Dobia e MemTrax dhe modelimi i mësimit të makinerisë në klasifikimin e dëmtimit të lehtë njohës
Artikuj kërkimor
Autorë: 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
Ditari: Gazeta e Sëmundja e Alzheimerit, vol. 77, nr. 4, f. 1545-1558, 2020
Abstrakt
Sfondi:
Incidenca dhe prevalenca e përhapur e Sëmundja Alzheimer dhe dëmtimi i lehtë kognitiv (MCI) ka nxitur një thirrje urgjente për kërkime për të vërtetuar shqyrtimin dhe vlerësimin njohës të zbulimit të hershëm.
Objektivi:
Qëllimi ynë kryesor i kërkimit ishte të përcaktonim nëse metrikat e përzgjedhura të performancës MemTrax dhe karakteristikat demografike dhe të profilit shëndetësor përkatës mund të përdoren në mënyrë efektive në modelet parashikuese të zhvilluara me mësimin e makinerive për të klasifikuar shëndetin kognitiv (normal kundrejt MCI), siç do të tregohej nga Vlerësimi Konjitiv i Montrealit (MMK).
Metodat:
Ne kryem një studim ndër-seksional mbi 259 pacientë të rritur të neurologjisë, klinikës së kujtesës dhe mjekësisë së brendshme të rekrutuar nga dy spitalet në Kinë. Secilit pacient iu dha MCA në gjuhën kineze dhe vetë-administroi episodin online me njohjen e vazhdueshme të MemTrax testi i kujtesës në internet ne te njejten dite. Modelet e klasifikimit parashikues u ndërtuan duke përdorur mësimin e makinerive me vërtetim të kryqëzuar 10-fish dhe performanca e modelit u mat duke përdorur Zonën Nën Kurbën Karakteristike Operative të Marrësit (AUC). Modelet u ndërtuan duke përdorur dy metrika të performancës MemTrax (përqindja e saktë, koha e përgjigjes), së bashku me tetë tiparet e zakonshme demografike dhe të historisë personale.
Results:
Duke krahasuar nxënësit në kombinime të përzgjedhura të rezultateve dhe pragjeve të MCA, Naïve Bayes ishte përgjithësisht nxënësi me performancën më të mirë me një performancë të përgjithshme klasifikimi prej 0.9093. Më tej, midis tre nxënësve më të mirë, performanca e klasifikimit të bazuar në MemTrax në përgjithësi ishte superiore duke përdorur vetëm katër veçoritë e renditura më të mira (0.9119) krahasuar me përdorimin e të gjitha 10 veçorive të zakonshme (0.8999).
Përfundim:
Performanca e MemTrax mund të përdoret në mënyrë efektive në një model parashikues të klasifikimit të mësimit të makinës aplikacion skrining për zbulimin e dëmtimit kognitiv në fazën e hershme.
HYRJE
Incidenca dhe prevalenca e njohur (edhe pse e nëndiagnostikuar) e përhapur dhe paralelisht në rritje mjekësore, sociale dhe publike shëndetësor kostot dhe barra e sëmundjes së Alzheimerit (AD) dhe dëmtimi i butë njohës (MCI) po sforcojnë gjithnjë e më shumë për të gjithë palët e interesuara [1, 2]. Ky skenar shqetësues dhe borgjen ka nxitur një thirrje urgjente për kërkime për të vërtetuar zbulimin e hershëm të Instrumentet e shqyrtimit dhe vlerësimit njohës për dobi të rregullt praktike në mjediset personale dhe klinike për pacientët e moshuar nëpër rajone dhe popullata të ndryshme [3]. Këto instrumente duhet gjithashtu të sigurojnë përkthim të pandërprerë të rezultateve informative në të dhënat elektronike shëndetësore. Përfitimet do të realizohen duke informuar pacientët dhe duke ndihmuar mjekët në njohjen më herët të ndryshimeve të rëndësishme dhe në këtë mënyrë të mundësojnë shtresim, zbatim dhe gjurmim më të shpejtë dhe në kohë të trajtimit dhe kujdesit të duhur të individualizuar dhe me kosto më efektive për pacientët për ata që fillojnë të përjetojnë rënia kognitive [3, 4].
Mjeti i kompjuterizuar MemTrax (https://memtrax.com) është një vlerësim i thjeshtë dhe i shkurtër i njohjes së vazhdueshme që mund të administrohet vetë në internet për të matur performancën sfiduese të kujtesës episodike me kohë, ku përdoruesi u përgjigjet imazheve të përsëritura dhe jo një prezantimi fillestar [5, 6]. Hulumtimet e fundit dhe implikimet praktike që rezultojnë kanë filluar të demonstrojnë në mënyrë progresive dhe kolektive efikasitetin klinik të MemTrax në shfaqjen e hershme të AD dhe MCI [5-7]. Megjithatë, krahasimi i drejtpërdrejtë i dobisë klinike me ato ekzistuese shëndeti njohës vlerësimi dhe standardet konvencionale janë të garantuara për të informuar perspektivën profesionale dhe për të vërtetuar dobinë MemTrax në zbulimin e hershëm dhe mbështetjen diagnostikuese. van der Hoek etj. [8] krahasoi metrikat e zgjedhura të performancës MemTrax (shpejtësia e reagimit dhe përqindja e saktë) me statusin njohës siç përcaktohet nga Montreali Vlerësimi Kognitiv (MMK). Megjithatë, ky studim u kufizua në lidhjen e këtyre metrikave të performancës me karakterizimin e statusit njohës (siç përcaktohet nga MCA) dhe përcaktimin e diapazoneve relative dhe vlerave kufitare. Prandaj, për të zgjeruar këtë hetim dhe për të përmirësuar performancën dhe efikasitetin e klasifikimit, pyetja jonë kryesore e kërkimit ishte:
- Mund të zgjidhen metrikat e performancës MemTrax të një individi dhe demografia dhe shëndeti përkatës Profili karakteristikat të përdoren në mënyrë efektive në një model parashikues të zhvilluar me mësimin e makinerive për të klasifikuar shëndetin kognitiv në mënyrë dikotomike (normale kundrejt MCI), siç do të tregohej nga rezultati i MCA-së?
Së dyti për këtë, ne donim të dinim:
- Duke përfshirë të njëjtat veçori, a mund të zbatohet në mënyrë efektive një model i mësimit makineri i bazuar në performancën MemTrax tek një pacient për të parashikuar ashpërsinë (e lehtë kundrejt të rëndë) brenda kategorive të zgjedhura të dëmtimit njohës siç do të përcaktohej nga një diagnozë klinike e pavarur?
Ardhja dhe aplikimi praktik në zhvillim i inteligjencës artificiale dhe mësimit të makinerive në depistimin/zbulimin kanë demonstruar tashmë avantazhe praktike të dallueshme, me modelimin parashikues që drejton efektivisht mjekët në vlerësimin sfidues të shëndetit kognitiv/trurit dhe menaxhimit të pacientit. Në studimin tonë, ne zgjodhëm një qasje të ngjashme në modelimin e klasifikimit MCI dhe diskriminimin e ashpërsisë së dëmtimit kognitiv siç konfirmohet nga diagnoza klinike nga tre grupe të dhënash që përfaqësojnë pacientë të zgjedhur vullnetarë të shtruar dhe pacientë ambulatorë nga dy spitale në Kinë. Duke përdorur modelimin parashikues të mësimit të makinës, ne identifikuam nxënësit me performancën më të mirë nga kombinimet e ndryshme të të dhënave/nxënësve dhe renditëm veçoritë për të na udhëhequr në përcaktimin e aplikacioneve më praktike të modelit klinik.
Hipotezat tona ishin se një model i vlefshëm i bazuar në MemTrax mund të përdoret për të klasifikuar shëndetin kognitiv në mënyrë dikotomike (normale ose MCI) bazuar në kriterin e pragut të rezultatit agregat të MCA-së dhe se një model i ngjashëm parashikues MemTrax mund të përdoret në mënyrë efektive në diskriminimin e ashpërsisë në kategori të zgjedhura të diagnostikuar klinikisht dëmtim njohës. Demonstrimi i rezultateve të parashikuara do të ishte i dobishëm në mbështetjen e efikasitetit të MemTrax si një ekran i zbulimit të hershëm për klasifikimin e rënies njohëse dhe dëmtimit kognitiv. Krahasimi i favorshëm me një standard të supozuar të industrisë, i plotësuar nga lehtësia dhe shpejtësia shumë më e madhe e përdorimit do të ishte ndikues për t'i ndihmuar klinikët të adoptojnë këtë mjet të thjeshtë, të besueshëm dhe të arritshëm si një ekran fillestar në zbulimin e deficiteve njohëse të fazës së hershme (përfshirë prodromale). Një qasje dhe dobi e tillë mund të nxisë kështu kujdesin dhe ndërhyrjen më të mirë në kohë dhe më të shtresuar të pacientit. Këto njohuri paramenduese dhe metrika dhe modele të përmirësuara mund të jenë gjithashtu të dobishme në zbutjen ose ndalimin e përparimit të demencës, duke përfshirë AD dhe demencët e lidhura me AD (ADRD).
MATERIALE DHE METODA
Studimi i popullsisë
Midis janarit 2018 dhe gushtit 2019, u përfundua një hulumtim ndër-seksional mbi pacientët e rekrutuar nga dy spitale në Kinë. Administrimi i MemTrax [5] për individët e moshës 21 vjeç e lart dhe mbledhja dhe analiza e këtyre të dhënave u rishikuan dhe u miratuan nga dhe u administruan në përputhje me standardet etike të Njerëzor Komiteti i Mbrojtjes së Lëndëve të Universitetit të Stanfordit. MemTrax dhe të gjitha testimet e tjera për këtë studim të përgjithshëm u kryen sipas deklaratës së Helsinkit të 1975 dhe miratuar nga Bordi i Rishikimit Institucional i Spitalit të Parë të Asociuar të Universitetit Mjekësor Kunming në Kunming, Yunnan, Kinë. Secilit përdorues iu dha një pëlqimi i informuar formular për të lexuar/rishikuar dhe më pas pranoni vullnetarisht të merrni pjesë.
