Užitočnosť MemTrax a modelovania strojového učenia pri klasifikácii miernych kognitívnych porúch
Článok výskumu
Autori: Bergeron, Michael F. | Landset, Sara | Zhou, Xianbo | Ding, Tao | Khoshgoftaar, Taghi M. | Zhao, Feng | Du, Bo | Chen, Xinjie | Wang, Xuan | Zhong, Lianmei | Liu, Xiaolei| Ashford, J. Wesson
DOI: 10.3233/JAD-191340
Časopis: Journal of Alzheimerova choroba, obj. 77, č. 4, str. 1545-1558, 2020
abstraktné
Súvislosti:
Rozsiahly výskyt a prevalencia Alzheimerova choroba a mierna kognitívna porucha (MCI) vyvolala naliehavú výzvu na výskum na overenie skorého zistenia kognitívneho skríningu a hodnotenia.
Cieľ:
Naším primárnym cieľom výskumu bolo zistiť, či sa vybrané výkonnostné metriky MemTrax a relevantné charakteristiky demografického a zdravotného profilu dajú efektívne využiť v prediktívnych modeloch vyvinutých pomocou strojového učenia na klasifikáciu kognitívneho zdravia (normálne verzus MCI), ako by to naznačovalo Montrealské kognitívne hodnotenie (MoCA).
Metódy:
Uskutočnili sme prierezovú štúdiu na 259 dospelých pacientoch z neurológie, pamäťovej kliniky a internej medicíny, ktorí boli prijatí z dvoch nemocnice v Číne. Každý pacient dostal MoCA v čínskom jazyku a sám si spravoval online epizódu MemTrax s nepretržitým rozpoznávaním test pamäte online v rovnaký deň. Modely prediktívnej klasifikácie boli vytvorené pomocou strojového učenia s 10-násobnou krížovou validáciou a výkonnosť modelu bola meraná pomocou AUC (Area Under the Receiver Operating Characteristic Curve). Modely boli zostavené pomocou dvoch výkonnostných metrík MemTrax (percentá správnosť, čas odozvy) spolu s ôsmimi bežnými demografickými charakteristikami a charakteristikami osobnej histórie.
Výsledky:
Pri porovnaní študentov vo vybraných kombináciách skóre a prahov MoCA bol Naïve Bayes vo všeobecnosti najvýkonnejším študentom s celkovým klasifikačným výkonom 0.9093. Okrem toho medzi tromi najlepšími žiakmi bola celková výkonnosť klasifikácie založená na MemTraxe lepšia pri použití iba štyroch funkcií s najvyšším hodnotením (0.9119) v porovnaní s použitím všetkých 10 spoločných vlastností (0.8999).
záver:
Výkon MemTrax možno efektívne využiť v predikčnom modeli klasifikácie strojového učenia skríningová aplikácia na detekciu skorého štádia kognitívnej poruchy.
ÚVOD
Rozpoznaný (aj keď nedostatočne diagnostikovaný) rozšírený výskyt a prevalencia a paralelne eskalujúce medicínske, sociálne a verejné zdravie náklady a záťaž Alzheimerovou chorobou (AD) a miernou kognitívnou poruchou (MCI) sú čoraz viac zaťažujúce pre všetky zainteresované strany [1, 2]. Tento znepokojujúci a buržoajúci scenár vyvolal naliehavú výzvu na overenie výskumu včasné odhalenie nástroje kognitívneho skríningu a hodnotenia na pravidelné praktické využitie v osobnom a klinickom prostredí pre starších pacientov v rôznych regiónoch a populáciách [3]. Tieto nástroje musia tiež zabezpečiť bezproblémový preklad informatívnych výsledkov do elektronických zdravotných záznamov. Prínosy sa prejavia informovaním pacientov a pomocou lekárov pri skoršom rozpoznaní významných zmien, čo umožní rýchlejšiu a včasnejšiu stratifikáciu, implementáciu a sledovanie vhodnej individualizovanej a nákladovo efektívnejšej liečby a starostlivosti o pacienta pre tých, ktorí začínajú kognitívny pokles [3, 4].
Počítačový nástroj MemTrax (https://memtrax.com) je jednoduché a krátke kontinuálne hodnotenie rozpoznávania, ktoré je možné vykonávať samostatne online na meranie náročného výkonu časovanej epizodickej pamäte, kde používateľ reaguje na opakované obrázky a nie na úvodnú prezentáciu [5, 6]. Nedávny výskum a výsledné praktické dôsledky začínajú progresívne a kolektívne demonštrovať klinickú účinnosť MemTraxu pri včasnom skríningu AD a MCI [5–7]. Priame porovnanie klinickej užitočnosti s existujúcou kognitívne zdravie hodnotenie a konvenčné štandardy sú zaručené, aby informovali profesionálnu perspektívu a potvrdili užitočnosť MemTrax pri včasnej detekcii a diagnostickej podpore. van der Hoek a kol. [8] porovnali vybrané výkonnostné metriky MemTrax (rýchlosť reakcie a percento správnosti) s kognitívnym stavom stanoveným Montrealom Kognitívne hodnotenie (MoCA). Táto štúdia sa však obmedzila na spojenie týchto výkonnostných metrík s charakterizáciou kognitívneho stavu (podľa MoCA) a definovaním relatívnych rozsahov a hraničných hodnôt. V súlade s tým, s cieľom rozšíriť tento výskum a zlepšiť výkon a účinnosť klasifikácie, naša primárna výskumná otázka bola:
- Dokáže jednotlivec vybraté metriky výkonnosti MemTrax a relevantné demografické údaje a zdravie profily vlastnosti efektívne využiť v prediktívnom modeli vyvinutom pomocou strojového učenia na dichotomickú klasifikáciu kognitívneho zdravia (normálne verzus MCI), ako by naznačovalo skóre MoCA?
Okrem toho sme chceli vedieť:
- Môže byť model strojového učenia MemTrax založený na výkone, vrátane rovnakých funkcií, efektívne aplikovaný na pacienta na predpovedanie závažnosti (mierne verzus ťažké) v rámci vybraných kategórií kognitívnych porúch, ako by sa určilo nezávislou klinickou diagnózou?
Nástup a rozvíjajúca sa praktická aplikácia umelej inteligencie a strojového učenia pri skríningu/detekcii už preukázali výrazné praktické výhody, pričom prediktívne modelovanie účinne vedie lekárov pri náročnom hodnotení kognitívneho/mozgového zdravia a manažmentu pacienta. V našej štúdii sme zvolili podobný prístup v modelovaní klasifikácie MCI a diskriminácii závažnosti kognitívneho poškodenia, ako to potvrdila klinická diagnóza z troch súborov údajov reprezentujúcich vybraných dobrovoľných hospitalizovaných a ambulantných pacientov z dvoch nemocníc v Číne. Pomocou prediktívneho modelovania strojového učenia sme identifikovali najvýkonnejších študentov z rôznych kombinácií množín údajov a študentov a zoradili sme funkcie, ktoré nás viedli pri definovaní klinicky najpraktickejších modelových aplikácií.
Naše hypotézy boli, že overený model založený na MemTrax možno použiť na klasifikáciu kognitívneho zdravia dichotomicky (normálne alebo MCI) na základe prahového kritéria súhrnného skóre MoCA a že podobný prediktívny model MemTrax možno efektívne použiť pri rozlišovaní závažnosti vo vybraných kategóriách klinicky diagnostikovaná kognitívneho poškodenia. Preukázanie očakávaných výsledkov by bolo nápomocné pri podpore účinnosti MemTrax ako skríningu včasnej detekcie kognitívneho poklesu a klasifikácie kognitívnej poruchy. Priaznivé porovnanie s priemyselným údajným štandardom doplneným oveľa väčšou jednoduchosťou a rýchlosťou použitia by malo vplyv na pomoc klinickým lekárom osvojiť si tento jednoduchý, spoľahlivý a dostupný nástroj ako počiatočnú obrazovku pri zisťovaní kognitívnych deficitov v ranom (vrátane prodromálneho) štádia. Takýto prístup a užitočnosť by teda mohli viesť k včasnejšej a lepšie stratifikovanej starostlivosti o pacienta a intervencii. Tieto perspektívne poznatky a vylepšené metriky a modely by mohli byť užitočné aj pri zmierňovaní alebo zastavení progresie demencie, vrátane AD a demencií súvisiacich s AD (ADRD).
MATERIÁLY A METÓDY
Študijná populácia
V období od januára 2018 do augusta 2019 bol dokončený prierezový výskum na pacientoch prijatých z dvoch nemocníc v Číne. Podávanie MemTraxu [5] jednotlivcom vo veku 21 rokov a viac a zber a analýza týchto údajov boli preskúmané a schválené a spravované v súlade s etickými štandardmi Človek Výbor pre ochranu predmetov Stanfordskej univerzity. MemTrax a všetky ostatné testy pre túto celkovú štúdiu boli vykonané v súlade s Helsinskou deklaráciou z roku 1975 a schválené Inštitucionálnym kontrolným výborom prvej pridruženej nemocnice Kunmingskej lekárskej univerzity v Kunmingu, Yunnan, Čína. Každému používateľovi bol poskytnutý informovaný súhlas formulár na prečítanie/kontrolu a potom dobrovoľne súhlasíte s účasťou.
