මෘදු සංජානන දුර්වලතා වර්ගීකරණයේදී MemTrax සහ Machine Learning Modeling හි උපයෝගීතාව
පර්යේෂණ ලිපිය
කර්තෘ: Bergeron, Michael F. | ලෑන්ඩ්සෙට්, සරා | Zhou, Xianbo | ඩිං, ටාඕ | Khoshgoftaar, Taghi M. | Zhao, Feng | ඩු, බෝ | චෙන්, ෂින්ජි | වැන්ග්, ෂුවාන් | Zhong, Lianmei | Liu, Xiaolei| Ashford, J. Wesson
DOI: 10.3233/JAD-191340
සඟරාව: ජර්නලය ඇල්සයිමර් රෝගය, වෙළුම. 77, නැත. 4, පි. 1545-1558, 2020
වියුක්ත
පසුබිම:
පුලුල්ව පැතිරුනු සිදුවීම් සහ පැතිරීම ඇල්සයිමර් රෝගය සහ මෘදු සංජානන ආබාධ (MCI) කල්තියා හඳුනාගැනීමේ සංජානන පිරික්සීම සහ තක්සේරුව වලංගු කිරීම සඳහා පර්යේෂණ සඳහා හදිසි කැඳවීමක් පොළඹවා ඇත.
අරමුණ:
අපගේ මූලික පර්යේෂණ අරමුන වූයේ සංජානන සෞඛ්යය (සාමාන්ය එදිරිව MCI) වර්ගීකරණය කිරීම සඳහා යන්ත්‍ර ඉගෙනීම සමඟ සංවර්ධනය කරන ලද අනාවැකි ආකෘතිවල තෝරාගත් MemTrax කාර්ය සාධන ප්‍රමිතික සහ අදාළ ජනවිකාස සහ සෞඛ්ය පැතිකඩ ලක්ෂණ ඵලදායී ලෙස භාවිතා කළ හැකිද යන්න තීරණය කිරීමයි. මොන්ට්‍රියල් සංජානන තක්සේරුව (MoCA).
ක්රම:
අපි දෙදෙනෙකුගෙන් බඳවා ගත් ස්නායු රෝග, මතක සායනය සහ අභ්‍යන්තර වෛද්ය වැඩිහිටි රෝගීන් 259 ක් පිළිබඳ හරස්කඩ අධ්‍යයනයක් සිදු කළෙමු. චීනයේ රෝහල්. සෑම රෝගියකුටම චීන භාෂාවෙන් MoCA ලබා දුන් අතර MemTrax ඔන්ලයින් කථාංගය ස්වයං-පරිපාලනය කරන ලදී. මතක පරීක්ෂණය මාර්ගගතව එදිනම. පුරෝකථන වර්ගීකරණ ආකෘති 10 ගුණයක හරස් වලංගුකරණයක් සහිත යන්ත්‍ර ඉගෙනීම භාවිතයෙන් ගොඩනගා ඇති අතර, ආදර්ශ කාර්ය සාධනය ග්‍රාහක මෙහෙයුම් ලාක්ෂණික වක්‍රය (AUC) යටතේ ඇති ප්‍රදේශය භාවිතයෙන් මනිනු ලැබේ. සාමාන්ය ජනවිකාස සහ පුද්ගලික ඉතිහාස විශේෂාංග අට සමඟින් MemTrax කාර්ය සාධන ප්‍රමිතික දෙකක් (ප්‍රතිශතය නිවැරදි, ප්‍රතිචාර කාලය) භාවිතා කරමින් ආකෘති ගොඩනගා ඇත.
ප්රතිපල:
MoCA ලකුණු සහ සීමාවන්හි තෝරාගත් සංයෝජන හරහා ඉගෙන ගන්නන් සසඳන විට, Naïve Bayes සාමාන්‍යයෙන් 0.9093 හි සමස්ත වර්ගීකරණ කාර්ය සාධනයක් සහිත ඉහළම දක්ෂතා දක්වන ඉගෙනුම්කරු විය. තවද, ඉහළම ඉගෙන ගන්නන් තිදෙනා අතර, MemTrax මත පදනම් වූ වර්ගීකරණ කාර්ය සාධනය සමස්ත පොදු විශේෂාංග 0.9119 (10) භාවිතා කිරීම හා සසඳන විට ඉහළම ශ්‍රේණිගත විශේෂාංග හතර (0.8999) භාවිතා කරමින් උසස් විය.
නිගමනය:
MemTrax කාර්ය සාධනය යන්ත්‍ර ඉගෙනුම් වර්ගීකරණ පුරෝකථන ආකෘතියක් තුළ ඵලදායී ලෙස භාවිතා කළ හැක මුල් අවධියේ සංජානන දුර්වලතා හඳුනා ගැනීම සඳහා පරීක්ෂණ යෙදුම.
හැදින්වීම
පිළිගත් (අඩු හඳුනා නොගත්තද) පුලුල්ව පැතිරී ඇති සිදුවීම් සහ ව්‍යාප්තිය සහ සමාන්තරව උත්සන්න වන වෛද්ය, සමාජීය සහ පොදු සෞඛ්ය ඇල්සයිමර් රෝගය (AD) සහ මෘදු සංජානන දුර්වලතා (MCI) හි පිරිවැය සහ බර සියලු පාර්ශවකරුවන් සඳහා වඩ වඩාත් වෙහෙසකරයි [1, 2]. මෙම දුක්ඛිත සහ වර්ධනීය තත්ත්වය වලංගු කිරීම සඳහා පර්යේෂණ සඳහා හදිසි කැඳවීමක් පොළඹවා ඇත කල්තියා හඳුනා ගැනීම විවිධ කලාපවල සහ ජනගහනයේ වැඩිහිටි රෝගීන් සඳහා පුද්ගලික සහ සායනික සැකසුම් තුළ නිත්‍ය ප්‍රායෝගික උපයෝගීතාව සඳහා සංජානන පිරික්සීම සහ තක්සේරු උපකරණ [3]. තොරතුරු ප්රතිඵල ඉලෙක්ට්‍රොනික සෞඛ්ය වාර්තාවලට බාධාවකින් තොරව පරිවර්තනය කිරීම සඳහා ද මෙම උපකරණ සැපයිය යුතුය. සැලකිය යුතු වෙනස්කම් කලින් හඳුනා ගැනීමට රෝගීන්ට දැනුම් දීමෙන් සහ වෛද්‍යවරුන්ට සහාය වීමෙන් ප්‍රතිලාභ සාක්ෂාත් කර ගත හැකි අතර එමඟින් අත්විඳීමට පටන් ගන්නා අය සඳහා සුදුසු පුද්ගලාරෝපිත හා වඩා ලාභදායී ප්රතිකාර සහ රෝගී සත්කාර වඩාත් කඩිනම් හා කාලෝචිත ලෙස ස්ථරීකරණය, ක්‍රියාත්මක කිරීම සහ ලුහුබැඳීම සක්‍රීය කරයි. සංජානන පරිහානිය [3, 4].
පරිගණකගත MemTrax මෙවලම (https://memtrax.com) යනු සරල සහ සංක්ෂිප්ත අඛණ්ඩ හඳුනාගැනීමේ තක්සේරුවක් වන අතර එය අභියෝගාත්මක කාලානුරූපී එපිසෝඩික් මතක ක්‍රියාකාරිත්වය මැනීමට මාර්ගගතව ස්වයං-පරිපාලනය කළ හැකි අතර එහිදී පරිශීලකයා නැවත නැවත පින්තූරවලට ප්‍රතිචාර දක්වන අතර ආරම්භක ඉදිරිපත් කිරීමකට නොවේ [5, 6]. මෑත කාලීන පර්යේෂණ සහ එහි ප්රතිඵලයක් ලෙස ප්‍රායෝගික ඇඟවුම් ක්‍රමානුකූලව සහ සාමූහිකව AD සහ MCI පරීක්ෂණයේ [5-7] MemTrax හි සායනික කාර්යක්ෂමතාව පෙන්නුම් කිරීමට පටන් ගෙන ඇත. කෙසේ වෙතත්, පවතින සායනික උපයෝගීතාව සෘජුව සැසඳීම සංජානන සෞඛ්යය තක්සේරු කිරීම සහ සාම්ප්‍රදායික ප්‍රමිතීන් වෘත්තීය ඉදිරිදර්ශනය දැනුම් දීමට සහ MemTrax උපයෝගිතා කල්තියා හඳුනා ගැනීම සහ රෝග විනිශ්චය සහාය තහවුරු කිරීම සඳහා සහතික කර ඇත. van der Hoek et al. [8] තෝරාගත් MemTrax කාර්ය සාධන ප්‍රමිතික (ප්‍රතික්‍රියා වේගය සහ සියයට නිවැරදි) මොන්ට්‍රියල් විසින් තීරණය කරන ලද සංජානන තත්ත්වයට සංසන්දනය කරන ලදී. සංජානන තක්සේරුව (MoCA). කෙසේ වෙතත්, මෙම අධ්යයනය මෙම කාර්ය සාධන ප්‍රමිතික සංජානන තත්ත්වය (MoCA විසින් තීරණය කර ඇති පරිදි) ගුනාංගීකරනය සමග සම්බන්ධ කිරීමට සහ සාපේක්ෂ පරාසයන් සහ කඩඉම් අගයන් නිර්වචනය කිරීමට සීමා විය. ඒ අනුව, මෙම විමර්ශනය පුළුල් කිරීම සහ වර්ගීකරණ කාර්ය සාධනය සහ කාර්යක්ෂමතාව වැඩිදියුණු කිරීම සඳහා, අපගේ මූලික පර්යේෂණ ප්‍රශ්නය වූයේ:
- පුද්ගලයෙකුගේ තෝරාගත් MemTrax කාර්ය සාධන ප්‍රමිතික සහ අදාළ ජනවිකාස සහ සෞඛ්යය කළ හැකිද පැතිකඩ කෙනෙකුගේ MoCA ලකුණු මගින් පෙන්නුම් කරන පරිදි, සංජානන සෞඛ්යය ද්විකෝටික ලෙස (සාමාන්ය එදිරිව MCI) වර්ගීකරණය කිරීම සඳහා යන්ත්‍ර ඉගෙනීම සමඟින් සංවර්ධනය කරන ලද පුරෝකථන ආකෘතියක ලක්ෂණ ඵලදායි ලෙස භාවිතා කළ හැකිද?
මෙයට ද්විතියිකව, අපට දැන ගැනීමට අවශ්ය විය:
- එකම විශේෂාංග ඇතුළුව, ස්වාධීන සායනික රෝග විනිශ්චයක් මගින් තීරණය කරනු ලබන සංජානන දුර්වලතා තෝරාගත් කාණ්ඩ තුළ බරපතලකම (මෘදු එදිරිව දරුණු) පුරෝකථනය කිරීමට MemTrax කාර්ය සාධනය මත පදනම් වූ යන්ත්‍ර ඉගෙනුම් ආකෘතියක් රෝගියෙකුට ඵලදායී ලෙස යෙදිය හැකිද?
සංජානන/මොළයේ සෞඛ්යය සහ රෝගී කළමනාකරණය පිළිබඳ අභියෝගාත්මක තක්සේරුවේදී කෘත්‍රිම බුද්ධිය සහ යන්ත්‍ර ඉගෙනීමේ ප්‍රවාහය පැමිණීම සහ පරිණාමය වෙමින් පවතින ප්‍රායෝගික භාවිතය දැනටමත් පැහැදිලි ප්‍රායෝගික වාසි පෙන්නුම් කර ඇත. අපගේ අධ්‍යයනයේ දී, චීනයේ රෝහල් දෙකකින් තෝරාගත් ස්වේච්ඡා නේවාසික රෝගීන් සහ බාහිර රෝගීන් නියෝජනය කරන දත්ත කට්ටල තුනකින් සායනික රෝග විනිශ්චය මගින් තහවුරු කරන ලද MCI වර්ගීකරණ ආකෘතිකරණය සහ සංජානන ආබාධ බරපතල වෙනස්කම් කිරීම සම්බන්ධයෙන් අපි සමාන ප්‍රවේශයක් තෝරා ගත්තෙමු. යන්ත්‍ර ඉගෙනීමේ පුරෝකථන ආකෘති නිර්මාණය භාවිතා කරමින්, අපි විවිධ දත්ත කට්ටල/ඉගෙනුම්කරු සංයෝජනවලින් ඉහළම ක්‍රියාකාරී ඉගෙන ගන්නන් හඳුනාගෙන වඩාත් සායනිකව ප්‍රායෝගික ආකෘති යෙදුම් නිර්වචනය කිරීමේදී අපට මඟ පෙන්වීම සඳහා විශේෂාංග ශ්‍රේණිගත කළෙමු.
අපගේ උපකල්පන වූයේ MoCA සමස්ථ ලකුණු සීමාවේ නිර්ණායකය මත පදනම්ව සංජානන සෞඛ්යය ද්විකෝටික ලෙස (සාමාන්ය හෝ MCI) වර්ගීකරණය කිරීමට වලංගු MemTrax මත පදනම් වූ ආකෘතියක් භාවිතා කළ හැකි බවත්, තෝරාගත් කාණ්ඩවල බරපතලකම වෙනස් කිරීම සඳහා සමාන MemTrax අනාවැකි ආකෘතියක් ඵලදායී ලෙස යොදා ගත හැකි බවත්ය. සායනික රෝග විනිශ්චය ප්රජානන හානිකරණ. අපේක්ෂිත ප්රතිඵල නිරූපණය කිරීම සංජානන පරිහානිය සහ සංජානන දුර්වලතා වර්ගීකරණය සඳහා පූර්ව හඳුනාගැනීමේ තිරයක් ලෙස MemTrax හි කාර්යක්ෂමතාවයට සහාය වනු ඇත. ඉතා විශාල පහසුව සහ ඉක්මන් උපයෝගිතාවයෙන් අනුපූරක වූ කර්මාන්තයක් යැයි කියනු ලබන ප්‍රමිතියකට හිතකර සැසඳීම, මුල් (ප්‍රොඩ්‍රෝමල් ඇතුළුව) අදියර සංජානන ඌනතා හඳුනාගැනීමේ මූලික තිරයක් ලෙස වෛද්‍යවරුන්ට මෙම සරල, විශ්වාසදායක සහ ප්‍රවේශ විය හැකි මෙවලම භාවිතා කිරීමට උපකාර කිරීම සඳහා බලපානු ඇත. එවැනි ප්‍රවේශයක් සහ උපයෝගිතාවක් මඟින් වඩාත් කාලෝචිත සහ වඩා හොඳ ස්ථරීකෘත රෝගී සත්කාර සහ මැදිහත්වීමක් ඉල්ලා සිටිය හැක. AD සහ AD-ආශ්රිත ඩිමෙන්ශියා (ADRD) ඇතුළුව ඩිමෙන්ශියා ප්‍රගතිය අවම කිරීමට හෝ නැවැත්වීමට මෙම ඉදිරි-චින්තන තීක්ෂ්ණ බුද්ධිය සහ වැඩිදියුණු කළ ප්‍රමිතික සහ ආකෘති ද ප්‍රයෝජනවත් විය හැකිය.
ද්රව්ය සහ ක්රම
ජනගහනය අධ්යයනය කරන්න
2018 ජනවාරි සිට 2019 අගෝස්තු දක්වා කාලය තුළ චීනයේ රෝහල් දෙකකින් බඳවා ගත් රෝගීන් පිළිබඳ හරස්කඩ පර්යේෂණ අවසන් කරන ලදී. වයස අවුරුදු 5 සහ ඊට වැඩි පුද්ගලයින් සඳහා MemTrax [21] පරිපාලනය කිරීම සහ එම දත්ත එකතු කිරීම සහ විශ්ලේෂණය කිරීම සමාලෝචනය කර අනුමත කර පරිපාලනය කරන ලදී. මානව ස්ටැන්ෆර්ඩ් විශ්ව විද්යාලයේ විෂය ආරක්ෂණ කමිටුව. MemTrax සහ මෙම සමස්ත අධ්යයනය සඳහා අනෙකුත් සියලුම පරීක්ෂණ 1975 Helsinki ප්‍රකාශනයට අනුව සිදු කරන ලද අතර චීනයේ Yunnan හි Kunming හි Kunming වෛද්ය විශ්ව විද්යාලයේ පළමු අනුබද්ධ රෝහලේ ආයතනික සමාලෝචන මණ්ඩලය විසින් අනුමත කරන ලදී. සෑම පරිශීලකයෙකුටම ලබා දී ඇත දැනුවත් කැමැත්ත කියවීමට/සමාලෝචනය කිරීමට පෝරමය සහ පසුව සහභාගී වීමට ස්වේච්ඡාවෙන් එකඟ වේ.