Pjesëmarrësit u rekrutuan nga grupi i pacientëve ambulatorë në klinikën e neurologjisë në Spitalin Yanhua (nën-grupi i të dhënave YH) dhe Klinika e kujtesës në Spitalin e Parë të Bashkuar të Kunming Medical Universiteti (nën-bashkësia e të dhënave XL) në Pekin, Kinë. Pjesëmarrësit u rekrutuan gjithashtu nga pacientët e shtruar nga neurologjia (nën-grupi i të dhënave XL) dhe mjekësia e brendshme (nën- grupi i të dhënave KM) në Spitalin e Parë të Bashkuar të Universitetit Mjekësor Kunming. Kriteret e përfshirjes përfshinin 1) burra dhe gra të paktën 21 vjeç, 2) aftësi për të folur kinezisht (mandarinisht) dhe 3) aftësi për të kuptuar udhëzimet verbale dhe të shkruara. Kriteret e përjashtimit ishin dëmtimet e shikimit dhe motorikës që i pengonin pjesëmarrësit të plotësonin Testi MemTrax, si dhe pamundësia për të kuptuar udhëzimet specifike të testit.
Versioni kinez i MemTrax
Online U përkthye platforma e testimit MemTrax në gjuhën kineze (URL: https://www.memtrax.com.cn) dhe përshtatur më tej për t'u përdorur përmes WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Kinë) për vetëadministrim. Të dhënat u ruajtën në një server cloud (Ali Cloud) i vendosur në Kinë dhe i licencuar nga Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, Kinë) nga SJN Biomed LTD (Kunming, Yunnan, Kinë). Detaje specifike mbi MemTrax dhe kriteret e vlefshmërisë së testit të përdorura këtu janë përshkruar më parë [6]. Testi iu ofrua pacientëve pa pagesë.
Procedurat e studimit
Për pacientët e shtruar dhe ambulator, një pyetësor i përgjithshëm në letër për mbledhjen e informacionit demografik dhe personal si mosha, gjinia, vitet e arsimimit, profesioni, që jetojnë vetëm ose me familjen, dhe historia mjekësore është administruar nga një anëtar i ekipit të studimit. Pas plotësimit të pyetësorit, u administruan testet MCA [12] dhe MemTrax (MCA së pari) me jo më shumë se 20 minuta ndërmjet testeve. Përqindja e MemTrax e saktë (MTx-% C), koha mesatare e përgjigjes (MTx-RT) dhe data dhe ora e testimit u regjistruan në letër nga një anëtar i ekipit të studimit për secilin pjesëmarrës të testuar. Pyetësori i plotësuar dhe rezultatet e MÇK-së u ngarkuan në një tabelë Excel nga studiuesi që administroi testet dhe u verifikuan nga një koleg përpara se skedarët e Excel të ruheshin për analiza.
Testi MemTrax
Testi në internet i MemTrax përfshiu 50 imazhe (25 unike dhe 25 përsëritje; 5 grupe me 5 imazhe të skenave ose objekteve të zakonshme) të paraqitura në një renditje të caktuar pseudo të rastësishme. Pjesëmarrësi (sipas udhëzimeve) do të prekte butonin Start në ekran për të filluar testin dhe për të filluar shikimin e serisë së imazheve dhe përsëri do të prekte imazhin në ekran sa më shpejt të jetë e mundur sa herë që shfaqej një foto e përsëritur. Çdo imazh shfaqej për 3 s ose derisa të prekej imazhi në ekran, gjë që nxiti paraqitjen e menjëhershme të fotografisë tjetër. Duke përdorur orën e brendshme të pajisjes lokale, MTx-RT për çdo imazh u përcaktua nga koha e kaluar nga prezantimi i imazhit deri në momentin kur ekrani u prek nga pjesëmarrësi në përgjigje të njohjes së imazhit si ai që ishte shfaqur tashmë. gjatë testimit. MTx-RT u regjistrua për çdo imazh, me plot 3 s të regjistruara që tregonin asnjë përgjigje. MTx-% C u llogarit për të treguar përqindjen e imazheve të përsëritura dhe fillestare të cilave përdoruesi iu përgjigj saktë (pozitive e vërtetë + negative e vërtetë pjesëtuar me 50). Detaje shtesë të administrimit dhe zbatimit të MemTrax, reduktimit të të dhënave, të dhënave të pavlefshme ose "pa përgjigje" dhe analizave të të dhënave parësore përshkruhen diku tjetër [6].
Testi MemTrax u shpjegua në detaje dhe një test praktik (me imazhe unike të ndryshme nga ato të përdorura në test për regjistrimin e rezultateve) iu dha pjesëmarrësve në mjedisin spitalor. Pjesëmarrësit në nën-grupet e të dhënave YH dhe KM morën testin MemTrax në një smartphone që ishte ngarkuar me aplikacionin në WeChat; ndërsa një numër i kufizuar i pacientëve të nën-të dhënave XL përdorën një iPad dhe pjesa tjetër përdorte një smartphone. Të gjithë pjesëmarrësit morën testin MemTrax me një hetues studimi që vëzhgonte pa vëmendje.
Vlerësimi kognitiv i Montrealit
Versioni i Pekinit i MCA Kineze (MoCA-BC) [13] u administrua dhe u vlerësua nga studiues të trajnuar sipas udhëzimeve zyrtare të testit. Në mënyrë të përshtatshme, MCA-BC është treguar të jetë e besueshme test për njohjen shqyrtimi në të gjitha nivelet e arsimit në të rriturit e moshuar kinezë [14]. Çdo test mori rreth 10 deri në 30 minuta për t'u administruar bazuar në aftësitë njohëse të pjesëmarrësit përkatës.
Modelimi i klasifikimit të MPÇ
Kishte gjithsej 29 veçori të përdorshme, duke përfshirë dy MemTrax matjet e performancës së testit dhe 27 veçori që lidhen me demografinë dhe shëndetin informacion për secilin pjesëmarrës. Rezultati i përgjithshëm i testit të MCA të secilit pacient është përdorur si rezultat shqyrtimi njohës "Benchmark" për të trajnuar modelet tona parashikuese. Rrjedhimisht, për shkak se MCA është përdorur për të krijuar etiketën e klasës, ne nuk mund të përdorim rezultatin e përgjithshëm (ose ndonjë nga pikët e nëngrupit të MCA) si një veçori të pavarur. Kemi kryer eksperimente paraprake në të cilat kemi modeluar (klasifikimin e shëndetit kognitiv të përcaktuar nga MCA) tre nën-të dhënat origjinale të spitalit/klinikave individualisht dhe më pas i kemi kombinuar duke përdorur të gjitha veçoritë. Megjithatë, të gjithë elementët e njëjtë të të dhënave nuk u mblodhën në secilën nga katër klinikat që përfaqësojnë tre nën-bashkësitë e të dhënave; Kështu, shumë nga veçoritë tona në grupin e të dhënave të kombinuara (kur përdoren të gjitha veçoritë) kishin një incidencë të lartë të vlerave të humbura. Më pas ndërtuam modele me grupin e të dhënave të kombinuara duke përdorur vetëm veçori të përbashkëta që rezultuan në përmirësimin e performancës së klasifikimit. Kjo ka të ngjarë të shpjegohet nga një kombinim i të paturit më shumë raste për të punuar duke kombinuar tre nën-të dhënat e pacientëve dhe asnjë veçori me një prevalencë të paarsyeshme të vlerave që mungojnë (vetëm një veçori në grupin e të dhënave të kombinuar, lloji i punës, kishte ndonjë vlerë të munguar, duke ndikuar vetëm tre raste pacientësh), sepse janë përfshirë vetëm tiparet e zakonshme të regjistruara në të tre vendet. Veçanërisht, ne nuk kishim një kriter specifik refuzimi për çdo veçori që përfundimisht nuk u përfshi në grupin e të dhënave të kombinuar. Megjithatë, në modelimin tonë paraprak të kombinuar të të dhënave, ne fillimisht përdorëm të gjitha veçoritë nga secili prej tre nën-bashkësive të veçanta të të dhënave të pacientit. Kjo rezultoi gjerësisht në performancën e modelit që ishte dukshëm më e ulët se modelimi fillestar paraprak për çdo nën-bashkësi të të dhënave individuale. Për më tepër, ndërsa performanca e klasifikimit të modeleve të ndërtuara duke përdorur të gjitha veçoritë ishte inkurajuese, për të gjithë nxënësit dhe skemat e klasifikimit, performanca u përmirësua për dy herë më shumë modele kur përdoreshin vetëm veçori të përbashkëta. Në fakt, mes atyre që përfunduan të ishin nxënësit tanë më të mirë, të gjithë, përveç një modeli, u përmirësuan me eliminimin e veçorive jo të zakonshme.
Përmbledhja përfundimtare e të dhënave (YH, XL dhe KM të kombinuara) përfshinte 259 raste, secila përfaqësonte një pjesëmarrës unik që mori testet MemTrax dhe MCA. Kishte 10 veçori të përbashkëta të pavarura: Metrikat e performancës MemTrax: MTx-% C dhe mesatare MTx-RT; informacion demografik dhe historik mjekësor: mosha, gjinia, vitet e arsimit, lloji i punës (jakë blu/jakë e bardhë), mbështetje sociale (nëse testuesi jeton vetëm apo me familjen), dhe po/jo përgjigje nëse përdoruesi kishte një historia e diabetit, hiperlipidemisë ose dëmtimit traumatik të trurit. Dy metrikë shtesë, rezultati i përgjithshëm i MPÇ-së dhe rezultati i përgjithshëm i MPÇ-së i rregulluar për vitet e arsimit [12], u përdorën veçmas për të zhvilluar etiketat e klasifikimit të varur, duke krijuar kështu dy skema modelimi të dallueshme për t'u aplikuar në grupin e të dhënave tona të kombinuara. Për secilin version (të rregulluar dhe të parregulluar) të rezultatit të MÇK-së, të dhënat u modeluan përsëri veçmas për klasifikimin binar duke përdorur dy pragje kriteresh të ndryshme - atë të rekomanduar fillimisht [12] dhe një vlerë alternative të përdorur dhe promovuar nga të tjerët [8, 15]. Në skemën e klasifikimit të pragut alternativ, një pacient konsiderohej se kishte shëndet normal njohës nëse ai/ajo shënonte ≥23 në testin MCA dhe kishte MCI nëse rezultati ishte 22 ose më i ulët; ndërsa, në formatin fillestar të rekomanduar të klasifikimit, pacienti duhej të shënonte 26 ose më mirë në MCA për t'u etiketuar si me shëndet normal konjitiv.
