصوصيتن (0.8999) کي استعمال ڪرڻ جي مقابلي ۾.

نتيجو:

MemTrax ڪارڪردگي کي مؤثر طريقي سان استعمال ڪري سگھجي ٿو مشين سکيا جي درجه بندي اڳڪٿي واري ماڊل ۾ شروعاتي اسٽيج جي علم جي خرابي کي ڳولڻ لاء اسڪريننگ ايپليڪيشن.

تعارف

تسليم ٿيل (جيتوڻيڪ گهٽ تشخيص ٿيل) وسيع پکڙيل واقعا ۽ پکڙجڻ ۽ متوازي وڌندڙ طبي، سماجي ۽ عوامي صحت الزائمر جي بيماري (AD) جي قيمت ۽ بوجھ ۽ نرم سنجيدگي واري خرابي (MCI) تمام اسٽيڪ هولڊرز لاءِ تمام گهڻو تنگ ڪري رهيا آهن [1, 2]. هن ڏکوئيندڙ ۽ بورجننگ منظر کي تصديق ڪرڻ لاءِ تحقيق لاءِ هڪ تڪڙي ڪال ڪئي آهي شروعاتي سڃاڻپ سنجڪاتي اسڪريننگ ۽ تشخيص جا اوزار باقاعده عملي افاديت لاء ذاتي ۽ ڪلينڪ سيٽنگون پراڻن مريضن لاء مختلف علائقن ۽ آبادي ۾ [3]. انهن اوزارن کي لازمي طور تي معلوماتي نتيجن جي بيحد ترجمي لاءِ پڻ فراهم ڪرڻ گهرجي اليڪٽرانڪ صحت جي رڪارڊ ۾. فائدا مريضن کي آگاهي ڏيڻ ۽ طبيب جي مدد سان اڳ ۾ ئي اهم تبديلين کي سڃاڻڻ ۾ حاصل ڪيا ويندا ۽ اهڙيءَ طرح وڌيڪ تڪڙي ۽ بروقت ترتيب ڏيڻ، لاڳو ڪرڻ، ۽ مناسب انفرادي ۽ وڌيڪ قيمتي اثرائتي علاج جي ٽريڪنگ ۽ مريضن جي سنڀال کي فعال ڪيو ويندو. ادراڪي گهٽتائي [3، 4].

ڪمپيوٽرائيزڊ MemTrax اوزار (https://memtrax.com) هڪ سادي ۽ مختصر مسلسل سڃاڻپ جو جائزو آهي جيڪو آن لائن پاڻ کي منظم ڪري سگهجي ٿو مشڪل وقت واري ايپسوڊڪ ياداشت جي ڪارڪردگي کي ماپڻ لاءِ جتي صارف بار بار تصويرن جو جواب ڏئي ٿو ۽ نه ته ابتدائي پيشڪش [5, 6]. تازي تحقيق ۽ نتيجي ۾ عملي اثرات شروع ٿي رهيا آهن ترقي يافته ۽ مجموعي طور تي ميم ٽرڪس جي ڪلينڪ افاديت کي شروعاتي AD ۽ MCI اسڪريننگ ۾ [5-7]. تنهن هوندي به، clinical افاديت جو سڌو مقابلو موجوده تائين شعوري صحت تشخيص ۽ روايتي معيارن کي پيشه ورانه نقطه نظر کي آگاهي ڏيڻ جي ضمانت ڏني وئي آهي ۽ ابتدائي ڳولڻ ۽ تشخيصي مدد ۾ MemTrax افاديت جي تصديق ڪن ٿا. van der Hoek et al. [8] مقابلي ۾ چونڊيل MemTrax ڪارڪردگي ميٽرڪس (رد عمل جي رفتار ۽ سيڪڙو صحيح) سنجيدگي واري حيثيت سان جيئن مونٽريال پاران مقرر ڪيل آهي سنجيدگي جي تشخيص (MoCA). بهرحال، هي مطالعو محدود هئي انهن ڪارڪردگي جي ميٽرڪ کي سنجيدگي واري ڪيفيت جي خاصيت سان (جيئن مقرر ڪيو ويو آهي MoCA) ۽ لاڳاپا حدن ۽ ڪٽي آف قدرن کي بيان ڪرڻ سان. ان جي مطابق، هن تحقيق کي وڌائڻ ۽ درجه بندي جي ڪارڪردگي ۽ افاديت کي بهتر ڪرڻ لاء، اسان جو بنيادي تحقيقي سوال هو:

  • ڇا هڪ فرد جي چونڊيل MemTrax ڪارڪردگي ميٽرڪ ۽ لاڳاپيل ڊيموگرافڪ ۽ صحت پروفائيل خاصيتن کي مؤثر طريقي سان استعمال ڪيو وڃي ٿو هڪ اڳڪٿي واري ماڊل ۾ مشين لرننگ سان ترقي ڪئي وئي ته جيئن سنجيدگي واري صحت جي وچ ۾ درجه بندي ڪرڻ لاءِ (عام بمقابله MCI)، جيئن ڪنهن جي MoCA سکور مان اشارو ڪيو ويندو؟

ثانوي طور تي، اسان ڄاڻڻ چاهيون ٿا:

  • ساڳئي خاصيتن سميت، ڇا هڪ ميم ٽرڪس ڪارڪردگي تي ٻڌل مشين لرننگ ماڊل مؤثر طريقي سان لاڳو ڪري سگهجي ٿو هڪ مريض تي سنجيدگي جي خرابي جي چونڊيل درجي جي اندر شدت (نرم بمقابله شديد) جي اڳڪٿي ڪرڻ لاءِ جيئن هڪ آزاد ڪلينڪل تشخيص ذريعي طئي ڪيو ويندو؟

مصنوعي ذهانت ۽ اسڪريننگ/پشن ۾ مشين لرننگ جي شروعات ۽ ترقي ڪندڙ عملي ايپليڪيشن اڳ ۾ ئي مختلف عملي فائدن کي ظاهر ڪري چڪي آهي، پيش گوئي واري ماڊلنگ سان مؤثر طريقي سان ڪلينڪن کي سنجيدگيءَ سان/ دماغي صحت ۽ مريض جي انتظام جي مشڪل تشخيص ۾ رهنمائي ڪندي. اسان جي مطالعي ۾، اسان MCI درجه بندي ماڊلنگ ۽ سنجيدگي جي خرابي جي شدت جي تبعيض ۾ ھڪڙو ساڳيو طريقو چونڊيو آھي جيئن چين جي ٻن اسپتالن مان چونڊيل رضاڪار داخل مريضن ۽ ٻاھرين مريضن جي نمائندگي ڪندڙ ٽن ڊيٽا سيٽن مان ڪلينڪل تشخيص جي تصديق ڪئي وئي آھي. مشين لرننگ جي اڳڪٿي واري ماڊلنگ کي استعمال ڪندي، اسان مختلف ڊيٽا سيٽ/لرنر جي مجموعن مان اعليٰ ڪارڪردگي سکندڙن جي سڃاڻپ ڪئي ۽ خاصيتن کي درجه بندي ڪيو ته جيئن سڀ کان وڌيڪ ڪلينڪ طور عملي ماڊل ايپليڪيشنن جي وضاحت ڪرڻ ۾ اسان جي رهنمائي ڪن.

اسان جا مفروضا هي هئا ته هڪ تصديق ٿيل MemTrax-based ماڊل استعمال ڪري سگهجي ٿو سنجڪرت واري صحت جي درجي بندي ڪرڻ لاءِ dichotomously (عام يا MCI) MoCA جي مجموعي سکور جي حد جي معيار تي ٻڌل آهي، ۽ اهو ساڳيو MemTrax اڳڪٿي ڪندڙ ماڊل کي مؤثر طريقي سان استعمال ڪري سگهجي ٿو چونڊيل ڪيٽيگريز جي تبعيض ۾. clinically تشخيص سنج impairment. ميم ٽرڪس جي افاديت کي هٿي وٺرائڻ ۾ متوقع نتيجن جو مظاهرو ڪرڻ ۾ مددگار ثابت ٿيندو جيئن هڪ ابتدائي سڃاڻپ اسڪرين جي طور تي سنجيدگي جي گهٽتائي ۽ سنجيدگي واري خرابي جي درجه بندي لاء. صنعت جي معياري معيار سان سازگار مقابلو تمام گهڻي آسانيءَ ۽ افاديت جي تيزيءَ سان پورو ڪيو ويندو، طبيبن جي مدد ڪرڻ ۾ اثرائتو هوندو ته هن سادي، قابل اعتماد ۽ پهچ واري اوزار کي شروعاتي اسڪرين جي طور تي ابتدائي اسڪرين جي طور تي معلوم ڪرڻ ۾ (بشمول پروڊرومل) اسٽيج سنجيدگي واري خساري. اهڙي طريقي ۽ افاديت اهڙي طرح وڌيڪ بروقت ۽ بهتر سطحي مريضن جي سنڀال ۽ مداخلت کي تيز ڪري سگهي ٿي. اهي اڳتي وڌڻ واريون بصيرتون ۽ بهتر ميٽرڪ ۽ ماڊل پڻ مددگار ٿي سگھن ٿيون ڊيمينيا جي ترقي کي گهٽائڻ يا روڪڻ ۾، بشمول AD ۽ AD سان لاڳاپيل ڊيمينيا (ADRD).

مواد ۽ مادو

مطالعي جي آبادي

جنوري 2018 ۽ آگسٽ 2019 جي وچ ۾، چين جي ٻن اسپتالن مان ڀرتي ڪيل مريضن تي ڪراس سيڪشنل تحقيق مڪمل ڪئي وئي. MemTrax جي انتظاميه [5] ماڻهن کي 21 سالن ۽ ان کان وڌيڪ عمر جي ماڻهن لاء ۽ انهن ڊيٽا جي گڏ ڪرڻ ۽ تجزيو جو جائزو ورتو ويو ۽ منظور ڪيو ويو ۽ انتظامي معيار جي اخلاقي معيارن جي مطابق. انساني اسٽنفورڊ يونيورسٽي جي موضوع تحفظ ڪميٽي. MemTrax ۽ هن مجموعي مطالعي لاءِ ٻيا سڀئي جاچ 1975 جي هيلسنڪي اعلان جي مطابق ڪيا ويا ۽ ڪنمنگ، يونان، چين ۾ ڪنمنگ ميڊيڪل يونيورسٽي جي پهرين لاڳاپيل اسپتال جي اداري جائزو بورڊ پاران منظور ڪيا ويا. هر استعمال ڪندڙ کي مهيا ڪيو ويو آهي آگاهي رضامندي پڙهڻ/ جائزو وٺڻ لاءِ فارم ۽ پوءِ رضاڪارانه طور تي حصو وٺڻ تي راضي ٿيو.

شرڪت ڪندڙن کي نيورولوجي ڪلينڪ ۾ ٻاهران مريضن جي پول مان نوڪر ڪيو ويو يانوا اسپتال (YH ذيلي ڊيٽا سيٽ) ۽ ڪنمنگ ميڊيڪل جي پهرين لاڳاپيل اسپتال ۾ ميموري ڪلينڪ يونيورسٽي (XL ذيلي ڊيٽا سيٽ) بيجنگ، چين ۾. شرڪت ڪندڙن کي نيورولوجي (XL ذيلي ڊيٽا سيٽ) ۽ اندروني دوائون (KM ذيلي ڊيٽا سيٽ) ڪنمنگ ميڊيڪل يونيورسٽي جي پهرين لاڳاپيل اسپتال ۾ داخل مريضن مان پڻ نوڪر ڪيو ويو. شموليت جي معيار ۾ شامل آهي 1) مرد ۽ عورتون گهٽ ۾ گهٽ 21 سالن جي عمر، 2) چيني ڳالهائڻ جي صلاحيت (Mandarin)، ۽ 3) زباني ۽ لکيل هدايتن کي سمجهڻ جي صلاحيت. اخراج جا معيار هئا وژن ۽ موٽر خرابيون جيڪي شرڪت ڪندڙن کي مڪمل ڪرڻ کان روڪين ٿيون MemTrax ٽيسٽ، انهي سان گڏ مخصوص ٽيسٽ جي هدايتن کي سمجهڻ ۾ ناڪامي.

MemTrax جو چيني نسخو

آن لائن MemTrax ٽيسٽ پليٽ فارم ترجمو ڪيو ويو چيني ۾ (URL: https://www.memtrax.com.cn) ۽ خود انتظاميه لاءِ WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) ذريعي استعمال ٿيڻ لاءِ اڳتي وڌايو ويو. ڊيٽا هڪ ڪلائوڊ سرور (علي ڪلائوڊ) تي محفوظ ڪئي وئي جيڪا چين ۾ واقع آهي ۽ علي بابا (علي بابا ٽيڪنالاجي ڪمپني لميٽيڊ، هانگزو، جيانگ، چين) کان SJN Biomed LTD (Kunming، Yunnan، China) پاران لائسنس يافته هئي. MemTrax تي مخصوص تفصيل ۽ ٽيسٽ جي صحيحيت جا معيار هتي استعمال ڪيا ويا آهن اڳ بيان ڪيو ويو آهي [6]. ٽيسٽ مريضن کي بغير ڪنهن چارج جي فراهم ڪئي وئي.

مطالعي جي طريقيڪار

داخل مريضن ۽ ٻاهرين مريضن لاءِ، ڊيموگرافڪ ۽ ذاتي معلومات گڏ ڪرڻ لاءِ هڪ عام پيپر سوالنامي جهڙوڪ عمر، جنس، تعليم جا سال، پيشو، اڪيلي زندگي گذاريو يا خاندان سان گڏ، ۽ طبي تاريخ مطالعي جي ٽيم جي ميمبر طرفان ترتيب ڏني وئي هئي. سوالنامي جي مڪمل ٿيڻ کان پوء، MoCA [12] ۽ MemTrax ٽيسٽ انتظام ڪيا ويا (MoCA پهريون) ٽيسٽن جي وچ ۾ 20 منٽن کان وڌيڪ نه. MemTrax سيڪڙو صحيح (MTx-% C)، مطلب جوابي وقت (MTx-RT)، ۽ ٽيسٽ جي تاريخ ۽ وقت ڪاغذ تي رڪارڊ ڪيا ويا، مطالعي جي ٽيم جي ميمبر پاران هر شرڪت ڪندڙن جي آزمائش لاء. مڪمل ڪيل سوالنامي ۽ MoCA جا نتيجا هڪ ايڪسل اسپريڊ شيٽ ۾ اپلوڊ ڪيا ويا محقق طرفان جيڪي ٽيسٽن جو انتظام ڪن ٿا ۽ هڪ ساٿي طرفان تصديق ڪئي وئي ان کان اڳ جو Excel فائلن کي تجزيو لاءِ محفوظ ڪيو ويو.