Účastníci boli vybraní zo skupiny ambulantných pacientov na neurologickej klinike v nemocnici Yanhua (sub-súbor údajov YH) a pamäťová klinika v First Affiliated Hospital of Kunming Medical Univerzita (sub-dataset XL) v Pekingu, Čína. Účastníci boli tiež prijatí z neurológie (sub-súbor údajov XL) a interného lekárstva (sub-súbor údajov KM) v First Affiliated Hospital of Kunming Medical University. Kritériá zaradenia zahŕňali 1) mužov a ženy vo veku najmenej 21 rokov, 2) schopnosť hovoriť čínsky (mandarínsky) a 3) schopnosť porozumieť verbálnym a písomným pokynom. Kritériá vylúčenia boli poruchy zraku a motoriky, ktoré bránili účastníkom dokončiť test Test MemTrax, ako aj neschopnosť porozumieť konkrétnym testovacím pokynom.
Čínska verzia MemTrax
On-line Testovacia platforma MemTrax bola preložená do čínštiny (URL: https://www.memtrax.com.cn) a ďalej prispôsobené na používanie prostredníctvom služby WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Čína) na samosprávu. Údaje boli uložené na cloudovom serveri (Ali Cloud) umiestnenom v Číne a licencované od spoločnosti Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, Čína) spoločnosťou SJN Biomed LTD (Kunming, Yunnan, Čína). Špecifické podrobnosti o MemTrax a kritériách platnosti testu, ktoré sa tu používajú, boli opísané skôr [6]. Test bol pacientom poskytnutý bezplatne.
Postupy štúdia
Pre hospitalizovaných a ambulantných pacientov je k dispozícii všeobecný papierový dotazník na zhromažďovanie demografických a osobných informácií, ako je vek, pohlavie, roky vzdelania, povolanie, žiť sám alebo s rodinou a lekársku anamnézu podával člen študijného tímu. Po vyplnení dotazníka sa vykonali testy MoCA [12] a MemTrax (najskôr MoCA) s intervalom maximálne 20 minút. Percento správnosti MemTrax (MTx-% C), priemerný čas odozvy (MTx-RT) a dátum a čas testovania boli zaznamenané na papieri členom študijného tímu pre každého testovaného účastníka. Vyplnený dotazník a výsledky MoCA boli nahrané do excelovej tabuľky výskumníkom, ktorý administroval testy a overené kolegom pred uložením excelových súborov na analýzy.
Test MemTrax
Online test MemTrax zahŕňal 50 obrázkov (25 jedinečných a 25 opakovaní; 5 sád po 5 obrázkov bežných scén alebo objektov) zobrazených v špecifickom pseudonáhodnom poradí. Účastník by sa (podľa pokynov) dotkol tlačidla Štart na obrazovke, aby spustil test a začal prezerať sériu obrázkov a znova sa dotkol obrázku na obrazovke tak rýchlo, ako je to možné, vždy, keď sa objaví opakovaný obrázok. Každý obrázok sa objavil na 3 s alebo dovtedy, kým sa nedotkol obraz na obrazovke, čo vyvolalo okamžitú prezentáciu ďalšieho obrázka. Pomocou interných hodín miestneho zariadenia sa MTx-RT pre každý obrázok určilo podľa času, ktorý uplynie od prezentácie obrázka do momentu, keď sa účastník dotkol obrazovky v reakcii na označenie rozpoznania obrázka ako obrazu, ktorý už bol zobrazený. počas testu. MTx-RT bol zaznamenaný pre každý obrázok, pričom celé 3 s zaznamenané indikovali žiadnu odozvu. MTx-% C bolo vypočítané na označenie percenta opakovaných a počiatočných obrázkov, na ktoré používateľ správne reagoval (skutočne pozitívne + skutočne negatívne vydelené 50). Ďalšie podrobnosti o správe a implementácii MemTrax, redukcii údajov, údajoch o neplatných údajoch alebo údajoch „bez odpovede“ a analýzy primárnych údajov sú opísané inde [6].
Test MemTrax bol podrobne vysvetlený a účastníkom bol v nemocničnom prostredí poskytnutý praktický test (s jedinečnými obrázkami inými ako tie, ktoré sa použili v teste na zaznamenávanie výsledkov). Účastníci sub-súborov údajov YH a KM vykonali test MemTrax na smartfóne, v ktorom bola načítaná aplikácia na WeChat; zatiaľ čo obmedzený počet pacientov s podsúborom údajov XL používal iPad a zvyšok používal smartfón. Všetci účastníci absolvovali test MemTrax s nenápadným pozorovaním výskumníka štúdie.
Montrealské kognitívne hodnotenie
Pekinskú verziu čínskej MoCA (MoCA-BC) [13] spravovali a hodnotili vyškolení výskumníci podľa oficiálnych testovacích pokynov. Vhodne sa ukázalo, že MoCA-BC je spoľahlivý kognitívny test skríning na všetkých úrovniach vzdelania u starších čínskych dospelých [14]. Spracovanie každého testu trvalo približne 10 až 30 minút na základe kognitívnych schopností príslušného účastníka.
Modelovanie klasifikácie MoCA
Celkovo bolo 29 použiteľných funkcií vrátane dvoch MemTrax testovať metriky výkonnosti a 27 funkcií súvisiacich s demografickými údajmi a zdravím informácie pre každého účastníka. Ako súhrnné skóre MoCA testu každého pacienta sa použilo kognitívny skríning „benchmark“ na trénovanie našich prediktívnych modelov. Vzhľadom na to, že na vytvorenie označenia triedy bol použitý MoCA, nemohli sme použiť súhrnné skóre (alebo akékoľvek skóre podmnožiny MoCA) ako nezávislú funkciu. Uskutočnili sme predbežné experimenty, v ktorých sme modelovali (klasifikujúc kognitívne zdravie definované MoCA) pôvodné tri podmnožiny údajov nemocnice/kliniky jednotlivo a potom sme ich skombinovali pomocou všetkých funkcií. Všetky rovnaké dátové prvky však neboli zhromaždené v každej zo štyroch kliník reprezentujúcich tri čiastkové súbory údajov; preto mnohé z našich funkcií v kombinovanom súbore údajov (pri použití všetkých funkcií) mali vysoký výskyt chýbajúcich hodnôt. Potom sme vytvorili modely s kombinovaným súborom údajov s použitím iba spoločných funkcií, čo viedlo k zlepšenému výkonu klasifikácie. Bolo to pravdepodobne vysvetlené kombináciou toho, že sme mali viac inštancií na prácu, a to kombináciou troch podsúborov údajov o pacientoch a žiadnymi funkciami s nadmernou prevahou chýbajúcich hodnôt (len jedna funkcia v kombinovanom súbore údajov, typ práce, mala nejaké chýbajúce hodnoty, čo ovplyvnilo iba tri prípady pacientov), pretože boli zahrnuté iba spoločné znaky zaznamenané na všetkých troch miestach. Predovšetkým sme nemali konkrétne kritérium odmietnutia pre každú funkciu, ktorá nakoniec nebola zahrnutá do kombinovaného súboru údajov. V našom predbežnom kombinovanom modelovaní súboru údajov sme však najskôr použili všetky funkcie z každého z troch samostatných podsúborov údajov o pacientoch. To vo veľkej miere viedlo k výkonnosti modelu, ktorá bola merateľne nižšia ako počiatočné predbežné modelovanie na každom jednotlivom podsúbore údajov. Okrem toho, zatiaľ čo klasifikačný výkon modelov vytvorených pomocou všetkých funkcií bol povzbudivý, vo všetkých učiacich sa a klasifikačných schémach sa výkon zlepšil v prípade dvojnásobného počtu modelov, keď sa používali iba spoločné funkcie. V skutočnosti medzi tými, čo sa stali našimi najlepšími študentmi, sa všetky modely okrem jedného zlepšili odstránením nezvyčajných funkcií.
Konečný súbor súhrnných údajov (spolu YH, XL a KM) zahŕňal 259 prípadov, z ktorých každý predstavuje jedinečného účastníka, ktorý absolvoval testy MemTrax aj MoCA. K dispozícii bolo 10 zdieľaných nezávislých funkcií: Metriky výkonnosti MemTrax: MTx-% C a priemerná MTx-RT; demografické informácie a informácie o zdravotnej anamnéze: vek, pohlavie, roky vzdelania, typ práce (modrý golier/biely golier), sociálna podpora (či testovaný žije sám alebo s rodinou) a odpovede áno/nie, či mal používateľ anamnéza diabetu, hyperlipidémie alebo traumatického poškodenia mozgu. Dve ďalšie metriky, súhrnné skóre MoCA a súhrnné skóre MoCA upravené pre roky vzdelávania [12], sa použili samostatne na vytvorenie závislých klasifikačných označení, čím sa vytvorili dve odlišné modelovacie schémy, ktoré sa majú použiť na náš kombinovaný súbor údajov. Pre každú verziu (upravenú a neupravenú) skóre MoCA boli údaje opäť samostatne modelované pre binárnu klasifikáciu pomocou dvoch rôznych prahových hodnôt kritéria – pôvodne odporúčanej [12] a alternatívnej hodnoty, ktorú používajú a propagujú iní [8, 15]. V schéme alternatívnej prahovej klasifikácie sa pacient považoval za pacienta s normálnym kognitívnym zdravím, ak dosiahol skóre ≥23 v teste MoCA a mal MCI, ak bolo skóre 22 alebo nižšie; zatiaľ čo v počiatočnom odporúčanom formáte klasifikácie musel pacient dosiahnuť 26 alebo lepšie skóre v MoCA, aby bol označený ako s normálnym kognitívnym zdravím.