Të dhëna të filtruara për modelimin e klasifikimit të MPÇ
Ne ekzaminuam më tej klasifikimin e MCA duke përdorur katër teknika të renditjes së tipareve të përdorura zakonisht: Chi-Squared, Gain Ratio, Information Gain dhe Symmetrical Pasigurity. Për perspektivën e përkohshme, ne aplikuam renditjen në të gjithë grupin e të dhënave të kombinuara duke përdorur secilën nga katër skemat tona të modelimit. Të gjithë renditësit ranë dakord për të njëjtat tipare kryesore, p.sh., moshën, numrin e viteve të arsimimit dhe të dyja matjet e performancës së MemTrax (MTx-% C, mesatarja MTx-RT). Më pas ne rindërtuam modelet duke përdorur secilën teknikë të përzgjedhjes së veçorive për t'i trajnuar modelet vetëm në katër veçoritë kryesore (shih Zgjedhja e funksioneve më poshtë).
Tetë variacionet përfundimtare rezultante të skemave të modelimit të klasifikimit të rezultateve të MÇK-së janë paraqitur në Tabelën 1.
Tabela 1
Përmbledhje e variacioneve të skemave të modelimit të përdorura për klasifikimin e MCA (Normal Shëndeti kognitiv kundrejt MCI)
| Skema e modelimit | Shëndeti normal kognitiv (klasa negative) | MCI (klasa pozitive) |
| E rregulluar-23 E pafiltruar/e filtruar | 101 (% 39.0) | 158 (% 61.0) |
| E rregulluar-26 E pafiltruar/e filtruar | 49 (% 18.9) | 210 (% 81.1) |
| I parregulluar-23 I pafiltruar/i filtruar | 92 (% 35.5) | 167 (% 64.5) |
| I parregulluar-26 I pafiltruar/i filtruar | 42 (% 16.2) | 217 (% 83.8) |
Numri përkatës dhe përqindja e totalit të pacientëve në secilën klasë diferencohen nga rregullimi i pikës për arsimin (i rregulluar ose i parregulluar) dhe pragu i klasifikimit (23 ose 26), siç zbatohet për të dy grupet e veçorive (të pafiltruara dhe të filtruara).
Modelimi i vlerësimit klinik të bazuar në MemTrax
Nga tre nën-bashkësitë tona origjinale të të dhënave (YH, XL, KM), vetëm pacientët e nën-të dhënave XL u diagnostikuan në mënyrë të pavarur klinikisht për dëmtim njohës (d.m.th., rezultatet e tyre përkatëse të MCA nuk u përdorën në përcaktimin e një klasifikimi të normales kundrejt atyre të dëmtuar). Në mënyrë të veçantë, pacientët XL u diagnostikuan me ose Testi i sëmundjes Alzheimer (AD) ose demenca vaskulare (VaD). Brenda secilës prej këtyre kategorive të diagnozës parësore, kishte një përcaktim të mëtejshëm për MCI. Diagnozat e MCI, demencës, çrregullimit neurokognitiv vaskular dhe çrregullimit neurokognitiv për shkak të AD u bazuan në kritere diagnostike specifike dhe dalluese të përshkruara në Manualin Diagnostik dhe Statistikor të Çrregullimeve Mendore: DSM-5 [16]. Duke marrë parasysh këto diagnoza të rafinuara, dy skema të modelimit të klasifikimit u aplikuan veçmas në nën-bashkësinë e të dhënave XL për të dalluar nivelin e ashpërsisë (shkallën e dëmtimit) për secilën kategori të diagnozës primare. Të dhënat e përdorura në secilën prej këtyre skemave të modelimit diagnostik (AD dhe VaD) përfshinin informacione demografike dhe të historisë së pacientit, si dhe performancën e MemTrax (MTx-% C, mesatarja MTx-RT). Çdo diagnozë u etiketua e butë nëse caktohet MCI; përndryshe, konsiderohej e rëndë. Fillimisht kemi konsideruar përfshirjen e rezultatit të MÇK-së në modelet e diagnozës (të lehta ndaj të rënda); por ne përcaktuam se kjo do të shkatërronte qëllimin e skemës sonë dytësore të modelimit parashikues. Këtu nxënësit do të trajnohen duke përdorur karakteristika të tjera të pacientit të disponueshme lehtësisht nga ofruesi dhe metrikat e performancës së testit më të thjeshtë MemTrax (në vend të MCA) kundrejt referencës "standardi i artë", diagnoza e pavarur klinike. Kishte 69 raste në grupin e të dhënave të diagnozës AD dhe 76 raste të VaD (Tabela 2). Në të dy grupet e të dhënave, kishte 12 veçori të pavarura. Përveç 10 veçorive të përfshira në klasifikimin e rezultateve të MCA, historia e pacientit përfshinte gjithashtu informacion mbi historinë e hipertensionit dhe goditjes në tru.
Tabela 2
Përmbledhje e variacioneve të skemës së modelimit të përdorura për klasifikimin e ashpërsisë së diagnozës (I lehtë kundrejt të rëndë)
| Skema e modelimit | E lehtë (klasa negative) | E rëndë (klasa pozitive) |
| MCI-AD kundrejt AD | 12 (% 17.4) | 57 (% 82.6) |
| MCI-VaD kundrejt VaD | 38 (% 50.0) | 38 (% 50.0) |
Numri dhe përqindja përkatëse e totalit të pacientëve në çdo klasë diferencohen sipas kategorisë së diagnozës parësore (AD ose VaD).
të dhëna statistikore
Krahasimi i karakteristikave të pjesëmarrësve dhe veçorive të tjera numerike ndërmjet nën-bashkësive të të dhënave për secilën strategji të klasifikimit të modelit (për të parashikuar shëndetin kognitiv të MCA dhe ashpërsinë e diagnozës) u krye duke përdorur gjuhën e programimit Python (versioni 2.7.1) [17]. Dallimet e performancës së modelit fillimisht u përcaktuan duke përdorur një ANOVA me një ose dy faktorë (sipas rastit) me një interval besimi 95% dhe testin e dallimeve domethënëse të sinqerta Tukey (HSD) për të krahasuar mesataret e performancës. Ky ekzaminim i dallimeve midis performancave të modelit u krye duke përdorur një kombinim të Python dhe R (versioni 3.5.1) [18]. Ne e përdorëm këtë qasje (megjithëse, ndoshta më pak se optimale) vetëm si një ndihmë heuristike për këtë faza fillestare për krahasimet fillestare të performancës së modelit në parashikimin e aplikimit të mundshëm klinik. Ne përdorëm më pas testin e rangut të nënshkruar Bayesian duke përdorur një shpërndarje të pasme për të përcaktuar probabilitetin e dallimeve të performancës së modelit [19]. Për këto analiza, ne përdorëm intervalin –0.01, 0.01, duke nënkuptuar se nëse dy grupe kishin një diferencë të performancës më të vogël se 0.01, ato konsideroheshin të njëjta (brenda rajonit të ekuivalencës praktike), ose ndryshe ishin të ndryshëm (një më i mirë se tjetri). Për të kryer krahasimin Bayesian të klasifikuesve dhe për të llogaritur këto probabilitete, ne përdorëm bibliotekën baycomp (versioni 1.0.2) për Python 3.6.4.
Modelimi parashikues
Ne ndërtuam modele parashikuese duke përdorur dhjetë variacionet totale të skemave tona të modelimit për të parashikuar (klasifikuar) rezultatin e testit MCA të secilit pacient ose ashpërsinë e diagnozës klinike. Të gjithë nxënësit u aplikuan dhe modelet u ndërtuan duke përdorur platformën softuerike me burim të hapur Weka [20]. Për analizën tonë paraprake, ne përdorëm 10 algoritme mësimore të përdorura zakonisht: 5-Fqinjët më të afërt, dy versione të pemës së vendimeve C4.5, Regresioni logjistik, Perceptron shumështresor, Naïve Bayes, dy versione të Pyllit të rastësishëm, Rrjeti i Funksionit Radial Bazë dhe Vektori mbështetës. Makinë. Atributet kryesore dhe kontrastet e këtyre algoritmeve janë përshkruar diku tjetër [21] (shih Shtojcën përkatëse). Këto u zgjodhën sepse përfaqësojnë një shumëllojshmëri të llojeve të ndryshme të nxënësve dhe sepse ne kemi demonstruar sukses duke i përdorur ato në analizat e mëparshme mbi të dhëna të ngjashme. Cilësimet e hiper-parametrit u zgjodhën nga hulumtimi ynë i mëparshëm, duke treguar se ato janë të qëndrueshme në një shumëllojshmëri të dhënash të ndryshme [22]. Bazuar në rezultatet e analizës sonë paraprake duke përdorur të njëjtin grup të dhënash të kombinuar me veçori të përbashkëta që u përdorën më pas në analizën e plotë, ne identifikuam tre nxënës që ofruan performancë të qëndrueshme në të gjitha klasifikimet: Regresioni logjistik, Naiv Bayes dhe Makina Vektoriale Mbështetëse.
Vlefshmëria e kryqëzuar dhe metrika e performancës së modelit
Për të gjitha modelimet parashikuese (përfshirë analizat paraprake), secili model u ndërtua duke përdorur vërtetimin e kryqëzuar 10-fish dhe performanca e modelit u mat duke përdorur Zonën Nën Kurbën Karakteristike Operative të Marrësit (AUC). Vërtetimi i kryqëzuar filloi me ndarjen e rastësishme të secilit prej 10 grupeve të të dhënave të skemave të modelimit në 10 segmente të barabarta (palosje), duke përdorur nëntë nga këto segmente përkatëse për të trajnuar modelin dhe segmentin e mbetur për testim. Kjo procedurë u përsërit 10 herë, duke përdorur një segment të ndryshëm si grup testi në çdo përsëritje. Rezultatet më pas u kombinuan për të llogaritur rezultatin/performancën e modelit përfundimtar. Për çdo kombinim nxënës/bashkësi të të dhënave, i gjithë ky proces u përsërit 10 herë me të dhënat që ndaheshin ndryshe çdo herë. Ky hap i fundit reduktoi paragjykimet, siguroi përsëritshmërinë dhe ndihmoi në përcaktimin e performancës së përgjithshme të modelit. Në total (për skemat e klasifikimit të klasifikimit të ashpërsisë së diagnozës dhe rezultateve të MPÇ-së), u ndërtuan 6,600 modele. Kjo përfshinte 1,800 modele të pafiltruara (6 skema modelimi të aplikuara në grupin e të dhënave×3 nxënës×10 ekzekutime×10 palosje = 1,800 modele) dhe 4,800 modele të filtruara (4 skema modelimi të aplikuara për grupin e të dhënave×3 nxënës×4 teknika të përzgjedhjes së veçorive×10 ekzekutime× 10 palosje = 4,800 modele).
