Корисност МемТрак-а и моделирања машинског учења у класификацији благог когнитивног оштећења

истражи чланак

Аутори: Бергерон, Мицхаел Ф. | Ландсет, Сара | Зхоу, Ксианбо | Динг, Тао | Кхосхгофтаар, Тагхи М. | Зхао, Фенг | Ду, Бо | Цхен, Ксињие | Ванг, Ксуан | Зхонг, Лианмеи | Лиу, Ксиаолеи| Асхфорд, Ј. Вессон

ДОИ: 10.3233/ЈАД-191340

Часопис: Јоурнал оф Алцхајмерова болест, вол. КСНУМКС, не. КСНУМКС, стр. КСНУМКС-КСНУМКС, КСНУМКС

Апстрактан

бацкгроунд:

Широко распрострањена инциденција и преваленција од Алзхајмерова болест и благо когнитивно оштећење (МЦИ) је подстакло хитан позив за истраживање како би се потврдио когнитивни скрининг и процена раног откривања.

Циљ:

Наш примарни циљ истраживања био је да утврдимо да ли се одабрана метрика учинка МемТрак-а и релевантне демографске карактеристике и карактеристике здравственог профила могу ефикасно користити у предиктивним моделима развијеним са машинским учењем за класификацију когнитивног здравља (нормално наспрам МЦИ), као што би то показало Монтреалска когнитивна процена (МоЦА).

Методе:

Спровели смо студију попречног пресека на 259 одраслих пацијената из неурологије, клинике за памћење и интерне медицине регрутованих из два болнице у Кини. Сваком пацијенту је дат МоЦА на кинеском језику и сам себи је дао континуирано препознавање МемТрак онлајн епизоду тест памћења на мрежи истог дана. Предиктивни модели класификације су направљени коришћењем машинског учења са 10-струком унакрсном валидацијом, а перформансе модела су мерене коришћењем Ареа Ундер тхе Рецеивер Оператинг Цхарацтеристиц Цурве (АУЦ). Модели су направљени коришћењем две МемТрак метрике учинка (проценат тачности, време одговора), заједно са осам уобичајених демографских и личних карактеристика историје.

Резултати:

Упоређујући ученике кроз одабране комбинације МоЦА резултата и прагова, Наивни Бајес је генерално био ученик са најбољим учинком са укупним учинком класификације од 0.9093. Даље, међу три најбоља ученика, учинак класификације заснован на МемТрак-у био је супериорнији користећи само четири најбоље рангиране карактеристике (0.9119) у поређењу са коришћењем свих 10 заједничких карактеристика (0.8999).

Закључак:

МемТрак перформансе се могу ефикасно користити у моделу предвиђања класификације машинског учења апликација за скрининг за откривање когнитивног оштећења у раној фази.

УВОД

Призната (иако недовољно дијагностикована) широко распрострањена инциденција и преваленција и паралелно ескалирајућа медицинска, социјална и јавна здравље трошкови и терет Алцхајмерове болести (АД) и благог когнитивног оштећења (МЦИ) све више оптерећују све заинтересоване стране [1, 2]. Овај узнемирујући и растући сценарио подстакао је хитан позив на истраживање за валидацију рано откривање когнитивни инструменти за скрининг и процену за редовну практичну употребу у личним и клиничким окружењима за старије пацијенте у различитим регионима и популацијама [3]. Ови инструменти такође морају да обезбеде несметан превод информативних резултата у електронске здравствене картоне. Предности ће се остварити информисањем пацијената и помагањем лекарима да раније препознају значајне промене и на тај начин омогућавају бржу и правовремену стратификацију, имплементацију и праћење одговарајућег индивидуализованог и исплативијег лечења и неге пацијената за оне који почињу да доживљавају когнитивно опадање [3, 4].