Filtrované údaje pre modelovanie klasifikácie MoCA
Ďalej sme skúmali klasifikáciu MoCA pomocou štyroch bežne používaných techník hodnotenia funkcií: Chi-Squared, Gain Ratio, Information Gain a Symetrical Uncertainty. Pre predbežnú perspektívu sme použili poradovníky na celý kombinovaný súbor údajov pomocou každej z našich štyroch modelovacích schém. Všetci hodnotiaci sa zhodli na rovnakých hlavných vlastnostiach, tj veku, počte rokov vzdelania a oboch výkonnostných metrikách MemTrax (MTx-% C, stredná hodnota MTx-RT). Potom sme modely prestavali pomocou každej techniky výberu funkcií, aby sme trénovali modely iba na prvých štyroch funkciách (pozri Výber funkcií nižšie).
Výsledných posledných osem variácií schém klasifikácie skóre MoCA je uvedených v tabuľke 1.
stôl 1
Súhrn variácií schém modelovania použitých na klasifikáciu MoCA (Normal Kognitívne zdravie oproti MCI)
| Modelovacia schéma | Normálne kognitívne zdravie (negatívna trieda) | MCI (Pozitívna trieda) |
| Upravené-23 Nefiltrované/Filtrované | 101 (39.0%) | 158 (61.0%) |
| Upravené-26 Nefiltrované/Filtrované | 49 (18.9%) | 210 (81.1%) |
| Neupravené-23 Nefiltrované/Filtrované | 92 (35.5%) | 167 (64.5%) |
| Neupravené-26 Nefiltrované/Filtrované | 42 (16.2%) | 217 (83.8%) |
Príslušný počet a percento z celkového počtu pacientov v každej triede sú diferencované úpravou skóre pre vzdelanie (upravené alebo neupravené) a klasifikačným prahom (23 alebo 26), ako sa uplatňuje na oba súbory funkcií (nefiltrované a filtrované).
Modelovanie klinického hodnotenia založené na MemTrax
Z našich troch pôvodných podsúborov údajov (YH, XL, KM) boli iba pacienti s podsúbormi XL nezávisle klinicky diagnostikovaní na kognitívnu poruchu (tj ich príslušné skóre MoCA sa nepoužilo pri stanovení klasifikácie normálnej oproti zhoršenej). Konkrétne u XL pacientov bola diagnostikovaná jedna z nich test na Alzheimerovu chorobu (AD) alebo vaskulárna demencia (VaD). V rámci každej z týchto kategórií primárnej diagnózy existovalo ďalšie označenie pre MCI. Diagnózy MCI, demencie, vaskulárnej neurokognitívnej poruchy a neurokognitívnej poruchy v dôsledku AD boli založené na špecifických a charakteristických diagnostických kritériách uvedených v Diagnostic and Statistical Manual of Mental Disorders: DSM-5 [16]. Vzhľadom na tieto rafinované diagnózy boli na subsúbor údajov XL oddelene aplikované dve schémy modelovania klasifikácie, aby sa rozlíšila úroveň závažnosti (stupeň poškodenia) pre každú kategóriu primárnej diagnózy. Údaje použité v každej z týchto schém diagnostického modelovania (AD a VaD) zahŕňali demografické informácie a informácie o anamnéze pacienta, ako aj výkonnosť MemTrax (MTx-% C, priemerná MTx-RT). Každá diagnóza bola označená ako mierna, ak bola označená ako MCI; inak sa to považovalo za závažné. Pôvodne sme zvažovali zahrnutie skóre MoCA do diagnostických modelov (mierne verzus ťažké); ale rozhodli sme sa, že by to zmarilo účel našej schémy sekundárneho prediktívneho modelovania. Tu by študenti boli vyškolení pomocou iných charakteristík pacienta, ktoré sú ľahko dostupné poskytovateľovi, a výkonnostných metrík jednoduchšieho testu MemTrax (namiesto MoCA) oproti referenčnému „zlatému štandardu“, nezávislej klinickej diagnóze. V súbore údajov o diagnóze AD bolo 69 prípadov a 76 prípadov VaD (tabuľka 2). V oboch súboroch údajov bolo 12 nezávislých funkcií. Okrem 10 znakov zahrnutých do klasifikácie skóre MoCA zahŕňala anamnéza pacienta aj informácie o anamnéze hypertenzie a mozgovej príhody.
stôl 2
Súhrn variácií modelovacej schémy použitých na klasifikáciu závažnosti diagnózy (mierna verzus ťažká)
| Modelovacia schéma | Mierne (negatívna trieda) | Ťažké (Pozitívna trieda) |
| MCI-AD verzus AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD verzus VaD | 38 (50.0%) | 38 (50.0%) |
Príslušný počet a percento z celkového počtu pacientov v každej triede sú diferencované podľa kategórie primárnej diagnózy (AD alebo VaD).
štatistika
Porovnanie charakteristík účastníkov a iných číselných znakov medzi podsúbormi údajov pre každú modelovú klasifikačnú stratégiu (na predpovedanie kognitívneho zdravia MoCA a závažnosti diagnózy) sa uskutočnilo pomocou programovacieho jazyka Python (verzia 2.7.1) [17]. Rozdiely vo výkonnosti modelu boli pôvodne stanovené pomocou jedno- alebo dvojfaktorovej (podľa potreby) ANOVA s 95 % intervalom spoľahlivosti a testu Tukeyho poctivého významného rozdielu (HSD) na porovnanie priemerov výkonnosti. Toto skúmanie rozdielov medzi výkonmi modelu bolo vykonané pomocou kombinácie Pythonu a R (verzia 3.5.1) [18]. Tento (aj keď možno menej ako optimálny) prístup sme použili len ako heuristickú pomôcku skoré štádium pre počiatočné porovnanie výkonnosti modelu pri očakávaní potenciálnej klinickej aplikácie. Potom sme použili Bayesovský test so znamienkom pomocou posteriornej distribúcie na určenie pravdepodobnosti rozdielov vo výkonnosti modelu [19]. Pre tieto analýzy sme použili interval –0.01, 0.01, čo znamená, že ak dve skupiny mali výkonnostný rozdiel menší ako 0.01, považovali sa za rovnaké (v rámci oblasti praktickej ekvivalencie), alebo inak boli odlišné (jedna lepšia ako ostatný). Na vykonanie bayesovského porovnania klasifikátorov a výpočet týchto pravdepodobností sme použili knižnicu baycomp (verzia 1.0.2) pre Python 3.6.4.
Prediktívne modelovanie
Vytvorili sme prediktívne modely pomocou desiatich celkových variácií našich modelovacích schém na predpovedanie (klasifikáciu) výsledku testu MoCA každého pacienta alebo závažnosti klinickej diagnózy. Všetci študenti boli aplikovaní a modely boli zostavené pomocou open source softvérovej platformy Weka [20]. Pre našu predbežnú analýzu sme použili 10 bežne používaných algoritmov učenia: 5-Nearest Neighbors, dve verzie rozhodovacieho stromu C4.5, Logistic Regression, Multilayer Perceptron, Naive Bayes, dve verzie Random Forest, Radial Basis Function Network a Support Vector. Stroj. Kľúčové atribúty a kontrasty týchto algoritmov boli opísané inde [21] (pozri príslušnú prílohu). Boli vybrané, pretože predstavujú rôzne typy študentov a pretože sme preukázali úspešnosť ich použitia v predchádzajúcich analýzach podobných údajov. Nastavenia hyperparametrov boli vybrané z nášho predchádzajúceho výskumu, čo naznačuje, že sú robustné pre množstvo rôznych údajov [22]. Na základe výsledkov našej predbežnej analýzy s použitím rovnakého kombinovaného súboru údajov so spoločnými funkciami, ktoré boli následne použité v úplnej analýze, sme identifikovali troch študentov, ktorí poskytovali konzistentne silný výkon vo všetkých klasifikáciách: Logistická regresia, Naive Bayes a Support Vector Machine.
Krížová validácia a metrika výkonnosti modelu
Pre všetky prediktívne modelovanie (vrátane predbežných analýz) bol každý model zostavený pomocou 10-násobnej krížovej validácie a výkonnosť modelu bola meraná pomocou oblasti pod krivkou prevádzkovej charakteristiky prijímača (AUC). Krížová validácia sa začala náhodným rozdelením každého z 10 súborov údajov schémy modelovania na 10 rovnakých segmentov (záhybov), pričom deväť z týchto príslušných segmentov sa použilo na trénovanie modelu a zvyšný segment na testovanie. Tento postup sa opakoval 10-krát s použitím iného segmentu ako testovacej sady v každej iterácii. Výsledky sa potom spojili, aby sa vypočítal výsledok/výkon konečného modelu. Pre každú kombináciu učiaceho sa/súboru údajov sa celý tento proces opakoval 10-krát, pričom údaje boli zakaždým rozdelené inak. Tento posledný krok znížil zaujatosť, zabezpečil replikovateľnosť a pomohol pri určovaní celkového výkonu modelu. Celkovo (pre MoCA skóre a schémy klasifikácie závažnosti diagnózy spolu) bolo vytvorených 6,600 1,800 modelov. To zahŕňalo 6 3 nefiltrovaných modelov (10 modelov modelovania aplikovaných na množinu údajov × 10 žiaci × 1,800 cyklov × 4,800 násobkov = 4 3 modelov) a 4 10 filtrovaných modelov (10 schémy modelovania aplikované na množinu údajov × 4,800 žiaci × XNUMX techniky výberu funkcií × XNUMX cyklov × XNUMX záhybov = XNUMX XNUMX modelov).