යාන්හුවා රෝහලේ (YH උප දත්ත කට්ටලය) ස්නායු රෝග සායනයෙහි බාහිර රෝගීන්ගේ සංචිතයෙන් සහභාගිවන්නන් බඳවා ගන්නා ලදී. Kunming Medical හි පළමු අනුබද්ධ රෝහලේ මතක සායනය චීනයේ බීජිං හි විශ්ව විද්‍යාලය (XL උප දත්ත කට්ටලය). කුන්මිං වෛද්ය විශ්ව විද්යාලයේ පළමු අනුබද්ධ රෝහලේ ස්නායු විද්යාව (XL උප දත්ත කට්ටලය) සහ අභ්‍යන්තර වෛද්ය විද්යාව (KM උප දත්ත කට්ටලය) නේවාසික රෝගීන්ගෙන් ද සහභාගිවන්නන් බඳවා ගන්නා ලදී. ඇතුළත් කිරීමේ නිර්ණායකවලට 1) අවම වශයෙන් අවුරුදු 21 ක් වයසැති පිරිමි සහ ගැහැණු, 2) චීන (මැන්ඩරින්) කතා කිරීමේ හැකියාව සහ 3) වාචික සහ ලිඛිත උපදෙස් තේරුම් ගැනීමේ හැකියාව ඇතුළත් වේ. බැහැර කිරීමේ නිර්ණායක වූයේ පෙනීම සහ මෝටර් ආබාධ හ්භාගීවනනනට සම්පූර්ණ කිරීම වළක්වයි MemTrax පරීක්ෂණය, මෙන්ම නිශ්චිත පරීක්ෂණ උපදෙස් තේරුම් ගැනීමට නොහැකි වීම.
MemTrax හි චීන අනුවාදය
මාර්ගගතව MemTrax පරීක්ෂණ වේදිකාව පරිවර්තනය කරන ලදී චීන භාෂාවට (URL: https://www.memtrax.com.cn) සහ ස්වයං-පරිපාලනය සඳහා WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) හරහා භාවිතා කිරීමට තවදුරටත් අනුගත විය. දත්ත ගබඩා කර ඇත්තේ චීනයේ පිහිටා ඇති ක්ලවුඩ් සේවාදායකයක (Ali Cloud) සහ Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, China) වෙතින් SJN Biomed LTD (Kunming, Yunnan, China) විසින් බලපත්‍ර ලබා ඇත. MemTrax පිළිබඳ නිශ්චිත විස්තර සහ මෙහි භාවිතා කර ඇති පරීක්ෂණ වලංගුතා නිර්ණායක කලින් විස්තර කර ඇත [6]. කිසිදු අයකිරීමකින් තොරව රෝගීන්ට පරීක්ෂණය ලබා දෙන ලදී.
ක්රියා පටිපාටි අධ්යයනය කිරීම
නේවාසික රෝගීන් සහ බාහිර රෝගීන් සඳහා, වයස, ස්ත්‍රී පුරුෂ භාවය, අධ්‍යාපනයේ වසර, රැකියාව වැනි ජනවිකාස සහ පුද්ගලික තොරතුරු රැස් කිරීම සඳහා සාමාන්ය කඩදාසි ප්‍රශ්නාවලියක් තනිව ජීවත් වීම හෝ පවුලේ අය සමඟ, සහ වෛද්ය ඉතිහාසය අධ්යයන කණ්ඩායමේ සාමාජිකයෙකු විසින් පරිපාලනය කරන ලදී. ප්‍රශ්නාවලිය සම්පූර්ණ කිරීමෙන් පසුව, MoCA [12] සහ MemTrax පරීක්ෂණ (MoCA පළමුව) පරීක්ෂණ අතර මිනිත්තු 20කට නොවැඩි කාලයක් සහිතව පරිපාලනය කරන ලදී. MemTrax සියයට නිවැරදි (MTx-% C), මධ්‍යන්‍ය ප්‍රතිචාර කාලය (MTx-RT), සහ පරීක්ෂණයේ දිනය සහ වේලාව පරීක්ෂා කරන ලද එක් එක් සහභාගිවන්නන් සඳහා අධ්යයන කණ්ඩායමේ සාමාජිකයෙකු විසින් කඩදාසි මත සටහන් කර ඇත. සම්පුර්ණ කරන ලද ප්‍රශ්නාවලිය සහ MoCA හි ප්රතිඵල පරීක්ෂණ පරිපාලනය කළ පර්යේෂකයා විසින් Excel පැතුරුම්පතකට උඩුගත කරන ලද අතර Excel ගොනු විශ්ලේෂණය සඳහා සුරැකීමට පෙර සගයකු විසින් තහවුරු කරන ලදී.
MemTrax පරීක්ෂණය
MemTrax ඔන්ලයින් පරීක්ෂණයට විශේෂිත ව්‍යාජ-අහඹු අනුපිළිවෙලකින් පෙන්වා ඇති පින්තූර 50 (අද්විතීය සහ පුනරාවර්තන 25; පොදු දර්ශන හෝ වස්තූන් 25 ක කට්ටල 5) ඇතුළත් විය. පරීක්ෂණය ආරම්භ කිරීම සඳහා සහභාගිවන්නා (උපදෙස් අනුව) තිරයේ ඇති ආරම්භක බොත්තම ස්පර්ශ කර රූප මාලාව බැලීම ආරම්භ කර නැවත නැවතත් පින්තූරයක් දිස්වන සෑම විටම හැකි ඉක්මනින් තිරය මත රූපය ස්පර්ශ කරයි. සෑම රූපයක්ම තත්පර 5 ක් හෝ තිරයේ ඇති රූපය ස්පර්ශ වන තෙක් දර්ශනය වූ අතර, එය ඊළඟ පින්තූරය ක්ෂණිකව ඉදිරිපත් කිරීමට හේතු විය. දේශීය උපාංගයේ අභ්‍යන්තර ඔරලෝසුව භාවිතා කරමින්, එක් එක් රූපය සඳහා MTx-RT තීරණය කරනු ලැබුවේ රූපය ඉදිරිපත් කිරීමේ සිට සහභාගිවන්නා විසින් තිරය ස්පර්ශ කරන කාලය දක්වා ගත වූ කාලය අනුව රූපය දැනටමත් පෙන්වා ඇති එකක් ලෙස හඳුනා ගැනීමට ප්‍රතිචාර දැක්වීමට ය. පරීක්ෂණය අතරතුර. MTx-RT සෑම රූපයක් සඳහාම පටිගත කරන ලද අතර, ප්‍රතිචාරයක් නොමැති බව අඟවන සම්පූර්ණ තත්පර 3ක් වාර්තා කර ඇත. MTx-% C ගණනය කරන ලද්දේ පරිශීලකයා නිවැරදිව ප්‍රතිචාර දැක්වූ පුනරාවර්තන සහ ආරම්භක රූපවල ප්‍රතිශතය දැක්වීමටය (සත්‍ය ධන + සත්‍ය සෘණ 3 න් බෙදීම). MemTrax පරිපාලනය සහ ක්‍රියාත්මක කිරීම, දත්ත අඩු කිරීම, වලංගු නොවන හෝ "ප්‍රතිචාර නැත" දත්ත සහ ප්‍රාථමික දත්ත විශ්ලේෂණයන් පිළිබඳ අමතර විස්තර වෙනත් තැනක විස්තර කර ඇත [50].
MemTrax පරීක්ෂණය සවිස්තරාත්මකව පැහැදිලි කරන ලද අතර රෝහල් පසුබිම තුළ සහභාගිවන්නන් සඳහා පුහුණු පරීක්ෂණයක් (ප්රතිඵල වාර්තා කිරීම සඳහා වන පරීක්ෂණයට භාවිතා කළ ඒවා හැර වෙනත් අද්විතීය රූප සහිත) ලබා දෙන ලදී. YH සහ KM උප-දත්ත කට්ටලවල සහභාගිවන්නන් WeChat හි යෙදුම සමඟ පටවා ඇති ස්මාර්ට් ජංගම දුරකතනයක් මත MemTrax පරීක්ෂණයට ලක් විය; XL උප දත්ත කට්ටල රෝගීන්ගෙන් සීමිත සංඛ්‍යාවක් iPad භාවිතා කළ අතර ඉතිරි අය ස්මාර්ට් ජංගම දුරකතනයක් භාවිතා කළහ. සියලුම සහභාගිවන්නන් අධ්යයන විමර්ශකයෙකු බාධාවකින් තොරව නිරීක්ෂණය කරමින් MemTrax පරීක්ෂණයට සහභාගී විය.
මොන්ට්‍රියල් සංජානන තක්සේරුව
චීන MoCA (MoCA-BC) [13] හි බීජිං අනුවාදය පරිපාලනය සහ නිල පරීක්ෂණ උපදෙස් අනුව පුහුණු පර්යේෂකයන් විසින් ලකුණු කර ඇත. සුදුසු පරිදි, MoCA-BC විශ්වසනීය බව පෙන්වා දී ඇත සංජානනය සඳහා පරීක්ෂණය චීන වැඩිහිටි වැඩිහිටියන්ගේ සියලුම අධ්යාපන මට්ටම් හරහා පරීක්ෂා කිරීම [14]. සෑම පරීක්ෂණයක්ම අදාළ සහභාගිවන්නාගේ සංජානන හැකියාවන් මත පදනම්ව පරිපාලනය කිරීමට මිනිත්තු 10 සිට 30 දක්වා ගත විය.
MoCA වර්ගීකරණ ආකෘති නිර්මාණය
MemTrax දෙකක් ඇතුළුව භාවිත කළ හැකි විශේෂාංග 29ක් තිබුණි පරීක්ෂණ කාර්ය සාධන ප්‍රමිතික සහ ජනවිකාස සහ සෞඛ්ය සම්බන්ධ විශේෂාංග 27ක් එක් එක් සහභාගිකයා සඳහා තොරතුරු. එක් එක් රෝගියාගේ MoCA සමස්ථ පරීක්ෂණ ලකුණු ලෙස භාවිතා කරන ලදී සංජානන පරීක්ෂාව අපගේ අනාවැකි ආකෘති පුහුණු කිරීමට "මිණුම් ලකුණ". ඒ අනුව, පන්ති ලේබලය නිර්මාණය කිරීමට MoCA භාවිතා කළ නිසා, අපට ස්වාධීන ලක්ෂණයක් ලෙස සමස්ථ ලකුණු (හෝ MoCA උපකුලක ලකුණු කිසිවක්) භාවිතා කළ නොහැක. අපි මූලික පරීක්ෂණ සිදු කරන ලද (MoCA විසින් නිර්වචනය කරන ලද සංජානන සෞඛ්යය වර්ගීකරණය) මුල් රෝහල්/සායන(ය) උප-දත්ත කට්ටල තුන තනි තනිව සහ පසුව සියලු විශේෂාංග භාවිතයෙන් ඒකාබද්ධ කළෙමු. කෙසේ වෙතත්, උප-දත්ත කට්ටල තුන නියෝජනය කරන සෑම සායන හතරකින්ම එකම දත්ත මූලද්‍රව්‍ය එකතු කර නොතිබුණි; මේ අනුව, ඒකාබද්ධ දත්ත කට්ටලයේ ඇති අපගේ බොහෝ විශේෂාංග (සියලු විශේෂාංග භාවිතා කරන විට) අස්ථානගත වූ අගයන් ඉහළ මට්ටමක පැවතුනි. අපි පසුව වැඩි දියුණු කළ වර්ගීකරණ කාර්ය සාධනය සඳහා ප්රතිඵලයක් ලෙස පොදු විශේෂාංග පමණක් භාවිතා කරමින් ඒකාබද්ධ දත්ත කට්ටලය සමඟ ආකෘති ගොඩනඟමු. රෝගියාගේ උප-දත්ත කට්ටල තුන ඒකාබද්ධ කිරීමෙන් වැඩ කිරීමට තවත් අවස්ථා තිබීම සහ අතුරුදහන් වූ අගයන්හි අනවශ්‍ය ව්‍යාප්තියක් සහිත විශේෂාංග නොමැති එකතුවකින් මෙය පැහැදිලි කර ඇත (ඒකාබද්ධ දත්ත කට්ටලයේ එක් අංගයක් පමණක්, වැඩ වර්ගය, බලපාන කිසිදු අතුරුදහන් අගයක් ඇත. රෝගීන් අවස්ථා තුනක් පමණි), මක්නිසාද යත් අඩවි තුනේම වාර්තා කර ඇති පොදු ලක්ෂණ පමණක් ඇතුළත් කර ඇත. එක් එක් විශේෂාංගය සඳහා නිශ්චිත ප්‍රතික්ෂේප කිරීමේ නිර්ණායකයක් අප සතුව නොතිබූ අතර එය අවසානයේ ඒකාබද්ධ දත්ත කට්ටලයට ඇතුළත් කර නොතිබුණි. කෙසේ වෙතත්, අපගේ මූලික ඒකාබද්ධ දත්ත කට්ටල ආකෘති නිර්මාණයේදී, අපි මුලින්ම එක් එක් රෝගියාගේ උප-දත්ත කට්ටල තුනෙන් සියලුම විශේෂාංග භාවිතා කළෙමු. මෙය පුලුල් ලෙසින් එක් එක් උප-දත්ත කට්ටලයේ ආරම්භක මූලික ආකෘතිකරණයට වඩා මැනිය හැකි තරම් අඩු ආදර්ශ කාර්ය සාධනයක් ඇති කළේය. එපමනක් නොව, සියලුම විශේෂාංග භාවිතා කරමින් ගොඩනගා ඇති මාදිලිවල වර්ගීකරණ කාර්ය සාධනය දිරිගන්වනසුලු වූ අතර, සියලුම ඉගෙන ගන්නන් සහ වර්ගීකරණ යෝජනා ක්රම හරහා, සාමාන්ය විශේෂාංග පමණක් භාවිතා කරන විට ක්‍රියාකාරීත්වය දෙගුණයක් මාදිලි සඳහා වැඩි දියුණු විය. ඇත්ත වශයෙන්ම, අපගේ ඉහළම ඉගෙන ගන්නන් ලෙස අවසන් වූ දේ අතර, එක් ආකෘතියක් හැර අනෙක් සියල්ල පොදු නොවන විශේෂාංග ඉවත් කිරීමෙන් වැඩිදියුණු විය.
අවසාන සමස්ථ දත්ත කට්ටලයට (YH, XL, සහ KM ඒකාබද්ධ) අවස්ථා 259ක් ඇතුළත් වූ අතර, ඒ සෑම එකක්ම MemTrax සහ MoCA පරීක්ෂණ දෙකටම සහභාගී වූ අද්විතීය සහභාගිවන්නෙකු නියෝජනය කරයි. බෙදාගත් ස්වාධීන විශේෂාංග 10ක් විය: MemTrax කාර්ය සාධන ප්‍රමිතික: MTx-% C සහ සාමාන්ය MTx-RT; ජන විකාශන සහ වෛද්ය ඉතිහාස තොරතුරු: වයස, ස්ත්‍රී පුරුෂ භාවය, අධ්‍යාපනයේ වසර, වැඩ වර්ගය (නිල් කරපටි/සුදු කරපටි), සමාජ සහයෝගය (පරීක්ෂා කරන්නා තනිවම හෝ පවුලේ අය සමඟ ජීවත් වුවද), සහ පරිශීලකයාට තිබේද යන්නට ඔව්/නැත පිළිතුරු දියවැඩියාව, හයිපර්ලිපිඩිමියාව හෝ කම්පන සහගත මොළයේ තුවාල ඉතිහාසය. අමතර ප්‍රමිතික දෙකක්, MoCA සමස්ථ ලකුණු සහ වසර අධ්‍යාපනය සඳහා සකස් කරන ලද MoCA සමස්ථ ලකුණු [12], යැපෙන වර්ගීකරණ ලේබල සංවර්ධනය කිරීම සඳහා වෙන වෙනම භාවිතා කරන ලද අතර එමඟින් අපගේ ඒකාබද්ධ දත්ත කට්ටලයට යෙදිය යුතු වෙනස් ආකෘති යෝජනා ක්රම දෙකක් නිර්මාණය කරන ලදී. MoCA ලකුණු එක් එක් අනුවාදය සඳහා (ගැලපුම් කළ සහ නොගැලපෙන), දත්ත නැවත ද්විමය වර්ගීකරණය සඳහා වෙනස් නිර්ණායක සීමාවන් දෙකක් භාවිතා කරමින් වෙන වෙනම ආදර්ශණය කරන ලදී - මුලින් නිර්දේශිත එකක් [12] සහ වෙනත් අය විසින් භාවිතා කර ප්‍රවර්ධනය කරන ලද විකල්ප අගයක් [8, 15]. විකල්ප එළිපත්ත වර්ගීකරණ යෝජනා ක්‍රමයේදී, රෝගියෙකු MoCA පරීක්ෂණයෙන් ≥23 ලකුණු ලබා ඇත්නම් සහ ලකුණු 22 හෝ ඊට අඩු නම් MCI ලබා ඇත්නම් සාමාන්ය සංජානන සෞඛ්‍යයක් ඇති බව සලකනු ලැබේ; නමුත්, මූලික නිර්දේශිත වර්ගීකරණ ආකෘතියේ, රෝගියාට සාමාන්ය සංජානන සෞඛ්‍යයක් ඇති බවට ලේබල් කිරීමට MoCA මත ලකුණු 26ක් හෝ ඊට වඩා හොඳ ලකුණු ලබා ගැනීමට සිදු විය.