Компјутеризовани алат МемТрак (https://memtrax.com) је једноставна и кратка континуирана процена препознавања која се може самостално применити на мрежи за мерење изазовних временских перформанси епизодне меморије где корисник реагује на поновљене слике, а не на почетну презентацију [5, 6]. Недавна истраживања и резултирајуће практичне импликације почињу да прогресивно и колективно показују клиничку ефикасност МемТрак-а у раном скринингу АД и МЦИ [5–7]. Међутим, директно поређење клиничке корисности са постојећим когнитивно здравље процена и конвенционални стандарди су загарантовани да информишу професионалну перспективу и поткрепе услужни програм МемТрак у раном откривању и дијагностичкој подршци. ван дер Хоек и др. [8] упоредио је одабрану метрику учинка МемТрак-а (брзина реакције и проценат тачних) са когнитивним статусом који је одредио Монтреал Когнитивна процена (МоЦА). Међутим, ова студија је била ограничена на повезивање ових метрика учинка са карактеризацијом когнитивног статуса (како је утврђено од стране МоЦА) и дефинисањем релативних опсега и граничних вредности. Сходно томе, да бисмо проширили ово истраживање и побољшали перформансе и ефикасност класификације, наше примарно истраживачко питање је било:

• Може ли појединац изабрати МемТрак метрику учинка и релевантну демографију и здравље профили да ли се карактеристике ефикасно користе у предиктивном моделу развијеном са машинским учењем да би се когнитивно здравље дихотомно класификовало (нормално наспрам МЦИ), као што би било назначено нечијим МоЦА резултатом?

Секундарно у односу на ово, желели смо да знамо:

• Укључујући исте карактеристике, може ли се модел машинског учења заснованог на перформансама МемТрак ефикасно применити на пацијента како би се предвидела тежина (блага наспрам тешка) унутар одабраних категорија когнитивног оштећења као што би се утврдило независном клиничком дијагнозом?

Појава и развој практичне примене вештачке интелигенције и машинског учења у скринингу/детекцији већ су показали јасне практичне предности, са предиктивним моделирањем које ефикасно води клиничаре у изазовној процени когнитивног здравља/здравља мозга и управљања пацијентима. У нашој студији, изабрали смо сличан приступ у моделирању МЦИ класификације и дискриминацији озбиљности когнитивних оштећења што је потврђено клиничком дијагнозом из три скупа података који представљају одабране добровољне пацијенте и амбулантне пацијенте из две болнице у Кини. Користећи предиктивно моделирање машинског учења, идентификовали смо ученике са најбољим учинком из различитих комбинација скупа података/ученика и рангирали карактеристике које ће нас водити у дефинисању клинички најпрактичнијих апликација модела.

Наше хипотезе су биле да се валидирани модел заснован на МемТрак-у може користити за дихотомну класификацију когнитивног здравља (нормално или МЦИ) на основу критеријума прага агрегатног резултата МоЦА, и да се сличан предиктивни модел МемТрак-а може ефикасно користити у дискриминацији тежине у одабраним категоријама клинички дијагностикован когнитивно оштећење. Демонстрација очекиваних исхода била би кључна за подршку ефикасности МемТрак-а као екрана за рано откривање когнитивног опадања и класификације когнитивних оштећења. Повољно поређење са индустријским наводним стандардом, допуњеним далеко већом лакоћом и брзином употребе, било би од утицаја у помагању клиничарима да усвоје овај једноставан, поуздан и приступачан алат као почетни екран у откривању когнитивних дефицита у раној (укључујући продромалну) фазу. Такав приступ и корисност би стога могли да подстакну благовремену и бољу стратификовану негу и интервенцију пацијената. Ови напредни увиди и побољшани показатељи и модели такође могу бити од помоћи у ублажавању или заустављању прогресије деменције, укључујући АД и деменције повезане са АД (АДРД).

МАТЕРИЈАЛИ И МЕТОДЕ

Студија становништва

Између јануара 2018. и августа 2019. завршено је истраживање попречног пресека на пацијентима регрутованим из две болнице у Кини. Давање МемТрак-а [5] особама старијим од 21 године и прикупљање и анализу тих података прегледали су и одобрени од стране и администрирани у складу са етичким стандардима Људско Комитет за заштиту предмета Универзитета Станфорд. МемТрак и сва друга тестирања за ову општу студију обављена су у складу са Хелсиншком декларацијом из 1975. године и одобрена од стране Институционалног одбора за ревизију прве придружене болнице Кунминг медицинског универзитета у Кунмингу, Јунан, Кина. Сваком кориснику је обезбеђена информисани пристанак образац да прочитате/прегледате, а затим добровољно пристанете да учествујете.