Výber funkcií
Pre filtrované modely sa v rámci krížovej validácie vykonal výber vlastností (pomocou štyroch metód hodnotenia vlastností). Pre každý z 10 násobkov, keďže rôznych 10 % súboru údajov tvorili testovacie údaje, boli použité iba štyri najlepšie vybrané funkcie pre každý tréningový súbor údajov (tj ďalších deväť násobkov alebo zvyšných 90 % celého súboru údajov). postaviť modely. Nepodarilo sa nám potvrdiť, ktoré štyri funkcie boli použité v každom modeli, pretože tieto informácie nie sú uložené ani sprístupnené v rámci modelovacej platformy, ktorú sme použili (Weka). Avšak vzhľadom na konzistentnosť v našom počiatočnom výbere najlepších funkcií, keď sa hodnotitelia aplikovali na celý kombinovaný súbor údajov a následnú podobnosť vo výkonoch modelovania, tieto rovnaké vlastnosti (vek, roky vzdelania, MTx-% C a priemerná MTx-RT ) sú pravdepodobne najčastejšie štyri najčastejšie používané súčasne s výberom funkcií v rámci procesu krížovej validácie.
VÝSLEDKY
Číselné charakteristiky účastníkov (vrátane skóre MoCA a výkonnostných metrík MemTrax) príslušných súborov údajov pre každú stratégiu klasifikácie modelu na predpovedanie kognitívneho zdravia indikovaného MoCA (normálne verzus MCI) a závažnosti diagnózy (mierne verzus závažné) sú uvedené v tabuľke 3.
stôl 3
Charakteristiky účastníkov, skóre MoCA a výkon MemTrax pre každú stratégiu klasifikácie modelov
| Stratégia klasifikácie | Vek | vzdelanie | MoCA Upravené | MoCA Neupravené | MTx-% C | MTx-RT |
| Kategória MoCA | 61.9 r (13.1) | 9.6 r (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 s (0.3) |
| Diagnóza Závažnosť | 65.6 r (12.1) | 8.6 r (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 s (0.3) |
Zobrazené hodnoty (priemer, SD) diferencované modelovými klasifikačnými stratégiami sú reprezentatívne pre kombinovaný súbor údajov, ktorý sa používa na predpovedanie kognitívneho zdravia indikovaného MoCA (MCI verzus normálne) a podsúbor údajov XL, ktorý sa používa iba na predpovedanie závažnosti diagnózy (mierny verzus závažný).
Pre každú kombináciu skóre MoCA (upravené/neupravené) a prahu (26/23) bol štatistický rozdiel (p = 0.000) v každom párovom porovnaní (normálne kognitívne zdravie verzus MCI) pre vek, vzdelanie a výkonnosť MemTrax (MTx-% C a MTx-RT). Každý podsúbor údajov o pacientoch v príslušnej triede MCI pre každú kombináciu bol v priemere o 9 až 15 rokov starší, hlásil o približne päť rokov vzdelávania menej a mal menej priaznivý výkon MemTrax pre obe metriky.
Výsledky prediktívneho modelovania pre klasifikáciu skóre MoCA s použitím troch najlepších študentov, Logistic Regression, Naïve Bayes a Support Vector Machine, sú uvedené v tabuľke 4. Tieto tri boli vybrané na základe najkonzistentnejšie vysokého absolútneho výkonu študenta vo všetkých rôznych modeloch. aplikované na súbory údajov pre všetky modelovacie schémy. Pre nefiltrovaný súbor údajov a modelovanie každá z hodnôt údajov v tabuľke 4 označuje výkonnosť modelu na základe príslušného priemeru AUC odvodeného zo 100 modelov (10 cyklov × 10 krát) vytvorených pre každú kombináciu učiaceho sa/modelovacej schémy, s príslušnou najvyššou výkonného žiaka vyznačeného tučným písmom. Zatiaľ čo v prípade modelovania filtrovaného súboru údajov výsledky uvedené v tabuľke 4 odrážajú celkové priemerné výkony modelu zo 400 modelov na každého študenta s použitím každej z metód hodnotenia funkcií (4 metódy hodnotenia funkcií × 10 cyklov × 10 krát).
stôl 4
Výsledky dichotomickej klasifikácie skóre MoCA (AUC; 0.0–1.0) pre každého z troch najvýkonnejších študentov pre všetky príslušné schémy modelovania
| Použitá súprava funkcií | Skóre MoCA | Cutoff Threshold | Logistická regresia | Naivný Bayes | Podporný vektorový stroj |
| Nefiltrované (10 funkcií) | Upravená | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Neprispôsobené | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Filtrované (4 funkcie) | Upravená | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Neprispôsobené | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Využitím variácií sady funkcií, skóre MoCA a prahovej hodnoty skóre MoCA je najvyšší výkon pre každú schému modelovania zobrazený v kolík (nie nevyhnutne štatisticky odlišné od všetkých ostatných, ktoré nie sú v kolík pre príslušný model).
Pri porovnaní učiacich sa vo všetkých kombináciách verzií skóre MoCA a prahových hodnôt (upravené/neupravené a 23/26, v uvedenom poradí) v kombinovanom nefiltrovanom súbore údajov (t. j. s použitím 10 spoločných funkcií), Naïve Bayes bol vo všeobecnosti najvýkonnejším žiakom s celkovým klasifikačný výkon 0.9093. Vzhľadom na troch najlepších študentov Bayesovsky korelované testy so znamienkom ukázali, že pravdepodobnosť (Pr) z Naive Bayes prekonala logistickú regresiu 99.9 %. Navyše, medzi Naïve Bayes a Support Vector Machine je 21.0 % pravdepodobnosť praktickej ekvivalencie vo výkone žiaka (teda 79.0 % pravdepodobnosť, že Naïve Bayes prekoná Support Vector Machine), spolu s 0.0 % pravdepodobnosťou, že Support Vector Machine bude fungovať lepšie a merateľne. posilňuje výkonnostnú výhodu pre Naïve Bayes. Ďalšie porovnanie verzie skóre MoCA naprieč všetkými žiakmi/prahovými hodnotami naznačilo miernu výkonnostnú výhodu s použitím neupravených skóre MoCA oproti upraveným (0.9027 oproti 0.8971, v uvedenom poradí; Pr (neupravené > upravené) = 0.988). Podobne porovnanie medzného prahu medzi všetkými žiakmi a verzie skóre MoCA naznačilo malú výhodu pri klasifikácii s použitím 26 ako klasifikačného prahu oproti 23 (0.9056 oproti 0.8942, v tomto poradí; Pr (26 > 23) = 0.999). Nakoniec, pri skúmaní výkonnosti klasifikácie pre modely využívajúce iba filtrované výsledky (tj iba štyri funkcie s najvyšším hodnotením), Naïve Bayes (0.9143) bol numericky najvýkonnejším žiakom vo všetkých verziách/prahoch skóre MoCA. Avšak vo všetkých kombinovaných technikách hodnotenia funkcií mali všetci študenti s najlepšími výsledkami podobné výsledky. Bayesovské testy so znamienkom ukázali 100% pravdepodobnosť praktickej ekvivalencie medzi každým párom filtrovaných študentov. Rovnako ako v prípade nefiltrovaných údajov (s použitím všetkých 10 spoločných funkcií) aj tu bola pre neupravenú verziu skóre MoCA opäť výkonnostná výhoda (Pr (neupravené > upravené) = 1.000 26), ako aj podobne výraznú výhodu pre prah klasifikácie XNUMX (Pr (26 > 23) = 1.000 0.9119). Je pozoruhodné, že priemerný výkon každého z troch najlepších študentov vo všetkých verziách/prahoch skóre MoCA s použitím iba štyroch najlepších funkcií prekročil priemerný výkon ktoréhokoľvek študenta na nefiltrovaných údajoch. Nie je prekvapením, že výkonnosť klasifikácie filtrovaných modelov (pomocou štyroch najlepších hodnotených funkcií) bola celkovo lepšia (0.8999) ako nefiltrované modely (10), bez ohľadu na modely metód hodnotenia funkcií, ktoré boli porovnané s týmito príslušnými modelmi používajúcimi všetkých 100 spoločných Vlastnosti. Pre každú metódu výberu funkcií existovala XNUMX % pravdepodobnosť výkonnostnej výhody oproti nefiltrovaným modelom.
U pacientov zvažovaných pre klasifikáciu závažnosti diagnózy AD, rozdiely medzi skupinami (MCI-AD verzus AD) pre vek (p = 0.004), vzdelanie (p = 0.028), skóre MoCA upravené/neupravené (p = 0.000) a MTx-% C (p = 0.008) boli štatisticky významné; zatiaľ čo pre MTx-RT to nebolo (p = 0.097). U pacientov, u ktorých sa uvažuje pre klasifikáciu závažnosti diagnózy VaD, rozdiely medzi skupinami (MCI-VaD verzus VaD) pre skóre MoCA upravené/neupravené (p = 0.007) a MTx-% C (p = 0.026) a MTx-RT (p = 0.001) boli štatisticky významné; keďže pre vek (p = 0.511) a vzdelanie (p = 0.157) neboli medzi skupinami žiadne významné rozdiely.