MemTrax ٽيسٽ

MemTrax آن لائن ٽيسٽ ۾ 50 تصويرون شامل آھن (25 منفرد ۽ 25 ورجائي؛ 5 سيٽن جون 5 تصويرن جون عام منظرن يا شيون) ھڪڙي مخصوص pseudo-random ترتيب ۾ ڏيکاريل آھن. حصو وٺندڙ (مطابق هدايتون) ٽيسٽ شروع ڪرڻ لاءِ اسڪرين تي اسٽارٽ بٽڻ کي ٽچ ڪندو ۽ تصويري سيريز ڏسڻ شروع ڪندو ۽ اسڪرين تي تصوير کي جيترو جلدي ممڪن ٿي سگهي ٽچ ڪندو جڏهن به بار بار تصوير ظاهر ٿئي. هر تصوير 3 سيڪنڊن لاءِ ظاهر ٿي يا جيستائين اسڪرين تي تصوير کي ڇهيو ويو، جيڪو ايندڙ تصوير جي فوري طور تي پيش ڪرڻ جو اشارو ڏنو. مقامي ڊيوائس جي اندروني گھڙي کي استعمال ڪندي، هر تصوير لاءِ MTx-RT تصوير جي پيشڪش کان گذري ويل وقت جي حساب سان طئي ڪيو ويو جڏهن شرڪت ڪندڙ طرفان اسڪرين کي ڇڪيو ويو جواب ۾ تصوير جي سڃاڻپ ظاهر ڪرڻ جي جواب ۾ جيڪا اڳ ۾ ئي ڏيکاري وئي هئي. امتحان دوران. MTx-RT هر تصوير لاءِ رڪارڊ ڪيو ويو، مڪمل 3 s رڪارڊ سان ڪو به جواب نه ڏنو ويو. MTx-٪ C ڳڻپيو ويو ته ورجائي ۽ ابتدائي تصويرن جو سيڪڙو ظاهر ڪرڻ لاءِ جنهن تي صارف صحيح جواب ڏنو (سچ مثبت + سچي منفي ورهايل 50). MemTrax انتظاميه ۽ عمل درآمد جي اضافي تفصيل، ڊيٽا جي گھٽتائي، غلط يا "ڪو جواب نه" ڊيٽا، ۽ پرائمري ڊيٽا جا تجزيا ٻئي هنڌ بيان ڪيا ويا آهن [6].

MemTrax ٽيسٽ کي تفصيل سان بيان ڪيو ويو ۽ هڪ مشق ٽيسٽ (نتيجن رڪارڊ ڪرڻ لاءِ ٽيسٽ ۾ استعمال ڪيل منفرد تصويرن کانسواءِ) اسپتال جي سيٽنگ ۾ شرڪت ڪندڙن کي مهيا ڪيو ويو. YH ۽ KM ذيلي ڊيٽا سيٽن ۾ شرڪت ڪندڙن هڪ سمارٽ فون تي MemTrax ٽيسٽ ورتي جيڪا WeChat تي ايپليڪيشن سان لوڊ ڪئي وئي هئي؛ جڏهن ته XL ذيلي ڊيٽا سيٽ مريضن جو محدود تعداد هڪ iPad استعمال ڪيو ۽ باقي هڪ اسمارٽ فون استعمال ڪيو. سڀني شرڪت ڪئي MemTrax ٽيسٽ هڪ مطالعي جي تحقيق ڪندڙ سان گڏ غير جانبدار طور تي مشاهدو ڪيو.

مونٽريال سنجيدگي جي تشخيص

چيني MoCA (MoCA-BC) جو بيجنگ ورزن [13] منظم ڪيو ويو ۽ تربيت يافته محققن پاران سرڪاري ٽيسٽ جي هدايتن جي مطابق. مناسب طور تي، MoCA-BC هڪ قابل اعتماد ڏيکاريو ويو آهي معرفت لاءِ امتحان چيني بزرگ بالغن ۾ سڀني تعليم جي سطح تي اسڪريننگ [14]. هر ٽيسٽ اٽڪل 10 کان 30 منٽ کنيا ويا انتظام ڪرڻ لاءِ لاڳاپيل شرڪت ڪندڙ جي سنجيدگي واري صلاحيتن جي بنياد تي.

MoCA درجه بندي ماڊلنگ

مجموعي طور تي 29 قابل استعمال خاصيتون آھن، جن ۾ ٻه MemTrax شامل آھن ٽيسٽ ڪارڪردگي ميٽرڪ ۽ 27 خاصيتون ڊيموگرافڪ ۽ صحت سان لاڳاپيل هر شرڪت لاء معلومات. هر مريض جي MoCA مجموعي ٽيسٽ سکور جي طور تي استعمال ڪيو ويو سنجيدگي واري اسڪريننگ اسان جي اڳڪٿي ڪندڙ ماڊل کي تربيت ڏيڻ لاءِ ”بينچ مارڪ“. ان جي مطابق، ڇاڪاڻ ته MoCA ڪلاس ليبل ٺاهڻ لاءِ استعمال ڪيو ويو، اسان مجموعي اسڪور (يا MoCA ذيلي سيٽ اسڪور) کي آزاد خصوصيت جي طور تي استعمال نٿا ڪري سگهون. اسان ابتدائي تجربا ڪيا جن ۾ اسان ماڊل ڪيو (جنهن ۾ سنجيدگي واري صحت جي وضاحت ڪئي وئي MoCA پاران) اصل ٽي اسپتال/ڪلينڪ (س) ذيلي ڊيٽا سيٽ انفرادي طور تي ۽ پوء سڀني خاصيتن کي استعمال ڪندي گڏيل. بهرحال، سڀئي ساڳيا ڊيٽا عناصر گڏ نه ڪيا ويا هئا هر هڪ ۾ چار ڪلينڪ ٽن ذيلي ڊيٽا سيٽ جي نمائندگي ڪن ٿا؛ اهڙيء طرح، گڏيل ڊيٽا سيٽ ۾ اسان جي ڪيترن ئي خاصيتن (جڏهن سڀ خاصيتون استعمال ڪندي) غائب قدرن جو وڏو واقعو هو. اسان وري ماڊل ٺاهيا گڏيل ڊيٽا سيٽ سان صرف عام خاصيتون استعمال ڪندي جنهن جي نتيجي ۾ درجه بندي ڪارڪردگي بهتر ٿي. اهو ممڪن آهي ته ٽن مريضن جي ذيلي ڊيٽا سيٽن کي گڏ ڪرڻ سان گڏ ڪم ڪرڻ لاءِ وڌيڪ مثالن جي ميلاپ جي ذريعي وضاحت ڪئي وئي هئي ۽ غائب قدرن جي غير مناسب اڳڀرائي سان ڪا به خصوصيت ناهي (گڏيل ڊيٽا سيٽ ۾ صرف هڪ خصوصيت، ڪم ​​جي قسم، ڪنهن به غائب قدر هئي، متاثر ڪندي. صرف ٽي مريض مثالن)، ڇاڪاڻ ته سڀني ٽن سائيٽن تي صرف عام خاصيتون شامل ڪيون ويون آهن. خاص طور تي، اسان وٽ هر خاصيت لاءِ ڪو خاص رد ڪرڻ وارو معيار نه هو جيڪو آخرڪار گڏيل ڊيٽا سيٽ ۾ شامل نه ڪيو ويو. جڏهن ته، اسان جي ابتدائي گڏيل ڊيٽا سيٽ ماڊلنگ ۾، اسان پهريون ڀيرو استعمال ڪيو سڀني خاصيتن مان هر هڪ ٽن الڳ مريض ذيلي ڊيٽا سيٽن مان. اهو وڏي پيماني تي ماڊل ڪارڪردگي جو نتيجو هو جيڪو ماپي طور تي هر فرد جي ذيلي ڊيٽا سيٽ تي ابتدائي ابتدائي ماڊلنگ کان گهٽ هو. ان کان علاوه، جتي سڀني خصوصيتن کي استعمال ڪندي ٺهيل ماڊل جي درجه بندي ڪارڪردگي حوصلا افزائي هئي، سڀني سکيا ڏيندڙن ۽ درجه بندي اسڪيمن ۾، ڪارڪردگي ٻه ڀيرا وڌيڪ ماڊل جي ڀيٽ ۾ بهتر ٿي جڏهن صرف عام خاصيتون استعمال ڪندي. حقيقت ۾، اسان جي اعليٰ سکيا ڏيندڙن مان جيڪي ختم ٿيا، سڀ کان سواءِ هڪ ماڊل غير عام خصوصيتن کي ختم ڪرڻ تي بهتر ٿيو.

حتمي مجموعي ڊيٽا سيٽ (YH، XL، ۽ KM گڏيل) ۾ 259 مثال شامل هئا، هر هڪ هڪ منفرد شرڪت ڪندڙ جي نمائندگي ڪري ٿو جنهن ٻنهي MemTrax ۽ MoCA ٽيسٽ ورتيون. اتي 10 گڏيل آزاد خصوصيتون هيون: MemTrax ڪارڪردگي ميٽرڪس: MTx-% C ۽ مطلب MTx-RT؛ ڊيموگرافڪ ۽ طبي تاريخ جي ڄاڻ: عمر، جنس، تعليم جا سال، ڪم جو قسم (بليو ڪالر/ وائيٽ ڪالر)، سماجي مدد (ڇا ٽيسٽ وٺندڙ اڪيلو رهي ٿو يا ڪٽنب سان)، ۽ ها/نه جواب ته ڇا استعمال ڪندڙ وٽ آهي ذیابيطس جي تاريخ، hyperlipidemia، يا صدمي واري دماغي زخم. ٻه اضافي ميٽرڪس، MoCA مجموعي سکور ۽ MoCA مجموعي سکور تعليم جي سالن لاء ترتيب ڏني وئي [12]، الڳ الڳ استعمال ڪيا ويا انحصار طبقي جي ليبلز کي ترقي ڪرڻ لاء، اهڙيء طرح اسان جي گڏيل ڊيٽا سيٽ تي لاڳو ٿيڻ لاء ٻه الڳ ماڊلنگ اسڪيمون ٺاهي رهيا آهن. MoCA سکور جي هر ورزن (منظم ٿيل ۽ اڻ سڌريل) لاءِ، ڊيٽا وري الڳ الڳ نموني ڪئي وئي بائنري درجي بندي لاءِ ٻن مختلف معيارن جي حدن کي استعمال ڪندي- شروعاتي طور تي تجويز ڪيل هڪ [12] ۽ هڪ متبادل قدر استعمال ڪيو ويو ۽ ٻين پاران ترقي ڪئي وئي [8, 15]. متبادل حد درجي بندي جي اسڪيم ۾، هڪ مريض کي عام سنجيدگي واري صحت سمجهيو ويندو هو جيڪڏهن s/هن MoCA ٽيسٽ تي ≥23 اسڪور ڪيو ۽ MCI هجي جيڪڏهن سکور 22 يا گهٽ هو؛ جڏهن ته، ابتدائي سفارش ڪيل درجه بندي فارميٽ ۾، مريض کي 26 يا ان کان بهتر ايم او سي اي تي اسڪور ڪرڻو پوندو هو ته جيئن عام سنجيدگي واري صحت جو ليبل لڳايو وڃي.

MoCA درجه بندي ماڊلنگ لاءِ فلٽر ٿيل ڊيٽا

اسان وڌيڪ جانچيو MoCA درجه بندي کي استعمال ڪندي چار عام استعمال ٿيل خصوصيت جي درجه بندي ٽيڪنڪ: Chi-Squared، Gain Ratio، Information Gain، ۽ Symmetrical Uncertainty. عبوري نقطه نظر لاءِ، اسان رينڪرز کي اسان جي چئن ماڊلنگ اسڪيمن مان هر هڪ استعمال ڪندي پوري گڏيل ڊيٽا سيٽ تي لاڳو ڪيو. سڀ درجه بندي ساڳين مٿين خصوصيتن تي متفق ٿيا، يعني، عمر، تعليم جي سالن جو تعداد، ۽ ٻئي MemTrax ڪارڪردگي ميٽرڪس (MTx-% C، مطلب MTx-RT). اسان وري ماڊلز کي هر فيچر سليڪشن ٽيڪنڪ استعمال ڪندي ماڊلز کي صرف مٿين چئن خاصيتن تي ٽريننگ ڏيڻ لاءِ ٻيهر ٺاهيون (ڏسو خصوصيت منتخب ڪريو هيٺان).

MoCA سکور جي درجه بندي ماڊلنگ اسڪيمن جي آخري اٺن تبديلين کي جدول 1 ۾ پيش ڪيو ويو آهي.

ٽيبل 1

MoCA درجه بندي لاءِ استعمال ٿيل ماڊلنگ اسڪيم جي مختلف قسمن جو خلاصو (عام شعوري صحت بمقابله MCI)

ماڊلنگ اسڪيمعام سنجيدگي واري صحت (منفي طبقو)MCI (مثبت طبقو)
ترتيب ڏنل-23 اڻ ڇپيل/ فلٽر ٿيل101 (39.0٪)158 (61.0٪)
ترتيب ڏنل-26 اڻ ڇپيل/ فلٽر ٿيل49 (18.9٪)210 (81.1٪)
اڻ سڌريل- 23 اڻ ڇپيل/ فلٽر ٿيل92 (35.5٪)167 (64.5٪)
اڻ سڌريل- 26 اڻ ڇپيل/ فلٽر ٿيل42 (16.2٪)217 (83.8٪)

هر ڪلاس ۾ ڪل مريضن جو تعداد ۽ سيڪڙو تعليم لاءِ اسڪور جي ترتيب سان (ايڊجسٽ ٿيل يا غير ترتيب ڏنل) ۽ درجه بندي جي حد (23 يا 26) ۾ فرق ڪيو ويو آهي، جيئن ٻنهي خاصيتن جي سيٽن تي لاڳو ٿئي ٿو (غير فلٽر ٿيل ۽ فلٽر ٿيل).