Учесници су регрутовани из групе амбулантних пацијената на неуролошкој клиници у болници Јанхуа (ИХ под-скуп података) и клиника за памћење у Првој придруженој болници Кунминг Медицал Универзитет (КСЛ подскуп података) у Пекингу, Кина. Учесници су такође регрутовани из неуролошких (КСЛ под-скуп података) и интерних пацијената (КМ под-података) пацијената у Првој придруженој болници Медицинског универзитета у Кунмингу. Критеријуми за укључивање укључивали су 1) мушкарце и жене који имају најмање 21 годину, 2) способност да говоре кинески (мандарински) и 3) способност разумевања усмених и писмених упутстава. Критеријуми искључења били су оштећење вида и моторике који спречавају учеснике да заврше МемТрак тест, као и немогућност разумевања конкретних упутстава за тестирање.

Кинеска верзија МемТрак-а

Тхе онлине МемТрак тест платформа је преведена на кинески (УРЛ: хттпс://ввв.мемтрак.цом.цн) и даље прилагођен за коришћење преко ВеЦхат-а (Схензхен Тенцент Цомпутер Системс Цо. ЛТД., Схензхен, Гуангдонг, Кина) за самоуправљање. Подаци су ускладиштени на серверу у облаку (Али Цлоуд) који се налази у Кини и лиценциран од Алибабе (Алибаба Тецхнологи Цо. Лтд., Хангџоу, Зхејианг, Кина) од стране СЈН Биомед ЛТД (Кунминг, Јунан, Кина). Специфични детаљи о МемТрак-у и критеријумима валидности теста који се овде користе су описани раније [6]. Пацијентима је тест обезбеђен бесплатно.

Поступци студија

За стационарне и амбулантне пацијенте, општи папирни упитник за прикупљање демографских и личних података као што су старост, пол, године образовања, занимање, живети сам или са породицом, а историју болести је водио члан истраживачког тима. Након попуњавања упитника, примењени су МоЦА [12] и МемТрак тестови (прво МоЦА) са не више од 20 минута између тестова. Тачан проценат МемТрак-а (МТк-% Ц), средње време одговора (МТк-РТ) и датум и време тестирања забележени су на папиру од стране члана студијског тима за сваког тестираног учесника. Попуњени упитник и резултате МоЦА-е је истраживач који је администрирао тестове учитао у Екцел табелу и верификовао их је колега пре него што су Екцел датотеке сачуване за анализу.

МемТрак тест

МемТрак онлајн тест је укључивао 50 слика (25 јединствених и 25 понављања; 5 сетова од 5 слика уобичајених сцена или објеката) приказаних у одређеном псеудо-случајном редоследу. Учесник би (према упутствима) додирнуо дугме Старт на екрану да би започео тест и почео да гледа серију слика и поново додирнуо слику на екрану што је брже могуће кад год би се појавила поновљена слика. Свака слика се појављивала 3 с или док се слика на екрану није додирнула, што је подстакло тренутну презентацију следеће слике. Користећи интерни сат локалног уређаја, МТк-РТ за сваку слику је одређен протеклим временом од презентације слике до тренутка када је учесник додирнуо екран као одговор на индикацију препознавања слике као оне која је већ била приказана током теста. МТк-РТ је снимљен за сваку слику, при чему су снимљене пуне 3 с што указује да нема одговора. МТк-% Ц је израчунат да укаже на проценат поновљених и почетних слика на које је корисник тачно одговорио (истински позитиван + прави негативан подељен са 50). Додатни детаљи о администрацији и имплементацији МемТрак-а, смањењу података, неважећим подацима или подацима „без одговора“ и примарним анализама података описани су на другом месту [6].

МемТрак тест је детаљно објашњен и практичан тест (са јединственим сликама које нису коришћене у тесту за снимање резултата) је обезбеђен учесницима у болничком окружењу. Учесници у ИХ и КМ подсетовима података полагали су МемТрак тест на паметном телефону који је био учитан са апликацијом на ВеЦхат-у; док је ограничен број пацијената из КСЛ подскупа података користио иПад, а остали су користили паметни телефон. Сви учесници су полагали МемТрак тест са истраживачем који је ненаметљиво посматрао.

Монтреалска когнитивна процена

Пекиншку верзију кинеског МоЦА (МоЦА-БЦ) [13] администрирали су и оценили обучени истраживачи у складу са званичним упутствима за тестирање. Прикладно, МоЦА-БЦ се показао као поуздан тест за когнитивне скрининг на свим нивоима образовања код старијих кинеских одраслих [14]. Сваки тест је трајао око 10 до 30 минута да се примени на основу когнитивних способности дотичног учесника.