Zgjedhja e funksioneve
Për modelet e filtruara, përzgjedhja e veçorive (duke përdorur katër metodat e renditjes së veçorive) u krye brenda verifikimit të kryqëzuar. Për secilën nga 10 palosjet, pasi një 10% e ndryshme e grupit të të dhënave ishte të dhënat e testit, u përdorën vetëm katër tiparet kryesore të zgjedhura për secilën grup të dhënash trajnimi (d.m.th., nëntë palosjet e tjera ose 90% e mbetur e të gjithë grupit të të dhënave) për të ndërtuar modelet. Ne nuk ishim në gjendje të konfirmonim se cilat katër veçori janë përdorur në secilin model, pasi ai informacion nuk ruhet ose vihet në dispozicion brenda platformës së modelimit që kemi përdorur (Weka). Megjithatë, duke pasur parasysh konsistencën në zgjedhjen tonë fillestare të veçorive kryesore kur renditjet u aplikuan në të gjithë grupin e të dhënave të kombinuara dhe ngjashmërinë pasuese në performancat e modelimit, të njëjtat karakteristika (mosha, vitet e arsimit, MTx-% C dhe mesatarja MTx-RT ) janë ndoshta katër të parët më të përhapur të përdorur në të njëjtën kohë me përzgjedhjen e veçorive brenda procesit të verifikimit të kryqëzuar.
REZULTATET
Karakteristikat numerike të pjesëmarrësve (përfshirë rezultatet e MCA dhe matjet e performancës MemTrax) të grupeve përkatëse të të dhënave për secilën strategji të klasifikimit të modelit për të parashikuar shëndetin kognitiv të indikuar nga MCA (normal kundrejt MCI) dhe ashpërsia e diagnozës (i lehtë kundrejt të rëndë) tregohen në Tabelën 3.
Tabela 3
Karakteristikat e pjesëmarrësve, rezultatet e MCA dhe performanca e MemTrax për secilën strategji të klasifikimit të modelit
| Strategjia e Klasifikimit | moshë | Arsim | MCA e rregulluar | MPÇ e parregulluar | MTx-% C | MTx-RT |
| Kategoria MCA | 61.9 vjeç (13.1) | 9.6 vjeç (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 s (0.3) |
| Ashpërsia e diagnozës | 65.6 vjeç (12.1) | 8.6 vjeç (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 s (0.3) |
Vlerat e shfaqura (mesatarja, SD) të diferencuara nga strategjitë e klasifikimit të modelimit janë përfaqësuese të grupit të të dhënave të kombinuar të përdorur për të parashikuar shëndetin kognitiv të indikuar nga MCA (MCI kundrejt normales) dhe nën-bashkësia e të dhënave XL e përdorur vetëm për të parashikuar ashpërsinë e diagnozës (i lehtë kundrejt të rëndë).
Për çdo kombinim të rezultatit të MCA-së (i rregulluar/i parregulluar) dhe pragut (26/23), kishte një diferencë statistikore (p = 0.000) në çdo krahasim në çift (shëndeti normal konjitiv kundrejt MCI) për moshën, arsimin dhe performancën e MemTrax (MTx-% C dhe MTx-RT). Çdo nën-të dhëna për pacientët në klasën përkatëse MCI për secilin kombinim ishte mesatarisht rreth 9 deri në 15 vjet më i vjetër, raportoi rreth pesë vite më pak arsimim dhe kishte performancë më pak të favorshme MemTrax për të dyja metrikat.
Rezultatet parashikuese të performancës së modelimit për klasifikimet e rezultateve të MCA duke përdorur tre nxënësit kryesorë, Regresioni Logjistik, Naïve Bayes dhe Makina Vektoriale Mbështetëse, janë paraqitur në Tabelën 4. Këto të treja janë zgjedhur bazuar në performancën më të lartë absolute të nxënësit në të gjitha modelet e ndryshme aplikuar në grupet e të dhënave për të gjitha skemat e modelimit. Për grupin e të dhënave të pafiltruar dhe modelimin, secila prej vlerave të të dhënave në Tabelën 4 tregon performancën e modelit bazuar në mesataren përkatëse AUC që rrjedh nga 100 modelet (10 ekzekutime x 10 palosje) të ndërtuara për çdo kombinim nxënës/skemë modelimi, me më të lartën përkatëse. nxënësi performues i treguar me shkronja të zeza. Ndërsa për modelimin e të dhënave të filtruar, rezultatet e raportuara në Tabelën 4 pasqyrojnë performancën e përgjithshme mesatare të modelit nga 400 modele për secilin nxënës duke përdorur secilën nga metodat e renditjes së veçorive (4 metoda të renditjes së veçorive x 10 ekzekutime x 10 palosje).
Tabela 4
Rezultatet dikotomike të klasifikimit të rezultateve të MCA (AUC; 0.0–1.0) për secilin nga tre nxënësit me performancë më të mirë për të gjitha skemat përkatëse të modelimit
| Kompleti i veçorive i përdorur | Rezultati i MPÇ-së | Pragu i ndërprerjes | Regresioni logjistik | Naiv Bayes | Makina Vektoriale Mbështetëse |
| E pafiltruar (10 veçori) | rregullohen | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| I pa rregulluar | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Filtruar (4 veçori) | rregullohen | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| I pa rregulluar | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Duke shfrytëzuar variacionet e grupit të veçorive, rezultatin e MCA-së dhe pragun e ndërprerjes së rezultatit të MPÇ-së, performanca më e lartë për secilën skemë modelimi tregohet në (jo domosdoshmërisht statistikisht të ndryshme nga të gjithë të tjerët jo në për modelin përkatës).
Duke krahasuar nxënësit në të gjitha kombinimet e versioneve dhe pragjeve të rezultateve të MCA (të rregulluara/të parregulluara dhe 23/26, respektivisht) në grupin e të dhënave të pafiltruar të kombinuar (d.m.th., duke përdorur 10 veçoritë e zakonshme), Naïve Bayes ishte përgjithësisht nxënësi me performancën më të mirë me një rezultat të përgjithshëm performanca e klasifikimit prej 0.9093. Duke marrë parasysh tre nxënësit më të mirë, testet e rangut të nënshkruar të lidhura me Bayesian treguan se probabiliteti (Pr) i Naive Bayes që ka tejkaluar Regresionin Logjistik ishte 99.9%. Për më tepër, midis Naïve Bayes dhe Support Vector Machine, një probabilitet 21.0% e ekuivalencës praktike në performancën e nxënësit (pra, një probabilitet 79.0% që Naïve Bayes të ketë më shumë performancë më të mirë të Machine Vector Support), shoqëruar me probabilitetin 0.0% që Machine Vector Support të performojë më mirë, në mënyrë të matshme përforcon avantazhin e performancës për Naïve Bayes. Krahasimi i mëtejshëm i versionit të rezultateve të MMK-së për të gjithë nxënësit/pragjet sugjeroi një avantazh të lehtë të performancës duke përdorur rezultatet e parregulluara të MCA-së kundrejt të rregulluarve (0.9027 kundrejt 0.8971, respektivisht; Pr (e parregulluar > e rregulluar) = 0.988). Në mënyrë të ngjashme, një krahasim i pragut të ndërprerjes për të gjithë nxënësit dhe versionet e rezultateve të MÇK-së tregoi një avantazh të vogël të performancës së klasifikimit duke përdorur 26 si prag klasifikimi kundrejt 23 (0.9056 kundrejt 0.8942, respektivisht; Pr (26 > 23) = 0.999). Së fundi, duke ekzaminuar performancën e klasifikimit për modelet që përdorin vetëm rezultatet e filtruara (dmth. vetëm katër veçori të renditura në krye), Naïve Bayes (0.9143) ishte numerikisht nxënësi me performancën më të lartë në të gjitha versionet/pragjet e rezultateve të MCA. Megjithatë, në të gjitha teknikat e renditjes së veçorive të kombinuara, të gjithë nxënësit me performancën më të mirë performuan në mënyrë të ngjashme. Testet e rangut të nënshkruar Bayesian treguan probabilitet 100% të ekuivalencës praktike midis çdo çifti nxënësish të filtruar. Ashtu si me të dhënat e pafiltruara (duke përdorur të gjitha 10 veçoritë e zakonshme), pati sërish një avantazh performancë për versionin e parregulluar të rezultatit të MCA (Pr (i parregulluar > i rregulluar) = 1.000), si dhe një avantazh i ngjashëm i dallueshëm për pragun e klasifikimit prej 26 (Pr (26 > 23) = 1.000). Veçanërisht, performanca mesatare e secilit prej tre nxënësve më të mirë në të gjitha versionet/pragjet e rezultateve të MÇK-së duke përdorur vetëm katër veçoritë e renditura më të larta e tejkaloi performancën mesatare të çdo nxënësi në të dhënat e pafiltruara. Jo çuditërisht, performanca e klasifikimit të modeleve të filtruar (duke përdorur katër veçoritë e renditura më lart) në përgjithësi ishte superiore (0.9119) ndaj modeleve të pafiltruara (0.8999), pavarësisht nga modelet e metodës së renditjes së veçorive që u krahasuan me ato modele përkatëse duke përdorur të 10 të zakonshmet. veçoritë. Për secilën metodë të përzgjedhjes së veçorive, kishte 100% probabilitet të një avantazhi të performancës ndaj modeleve të pafiltruara.