Výsledky prediktívneho modelovania pre klasifikáciu závažnosti diagnózy s použitím troch predtým vybraných študentov, Logistic Regression, Naive Bayes a Support Vector Machine, sú uvedené v tabuľke 5. Zatiaľ čo ďalší skúmaní študenti preukázali o niečo lepšie výkony individuálne s jednou z dvoch kategórií klinickej diagnózy , traja študenti, ktorých sme identifikovali ako najpriaznivejších v našom predchádzajúcom modelovaní, ponúkli najkonzistentnejší výkon s oboma novými modelovacími schémami. Pri porovnaní učiacich sa v rámci každej z kategórií primárnej diagnózy (AD a VaD) nebol medzi žiakmi konzistentný rozdiel v klasifikačnom výkone pre MCI-VaD oproti VaD, hoci Support Vector Machine vo všeobecnosti fungoval výraznejšie. Podobne neboli žiadne významné rozdiely medzi žiakmi pri klasifikácii MCI-AD oproti AD, hoci Naïve Bayes (NB) mal miernu výkonnostnú výhodu oproti logistickej regresii (LR) a len zanedbateľnú pluralitu oproti stroju Support Vector Machine s pravdepodobnosťou 61.4 %. a 41.7 %. Naprieč oboma súbormi údajov bola celková výhoda výkonu pre Support Vector Machine (SVM) s Pr (SVM > LR) = 0.819 a Pr (SVM > NB) = 0.934. Náš celkový výkon klasifikácie u všetkých študentov pri predpovedaní závažnosti diagnózy v podsúbore údajov XL bol lepší v kategórii diagnózy VaD oproti AD (Pr (VAD > AD) = 0.998).
stôl 5
Výsledky klasifikácie závažnosti dichotomickej klinickej diagnózy (AUC; 0.0–1.0) pre každého z troch najvýkonnejších študentov pre obe príslušné schémy modelovania
| Modelovacia schéma | Logistická regresia | Naivný Bayes | Podporný vektorový stroj |
| MCI-AD verzus AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD verzus VaD | 0.8033 | 0.8044 | 0.8338 |
Najvyšší výkon pre každú modelovaciu schému je zobrazený v kolík (nie nevyhnutne štatisticky odlišné od ostatných, ktoré nie sú v kolík).
DISKUSIA
Dôležité je včasné zistenie zmien v kognitívnom zdraví praktické využitie pri riadení osobného zdravia a verejného zdravia. V skutočnosti je to tiež veľmi vysoká priorita v klinických podmienkach pre pacientov na celom svete. Spoločným cieľom je upozorniť pacientov, opatrovateľov a poskytovateľov a podnietiť skoršiu vhodnú a nákladovo efektívnu liečbu a dlhodobú starostlivosť pre tých, ktorí začínajú pociťovať kognitívny pokles. Zlúčením našich troch podmnožín údajov nemocnice/kliniky sme identifikovali troch výrazne preferovaných študentov (s jedným pozoruhodným výnimočným – Naivným Bayesom), aby sme vytvorili prediktívne modely využívajúce Výkonnostné metriky MemTrax, ktoré by mohli spoľahlivo klasifikovať kognitívny zdravotný stav dichotomicky (normálne kognitívne zdravie alebo MCI), ako by naznačovalo súhrnné skóre MoCA. Je pozoruhodné, že celkový výkon klasifikácie pre všetkých troch študentov sa zlepšil, keď naše modely využívali iba štyri funkcie s najvyšším hodnotením, ktoré v zásade zahŕňali tieto výkonnostné metriky MemTrax. Okrem toho sme odhalili opodstatnený potenciál na využitie tých istých učiacich sa a výkonnostných metrík MemTrax v schéme modelovania klasifikácie diagnostickej podpory na rozlíšenie závažnosti dvoch kategórií diagnostiky demencie: AD a VaD.
Testovanie pamäte je ústredným prvkom včasnej detekcie AD [23, 24]. Preto je vhodné, že MemTrax je prijateľný, pútavý a ľahko implementovateľný online skríningový test na epizodickú pamäť v bežnej populácii [6]. Presnosť rozpoznávania a časy odozvy z tejto úlohy nepretržitého výkonu sú obzvlášť zjavné pri identifikácii skorého a vyvíjajúceho sa poškodenia a následných deficitov v neuroplastických procesoch súvisiacich s učením, pamäťou a kogníciou. To znamená, že tu uvedené modely, ktoré sú založené prevažne na výkonnostných metrikách MemTrax, sú citlivé na a je pravdepodobnejšie, že ľahšie as minimálnymi nákladmi odhalia biologické neuropatologické deficity počas prechodného asymptomatického štádia dlho pred výraznejšou funkčnou stratou [25]. Ashford a kol. podrobne skúmali vzorce a správanie presnosti rozpoznávacej pamäte a času odozvy u online používateľov, ktorí sa sami zúčastnili na MemTrax [6]. Vzhľadom na to, že tieto distribúcie sú rozhodujúce pri optimálnom modelovaní a vývoji platných a efektívnych aplikácií starostlivosti o pacientov, je definovanie klinicky použiteľných profilov rozpoznávania a času odozvy nevyhnutné na vytvorenie hodnotnej základnej referencie pre klinické a výskumné využitie. Praktická hodnota MemTraxu pri skríningu AD na skoré štádium kognitívneho poškodenia a diferenciálnej diagnostickej podpore sa potom musí dôkladnejšie preskúmať v kontexte klinického prostredia, kde sa môžu zvážiť komorbidity a kognitívne, senzorické a motorické schopnosti ovplyvňujúce výkon testu. A na informovanie profesionálnej perspektívy a podporu praktickej klinickej užitočnosti je v prvom rade nevyhnutné preukázať porovnanie so zavedeným testom na hodnotenie kognitívneho zdravia, aj keď tento test môže byť rozpoznateľne obmedzený ťažkopádnou logistikou testovania, vzdelávacími a jazykovými odstrašujúcimi faktormi a kultúrnymi vplyvmi [26]. . V tomto ohľade je významné priaznivé porovnanie MemTraxu v klinickej účinnosti s MoCA, ktorý sa bežne považuje za priemyselný štandard, najmä pri zvažovaní väčšej jednoduchosti použitia a akceptácie MemTraxu pacientmi.
Predchádzajúci prieskum porovnávajúci MemTrax a MoCA zdôrazňuje opodstatnenosť a predbežné dôkazy oprávňujúce naše modelové vyšetrovanie [8]. Toto predchádzajúce porovnanie však iba spájalo dve kľúčové výkonnostné metriky MemTrax, ktoré sme skúmali, s kognitívnym stavom, ako určil MoCA a definovali príslušné rozsahy a hraničné hodnoty. Prehĺbili sme hodnotenie klinickej užitočnosti MemTrax skúmaním prístupu založeného na predikčnom modelovaní, ktorý by poskytol individualizovanejšie posúdenie ďalších potenciálne relevantných parametrov špecifických pre pacienta. Na rozdiel od iných sme nenašli výhodu v modelovom výkone pomocou korekcie vzdelania (úpravy) na skóre MoCA alebo v variovaní prahu súhrnného skóre MoCA diskriminujúceho kognitívne zdravie z pôvodne odporúčaných 26 na 23 [12, 15]. V skutočnosti bola výhoda klasifikačného výkonu uprednostňovaná použitím neupraveného skóre MoCA a vyššej prahovej hodnoty.
Kľúčové body v klinickej praxi
Strojové učenie sa často najlepšie využíva a je najefektívnejšie v predikčnom modelovaní, keď sú údaje rozsiahle a viacrozmerné, to znamená, keď existujú početné pozorovania a sprievodná široká škála vysokohodnotných (prispievajúcich) atribútov. Napriek tomu s týmito aktuálnymi údajmi fungovali filtrované modely iba so štyrmi vybranými funkciami lepšie ako modely využívajúce všetkých 10 spoločných funkcií. To naznačuje, že náš súhrnný súbor nemocničných údajov nemal klinicky najvhodnejšie (vysoká hodnota) vlastnosti na optimálnu klasifikáciu pacientov týmto spôsobom. Napriek tomu dôraz kladený na kľúčové metriky výkonnosti MemTrax – MTx-% C a MTx-RT – silne podporuje vytváranie modelov skríningu kognitívneho deficitu v ranom štádiu okolo tohto testu, ktorý je jednoduchý, ľahko spravovateľný, lacný a výstižne odhaľujúci pamäťový výkon, aspoň práve teraz ako úvodná obrazovka pre binárnu klasifikáciu kognitívneho zdravotného stavu. Vzhľadom na neustále sa zvyšujúci tlak na poskytovateľov a systémy zdravotnej starostlivosti by sa procesy skríningu pacientov a klinické aplikácie mali vhodne rozvíjať s dôrazom na zhromažďovanie, sledovanie a modelovanie tých charakteristík pacientov a testovacích metrík, ktoré sú najužitočnejšie, najvýhodnejšie a osvedčené ako účinné v diagnostike. a podpora manažmentu pacienta.