MemTrax جي بنياد تي ڪلينڪ تشخيص ماڊلنگ

اسان جي ٽن اصل ذيلي ڊيٽا سيٽن مان (YH، XL، KM)، صرف XL ذيلي ڊيٽا سيٽ مريض آزاد طور تي ڪلينڪ طور تي سنجيدگي جي خرابي لاء تشخيص ڪيا ويا (يعني، انهن جي لاڳاپيل MoCA سکور کي عام بمقابله معذور جي درجه بندي قائم ڪرڻ ۾ استعمال نه ڪيو ويو). خاص طور تي، ايڪس ايل مريضن جي تشخيص ڪئي وئي يا ته الزيرير جي بيماري ٽيسٽ (AD) يا vascular dementia (VaD). انهن مان هر هڪ بنيادي تشخيص جي درجي جي اندر، اتي MCI لاء وڌيڪ نامزدگي هئي. AD جي ڪري MCI، dementia، vascular neurocognitive disorder، ۽ neurocognitive disorder جي تشخيص مخصوص ۽ مخصوص تشخيصي معيار تي مبني طور تي بيان ڪيل دماغي خرابين جي تشخيص ۽ شمارياتي دستياب ۾ بيان ڪيل آهن: DSM-5 [16]. انهن سڌريل تشخيص تي غور ڪندي، ٻه درجي بندي ماڊلنگ اسڪيمن کي الڳ الڳ لاڳو ڪيو ويو XL ذيلي ڊيٽا سيٽ تي هر پرائمري تشخيص جي درجي لاء شدت جي سطح (نقصان جي درجي) ۾ فرق ڪرڻ لاء. انهن مان هر هڪ تشخيصي ماڊلنگ اسڪيمن ۾ استعمال ڪيل ڊيٽا (AD ۽ VaD) شامل آهن ڊيموگرافڪ ۽ مريض جي تاريخ جي معلومات، انهي سان گڏ MemTrax ڪارڪردگي (MTx-% C، مطلب MTx-RT). هر تشخيص کي نرمي جو نشان لڳايو ويو آهي جيڪڏهن نامزد ٿيل MCI؛ ٻي صورت ۾، ان کي سخت سمجهيو ويندو هو. اسان شروعاتي طور تي غور ڪيو ايم سي اي سکور ۾ تشخيص ماڊل (نرم بمقابلہ شديد)؛ پر اسان اهو طئي ڪيو ته اسان جي ثانوي اڳڪٿي واري ماڊلنگ اسڪيم جي مقصد کي شڪست ڏيندو. هتي سکندڙن کي تربيت ڏني ويندي ٻين مريضن جي خاصيتن کي آساني سان مهيا ڪندڙ لاءِ دستياب آهي ۽ آسان MemTrax ٽيسٽ (MoCA جي بدلي ۾) ريفرنس ”گولڊ معيار“ جي خلاف، آزاد ڪلينڪل تشخيص. AD diagnosis dataset ۾ 69 مثال ۽ VaD جا 76 مثال هئا (ٽيبل 2). ٻنهي ڊيٽا سيٽن ۾، 12 آزاد خصوصيتون هيون. MoCA سکور جي درجه بندي ۾ شامل ڪيل 10 خاصيتن کان علاوه، مريض جي تاريخ ۾ پڻ شامل آهي معلومات هائپر ٽائونشن ۽ اسٽروڪ جي تاريخ تي.

ٽيبل 2

ماڊلنگ اسڪيم جي مختلف قسمن جو خلاصو تشخيص جي شدت جي درجه بندي لاء استعمال ڪيو ويو آهي (نرم بمقابله سخت)

ماڊلنگ اسڪيمنرم (منفي طبقو)سخت (مثبت طبقو)
MCI-AD بمقابله AD12 (17.4٪)57 (82.6٪)
MCI-VaD بمقابله VaD38 (50.0٪)38 (50.0٪)

هر طبقي ۾ مجموعي مريضن جو تعداد ۽ سيڪڙو پرائمري تشخيص جي درجي (AD يا VaD) جي لحاظ کان مختلف آهن.

انگ اکر

حصو وٺندڙ خاصيتن جي مقابلي ۽ ٻين عددي خاصيتن جي وچ ۾ ذيلي ڊيٽا سيٽن جي وچ ۾ هر ماڊل درجه بندي جي حڪمت عملي (MoCA سنجيدگي واري صحت ۽ تشخيص جي شدت جي اڳڪٿي ڪرڻ لاء) پٿون پروگرامنگ ٻولي استعمال ڪندي ڪيو ويو (نسخ 2.7.1) [17]. ماڊل جي ڪارڪردگيءَ ۾ فرق شروعاتي طور تي طئي ڪيو ويو هڪ واحد يا ٻه عنصر (جيئن مناسب) ANOVA 95٪ اعتماد جي وقفي سان ۽ Tukey honest اهم فرق (HSD) ٽيسٽ سان ڪارڪردگي جو مطلب موازنہ ڪرڻ لاءِ. ماڊل پرفارمنس جي وچ ۾ فرق جو هي امتحان پٿون ۽ آر جي ميلاپ استعمال ڪندي ڪيو ويو (نسخ 3.5.1) [18]. اسان هن کي استعمال ڪيو (جيتوڻيڪ، معقول طور تي بهتر کان گهٽ) طريقي سان صرف هن تي هوريسٽڪ امداد جي طور تي شروعاتي اسٽيج امڪاني ڪلينڪ ايپليڪيشن جي توقع ۾ ابتدائي ماڊل ڪارڪردگي جي مقابلي لاء. اسان وري استعمال ڪيو Bayesian signed-rank test استعمال ڪندي پوسٽر ورهائڻ لاءِ ماڊل ڪارڪردگي جي فرق جي امڪان کي طئي ڪرڻ لاءِ [19]. انهن تجزين لاءِ، اسان استعمال ڪيو وقفو -0.01، 0.01، ان ڳالهه جي نشاندهي ڪري ٿو ته جيڪڏهن ٻن گروهن ۾ ڪارڪردگيءَ جو فرق 0.01 کان گهٽ هو، ته اهي ساڳيا سمجهيا ويندا هئا (عملي برابري واري علائقي جي اندر)، يا ٻي صورت ۾ اهي مختلف هئا (هڪ کان بهتر. ٻيو). درجه بندي ڪرڻ وارن جي Bayesian مقابلي کي انجام ڏيڻ ۽ انهن امڪانن کي ڳڻڻ لاءِ، اسان استعمال ڪيو Baycomp لائبريري (ورژن 1.0.2) Python 3.6.4 لاءِ.

اڳڪٿي ڪندڙ ماڊلنگ

اسان هر مريض جي ايم او سي اي ٽيسٽ جي نتيجي يا ڪلينڪل تشخيص جي شدت جي اڳڪٿي ڪرڻ لاءِ اسان جي ماڊلنگ اسڪيمن جي ڏهه ڪل مختلف تبديلين کي استعمال ڪندي اڳڪٿي ڪندڙ ماڊل ٺاهيا. سڀني سکندڙن کي لاڳو ڪيو ويو ۽ ماڊل ٺهيل هئا اوپن سورس سافٽ ويئر پليٽ فارم ويڪا [20]. اسان جي ابتدائي تجزيي لاءِ، اسان 10 عام طور تي استعمال ٿيندڙ سکيا وارو الگورتھم استعمال ڪيو: 5- ويجھا پاڙيسري، C4.5 فيصلي واري وڻ جا ٻه نسخا، Logistic Regression، Multilayer Perceptron، Naïve Bayes، Random Forest جا ٻه ورجن، Radial Basis Function Network، ۽ Support Vector. مشين. انهن الگورتھم جا اهم خاصيتون ۽ تضاد ٻئي هنڌ بيان ڪيا ويا آهن [21] (ڏسو لاڳاپيل ضميمو). اهي چونڊيا ويا ڇاڪاڻ ته اهي مختلف قسم جي سکيا ڏيندڙن جي نمائندگي ڪن ٿا ۽ ڇاڪاڻ ته اسان انهن کي ساڳي ڊيٽا تي اڳئين تجزين ۾ استعمال ڪندي ڪاميابي جو مظاهرو ڪيو آهي. هائپر-پيراميٽر سيٽنگون اسان جي پوئين تحقيق مان چونڊيا ويا آهن انهن کي مختلف ڊيٽا جي مختلف قسمن تي مضبوط هجڻ جو اشارو ڏنو ويو آهي [22]. اسان جي ابتدائي تجزيي جي نتيجن جي بنياد تي ساڳئي گڏيل ڊيٽا سيٽ کي استعمال ڪندي عام خصوصيتن سان جيڪي بعد ۾ مڪمل تجزيي ۾ استعمال ڪيون ويون، اسان ٽن سکيا ڏيندڙن جي نشاندهي ڪئي جن سڀني درجي بندين ۾ مسلسل مضبوط ڪارڪردگي مهيا ڪئي: لاجسٽڪ ريگريشن، نيو بيز، ۽ سپورٽ ویکٹر مشين.

ڪراس-تصديق ۽ ماڊل ڪارڪردگي ميٽرڪ

سڀني اڳڪٿي واري ماڊلنگ لاءِ (بشمول ابتدائي تجزيا)، هر ماڊل 10-گنا ڪراس تصديق جي استعمال سان ٺاهيو ويو، ۽ ماڊل جي ڪارڪردگي ماپ ڪئي وئي ايريا انڊر دي ريسيور آپريٽنگ ڪرڪٽرسٽڪ وکر (AUC) استعمال ڪندي. 10 ماڊلنگ اسڪيم ڊيٽا سيٽن مان هر هڪ کي 10 برابر حصن (فولڊز) ۾ بي ترتيب طور تي ورهائڻ سان ڪراس-تصديق شروع ٿي، ماڊل کي تربيت ڏيڻ لاءِ انهن لاڳاپيل حصن مان 10 استعمال ڪندي ۽ باقي حصي کي جانچ لاءِ. اهو طريقو 10 ڀيرا بار بار ڪيو ويو، هڪ مختلف ڀاڱي کي استعمال ڪندي ٽيسٽ سيٽ جي طور تي هر عمل ۾. نتيجن کي پوءِ گڏ ڪيو ويو فائنل ماڊل جي نتيجن/ڪارڪردگي جي حساب سان. هر سکندڙ/ڊيٽا سيٽ جي ميلاپ لاءِ، هي سڄو عمل 6,600 ڀيرا ورجايو ويو، هر دفعي ڊيٽا کي الڳ الڳ ورهايو پيو وڃي. ھن آخري قدم تعصب کي گھٽايو، نقل کي يقيني بڻايو، ۽ مجموعي ماڊل ڪارڪردگي کي طئي ڪرڻ ۾ مدد ڪئي. مجموعي طور تي (MoCA سکور ۽ تشخيص جي شدت جي درجه بندي اسڪيمن لاءِ گڏيل)، 1,800 ماڊل ٺاهيا ويا. ھن ۾ شامل آھن 6 غير فلٽر ٿيل ماڊل (3 ماڊلنگ اسڪيمون تي لاڳو ڪيل ڊيٽا سيٽ × 10 سکيا × 10 رنرز × 1,800 فولڊ = 4,800 ماڊل) ۽ 4 فلٽر ٿيل ماڊل (3 ماڊلنگ اسڪيمن تي لاڳو ڪيل ڊيٽا سيٽ × 4 سکيا ڏيندڙ × 10 فيچر سليڪشن ٽيڪنڪس × 10 رن × 4,800 فولڊ = XNUMX ماڊل).

خصوصيت منتخب ڪريو

فلٽر ٿيل ماڊلز لاءِ، خصوصيت جي چونڊ (چار خصوصيت جي درجه بندي جا طريقا استعمال ڪندي) ڪراس-تصديق جي اندر ڪئي وئي. 10 فولڊز مان هر هڪ لاءِ، جيئن ته ڊيٽا سيٽ جو مختلف 10٪ ٽيسٽ ڊيٽا هو، هر ٽريننگ ڊيٽا سيٽ لاءِ صرف مٿين چار چونڊيل خاصيتون (يعني، ٻيا نو فولڊ، يا باقي 90٪ پوري ڊيٽا سيٽ) استعمال ڪيا ويا. ماڊلز جي تعمير لاء. اسان تصديق ڪرڻ کان قاصر هئاسين ته هر ماڊل ۾ ڪهڙيون چار خاصيتون استعمال ڪيون ويون آهن، ڇاڪاڻ ته اها معلومات محفوظ نه ڪئي وئي آهي يا ماڊلنگ پليٽ فارم جي اندر دستياب ناهي جيڪا اسان استعمال ڪئي (ويڪا). جڏهن ته، اسان جي مٿين خاصيتن جي شروعاتي چونڊ ۾ مستقل مزاجي ڏني وئي جڏهن رينڪرز پوري گڏيل ڊيٽا سيٽ تي لاڳو ڪيا ويا ۽ ماڊلنگ پرفارمنس ۾ بعد ۾ هڪجهڙائي، اهي ساڳيون خاصيتون (عمر، تعليم جا سال، MTx-٪ C، ۽ مطلب MTx-RT ) ممڪن آهي ته سڀ کان وڌيڪ عام مٿين چار استعمال ٿيل آهن خصوصيت جي چونڊ سان گڏ ڪراس-تصديق واري عمل ۾.

نتيجو

حصو وٺندڙ عددي خاصيتون (بشمول MoCA اسڪور ۽ MemTrax ڪارڪردگي ميٽرڪس) لاڳاپيل ڊيٽا سيٽن جي هر ماڊل جي درجه بندي جي حڪمت عملي لاءِ اڳڪٿي ڪرڻ لاءِ MoCA- اشارو سنجيدگي واري صحت (عام بمقابله MCI) ۽ تشخيص جي شدت (نرم بمقابلہ شديد) ٽيبل 3 ۾ ڏيکاريل آهي.