MoCA වර්ගීකරණ ආකෘති නිර්මාණය සඳහා පෙරූ දත්ත
අපි බහුලව භාවිතා වන විශේෂාංග ශ්‍රේණිගත කිරීමේ ශිල්පීය ක්රම හතරක් භාවිතා කරමින් MoCA වර්ගීකරණය තවදුරටත් පරීක්ෂා කළෙමු: චි-චතුරශ්‍රය, ලාභ අනුපාතය, තොරතුරු ලාභය සහ සමමිතික අවිනිශ්චිතතාවය. අන්තර්කාලීන ඉදිරිදර්ශනය සඳහා, අපි අපගේ එක් එක් ආකෘතිකරණ යෝජනා ක්රම හතර භාවිතා කරමින් සම්පූර්ණ ඒකාබද්ධ දත්ත කට්ටලයට ශ්‍රේණිගත කිරීම් යෙදුවෙමු. සියලුම ශ්‍රේණිගත කරන්නන් එකම ඉහළ විශේෂාංග, එනම් වයස, අධ්‍යාපනයේ වසර ගණන, සහ MemTrax කාර්ය සාධන ප්‍රමිතික (MTx-% C, MTx-RT මධ්‍යන්‍ය) යන දෙකටම එකඟ විය. ඉන්පසුව අපි එක් එක් විශේෂාංග තේරීමේ තාක්‍ෂණය භාවිතා කරමින් ආකෘති නැවත ගොඩනඟා ඉහළම විශේෂාංග හතර මත පමණක් ආකෘති පුහුණු කළෙමු (බලන්න විශේෂාංග තේරීම පහත).
MoCA ලකුණු වර්ගීකරණ ආකෘතිකරණ යෝජනා ක්‍රමවල ප්රතිඵලයක් ලෙස ඇති අවසාන වෙනස්කම් අට වගුව 1 හි ඉදිරිපත් කර ඇත.
වගුව 1
MoCA වර්ගීකරණය සඳහා භාවිතා කරන ආකෘති නිර්මාණ යෝජනා ක්‍රමවල සාරාංශය (සාමාන්ය සංජානන සෞඛ්යය MCI එදිරිව)
| ආකෘති නිර්මාණ යෝජනා ක්රමය | සාමාන්ය සංජානන සෞඛ්යය (සෘණ පන්තිය) | MCI (ධන පන්තිය) |
| සීරුමාරු කරන ලද-23 පෙරා නැති/පෙරහන | 101 (39.0%) | 158 (61.0%) |
| සීරුමාරු කරන ලද-26 පෙරා නැති/පෙරහන | 49 (18.9%) | 210 (81.1%) |
| සකස් නොකළ-23 පෙරීම නොකළ / පෙරීම | 92 (35.5%) | 167 (64.5%) |
| සකස් නොකළ-26 පෙරීම නොකළ / පෙරීම | 42 (16.2%) | 217 (83.8%) |
අධ්‍යාපනය සඳහා ලකුණු ගැලපීම (ගැළපුම් හෝ නොගැලපීම) සහ වර්ගීකරණ එළිපත්ත (23 හෝ 26) මගින් එක් එක් පන්තියේ මුළු රෝගීන්ගෙන් අදාළ සංඛ්‍යාව සහ ප්‍රතිශතය වෙනස් කරනු ලැබේ, විශේෂාංග කට්ටල දෙකටම (පෙරහන නොකළ සහ පෙරන ලද) අදාළ වේ.
MemTrax මත පදනම් වූ සායනික ඇගයීම් ආකෘති නිර්මාණය
අපගේ මුල් උප-දත්ත කට්ටල තුනෙන් (YH, XL, KM), සංජානන දුර්වලතා සඳහා ස්වාධීනව සායනිකව රෝග විනිශ්චය කර ඇත්තේ XL උප-දත්ත කට්ටල රෝගීන් පමණි (එනම්, ඔවුන්ගේ අදාළ MoCA ලකුණු සාමාන්ය එදිරිව ආබාධිතයන් ලෙස වර්ගීකරණයක් ස්ථාපිත කිරීමේදී භාවිතා කර නොමැත). විශේෂයෙන්ම, XL රෝගීන් එක්කෝ රෝග විනිශ්චය කර ඇත ඇල්සයිමර් රෝග පරීක්ෂණය (AD) හෝ සනාල ඩිමෙන්ශියාව (VaD). මෙම එක් එක් ප්‍රාථමික රෝග විනිශ්චය කාණ්ඩය තුළ, MCI සඳහා තවත් තනතුරක් තිබුණි. AD හේතුවෙන් MCI, ඩිමෙන්ශියාව, සනාල ස්නායු සංජානන ආබාධ සහ ස්නායු සංජානන ආබාධ රෝග විනිශ්චය පදනම් වූයේ මානසික ආබාධ පිළිබඳ රෝග විනිශ්චය සහ සංඛ්‍යාන අත්පොතෙහි දක්වා ඇති විශේෂිත සහ සුවිශේෂී රෝග විනිශ්චය නිර්ණායක මත ය: DSM-5 [16]. මෙම පිරිපහදු කරන ලද රෝග විනිශ්චයන් සැලකිල්ලට ගනිමින්, එක් එක් ප්‍රාථමික රෝග විනිශ්චය කාණ්ඩය සඳහා බරපතල මට්ටම (අබාධ මට්ටම) වෙන්කර හඳුනා ගැනීම සඳහා XL උප-දත්ත කට්ටලයට වර්ගීකරණ ආකෘති යෝජනා ක්රම දෙකක් වෙන වෙනම යොදන ලදී. මෙම එක් එක් රෝග විනිශ්චය ආකෘතිකරණ යෝජනා ක්‍රමවල (AD සහ VaD) භාවිතා කරන ලද දත්තවලට ජනවිකාස සහ රෝගීන්ගේ ඉතිහාස තොරතුරු මෙන්ම MemTrax කාර්ය සාධනය (MTx-% C, එනම් MTx-RT) ඇතුළත් විය. MCI නම් කර ඇත්නම් සෑම රෝග විනිශ්චයක්ම මෘදු ලෙස ලේබල් කර ඇත; එසේ නොමැති නම්, එය බරපතල ලෙස සලකනු ලැබීය. රෝග විනිශ්චය ආකෘතිවල MoCA ලකුණු ඇතුළත් කිරීමට අපි මුලින් සලකා බැලුවෙමු (මෘදු හා දරුණු); නමුත් එය අපගේ ද්විතියික අනාවැකි ආකෘති යෝජනා ක්‍රමයේ අරමුණ පරාජය කරනු ඇතැයි අපි තීරණය කළෙමු. ස්වාධීන සායනික රෝග විනිශ්චය වන "රන් ප්‍රමිතියට" එරෙහිව සරල MemTrax පරීක්ෂණය (MoCA වෙනුවට) සපයන්නාට පහසුවෙන් ලබා ගත හැකි අනෙකුත් රෝගී ලක්ෂණ සහ කාර්ය සාධන ප්‍රමිතික භාවිතයෙන් ඉගෙන ගන්නන් පුහුණු කරනු ලැබේ. AD රෝග විනිශ්චය දත්ත කට්ටලයේ අවස්ථා 69 ක් සහ VaD හි අවස්ථා 76 ක් (වගුව 2) දත්ත කට්ටල දෙකෙහිම ස්වාධීන විශේෂාංග 12ක් විය. MoCA ලකුණු වර්ගීකරණයට ඇතුළත් කර ඇති විශේෂාංග 10 ට අමතරව, රෝගියාගේ ඉතිහාසය අධි රුධිර පීඩනය සහ ආඝාතය පිළිබඳ ඉතිහාසය පිළිබඳ තොරතුරු ද ඇතුළත් විය.
වගුව 2
රෝග විනිශ්චය තීව්‍රතා වර්ගීකරණය සඳහා භාවිතා කරන ආකෘතිකරණ යෝජනා ක්‍රමවල සාරාංශය (මෘදු එදිරිව දරුණු)
| ආකෘති නිර්මාණ යෝජනා ක්රමය | මෘදු (සෘණ පන්තිය) | දරුණු (ධන පන්තිය) |
| MCI-AD එදිරිව AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD එදිරිව VaD | 38 (50.0%) | 38 (50.0%) |
එක් එක් පන්තියේ මුළු රෝගීන්ගෙන් අදාළ සංඛ්‍යාව සහ ප්‍රතිශතය ප්‍රාථමික රෝග විනිශ්චය කාණ්ඩය (AD හෝ VaD) අනුව වෙනස් වේ.
සංඛ්යා ලේඛන
එක් එක් ආකෘති වර්ගීකරණ උපාය මාර්ග සඳහා උප දත්ත කට්ටල අතර සහභාගිවන්නන්ගේ ලක්ෂණ සහ අනෙකුත් සංඛ්‍යාත්මක ලක්ෂණ සංසන්දනය කිරීම (MoCA සංජානන සෞඛ්යය සහ රෝග විනිශ්චය බරපතලකම පුරෝකථනය කිරීම සඳහා) Python ක්‍රමලේඛන භාෂාව (අනුවාදය 2.7.1) [17] භාවිතයෙන් සිදු කරන ලදී. ආකෘති කාර්ය සාධන වෙනස්කම් මුලින් තීරණය කරනු ලැබුවේ 95% විශ්වාසනීය පරතරයක් සහිත තනි හෝ ද්වි-සාධක (සුදුසු පරිදි) ANOVA සහ කාර්ය සාධන මාධ්‍යයන් සංසන්දනය කිරීම සඳහා Tukey අවංක සැලකිය යුතු වෙනස (HSD) පරීක්ෂණය භාවිතා කරමිනි. ආදර්ශ කාර්ය සාධනය අතර වෙනස්කම් පිළිබඳ මෙම පරීක්ෂණය පයිතන් සහ ආර් (අනුවාදය 3.5.1) [18] සංයෝජනයක් භාවිතයෙන් සිදු කරන ලදී. අපි මෙම ප්රවේශය භාවිතා කළේ (ප්‍රශස්ත වඩා අඩු වුවද) ප්රවේශය මේ සඳහා හූරිස්ටික් ආධාරයක් ලෙස පමණි. මුල් අවධියයි විභව සායනික යෙදුම අපේක්ෂා කිරීමේදී ආරම්භක ආදර්ශ කාර්ය සාධනය සැසඳීම් සඳහා. අපි පසුව ආදර්ශ කාර්ය සාධන වෙනස්කම් වල සම්භාවිතාව තීරණය කිරීම සඳහා පසුපස බෙදාහැරීමක් භාවිතා කරමින් Bayesian අත්සන් කරන ලද ශ්‍රේණිගත පරීක්ෂණය භාවිතා කළෙමු [19]. මෙම විශ්ලේෂණ සඳහා, අපි කාල පරතරය -0.01, 0.01 භාවිතා කළෙමු, එයින් අදහස් කරන්නේ කණ්ඩායම් දෙකකට 0.01 ට වඩා අඩු කාර්ය සාධන වෙනසක් තිබේ නම්, ඒවා සමාන ලෙස සලකනු ලැබේ (ප්‍රායෝගික සමානාත්මතාවයේ කලාපය තුළ) හෝ වෙනත් ආකාරයකින් ඒවා වෙනස් වේ (එකට වඩා හොඳ එකක් අනෙක්). වර්ගීකරණ වල Bayesian සංසන්දනය සිදු කිරීමට සහ මෙම සම්භාවිතා ගණනය කිරීමට, අපි Python 1.0.2 සඳහා baycomp පුස්තකාලය (අනුවාදය 3.6.4) භාවිතා කළෙමු.
අනාවැකි ආකෘති නිර්මාණය
අපි එක් එක් රෝගියාගේ MoCA පරීක්ෂණයේ ප්රතිඵලය හෝ සායනික රෝග විනිශ්චයේ බරපතලකම පුරෝකථනය කිරීමට (වර්ග කිරීමට) අපගේ ආකෘති නිර්මාණ යෝජනා ක්‍රමවල සම්පූර්ණ වෙනස්කම් දහය භාවිතා කරමින් අනාවැකි ආකෘති ගොඩනඟා ගත්තෙමු. සියලුම ඉගෙන ගන්නන් යොදන ලද අතර ආකෘති ගොඩනගා ඇත්තේ විවෘත කේත මෘදුකාංග වේදිකාවක් වන Weka [20] භාවිතා කරමිනි. අපගේ මූලික විශ්ලේෂණය සඳහා, අපි පොදුවේ භාවිතා කරන ඉගෙනුම් ඇල්ගොරිතම 10ක් භාවිතා කළෙමු: 5-ළඟම අසල්වැසියන්, C4.5 තීරණ ගසේ අනුවාද දෙකක්, ලොජිස්ටික් ප්‍රතිගමනය, බහු ස්ථර පර්සෙප්‍රොන්, Naïve Bayes, Random Forest අනුවාද දෙකක්, Radial Basis Function Network, සහ Support Vector යන්ත්රය. මෙම ඇල්ගොරිතමවල ප්රධාන ගුණාංග සහ ප්‍රතිවිරෝධතා වෙනත් තැනක විස්තර කර ඇත [21] (අදාළ උපග්‍රන්ථය බලන්න). මේවා තෝරාගෙන ඇත්තේ ඔවුන් විවිධ වර්ගයේ ඉගෙන ගන්නන් නියෝජනය කරන නිසා සහ සමාන දත්ත මත පෙර විශ්ලේෂණ වලදී අපි ඒවා භාවිතා කර සාර්ථකත්වය පෙන්නුම් කර ඇති නිසා ය. අධි-පරාමිති සැකසුම් අපගේ පෙර පර්යේෂණ වලින් තෝරාගෙන ඇති අතර ඒවා විවිධ විවිධ දත්ත මත ශක්තිමත් බව පෙන්නුම් කරයි [22]. සම්පූර්ණ විශ්ලේෂණයේ දී පසුව භාවිතා කරන ලද පොදු ලක්ෂණ සහිත එකම ඒකාබද්ධ දත්ත කට්ටලය භාවිතයෙන් අපගේ මූලික විශ්ලේෂණයේ ප්රතිඵල මත පදනම්ව, අපි සියලු වර්ගීකරණයන් හරහා අඛණ්ඩව ශක්තිමත් කාර්ය සාධනයක් ලබා දුන් ඉගෙන ගන්නන් තිදෙනෙකු හඳුනා ගත්තෙමු: ලොජිස්ටික් ප්‍රතිගමනය, Naïve Bayes, සහ Support Vector Machine.