Me pacientët e konsideruar për klasifikimin e ashpërsisë së diagnozës së AD, dallimet midis grupeve (MCI-AD kundrejt AD) për moshën (p = 0.004), arsimi (p = 0.028), rezultati i MCA i rregulluar/i parregulluar (p = 0.000), dhe MTx-% C (p = 0.008) ishin statistikisht të rëndësishme; ndërsa për MTx-RT nuk ishte (p = 0.097). Me ata pacientë të konsideruar për klasifikimin e ashpërsisë së diagnozës VaD, ndryshimet ndërmjet grupeve (MCI-VaD kundrejt VaD) për rezultatin e MCA të rregulluara/të parregulluara (p = 0.007) dhe MTx-% C (p = 0.026) dhe MTx-RT (p = 0.001) ishin statistikisht të rëndësishme; kurse për moshën (p = 0.511) dhe arsimi (p = 0.157) nuk kishte dallime të rëndësishme ndërmjet grupeve.
Rezultatet e modelimit parashikues të performancës për klasifikimet e ashpërsisë së diagnozës duke përdorur tre nxënësit e përzgjedhur më parë, Regresioni Logjistik, Naïve Bayes dhe Makina Vektoriale Mbështetëse, tregohen në Tabelën 5. Ndërsa nxënësit shtesë të ekzaminuar demonstruan performanca pak më të forta individualisht me njërën nga dy kategoritë e diagnozës klinike , tre nxënësit që kishim identifikuar si më të favorshmit në modelimin tonë të mëparshëm ofruan performancën më të qëndrueshme me të dy skemat e reja të modelimit. Duke krahasuar nxënësit në secilën nga kategoritë kryesore të diagnozës (AD dhe VaD), nuk kishte asnjë ndryshim të qëndrueshëm të performancës së klasifikimit midis nxënësve për MCI-VaD kundrejt VaD, megjithëse Makina Vektori Mbështetëse në përgjithësi performoi më dukshëm. Në mënyrë të ngjashme, nuk kishte dallime domethënëse midis nxënësve për klasifikimin MCI-AD kundrejt klasifikimit AD, megjithëse Naïve Bayes (NB) kishte një avantazh të vogël të performancës ndaj Regresionit Logjistik (LR) dhe thjesht një shumësi të papërfillshme ndaj Makinës Vektoriale Mbështetëse, me probabilitete prej 61.4%. dhe 41.7% respektivisht. Në të dy grupet e të dhënave, kishte një avantazh të përgjithshëm të performancës për Machine Vector Support (SVM), me Pr (SVM > LR) = 0.819 dhe Pr (SVM > NB) = 0.934. Performanca jonë e përgjithshme e klasifikimit për të gjithë nxënësit në parashikimin e ashpërsisë së diagnozës në nën-bashkësinë e të dhënave XL ishte më e mirë në kategorinë e diagnozës VaD kundrejt AD (Pr (VAD > AD) = 0.998).
Tabela 5
Rezultatet dikotomike të klasifikimit të ashpërsisë së diagnozës klinike (AUC; 0.0-1.0) për secilin nga tre nxënësit me performancë më të mirë për të dy skemat përkatëse të modelimit
| Skema e modelimit | Regresioni logjistik | Naiv Bayes | Makina Vektoriale Mbështetëse |
| MCI-AD kundrejt AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD kundrejt VaD | 0.8033 | 0.8044 | 0.8338 |
Performanca më e lartë për secilën skemë modelimi tregohet në (jo domosdoshmërisht statistikisht të ndryshme nga të tjerët jo në ).
DISKUTIMI
Zbulimi i hershëm i ndryshimeve në shëndetin kognitiv ka rëndësi dobi praktike si në menaxhimin e shëndetit personal ashtu edhe në shëndetin publik. Në të vërtetë, është gjithashtu një prioritet shumë i lartë në mjediset klinike për pacientët në mbarë botën. Qëllimi i përbashkët është të paralajmërohen pacientët, kujdestarët dhe ofruesit dhe të nxitet trajtimi më i hershëm i përshtatshëm dhe me kosto efektive dhe kujdesi gjatësor për ata që fillojnë të përjetojnë rënie njohëse. Duke bashkuar tre nëngrupet tona të të dhënave të spitaleve/klinikave, ne identifikuam tre nxënës veçanërisht të preferuar (me një shquar të dukshëm - Naïve Bayes) për të ndërtuar modele parashikuese duke përdorur Metrikat e performancës MemTrax që mund të klasifikojnë me besueshmëri statusin e shëndetit njohës në mënyrë dikotomike (shëndeti normal kognitiv ose MCI) siç do të tregohej nga një rezultat i përgjithshëm i MCA. Veçanërisht, performanca e përgjithshme e klasifikimit për të tre nxënësit u përmirësua kur modelet tona përdorën vetëm katër tiparet e renditura më të larta, të cilat kryesisht përfshinin këto metrika të performancës MemTrax. Për më tepër, ne zbuluam potencialin e vërtetuar për përdorimin e të njëjtëve metrika të performancës së nxënësve dhe MemTrax në një skemë modelimi të klasifikimit të mbështetjes diagnostike për të dalluar ashpërsinë e dy kategorive të diagnozës së demencës: AD dhe VaD.
Testimi i memories është thelbësore për zbulimin e hershëm të AD [23, 24]. Kështu, është e përshtatshme që MemTrax të jetë një i pranueshëm, tërheqës dhe i lehtë për t'u zbatuar në internet testi i shqyrtimit për kujtesën episodike në popullatën e përgjithshme [6]. Saktësia e njohjes dhe koha e përgjigjes nga kjo detyrë e vazhdueshme e performancës janë veçanërisht të dukshme në identifikimin e përkeqësimit të hershëm dhe në zhvillim dhe deficiteve pasuese në proceset neuroplastike që lidhen me të mësuarit, kujtesën dhe njohjen. Kjo do të thotë, modelet këtu që bazohen kryesisht në matjet e performancës MemTrax janë të ndjeshme dhe kanë më shumë gjasa të zbulojnë lehtësisht dhe me kosto minimale deficite neuropatologjike biologjike gjatë fazës asimptomatike kalimtare shumë përpara humbjes më të madhe funksionale [25]. Ashford et al. ekzaminoi nga afër modelet dhe sjelljet e saktësisë së kujtesës së njohjes dhe kohës së përgjigjes në përdoruesit në internet që morën pjesë vetë me MemTrax [6]. Duke respektuar që këto shpërndarje janë kritike në modelimin optimal dhe zhvillimin e aplikacioneve të vlefshme dhe efektive të kujdesit për pacientin, përcaktimi i profileve të njohjes klinikisht të zbatueshme dhe kohës së përgjigjes është thelbësor në krijimin e një referencë të vlefshme themelore për dobinë klinike dhe kërkimore. Vlera praktike e MemTrax në depistimin e AD për dëmtimin kognitiv në fazën e hershme dhe mbështetjen diferenciale diagnostikuese duhet të ekzaminohet më nga afër në kontekstin e një mjedisi klinik ku mund të merren parasysh sëmundjet shoqëruese dhe aftësitë njohëse, shqisore dhe motorike që ndikojnë në performancën e testit. Dhe për të informuar perspektivën profesionale dhe për të inkurajuar dobinë praktike klinike, së pari është e domosdoshme të demonstrohet krahasimi me një test të vendosur të vlerësimit kognitiv të shëndetit, edhe pse ky i fundit mund të kufizohet dukshëm nga logjistika e testimit të rëndë, pengesat arsimore dhe gjuhësore, dhe ndikimet kulturore [26] . Në këtë drejtim, krahasimi i favorshëm i MemTrax në efikasitetin klinik me MCA që zakonisht pretendohet si një standard i industrisë është i rëndësishëm, veçanërisht kur peshohet lehtësia më e madhe e përdorimit dhe pranimi nga pacienti i MemTrax.
Eksplorimi i mëparshëm që krahason MemTrax me MCA nxjerr në pah arsyetimin dhe provat paraprake që garantojnë hetimin tonë të modelimit [8]. Megjithatë, ky krahasim paraprak thjesht shoqëroi dy metrikat kryesore të performancës MemTrax që ne ekzaminuam me statusin njohës siç përcaktohet nga MCA dhe përcaktoi diapazonin dhe vlerat e ndërprerjes përkatëse. Ne thelluam vlerësimin e përdorimit klinik të MemTrax duke eksploruar një qasje të bazuar në modelim parashikues që do të siguronte një konsideratë më të individualizuar të parametrave të tjerë potencialisht të rëndësishëm specifikë për pacientin. Në ndryshim nga të tjerët, ne nuk gjetëm një avantazh në performancën e modelit duke përdorur një korrigjim arsimor (përshtatje) në rezultatin e MÇK-së ose në ndryshimin e pragut të rezultateve të përgjithshme të MMK-së që diskriminon shëndetin kognitiv nga 26 në 23 të rekomanduara fillimisht [12, 15]. Në fakt, avantazhi i performancës së klasifikimit favorizohej duke përdorur rezultatin e parregulluar të MMK-së dhe pragun më të lartë.
Pikat kryesore në praktikën klinike
Mësimi i makinerisë shpesh përdoret më së miri dhe më efektiv në modelimin parashikues kur të dhënat janë të gjera dhe shumëdimensionale, domethënë kur ka vëzhgime të shumta dhe një grup të gjerë shoqërues të atributeve me vlerë të lartë (kontribues). Megjithatë, me këto të dhëna aktuale, modelet e filtruara me vetëm katër veçori të zgjedhura performuan më mirë se ato që përdorin të 10 veçoritë e zakonshme. Kjo sugjeron që grupi ynë i të dhënave spitalore nuk kishte karakteristikat më të përshtatshme klinikisht (me vlerë të lartë) për të klasifikuar në mënyrë optimale pacientët në këtë mënyrë. Sidoqoftë, theksi i renditjes së veçorive në matjet kryesore të performancës MemTrax - MTx-% C dhe MTx-RT - mbështet fuqimisht ndërtimin e modeleve të shqyrtimit të deficitit njohës në fazat e hershme rreth këtij testi që është i thjeshtë, i lehtë për t'u administruar, me kosto të ulët dhe zbulues me vend në lidhje me performanca e kujtesës, të paktën tani si një ekran fillestar për një klasifikim binar të gjendjes së shëndetit kognitiv. Duke pasur parasysh ngarkesën gjithnjë në rritje mbi ofruesit dhe sistemet e kujdesit shëndetësor, proceset e shqyrtimit të pacientëve dhe aplikimet klinike duhet të zhvillohen në mënyrë të përshtatshme me një theks në mbledhjen, gjurmimin dhe modelimin e atyre karakteristikave të pacientit dhe metrikave të testimit që janë më të dobishme, më të favorshme dhe të provuara efektive në diagnostikimin. dhe mbështetje për menaxhimin e pacientit.