ٽيبل 3

حصو وٺندڙ خاصيتون، MoCA سکور، ۽ MemTrax ڪارڪردگي هر ماڊل جي درجه بندي جي حڪمت عملي لاء

درجه بندي جي حڪمت عمليعمرتعليمMoCA ترتيب ڏنلMoCA غير ترتيب ڏنلMTx-٪ CMTx-RT
MoCA درجابندي61.9 يو (13.1)9.6 يو (4.6)19.2 (6.5)18.4 (6.7)74.8٪ (15.0)1.4 سيڪنڊ (0.3)
تشخيص جي شدت65.6 يو (12.1)8.6 يو (4.4)16.7 (6.2)15.8 (6.3)68.3٪ (13.8)1.5 سيڪنڊ (0.3)

ڏيکاريل قدر (مطلب، SD) ماڊلنگ جي درجه بندي جي حڪمت عملين ۾ فرق ڪيو ويو آهي گڏيل ڊيٽا سيٽ جا نمائندا آهن جيڪي اڳڪٿي ڪرڻ لاءِ استعمال ڪيا ويندا آهن MoCA-اشاره ڪيل سنجيدگي واري صحت (MCI بمقابله عام) ۽ XL ذيلي ڊيٽا سيٽ صرف تشخيص جي شدت جي اڳڪٿي ڪرڻ لاءِ استعمال ڪيو ويندو آهي (هلڪي بمقابله شديد).

MoCA سکور جي هر ميلاپ لاءِ (منظم ٿيل/غير ترتيب ڏنل) ۽ حد (26/23)، اتي هڪ شمارياتي فرق هو (p = 0.000) هر هڪ جوڙو جي مقابلي ۾ (عام سنجيدگي واري صحت بمقابله MCI) عمر، تعليم، ۽ ميم ٽرڪس ڪارڪردگي لاء (MTx-٪ C ۽ MTx-RT). هر مريض جي ذيلي ڊيٽا سيٽ هر ميلاپ لاءِ لاڳاپيل MCI ڪلاس ۾ سراسري طور تي 9 کان 15 سال وڏي هئي، اٽڪل پنجن سالن جي تعليم جي باري ۾ ٻڌايو ويو، ۽ ٻنهي ميٽرڪ لاءِ گهٽ سازگار MemTrax ڪارڪردگي هئي.

اڳڪٿي ڪندڙ ماڊلنگ جي ڪارڪردگي جا نتيجا MoCA سکور جي درجه بندي لاءِ مٿين ٽن سکيا وارن، Logistic Regression، Naïve Bayes، ۽ Support Vector Machine کي استعمال ڪندي، جدول 4 ۾ ڏيکاريا ويا آهن. انهن ٽنهي کي مختلف ماڊلز ۾ مسلسل اعليٰ مطلق سکيا ڏيندڙ ڪارڪردگيءَ جي بنياد تي چونڊيو ويو. سڀني ماڊلنگ اسڪيمن لاءِ ڊيٽا سيٽ تي لاڳو ڪيو ويو. غير فلٽر ٿيل ڊيٽا سيٽ ۽ ماڊلنگ لاءِ، جدول 4 ۾ هر هڪ ڊيٽا جي قدر ڏيکاري ٿي ماڊل ڪارڪردگيءَ جي بنياد تي AUC سان لاڳاپيل مطلب مان نڪتل 100 ماڊلز (10 رن × 10 فولڊ) هر سکيا ڏيندڙ/ماڊلنگ اسڪيم جي ميلاپ لاءِ ٺاهيل، لاڳاپيل سڀ کان وڌيڪ پرفارمنگ سيکاريندڙ کي بولڊ ۾ اشارو ڪيو ويو آهي. جڏهن ته فلٽر ٿيل ڊيٽا سيٽ ماڊلنگ لاءِ، جدول 4 ۾ رپورٽ ڪيل نتيجا 400 ماڊلز جي مجموعي اوسط ماڊل پرفارمنس کي ظاهر ڪن ٿا هر هڪ سکيا ڏيندڙ لاءِ هر هڪ فيچر جي درجه بندي جا طريقا استعمال ڪندي (4 خصوصيت جي درجه بندي جا طريقا × 10 رن × 10 فولڊ).

ٽيبل 4

Dichotomous MoCA سکور درجه بندي ڪارڪردگي (AUC؛ 0.0-1.0) نتيجن مان هر هڪ لاء ٽي اعلي ڪارڪردگي سکيا ڏيندڙ سڀني لاڳاپيل ماڊلنگ اسڪيمن لاء

فيچر سيٽ استعمال ٿيلMoCA سکورڪٽڻ جي حدمنطقي ريگريشنبيوس بيزسپورٽ ویکٹر مشين
غير فلٽر ٿيل (10 خاصيتون)ڪرڻي230.88620.89130.8695
260.89710.92210.9161
غير ترتيب ڏنل230.91030.90850.8995
260.88340.91530.8994
فلٽر ٿيل (4 خاصيتون)ڪرڻي230.89290.89540.8948
260.91880.92470.9201
غير ترتيب ڏنل230.91350.91340.9122
260.91590.92360.9177

فيچر سيٽ جي مختلف تبديلين کي استعمال ڪندي، MoCA سکور، ۽ MoCA سکور کٽ آف حد، هر ماڊلنگ اسڪيم لاء اعلي ڪارڪردگي ڏيکاريل آهي شوخ (ضروري نه آهي ته انگن اکرن جي لحاظ کان ٻين سڀني کان مختلف نه هجي شوخ لاڳاپيل ماڊل لاء).

MoCA سکور ورزن ۽ حدن جي سڀني مجموعن ۾ سيکارڻ وارن جو مقابلو ڪندي (ترتيب سان ترتيب ڏنل/غير ترتيب ڏنل ۽ 23/26، ترتيب ڏنل) گڏيل غير فلٽر ٿيل ڊيٽا سيٽ ۾ (يعني 10 عام خصوصيتن کي استعمال ڪندي)، Naïve Bayes عام طور تي مجموعي طور تي اعليٰ ڪارڪردگي ڏيکاريندڙ سکيا ڏيندڙ هو. درجه بندي ڪارڪردگي 0.9093. مٿين ٽن سکندڙن تي غور ڪندي، بايسين سان لاڳاپيل دستخط ٿيل رينج ٽيسٽ ظاهر ڪيو ته امڪان (Pr) جي Naïve Bayes جي لاجسٽڪ ريگريشن کي بهتر ڪارڪردگي 99.9٪ هئي. ان کان علاوه، Naïve Bayes ۽ Support Vector Machine جي وچ ۾، سکيا ڏيندڙ ڪارڪردگيءَ ۾ عملي برابريءَ جو 21.0% امڪان (اهڙيءَ طرح، هڪ 79.0% امڪان Naïve Bayes outperforming Support Vector Machine)، 0.0% امڪان سان گڏ سپورٽ ویکٹر مشين جي بهتر ڪارڪردگيءَ سان. Naïve Bayes لاء ڪارڪردگي جي فائدي کي مضبوط ڪري ٿو. MoCA سکور ورزن جي وڌيڪ مقابلي ۾ سڀني سکندڙن/ حدن ۾ غير ترتيب ڏنل MoCA سکور استعمال ڪندي معمولي ڪارڪردگي جو فائدو تجويز ڪيو (0.9027 بمقابله 0.8971، ترتيب سان؛ Pr (غير ترتيب ڏنل> ترتيب ڏنل) = 0.988). اهڙي طرح، سڀني سکندڙن ۽ MoCA سکور ورزن ۾ ڪٽ آف حد جي مقابلي ۾ 26 کي 23 (0.9056 بمقابله 0.8942، ترتيب سان XNUMX کي استعمال ڪندي هڪ ننڍڙي درجه بندي ڪارڪردگي جو فائدو) ڏيکاريو ويو آهي. Pr (26 > 23) = 0.999). آخر ۾، صرف فلٽر ٿيل نتيجن کي استعمال ڪندي ماڊلز جي درجه بندي ڪارڪردگي جي جانچ ڪندي (يعني، صرف اعليٰ درجي تي چار خصوصيتون)، Naïve Bayes (0.9143) عددي طور تي سڀني MoCA سکور ورزن/ حدن ۾ اعليٰ ڪارڪردگي سکندڙ سکيا ڏيندڙ هو. جڏهن ته، سڀني خاصيتن جي درجه بندي جي ٽيڪنڪ ۾ گڏيل، سڀني اعليٰ ڪارڪردگي سکندڙن ساڳي طرح پرفارم ڪيو. Bayesian signed-rank tests ڏيکاريا 100% عملي برابريءَ جو امڪان هر هڪ فلٽر ٿيل سکيا وارن جي وچ ۾. جيئن اڻ ڇپيل ڊيٽا سان (سڀني 10 عام خصوصيتن کي استعمال ڪندي)، اتي ٻيهر ڪارڪردگي جو فائدو هو MoCA سکور جي غير ترتيب ڏنل ورزن لاءِ (Pr (unadjusted> adjusted) = 1.000)، انهي سان گڏ 26 (Pr (26 > 23) = 1.000). خاص طور تي، مٿين ٽن سکيا ڏيندڙن مان هر هڪ جي سراسري ڪارڪردگي سڀني MoCA اسڪور ورزن/ حدن ۾ صرف مٿين درجي جي چار خصوصيتن کي استعمال ڪندي غير فلٽر ٿيل ڊيٽا تي ڪنهن به سکيا ڏيندڙ جي سراسري ڪارڪردگي کان وڌي وئي. تعجب جي ڳالهه ناهي ته، فلٽر ٿيل ماڊلز جي درجه بندي ڪارڪردگي (مٿين درجابندي واري چار خصوصيتن کي استعمال ڪندي) مجموعي طور تي (0.9119) غير فلٽر ٿيل ماڊلز (0.8999) کان بهتر هئي، قطع نظر خصوصيت جي درجه بندي جي طريقن جي ماڊل جيڪي انهن لاڳاپيل ماڊلز جي مقابلي ۾ هئا انهن سڀني 10 عام استعمال ڪندي. خاصيتون. هر خصوصيت جي چونڊ جي طريقي جي لاءِ، 100 سيڪڙو امڪاني ڪارڪردگيءَ جي فائدي جي غير فلٽر ٿيل ماڊلز تي هئي.

مريضن سان AD تشخيص جي شدت جي درجه بندي لاء غور ڪيو ويو، وچ ۾ گروپ (MCI-AD بمقابله AD) عمر لاء فرق (p = 0.004)، تعليم (p = 0.028)، MoCA سکور ترتيب ڏنل/غير ترتيب ڏنل (p = 0.000)، ۽ MTx-٪ C (p = 0.008) شمارياتي لحاظ کان اهم هئا؛ جڏهن ته MTx-RT لاءِ اهو نه هو (p = 0.097). انهن مريضن سان ويچار ڪيو ويو VaD تشخيص جي شدت جي درجه بندي، وچ ۾ گروپ (MCI-VaD بمقابله VaD) فرق لاءِ MoCA سکور ايڊجسٽ/غير ترتيب ڏنل (p = 0.007) ۽ MTx-٪ سي (p = 0.026) ۽ MTx-RT (p = 0.001) شمارياتي لحاظ کان اهم هئا؛ جڏهن ته عمر لاء (p = 0.511) ۽ تعليم (p = 0.157) گروپ جي وچ ۾ ڪو خاص فرق نه ھو.

اڳڪٿي ڪندڙ ماڊلنگ ڪارڪردگي جا نتيجا تشخيص جي شدت جي درجه بندي لاءِ اڳئين چونڊيل ٽن سکيا وارن، Logistic Regression، Naïve Bayes، ۽ Support Vector Machine کي استعمال ڪندي، جدول 5 ۾ ڏيکاريا ويا آهن. جڏهن ته اضافي جانچيل سکيا وارن انفرادي طور تي ٿورو مضبوط ڪارڪردگيءَ جو مظاهرو ڪيو، انهن مان هڪ ٻن ڪلينڪ جي تشخيص جي تشخيص سان. ، ٽي سکيا ڏيندڙ جن کي اسان جي پوئين ماڊلنگ ۾ سڀ کان وڌيڪ سازگار طور سڃاتو ويو هو انهن ٻنهي نئين ماڊلنگ اسڪيمن سان تمام گهڻي مسلسل ڪارڪردگي پيش ڪئي. هر هڪ ابتدائي تشخيصي زمرن (AD ۽ VaD) جي سکيا ڏيندڙن جي مقابلي ۾، MCI-VaD بمقابله VaD لاءِ سکيا وٺندڙن جي وچ ۾ مسلسل درجه بندي ڪارڪردگيءَ جو فرق نه هو، جيتوڻيڪ سپورٽ ویکٹر مشين عام طور تي وڌيڪ نمايان طور تي ڪم ڪيو. اهڙي طرح، MCI-AD بمقابله AD درجي بندي لاءِ سکندڙن جي وچ ۾ ڪو خاص فرق نه هو، جيتوڻيڪ Naïve Bayes (NB) کي لاجسٽڪ ريگريشن (LR) تي معمولي ڪارڪردگي جو فائدو هو ۽ سپورٽ ويڪٽر مشين جي مٿان صرف هڪ غير معمولي اڪثريت، 61.4% جي امڪانن سان. ۽ ترتيب سان 41.7٪. ٻنهي ڊيٽا سيٽن تي، سپورٽ ویکٹر مشين (SVM) لاءِ مجموعي ڪارڪردگي جو فائدو هو، Pr (SVM > LR) = 0.819 ۽ Pr (SVM > NB) = 0.934. اسان جي مجموعي درجه بندي ڪارڪردگي سڀني سکندڙن ۾ تشخيص جي شدت جي اڳڪٿي ڪرڻ ۾ XL ذيلي ڊيٽا سيٽ ۾ بهتر هئي VaD تشخيص جي درجي ۾ AD (Pr (VAD > AD) = 0.998).