හරස් වලංගුකරණය සහ ආකෘති කාර්ය සාධන මෙට්රික්
සියලුම පුරෝකථන ආකෘති නිර්මාණය සඳහා (මූලික විශ්ලේෂණ ඇතුළුව), සෑම ආකෘතියක්ම 10 ගුණයක හරස් වලංගුකරණයක් භාවිතයෙන් ගොඩනගා ඇති අතර, ආදර්ශ කාර්ය සාධනය ග්‍රාහක මෙහෙයුම් ලක්ෂණ වක්‍රය (AUC) යටතේ ඇති ප්‍රදේශය භාවිතයෙන් මනිනු ලැබේ. හරස් වලංගුකරණය ආරම්භ වූයේ එක් එක් ආකෘතිකරණ යෝජනා ක්රම දත්ත කට්ටල 10 න් සමාන කොටස් 10 කට (නැමීම්) අහඹු ලෙස බෙදීමෙනි, මෙම අදාළ කොටස් නවයක් ආකෘතිය පුහුණු කිරීම සඳහා සහ ඉතිරි කොටස පරීක්ෂා කිරීම සඳහා භාවිතා කරයි. මෙම ක්රියාපටිපාටිය 10 වතාවක් පුනරාවර්තනය කරන ලද අතර, එක් එක් පුනරාවර්තනය තුළ පරීක්ෂණ කට්ටලයක් ලෙස වෙනස් ඛණ්ඩයක් භාවිතා කර ඇත. අවසාන ආකෘතියේ ප්රතිඵලය/කාර්ය සාධනය ගණනය කිරීම සඳහා ප්රතිඵල පසුව ඒකාබද්ධ කරන ලදී. එක් එක් ඉගෙන ගන්නන්/දත්ත කට්ටල සංයෝජනයක් සඳහා, මෙම සම්පූර්ණ ක්‍රියාවලිය 10 වතාවක් පුනරාවර්තනය වූ අතර සෑම අවස්ථාවකදීම දත්ත වෙනස් ලෙස බෙදා ඇත. මෙම අවසාන පියවර පක්ෂග්‍රාහීත්වය අඩු කර, අනුවර්තනය වීමේ හැකියාව සහතික කර, සමස්ත ආදර්ශ කාර්ය සාධනය තීරණය කිරීමට උපකාරී විය. සමස්තයක් ලෙස (MoCA ලකුණු සහ රෝග විනිශ්චය බරපතල වර්ගීකරණ යෝජනා ක්රම ඒකාබද්ධව), ආකෘති 6,600 ක් ගොඩනගා ඇත. මෙයට ෆිල්ටර් නොකළ මාදිලි 1,800ක් (දත්ත කට්ටලයට අදාළ ආකෘතිකරණ යෝජනා ක්රම 6×3 ඉගෙන ගන්නන්×10 ගුණයකින් = 10 මාදිලි) සහ පෙරන ලද ආකෘති 1,800ක් (දත්ත කට්ටලයට අදාළ වන ආකෘතිකරණ යෝජනා ක්රම 4,800×4 ඉගෙන ගන්නන්×3 විශේෂාංග තේරීමේ ක්‍රමවේදයන්×4 ධාවන* 10 folds = 10 මාදිලි).
විශේෂාංග තේරීම
පෙරන ලද ආකෘති සඳහා, හරස් වලංගුකරණය තුළ විශේෂාංග තේරීම (විශේෂාංග ශ්‍රේණිගත කිරීමේ ක්රම හතර භාවිතා කරමින්) සිදු කරන ලදී. එක් එක් ෆෝල්ඩ් 10 සඳහා, දත්ත කට්ටලයේ වෙනස් 10%ක් පරීක්ෂණ දත්ත වූ බැවින්, එක් එක් පුහුණු දත්ත කට්ටලය සඳහා ඉහළම තෝරාගත් විශේෂාංග හතර පමණක් (එනම්, අනෙක් නැමීම් නවය හෝ සම්පූර්ණ දත්ත කට්ටලයෙන් ඉතිරි 90%) භාවිතා කරන ලදී. ආකෘති ගොඩනැගීමට. එක් එක් මාදිලියේ කුමන විශේෂාංග හතරක් භාවිතා කර ඇත්දැයි තහවුරු කිරීමට අපට නොහැකි විය, එම තොරතුරු ගබඩා කර නොමැති නිසා හෝ අප භාවිත කළ ආකෘතිකරණ වේදිකාව තුළ (වෙකා) ලබා ගත නොහැකි විය. කෙසේ වෙතත්, සමස්ත ඒකාබද්ධ දත්ත කට්ටලයට ශ්‍රේණිගත කිරීම් යෙදූ විට ඉහළම විශේෂාංගවල අපගේ මූලික තේරීමේ අනුකූලතාව සහ ආකෘති නිර්මාණ කාර්ය සාධනයේ පසුව ඇති සමානතාවය අනුව, මෙම විශේෂාංග (වයස, අධ්‍යාපනයේ වසර, MTx-% C, සහ සාමාන්ය MTx-RT ) හරස් වලංගු කිරීමේ ක්‍රියාවලිය තුළ විශේෂාංග තේරීමට සමගාමීව භාවිතා වන වඩාත්ම ප්‍රචලිත ඉහළම හතර වේ.
ප්රතිපල
MoCA-පෙන්වන සංජානන සෞඛ්යය (සාමාන්ය එදිරිව MCI) සහ රෝග විනිශ්චය බරපතලකම (මෘදු එදිරිව දරුණු) පුරෝකථනය කිරීම සඳහා එක් එක් ආකෘති වර්ගීකරණ උපාය මාර්ගය සඳහා අදාළ දත්ත කට්ටලවල සහභාගිවන්නන්ගේ සංඛ්‍යාත්මක ලක්ෂණ (MoCA ලකුණු සහ MemTrax කාර්ය සාධන ප්‍රමිතික ඇතුළුව) වගුව 3 හි පෙන්වා ඇත.
වගුව 3
එක් එක් ආකෘති වර්ගීකරණ උපාය මාර්ගය සඳහා සහභාගිවන්නන්ගේ ලක්ෂණ, MoCA ලකුණු සහ MemTrax කාර්ය සාධනය
| වර්ගීකරණ උපාය මාර්ගය | වයස අවුරුදු | අධ්යාපන | MoCA සකස් කරන ලදී | MoCA සකස් නොකළ | MTx-% C | MTx-RT |
| MoCA කාණ්ඩය | වසර 61.9 (13.1) | වසර 9.6 (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | තත්පර 1.4 (0.3) |
| රෝග විනිශ්චය බරපතලකම | වසර 65.6 (12.1) | වසර 8.6 (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | තත්පර 1.5 (0.3) |
ආකෘතිකරණ වර්ගීකරණ ක්‍රමෝපායන් මගින් වෙනස් කරන ලද (මධ්‍යන්‍ය, SD) අගයන් MoCA-දර්ශක සංජානන සෞඛ්යය (MCI එදිරිව සාමාන්ය) පුරෝකථනය කිරීමට භාවිතා කරන ඒකාබද්ධ දත්ත කට්ටලය නියෝජනය කරන අතර රෝග විනිශ්චය බරපතලකම (මෘදු එදිරිව දරුණු) පුරෝකථනය කිරීමට පමණක් භාවිතා කරන XL උප-දත්ත කට්ටලය වේ.
MoCA ලකුණු (ගැලපුම් / නොගැලපෙන) සහ එළිපත්ත (26/23) හි එක් එක් සංයෝජනය සඳහා සංඛ්‍යානමය වෙනසක් තිබුණි (p = 0.000) වයස, අධ්‍යාපනය සහ MemTrax කාර්ය සාධනය (MTx-% C සහ MTx-RT) සඳහා (සාමාන්ය සංජානන සෞඛ්යය එදිරිව MCI) එක් එක් යුගල වශයෙන් සැසඳීමේදී. එක් එක් සංයෝජනය සඳහා අදාළ MCI පන්තියේ සෑම රෝගී උප-දත්ත කට්ටලයක්ම සාමාන්‍යයෙන් අවුරුදු 9 සිට 15 දක්වා පැරණි, වසර පහකට අඩු අධ්‍යාපනයක් වාර්තා කර ඇති අතර ප්‍රමිතික දෙකටම අඩු හිතකර MemTrax කාර්ය සාධනයක් තිබුණි.
හොඳම ඉගෙන ගන්නන් තිදෙනා වන Logistic Regression, Naïve Bayes සහ Support Vector Machine භාවිතා කරමින් MoCA ලකුණු වර්ගීකරණයන් සඳහා පුරෝකථන ආකෘතිකරණ කාර්ය සාධන ප්රතිඵල වගුව 4 හි පෙන්වා ඇත. මෙම තුන තෝරාගෙන ඇත්තේ විවිධ මාදිලියේ වඩාත්ම අඛණ්ඩ ඉහළ නිරපේක්ෂ ඉගෙනුම් කාර්ය සාධනය මත පදනම්වය. සියලුම ආකෘතිකරණ යෝජනා ක්රම සඳහා දත්ත කට්ටලවලට යොදන ලදී. ෆිල්ටර නොකළ දත්ත කට්ටලය සහ ආකෘති නිර්මාණය සඳහා, වගුව 4 හි එක් එක් දත්ත අගයන් පෙන්නුම් කරන්නේ, එක් එක් ඉගෙන ගන්නන්/ආකෘතිකරණ යෝජනා ක්රම සංයෝජනයෙන්, එක් එක් ඉගෙනුම ලබන්නන් සඳහා ගොඩනගා ඇති ආකෘති 100කින් (ලකුණු 10×10 ගුණයකින්) ලබාගත් AUC අදාළ මධ්‍යන්‍යය මත පදනම් වූ ආදර්ශ කාර්ය සාධනයයි. ඉගෙන ගන්නා කාර්ය සාධනය තද අකුරින් දක්වා ඇත. පෙරන ලද දත්ත කට්ටල ආකෘතිකරණය සඳහා, වගුව 4 හි වාර්තා කර ඇති ප්රතිඵල මඟින් එක් එක් විශේෂාංග ශ්‍රේණිගත කිරීමේ ක්රම (400 විශේෂාංග ශ්‍රේණිගත කිරීමේ ක්රම × 4 ලකුණු × 10 ගුණයකින්) භාවිතා කරමින් එක් එක් ඉගෙන ගන්නෙකු සඳහා ආකෘති 10ක සමස්ත සාමාන්ය ආදර්ශ කාර්ය සාධනය පිළිබිඹු කරයි.
වගුව 4
Dichotomous MoCA ලකුණු වර්ගීකරණ කාර්ය සාධනය (AUC; 0.0–1.0) ප්රතිඵලය සියලුම අදාළ ආකෘති නිර්මාණ යෝජනා ක්රම සඳහා ඉහළම දක්ෂතා දක්වන ඉගෙන ගන්නන් තිදෙනා සඳහා
| විශේෂාංග කට්ටලය භාවිතා කර ඇත | MoCA ලකුණු | කඩඉම් සීමාව | ලොජිස්ටික් රෙග්‍රේෂන් | Naïve Bayes | ආධාරක දෛශික යන්ත්රය |
| පෙරීම නොකළ (විශේෂාංග 10) | සකස් කරන ලදි | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| අසාධාරණයි | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| පෙරන ලද (විශේෂාංග 4) | සකස් කරන ලදි | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| අසාධාරණයි | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
විශේෂාංග කට්ටලය, MoCA ලකුණු සහ MoCA ලකුණු කඩඉම් සීමාවේ වෙනස්කම් භාවිතා කරමින්, එක් එක් ආකෘති නිර්මාණ යෝජනා ක්රමය සඳහා ඉහළම කාර්ය සාධනය පෙන්වනු ලැබේ තද (අනිවාර්‍යයෙන්ම සංඛ්‍යානමය වශයෙන් වෙනස් නොවන අනෙක් සියල්ලටම වඩා වෙනස් නොවේ තද අදාළ ආකෘතිය සඳහා).
ඒකාබද්ධ නොකළ දත්ත කට්ටලයේ (එනම්, පොදු ලක්ෂණ 23 භාවිතා කරමින්) MoCA ලකුණු අනුවාද සහ සීමාවන් (පිළිවෙලින් සකස් කරන ලද/නොගැලපෙන සහ 26/10) සියලු සංයෝජන හරහා ඉගෙන ගන්නන් සසඳන විට Naïve Bayes සාමාන්‍යයෙන් සමස්තයක් සමඟ ඉහළම දක්ෂතා දැක්වූ ඉගෙනුම ලබන්නා විය. 0.9093 වර්ගීකරණ කාර්ය සාධනය. ඉහළම ඉගෙනුම ලබන්නන් තිදෙනා සැලකිල්ලට ගනිමින්, Bayesian-සහ සම්බන්ධිත අත්සන් කරන ලද ශ්‍රේණිගත පරීක්ෂණ මගින් පෙන්නුම් කළේ සම්භාවිතාව (Pr) Naïve Bayes හි ලොජිස්ටික් ප්‍රතිගාමීත්වය අභිබවා 99.9% ක් විය. එපමනක් නොව, Naïve Bayes සහ Support Vector Machine අතර, ඉගෙන ගන්නන්ගේ කාර්ය සාධනයේ ප්‍රායෝගික සමානාත්මතාවයේ 21.0% සම්භාවිතාවක් (එමගින්, Naïve Bayes හි 79.0% සම්භාවිතාවක් ආධාරක දෛශික යන්ත්රය අභිබවා යයි), සහ Machinesur Vector හි 0.0% සම්භාවිතාව සමඟ සම්බන්ධ වේ. Naïve Bayes සඳහා කාර්ය සාධන වාසිය ශක්තිමත් කරයි. සියලුම ඉගෙන ගන්නන්/ඉදිරිපත් හරහා MoCA ලකුණු අනුවාදය තවදුරටත් සංසන්දනය කිරීම, සකස් නොකළ MoCA ලකුණු සහ ගැලපුම් (පිළිවෙලින් 0.9027 සහ 0.8971) භාවිතා කරමින් සුළු කාර්ය සාධන වාසියක් යෝජනා කළේය; Pr (නොගැලපෙන > සකස් කරන ලද) = 0.988). ඒ හා සමානව, සියලුම ඉගෙන ගන්නන් සහ MoCA ලකුණු අනුවාද හරහා කඩඉම් සීමාව සංසන්දනය කිරීම, 26 (පිළිවෙලින් 23 එදිරිව 0.9056, ට සාපේක්ෂව 0.8942) වර්ගීකරණ එළිපත්ත ලෙස XNUMX භාවිතා කරමින් කුඩා වර්ගීකරණ කාර්ය සාධන වාසියක් පෙන්නුම් කරයි; Pr (26 > 23) = 0.999). අවසාන වශයෙන්, පෙරන ලද ප්රතිඵල පමණක් භාවිතා කරමින් මාදිලි සඳහා වර්ගීකරණ කාර්ය සාධනය පරීක්ෂා කිරීමේදී (එනම්, ඉහළම ශ්‍රේණිගත කර ඇති විශේෂාංග හතරක් පමණි), Naïve Bayes (0.9143) සියලු MoCA ලකුණු අනුවාද/ සීමාවන් හරහා සංඛ්‍යාත්මකව ඉහළම ක්‍රියාකාරී ඉගෙනුම්කරු විය. කෙසේ වෙතත්, සියලුම විශේෂාංග ශ්‍රේණිගත කිරීමේ ශිල්පීය ක්රම ඒකාබද්ධව, ඉහළම දක්ෂතා දක්වන සියලුම ඉගෙන ගන්නන් සමාන ලෙස ක්රියා කළහ. Bayesian අත්සන් කරන ලද ශ්‍රේණිගත පරීක්ෂණ මගින් පෙරන ලද ඉගෙන ගන්නන් එක් එක් යුගල අතර ප්‍රායෝගික සමානාත්මතාවයේ 100% සම්භාවිතාව පෙන්නුම් කරන ලදී. ෆිල්ටර් නොකළ දත්ත (සියලු පොදු විශේෂාංග 10 භාවිතා කරමින්), MoCA ලකුණු හි සකස් නොකළ අනුවාදය සඳහා නැවතත් කාර්ය සාධන වාසියක් ඇත (Pr (නොගැලපෙන > සකස් කරන ලද) = 1.000), මෙන්ම 26 (XNUMX) වර්ගීකරණ එළිපත්ත සඳහා සමාන සුවිශේෂී වාසියක්Pr (26 > 23) = 1.000). කැපී පෙනෙන ලෙස, ඉහළම ශ්‍රේණිගත විශේෂාංග හතර පමණක් භාවිතා කරමින් සියලුම MoCA ලකුණු අනුවාද/ එළිපත්ත හරහා ඉහළම ඉගෙන ගන්නන් තිදෙනාගේ සාමාන්ය කාර්ය සාධනය පෙර නොදැමූ දත්ත මත ඕනෑම ඉගෙන ගන්නෙකුගේ සාමාන්ය කාර්ය සාධනය ඉක්මවා ඇත. සාමාන්ය මාදිලි 0.9119ම භාවිතා කරමින් අදාළ මාදිලි සමඟ සසඳන ලද විශේෂාංග ශ්‍රේණිගත කිරීමේ ක්රම ආකෘති කුමක් වුවත්, පෙරන ලද මාදිලිවල (ඉහළම ශ්‍රේණිගත විශේෂාංග හතර භාවිතා කරමින්) සමස්තයක් ලෙස වර්ගීකරණ කාර්ය සාධනය පෙරීම නොකළ මාදිලිවලට (0.8999) වඩා උසස් (10) වීම පුදුමයක් නොවේ. විශේෂාංග. එක් එක් විශේෂාංග තේරීමේ ක්රමය සඳහා, පෙරීම නොකළ මාදිලිවලට වඩා කාර්ය සාධන වාසියක 100% සම්භාවිතාවක් තිබුණි.