Vzhľadom na to, že dve kľúčové metriky MemTrax sú ústredné pre klasifikáciu MCI, naša najvýkonnejšia študentka (Naïve Bayes) mala veľmi vysokú predikčnú výkonnosť vo väčšine modelov (AUC nad 0.90) s pomerom skutočne pozitívnych k falošne pozitívnym, ktorý sa blížil alebo trochu prekračoval 4. : 1. Translačná klinická aplikácia využívajúca tohto študenta by teda zachytila (správne klasifikovala) zďaleka väčšinu ľudí s kognitívnym deficitom a zároveň by minimalizovala náklady spojené s mylnou klasifikáciou osoby s normálnym kognitívnym zdravím ako osoby s kognitívnym deficitom (falošne pozitívne) alebo chýba táto klasifikácia u tých, ktorí majú kognitívny deficit (falošne negatívni). Ktorýkoľvek z týchto scenárov nesprávnej klasifikácie by mohol spôsobiť neprimeranú psychosociálnu záťaž pre pacienta a opatrovateľov.
Zatiaľ čo v predbežných a úplných analýzach sme použili všetkých desať študentov v každej modelovacej schéme, naše výsledky sme zamerali na tri klasifikátory vykazujúce najkonzistentnejší silný výkon. To malo tiež zdôrazniť, na základe týchto údajov, učiacich sa, ktorí by podľa očakávania spoľahlivo fungovali na vysokej úrovni v praktickej klinickej aplikácii pri určovaní klasifikácie kognitívneho stavu. Navyše, pretože táto štúdia bola zamýšľaná ako úvodné skúmanie užitočnosti strojového učenia pri kognitívnom skríningu a týchto včasných klinických výzvach, rozhodli sme sa ponechať techniky učenia jednoduché a zovšeobecnené s minimálnym ladením parametrov. Uvedomujeme si, že tento prístup mohol obmedziť potenciál pre užšie definované prediktívne schopnosti špecifické pre pacienta. Podobne, zatiaľ čo trénovanie modelov s použitím iba najlepších funkcií (filtrovaný prístup) nás ďalej informuje o týchto údajoch (špecifické pre nedostatky v zhromaždených údajoch a zdôrazňujúce hodnotu pri optimalizácii drahocenného klinického času a zdrojov), uvedomujeme si, že je predčasné zužovať rozsah modelov, a teda všetky (a ďalšie vlastnosti) by sa mali zvážiť pri budúcom výskume, kým nebudeme mať definitívnejší profil prioritných prvkov, ktorý by bol použiteľný pre širokú populáciu. Plne teda uznávame, že pred ich integráciou do efektívnej klinickej aplikácie by boli potrebné inkluzívnejšie a všeobecne reprezentatívne údaje a optimalizácia týchto a iných modelov, najmä na prispôsobenie komorbidít ovplyvňujúcich kognitívny výkon, ktoré by bolo potrebné zvážiť pri ďalšom klinickom hodnotení.
Užitočnosť MemTraxu bola ďalej vylepšená modelovaním závažnosti ochorenia na základe samostatnej klinickej diagnózy. Lepšia celková klasifikácia pri predpovedaní závažnosti VaD (v porovnaní s AD) nebola prekvapivé vzhľadom na vlastnosti profilu pacienta v modeloch špecifických pre zdravie ciev a riziko mŕtvice, tj hypertenzie, hyperlipidémie, cukrovky a (samozrejme) mŕtvice v anamnéze. Hoci by bolo vhodnejšie a vhodnejšie, keby sa rovnaké klinické hodnotenie vykonalo na zodpovedajúcich pacientoch s normálnym kognitívnym zdravím, aby sa učiaci sa trénovali s týmito inkluzívnejšími údajmi. Toto je obzvlášť zaručené, pretože MemTrax je určený na použitie predovšetkým na detekciu kognitívneho deficitu v počiatočnom štádiu a následné sledovanie individuálnych zmien. Je tiež pravdepodobné, že vhodnejšia distribúcia údajov v súbore údajov VaD čiastočne prispela k porovnateľne lepšiemu výkonu modelovania. Súbor údajov VaD bol medzi týmito dvoma triedami dobre vyvážený, zatiaľ čo súbor údajov AD s oveľa menším počtom pacientov s MCI nebol. Najmä v malých súboroch údajov môže byť merateľný rozdiel aj niekoľko ďalších inštancií. Obe perspektívy sú rozumnými argumentmi, ktoré sú základom rozdielov vo výkonnosti modelovania závažnosti ochorenia. Proporcionálne pripisovanie zlepšeného výkonu číselným charakteristikám súboru údajov alebo inherentným vlastnostiam špecifickým pre uvažovanú klinickú prezentáciu je však predčasné. Napriek tomu tento román demonštroval užitočnosť prediktívneho klasifikačného modelu MemTrax v úlohe klinickej diagnostickej podpory poskytuje cennú perspektívu a potvrdzuje snahu o ďalšie vyšetrenie s pacientmi v rámci kontinua MCI.
Implementácia a preukázaná užitočnosť MemTrax a týchto modelov v Číne, kde sa jazyk a kultúra výrazne líšia od iných regiónov so zavedenou užitočnosťou (napr. Francúzsko, Holandsko a Spojené štáty americké) [7, 8, 27], ďalej podčiarkuje potenciál pre široké globálne prijatie a klinickú hodnotu platformy založenej na MemTrax. Toto je preukázateľný príklad snahy o harmonizáciu údajov a vývoj praktických medzinárodných noriem a modelových zdrojov pre kognitívny skríning, ktoré sú štandardizované a ľahko prispôsobené na použitie na celom svete.
Ďalšie kroky v modelovaní a aplikácii kognitívneho poklesu
Kognitívna dysfunkcia pri AD sa skutočne vyskytuje v kontinuu, nie v diskrétnych štádiách alebo krokoch [28, 29]. V tejto ranej fáze však bolo naším cieľom najprv preukázať našu schopnosť vybudovať model zahŕňajúci MemTrax, ktorý dokáže zásadne rozlíšiť „normálne“ od „nie normálne“. Inkluzívnejšie empirické údaje (napr. zobrazovanie mozgu, genetické znaky, biomarkery, komorbidity a funkčné markery komplexu činnosti vyžadujúce kognitívne kontrola) [30] v rôznych globálnych regiónoch, populáciách a vekových skupinách s cieľom trénovať a rozvíjať sofistikovanejšie (vrátane vhodne vážených súborov) modely strojového učenia podporia vyšší stupeň vylepšenej klasifikácie, tj schopnosť kategorizovať skupiny pacientov s MCI na menšie a definitívnejšie podskupiny pozdĺž kontinua kognitívneho poklesu. Okrem toho sú nevyhnutné sprievodné klinické diagnózy pre jednotlivcov v rámci regionálne odlišných populácií pacientov efektívne trénovať tieto inkluzívnejšie a predvídateľne robustné modely. To uľahčí špecifickejší stratifikovaný manažment prípadov pre tých, ktorí majú podobné zázemie, vplyvy a užšie definované charakteristické kognitívne profily, a tým optimalizuje klinickú podporu rozhodovania a starostlivosť o pacienta.
Veľká časť relevantného klinického výskumu sa doteraz venovala pacientom s aspoň miernou demenciou; a v praxi sa o intervenciu pacienta príliš často pokúšajú až v pokročilých štádiách. Avšak, pretože kognitívny pokles začína oveľa skôr, ako sú splnené klinické kritériá pre demenciu, efektívne aplikovaný skorý screening založený na MemTrax by mohol podporiť vhodné vzdelávanie jednotlivcov o chorobe a jej progresii a podnietiť skoršie a včasnejšie intervencie. Včasná detekcia by teda mohla podporiť vhodné zapojenie od cvičenia, diéty, emocionálnej podpory a zlepšenej socializácie až po farmakologickú intervenciu a posilniť zmeny v správaní a vnímaní pacienta, ktoré by jednotlivo alebo súhrnne mohli zmierniť alebo potenciálne zastaviť progresiu demencie [31, 32]. . Navyše s efektívnym skorý skríning, jednotlivci a ich rodiny môžu byť vyzvaní, aby zvážili klinické skúšky alebo získali poradenstvo a ďalšiu podporu sociálnych služieb, ktorá im pomôže objasniť očakávania a zámery a zvládnuť každodenné úlohy. Ďalšia validácia a rozšírená praktická užitočnosť týmito spôsobmi by mohla byť nápomocná pri zmierňovaní alebo zastavení progresie MCI, AD a ADRD u mnohých jednotlivcov.
Spodná hranica vekového rozpätia pacientov v našej štúdii skutočne nepredstavuje populáciu, ktorá sa tradične obáva AD. Napriek tomu priemerný vek pre každú skupinu použitú v schémach klasifikačného modelovania na základe skóre/prahu MoCA a závažnosti diagnózy (tabuľka 3) podčiarkuje, že jasná väčšina (viac ako 80 %) má najmenej 50 rokov. Táto distribúcia je preto veľmi vhodná na zovšeobecnenie a podporuje užitočnosť týchto modelov v populácii, ktorá charakterizuje tých, ktorí sú nimi typicky ovplyvnení skorý nástup a narastajúce neurokognitívne ochorenie spôsobené AD a VaD. Nedávne dôkazy a perspektíva tiež zdôrazňujú tie rozpoznané faktory (napr. hypertenzia, obezita, cukrovka a fajčenie), ktoré potenciálne prispievajú k vyšším raným skóre vaskulárneho rizika dospelých a stredného veku a následné jemné vaskulárne poškodenie mozgu, ktoré sa zákerne vyvíja s evidentnými účinkami aj u mladých ľudí dospelých [33–35]. V súlade s tým je najoptimálnejšia počiatočná skríningová príležitosť na včasnú detekciu štádium kognitívnych deficitov a iniciovanie účinných preventívnych a intervenčných stratégií pri úspešnom riešení demencie vyplynú zo skúmania prispievajúcich faktorov a predchádzajúcich ukazovateľov naprieč vekovým spektrom, vrátane ranej dospelosti a potenciálne aj detstva (berúc do úvahy význam genetických faktorov, ako je apolipoproteín E od raného tehotenstva).