Моделирање класификације МоЦА

Било је укупно 29 употребљивих функција, укључујући две МемТрак метрике перформанси тестирања и 27 карактеристика које се односе на демографију и здравље информације за сваког учесника. МоЦА агрегатни резултат теста сваког пацијента је коришћен као резултат когнитивни скрининг „бенцхмарк“ за обуку наших предиктивних модела. Сходно томе, пошто је МоЦА коришћен за креирање ознаке класе, нисмо могли да користимо збирни резултат (или било који од резултата подскупа МоЦА) као независну карактеристику. Извели смо прелиминарне експерименте у којима смо моделирали (класификујући когнитивно здравље дефинисано од стране МоЦА) оригинална три подскупа података болнице/клинике појединачно, а затим их комбиновали користећи све карактеристике. Међутим, сви исти елементи података нису прикупљени у свакој од четири клинике које представљају три подскупа података; стога су многе наше карактеристике у комбинованом скупу података (када се користе све функције) имале високу учесталост недостајућих вредности. Затим смо направили моделе са комбинованим скупом података користећи само заједничке карактеристике што је резултирало побољшаним перформансама класификације. Ово је вероватно објашњено комбинацијом више инстанци за рад комбиновањем три подскупа података о пацијентима и без карактеристика са неоправданом преваленцијом недостајућих вредности (само једна карактеристика у комбинованом скупу података, тип рада, је имала вредности које недостају, што утиче само три случаја пацијената), јер су укључене само заједничке карактеристике забележене на сва три места. Значајно је да нисмо имали посебан критеријум одбијања за сваку функцију која на крају није била укључена у комбиновани скуп података. Међутим, у нашем прелиминарном комбинованом моделирању скупа података, прво смо користили све карактеристике из сваког од три одвојена подскупа података о пацијентима. Ово је у великој мери резултирало перформансама модела које су биле мерљиво ниже од почетног прелиминарног моделирања на сваком појединачном подскупу података. Штавише, док су перформансе класификације модела направљених коришћењем свих карактеристика биле охрабрујуће, за све ученике и класификационе шеме, перформансе су побољшане за дупло више модела када се користе само заједничке карактеристике. У ствари, међу онима који су на крају били наши најбољи ученици, сви осим једног модела побољшали су се елиминацијом необичних карактеристика.

Коначни скуп података (ИХ, КСЛ и КМ заједно) укључивао је 259 инстанци, од којих је свака представљала јединственог учесника који је полагао и МемТрак и МоЦА тестове. Било је 10 заједничких независних карактеристика: МемТрак метрика учинка: МТк-% Ц и средњи МТк-РТ; демографски подаци и подаци из историје болести: старост, пол, године образовања, врста посла (плави оковратник/бела крагна), социјална подршка (да ли испитаник живи сам или са породицом) и да/не одговори о томе да ли је корисник имао историја дијабетеса, хиперлипидемије или трауматске повреде мозга. Две додатне метрике, МоЦА агрегатни резултат и МоЦА агрегатни резултат прилагођен годинама образовања [12], коришћене су одвојено за развој зависних класификацијских ознака, чиме су створене две различите шеме моделирања које ће се применити на наш комбиновани скуп података. За сваку верзију (прилагођену и неприлагођену) МоЦА скора, подаци су поново посебно моделирани за бинарну класификацију користећи два различита прага критеријума — првобитно препоручену [12] и алтернативну вредност коју користе и промовишу други [8, 15]. У класификационој шеми алтернативног прага, сматрало се да пацијент има нормално когнитивно здравље ако је постигао ≥23 на МоЦА тесту и да има МЦИ ако је резултат био 22 или нижи; док је, у почетном препорученом формату за класификацију, пацијент морао да постигне 26 или више на МоЦА да би био означен као да има нормално когнитивно здравље.

Филтрирани подаци за моделирање класификације МоЦА

Даље смо испитали МоЦА класификацију користећи четири најчешће коришћене технике рангирања карактеристика: хи-квадрат, однос појачања, добит информација и симетрична несигурност. За привремену перспективу, применили смо рангере на цео комбиновани скуп података користећи сваку од наше четири шеме моделирања. Сви рангирани су се сложили око истих врхунских карактеристика, тј. старости, броја година образовања и обе МемТрак метрике учинка (МТк-% Ц, средња вредност МТк-РТ). Затим смо поново изградили моделе користећи сваку технику одабира карактеристика да бисмо обучили моделе само за четири најбоља својства (погледајте Избор карактеристика испод).