AD රෝග විනිශ්චය තීව්‍රතා වර්ගීකරණය සඳහා සලකා බලනු ලබන රෝගීන් සමඟ, කණ්ඩායම් අතර (MCI-AD එදිරිව AD) වයස සඳහා වෙනස්කම් (p = 0.004), අධ්‍යාපනය (p = 0.028), MoCA ලකුණු ගැලපුම් / නොගැලපෙන (p = 0.000), සහ MTx-% C (p = 0.008) සංඛ්‍යානමය වශයෙන් වැදගත් විය; MTx-RT සඳහා එය එසේ නොවීය (p = 0.097). VaD රෝග විනිශ්චය තීව්‍රතා වර්ගීකරණය සඳහා සලකා බැලූ එම රෝගීන් සමඟ, MoCA ලකුණු සඳහා කණ්ඩායම් අතර (MCI-VaD එදිරිව VaD) වෙනස්කම් ගැලපුම් කරන ලද/නොගැලපෙන (p = 0.007) සහ MTx-% C (p = 0.026) සහ MTx-RT (p = 0.001) සංඛ්‍යානමය වශයෙන් වැදගත් විය; වයස අනුව (p = 0.511) සහ අධ්‍යාපනය (p = 0.157) කණ්ඩායම් අතර සැලකිය යුතු වෙනස්කම් නොමැත.
කලින් තෝරාගත් ඉගෙන ගන්නන් තිදෙනා, Logistic Regression, Naïve Bayes සහ Support Vector Machine භාවිතා කරමින් රෝග විනිශ්චය බරපතල වර්ගීකරණයන් සඳහා පුරෝකථන ආකෘතිකරණ කාර්ය සාධන ප්රතිඵල වගුව 5 හි පෙන්වා ඇත. අතිරේක පරීක්ෂා කළ ඉගෙන ගන්නන් සායනික රෝග විනිශ්චය කාණ්ඩ දෙකෙන් එකක් සමඟින් තරමක් ප්‍රබල කාර්ය සාධනයක් තනි තනිව පෙන්නුම් කර ඇත. , අපගේ පෙර ආකෘති නිර්මාණයේදී වඩාත් හිතකර ලෙස අප හඳුනාගෙන සිටි ඉගෙන ගන්නන් තිදෙනා නව ආකෘති නිර්මාණ යෝජනා ක්රම දෙකම සමඟින් වඩාත්ම ස්ථාවර කාර්ය සාධනය ලබා දුන්හ. එක් එක් ප්‍රාථමික රෝග විනිශ්චය කාණ්ඩ (AD සහ VaD) හරහා ඉගෙන ගන්නන් සසඳන විට, MCI-VaD සහ VaD සඳහා ඉගෙන ගන්නන් අතර ස්ථාවර වර්ගීකරණ කාර්ය සාධන වෙනසක් නොතිබුණද, Support Vector Machine සාමාන්‍යයෙන් වඩාත් කැපී පෙනෙන ලෙස ක්රියා කරයි. ඒ හා සමානව, MCI-AD එදිරිව AD වර්ගීකරණය සඳහා ඉගෙන ගන්නන් අතර සැලකිය යුතු වෙනස්කම් නොතිබුණද, Naïve Bayes (NB) හට Logistic Regression (LR) ට වඩා සුළු කාර්ය සාධන වාසියක් සහ 61.4% ක සම්භාවිතාවක් සහිත Support Vector Machine මත නොසැලකිය හැකි බහුත්වයක් ඇත. සහ පිළිවෙලින් 41.7%. දත්ත කට්ටල දෙකම හරහා, සහාය දෛශික යන්ත්රය (SVM) සඳහා සමස්ත කාර්ය සාධන වාසියක් ඇත. Pr (SVM > LR) = 0.819 සහ Pr (SVM > NB) = 0.934. XL උප-දත්ත කට්ටලයේ රෝග විනිශ්චයේ බරපතලකම පුරෝකථනය කිරීමේදී සියලුම ඉගෙන ගන්නන් හරහා අපගේ සමස්ත වර්ගීකරණ කාර්ය සාධනය VaD රෝග විනිශ්චය කාණ්ඩයට සාපේක්ෂව AD (Pr (VAD > AD) = 0.998).
වගුව 5
ද්විකෝටික සායනික රෝග විනිශ්චය තීව්‍රතා වර්ගීකරණ කාර්ය සාධනය (AUC; 0.0-1.0) ප්රතිඵලය එක් එක් ඉහළම දක්ෂතා දක්වන ඉගෙන ගන්නන් තිදෙනා සඳහා අදාළ ආකෘති නිර්මාණ යෝජනා ක්රම දෙකම සඳහා
| ආකෘති නිර්මාණ යෝජනා ක්රමය | ලොජිස්ටික් රෙග්‍රේෂන් | Naïve Bayes | ආධාරක දෛශික යන්ත්රය |
| MCI-AD එදිරිව AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD එදිරිව VaD | 0.8033 | 0.8044 | 0.8338 |
එක් එක් ආකෘතිකරණ යෝජනා ක්රමය සඳහා ඉහළම කාර්ය සාධනය පෙන්වා ඇත තද (අනිවාර්‍යයෙන්ම සංඛ්‍යානමය වශයෙන් නොවන අනෙක් ඒවාට වඩා වෙනස් නොවේ තද).
සාකච්ඡා
සංජානන සෞඛ්‍යයේ වෙනස්කම් කල්තියා හඳුනා ගැනීම වැදගත් වේ පුද්ගලික සෞඛ්ය කළමනාකරණයේ සහ මහජන සෞඛ්‍යයේ ප්‍රායෝගික උපයෝගීතාව. ඇත්ත වශයෙන්ම, ලොව පුරා රෝගීන් සඳහා සායනික සැකසුම් තුළ එය ඉතා ඉහළ ප්‍රමුඛතාවයක් ද වේ. හවුල් ඉලක්කය වන්නේ රෝගීන්, රැකබලා ගන්නන් සහ සැපයුම්කරුවන් දැනුවත් කිරීම සහ සංජානන පරිහානිය අත්විඳීමට පටන් ගන්නා අය සඳහා කලින් සුදුසු සහ ලාභදායී ප්රතිකාර සහ කල්පවත්නා සත්කාර ලබා දීමයි. අපගේ රෝහල්/සායන(ය) දත්ත උප කුලක තුන ඒකාබද්ධ කරමින්, පුරෝකථන ආකෘති නිර්මාණය කිරීම සඳහා අපි සුවිශේෂී ලෙස වඩාත් කැමති ඉගෙන ගන්නන් තිදෙනෙක් (එක් කැපී පෙනෙන කැපී පෙනෙන -Naïve Bayes සමඟ) හඳුනා ගත්තෙමු. සංජානන සෞඛ්ය තත්ත්වය විශ්වාසදායක ලෙස වර්ගීකරණය කළ හැකි MemTrax කාර්ය සාධන ප්‍රමිතික MoCA සමස්ථ ලකුණු මගින් දක්වනු ලබන පරිදි (සාමාන්ය සංජානන සෞඛ්යය හෝ MCI) dichotomously. සැලකිය යුතු කරුණක් නම්, අපගේ මාදිලි මූලික වශයෙන් මෙම MemTrax කාර්ය සාධන ප්‍රමිතික ඇතුළත් කර ඇති ඉහළම ශ්‍රේණිගත විශේෂාංග හතර පමණක් භාවිතා කළ විට ඉගෙන ගන්නන් තිදෙනා සඳහාම සමස්ත වර්ගීකරණ කාර්ය සාධනය වැඩිදියුණු විය. එපමනක් නොව, ඩිමෙන්ශියා රෝග විනිශ්චය කාණ්ඩ දෙකක බරපතලකම වෙන්කර හඳුනා ගැනීම සඳහා රෝග විනිශ්චය ආධාරක වර්ගීකරණ ආකෘතිකරණ යෝජනා ක්‍රමයක එකම ඉගෙන ගන්නන් සහ MemTrax කාර්ය සාධන ප්‍රමිතික භාවිතා කිරීමේ තහවුරු කළ හැකි හැකියාව අපි හෙළි කළෙමු: AD සහ VaD.
මතක පරීක්ෂාව ක්‍රි.ව [23, 24] කලින් හඳුනාගැනීම සඳහා කේන්ද්‍රීය වේ. මේ අනුව, MemTrax අන්තර්ජාලය හරහා පිළිගත හැකි, ආකර්ශනීය සහ ක්‍රියාත්මක කිරීමට පහසු එකක් වීම සුදුසුය. එපිසෝඩික් මතකය සඳහා පරීක්ෂණ පරීක්ෂණය සාමාන්ය ජනගහනයේ [6]. මෙම අඛණ්ඩ කාර්ය සාධන කාර්යයෙන් හඳුනාගැනීමේ නිරවද්‍යතාවය සහ ප්‍රතිචාර කාලයන්, ඉගෙනීම, මතකය සහ සංජානනය සම්බන්ධ ස්නායු ප්ලාස්ටික් ක්‍රියාවලීන්හි මුල් හා පරිණාමය වන පිරිහීම සහ එහි ප්රතිඵලයක් ලෙස ඌනතාවයන් හඳුනාගැනීමේදී විශේෂයෙන් හෙළිදරව් කරයි. එනම්, බොහෝ දුරට MemTrax කාර්ය සාධන ප්‍රමිතික මත පදනම් වූ මෙහි ආකෘතීන් සංවේදී වන අතර ඒවා පහසුවෙන් සහ අවම පිරිවැයක් සහිතව වඩාත් සැලකිය යුතු ක්‍රියාකාරී අලාභයකට පෙර සංක්‍රාන්ති අසමමිතික අවධියේදී ජීව විද්යාත්මක ස්නායු ව්‍යාධි හිඟයන් හෙළි කිරීමට ඉඩ ඇත [25]. Ashford et al. MemTrax සමඟ තමන් විසින්ම සහභාගී වූ සබැඳි පරිශීලකයින්ගේ හඳුනාගැනීමේ මතක නිරවද්‍යතාවය සහ ප්‍රතිචාර දැක්වීමේ කාලය පිළිබඳ රටා සහ හැසිරීම් සමීපව පරීක්ෂා කරන ලදී [6]. මෙම බෙදාහැරීම් ප්‍රශස්ත ආකෘති නිර්මාණයේදී සහ වලංගු සහ ඵලදායී රෝගී සත්කාර යෙදුම් සංවර්ධනය කිරීමේදී තීරණාත්මක වන බව සලකමින්, සායනිකව අදාළ වන හඳුනාගැනීම් සහ ප්‍රතිචාර කාල පැතිකඩයන් නිර්වචනය කිරීම සායනික සහ පර්යේෂණ උපයෝගීතා සඳහා වටිනා පදනම් යොමුවක් ස්ථාපිත කිරීමේදී අත්‍යවශ්‍ය වේ. මුල් අවධියේ සංජානන දුර්වලතා සහ අවකල රෝග විනිශ්චය සහය සඳහා AD පරීක්ෂාවේදී MemTrax හි ප්‍රායෝගික වටිනාකම පසුව සායනික පසුබිමක සන්දර්භය තුළ වඩාත් සමීපව පරීක්ෂා කළ යුතු අතර පරීක්ෂණ කාර්ය සාධනයට බලපාන සහසම්බන්ධතා සහ සංජානන, සංවේදක සහ මෝටර් හැකියාවන් සලකා බැලිය හැකිය. වෘත්තීය ඉදිරිදර්ශනය දැනුම් දීමට සහ ප්‍රායෝගික සායනික උපයෝගීතාව දිරිගැන්වීම සඳහා, ස්ථාපිත සංජානන සෞඛ්ය තක්සේරු පරීක්ෂණයකට සංසන්දනය කිරීම ප්‍රථමයෙන් අත්‍යවශ්‍ය වේ, නමුත් පසුකාලීනව අපහසු පරීක්ෂණ සැපයුම්, අධ්‍යාපනය සහ භාෂා බාධක සහ සංස්කෘතික බලපෑම් මගින් හඳුනාගත හැකි ලෙස සීමා කළ හැකි වුවද [26] . මේ සම්බන්ධයෙන් ගත් කල, කර්මාන්තයේ ප්‍රමිතියක් ලෙස පොදුවේ හැඳින්වෙන MoCA සමඟ සායනික කාර්යක්ෂමතාවයේ MemTrax හි හිතකර සංසන්දනය සැලකිය යුතු ය, විශේෂයෙන් MemTrax හි වැඩි පහසුව සහ රෝගියාගේ පිළිගැනීම කිරා බැලීමේදී.
MemTrax MoCA සමඟ සංසන්දනය කිරීමේ පෙර ගවේෂණ අපගේ ආකෘති නිර්මාණය විමර්ශනයට අවශ්ය තාර්කිකත්වය සහ මූලික සාක්ෂි ඉස්මතු කරයි [8]. කෙසේ වෙතත්, මෙම පූර්ව සංසන්දනය MoCA විසින් නිර්ණය කරන ලද සහ අදාළ පරාසයන් සහ කඩඉම් අගයන් නිර්වචනය කරන ලද සංජානන තත්ත්වය සමඟ අප පරීක්ෂා කළ ප්රධාන MemTrax කාර්ය සාධන ප්‍රමිතික දෙක සම්බන්ධ කර ඇත. අපි MemTrax හි සායනික උපයෝගිතා තක්සේරුව ගැඹුරු කළෙමු පුරෝකථන ආකෘති නිර්මාණය මත පදනම් වූ ප්‍රවේශයක් ගවේෂණය කිරීමෙන්, රෝගියාට අදාළ විය හැකි වෙනත් විශේෂිත පරාමිතීන් වඩාත් පුද්ගලීකරණය කළ සලකා බැලීමක් සපයනු ඇත. අනෙක් ඒවාට ප්‍රතිවිරුද්ධව, MoCA ලකුණු සඳහා අධ්යාපන නිවැරදි කිරීමක් (ගැලපීම) භාවිතයෙන් හෝ MoCA සමස්ථ ලකුණු සීමාව මුලින් නිර්දේශිත 26 සිට 23 දක්වා [12, 15] වෙනස් කරමින් සංජානන සෞඛ්ය වෙනස් කිරීමෙහි ආදර්ශ කාර්ය සාධනයේ වාසියක් අපට හමු නොවීය. ඇත්ත වශයෙන්ම, නොගැලපෙන MoCA ලකුණු සහ ඉහළ එළිපත්ත භාවිතා කරමින් වර්ගීකරණ කාර්ය සාධන වාසිය අනුග්‍රහය දක්වයි.
සායනික පුහුණුවේ ප්රධාන කරුණු
දත්ත විස්තීරණ සහ බහු-මාන වන විට, එනම්, බොහෝ නිරීක්ෂණ සහ ඊට සමගාමීව ඉහළ වටිනාකම් (දායකත්ව) ගුණාංග ඇති විට, යන්ත්‍ර ඉගෙනීම බොහෝ විට පුරෝකථන ආකෘති නිර්මාණයේදී වඩාත් හොඳින් භාවිතා වන අතර වඩාත් ඵලදායී වේ. එහෙත්, මෙම වත්මන් දත්ත සමඟින්, තෝරාගත් විශේෂාංග හතරක් පමණක් සහිත පෙරන ලද ආකෘති පොදු විශේෂාංග 10ම භාවිතා කරන ඒවාට වඩා හොඳින් ක්රියා කරයි. මෙයින් ඇඟවෙන්නේ අපගේ සමස්ත රෝහල් දත්ත කට්ටලය මේ ආකාරයෙන් රෝගීන් ප්‍රශස්ත ලෙස වර්ගීකරණය කිරීමට වඩාත් සායනිකව සුදුසු (ඉහළ අගය) විශේෂාංග නොතිබූ බවයි. එසේ වුවද, ප්රධාන MemTrax කාර්ය සාධන ප්‍රමිතික මත විශේෂාංග ශ්‍රේණිගත කිරීම අවධාරණය කරයි—MTx-% C සහ MTx-RT—මෙම පරීක්ෂණය වටා සරල, පරිපාලනය කිරීමට පහසු, අඩු වියදම් සහ යෝග්‍ය ලෙස හෙළිදරව් කරන මුල් අවධියේ සංජානන ඌනතා පිරික්සුම් ආකෘති ගොඩනැගීමට දැඩි ලෙස සහාය දක්වයි. මතක ක්‍රියාකාරිත්වය, අවම වශයෙන් දැන් සංජානන සෞඛ්ය තත්ත්වය පිළිබඳ ද්විමය වර්ගීකරණයක් සඳහා ආරම්භක තිරයක් ලෙස. සපයන්නන් සහ සෞඛ්ය සේවා පද්ධති මත දිනෙන් දින ඉහළ යන ආතතිය සැලකිල්ලට ගෙන, රෝග විනිශ්චය කිරීමේදී වඩාත් ප්‍රයෝජනවත්, වාසිදායක සහ ඵලදායී බව ඔප්පු කරන ලද රෝගීන්ගේ ලක්ෂණ සහ පරීක්ෂණ ප්‍රමිතික එකතු කිරීම, ලුහුබැඳීම සහ ආකෘතිකරණය කිරීම අවධාරණය කරමින් රෝගීන් පරීක්ෂා කිරීමේ ක්‍රියාවලීන් සහ සායනික යෙදුම් සුදුසු ලෙස සංවර්ධනය කළ යුතුය. සහ රෝගී කළමනාකරණ සහාය.