Me dy metrikat kryesore të MemTrax që janë qendrore për klasifikimin MCI, nxënësi ynë me performancën më të mirë (Naïve Bayes) kishte një performancë shumë të lartë parashikuese në shumicën e modeleve (AUC mbi 0.90) me një raport të vërtetë-pozitiv ndaj fals-pozitiv afër ose disi më shumë se 4. : 1. Një aplikim klinik përkthimor duke përdorur këtë nxënës do të kapte (klasifikonte saktë) deri tani shumicën e atyre me deficit njohës, ndërkohë që minimizonte koston që lidhet me klasifikimin gabimisht të dikujt me shëndet normal njohës si me deficit kognitiv (pozitiv i rremë) ose mungon ai klasifikim tek ata që kanë një deficit kognitiv (negativ i rremë). Secili prej këtyre skenarëve të keqklasifikimit mund të imponojë një barrë të panevojshme psiko-sociale për pacientin dhe kujdestarët.
Ndërsa në analizat paraprake dhe të plota ne përdorëm të dhjetë nxënësit në secilën skemë modelimi, ne i fokusuam rezultatet në tre klasifikuesit që tregojnë performancën më të qëndrueshme të fortë. Kjo ishte gjithashtu për të nënvizuar, bazuar në këto të dhëna, nxënësit që pritet të performojnë në mënyrë të besueshme në një nivel të lartë në një aplikim klinik praktik në përcaktimin e klasifikimit të statusit njohës. Për më tepër, për shkak se ky studim kishte për qëllim si një hetim hyrës mbi dobinë e mësimit të makinerive në shqyrtimin kognitiv dhe këto sfida klinike në kohë, ne morëm vendimin për t'i mbajtur teknikat e të mësuarit të thjeshta dhe të përgjithësuara, me akordim minimal të parametrave. Ne vlerësojmë se kjo qasje mund të ketë kufizuar potencialin për aftësitë parashikuese specifike të pacientit të përcaktuara ngushtë. Po kështu, ndërsa trajnimi i modeleve duke përdorur vetëm tiparet kryesore (qasja e filtruar) na informon më tej në lidhje me këto të dhëna (specifike për mangësitë në të dhënat e mbledhura dhe duke theksuar vlerën në optimizimin e kohës dhe burimeve të çmuara klinike), ne e kuptojmë se është e parakohshme për të ngushtuar shtrirja e modeleve dhe, për rrjedhojë, të gjitha (dhe veçoritë e tjera) duhet të merren parasysh me kërkimet e ardhshme derisa të kemi një profil më përfundimtar të veçorive prioritare që do të ishin të zbatueshme për popullatën e gjerë. Kështu, ne gjithashtu e pranojmë plotësisht se të dhëna më gjithëpërfshirëse dhe më gjerësisht përfaqësuese dhe optimizimi i këtyre dhe modeleve të tjera do të ishte i nevojshëm përpara se t'i integrojmë në një aplikim klinik efektiv, veçanërisht për të akomoduar sëmundjet shoqëruese që ndikojnë në performancën njohëse që do të duhej të konsideroheshin në vlerësimin e mëtejshëm klinik.
Dobia e MemTrax u përmirësua më tej nga modelimi i ashpërsisë së sëmundjes bazuar në diagnozën klinike të veçantë. Një performancë më e mirë e klasifikimit të përgjithshëm në parashikimin e ashpërsisë së VaD (krahasuar me AD) nuk ishte befasuese duke pasur parasysh karakteristikat e profilit të pacientit në modelet specifike për shëndetin vaskular dhe rrezikun e goditjes, p.sh. hipertensioni, hiperlipidemia, diabeti dhe (sigurisht) historia e goditjes. Megjithëse do të ishte më e dëshirueshme dhe më e përshtatshme që të kryhej i njëjti vlerësim klinik për pacientët e përputhur me shëndet normal njohës për të trajnuar nxënësit me këto të dhëna më gjithëpërfshirëse. Kjo është veçanërisht e garantuar, pasi MemTrax synohet të përdoret kryesisht për zbulimin në fazat e hershme të një deficiti njohës dhe ndjekjen e mëvonshme të ndryshimeve individuale. Është gjithashtu e besueshme që shpërndarja më e dëshirueshme e të dhënave në grupin e të dhënave VaD kontribuoi pjesërisht në performancën relativisht më të mirë të modelimit. Të dhënat e VaD ishin të balancuara mirë midis dy klasave, ndërsa grupi i të dhënave AD me shumë më pak pacientë MCI nuk ishte. Veçanërisht në grupe të vogla të dhënash, edhe disa raste shtesë mund të bëjnë një ndryshim të matshëm. Të dyja këndvështrimet janë argumente të arsyeshme që qëndrojnë në themel të ndryshimeve në performancën e modelimit të ashpërsisë së sëmundjes. Megjithatë, atribuimi në mënyrë proporcionale i performancës së përmirësuar për karakteristikat numerike të të dhënave ose veçoritë e qenësishme specifike për paraqitjen klinike në shqyrtim është e parakohshme. Sidoqoftë, ky roman demonstroi dobinë e një modeli klasifikues parashikues MemTrax në rolin e mbështetjes diagnostike klinike ofron perspektivë të vlefshme dhe afirmon kërkimin për ekzaminim shtesë me pacientët në të gjithë vazhdimësinë e MCI.
Zbatimi dhe dobia e demonstruar e MemTrax dhe këtyre modeleve në Kinë, ku gjuha dhe kultura janë në mënyrë drastike të ndryshme nga rajonet e tjera të përdorimit të themeluar (p.sh., Franca, Holanda dhe Shtetet e Bashkuara) [7, 8, 27], nënvizon më tej potencialin për pranimin e gjerë global dhe vlerën klinike të një platforme të bazuar në MemTrax. Ky është një shembull i demonstrueshëm në përpjekjet drejt harmonizimit të të dhënave dhe zhvillimit të normave praktike ndërkombëtare dhe burimeve të modelimit për shqyrtimin kognitiv që janë të standardizuara dhe lehtësisht të përshtatura për përdorim në mbarë botën.
Hapat e ardhshëm në modelimin dhe aplikimin e rënies njohëse
Mosfunksionimi kognitiv në AD me të vërtetë ndodh në një vazhdimësi, jo në faza ose hapa diskrete [28, 29]. Megjithatë, në këtë fazë të hershme, qëllimi ynë ishte fillimisht të krijonim aftësinë tonë për të ndërtuar një model që përfshin MemTrax që mund të dallojë thelbësisht "normalen" nga "jo normale". Të dhëna empirike më gjithëpërfshirëse (p.sh. imazhet e trurit, tiparet gjenetike, biomarkerët, sëmundjet shoqëruese dhe shënuesit funksionalë të kompleksit aktivitete që kërkojnë njohje kontrolli) [30] nëpër rajone të ndryshme globale, popullata dhe grupmosha për të trajnuar dhe zhvilluar modele më të sofistikuara (përfshirë ansamblin e peshuar në mënyrë të duhur) të mësimit të makinerive do të mbështesin një shkallë më të madhe të klasifikimit të zgjeruar, domethënë aftësinë për të kategorizuar grupet e pacientëve me MCI në nënbashkësi më të vogla dhe më përfundimtare përgjatë vazhdimit të rënies njohëse. Për më tepër, diagnozat klinike shoqëruese për individët nëpër popullata të pacientëve të ndryshëm rajonalë janë thelbësore për të stërvitni në mënyrë efektive këto modele më gjithëpërfshirëse dhe të parashikueshme të fuqishme. Kjo do të lehtësojë menaxhimin më specifik të rasteve të shtresuara për ata me prejardhje të ngjashme, ndikime dhe profile njohëse karakteristike të përcaktuara më ngushtë dhe kështu do të optimizojë mbështetjen e vendimeve klinike dhe kujdesin ndaj pacientit.
Pjesa më e madhe e hulumtimeve klinike përkatëse të deritanishme u është drejtuar pacientëve me të paktën demencë të lehtë; dhe, në praktikë, shumë shpesh ndërhyrja e pacientit tentohet vetëm në faza të avancuara. Megjithatë, për shkak se rënia kognitive fillon shumë përpara se të plotësohen kriteret klinike për çmendurinë, një ekran i hershëm i bazuar në MemTrax, i aplikuar në mënyrë efektive, mund të inkurajojë edukimin e duhur të individëve rreth sëmundjes dhe progresioneve të saj dhe të nxisë ndërhyrje të hershme dhe më në kohë. Kështu, zbulimi i hershëm mund të mbështesë përfshirje të përshtatshme duke filluar nga stërvitja, dieta, mbështetja emocionale dhe socializimi i përmirësuar deri te ndërhyrja farmakologjike dhe të përforcojë ndryshimet e lidhura me pacientin në sjellje dhe perceptim që individualisht ose në tërësi mund të zbusin ose potencialisht të ndalojnë përparimin e demencës [31, 32] . Për më tepër, me efektiv shqyrtimi i hershëm, individët dhe familjet e tyre mund të nxiten të marrin në konsideratë provat klinike ose të marrin këshillim dhe mbështetje të shërbimeve të tjera sociale për të ndihmuar në sqarimin e pritshmërive dhe synimeve dhe menaxhimin e detyrave të përditshme. Vlefshmëria e mëtejshme dhe dobia praktike e përhapur në këto mënyra mund të jetë instrumentale në zbutjen ose ndalimin e përparimit të MCI, AD dhe ADRD për shumë individë.