Коначних осам варијација шема за моделирање класификације резултата МоЦА представљено је у табели 1.

Табела 1

Резиме варијација шеме моделирања које се користе за класификацију МоЦА (Нормално Когнитивно здравље у односу на МЦИ)

Моделинг Сцхеме	Нормално когнитивно здравље (негативна класа)	МЦИ (позитивна класа)
Прилагођено-23 Нефилтрирано/филтрирано	КСНУМКС (КСНУМКС%)	КСНУМКС (КСНУМКС%)
Прилагођено-26 Нефилтрирано/филтрирано	КСНУМКС (КСНУМКС%)	КСНУМКС (КСНУМКС%)
Неприлагођено-23 Нефилтрирано/филтрирано	КСНУМКС (КСНУМКС%)	КСНУМКС (КСНУМКС%)
Неприлагођено-26 Нефилтрирано/филтрирано	КСНУМКС (КСНУМКС%)	КСНУМКС (КСНУМКС%)

Одговарајући број и проценат укупног броја пацијената у свакој класи се разликују прилагођавањем резултата за образовање (прилагођено или неприлагођено) и прагом класификације (23 или 26), примењено на оба скупа карактеристика (нефилтрирано и филтрирано).

Моделирање клиничке евалуације засновано на МемТрак-у

Од наша три оригинална подскупа података (ИХ, КСЛ, КМ), само пацијенти са КСЛ подскупом података су независно клинички дијагностиковани за когнитивно оштећење (тј. њихови одговарајући МоЦА резултати нису коришћени у успостављању класификације нормалних наспрам оштећених). Конкретно, пацијентима са КСЛ дијагностикована је било која Тест за Алцхајмерову болест (АД) или васкуларна деменција (ВаД). Унутар сваке од ових примарних категорија дијагнозе, постојала је још једна ознака за МЦИ. Дијагнозе МЦИ, деменције, васкуларног неурокогнитивног поремећаја и неурокогнитивног поремећаја услед АД засноване су на специфичним и карактеристичним дијагностичким критеријумима наведеним у Дијагностичком и статистичком приручнику за менталне поремећаје: ДСМ-5 [16]. Узимајући у обзир ове префињене дијагнозе, две шеме класификационог моделирања су посебно примењене на КСЛ подскуп података да би се разликовао ниво озбиљности (степен оштећења) за сваку категорију примарне дијагнозе. Подаци коришћени у свакој од ових шема дијагностичког моделирања (АД и ВаД) укључивали су демографске податке и податке о историји пацијента, као и МемТрак перформансе (МТк-% Ц, средња вредност МТк-РТ). Свака дијагноза је означена као блага ако је означена као МЦИ; иначе се сматрало тешким. Првобитно смо разматрали укључивање МоЦА скора у моделе дијагнозе (благе наспрам тешке); али смо утврдили да би то поништило сврху наше секундарне шеме предиктивног моделирања. Овде би ученици били обучени користећи друге карактеристике пацијената које су лако доступне добављачу и метрике перформанси једноставнијег МемТрак теста (уместо МоЦА) у односу на референтни „златни стандард“, независну клиничку дијагнозу. Било је 69 случајева у скупу података за дијагнозу АД и 76 случајева ВаД (табела 2). У оба скупа података било је 12 независних карактеристика. Поред 10 карактеристика укључених у класификацију резултата МоЦА, историја пацијената је такође укључивала информације о историји хипертензије и можданог удара.

Табела 2

Резиме варијација шеме моделирања које се користе за класификацију озбиљности дијагнозе (благе наспрам тешке)

Моделинг Сцхеме	Блага (негативна класа)	Тешка (позитивна класа)
МЦИ-АД наспрам АД	КСНУМКС (КСНУМКС%)	КСНУМКС (КСНУМКС%)
МЦИ-ВаД против ВаД	КСНУМКС (КСНУМКС%)	КСНУМКС (КСНУМКС%)

Одговарајући број и проценат укупних пацијената у свакој класи се разликују по категорији примарне дијагнозе (АД или ВаД).