ٽيبل 5

Dichotomous clinical diagnosis severity classification performance (AUC؛ 0.0-1.0) نتيجن مان هر هڪ لاءِ ٽن اعليٰ ڪارڪردگي سکندڙن لاءِ ٻنهي لاڳاپيل ماڊلنگ اسڪيمن لاءِ

ماڊلنگ اسڪيممنطقي ريگريشنبيوس بيزسپورٽ ویکٹر مشين
MCI-AD بمقابله AD0.74650.78100.7443
MCI-VaD بمقابله VaD0.80330.80440.8338

هر ماڊلنگ اسڪيم لاءِ اعليٰ ڪارڪردگي ڏيکاريل آهي شوخ (ضروري ناهي ته انگن اکرن جي لحاظ کان ٻين کان مختلف هجي شوخ).

ڊسڪشن

سنجيدگي واري صحت ۾ تبديلين جي ابتدائي ڳولڻ ضروري آهي عملي افاديت ذاتي صحت جي انتظام ۽ عوامي صحت ۾ هڪجهڙا. درحقيقت، دنيا جي مريضن لاء ڪلينڪ سيٽنگون ۾ پڻ تمام گهڻو اعلي ترجيح آهي. گڏيل مقصد اهو آهي ته مريضن، سنڀاليندڙن، ۽ فراهم ڪندڙن کي خبردار ڪيو وڃي ۽ ابتدائي مناسب ۽ قيمتي اثرائتي علاج ۽ ڊگهي خيال کي فوري طور تي پيش ڪيو وڃي جيڪي سنجڪرت جي گهٽتائي جو تجربو ڪرڻ شروع ڪن ٿا. اسان جي ٽن اسپتالن/ڪلينڪ(ن) جي ڊيٽا سبسٽس کي ضم ڪندي، اسان ٽن مخصوص ترجيحي سکيا ڏيندڙن جي سڃاڻپ ڪئي (هڪ قابل ذڪر اسٽينڊ آئوٽ -Naïve Bayes سان) استعمال ٿيندڙ اڳڪٿي ڪندڙ ماڊل ٺاهڻ لاءِ MemTrax ڪارڪردگي ميٽرڪ جيڪي معتبر طور تي سنجڪرت واري صحت جي حالت کي درجه بندي ڪري سگھن ٿا dichotomously (عام سنجيدگي واري صحت يا MCI) جيئن اشارو ڪيو ويندو هڪ MoCA مجموعي نمبر طرفان. خاص طور تي، سڀني ٽن سکندڙن لاء مجموعي درجه بندي جي ڪارڪردگي بهتر ٿي وئي جڏهن اسان جا ماڊل صرف مٿين درجي جي چار خاصيتون استعمال ڪن ٿيون جيڪي بنيادي طور تي انهن MemTrax ڪارڪردگي جي ماپ کي شامل ڪن ٿا. ان کان علاوه، اسان هڪ تشخيصي سپورٽ جي درجي بندي ماڊلنگ اسڪيم ۾ ساڳئي سکيا ڏيندڙن ۽ MemTrax ڪارڪردگي جي ميٽرس کي استعمال ڪرڻ لاء ثابت ڪيل صلاحيت کي ظاهر ڪيو آهي ته ڊيميشيا جي تشخيص جي ٻن قسمن جي شدت کي فرق ڪرڻ لاء: AD ۽ VaD.

ياداشت جي جاچ AD [23، 24] جي شروعاتي سڃاڻپ لاء مرڪزي آهي. ان ڪري، اهو موقعو آهي ته MemTrax هڪ قابل قبول، مشغول، ۽ آسان آن لائن لاڳو ڪرڻ آهي episodic ياداشت لاء اسڪريننگ ٽيسٽ عام آبادي ۾ [6]. سڃاڻپ جي درستگي ۽ جواب جي وقت هن مسلسل ڪارڪردگي جي ڪم کان خاص طور تي ظاهر ڪري رهيا آهن شروعاتي ۽ ترقي جي خرابي جي سڃاڻپ ۾ ۽ نتيجي ۾ خساري جي نتيجي ۾ نيوروپلاسٽڪ عملن ۾ سکيا، ياداشت، ۽ معرفت سان لاڳاپيل. اهو آهي، هتي ماڊل جيڪي گهڻو ڪري MemTrax ڪارڪردگي جي ميٽرڪ تي ٻڌل آهن حساس آهن ۽ آسانيء سان ۽ گهٽ ۾ گهٽ قيمت سان ظاهر ڪن ٿا حياتياتي نيوروپيٿوولوڪ خسارن کي ظاهر ڪن ٿا انتقالي غير علامتي اسٽيج دوران وڌيڪ اهم فنڪشنل نقصان کان اڳ [25]. Ashford et al. ويجھي طور تي معائنو ڪيو نمونن ۽ رويي جي سڃاڻپ جي ميموري جي درستگي ۽ جوابي وقت جي آن لائن استعمال ڪندڙن ۾ جيڪي ميم ٽرڪس سان گڏ پاڻ ۾ حصو وٺندا هئا [6]. احترام ڪيو ته اهي تقسيم بهترين ماڊلنگ ۾ اهم آهن ۽ صحيح ۽ موثر مريضن جي سنڀال ايپليڪيشنن کي ترقي ڪن ٿا، ڪلينڪ طور تي قابل اطلاق شناخت ۽ جوابي وقت جي پروفائل جي وضاحت ڪرڻ ضروري آهي ڪلينڪ ۽ تحقيقي افاديت لاء هڪ قيمتي بنيادي حوالي قائم ڪرڻ ۾. AD اسڪريننگ ۾ MemTrax جي عملي قدر شروعاتي اسٽيج جي سنجيدگي جي خرابي ۽ فرق جي تشخيصي مدد جي ضرورت آهي ته پوء هڪ ڪلينڪ سيٽنگ جي حوالي سان وڌيڪ ويجهي جانچڻ جي ضرورت آهي جتي امتحان جي ڪارڪردگي تي اثر انداز ٿيندڙ سنجڪرت ۽ سنجيدگي، حسي، ۽ موٽر صلاحيتن کي سمجهي سگهجي ٿو. ۽ پيشه ورانه نقطه نظر کي آگاهي ڏيڻ ۽ عملي ڪلينڪل افاديت جي حوصلا افزائي ڪرڻ لاء، اهو پهريون ضروري آهي ته هڪ قائم ڪيل سنجيدگي واري صحت جي تشخيص ٽيسٽ جي مقابلي کي ظاهر ڪيو وڃي، جيتوڻيڪ بعد ۾ شايد ممڪن طور تي مشڪل ٽيسٽنگ لاجسٽڪ، تعليم ۽ ٻولي جي رڪاوٽون، ۽ ثقافتي اثرات جي لحاظ کان محدود ٿي سگهي ٿي [26] . ان سلسلي ۾، ميم ٽرڪس جي سازگار مقابلي ۾ ڪلينڪل افاديت ۾ MoCA جيڪا عام طور تي صنعت جي معيار جي طور تي بيان ڪئي وئي آهي، خاص طور تي جڏهن وزن جي استعمال جي وڏي آساني ۽ ميم ٽرڪس جي مريض قبوليت جو وزن.

اڳوڻو تفسير MemTrax سان MoCA جي مقابلي ۾ اسان جي ماڊلنگ جي تحقيق جي وارنٽي دليل ۽ ابتدائي ثبوت کي نمايان ڪري ٿو [8]. بهرحال، هي اڳوڻو مقابلو صرف ٻه اهم MemTrax ڪارڪردگي جي ماپ سان لاڳاپيل آهي جنهن کي اسان سنجيدگي واري حيثيت سان جانچيو آهي جيئن ته MoCA پاران طئي ڪيو ويو آهي ۽ لاڳاپيل حدن ۽ ڪٽ آف ويلز جي وضاحت ڪئي وئي آهي. اسان MemTrax جي ڪلينڪل افاديت جي تشخيص کي وڌيڪ ڳنڀير ڪيو آهي هڪ پيش گوئي واري ماڊلنگ تي ٻڌل طريقي جي ڳولا ڪندي جيڪا ٻين ممڪن طور تي لاڳاپيل مريض جي مخصوص پيٽرولن جي وڌيڪ انفرادي غور فراهم ڪندي. ٻين جي ابتڙ، اسان ماڊل ڪارڪردگي ۾ ڪو فائدو نه ڳوليو استعمال ڪندي تعليم جي اصلاح (ايڊجسٽمينٽ) کي MoCA سکور ۾ يا مختلف ۾ سنجيدگي واري صحت جي فرق ۾ MoCA مجموعي سکور جي حد تائين اصل تجويز ڪيل 26 کان 23 [12, 15]. درحقيقت، درجه بندي ڪارڪردگي جو فائدو اڻ سڌريل MoCA سکور ۽ اعليٰ حد تائين استعمال ڪيو ويو.

ڪلينڪل مشق ۾ اهم نقطا

مشين لرننگ اڪثر ڪري بھترين استعمال ڪئي ويندي آھي ۽ سڀ کان وڌيڪ اثرائتي پيشنگوئي ڪندڙ ماڊلنگ ۾ جڏھن ڊيٽا وسيع ۽ گھڻ طرفي ھوندي آھي، اھو آھي، جڏھن اتي ڪيترائي مشاهدا ھوندا آھن ۽ اعليٰ قدر (مطالعو ڪندڙ) صفتن جي ھڪ گڏيل وسيع صف آھي. اڃان تائين، انهن موجوده ڊيٽا سان، فلٽر ٿيل ماڊل صرف چار چونڊ خصوصيتن سان گڏ انهن سڀني 10 عام خصوصيتن کي استعمال ڪرڻ وارن کان بهتر ڪارڪردگي ڏيکاري ٿي. اهو مشورو ڏئي ٿو ته اسان جي مجموعي اسپتال جي ڊيٽا سيٽ ۾ سڀ کان وڌيڪ ڪلينڪ طور تي مناسب (اعلي قدر) خاصيتون نه هيون جيڪي هن طريقي سان مريضن جي درجه بندي ڪرڻ لاء. ان جي باوجود، خصوصيت جي درجه بندي جو زور اهم MemTrax ڪارڪردگي ميٽرڪس تي زور ڏئي ٿو- MTx-% C ۽ MTx-RT- هن ٽيسٽ جي چوڌاري ابتدائي اسٽيج جي سنجيدگي واري خساري جي اسڪريننگ ماڊل جي تعمير کي مضبوط طور تي سپورٽ ڪري ٿو جيڪو آسان، انتظام ڪرڻ آسان، گهٽ قيمت، ۽ مناسب طور تي ظاهر ڪرڻ جي حوالي سان. ياداشت جي ڪارڪردگي، گهٽ ۾ گهٽ هن وقت هڪ ابتدائي اسڪرين جي طور تي بائنري درجه بندي لاء سنجڪرت واري صحت جي حالت. فراهم ڪندڙن ۽ صحت جي سار سنڀار جي نظام تي مسلسل وڌندڙ دٻاءُ کي نظر ۾ رکندي، مريضن جي اسڪريننگ جي عملن ۽ ڪلينڪل ايپليڪيشنن کي مناسب طور تي تيار ڪيو وڃي ته انهن مريضن جي خاصيتن ۽ ٽيسٽ ميٽرڪ کي گڏ ڪرڻ، ٽريڪ ڪرڻ، ۽ ماڊلنگ ڪرڻ تي زور ڏنو وڃي جيڪي تشخيص ۾ تمام گهڻيون مفيد، فائديمند ۽ ثابت ٿيل اثرائتو آهن. ۽ مريض جي انتظام جي حمايت.

ٻن اهم MemTrax ميٽرڪس سان MCI جي درجه بندي ۾ مرڪزي حيثيت رکي ٿي، اسان جي اعليٰ پرفارمنگ سکيا ڏيندڙ (Naïve Bayes) اڪثر ماڊلز (AUC مٿان 0.90) ۾ تمام اعليٰ اڳڪٿي ڪندڙ ڪارڪردگيءَ سان سچي-مثبت کان غلط-مثبت تناسب 4 جي ويجهو يا ڪجهه حد کان وڌيڪ هئي. : 1. هڪ ترجمي واري ڪلينيڪل ايپليڪيشن هن سکيا ڏيندڙ کي استعمال ڪندي اهڙيءَ طرح انهن مان اڪثر کي پڪڙيندي (درستيءَ سان درجه بندي) انهن مان جن کي هڪ سنجيدگيءَ واري خساري سان، جڏهن ته غلطيءَ سان لاڳاپيل قيمت کي گھٽائيندي ڪنهن کي عام سنجيدگيءَ واري صحت سان غلطيءَ سان درجه بندي ڪرڻ سان جيئن ته علم جي گھٽتائي (غلط مثبت) يا انهن ۾ اها درجه بندي غائب آهي جن وٽ هڪ سنجڪاتي خسارو آهي (غلط منفي). يا ته انهن مان هڪ منظرنامي جي غلط درجه بندي مريض ۽ سنڀاليندڙن تي غير معمولي نفسياتي-سماجي بوجھ لاڳو ڪري سگهي ٿي.