ප්රධාන MemTrax ප්‍රමිතික දෙක MCI වර්ගීකරණයට කේන්ද්‍රගත වීමත් සමඟ, අපගේ ඉහළම ක්‍රියාකාරී ඉගෙනුම්කරු (Naïve Bayes) බොහෝ මාදිලිවල (AUC 0.90 ට වැඩි) ඉතා ඉහළ පුරෝකථන කාර්ය සාධනයක් ඇති අතර සත්‍ය-ධන හා ව්‍යාජ-ධනාත්මක අනුපාතය 4ට ආසන්න හෝ තරමක් ඉක්මවයි. : 1. මෙම ඉගෙනුම භාවිතා කරන පරිවර්තන සායනික යෙදුමක් සංජානන හිඟයක් ඇති බොහෝ දෙනා විසින් ග්‍රහණය කර ගනු ඇත (නිවැරදිව වර්ගීකරණය කරයි), සාමාන්ය සංජානන සෞඛ්‍යයක් ඇති අයෙකු සංජානන හිඟයක් (ව්‍යාජ ධනාත්මක) ලෙස වැරදි ලෙස වර්ග කිරීම හා සම්බන්ධ පිරිවැය අවම කරයි. සංජානන හිඟයක් ඇති අය තුළ එම වර්ගීකරණය මග හැරී ඇත (ව්‍යාජ සෘණාත්මක). මෙම වැරදි වර්ගීකරණයේ එක් අවස්ථාවක් රෝගියාට සහ භාරකරුවන්ට අනවශ්‍ය මනෝ-සමාජ බරක් පැටවිය හැකිය.
මූලික සහ සම්පූර්ණ විශ්ලේෂණ වලදී අපි එක් එක් ආකෘති නිර්මාණ යෝජනා ක්‍රමයේ ඉගෙන ගන්නන් දස දෙනාම භාවිතා කළ අතර, අපි අපගේ ප්රතිඵල වඩාත් ස්ථාවර ශක්තිමත් කාර්ය සාධනයක් පෙන්වන වර්ගීකරණ තුන වෙත යොමු කළෙමු. මෙම දත්ත මත පදනම්ව, සංජානන තත්ව වර්ගීකරණය තීරණය කිරීමේදී ප්‍රායෝගික සායනික යෙදුමක දී ඉහළ මට්ටමකින් විශ්වාසනීය ලෙස ක්රියා කළ හැකි යැයි අපේක්ෂා කරන ඉගෙන ගන්නන් ඉස්මතු කිරීමට ද මෙය විය. එපමනක් නොව, මෙම අධ්යයනය සංජානන පරීක්ෂාව සහ මෙම කාලෝචිත සායනික අභියෝග පිළිබඳ යන්ත්‍ර ඉගෙනීමේ උපයෝගීතාව පිළිබඳ හඳුන්වාදීමේ විමර්ශනයක් ලෙස අදහස් කරන ලද බැවින්, අවම පරාමිති සුසර කිරීමකින් ඉගෙනුම් ශිල්පීය ක්රම සරල සහ සාමාන්‍යකරණය කිරීමට අපි තීරණය කළෙමු. මෙම ප්රවේශය වඩාත් පටු ලෙස නිර්වචනය කරන ලද රෝගියා-විශේෂිත පුරෝකථන හැකියාවන් සඳහා ඇති හැකියාව සීමා කර ඇති බව අපි අගය කරමු. ඒ හා සමානව, ඉහළම විශේෂාංග (පෙරහන ලද ප්රවේශය) පමණක් භාවිතා කරමින් ආකෘති පුහුණු කිරීමෙන් මෙම දත්ත (එකතු කරන ලද දත්තවල අඩුපාඩු සහ වටිනා සායනික කාලය සහ සම්පත් ප්‍රශස්ත කිරීමේ අගය ඉස්මතු කිරීම සඳහා විශේෂිත) තවදුරටත් අපට දන්වන අතර, එය පටු වීම අකාලයේ බව අපි හඳුනා ගනිමු. ආකෘතිවල විෂය පථය සහ, එබැවින්, පුළුල් ජනගහනයට අදාළ වන ප්‍රමුඛතා විශේෂාංග පිළිබඳ වඩාත් නිශ්චිත පැතිකඩක් අපට ලැබෙන තෙක් අනාගත පර්යේෂණ සමඟ සියලු (සහ අනෙකුත් විශේෂාංග) සලකා බැලිය යුතුය. මේ අනුව, තවදුරටත් සායනික ඇගයීමේදී සලකා බැලිය යුතු සංජානන ක්‍රියාකාරිත්වයට බලපාන සහසම්බන්ධතාවලට ඉඩ සැලසීම සඳහා, ඵලදායී සායනික යෙදුමකට ඒකාබද්ධ කිරීමට පෙර මෙම සහ අනෙකුත් ආකෘති වඩාත් ඇතුළත් සහ පුළුල් ලෙස නියෝජනය වන දත්ත සහ ප්‍රශස්තිකරණය අවශ්ය බව අපි සම්පූර්ණයෙන්ම හඳුනා ගනිමු.
වෙනම සායනික රෝග විනිශ්චය මත පදනම්ව රෝග බරපතලකම ආකෘතිකරණය කිරීම මගින් MemTrax හි උපයෝගීතාව තවදුරටත් වැඩිදියුණු කරන ලදී. VaD හි බරපතලකම (AD හා සසඳන විට) පුරෝකථනය කිරීමේදී වඩා හොඳ සමස්ත වර්ගීකරණ කාර්ය සාධනයක් නොතිබුණි සනාල සෞඛ්‍යයට විශේෂිත වූ මාදිලිවල රෝගියාගේ පැතිකඩ විශේෂාංග ලබා දීම පුදුම සහගතය සහ ආඝාත අවදානම, එනම් අධි රුධිර පීඩනය, අධි රුධිර පීඩනය, දියවැඩියාව, සහ (ඇත්ත වශයෙන්ම) ආඝාත ඉතිහාසය. මෙම වඩාත් ඇතුළත් දත්ත සමඟ ඉගෙන ගන්නන් පුහුණු කිරීම සඳහා සාමාන්ය සංජානන සෞඛ්‍යයක් ඇති ගැළපෙන රෝගීන් සඳහා එම සායනික තක්සේරුව සිදු කිරීම වඩාත් ප්‍රිය හා සුදුසු විය හැකි වුවද. MemTrax මූලික වශයෙන් සංජානන ඌනතාවක් හඳුනා ගැනීම සහ පසුව පුද්ගල වෙනස්වීම් නිරීක්ෂණය කිරීම සඳහා භාවිතා කිරීමට අදහස් කරන බැවින් මෙය විශේෂයෙන් සහතික කෙරේ. VaD දත්ත කට්ටලය තුළ දත්ත වඩාත් යෝග්‍ය ලෙස බෙදා හැරීම සාපේක්ෂව වඩා හොඳ ආදර්ශ කාර්ය සාධනය සඳහා දායක වූ බව ද පිළිගත හැකිය. VaD දත්ත කට්ටලය පන්ති දෙක අතර හොඳින් සමතුලිත වූ අතර, MCI රෝගීන් අඩු සංඛ්‍යාවක් ඇති AD දත්ත කට්ටලය එසේ නොවීය. විශේෂයෙන් කුඩා දත්ත කට්ටල වලදී, අමතර අවස්ථා කිහිපයක් පවා මැනිය හැකි වෙනසක් ඇති කළ හැකිය. ඉදිරිදර්ශන දෙකම රෝග තීව්‍රතා ආකෘති නිර්මාණ කාර්ය සාධනයේ වෙනස්කම් වලට යටින් පවතින සාධාරණ තර්ක වේ. කෙසේ වෙතත්, දත්ත කට්ටල සංඛ්‍යාත්මක ලක්ෂණ හෝ සලකා බලනු ලබන සායනික ඉදිරිපත් කිරීම සඳහා විශේෂිත වූ ආවේනික ලක්ෂණ සඳහා සමානුපාතිකව වැඩිදියුණු කළ කාර්ය සාධනය ආරෝපණය කිරීම නොමේරූ වේ. එසේ වුවද, මෙම නවකතාව සායනික රෝග විනිශ්චය සහාය භූමිකාව තුළ MemTrax අනාවැකි වර්ගීකරණ ආකෘතියේ උපයෝගීතාව පෙන්නුම් කරන අතර MCI අඛණ්ඩව රෝගීන් සමඟ අතිරේක පරීක්ෂණයක් සඳහා ලුහුබැඳීම තහවුරු කරයි.
චීනයේ MemTrax සහ මෙම ආකෘතීන් ක්‍රියාත්මක කිරීම සහ ප්‍රදර්ශනය කර ඇති උපයෝගීතාවය, භාෂාව සහ සංස්කෘතිය අනෙකුත් ස්ථාපිත උපයෝගිතා ප්‍රදේශවලින් (උදා, ප්‍රංශය, නෙදර්ලන්තය සහ එක්සත් ජනපදය) [7, 8, 27] දැඩි ලෙස වෙනස් වන අතර, විභවය තවදුරටත් අවධාරනය කරයි. MemTrax මත පදනම් වූ වේදිකාවක පුළුල් ගෝලීය පිළිගැනීම සහ සායනික වටිනාකම සඳහා. ලොව පුරා භාවිතය සඳහා ප්‍රමිතිගත සහ පහසුවෙන් අනුවර්තනය වන සංජානන පිරික්සීම සඳහා ප්‍රායෝගික ජාත්‍යන්තර ප්‍රමිතීන් සහ ආකෘතිකරණ සම්පත් සංවර්ධනය කිරීම සඳහා දත්ත එකමුතු කිරීම සඳහා උත්සාහ කිරීම සඳහා මෙය ප්‍රදර්ශනාත්මක උදාහරණයකි.
සංජානන පරිහානිය ආකෘතිකරණය සහ යෙදුමේ ඊළඟ පියවර
AD හි සංජානන අක්‍රියතාවය ඇත්ත වශයෙන්ම සිදුවන්නේ අඛණ්ඩව මිස විවික්ත අවධීන් හෝ පියවර වල නොවේ [28, 29]. කෙසේ වෙතත්, මෙම මුල් අවධියේදී, අපගේ ඉලක්කය වූයේ "සාමාන්ය" සහ "සාමාන්ය" යන්නෙන් මූලික වශයෙන් වෙන්කර හඳුනාගත හැකි MemTrax ඇතුළත් ආකෘතියක් ගොඩනැගීමේ අපගේ හැකියාව ප්‍රථමයෙන් තහවුරු කිරීමයි. වඩාත් ඇතුළත් ආනුභවික දත්ත (උදා, මොළයේ රූප, ජාන ලක්ෂණ, ජෛව සලකුණු, සහයෝගිතා, සහ සංකීර්ණයේ ක්‍රියාකාරී සලකුණු සංජානනය අවශ්ය ක්රියාකාරකම් පාලනය) [30] විවිධ ගෝලීය කලාප, ජනගහන සහ වයස් කාණ්ඩ හරහා වඩාත් සංකීර්ණ (යෝග්‍ය බරක් සහිත කණ්ඩායමක් ඇතුළුව) පුහුණු කිරීම සහ සංවර්ධනය කිරීම සඳහා යන්ත්‍ර ඉගෙනීමේ ආකෘති වැඩි දියුණු කළ වර්ගීකරණයකට සහාය වනු ඇත, එනම්, රෝගීන් කණ්ඩායම් වර්ගීකරණය කිරීමේ හැකියාව MCI සංජානන පරිහානිය අඛණ්ඩව කුඩා හා වඩාත් නිශ්චිත උප කුලකවලට. එපමනක් නොව, කලාපීය වශයෙන් විවිධ වූ රෝගීන්ගේ ජනගහනය හරහා පුද්ගලයන් සඳහා සමගාමී සායනික රෝග විනිශ්චය අත්‍යවශ්‍ය වේ ඵලදායී ලෙස පුහුණු කරන්න මෙම වඩාත් ඇතුළත් සහ පුරෝකථනය කළ හැකි ශක්තිමත් ආකෘති. මෙය සමාන පසුබිම්, බලපෑම් සහ වඩාත් පටු ලෙස නිර්වචනය කරන ලද ලාක්ෂණික සංජානන පැතිකඩ ඇති අය සඳහා වඩාත් නිශ්චිත ස්ථරීකෘත සිද්ධි කළමනාකරණයට පහසුකම් සපයන අතර එමඟින් සායනික තීරණ සහාය සහ රෝගී සත්කාර ප්‍රශස්ත කරයි.
මේ දක්වා අදාළ සායනික පර්යේෂණ බොහොමයක් අවම වශයෙන් මෘදු ඩිමෙන්ශියාව සහිත රෝගීන් ආමන්ත්‍රණය කර ඇත; සහ, ප්රායෝගිකව, බොහෝ විට රෝගියාගේ මැදිහත්වීම උසස් අදියරවලදී පමණක් උත්සාහ කරනු ලැබේ. කෙසේ වෙතත්, ඩිමෙන්ශියාව සඳහා වන සායනික නිර්ණායක සපුරාලීමට පෙර සංජානන පරිහානිය ආරම්භ වන බැවින්, ඵලදායී ලෙස යොදන MemTrax මත පදනම් වූ මුල් තිරයක් මගින් රෝගය සහ එහි ප්‍රගතිය පිළිබඳව පුද්ගලයින්ගේ සුදුසු අධ්‍යාපනය දිරිමත් කළ හැකි අතර ඉක්මන් හා වඩා කාලෝචිත මැදිහත්වීම් සිදු කරයි. මේ අනුව, කල්තියා හඳුනා ගැනීම ව්‍යායාම, ආහාර, චිත්තවේගීය සහය සහ වැඩිදියුණු කළ සමාජීයකරණයේ සිට ඖෂධීය මැදිහත්වීම දක්වා සුදුසු මැදිහත්වීම්වලට සහාය විය හැකි අතර ඩිමෙන්ශියා ප්‍රගතිය අවම කිරීම හෝ නැවැත්විය හැකි බව තනිව හෝ සමස්තයක් ලෙස හැසිරීම සහ සංජානනය තුළ රෝගියාට අදාළ වෙනස්කම් ශක්තිමත් කරයි [31, 32] . එපමනක් නොව, ඵලදායී සමග මුල් තිරගත කිරීම, පුද්ගලයන්ට සහ ඔවුන්ගේ පවුල්වලට සායනික පරීක්ෂණ සලකා බැලීමට හෝ අපේක්ෂාවන් සහ අභිප්‍රායන් පැහැදිලි කර ගැනීමට සහ දෛනික කාර්යයන් කළමනාකරණය කිරීමට උපකාර කිරීම සඳහා උපදේශන සහ වෙනත් සමාජ සේවා සහාය ලබා ගැනීමට පොළඹවනු ලැබේ. මෙම ක්‍රමවල තවදුරටත් වලංගු කිරීම සහ පුලුල්ව පැතිරුනු ප්‍රායෝගික උපයෝගීතාව බොහෝ පුද්ගලයින් සඳහා MCI, AD සහ ADRD හි ප්‍රගතිය අවම කිරීම හෝ නැවැත්වීම සඳහා උපකාරී වේ.