Статистика

Поређење карактеристика учесника и других нумеричких карактеристика између подскупова података за сваку стратегију класификације модела (за предвиђање МоЦА когнитивног здравља и озбиљности дијагнозе) је извршено коришћењем програмског језика Питхон (верзија 2.7.1) [17]. Разлике у перформансама модела су иницијално одређене коришћењем једнофакторске или двофакторске (по потреби) АНОВА са интервалом поверења од 95% и Тукеи хонест сигнифицант дифференце (ХСД) теста да би се упоредиле средње вредности перформанси. Ово испитивање разлика између перформанси модела обављено је коришћењем комбинације Питхон-а и Р-а (верзија 3.5.1) [18]. Користили смо овај (иако, вероватно мање од оптималног) приступ само као хеуристичку помоћ у овом рана фаза за почетна поређења перформанси модела у предвиђању потенцијалне клиничке примене. Затим смо користили Бајесов тест са предзнаком користећи апостериорну дистрибуцију да бисмо одредили вероватноћу разлика у перформансама модела [19]. За ове анализе користили смо интервал –0.01, 0.01, што значи да ако су две групе имале разлику у учинку мању од 0.01, сматрало се да су исте (унутар региона практичне еквиваленције), или у супротном биле различите (једна боља од други). Да бисмо извршили Бајесово поређење класификатора и израчунали ове вероватноће, користили смо баицомп библиотеку (верзија 1.0.2) за Питхон 3.6.4.

Предиктивно моделирање

Направили смо предиктивне моделе користећи десет укупних варијација наших шема моделирања да бисмо предвидели (класификовали) исход МоЦА теста сваког пацијента или тежину клиничке дијагнозе. Сви ученици су примењени и модели су направљени коришћењем софтверске платформе отвореног кода Века [20]. За нашу прелиминарну анализу, користили смо 10 најчешће коришћених алгоритама за учење: 5-најближих суседа, две верзије стабла одлучивања Ц4.5, логистичка регресија, вишеслојни перцептрон, наивни Бајес, две верзије случајне шуме, мрежа радијалне базе и вектор подршке Машина. Кључни атрибути и контрасти ових алгоритама су описани на другом месту [21] (видети одговарајући Додатак). Они су изабрани јер представљају низ различитих типова ученика и зато што смо показали успех користећи их у претходним анализама на сличним подацима. Поставке хиперпараметара су изабране из нашег претходног истраживања што указује да су робусне на низу различитих података [22]. На основу резултата наше прелиминарне анализе коришћењем истог комбинованог скупа података са заједничким карактеристикама које су касније коришћене у пуној анализи, идентификовали смо три ученика који су пружили доследно јаке перформансе у свим класификацијама: логистичка регресија, наивни Бајес и машина за подршку векторима.

Унакрсна провера и метрика перформанси модела

За сво предиктивно моделирање (укључујући прелиминарне анализе), сваки модел је направљен коришћењем 10-струке унакрсне валидације, а перформансе модела су мерене коришћењем Ареа Ундер тхе Рецеивер Оператинг Цхарацтеристиц Цурве (АУЦ). Унакрсна валидација је почела насумично поделом сваког од 10 скупова података шеме моделирања у 10 једнаких сегмената (преклопа), користећи девет од ових одговарајућих сегмената за обуку модела, а преостали сегмент за тестирање. Овај поступак је поновљен 10 пута, користећи другачији сегмент као тестни сет у свакој итерацији. Резултати су затим комбиновани да би се израчунао коначни резултат/перформансе модела. За сваку комбинацију ученика/скупа података, цео овај процес је поновљен 10 пута, при чему су подаци сваки пут различито подељени. Овај последњи корак је смањио пристрасност, осигурао репликацију и помогао у одређивању укупних перформанси модела. Укупно (за МоЦА резултат и шеме класификације озбиљности дијагнозе комбиновано), направљено је 6,600 модела. Ово је укључивало 1,800 нефилтрираних модела (6 шема моделирања примењених на скуп података×3 ученика×10 покрета×10 пута = 1,800 модела) и 4,800 филтрираних модела (4 шеме моделирања примењене на скуп података×3 ученика×4 технике избора карактеристика×10 покрета× 10 преклопа = 4,800 модела).