Në të vërtetë, niveli i ulët i diapazonit të moshës së pacientit në studimin tonë nuk përfaqëson popullatën e shqetësimit tradicional me AD. Megjithatë, mosha mesatare për secilin grup të përdorur në skemat e modelimit të klasifikimit bazuar në rezultatin/pragun e MÇK-së dhe ashpërsinë e diagnozës (Tabela 3) nënvizon se shumica e qartë (mbi 80%) janë të paktën 50 vjeç. Kjo shpërndarje është kështu shumë e përshtatshme për përgjithësim, duke mbështetur dobinë e këtyre modeleve në popullatën që karakterizon ato që preken zakonisht nga fillimi i hershëm dhe sëmundje neurokognitive në rritje për shkak të AD dhe VaD. Gjithashtu, provat e fundit dhe perspektiva theksojnë ata faktorë të njohur (p.sh. hipertensioni, obeziteti, diabeti dhe duhani) që mund të kontribuojnë në rritjen e hershme Rezultatet e rrezikut vaskular të të rriturve dhe të moshës së mesme dhe si pasojë dëmtimi delikat vaskular i trurit që zhvillohet në mënyrë tinëzare me efekte të dukshme edhe tek të rinjtë të rriturit [33-35]. Prandaj, mundësia më optimale e shqyrtimit fillestar për zbulimin e hershëm fazën e deficiteve njohëse dhe fillimin e strategjive efektive të parandalimit dhe ndërhyrjes në trajtimin e suksesshëm të demencës do të dalin nga ekzaminimi i faktorëve kontribues dhe treguesve paraardhës në të gjithë spektrin e moshës, duke përfshirë moshën e hershme të rritur dhe potencialisht edhe fëmijërinë (duke vënë në dukje rëndësinë e faktorëve gjenetikë si apolipoproteina E që nga shtatzënia e hershme).
Në praktikë, diagnozat klinike të vlefshme dhe procedurat e kushtueshme për imazhe të avancuara, profilizimin gjenetik dhe matjen e biomarkerëve premtues nuk janë gjithmonë lehtësisht të disponueshme ose madje të realizueshme për shumë ofrues. Kështu, në shumë raste, klasifikimi fillestar i përgjithshëm i statusit të shëndetit kognitiv mund të duhet të rrjedhë nga modele që përdorin metrika të tjera të thjeshta të ofruara nga pacienti (p.sh., vetë-raportuar problemet e kujtesës, medikamentet aktuale dhe kufizimet e aktivitetit rutinë) dhe tiparet e zakonshme demografike [7]. Regjistra të tillë si Universiteti i Kalifornisë Brain Shëndeti Regjistri (https://www.brainhealthregistry.org/) [27] dhe të tjerë me një gjerësi më të madhe të natyrshme të simptomave të vetë-raportuara, masave cilësore (p.sh. gjumi dhe njohja e përditshme), medikamentet, statusi shëndetësor dhe historia, dhe demografia më e detajuar do të jetë e dobishme në zhvillimin dhe vërtetimin e zbatimit praktik të këtyre modeleve më primitive në klinikë. Më tej, një test i tillë si MemTrax, i cili ka demonstruar dobi në vlerësimin e funksionit të kujtesës, në fakt mund të sigurojë një vlerësim shumë më të mirë të patologjisë së AD sesa shënuesit biologjikë. Duke pasur parasysh se tipari kryesor i patologjisë së AD është ndërprerja e neuroplasticitetit dhe një humbje dërrmuese e ndërlikuar e sinapseve, e cila manifestohet si episodike. mosfunksionimi i kujtesës, një masë që vlerëson kujtesën episodike mund në fakt ofrojnë një vlerësim më të mirë të ngarkesës patologjike të AD sesa shënuesit biologjikë në pacientin e gjallë [36].
Me të gjitha modelet parashikuese - qofshin të plotësuara nga të dhëna komplekse dhe gjithëpërfshirëse nga teknologjia më e fundit dhe njohuri klinike të rafinuara në fusha të shumta ose ato të kufizuara në informacione më themelore dhe lehtësisht të disponueshme karakteristike të profileve ekzistuese të pacientëve - avantazhi i njohur i inteligjencës artificiale dhe mësimi i makinerisë është se modelet rezultante mund të sintetizojnë dhe "mësojnë" në mënyrë induktive nga të dhënat dhe perspektiva e reja përkatëse të ofruara nga përdorimi i vazhdueshëm i aplikacionit. Pas transferimit praktik të teknologjisë, pasi modelet këtu (dhe që do të zhvillohen) aplikohen dhe pasurohen me më shumë raste dhe të dhëna përkatëse (përfshirë pacientët me sëmundje shoqëruese që mund të paraqiten me rënie konjitive), performanca e parashikimit dhe klasifikimi i shëndetit kognitiv do të jetë më i fortë. duke rezultuar në një dobi më efektive të mbështetjes së vendimeve klinike. Ky evolucion do të realizohet më plotësisht dhe praktikisht me futjen e MemTrax në platformat e personalizuara (të synuara për aftësitë e disponueshme) që ofruesit e kujdesit shëndetësor mund të përdorin në kohë reale në klinikë.
Imperativ për vërtetimin dhe dobinë e modelit MemTrax për mbështetjen diagnostike dhe kujdesin ndaj pacientit janë të dhëna gjatësore kuptimplote shumë të kërkuara. Duke vëzhguar dhe regjistruar ndryshimet shoqëruese (nëse ka) në statusin klinik përgjatë një diapazoni adekuat të MCI-së normale deri në fazën e hershme, modelet për vlerësimin dhe klasifikimin e duhur të vazhdueshëm mund të trajnohen dhe modifikohen me moshën dhe trajtimin e pacientëve. Kjo do të thotë, përdorimi i përsëritur mund të ndihmojë me gjurmimin gjatësor të ndryshimeve të buta njohëse, efektivitetin e ndërhyrjes dhe ruajtjen e kujdesit të informuar të shtresuar. Kjo qasje përputhet më ngushtë me praktikën klinike dhe menaxhimin e pacientëve dhe rasteve.
Kufizimet
Ne vlerësojmë sfidën dhe vlerën në mbledhjen e të dhënave të pastra klinike në një mjedis të kontrolluar klinik/spitalor. Sidoqoftë, do të kishte forcuar modelimin tonë nëse grupet tona të të dhënave përfshinin më shumë pacientë me karakteristika të përbashkëta. Për më tepër, specifike për modelimin tonë të diagnozës, do të kishte qenë më e dëshirueshme dhe më e përshtatshme që të kryhej i njëjti vlerësim klinik për pacientët e përputhur me shëndet normal konjitiv për të trajnuar nxënësit. Dhe siç nënvizohet nga performanca më e lartë e klasifikimit duke përdorur grupin e të dhënave të filtruar (vetëm katër tiparet e renditura më të larta), më të përgjithshme dhe masat/indikatorët e shëndetit kognitiv ka të ngjarë të ishin përmirësuar modelimi i performancës me një numër më të madh karakteristikash të përbashkëta në të gjithë pacientët.
Disa pjesëmarrës mund të kenë përjetuar njëkohësisht sëmundje të tjera që mund të kenë shkaktuar mangësi kalimtare ose kronike njohëse. Përveç nën-bashkësisë së të dhënave XL ku pacientët u klasifikuan në mënyrë diagnostike si me AD ose VaD, të dhënat e komorbiditetit nuk u mblodhën/raportuan në grupin e pacientëve YH dhe komorbiditeti mbizotërues i raportuar deri tani në nën- grupin e të dhënave KM ishte diabeti. Megjithatë, është e diskutueshme që përfshirja e pacientëve në skemat tona të modelimit me komorbiditete që mund të nxisin ose përkeqësojnë një nivel të mungesës njohëse dhe një performancë më të ulët të MemTrax si pasojë, do të ishte më përfaqësuese e popullsisë së synuar të pacientëve në botën reale për këtë shqyrtim më të përgjithshëm kognitiv të hershëm. dhe qasja e modelimit. Ecja përpara, diagnoza e saktë e sëmundjeve shoqëruese që mund të ndikojnë në performancën njohëse është gjerësisht e dobishme për optimizimin e modeleve dhe aplikimet rezultante të kujdesit ndaj pacientit.
Së fundmi, pacientët e nën-setit të të dhënave YH dhe KM përdorën një smartphone për të kryer testin MemTrax, ndërsa një numër i kufizuar i pacientëve të nën-setit të të dhënave XL përdorën një iPad dhe pjesa tjetër përdori një smartphone. Kjo mund të kishte sjellë një ndryshim të vogël të lidhur me pajisjen në performancën e MemTrax për modelimin e klasifikimit të MCA. Sidoqoftë, dallimet (nëse ka) në MTx-RT, për shembull, midis pajisjeve do të mund të jenë të papërfillshme, veçanërisht kur secilit pjesëmarrës i jepet një test "praktik" pak përpara performancës së testit të regjistruar. Megjithatë, përdorimi i këtyre dy pajisjeve të dorës rrezikon potencialisht krahasimin e drejtpërdrejtë dhe/ose integrimin me rezultatet e tjera të MemTrax, ku përdoruesit iu përgjigjën fotografive të përsëritura duke prekur shiritin e hapësirës në një tastierë kompjuteri.
Pikat kyçe në mjetin e modelimit parashikues MemTrax
- • Modelet tona parashikuese me performancën më të mirë që përfshijnë metrika të zgjedhura të performancës MemTrax mund të klasifikojnë në mënyrë të besueshme statusin e shëndetit njohës (shëndeti normal kognitiv ose MCI) siç do të tregohej nga testi i njohur gjerësisht i MCA.
- • Këto rezultate mbështesin integrimin e metrikave të përzgjedhura të performancës MemTrax në një aplikacion të shqyrtimit të modelit parashikues të klasifikimit për dëmtimin kognitiv në fazën e hershme.
- • Modelimi ynë i klasifikimit zbuloi gjithashtu potencialin për përdorimin e performancës së MemTrax në aplikacionet për të dalluar ashpërsinë e diagnozës së demencës.
Këto gjetje të reja krijojnë prova përfundimtare që mbështesin dobinë e mësimit të makinerive në ndërtimin e modeleve të zgjeruara të klasifikimit të bazuara në MemTrax për mbështetje diagnostike në menaxhimin efektiv të rasteve klinike dhe kujdesin ndaj pacientit për individët që përjetojnë dëmtime njohëse.