جڏهن ته ابتدائي ۽ مڪمل تجزين ۾ اسان هر ماڊلنگ اسڪيم ۾ سڀني ڏهن سکندڙن کي استعمال ڪيو، اسان پنهنجن نتيجن کي ٽن درجه بندي ڪندڙن تي مرکوز ڪيو جيڪو تمام گهڻي مسلسل مضبوط ڪارڪردگي ڏيکاريندي. اهو پڻ نمايان ڪرڻ هو، انهن ڊيٽا جي بنياد تي، سيکارڻ وارا جيڪي متوقع طور تي سنجيدگي واري حيثيت جي درجه بندي کي طئي ڪرڻ ۾ عملي ڪلينڪ ايپليڪيشن ۾ اعلي سطح تي ڀروسي سان انجام ڏين ٿا. ان کان علاوه، ڇاڪاڻ ته هن مطالعي جو ارادو ڪيو ويو آهي هڪ تعارفي تحقيق جي طور تي مشين لرننگ جي افاديت ۾ سنجيدگي واري اسڪريننگ ۽ انهن بروقت ڪلينڪ چئلينجن تي، اسان اهو فيصلو ڪيو ته سکيا جي ٽيڪنڪ کي سادو ۽ عام ڪيو وڃي، گهٽ ۾ گهٽ پيٽرولر ٽيوننگ سان. اسان کي ساراهيو وڃي ٿو ته هن طريقي سان وڌيڪ محدود طور تي بيان ڪيل مريض جي مخصوص پيش گوئي جي صلاحيت جي صلاحيت کي محدود ڪري سگھي ٿي. ساڳئي طرح، جتي ماڊلز کي صرف مٿين خصوصيتن (فلٽر ٿيل طريقي) کي استعمال ڪندي تربيت ڏيڻ اسان کي انهن ڊيٽا جي حوالي سان وڌيڪ ڄاڻ ڏئي ٿو (گڏيل ڊيٽا ۾ گهٽتائي ۽ قيمتي ڪلينڪل وقت ۽ وسيلن کي بهتر ڪرڻ ۾ قدر کي اجاگر ڪرڻ لاء مخصوص)، اسان سمجهون ٿا ته اهو وقت کان اڳ آهي تنگ ڪرڻ. ماڊلز جو دائرو ۽، تنهن ڪري، سڀني (۽ ٻيون خاصيتون) مستقبل جي تحقيق سان غور ڪيو وڃي جيستائين اسان وٽ ترجيحي خصوصيتن جو وڌيڪ واضح پروفائل نه هجي، جيڪا وسيع آبادي تي لاڳو ٿيندي. اهڙيء طرح، اسان اهو پڻ مڪمل طور تي تسليم ڪيو آهي ته انهن ۽ ٻين ماڊلز جي وڌيڪ جامع ۽ وسيع نمائندي ڊيٽا ۽ اصلاح ضروري هوندي، انهن کي هڪ مؤثر ڪلينڪ ايپليڪيشن ۾ ضم ڪرڻ کان پهريان، خاص طور تي سنجڪاتي ڪارڪردگي تي اثر انداز ڪرڻ واري ڪاموربيٽيٽس کي شامل ڪرڻ لاء جيڪي وڌيڪ کلينياتي تشخيص ۾ غور ڪرڻ جي ضرورت پوندي.

MemTrax جي افاديت کي الڳ الڳ ڪلينڪ تشخيص جي بنياد تي بيماري جي شدت جي ماڊلنگ جي ذريعي وڌايو ويو. وي ڊي جي شدت جي اڳڪٿي ڪرڻ ۾ هڪ بهتر مجموعي درجه بندي ڪارڪردگي (AD جي مقابلي ۾) نه هئي حيرت انگيز ڏني وئي مريضن جي پروفائل خاصيتن جي ماڊل ۾ مخصوص ويسولر صحت لاءِ ۽ فالج جو خطرو، يعني هائپر ٽائونشن، هائپر لپڊيميا، ذیابيطس، ۽ (يقيناً) فالج جي تاريخ. جيتوڻيڪ اهو وڌيڪ گهربل ۽ مناسب هجي ها ته ساڳي ڪلينڪل تشخيص کي ملندڙ مريضن تي عام سنجيدگي واري صحت سان گڏ سيکارڻ وارن کي تربيت ڏيڻ لاءِ انهن وڌيڪ شامل ڊيٽا سان. اهو خاص طور تي وارنٽي آهي، جيئن MemTrax بنيادي طور تي استعمال ٿيڻ جو ارادو ڪيو ويو آهي شروعاتي اسٽيج جي سڃاڻپ لاء هڪ سنجڪاتي خساري ۽ بعد ۾ انفرادي تبديلي جي ٽريڪنگ. اهو پڻ قابل اطمينان آهي ته VaD ڊيٽا سيٽ ۾ ڊيٽا جي وڌيڪ گهربل تقسيم نسبتا بهتر ماڊلنگ ڪارڪردگي ۾ حصو ورتو. VaD ڊيٽا سيٽ ٻن طبقن جي وچ ۾ چڱي طرح متوازن هئي، جڏهن ته AD ڊيٽا سيٽ تمام گهٽ MCI مريضن سان نه هئي. خاص طور تي ننڍڙن ڊيٽا سيٽن ۾، جيتوڻيڪ ڪجھ اضافي مثالون ماپيبل فرق آڻي سگھن ٿيون. ٻئي نقطه نظر معقول دليل آهن جيڪي بيماري جي شدت جي ماڊلنگ ڪارڪردگي ۾ اختلافن جي وچ ۾ آهن. تنهن هوندي به، ڊيٽا سيٽ جي عددي خاصيتن کي بهتر ڪارڪردگي جي تناسب سان منسوب ڪرڻ يا غور هيٺ ڪلينڪ جي پيشڪش لاءِ مخصوص موروثي خاصيتون وقت کان اڳ آهي. حالانڪه، هي ناول ڪلينڪل تشخيصي مدد جي ڪردار ۾ هڪ MemTrax اڳڪٿي واري درجه بندي ماڊل جي افاديت جو مظاهرو ڪري ٿو قيمتي نقطو مهيا ڪري ٿو ۽ مريضن سان اضافي امتحان لاء تعاقب جي تصديق ڪري ٿو MCI جي تسلسل ۾.

چين ۾ MemTrax ۽ انهن ماڊلز جي افاديت تي عمل درآمد ۽ ڏيکاريل آهي، جتي ٻولي ۽ ثقافت قائم ڪيل افاديت جي ٻين علائقن کان بلڪل مختلف آهن (مثال طور، فرانس، هالينڊ، ۽ آمريڪا) هڪ MemTrax-based پليٽ فارم جي وسيع عالمي قبوليت ۽ ڪلينڪ قدر لاء. اهو هڪ نمايان مثال آهي ڊيٽا جي هم آهنگيءَ جي طرف ڪوشش ڪرڻ ۽ عملي بين الاقوامي معيارن ۽ ماڊلنگ وسيلن کي ترقي ڪرڻ لاءِ سنجيدگي واري اسڪريننگ لاءِ جيڪي معياري ۽ آساني سان پوري دنيا ۾ استعمال لاءِ ٺاهيل آهن.

سنجيدگي واري رد ڪرڻ واري ماڊلنگ ۽ ايپليڪيشن ۾ ايندڙ قدم

AD ۾ سنجيدگي جي خرابي واقعي هڪ تسلسل تي ٿيندي آهي، نه جدا جدا مرحلن يا مرحلن ۾ [28, 29]. جڏهن ته، هن شروعاتي مرحلي ۾، اسان جو مقصد پهريون ڀيرو هڪ ماڊل ٺاهڻ جي صلاحيت قائم ڪرڻ هو جنهن ۾ MemTrax شامل ٿي سگھي ٿو جيڪو بنيادي طور تي "عام" کان "عام نه" ۾ فرق ڪري سگهي ٿو. وڌيڪ شامل تجرباتي ڊيٽا (مثال طور، دماغي تصويري، جينياتي خاصيتون، بائيو مارڪرز، ڪموربيڊيٽيز، ۽ ڪمپليڪس جا فنڪشنل مارڪرز سرگرميون جيڪي سنجيدگي جي ضرورت هونديون آهن ڪنٽرول) [30] مختلف عالمي علائقن، آبادي، ۽ عمر جي گروپن کي تربيت ڏيڻ ۽ ترقي ڪرڻ لاءِ وڌيڪ نفيس (بشمول مناسب وزن وارو ensemble) مشين لرننگ ماڊل وڌيڪ درجي جي درجي بندي جي مدد ڪندا، يعني مريضن جي گروپن کي درجه بندي ڪرڻ جي صلاحيت. MCI ننڍڙن ۽ وڌيڪ حتمي سبسٽس ۾ سنجيدگي واري رد عمل جي تسلسل سان. ان کان علاوه، علائقائي طور تي مختلف مريضن جي آبادي جي ماڻهن لاء هڪجهڙائي ڪلينڪ تشخيص ضروري آهن. مؤثر تربيت اهي وڌيڪ شامل آهن ۽ متوقع طور تي مضبوط ماڊل. اهو انهن لاءِ وڌيڪ مخصوص اسٽيريفائيڊ ڪيس مئنيجمينٽ کي آسان بڻائيندو انهن لاءِ هڪجهڙا پس منظر ، اثر ، ۽ وڌيڪ تنگ بيان ڪيل خصوصيت سنجيدگي واري پروفائلز ۽ اهڙيءَ طرح ڪلينڪل فيصلي جي مدد ۽ مريض جي سنڀال کي بهتر بڻائي.

اڄ تائين جي لاڳاپيل ڪلينڪل تحقيق جو گهڻو حصو گهٽ ۾ گهٽ هلڪي ڊيميشيا سان مريضن کي خطاب ڪيو آهي؛ ۽، عملي طور تي، گهڻو ڪري مريض جي مداخلت صرف ترقي يافته مرحلن تي ڪوشش ڪئي ويندي آهي. جڏهن ته، ڇاڪاڻ ته سنجيدگي جي گهٽتائي شروع ٿئي ٿي ان کان اڳ جو ڊيمينيا لاء ڪلينڪ معيار پورا ڪيو وڃي، هڪ مؤثر طريقي سان لاڳو ڪيل MemTrax-بنياد شروعاتي اسڪرين ماڻهن جي بيماري ۽ ان جي ترقي بابت مناسب تعليم جي حوصلا افزائي ڪري سگهي ٿي ۽ اڳوڻي ۽ وڌيڪ بروقت مداخلت کي فوري طور تي. اهڙيء طرح، ابتدائي تشخيص مناسب شموليت جي حمايت ڪري سگهي ٿي، ورزش، غذا، جذباتي حمايت، ۽ فارماسولوجيڪل مداخلت کان بهتر سوشلائيزيشن ۽ رويي ۽ تصور ۾ مريض سان لاڳاپيل تبديلين کي مضبوط ڪري سگھي ٿو جيڪو اڪيلو يا مجموعي طور تي ڊيمنشيا جي ترقي کي گهٽائي يا ممڪن طور تي روڪي سگھي ٿو [31, 32] . ان کان سواء، اثرائتي سان شروعاتي اسڪريننگ، ماڻهن ۽ انهن جي خاندانن کي شايد ڪلينڪل آزمائشي تي غور ڪرڻ يا صلاحون ۽ ٻين سماجي خدمتن جي مدد حاصل ڪرڻ لاءِ چيو وڃي ٿو اميدن ۽ ارادن کي واضح ڪرڻ ۽ روزاني ڪمن کي منظم ڪرڻ ۾ مدد لاءِ. انهن طريقن ۾ وڌيڪ تصديق ۽ وسيع عملي افاديت ڪيترن ئي ماڻهن لاءِ MCI، AD، ۽ ADRD جي ترقي کي گهٽائڻ يا روڪڻ ۾ مددگار ثابت ٿي سگهي ٿي.

درحقيقت، اسان جي مطالعي ۾ مريض جي عمر جي حد جي گھٽ پڇاڙي AD سان روايتي تشويش جي آبادي جي نمائندگي نٿو ڪري. حالانڪه، هر گروهه جي سراسري عمر جيڪا درجه بندي ماڊلنگ اسڪيمن ۾ استعمال ڪئي وئي آهي ان جي بنياد تي MoCA سکور/ ​​حد ۽ تشخيص جي شدت (ٽيبل 3) واضح اڪثريت (80٪ کان مٿي) کي گهٽ ۾ گهٽ 50 سالن جي عمر جي نشاندهي ڪري ٿي. اها ورڇ اهڙيءَ طرح عام ڪرڻ لاءِ بلڪل موزون آهي، آبادي ۾ انهن ماڊلز جي افاديت جي حمايت ڪندي جيڪي عام طور تي متاثر ٿيل آهن. شروعاتي شروعات ۽ AD ۽ VaD جي ڪري وڌندڙ اعصابي بيماري. انهي سان گڏ، تازو ثبوت ۽ نقطه نظر انهن سڃاتل عوامل (مثال طور، هائپر ٽائونشن، موهپا، ذیابيطس، ۽ سگريٽ نوشي) تي زور ڏئي ٿو ممڪن طور تي وڌيڪ جلدي ۾ حصو وٺن بالغ ۽ وچين زندگي ويسولر خطري جا اسڪور ۽ ان جي نتيجي ۾ ذيلي ويسولر دماغي زخم جيڪي واضح اثرات سان گڏ نوجوانن ۾ پڻ ترقي ڪن ٿا بالغ [33-35]. انهي جي مطابق، شروعاتي ڳولڻ لاء سڀ کان وڌيڪ بهترين ابتدائي اسڪريننگ جو موقعو اسٽيج سنجڪاتي خسارو ۽ ڪاميابيء سان ڊيمينشيا کي خطاب ڪرڻ ۾ مؤثر روڪٿام ۽ مداخلت واري حڪمت عملي جي شروعات حصو وٺندڙ عنصرن ۽ اڳوڻن اشارن جي جانچ ڪرڻ مان نڪرندو عمر جي اسپيڪٽرم ۾، بشمول ابتدائي بالغيت ۽ ممڪن طور تي ننڍپڻ کان وٺي (جينياتي عنصرن جي لاڳاپي کي نوٽ ڪرڻ جهڙوڪ apolipoprotein E ابتدائي حمل کان).