ඇත්ත වශයෙන්ම, අපගේ අධ්‍යයනයේ රෝගීන්ගේ වයස් පරාසයේ අඩු අන්තය AD සමඟ සාම්ප්‍රදායික සැලකිල්ල දක්වන ජනගහනය නියෝජනය නොකරයි. එසේ වුවද, MoCA ලකුණු / එළිපත්ත සහ රෝග විනිශ්චය බරපතලකම (වගුව 3) මත පදනම්ව වර්ගීකරණ ආකෘති නිර්මාණ යෝජනා ක්‍රමවල භාවිතා කරන එක් එක් කණ්ඩායම සඳහා සාමාන්ය වයස, පැහැදිලි බහුතරයක් (80% ට වැඩි) අවම වශයෙන් අවුරුදු 50 ක් විය යුතුය. මෙම ව්‍යාප්තිය සාමාන්‍යකරණය සඳහා ඉතා යෝග්‍ය වන අතර, සාමාන්‍යයෙන් පීඩාවට පත් වූවන් සංලක්ෂිත ජනගහනයේ මෙම ආකෘතිවල උපයෝගීතාවයට සහාය වේ. මුල් ආරම්භය සහ AD සහ VaD හේතුවෙන් වර්ධනය වන ස්නායු සංජානන රෝග. එසේම, මෑත කාලීන සාක්ෂි සහ ඉදිරිදර්ශන මගින් එම හඳුනාගත් සාධක (උදා: අධි රුධිර පීඩනය, තරබාරුකම, දියවැඩියාව සහ දුම්පානය) මුල් අවධියේ ඉහළ යාමට දායක විය හැකි බව අවධාරණය කරයි. වැඩිහිටි හා මධ්‍ය කාලීන සනාල අවදානම් ලකුණු සහ එහි ප්රතිඵලයක් ලෙස තරුණ වියේදී පවා පැහැදිලි බලපෑම් සහිතව ද්‍රෝහී ලෙස වර්ධනය වන සියුම් සනාල මොළයේ තුවාල වැඩිහිටියන් [33-35]. ඒ අනුව, කල්තියා හඳුනා ගැනීම සඳහා වඩාත් ප්‍රශස්ත මූලික පරීක්ෂා කිරීමේ අවස්ථාව අදියර සංජානන ඌනතාවයන් සහ ඩිමෙන්ශියාව සාර්ථකව ආමන්ත්‍රණය කිරීමේදී ඵලදායී වැළැක්වීමේ සහ මැදිහත්වීමේ උපාය මාර්ග ආරම්භ කිරීම මුල් වැඩිහිටිභාවය සහ ළමා වියේ පවා (මුල් ගර්භනී අවධියේ සිට ඇපොලිපොප්‍රෝටීන් E වැනි ප්‍රවේණික සාධකවල අදාළත්වය සැලකිල්ලට ගනිමින්) ඇතුළුව වයස් වර්ණාවලිය පුරා දායක සාධක සහ පූර්වගාමී දර්ශක පරීක්ෂා කිරීමෙන් මතු වනු ඇත.
ප්රායෝගිකව, වලංගු සායනික රෝග විනිශ්චයන් සහ උසස් ප්‍රතිරූපණය සඳහා මිල අධික ක්රියා පටිපාටි, ප්‍රවේණික පැතිකඩකරණය සහ පොරොන්දු වූ ජෛව සලකුණු මැනීම බොහෝ සපයන්නන් සඳහා සෑම විටම පහසුවෙන් ලබා ගත නොහැකි හෝ කළ හැකි නොවේ. මේ අනුව, බොහෝ අවස්ථාවන්හිදී, මූලික සමස්ත සංජානන සෞඛ්ය තත්ව වර්ගීකරණය රෝගියා විසින් සපයනු ලබන වෙනත් සරල ප්‍රමිතික (උදා: ස්වයං-වාර්තා කළ) භාවිතා කරන ආකෘතිවලින් ව්‍යුත්පන්න කිරීමට සිදු විය හැක. මතක ගැටළු, වත්මන් ඖෂධ, සහ සාමාන්ය ක්රියාකාරකම් සීමාවන්) සහ පොදු ජනගහන ලක්ෂණ [7]. කැලිෆෝනියා විශ්ව විද්‍යාලය වැනි ලේඛන මොළයේ සෞඛ්ය ලියාපදිංචිය (https://www.brainhealthregistry.org/) [27] සහ අනෙකුත් ස්වයං-වාර්තා කරන ලද රෝග ලක්ෂණ, ගුණාත්මක මිනුම් (උදා, නින්ද සහ සෑම දිනකම සංජානනය), ඖෂධ, සෞඛ්ය තත්ත්වය සහ ඉතිහාසය, සහ වඩාත් සවිස්තරාත්මක ජන විකාශනයන් සායනය තුළ මෙම වඩාත් ප්‍රාථමික මාදිලිවල ප්‍රායෝගික භාවිතය වර්ධනය කිරීමට සහ වලංගු කිරීමට උපකාරී වනු ඇත. තවද, මතක ක්‍රියාකාරිත්වය තක්සේරු කිරීමේදී උපයෝගීතාව පෙන්නුම් කර ඇති MemTrax වැනි පරීක්ෂණයක් ඇත්ත වශයෙන්ම ජීව විද්යාත්මක සලකුණු වලට වඩා AD ව්‍යාධි විද්යාව පිළිබඳ සැලකිය යුතු ලෙස හොඳ තක්සේරුවක් සැපයිය හැකිය. AD ව්‍යාධි විද්‍යාවේ මූලික ලක්ෂණය වන්නේ ස්නායු ප්ලාස්ටික් බව කඩාකප්පල් කිරීම සහ උපාගමවල අතිමහත් සංකීර්ණ අලාභය වන අතර එය එපිසෝඩික් ලෙස ප්‍රකාශ වේ. මතක අක්‍රියතාව, එපිසෝඩික් මතකය තක්සේරු කරන මිනුමක් ඇත්ත වශයෙන්ම විය හැක සජීවී රෝගියාගේ ජීව විද්යාත්මක සලකුණු වලට වඩා AD ව්‍යාධි බර පිළිබඳ වඩා හොඳ තක්සේරුවක් සපයයි [36].
සියලුම පුරෝකථන ආකෘතීන් සමඟින් - අති නවීන තාක්‍ෂණයෙන් සහ බහු වසම් හරහා පිරිපහදු කළ සායනික තීක්ෂ්ණ බුද්ධියෙන් සංකීර්ණ සහ ඇතුළත් දත්තවලින් අනුපූරක වුවත් හෝ පවතින රෝගී පැතිකඩවල වඩාත් මූලික සහ පහසුවෙන් ලබා ගත හැකි තොරතුරුවලට සීමා වූ ඒවා - කෘතිම බුද්ධියේ පිළිගත් වාසිය සහ යන්ත්‍ර ඉගෙනීම යනු ප්රතිඵලයක් ලෙස ලැබෙන ආකෘතීන්ට දැනට පවතින යෙදුම් භාවිතය මගින් සපයන අදාළ නව දත්ත සහ ඉදිරිදර්ශන වලින් සංස්ලේෂණය කිරීමට සහ ප්‍රේරක ලෙස "ඉගෙන ගැනීමට" හැකි වීමයි. ප්‍රායෝගික තාක්ෂණ මාරුවෙන් පසුව, මෙහි ආකෘතීන් (සහ සංවර්ධනය කිරීමට නියමිත) යෙදී ඇති බැවින් සහ තවත් අවස්ථා සහ අදාළ දත්ත (ඉන්පසු සංජානන පරිහානිය සමඟ ඇති විය හැකි සහසම්බන්ධතා ඇති රෝගීන් ඇතුළුව) සමඟින් පොහොසත් වන බැවින්, පුරෝකථන කාර්ය සාධනය සහ සංජානන සෞඛ්ය වර්ගීකරණය වඩාත් ශක්තිමත් වනු ඇත. වඩාත් ඵලදායී සායනික තීරණ උපකාරක උපයෝගීතාවයේ ප්රතිඵලයක්. සෞඛ්ය සේවා සපයන්නන්ට සායනයේදී තත්‍ය කාලීනව භාවිතා කළ හැකි අභිරුචි (පවතින හැකියාවන් ඉලක්ක කර ගත්) වේදිකාවලට MemTrax කාවැද්දීම සමඟ මෙම පරිණාමය වඩාත් පූර්ණ සහ ප්රායෝගිකව සාක්ෂාත් කරගනු ඇත.
රෝග විනිශ්චය සහාය සහ රෝගී සත්කාර සඳහා MemTrax ආකෘතියේ වලංගුභාවය සහ උපයෝගීතාවය සඳහා අත්‍යවශ්‍ය වන්නේ අර්ථාන්විත කල්පවත්නා දත්ත ඉහළ ඉල්ලුමක් ඇත. මුල් අදියර MCI හරහා ප්‍රමාණවත් සාමාන්ය පරාසයක් හරහා සායනික තත්ත්‍වයේ සමගාමී වෙනස්කම් (ඇත්නම්) නිරීක්ෂණය කිරීම සහ වාර්තා කිරීම මගින්, යෝග්‍ය අඛණ්ඩ තක්සේරු කිරීම් සහ වර්ගීකරණය සඳහා ආකෘතීන් රෝගීන්ගේ වයස අනුව පුහුණු කර වෙනස් කර ප්රතිකාර කරනු ලැබේ. එනම්, පුනරාවර්තන උපයෝගීතාවයට මෘදු සංජානන වෙනස්කම් කල්පවත්නා ලුහුබැඳීම, මැදිහත්වීමේ කාර්යක්ෂමතාව සහ දැනුවත් ස්ථරීකෘත සත්කාර පවත්වා ගැනීම සඳහා සහාය විය හැක. මෙම ප්රවේශය සායනික පුහුණුව සහ රෝගියා සහ සිද්ධි කළමනාකරණය සමඟ වඩාත් සමීපව සමපාත වේ.
සීමාවන්
පාලිත සායනයක/රෝහල පසුබිමක පිරිසිදු සායනික දත්ත රැස් කිරීමේ අභියෝගය සහ වටිනාකම අපි අගය කරමු. එසේ වුවද, අපගේ දත්ත කට්ටලවලට පොදු ලක්ෂණ සහිත තවත් රෝගීන් ඇතුළත් වූයේ නම් එය අපගේ ආකෘති නිර්මාණය ශක්තිමත් කරනු ඇත. එපමනක් නොව, අපගේ රෝග විනිශ්චය ආකෘතිකරණයට විශේෂිතව, ඉගෙන ගන්නන් පුහුණු කිරීම සඳහා සාමාන්ය සංජානන සෞඛ්‍යයක් ඇති ගැළපෙන රෝගීන් සම්බන්ධයෙන් එකම සායනික තක්සේරුවක් සිදු කිරීම වඩාත් යෝග්‍ය සහ සුදුසු වනු ඇත. පෙරහන් කළ දත්ත කට්ටලය (ඉහළම ශ්‍රේණිගත කර ඇති විශේෂාංග හතර පමණක්) භාවිතයෙන් ඉහළ වර්ගීකරණ කාර්ය සාධනය මගින් අවධාරනය කර ඇති පරිදි, වඩාත් සාමාන්ය සහ සංජානන සෞඛ්ය ක්රම/දර්ශක වැඩිදියුණු වීමට ඉඩ ඇත සියලුම රෝගීන් අතර පොදු ලක්ෂණ වැඩි සංඛ්‍යාවක් සහිත ආදර්ශ කාර්ය සාධනය.
සමහර සහභාගිවන්නන් සංක්‍රාන්ති හෝ නිදන්ගත සංජානන ඌනතා ඇති කළ හැකි වෙනත් රෝගාබාධවලට සමගාමීව අත්විඳිමින් සිටින්නට ඇත. XL උප-දත්ත කට්ටලය හැර රෝගීන් AD හෝ VaD ලෙස වර්ගීකරණය කර ඇති අතර, YH රෝගීන්ගේ සංචිතයේ සහසම්බන්ධතා දත්ත රැස් කර/වාර්තා නොකළ අතර, KM උප-දත්ත කට්ටලයේ ප්රධාන වශයෙන් වාර්තා වී ඇත්තේ දියවැඩියාවයි. කෙසේ වෙතත්, සංජානන ඌනතා මට්ටමක් පොළඹවන හෝ උග්‍ර කළ හැකි සහසම්බන්ධතා සහිත අපගේ ආකෘති නිර්මාණ යෝජනා ක්‍රමවල රෝගීන් ඇතුළත් කිරීම සහ එහි ප්රතිඵලයක් ලෙස අඩු MemTrax කාර්ය සාධනය මෙම වඩාත් සාමාන්‍යකරණය වූ මුල් සංජානන පිරික්සීම සඳහා සැබෑ ලෝකයේ ඉලක්කගත රෝගීන්ගේ ජනගහනයේ වැඩි නියෝජනයක් වනු ඇතැයි තර්ක කළ හැකිය. සහ ආකෘති නිර්මාණ ප්රවේශය. ඉදිරියට යාමේදී, සංජානන ක්‍රියාකාරිත්වයට බලපෑම් කළ හැකි සහසම්බන්ධතා පිළිබඳ නිවැරදි රෝග විනිශ්චය ආකෘති ප්‍රශස්ත කිරීම සඳහා පුළුල් ලෙස ප්‍රයෝජනවත් වේ.
අවසාන වශයෙන්, YH සහ KM උප දත්ත කට්ටල රෝගීන් MemTrax පරීක්ෂණය සඳහා ස්මාර්ට් ජංගම දුරකතනයක් භාවිතා කළ අතර, XL උප දත්ත කට්ටල රෝගීන්ගෙන් සීමිත සංඛ්‍යාවක් iPad භාවිතා කළ අතර ඉතිරි අය ස්මාර්ට් ජංගම දුරකතනයක් භාවිතා කළහ. මෙය MoCA වර්ගීකරණ ආකෘති නිර්මාණය සඳහා MemTrax කාර්ය සාධනයේ කුඩා උපාංග ආශ්රිත වෙනසක් හඳුන්වා දිය හැක. කෙසේ වෙතත්, MTx-RT හි වෙනස්කම් (ඇත්නම්), උදාහරණයක් ලෙස, උපාංග අතර නොසැලකිය හැකි වනු ඇත, විශේෂයෙන් සෑම සහභාගිවන්නෙකුටම වාර්තාගත පරීක්ෂණ කාර්ය සාධනයට පෙර "පුහුණු" පරීක්ෂණයක් ලබා දීමත් සමඟ. එසේ වුවද, මෙම අතේ ගෙන යා හැකි උපාංග දෙකෙහි උපයෝගීතාව පරිගණක යතුරුපුවරුවේ ස්පේස් තීරුව ස්පර්ශ කිරීමෙන් පරිශීලකයන් පුනරාවර්තන පින්තූරවලට ප්‍රතිචාර දැක්වූ වෙනත් MemTrax ප්රතිඵල සමඟ සෘජුව සංසන්දනය කිරීම සහ/හෝ ඒකාග්‍ර වීම සම්මුතියකට ලක් විය හැකිය.
MemTrax අනාවැකි ආකෘතිකරණ උපයෝගීතාව පිළිබඳ මූලික කරුණු
- • තෝරාගත් MemTrax කාර්ය සාධන ප්‍රමිතික ඇතුළත් අපගේ ඉහළම ක්‍රියාකාරී පුරෝකථන ආකෘතීන් පුළුල් ලෙස පිළිගත් MoCA පරීක්ෂණයෙන් පෙන්නුම් කරන පරිදි සංජානන සෞඛ්ය තත්ත්වය (සාමාන්ය සංජානන සෞඛ්යය හෝ MCI) විශ්වාසදායක ලෙස වර්ගීකරණය කළ හැකිය.
- • මෙම ප්රතිඵල මුල් අවධියේ සංජානන දුර්වලතා සඳහා තෝරාගත් MemTrax කාර්ය සාධන ප්‍රමිතික වර්ගීකරණ අනාවැකි ආකෘති පිරික්සීමේ යෙදුමකට ඒකාබද්ධ කිරීමට සහාය වේ.
- • අපගේ වර්ගීකරණ ආකෘතිකරණය ඩිමෙන්ශියා රෝග විනිශ්චයේ බරපතලකම වෙන්කර හඳුනා ගැනීම සඳහා යෙදුම්වල MemTrax කාර්ය සාධනය භාවිතා කිරීමේ විභවයන් ද හෙළි කළේය.
මෙම නව සොයාගැනීම් මගින් සංජානන දුර්වලතා අත්විඳින පුද්ගලයින් සඳහා ඵලදායී සායනික සිද්ධි කළමනාකරණය සහ රෝගී සත්කාර සඳහා රෝග විනිශ්චය සහාය සඳහා වැඩිදියුණු කරන ලද ශක්තිමත් MemTrax මත පදනම් වූ වර්ගීකරණ ආකෘති ගොඩනැගීමේ යන්ත්‍ර ඉගෙනීමේ උපයෝගීතාවයට සහාය වන නිශ්චිත සාක්ෂි තහවුරු කරයි.