Избор карактеристика

За филтриране моделе, избор обележја (користећи четири методе рангирања обележја) је извршен у оквиру унакрсног провера. За сваки од 10 прелома, пошто су различити 10% скупа података били подаци теста, коришћене су само четири најбоље изабране карактеристике за сваки скуп података за обуку (тј. осталих девет преклопа или преосталих 90% целокупног скупа података). да изгради моделе. Нисмо били у могућности да потврдимо које су четири функције коришћене у сваком моделу, јер се те информације не чувају нити су доступне у оквиру платформе за моделирање коју смо користили (Века). Међутим, имајући у виду доследност у нашем почетном избору најбољих карактеристика када су рангери примењени на цео комбиновани скуп података и каснију сличност у моделирању перформанси, ове исте карактеристике (старост, године образовања, МТк-% Ц и средњи МТк-РТ ) су вероватно најчешћа четири најчешћа коришћена упоредо са избором карактеристика у процесу унакрсног провера.

РЕЗУЛТАТИ

Нумеричке карактеристике учесника (укључујући МоЦА резултате и МемТрак метрику учинка) одговарајућих скупова података за сваку стратегију класификације модела за предвиђање когнитивног здравља индикованог МоЦА (нормално наспрам МЦИ) и озбиљности дијагнозе (благе наспрам тешке) приказане су у табели 3.

Табела 3

Карактеристике учесника, МоЦА резултати и МемТрак перформансе за сваку стратегију класификације модела

Стратегија класификације	старост	Образовање	МоЦА Адјустед	МоЦА Унадјустед	МТк-% Ц	МТк-РТ
МоЦА Цатегори	61.9 г (13.1)	9.6 г (4.6)	КСНУМКС (КСНУМКС)	КСНУМКС (КСНУМКС)	КСНУМКС% (КСНУМКС)	1.4 с (0.3)
Озбиљност дијагнозе	65.6 г (12.1)	8.6 г (4.4)	КСНУМКС (КСНУМКС)	КСНУМКС (КСНУМКС)	КСНУМКС% (КСНУМКС)	1.5 с (0.3)

Приказане вредности (средња вредност, СД) диференциране стратегијама класификације моделовања су репрезентативне за комбиновани скуп података који се користи за предвиђање когнитивног здравља индикованог МоЦА (МЦИ наспрам нормалног) и КСЛ подскуп података који се користи само за предвиђање озбиљности дијагнозе (благе наспрам тешке).

За сваку комбинацију резултата МоЦА (прилагођено/неприлагођено) и прага (26/23), постојала је статистичка разлика (p = 0.000) у сваком поређењу у паровима (нормално когнитивно здравље у односу на МЦИ) за узраст, образовање и МемТрак перформансе (МТк-% Ц и МТк-РТ). Сваки подскуп података о пацијенту у одговарајућој МЦИ класи за сваку комбинацију био је у просеку око 9 до 15 година старији, пријавио је око пет година мање образовања и имао је мање повољне МемТрак перформансе за обе метрике.

Резултати предиктивног моделирања за класификацију резултата МоЦА користећи три најбоља ученика, логистичку регресију, наивну Баиесову машину и машину вектора подршке, приказани су у табели 4. Ова три су изабрана на основу најконзистентније високе апсолутне перформансе ученика у свим различитим моделима примењен на скупове података за све шеме моделирања. За нефилтрирани скуп података и моделирање, свака од вредности података у табели 4 указује на перформансе модела на основу одговарајуће средње вредности АУЦ изведене из 100 модела (10 покрета × 10 пута) направљених за сваку комбинацију ученик/шема моделирања, са одговарајућим највишим ученик са перформансама означен масним словима. Док за моделирање филтрираног скупа података, резултати приказани у Табели 4 одражавају укупне просечне перформансе модела из 400 модела за сваког ученика који користи сваку од метода рангирања карактеристика (4 методе рангирања карактеристика×10 покрета×10 пута).

Табела 4

Дихотомни резултати класификације резултата МоЦА резултата (АУЦ; 0.0–1.0) за сваког од три ученика са најбољим учинком за све одговарајуће шеме моделирања

Коришћени скуп функција	МоЦА резултат	Цутофф Тхресхолд	Логистичка регресија	Наивни Бајес	Суппорт Вецтор Мацхине
Нефилтрирано (10 функција)	Прилагођено	23	0.8862	0.8913	0.8695
		26	0.8971	0.9221	0.9161
	Неприлагођен	23	0.9103	0.9085	0.8995
		26	0.8834	0.9153	0.8994
Филтрирано (4 карактеристике)	Прилагођено	23	0.8929	0.8954	0.8948
		26	0.9188	0.9247	0.9201
	Неприлагођен	23	0.9135	0.9134	0.9122
		26	0.9159	0.9236	0.9177

Користећи варијације скупа карактеристика, МоЦА резултата и граничног прага МоЦА резултата, највеће перформансе за сваку шему моделирања приказане су у (не нужно статистички другачије од свих осталих који нису у за одговарајући модел).