عملي طور تي، صحيح ڪلينڪ جي تشخيص ۽ قيمتي طريقا ترقي يافته تصويرن لاء، جينياتي پروفائلنگ، ۽ وعدو ڪندڙ بائيو مارڪرز کي ماپڻ هميشه آساني سان دستياب ناهي يا ڪيترن ئي مهيا ڪندڙن لاء ممڪن آهي. اهڙيء طرح، ڪيترن ئي مثالن ۾، ابتدائي مجموعي طور تي سنجيدگي واري صحت جي حالت جي درجه بندي کي شايد ماڊل مان حاصل ڪيو وڃي ته مريض طرفان مهيا ڪيل ٻين سادي ميٽرڪ استعمال ڪندي (مثال طور، خود رپورٽ ٿيل ميموري مسئلا، موجوده دوائون، ۽ معمولي سرگرمي جون حدون) ۽ عام ڊيموگرافڪ خاصيتون [7]. رجسٽريون جهڙوڪ ڪيليفورنيا يونيورسٽي برين صحت رجسٽري (https://www.brainhealthregistry.org/) [27] ۽ ٻيا جيڪي خود رپورٽ ٿيل علامتن جي موروثي وڏي وسيع سان، ڪيفيت وارا قدم (مثال طور، ننڊ ۽ هر روز معرفت)، دوائون، صحت جي حالت، ۽ تاريخ، ۽ وڌيڪ تفصيلي ڊيموگرافڪ ڪلينڪ ۾ انهن وڌيڪ ابتدائي ماڊل جي عملي ايپليڪيشن کي ترقي ۽ تصديق ڪرڻ ۾ مددگار ثابت ٿيندو. وڌيڪ، هڪ امتحان جهڙوڪ MemTrax، جيڪو ميموري فنڪشن جو جائزو وٺڻ ۾ افاديت جو مظاهرو ڪيو آهي، حقيقت ۾ بائيولوجيڪل مارڪرز جي ڀيٽ ۾ AD پيٽولوجي جو گهڻو بهتر اندازو مهيا ڪري سگهي ٿو. ڏنو ويو آهي ته AD pathology جي بنيادي خصوصيت آهي neuroplasticity جي خلل ۽ synapses جو هڪ تمام گهڻو پيچيده نقصان، جيڪو ظاهر آهي episodic طور. ميموري dysfunction، هڪ ماپ جو اندازو لڳائي ٿو episodic ياداشت شايد حقيقت ۾ زندگين مريض ۾ حياتياتي نشانن جي ڀيٽ ۾ AD pathological بوجھ جو بهتر اندازو مهيا ڪريو [36].

سڀني اڳڪٿي ڪندڙ ماڊلن سان گڏ- ڇا جديد ترين ٽيڪنالاجي مان پيچيده ۽ جامع ڊيٽا سان پورو ڪيو ويو آهي ۽ ڪيترن ئي ڊومينز ۾ سڌاريل ڪلينڪل بصيرت يا جيڪي موجوده مريض پروفائلز جي وڌيڪ بنيادي ۽ آساني سان دستياب معلومات تائين محدود آهن- مصنوعي ذهانت جو تسليم ٿيل فائدو. ۽ مشين لرننگ اهو آهي ته نتيجو ڪندڙ ماڊل ترتيب ڏئي سگھن ٿا ۽ "سکيو" سان لاڳاپيل نئين ڊيٽا ۽ نقطي نظر مان جاري ايپليڪيشن استعمال ذريعي مهيا ڪيل. عملي ٽيڪنالوجي جي منتقلي جي پٺيان، جيئن ته ماڊل هتي (۽ ترقي يافته ٿيڻ وارا) لاڳو ڪيا ويا آهن ۽ وڌيڪ ڪيسن ۽ مناسب ڊيٽا سان گڏ (جنهن ۾ مريضن سان گڏ مريض جيڪي ايندڙ سنجيدگي جي گهٽتائي سان پيش ڪري سگھن ٿا)، پيش گوئي جي ڪارڪردگي ۽ سنجيدگي واري صحت جي درجه بندي وڌيڪ مضبوط ٿيندي، نتيجي ۾ وڌيڪ اثرائتي ڪلينڪل فيصلي جي مدد جي افاديت. هي ارتقا وڌيڪ مڪمل طور تي ۽ عملي طور تي محسوس ڪيو ويندو MemTrax کي ڪسٽم (موجود صلاحيتن کي نشانو بڻايو ويو) پليٽ فارمن ۾ شامل ڪرڻ سان جيڪو صحت جي سار سنڀار فراهم ڪندڙ ڪلينڪ ۾ حقيقي وقت ۾ استعمال ڪري سگھن ٿا.

تشخيصي مدد ۽ مريض جي سنڀال لاءِ MemTrax ماڊل جي توثيق ۽ افاديت لاءِ ضروري آهي تمام گهڻي گهربل معنيٰ وارو ڊگهو ڊيٽا. شروعاتي اسٽيج MCI ذريعي عام جي مناسب حد تائين ڪلينڪ اسٽيٽس ۾ گڏيل تبديلين (جيڪڏهن ڪو به هجي) کي مشاهدو ۽ رڪارڊ ڪندي، مناسب جاري تشخيص ۽ درجه بندي لاءِ ماڊلز کي تربيت ۽ تبديل ڪري سگهجي ٿو جيئن مريضن جي عمر ۽ علاج ڪيو وڃي. اھو آھي، بار بار افاديت ھلڪي سنجيدگي واري تبديلين جي ڊگھي ٽريڪنگ، مداخلت جي اثرائتي، ۽ ڄاڻ واري سطحي سنڀال کي برقرار رکڻ ۾ مدد ڪري سگھي ٿي. اهو طريقو ڪلينڪل مشق ۽ مريض ۽ ڪيس جي انتظام سان وڌيڪ ويجهي سان ترتيب ڏئي ٿو.

حدون

اسان هڪ ڪنٽرول ڪلينڪ/اسپتال جي سيٽنگ ۾ صاف ڪلينڪ ڊيٽا گڏ ڪرڻ ۾ چئلينج ۽ قدر جي واکاڻ ڪندا آهيون. حالانڪه، اهو اسان جي ماڊلنگ کي مضبوط ڪري ها جيڪڏهن اسان جي ڊيٽا سيٽن ۾ عام خاصيتن سان وڌيڪ مريض شامل آهن. ان کان علاوه، اسان جي تشخيصي ماڊلنگ لاءِ مخصوص، اهو وڌيڪ گهربل ۽ مناسب هجي ها ته ملندڙ مريضن تي ساڳيو ڪلينڪ جائزو ورتو وڃي عام سنجيدگي واري صحت سان سکندڙن کي تربيت ڏيڻ لاءِ. ۽ جيئن ته فلٽر ٿيل ڊيٽا سيٽ استعمال ڪندي اعليٰ درجي بندي جي ڪارڪردگيءَ سان (صرف مٿاهين درجي جا چار خاصيتون)، وڌيڪ عام ۽ سنجيدگي واري صحت جي قدمن / اشارن جو امڪان بهتر ٿي چڪو هوندو سڀني مريضن ۾ عام خاصيتن جي وڏي تعداد سان ماڊلنگ ڪارڪردگي.

ڪجھ شرڪت ڪندڙ شايد ٻين بيمارين جو تجربو ڪري رھيا آھن جيڪي عارضي يا دائمي سنجڪندڙ گھٽتائي کي تيز ڪري سگھن ٿيون. XL ذيلي ڊيٽا سيٽ کان سواءِ جتي مريضن کي تشخيصي طور تي درجه بندي ڪئي وئي هئي يا ته AD يا VaD، ڪاموربيڊيٽي ڊيٽا گڏ نه ڪئي وئي / YH مريضن جي تلاء ۾ رپورٽ ڪئي وئي، ۽ KM ذيلي ڊيٽا سيٽ ۾ تمام گهڻي ڄاڻايل ڪاموربڊيٽي ذیابيطس هئي. بهرحال، اهو قابل بحث آهي ته، اسان جي ماڊلنگ اسڪيمن ۾ مريضن سميت ڪاموربيڊيٽيز جيڪي سنجيدگي جي گهٽتائي جي سطح کي تيز يا وڌائي سگھن ٿيون ۽ نتيجي ۾ هيٺين MemTrax ڪارڪردگي حقيقي دنيا جي حدف ٿيل مريضن جي آبادي جو وڌيڪ نمائندو هوندو هن وڌيڪ عام ابتدائي سنجيدگي واري اسڪريننگ لاء. ۽ ماڊلنگ جو طريقو. اڳتي وڌڻ، سنجيدگي جي ڪارڪردگي تي اثر انداز ٿيندڙ ڪاموربيڊٽيز جي صحيح تشخيص ماڊل ۽ نتيجي ۾ مريضن جي سنڀال جي ايپليڪيشنن کي بهتر ڪرڻ لاء وسيع طور تي فائدي وارو آهي.

آخر ۾، YH ۽ KM ذيلي ڊيٽا سيٽ مريض استعمال ڪيو هڪ اسمارٽ فون MemTrax ٽيسٽ وٺڻ لاء، جڏهن ته محدود تعداد ۾ ايڪس ايل ذيلي ڊيٽا سيٽ مريضن جو هڪ iPad استعمال ڪيو ۽ باقي هڪ اسمارٽ فون استعمال ڪيو. اهو MoCA درجه بندي ماڊلنگ لاءِ MemTrax ڪارڪردگي ۾ هڪ معمولي ڊوائيس سان لاڳاپيل فرق متعارف ڪرائي سگهي ٿو. بهرحال، MTx-RT ۾ فرق (جيڪڏهن ڪو به هجي)، مثال طور، ڊوائيسز جي وچ ۾ ممڪن طور تي ناگزير هوندو، خاص طور تي هر شرڪت ڪندڙ کي صرف رڪارڊ ٿيل ٽيسٽ ڪارڪردگي کان اڳ "مشق" ٽيسٽ ڏني ويندي. تنهن هوندي به، انهن ٻن هٿ جي ڊوائيسز جي افاديت ممڪن طور تي ٻين MemTrax نتيجن سان سڌو مقابلو ۽ / يا انضمام کي سمجهي ٿي جتي صارفين کي ڪمپيوٽر جي ڪيبورڊ تي اسپيس بار کي ڇڪڻ سان تصويرن کي ورجائڻ جو جواب ڏنو.

MemTrax اڳڪٿي ڪندڙ ماڊلنگ افاديت تي اهم نقطا

  • • اسان جا اعليٰ ڪارڪردگي پيش ڪندڙ ماڊل جيڪي چونڊيل MemTrax ڪارڪردگيءَ جي ماپن تي مشتمل آهن، معتبر طور تي علم جي صحت جي حالت (عام سنجيدگي واري صحت يا MCI) جي درجه بندي ڪري سگھن ٿا، جيئن وڏي پيماني تي سڃاتل MoCA ٽيسٽ ذريعي ظاهر ڪيو ويندو.
  • • اهي نتيجا چونڊيل MemTrax ڪارڪردگي جي ماپن جي انضمام جي حمايت ڪن ٿا درجه بندي اڳڪٿي ڪندڙ ماڊل اسڪريننگ ايپليڪيشن ۾ شروعاتي اسٽيج جي سنجيدگي جي خرابي لاء.
  • • اسان جي درجه بندي ماڊلنگ پڻ ظاهر ڪئي آهي MemTrax ڪارڪردگي کي استعمال ڪرڻ جي امڪاني ايپليڪيشنن ۾ ڊيمينشيا جي تشخيص جي شدت کي فرق ڪرڻ لاء.

اهي ناول جا نتيجا يقيني ثبوت قائم ڪن ٿا مشين لرننگ جي افاديت کي هٿي وٺرائڻ ۾ بهتر مضبوط MemTrax-بنياد درجه بندي ماڊلز لاءِ تشخيصي مدد لاءِ موثر ڪلينڪل ڪيس مئنيجمينٽ ۽ مريضن جي سنڀال ۾ انهن ماڻهن لاءِ جيڪي سنجيدگيءَ جي خرابيءَ جو شڪار آهن.

ACKNOWLEDGMENTS

اسان J. Wesson Ashford، Curtis B. Ashford، ۽ ساٿين جي ڪم کي سڃاڻون ٿا آن لائن لڳاتار سڃاڻڻ واري ڪم ۽ اوزار (MemTrax) کي ترقيءَ ۽ تصديق ڪرڻ لاءِ جيڪي هتي استعمال ڪيا ويا آهن ۽ اسين شڪرگذار آهيون انهن ڪيترن ئي مريضن جا جيڪي ڊيميشيا سان واسطو رکندڙ آهن جن اهم بنيادي تحقيق ۾ حصو ورتو. . اسان پڻ شڪريو ادا ڪريون ٿا Xianbo Zhou ۽ سندس ساٿين جو SJN Biomed LTD تي، سندس ساٿين ۽ اسپتالن/ڪلينڪ جي سائيٽن تي تعاون ڪندڙن، خاص طور تي ڊاڪٽر. M. Luo ۽ M. Zhong، جن شرڪت ڪندڙن کي ڀرتي ڪرڻ، ٽيسٽن کي شيڊول ڪرڻ، ۽ ڊيٽا گڏ ڪرڻ، رڪارڊنگ ۽ فرنٽ اينڊ مئنيج ڪرڻ ۾ مدد ڪئي، ۽ رضاڪار شرڪت ڪندڙ جن پنھنجو قيمتي وقت ڏنو ۽ ٽيسٽ وٺڻ ۽ مهيا ڪرڻ جو عزم ڪيو. اسان لاءِ قيمتي ڊيٽا جو جائزو وٺڻ لاءِ هن مطالعي ۾. هي مطالعي جي حمايت ڪئي وئي جزوي طور ايم ڊي سائنسي تحقيق ڪنمنگ ميڊيڪل يونيورسٽي جو پروگرام (گرانٽ نمبر 2017BS028 کان XL) ۽ يونان سائنس ۽ ٽيڪنالاجي ڊپارٽمينٽ جو ريسرچ پروگرام (گرانٽ نمبر 2019FE001 (-222) کان XL).

J. Wesson Ashford هن پيپر ۾ بيان ڪيل مخصوص مسلسل سڃاڻپ جي مثال جي استعمال لاءِ پيٽنٽ جي درخواست داخل ڪئي آهي عام لاءِ ياداشت جي جاچ.

MemTrax, LLC هڪ ڪمپني آهي جيڪا ڪرٽس ايشفورڊ جي ملڪيت آهي، ۽ هي ڪمپني انتظام ڪري رهي آهي ياداشت جي جاچ هن مقالي ۾ بيان ڪيل نظام.

ليکڪن جا ظاهر آن لائن دستياب آهن (https://www.j-alz.com/manuscript-disclosures/19-1340r2).