අභිමානය
J. Wesson Ashford, Curtis B. Ashford සහ සගයන් මෙහි භාවිතා කර ඇති මාර්ගගත අඛණ්ඩ හඳුනාගැනීමේ කාර්යය සහ මෙවලම (MemTrax) සංවර්ධනය කිරීම සහ වලංගු කිරීම සඳහා අපි හඳුනා ගන්නා අතර විවේචනාත්මක පදනම් පර්යේෂණ සඳහා දායක වූ ඩිමෙන්ශියා රෝගීන් බොහෝ දෙනෙකුට අපි කෘතඥ වෙමු. . අපි Xianbo Zhou සහ SJN Biomed LTD හි ඔහුගේ සගයන්ට, ඔහුගේ සගයන්ට සහ රෝහල්/සායන අඩවිවල සහයෝගිතාකරුවන්ට, විශේෂයෙන්ම Dr. M. Luo සහ M. Zhong, සහභාගිවන්නන් බඳවා ගැනීම, පරීක්ෂණ කාලසටහන්ගත කිරීම සහ දත්ත එකතු කිරීම, පටිගත කිරීම සහ ඉදිරි අන්තය කළමනාකරණය කිරීම සඳහා සහය වූ අතර, ඔවුන්ගේ වටිනා කාලය පරිත්‍යාග කළ ස්වේච්ඡා සහභාගිවන්නන් සහ පරීක්ෂණ ගැනීමට සහ සැපයීමට කැපවූ මෙම අධ්‍යයනයේදී අපට ඇගයීම සඳහා වටිනා දත්ත. මේ අධ්‍යයනයට අර්ධ වශයෙන් MD විද්යාත්මක පර්යේෂණ මගින් සහාය ලබා දෙන ලදී කුන්මිං වෛද්ය විශ්ව විද්යාලයේ වැඩසටහන (ප්‍රදාන අංක 2017BS028 සිට XL දක්වා) සහ යුනාන් විද්‍යා හා තාක්ෂණ දෙපාර්තමේන්තුවේ පර්යේෂණ වැඩසටහන (ප්‍රදාන අංක 2019FE001 (-222) සිට XL දක්වා).
J. Wesson Ashford මෙම පත්‍රිකාවේ සාමාන්ය සඳහා විස්තර කර ඇති නිශ්චිත අඛණ්ඩ හඳුනාගැනීමේ ආදර්ශය භාවිතා කිරීම සඳහා පේටන්ට් බලපත්‍රයක් ගොනු කර ඇත. මතකය පරීක්ෂා කිරීම.
MemTrax, LLC යනු Curtis Ashford සතු සමාගමක් වන අතර මෙම සමාගම කළමනාකරණය කරයි මතක පරීක්ෂාව මෙම ලිපියේ විස්තර කර ඇති පද්ධතිය.
කතුවරුන්ගේ හෙළිදරව් කිරීම් මාර්ගගතව ඇත (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
ආශ්රිත
| [1] Alzheimer's Association (2016) 2016 ඇල්සයිමර් රෝගය පිළිබඳ කරුණු සහ සංඛ්යා. ඇල්සයිමර් ඩිමන්ට් 12, 459-509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) මුල් අවධියේ බලපෑම ඇල්සයිමර් රෝගය ගෘහස්ථ මූල්ය ප්රතිඵල මත. Health Econ 29, 18-29. | |
| [3] | Foster NL, Bondi MW, Das R, Foss M, Hershey LA, Koh S, Logan R, Poole C, Shega JW, Sood A, Thothala N, Wicklund M, Yu M, Bennett A, Wang D (2019) හි තත්ත්ව වැඩිදියුණු කිරීම ස්නායු විද්යාව: මෘදු සංජානන ආබාධ තත්ත්ව මිනුම් කට්ටලය. ස්නායු විද්යාව 93, 705-713. |
| [4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) භාවිතා කිරීමේ පිරිවැය ඵලදායීතාවය ප්‍රාථමික සත්කාරයේදී ඩිමෙන්ශියාව සහ මෘදු සංජානන දුර්වලතා හඳුනා ගැනීම සඳහා සංජානන පරීක්ෂණ පරීක්ෂණ. Int J Geriatr මනෝචිකිත්සාව 32, 1392-1400. | |
| [5] Ashford JW , Gere E , Bayley PJ (2011) මතකය මැනීම අඛණ්ඩ හඳුනාගැනීමේ පරීක්ෂණයක් භාවිතා කරමින් විශාල කණ්ඩායම් සැකසුම් තුළ. J Alzheimers Dis 27, 885-895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) එපිසෝඩික් මතකය මැනීම සඳහා පරිගණකගත අඛණ්ඩ-පිළිගැනීමේ කාර්යයකි. J Alzheimers Dis 69, 385-399. |
| [7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) සංජානන සෞඛ්ය තත්ව වර්ගීකරණය පුරෝකථනය කිරීම සඳහා යන්ත්‍ර ඉගෙනුම් ආකෘති නිර්මාණයේ එපිසෝඩික්-මතක කාර්ය සාධනය. J Alzheimers Dis 70, 277-286. |
| [8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The MemTrax පරීක්ෂණය මෘදු සංජානන දුර්වලතා පිළිබඳ මොන්ට්‍රියල් සංජානන තක්සේරු ඇස්තමේන්තුවට සාපේක්ෂව. J Alzheimers Dis 67, 1045-1054. | |
| [9] | Falcone M , Yadav N , Poellabauer C , Flynn P (2013) මෘදු කම්පන සහගත මොළයේ තුවාල වර්ගීකරණය සඳහා හුදකලා ස්වර ශබ්ද භාවිතා කිරීම. 2013 දී IEEE ධ්වනි විද්යාව, කථනය සහ සංඥා සැකසුම් පිළිබඳ ජාත්‍යන්තර සම්මන්ත්‍රණය, වැන්කුවර්, ක්‍රි.පූ, පිටු 7577–7581. |
| [10] | Dabek F, Caban JJ (2015) කම්පනයකින් පසු මානසික තත්ත්වයන් වර්ධනය වීමේ සම්භාවිතාව ආදර්ශනය කිරීම සඳහා විශාල දත්ත භාවිතා කිරීම. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) ප්‍රජා ඖෂධවේදීන් විසින් සංජානන දුර්වලතා කලින් හඳුනා ගැනීම සඳහා තීරණාත්මක ගස. ඉදිරිපස ෆාමකෝල් 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: මෘදු සංජානන දුර්වලතා සඳහා කෙටි පරීක්ෂණ මෙවලමක්. J Am Geriatr Soc 53, 695-699. |
| [13] | Yu J , Li J , Huang X (2012) මෘදු සංජානන දුර්වලතා සඳහා කෙටි පිරික්සුම් මෙවලමක් ලෙස මොන්ට්‍රියල් සංජානන තක්සේරුවේ බීජිං අනුවාදය: ප්‍රජාව පදනම් වූ අධ්‍යයනයක්. BMC මනෝචිකිත්සාව 12, 156. |
| [14] | Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) මෘදු සංජානන දුර්වලතා පරීක්ෂා කිරීම සඳහා මූලික මොන්ට්‍රියල් සංජානන තක්සේරුවේ චීන අනුවාදය වලංගු කිරීම. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N , Leach L , Murphy KJ (2018) මොන්ට්‍රියල් සංජානන තක්සේරුව (MoCA) කඩඉම් ලකුණු නැවත විභාගයක්. Int J Geriatr මනෝචිකිත්සාව 33, 379-388. |
| [16] | American Psychiatric Association (2013) කාර්ය සාධක බලකාය මානසික ආබාධ පිළිබඳ රෝග විනිශ්චය සහ සංඛ්‍යානමය අත්පොත: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC. |
| [17] | පිඹුරා. Python Software Foundation, http://www.python.org, 15 නොවැම්බර් 2019 දින ප්‍රවේශ විය. |
| [18] | R Core Group, R: සංඛ්‍යානමය පරිගණනය සඳහා භාෂාවක් සහ පරිසරයක් R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/, 2018, ප්රවේශය නොවැම්බර් 15, 2019. |
| [19] | Benavoli A , Corani G , Demšar J , Zaffalon M (2017) වෙනසක් සඳහා කාලය: Bayesian විශ්ලේෂණය හරහා බහු වර්ගීකරණ සංසන්දනය සඳහා නිබන්ධනයක්. J Mach Learn Res 18, 1–36. |
| [20] | Frank E , Hall MA , Witten IH (2016) The WEKA Workbench. තුළ දත්ත කැණීම: ප්‍රායෝගික යන්ත්‍ර ඉගෙනුම් මෙවලම් සහ ශිල්පීය ක්රම, Frank E, Hall MA, Witten IH, Pal CJ, eds. Morgan Kaufmann https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf |
| [21] | Bergeron MF , Landset S , Maugans TA , Williams VB , Collins CL , Wasserman EB , Khoshgoftaar TM (2019) උසස් පාසල් ක්‍රීඩා කම්පන රෝග ලක්ෂණ නිරාකරණය කිරීමේදී යන්ත්‍ර ඉගෙනීම. Med Sci Sports Exerc 51, 1362-1371. |
| [22] | Van Hulse J , Khoshgoftaar TM , Napolitano A (2007) අසමතුලිත දත්ත වලින් ඉගෙනීම පිළිබඳ පර්යේෂණාත්මක ඉදිරිදර්ශන. තුළ යන්ත්‍ර ඉගෙනීම පිළිබඳ 24 වැනි ජාත්‍යන්තර සමුළුවේ ක්‍රියාදාමයන්, Corvalis, Oregon, USA, pp. 935-942. |
| [23] | Ashford JW , Kolm P , Colliver JA , Bekian C , Hsu LN (1989) ඇල්සයිමර් රෝගීන් ඇගයීම සහ කුඩා මානසික තත්ත්වය: අයිතම ලක්ෂණ වක්‍ර විශ්ලේෂණය.P. J Gerontol 44, 139-146. |
| [24] Ashford JW , Jarvik L (1985) ඇල්සයිමර් රෝගය: නියුරෝන ප්ලාස්ටික් අක්ෂීය ස්නායු ෆයිබ්‍රිලරි පරිහානියට නැඹුරු වේද? N Engl J Med 313, 388-389. | |
| [25] Jack CR Jr , Therneau TM , Weigand SD , Wiste HJ , Knopman DS , Vemuri P , Lowe VJ , Mielke MM , Roberts RO , Machulda MM , Graff-Radford J , Jones DT , Gunter CGL , Rocca WA , Petersen RC (2019) වයස්ගත-ඇල්සයිමර් පිළිබඳ ජාතික ආයතනය භාවිතා කරමින් ජීව විද්‍යාත්මකව එදිරිව සායනිකව නිර්වචනය කරන ලද ඇල්සයිමර් වර්ණාවලි ආයතනවල ව්‍යාප්තිය සංගමයේ පර්යේෂණ රාමුව. JAMA නියුරෝල් 76, 1174-1183. | |
| [26] Zhou X , Ashford JW (2019) සඳහා තිරගත කිරීමේ උපකරණවල දියුණුව ඇල්සයිමර් රෝගය. වයස්ගත වෛද්ය 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 මොළයේ සෞඛ්ය රෙජිස්ට්‍රි: ස්නායු විද්‍යා අධ්යයන සඳහා සහභාගිවන්නන් බඳවා ගැනීම, තක්සේරු කිරීම සහ කල්පවත්නා අධීක්ෂණය සඳහා අන්තර්ජාලය පදනම් කරගත් වේදිකාවකි. ඇල්සයිමර් ඩිමන්ට් 14, 1063-1076. | |
| [28] Ashford JW , Schmitt FA (2001) කාල-පාඨමාලාව ආකෘතිකරණය ඇල්සයිමර් ඩිමෙන්ශියාව. Curr Psychiatry Rep 3, 20-28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Cino Longitudinal Study on Cognitive Decline (SILCODE): ආත්මීය සංජානනාත්මක පුද්ගලයන්ගේ මෘදු සංජානන දුර්වලතා බවට පරිවර්තනය වීමේ අවදානම් පුරෝකථන ආකෘති සංවර්ධනය කිරීම සඳහා චීන කල්පවත්නා නිරීක්ෂණ අධ්‍යයනයක් සඳහා වූ ප්‍රොටෝකෝලය පහත වැටීම. BMJ විවෘත 9, e028188. |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) පස් අවුරුදු ජෛව සලකුණු ප්‍රගති විචල්‍යතාවය ඇල්සයිමර් රෝගය ඩිමෙන්ශියාව අනාවැකිය: දෛනික ජීවන සලකුණෙහි සංකීර්ණ උපකරණ ක්රියාකාරකම් හිඩැස් පිරවිය හැකිද? ඇල්සයිමර් ඩිමන්ට් (ඇම්ස්ට්) 1, 521-532. | |
| [31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) ඇල්සයිමර් රෝගය වැළැක්වීම සහ ප්රතිකාර කිරීම: ව්යායාමයේ ජීව විද්යාත්මක යාන්ත්රණ. J Alzheimers Dis 69, 311-338. | |
| [32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) සඳහා ප්රතිකාර ඇල්සයිමර් රෝගය වැළැක්වීම සහ ප්රතිකාර කිරීම. Biomed Res Int 2016, 2589276. | |
| [33] | ලේන් 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, Godon E, Coath W Modat M , Thomas D , Richards M , Fox NC , Schott JM (2020) වැඩිහිටි විය හරහා සනාල අවදානම සහ ප්‍රමාද ජීවිතයේ මොළයේ ව්‍යාධි විද්යාව අතර සංගම්: බ්‍රිතාන්‍ය උපත් කණ්ඩායමකින් සාක්ෂි. JAMA නියුරෝල් 77, 175-183. |
| [34] | ශේෂාද්‍රි එස් (2020) වයසින් ඔබ්බට ඩිමෙන්ශියා සිතීම වැළැක්වීම සහ ඇමයිලොයිඩ් පෙට්ටි. JAMA නියුරෝල් 77, 160-161. |
| [35] | Maillard P , Seshadri S , Beiser A , Himali JJ , Au R , Fletcher E , Carmichael O , Wolf PA , DeCarli C (2012) තරුණ වැඩිහිටියන්ගේ සුදු පදාර්ථ අඛණ්ඩතාව මත සිස්ටලික් රුධිර පීඩනයේ බලපෑම්: Framingham හරස් අධ්යයනය - අංශ අධ්යයනය. ලැන්සෙට් නියුරෝල් 11, 1039-1047. |
| [36] Fink HA , Linskens EJ , Silverman PC , McCarten JR , Hemmy LS , Ouellette JM , Greer NL , Wilt TJ , Butler M (2020) ස්නායු ව්‍යාධි විද්‍යාත්මකව නිර්වචනය කරන ලද ජෛව මාර්කර් පරීක්ෂණයේ නිරවද්‍යතාවය ඩිමෙන්ශියාව සහිත වැඩිහිටි වැඩිහිටියන්ගේ ඇල්සයිමර් රෝගය. ඈන් ඉන්ටර්න් මෙඩ් 172, 669-677. |
අනුබද්ධතා: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] පරිගණක සහ විදුලි ඉංජිනේරු සහ පරිගණක විද්‍යා දෙපාර්තමේන්තුව, ෆ්ලොරිඩා අත්ලාන්තික් විශ්ව විද්‍යාලය, Boca Raton, FL, USA | [c] SJN Biomed LTD, Kunming, Yunnan, China | [d] සඳහා මධ්යස්ථානය ඇල්සයිමර් පර්යේෂණ, Washington Institute of Clinical Research, Washington, DC, USA | [e] පුනරුත්ථාපන වෛද්ය දෙපාර්තමේන්තුව, කුන්මිං වෛද්ය විශ්ව විද්යාලයේ පළමු අනුබද්ධ රෝහල, කුන්මිං, යුනාන්, චීනය | [f] ස්නායු රෝග දෙපාර්තමේන්තුව, Dehong මහජන රෝහල, Dehong, Yunnan, China | [g] ස්නායු රෝග දෙපාර්තමේන්තුව, කුන්මිං වෛද්ය විශ්ව විද්යාලයේ පළමු අනුබද්ධ රෝහල, වුහුවා දිස්ත්රික්කය, කුන්මිං, යුනාන් පළාත, චීනය | [h] යුද්ධයට සම්බන්ධ රෝග සහ තුවාල අධ්යයන මධ්යස්ථානය, VA Palo Alto සෞඛ්ය පද්ධතිය, Palo Alto, CA, USA | [i] මනෝචිකිත්සාව සහ චර්යා විද්‍යා දෙපාර්තමේන්තුව, ස්ටැන්ෆර්ඩ් විශ්ව විද්යාලයේ වෛද්ය විද්‍යාලය, පැලෝ ඇල්ටෝ, සීඒ, ඇමරිකා එක්සත් ජනපදය
ලිපි හුවමාරුව: [*] ලිපි හුවමාරුව: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. විද්‍යුත් තැපෑල: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, ස්නායු රෝග දෙපාර්තමේන්තුව, Kunming වෛද්ය විශ්ව විද්යාලයේ පළමු අනුබද්ධ රෝහල, 295 Xichang පාර, Wuhua දිස්ත්රික්කය, Kunming, Yunnan පළාත, 650032, චීනය. විද්‍යුත් තැපෑල: ring@vip.163.com.
මූල පද: වයසට යාම, ඇල්සයිමර් රෝගය, ඩිමෙන්ශියාව, මහා පරිමාණ පරීක්ෂාව