V praxi nie sú platné klinické diagnózy a nákladné postupy pre pokročilé zobrazovanie, genetické profilovanie a meranie sľubných biomarkerov vždy ľahko dostupné alebo dokonca uskutočniteľné pre mnohých poskytovateľov. V mnohých prípadoch teda môže byť potrebné odvodiť počiatočnú klasifikáciu celkového kognitívneho zdravotného stavu z modelov využívajúcich iné jednoduché metriky poskytnuté pacientom (napr. problémy s pamäťou, súčasné lieky a obmedzenia rutinnej aktivity) a spoločné demografické črty [7]. Registre ako Kalifornská univerzita Brain Health Registry (https://www.brainhealthregistry.org/) [27] a ďalšie s inherentnou väčšou šírkou symptómov, ktoré sami nahlásili, kvalitatívnych opatrení (napr. spánok a každodenné poznávanie), liekov, zdravotného stavu a anamnézy a podrobnejšie demografické údaje budú nápomocné pri vývoji a overovaní praktickej aplikácie týchto primitívnejších modelov na klinike. Ďalej, test ako MemTrax, ktorý preukázal užitočnosť pri hodnotení pamäťovej funkcie, môže v skutočnosti poskytnúť podstatne lepší odhad patológie AD ako biologické markery. Vzhľadom na to, že hlavnou črtou patológie AD je narušenie neuroplasticity a ohromne komplexná strata synapsií, ktorá sa prejavuje ako epizodická dysfunkcia pamäte, čo je v skutočnosti miera, ktorá hodnotí epizodickú pamäť poskytujú lepší odhad patologickej záťaže AD ako biologické markery u živého pacienta [36].
So všetkými prediktívnymi modelmi – či už sú doplnené komplexnými a inkluzívnymi údajmi z najmodernejších technológií a prepracovanými klinickými pohľadmi naprieč viacerými doménami, alebo tými, ktoré sú obmedzené na základné a ľahko dostupné informácie charakteristické pre existujúce profily pacientov – uznávaná výhoda umelej inteligencie a strojové učenie spočíva v tom, že výsledné modely môžu syntetizovať a indukčne sa „učiť“ z relevantných nových údajov a perspektív poskytovaných neustálym využívaním aplikácií. Po praktickom prenose technológií, keď sa tu uvedené modely (a ktoré sa majú vyvinúť) aplikujú a obohatia o viac prípadov a relevantných údajov (vrátane pacientov s komorbiditami, ktoré by sa mohli prejaviť následným kognitívnym poklesom), predikčný výkon a klasifikácia kognitívneho zdravia budú robustnejšie, čo vedie k efektívnejšej podpore klinického rozhodovania. Tento vývoj bude plnšie a praktickejšie realizovaný zabudovaním MemTrax do vlastných (zameraných na dostupné možnosti) platforiem, ktoré by poskytovatelia zdravotnej starostlivosti mohli využívať v reálnom čase na klinike.
Pre validáciu a užitočnosť modelu MemTrax pre diagnostickú podporu a starostlivosť o pacienta sú veľmi žiadané zmysluplné dlhodobé údaje. Pozorovaním a zaznamenávaním sprievodných zmien (ak nejaké sú) v klinickom stave v primeranom rozsahu normálneho stavu až po skoré štádium MCI, je možné trénovať a upravovať modely vhodného priebežného hodnotenia a klasifikácie, keď pacienti starnú a sú liečení. To znamená, že opakovaná užitočnosť môže pomôcť pri pozdĺžnom sledovaní miernych kognitívnych zmien, účinnosti intervencie a udržiavaní informovanej stratifikovanej starostlivosti. Tento prístup je viac v súlade s klinickou praxou a manažmentom pacientov a prípadov.
Obmedzenia
Oceňujeme výzvu a hodnotu pri zbere čistých klinických údajov v kontrolovanom prostredí kliniky/nemocnice. Naše modelovanie by však posilnilo, keby naše súbory údajov zahŕňali viac pacientov so spoločnými znakmi. Okrem toho, špecifické pre naše diagnostické modelovanie, by bolo vhodnejšie a vhodnejšie, keby sa rovnaké klinické hodnotenie vykonalo na zodpovedajúcich pacientoch s normálnym kognitívnym zdravím na trénovanie študentov. A ako to podčiarkuje vyšší výkon klasifikácie pomocou filtrovaného súboru údajov (len štyri funkcie s najvyšším hodnotením), všeobecnejšie a kognitívne zdravotné opatrenia/ukazovatele by sa pravdepodobne zlepšili modelovanie výkonu s väčším počtom spoločných znakov u všetkých pacientov.
Niektorí účastníci mohli súčasne trpieť inými chorobami, ktoré mohli vyvolať prechodné alebo chronické kognitívne nedostatky. Okrem podsúboru údajov XL, kde boli pacienti diagnosticky klasifikovaní ako pacienti s AD alebo VaD, sa údaje o komorbidite nezbierali/nenahlasovali v súbore pacientov s YH a prevládajúcou hlásenou komorbiditou v podsúbore údajov KM bol diabetes. Je však diskutabilné, že zahrnutie pacientov do našich modelovacích schém s komorbiditami, ktoré by mohli vyvolať alebo zhoršiť úroveň kognitívnej nedostatočnosti a následnú nižšiu výkonnosť MemTrax, by bolo reprezentatívnejšie pre cieľovú populáciu pacientov v reálnom svete pre tento všeobecnejší skorý kognitívny skríning. a modelovací prístup. Presná diagnostika komorbidít potenciálne ovplyvňujúcich kognitívnu výkonnosť je vo všeobecnosti prospešná pre optimalizáciu modelov a výsledných aplikácií starostlivosti o pacienta.
Napokon pacienti podsúboru údajov YH a KM použili na vykonanie testu MemTrax smartfón, zatiaľ čo obmedzený počet pacientov pod súborom údajov XL používal iPad a zvyšok používal smartfón. To mohlo priniesť menší rozdiel týkajúci sa zariadenia vo výkone MemTrax pre modelovanie klasifikácie MoCA. Rozdiely (ak nejaké sú) napríklad v MTx-RT medzi zariadeniami by však boli pravdepodobne zanedbateľné, najmä ak by každý účastník dostal „cvičný“ test tesne pred zaznamenaným výkonom testu. Napriek tomu užitočnosť týchto dvoch vreckových zariadení potenciálne ohrozuje priame porovnanie a/alebo integráciu s inými výsledkami MemTrax, kde používatelia reagovali na opakujúce sa obrázky dotykom medzerníka na klávesnici počítača.
Kľúčové body nástroja na prediktívne modelovanie MemTrax
- • Naše najvýkonnejšie prediktívne modely zahŕňajúce vybrané výkonnostné metriky MemTrax by mohli spoľahlivo klasifikovať kognitívny zdravotný stav (normálne kognitívne zdravie alebo MCI), ako by naznačoval všeobecne uznávaný test MoCA.
- • Tieto výsledky podporujú integráciu vybraných výkonnostných metrík MemTrax do aplikácie klasifikačného prediktívneho modelu skríningu skorého štádia kognitívneho poškodenia.
- • Naše klasifikačné modelovanie tiež odhalilo potenciál využitia výkonu MemTrax v aplikáciách na rozlíšenie závažnosti diagnózy demencie.
Tieto nové zistenia poskytujú definitívny dôkaz podporujúci užitočnosť strojového učenia pri budovaní vylepšených robustných klasifikačných modelov založených na MemTrax pre diagnostickú podporu pri efektívnom klinickom manažmente prípadov a starostlivosti o pacientov s kognitívnymi poruchami.
Poďakovanie
Uznávame prácu J. Wessona Ashforda, Curtisa B. Ashforda a kolegov za vývoj a overenie úlohy a nástroja nepretržitého rozpoznávania online (MemTrax), ktorý sa tu používa, a sme vďační mnohým pacientom s demenciou, ktorí prispeli ku kritickému základnému výskumu. . Ďakujeme aj Xianbo Zhou a jeho kolegom v SJN Biomed LTD, jeho kolegom a spolupracovníkom v nemocniciach/klinikách, najmä Dr. M. Luo a M. Zhong, ktorí pomáhali s náborom účastníkov, plánovaním testov a zhromažďovaním, zaznamenávaním a front-end správou údajov, a dobrovoľní účastníci, ktorí venovali svoj drahocenný čas a zaviazali sa absolvovať testy a poskytnúť hodnotné údaje, ktoré môžeme v tejto štúdii vyhodnotiť. Toto štúdia bola čiastočne podporovaná MD Scientific Research Program Kunming Medical University (Grant č. 2017BS028 až XL) a Výskumný program odboru vedy a techniky Yunnan (Grant č. 2019FE001 (-222) až XL).