MIRËNJOHJE
Ne e njohim punën e J. Wesson Ashford, Curtis B. Ashford dhe kolegëve për zhvillimin dhe vërtetimin e detyrës dhe mjetit të njohjes së vazhdueshme në internet (MemTrax) të përdorur këtu dhe u jemi mirënjohës pacientëve të shumtë me demencë që kontribuan në kërkimin themelor kritik. . Falenderojmë gjithashtu Xianbo Zhou dhe kolegët e tij në SJN Biomed LTD, kolegët dhe bashkëpunëtorët e tij në vendet e spitaleve/klinikave, veçanërisht Dr. M. Luo dhe M. Zhong, të cilët ndihmuan me rekrutimin e pjesëmarrësve, caktimin e testeve dhe mbledhjen, regjistrimin dhe menaxhimin e të dhënave nga ana e përparme, si dhe pjesëmarrësit vullnetarë që dhuruan kohën e tyre të çmuar dhe u angazhuan për marrjen e testeve dhe ofrimin e të dhënat e vlerësuara që ne të vlerësojmë në këtë studim. Kjo studimi u mbështet pjesërisht nga Kërkimi Shkencor i MD Programi i Universitetit Mjekësor Kunming (Nr. Grant 2017BS028 në XL) dhe Programi Kërkimor i Departamentit të Shkencës dhe Teknologjisë në Yunnan (Nr. Grant 2019FE001 (-222) në XL).
J. Wesson Ashford ka paraqitur një aplikim për patentë për përdorimin e paradigmës specifike të njohjes së vazhdueshme të përshkruar në këtë punim për përgjithësisht testimi i memories.
MemTrax, LLC është një kompani në pronësi të Curtis Ashford, dhe kjo kompani po menaxhon testimi i kujtesës sistemi i përshkruar në këtë punim.
Zbulimet e autorëve janë të disponueshme në internet (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
REFERENCAT
| [1] Shoqata e Alzheimerit (2016) 2016 fakte të sëmundjes së Alzheimerit dhe shifrat. Alzheimers Dement 12, 459-509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Efekti i fazës së hershme Sëmundja Alzheimer mbi rezultatet financiare të familjes. 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) Përmirësimi i cilësisë në neurologji: Set i matjes së cilësisë së dëmtimit kognitiv të lehtë. Neurologjia 93, 705-713. |
| [4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) Efektiviteti i kostos së përdorimit testet e shqyrtimit njohës për zbulimin e çmendurisë dhe dëmtimit të lehtë kognitiv në kujdesin parësor. Int J Geriatr Psychiatry 32, 1392–1400. | |
| [5] Ashford JW, Gere E, Bayley PJ (2011) Matja e kujtesës në cilësimet e grupeve të mëdha duke përdorur një test të vazhdueshëm njohjeje. J Alzheimers Dis 27, 885–895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Një detyrë e kompjuterizuar me njohje të vazhdueshme për matjen e kujtesës episodike. J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Performanca e memories episodike në modelimin e mësimit të makinës për parashikimin e klasifikimit të gjendjes së shëndetit njohës. J Alzheimers Dis 70, 277–286. |
| [8] van der Hoek MD, Nieuwenhuizen A, Keijer J, Ashford JW (2019) Testi MemTrax krahasuar me vlerësimin e vlerësimit kognitiv montreal të dëmtimit të lehtë kognitiv. J Alzheimers Dis 67, 1045–1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Përdorimi i tingujve të zanoreve të izoluara për klasifikimin e dëmtimit të butë traumatik të trurit. Në 2013 Konferenca Ndërkombëtare e IEEE mbi Akustikën, Përpunimin e të folurit dhe të Sinjalit, Vankuver, BC, fq. 7577–7581. |
| [10] | Dabek F, Caban JJ (2015) Përdorimi i të dhënave të mëdha për të modeluar gjasat e zhvillimit të kushteve psikologjike pas një tronditjeje. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Pema e vendimeve për zbulimin e hershëm të dëmtimit kognitiv nga farmacistët e komunitetit. 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, MCA: Një mjet i shkurtër depistues për dëmtimin e butë kognitiv. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012) Versioni i Pekinit i vlerësimit kognitiv të montrealit si një mjet i shkurtër shqyrtimi për dëmtimin e butë kognitiv: Një studim i bazuar në komunitet. 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) Vleresimi i versionit kinez të vlerësimit kognitiv të Montrealit bazë për shqyrtimin e dëmtimit të butë kognitiv. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N, Leach L, Murphy KJ (2018) Një riekzaminim i rezultateve përfundimtare të Vlerësimit Njohës të Montrealit (MoCA). Int J Geriatr Psychiatry 33, 379–388. |
| [16] | American Psychiatric Association (2013) Task Force Manuali diagnostik dhe statistikor i çrregullimeve mendore: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC. |
| [17] | Python. Fondacioni i Softuerit Python, http://www.python.org, aksesuar më 15 nëntor 2019. |
| [18] | R Core Group, R: Një gjuhë dhe mjedis për llogaritjen statistikore R Foundation for Statistical Computing, Vjenë, Austri. https://www.R-project.org/, 2018, aksesuar më 15 nëntor 2019. |
| [19] | Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Koha për një ndryshim: Një tutorial për krahasimin e klasifikuesve të shumtë përmes analizës Bayesian. J Mach Learn Res 18, 1–36. |
| [20] | Frank E, Hall MA, Witten IH (2016) Tavolina e punës WEKA. Në Minimi i të dhënave: Mjetet dhe teknikat praktike të mësimit të makinerive, 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) Mësimi i makinerisë në modelimin e zgjidhjes së simptomave të tronditjes sportive në shkollën e mesme. Med Sci Sports Exerc 51, 1362–1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Perspektiva eksperimentale mbi të mësuarit nga të dhënat e çekuilibruara. Në Punimet e Konferencës së 24-të Ndërkombëtare për Mësimin e Makinerisë, Corvalis, Oregon, SHBA, fq. 935-942. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Vlerësimi i pacientit Alzheimer dhe gjendja mini-mentale: Analiza e kurbës karakteristike të artikullit.P. J Gerontol 44, 139–146. |
| [24] Ashford JW, Jarvik L (1985) Sëmundja e Alzheimerit: A predispozon plasticiteti i neuronit për degjenerimin neurofibrilar aksonal? 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 CGL , Gunter , Rocca WA, Petersen RC (2019) Prevalenca e entiteteve të spektrit të Alzheimerit të përcaktuar biologjikisht kundrejt klinikisht duke përdorur Institutin Kombëtar për Plakjen-Alzheimer Hulumtimi i Shoqatës kornizë. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X, Ashford JW (2019) Përparime në instrumentet e shqyrtimit për Sëmundja Alzheimer. Plakja 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) Brain Shëndeti Regjistri: Një platformë e bazuar në internet për rekrutimin, vlerësimin dhe monitorimin gjatësor të pjesëmarrësve për studimet e neuroshkencës. Alzheimers Dement 14, 1063-1076. | |
| [28] Ashford JW, Schmitt FA (2001) Modelimi i kursit kohor të Demenca Alzheimer. Curr Psychiatry Rep 3, 20–28. | |
| [29] | Li X, Wang X, Su L, Hu X, Han Y (2019) Studim Longitudinal Sino mbi Rënien Kognitive (SILCODE): Protokolli për një studim vëzhgues gjatësor kinez për të zhvilluar modele të parashikimit të rrezikut të konvertimit në dëmtim të butë kognitiv te individët me aftësi njohëse subjektive rënie. BMJ Open 9, e028188. |
| [30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015) Ndryshueshmëria pesëvjeçare e progresionit të biomarkerëve për Demenca e sëmundjes Alzheimer parashikimi: A mund të plotësojë boshllëqet një aktivitet kompleks instrumental i jetës së përditshme? Alzheimers Dement (Amst) 1, 521–532. | |
| [31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) Parandalimi dhe trajtimi i sëmundjes së Alzheimerit: Mekanizmat biologjikë të ushtrimeve. J Alzheimers Dis 69, 311–338. | |
| [32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) Terapitë për parandalimin dhe trajtimin e sëmundjes së Alzheimerit. 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) Lidhjet midis rrezikut vaskular përgjatë moshës madhore dhe patologjisë së trurit në jetën e vonë: Dëshmi nga një grup britanik i lindjes. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) Parandalimi i të menduarit të demencës përtej moshës dhe kutive të amiloidit. 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) Efektet e presionit të gjakut sistolik në integritetin e lëndës së bardhë tek të rriturit e rinj në Studimin e Zemrës në Framingham: Një studim i kryqëzuar -studim seksional. 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) Saktësia e testimit të biomarkerëve për të përcaktuar neuropatologjikisht Sëmundja e Alzheimerit në të rriturit e moshuar me çmenduri. Ann Intern Med 172, 669–677. |
Përkatësi: [a] SIVOTEC Analytics, Boca Raton, FL, SHBA | [b] Departamenti i Inxhinierisë Kompjuterike dhe Elektrike dhe Shkencave Kompjuterike, Florida Atlantic University, Boca Raton, FL, SHBA | [c] SJN Biomed LTD, Kunming, Yunnan, Kinë | [d] Qendra për Hulumtimi i Alzheimerit, Instituti i Kërkimeve Klinike të Uashingtonit, Uashington, DC, SHBA | [e] Departamenti i Mjekësisë Rehabilituese, Spitali i Parë i lidhur i Universitetit Mjekësor Kunming, Kunming, Yunnan, Kinë | [f] Departamenti i Neurologjisë, Spitali Popullor Dehong, Dehong, Yunnan, Kinë | [g] Departamenti i Neurologjisë, Spitali i Parë i Bashkuar i Universitetit Mjekësor Kunming, Distrikti Wuhua, Kunming, Provinca Yunnan, Kinë | [h] Qendra e Studimit të Sëmundjeve dhe Lëndimeve të Lidhura me Luftën, VA Palo Alto Kujdesi shëndetësor System, Palo Alto, CA, SHBA | [i] Departamenti i Psikiatrisë dhe Shkencave të Sjelljes, Shkolla e Mjekësisë e Universitetit Stanford, Palo Alto, CA, SHBA
Korrespondencë: [*] Korrespondencë me: 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, Departamenti i Neurologjisë, Spitali i Parë i Lidhur i Universitetit Mjekësor Kunming, Rruga Xichang 295, Distrikti Wuhua, Kunming, Provinca Yunnan 650032, Kinë. E-mail: ring@vip.163.com.
Fjalë kyçe: plakje, Sëmundja Alzheimer, çmenduri, ekzaminim masiv