ميموري ٽيسٽ ڊيمينشيا ٽيسٽ ياداشت جي نقصان جي ٽيسٽ مختصر مدت جي يادداشت جي نقصان جي ٽيسٽ رام ٽيسٽ دماغي غذا مختلف قسم جي ڪتابن جي علم جي امتحان آن لائن
ڪرٽس ايشفورڊ - سنجيدگي جي تحقيقاتي ڪوآرڊينيٽر

حوالا

[1] Alzheimer's Association (2016) 2016 Alzheimer's disease facts ۽ انگ اکر. الزائمر ڊيمينٽ 12، 459-509.
[2] Gresenz CR , مچل جي ايم , Marrone J , Federoff HJ (2019) شروعاتي اسٽيج جو اثر Alzheimer جي بيماري گھر جي مالي نتيجن تي. صحت اقتصاديات 29، 18-29.
[3] فوسٽر اين ايل، بونڊي ميگاواٽ، داس آر، فاس ايم، هرشي ايل اي، ڪوه ايس، لوگن آر، پول سي، شيگا جي ڊبليو، سوڊ اي، ٿاٿالا اين، ويڪلنڊ ايم، يو ايم، بينيٽ اي، وانگ ڊي (2019) ۾ معيار جي بهتري نيورولوجي: نرم سنجڪندڙ خرابي معيار جي ماپ سيٽ. نيورولوجي 93، 705-713.
[4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) استعمال جي قيمت جي اثرائتي پرائمري سنڀال ۾ ڊيميشيا ۽ معمولي سنجيدگي جي خرابي کي ڳولڻ لاء سنجڪندڙ اسڪريننگ ٽيسٽ. Int J Geriatr Psychiatry 32، 1392-1400.
[5] ايشفورڊ جي ڊبليو، گيري اي، بيلي پي جي (2011) ياداشت جي ماپ وڏي گروپ سيٽنگن ۾ مسلسل سڃاڻپ ٽيسٽ استعمال ڪندي. J Alzheimers Dis 27، 885-895.
[6] Ashford JW , Tarpin-Bernard F , Ashford CB , Ashford MT (2019) هڪ ڪمپيوٽرائيز ٿيل مسلسل-سڃاڻڻ وارو ڪم قسطن جي يادگيري جي ماپ لاءِ. J Alzheimers Dis 69, 385-399.
[7] Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) Episodic-ميموري پرفارمنس مشين لرننگ ماڊلنگ ۾ اڳڪٿي ڪرڻ لاءِ سنجيدگي واري صحت جي حالت جي درجي بندي. J Alzheimers Dis 70, 277-286.
[8] وان ڊير هوڪ ايم ڊي، نيووينهوزين اي، ڪيجر جي، ايشفورڊ جي ڊبليو (2019) MemTrax ٽيسٽ جي مقابلي ۾ مونٽريال سنجيدگي جي تشخيص جو اندازو لڳايو ويو آهي نرم سنجڪاتي خرابي جي. J Alzheimers Dis 67، 1045-1054.
[9] Falcone M , Yadav N , Poellabauer C , Flynn P (2013) استعمال ڪندي الگ الگ سر آوازن جي درجه بندي لاءِ ٿلهي صدمي واري دماغي زخم. 2013 ۾ IEEE بين الاقوامي ڪانفرنس صوتيات، تقرير ۽ سگنل پروسيسنگ، وانڪوور، BC، پي پي. 7577-7581.
[10] Dabek F , Caban JJ (2015) وڏي ڊيٽا کي استعمال ڪرڻ لاء نموني ڪرڻ لاء امڪاني حالتن جي ترقي جي امڪاني حالتن کي ڌڪڻ کان پوء. Procedia Comput Sci 53، 265-273.
[11] Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) ڪميونٽي فارماسسٽ پاران سنجيدگي جي خرابي جي ابتدائي ڳولڻ لاء فيصلو. فرنٽ فارماڪول 9، 1232.
[12] Nasreddine ZS , Phillips NA , Bedirian V , Charbonneau S , Whitehead V , Collin I , Cummings JL , Chertkow H (2005) The Montreal Cognitive Assessment , MoCA: هڪ مختصر اسڪريننگ جو اوزار ٿلهي سنجيدگيءَ واري نقص لاءِ. J Am Geriatr Soc 53، 695-699.
[13] يو جي، لي جي، هوانگ ايڪس (2012) بيجنگ نسخو مونٽريال سنجيدگي جي تشخيص جو مختصر اسڪريننگ اوزار جي طور تي نرم سنجيدگي واري معذور لاء: هڪ ڪميونٽي تي ٻڌل مطالعو. بي ايم سي نفسيات 12، 156.
[14] Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) چيني ورزن جي تصديق مونٽريال سنجيدگي واري تشخيصي بنيادي لاءِ معتدل سنجيدگي واري نقص جي اسڪريننگ لاءِ. J Am Geriatr Soc 64, e285–e290.
[15] ڪارسن اين، ليچ ايل، مرفي KJ (2018) مونٽيريل سنجيدگي واري تشخيص (MoCA) کٽ آف اسڪور جو ٻيهر امتحان. Int J Geriatr Psychiatry 33، 379-388.
[16] آمريڪي نفسياتي ايسوسيئيشن (2013) ٽاسڪ فورس تشخيص ۽ شمارياتي دستيابي ذهني خرابين جو: DSM-5™، آمريڪي نفسياتي پبلشنگ، Inc.، واشنگٽن، ڊي سي.
[17] پٿون. پٿون سافٽ ويئر فائونڊيشن، http://www.python.org، پهچايل نومبر 15، 2019.
[18] آر ڪور گروپ، آر: شمارياتي ڪمپيوٽنگ لاءِ هڪ ٻولي ۽ ماحول آر فائونڊيشن فار اسٽيٽسٽيڪل ڪمپيوٽنگ، ويانا، آسٽريا. https://www.R-project.org/، 2018، پهچايل نومبر 15، 2019.
[19] Benavoli A , Corani G , Demšar J , Zaffalon M (2017) تبديليءَ لاءِ وقت: بيزين تجزيي ذريعي ڪيترن ئي درجي بندي ڪندڙن جي مقابلي لاءِ هڪ سبق. J Mach Learn Res 18، 1-36.
[20] فرينڪ اي، هال ايم، ويٽن IH (2016) WEKA Workbench. ۾ ڊيٽا مائننگ: عملي مشين سکيا جا اوزار ۽ ٽيڪنڪس، فرئنڪ اي، هال ايم اي، ويٽن آئي ايڇ، پال سي جي، ايڊز. مورگن ڪافمن 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) مشين لرننگ ان ماڊلنگ هاءِ اسڪول اسپورٽ ڪنسنسن سممپٽم حل. ميڊ سائنس اسپورٽس ايڪسرسڪ 51، 1362-1371.
[22] وان هولس ج، خوش گوفتار TM، نپوليتانو اي (2007) غير متوازن ڊيٽا کان سکيا تي تجرباتي نقطه نظر. ۾ مشين لرننگ تي 24هين بين الاقوامي ڪانفرنس جي ڪارروائي, Corvalis, Oregon, USA, pp. 935-942.
[23] ايشفورڊ JW، ڪولم پي، ڪوليور JA، بيڪين سي، Hsu LN (1989) الزيائمر مريض تشخيص ۽ ننڍي ذهني حالت: شين جي خصوصيت وکر تجزيي. جي جيرونٽول 44، 139-146.
[24] ايشفورڊ جي ڊبليو، جاروڪ ايل (1985) الزائمر جي بيماري: ڇا نيورون پلاسٽيٽيٽي محوري نيوروفائبرلري جي خراب ٿيڻ جو امڪان آهي؟ اين انگل جي ميڊ 313، 388-389.
[25] جيڪ سي آر جونيئر، ٿرنو TM، ويگينڊ ايس ڊي، ويسٽ ايڇ جي، نوپمن ڊي ايس، ويموري پي، لوئي وي جي، ميلڪي ايم ايم، رابرٽس آر او، مچولڊا ايم ايم، گراف-رڊفورڊ جي، جونز ڊي ٽي، شوارز سي جي، جين ايم ايل، جي ايم ايل ايل , Rocca WA , Petersen RC (2019) biologically vs clinically defined Alzheimer spectrum entities جو Prevalence of National Institute on Aging-Alzheimer's ايسوسيئيشن ريسرچ فريم ورڪ JAMA نيورول 76، 1174-1183.
[26] Zhou X , Ashford JW (2019) ايڊوانسز ان اسڪريننگ آلات لاءِ Alzheimer جي بيماري. ايجنگ ميڊ 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) The برين صحت رجسٽري: هڪ انٽرنيٽ تي ٻڌل پليٽ فارم ڀرتي، تشخيص، ۽ نيورو سائنس جي مطالعي لاء شرڪت ڪندڙن جي ڊگهي نگراني لاء. الزائمر ڊيمينٽ 14، 1063-1076.
[28] Ashford JW، Schmitt FA (2001) ماڊلنگ جو ٽائيم ڪورس Alzheimer dementia. ڪرر نفسياتي ريپ 3، 20-28.
[29] Li X , Wang X , Su L , Hu X , Han Y (2019) سينو لانگيٽوڊنل اسٽڊي آن ڪوگنيٽو ڊيڪلائن (SILCODE): پروٽوڪول هڪ چيني ڊگھي مشاهدي واري مطالعي لاءِ پروٽوڪول لاءِ خطري جي اڳڪٿي جا ماڊلز جي تبديليءَ جي تبديليءَ لاءِ معتدل سنجيدگيءَ واري ڪمزوري سان فردن ۾ ذھني سنجيدگيءَ سان رد ڪرڻ. BMJ اوپن 9، e028188.
[30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) پنج سال جي بايو مارڪر ترقي جي تبديلي Alzheimer's disease dementia اڳڪٿي: ڇا روزاني جيئري مارڪر جي پيچيده اوزار سرگرميون خال ڀري سگھن ٿيون؟ Alzheimers Dement (Amst) 1، 521-532.
[31] McGurran H، Glenn JM، Madero EN، Bott NT (2019) الزائمر جي بيماري جي روڪٿام ۽ علاج: ورزش جي حياتياتي ميکانيزم. J Alzheimers Dis 69, 311-338.
[32] Mendiola-Precoma J، Berumen LC، Padilla K، Garcia-Alcocer G (2016) لاءِ علاج Alzheimer جي بيماري جي روڪٿام ۽ علاج. بايوڊ ريس انٽ 2016، 2589276.
[33] لين سي اي، بارنس جي، نڪولس جي ايم، سوڊري سي ايڇ، ڪيش ڊي ايم، مالون آئي بي، پارڪر ٽي ڊي، ڪيشاوان اي، بوچانان ايس ايم، ڪيس ايس ايس، جيمس ايس اين، لو ڪ، موري-سمٿ ايڇ، وانگ اي، گورڊن اي، ڪوٿ ڊبليو، موڊٽ ايم، ٿامس ڊي، رچرڊس ايم، فاڪس اين سي، شاٽ جي ايم (2020) انجمن جي وچ ۾ ويسولر خطري جي وچ ۾ بالغيت ۽ دماغ جي پيٽولوجي جي آخري زندگي ۾: ثبوت برطانوي پيدائش سان گڏ. JAMA نيورول 77، 175-183.
[34] سيشادري ايس (2020) عمر ۽ ايميلوڊ باڪس کان ٻاهر ڊيميشيا-سوچڻ جي روڪٿام. JAMA نيورول 77، 160-161.
[35] ميلارڊ پي، سيشادري ايس، بيزر اي، همالي جي جي، اي آر، فليچر اي، ڪارميچيل اي، وولف پي اي، ڊي ڪارلي سي (2012) فريمنگھم دل جي مطالعي ۾ نوجوان بالغن ۾ سفيد-معامل جي سالميت تي سسٽولڪ بلڊ پريشر جا اثرات: اي ڪراس - سيڪشنل مطالعو. لينسٽ نيورول 11، 1039-1047.
[36] Fink HA , Linskens EJ , Silverman PC , McCarten JR , Hemmy LS , Ouellette JM , Greer NL , Wilt TJ , Butler M (2020) neuropathologically defined لاءِ بايو مارڪر ٽيسٽنگ جي درستگي پراڻن بالغن ۾ الزائمر جي بيماري ڊمنشيا سان. اين انٽر ميڊ 172، 669-677.

وابستگيون: [a] SIVOTEC تجزياتي، بوڪا رتن، FL، USA | [b] ڊپارٽمينٽ آف ڪمپيوٽر اينڊ اليڪٽريڪل انجنيئرنگ اينڊ ڪمپيوٽر سائنس، فلوريڊا ائٽلانٽڪ يونيورسٽي، بوڪا رتن، FL، USA | [c] SJN Biomed LTD، Kunming، Yunnan، China | [ڊي] مرڪز Alzheimer جي تحقيقواشنگٽن انسٽيٽيوٽ آف ڪلينڪل ريسرچ، واشنگٽن، ڊي سي، يو ايس اي | [e] بحالي دوائن جو کاتو، ڪنمنگ ميڊيڪل يونيورسٽي جي پهرين لاڳاپيل اسپتال، ڪنمنگ، يونان، چين | [f] ڊپارٽمينٽ آف نيورولوجي، ديهانگ پيپلز اسپتال، ديهانگ، يونان، چين | [g] ڊپارٽمينٽ آف نيورولوجي، ڪنمنگ ميڊيڪل يونيورسٽي جي پهرين لاڳاپيل اسپتال، ووهوا ضلعي، ڪنمنگ، يونان صوبو، چين | [h] جنگ سان لاڳاپيل بيماري ۽ زخم اسٽڊي سينٽر، VA پالو آلٽو صحت جي سنڀال سسٽم, پالو آلٽو, CA, USA | [i] ڊپارٽمينٽ آف نفسيات ۽ رويي جي سائنسز، اسٽنفورڊ يونيورسٽي اسڪول آف ميڊيسن، پولو آلٽو، CA، USA

خط و ڪتابت: [*] خط و ڪتابت: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. اي ميل: mbergeron@sivotecanalytics.com. Xiaolei Liu، MD، ڊپارٽمينٽ آف نيورولوجي، ڪنمنگ ميڊيڪل يونيورسٽي جي پهرين لاڳاپيل اسپتال، 295 Xichang روڊ، ووهوا ضلعي، ڪنمنگ، يونان صوبي 650032، چين. اي ميل: ring@vip.163.com.

ٻوليون: عمر، Alzheimer جي بيماري, dementia , mass screening