J. Wesson Ashford podal patentovú prihlášku na použitie špecifickej paradigmy kontinuálneho rozpoznávania opísanej v tomto dokumente pre všeobecné testovanie pamäte.
MemTrax, LLC je spoločnosť vlastnená Curtisom Ashfordom a táto spoločnosť riadi testovanie pamäte systém opísaný v tomto článku.
Zverejnenia autorov dostupné online (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
REFERENCIE
| [1] Alzheimerova asociácia (2016) 2016 Fakty o Alzheimerovej chorobe a postavy. Alzheimers Dement 12, 459-509. | |
| [2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) Účinok raného štádia Alzheimerova choroba o finančných výsledkoch domácností. 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) Zlepšenie kvality v r. neurológia: Sada na meranie kvality miernej kognitívnej poruchy. Neurológia 93, 705–713. |
| [4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) Nákladová efektívnosť používania kognitívne skríningové testy na zistenie demencie a mierneho kognitívneho poškodenia v primárnej starostlivosti. Int J Geriatr Psychiatry 32, 1392–1400. | |
| [5] Ashford JW, Gere E, Bayley PJ (2011) Meranie pamäte v nastaveniach veľkých skupín pomocou nepretržitého testu rozpoznávania. J Alzheimers Dis 27, 885-895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Počítačová úloha nepretržitého rozpoznávania na meranie epizodickej pamäte. J Alzheimers Dis 69, 385-399. |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Výkon epizodickej pamäte v modelovaní strojového učenia na predpovedanie klasifikácie kognitívneho zdravotného stavu. J Alzheimers Dis 70, 277-286. |
| [8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The Test MemTrax v porovnaní s odhadom mierneho kognitívneho poškodenia v Montreale. J Alzheimers Dis 67, 1045-1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Používanie izolovaných samohlások na klasifikáciu mierneho traumatického poranenia mozgu. V roku 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, Vancouver, BC, str. 7577–7581. |
| [10] | Dabek F, Caban JJ (2015) Využitie veľkých dát na modelovanie pravdepodobnosti vzniku psychických stavov po otrase mozgu. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Rozhodovací strom pre včasnú detekciu kognitívneho poškodenia komunitnými lekárnikmi. Front Pharmacol 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: Stručný skríningový nástroj pre miernu kognitívnu poruchu. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012) Pekinská verzia montrealského kognitívneho hodnotenia ako krátkeho skríningového nástroja pre miernu kognitívnu poruchu: Štúdia založená na komunite. BMC Psychiatry 12, 156. |
| [14] | Chen KL, Xu Y, Chu AQ, Ding D, Liang XN, Nasreddine ZS, Dong Q, Hong Z, Zhao QH, Guo QH (2016) Validácia čínskej verzie Montrealského kognitívneho hodnotenia základného pre skríning mierneho kognitívneho poškodenia. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N, Leach L, Murphy KJ (2018) Opätovné preskúmanie medzných skóre Montrealského kognitívneho hodnotenia (MoCA). Int J Geriatr Psychiatry 33, 379–388. |
| [16] | Americká psychiatrická asociácia (2013) Pracovná skupina Diagnostický a štatistický manuál duševných porúch: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC. |
| [17] | Python. Python Software Foundation, http://www.python.org, prístupné 15. novembra 2019. |
| [18] | R Core Group, R: Jazyk a prostredie pre štatistické výpočty R Foundation for Statistical Computing, Viedeň, Rakúsko. https://www.R-project.org/, 2018, prístupné 15. novembra 2019. |
| [19] | Benavoli A , Corani G , Demšar J , Zaffalon M (2017) Čas na zmenu: Návod na porovnávanie viacerých klasifikátorov pomocou Bayesovskej analýzy. J Mach Learn Res 18, 1–36. |
| [20] | Frank E, Hall MA, Witten IH (2016) Pracovný stôl WEKA. In Data mining: Praktické nástroje a techniky strojového učenia, Frank E, Hall MA, Witten IH, Pal CJ, ed. 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) Vyriešenie symptómov otrasov mozgu pri modelovaní na strednej škole pri športe. Med Sci Sports Exerc 51, 1362–1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Experimentálne perspektívy učenia sa z nevyvážených údajov. In Zborník príspevkov z 24. medzinárodnej konferencie o strojovom učení, Corvalis, Oregon, USA, str. 935-942. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Hodnotenie pacienta s Alzheimerovou chorobou a mini-duševný stav: Analýza krivky charakteristík položky. P. J Gerontol 44, 139–146. |
| [24] Ashford JW, Jarvik L (1985) Alzheimerova choroba: Predisponuje plasticita neurónov k axonálnej neurofibrilárnej degenerácii? N Engl J Med 313, 388-389. | |
| [25] Jack CR Jr , Therneau TM , Weigand SD , Wiste HJ , Knopman DS , Vemuri P , Lowe VJ , Mielke MM , Roberts RO , Machulda MM , Graff-Radford J , Jones DT , Schwarz CG , Gunter JML , Senjem , Rocca WA, Petersen RC (2019) Prevalencia biologicky verzus klinicky definovaných entít Alzheimerovho spektra pomocou Národného inštitútu pre starnutie-Alzheimer's Asociačný výskum rámec. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X, Ashford JW (2019) Pokroky v skríningových nástrojoch pre Alzheimerova choroba. Starnutie Med 2, 88–93. | |
| [27] Weiner MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) The Brain Health Register: Internetová platforma na nábor, hodnotenie a dlhodobé monitorovanie účastníkov neurovedeckých štúdií. Alzheimers Dement 14, 1063-1076. | |
| [28] Ashford JW, Schmitt FA (2001) Modelovanie časového priebehu Alzheimerova demencia. Curr Psychiatry Rep 3, 20–28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) čínska pozdĺžna štúdia o kognitívnom úpadku (SILCODE): Protokol pre čínsku longitudinálnu observačnú štúdiu na vývoj modelov predikcie rizika konverzie na miernu kognitívnu poruchu u jedincov so subjektívnou kognitívnou pokles. BMJ Open 9, e028188. |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) Päťročná variabilita progresie biomarkerov pre Alzheimerova choroba demencia Predikcia: Môže komplexná inštrumentálna aktivita každodenného života vyplniť medzery? Alzheimers Dement (Amst) 1, 521-532. | |
| [31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) Prevencia a liečba Alzheimerovej choroby: Biologické mechanizmy cvičenia. J Alzheimers Dis 69, 311-338. | |
| [32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Terapie pre prevencia a liečba Alzheimerovej choroby. Biomed Res Int 2016, 2589276. | |
| [33] | Lane CA , Barnes J , Nicholas JM , Sudre CH , Cash DM , Malone IB , Parker TD , Keshavan A , Buchanan SM , Keuss SE , James SN , Lu K , Murray-Smith H , Wong A , Gordon E , Coath W , Modat M, Thomas D, Richards M, Fox NC, Schott JM (2020) Asociácie medzi vaskulárnym rizikom v dospelosti a patológiou mozgu v neskorom veku: Dôkazy z britskej kohorty narodení. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) Prevencia demencie-myslenie po staršom veku a amyloidné boxy. JAMA Neurol 77, 160–161. |
| [35] | Maillard P , Seshadri S , Beiser A , Himali JJ , Au R , Fletcher E , Carmichael O , Wolf PA , DeCarli C (2012) Účinky systolického krvného tlaku na integritu bielej hmoty u mladých dospelých v štúdii Framingham Heart: A cross -sekčné štúdium. Lancet Neurol 11, 1039-1047. |
| [36] Fink HA , Linskens EJ , Silverman PC , McCarten JR , Hemmy LS , Ouellette JM , Greer NL , Wilt TJ , Butler M (2020) Presnosť testovania biomarkerov pre neuropatologicky definované Alzheimerova choroba u starších dospelých s demenciou. Ann Intern Med 172, 669–677. |
Pobočky: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] Katedra počítačového a elektrotechnického inžinierstva a informatiky, Florida Atlantic University, Boca Raton, FL, USA | [c] SJN Biomed LTD, Kunming, Yunnan, Čína | [d] Centrum pre Alzheimerov výskum, Washingtonský inštitút klinického výskumu, Washington, DC, USA | [e] Oddelenie rehabilitačného lekárstva, Prvá pridružená nemocnica Kunmingskej lekárskej univerzity, Kunming, Yunnan, Čína | [f] Neurologické oddelenie, Dehong People's Hospital, Dehong, Yunnan, Čína | [g] Neurologické oddelenie, Prvá pridružená nemocnica Lekárskej univerzity Kunming, okres Wuhua, Kunming, provincia Yunnan, Čína | [h] Centrum pre štúdium chorôb a zranení súvisiacich s vojnou, VA Palo Alto Zdravotná starostlivosť System, Palo Alto, CA, USA | [i] Department of Psychiatry & Behavioral Sciences, Stanford University School of Medicine, Palo Alto, CA, USA
Korešpondencia: [*] Korešpondencia s: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. E-mail: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Neurologické oddelenie, Prvá pridružená nemocnica Kunmingskej lekárskej univerzity, 295 Xichang Road, okres Wuhua, Kunming, provincia Yunnan 650032, Čína. E-mail: ring@vip.163.com.
Kľúčové slová: starnutie, Alzheimerova choroba, demencia, masový skríning