Упоређујући ученике у свим комбинацијама верзија МоЦА резултата и прагова (прилагођених/неприлагођених и 23/26, респективно) у комбинованом нефилтрираном скупу података (тј. користећи 10 заједничких карактеристика), Наивни Бајес је генерално био ученик са најбољим учинком са укупним класификацијски учинак од 0.9093. Узимајући у обзир три најбоља ученика, Бајесовски корелирани тестови са знаком ранга су показали да је вероватноћа (Pr) наивног Бајеса који је надмашио логистичку регресију био је 99.9%. Штавише, између Наивног Бајеса и Машине за векторску подршку, 21.0% вероватноће практичне еквиваленције у перформансама ученика (дакле, 79.0% вероватноће да ће Наивни Бајес надмашити Машину вектора подршке), заједно са вероватноћом од 0.0% да ће машина за подршку вектора радити боље, мерљиво појачава предност у перформансама за Наивног Бајеса. Даље поређење верзије МоЦА резултата за све ученике/прагове сугерисало је благу предност у перформансама коришћењем неприлагођених МоЦА резултата у односу на прилагођене (0.9027 наспрам 0.8971, респективно; Pr (неприлагођено > прилагођено) = 0.988). Слично томе, поређење граничног прага за све ученике и верзије МоЦА резултата указало је на малу предност у перформансама класификације користећи 26 као праг класификације у односу на 23 (0.9056 наспрам 0.8942, респективно; Pr (26 > 23) = 0.999). На крају, испитујући перформансе класификације за моделе који користе само филтриране резултате (тј. само четири најбоље рангиране карактеристике), Наивни Бајес (0.9143) је нумерички био ученик са најбољим учинком у свим верзијама/праговима МоЦА резултата. Међутим, у свим комбинованим техникама рангирања карактеристика, сви ученици са најбољим учинком имали су сличан учинак. Бајесовски тестови са потписаним рангом показали су 100% вероватноћу практичне еквиваленције између сваког пара филтрираних ученика. Као и код нефилтрираних података (користећи свих 10 заједничких карактеристика), поново је постојала предност у перформансама за неприлагођену верзију МоЦА резултата (Pr (неприлагођено > прилагођено) = 1.000), као и слично изражену предност за класификациони праг од 26 (Pr (26 > 23) = 1.000). Приметно је да је просечни учинак сваког од три најбоља ученика у свим верзијама/праговима МоЦА резултата који користе само четири најбоље рангиране карактеристике премашио просечни учинак било ког ученика на нефилтрираним подацима. Није изненађујуће што је учинак класификације филтрираних модела (користећи четири најбоље рангиране карактеристике) био супериорнији (0.9119) у односу на нефилтриране моделе (0.8999), без обзира на моделе методе рангирања карактеристика који су упоређени са тим одговарајућим моделима који користе свих 10 уобичајених Карактеристике. За сваки метод избора карактеристика, постојала је 100% вероватноћа предности у перформансама у односу на нефилтриране моделе.

Код пацијената који се узимају у обзир за класификацију тежине дијагнозе АД, разлике између група (МЦИ-АД наспрам АД) за узраст (p = 0.004), образовање (p = 0.028), МоЦА резултат прилагођен/неприлагођен (p = 0.000), и МТк-% Ц (p = 0.008) били су статистички значајни; док за МТк-РТ није (p = 0.097). Са оним пацијентима који се разматрају за класификацију тежине дијагнозе ВаД, разлике између група (МЦИ-ВаД наспрам ВаД) за МоЦА резултат прилагођен/неприлагођен (p = 0.007) и МТк-% Ц (p = 0.026) и МТк-РТ (p = 0.001) били су статистички значајни; док за године (p = 0.511) и образовање (p = 0.157) није било значајних разлика између група.

Резултати предиктивног моделирања за класификацију озбиљности дијагнозе користећи три претходно одабрана ученика, логистичку регресију, наивну Бајесову машину и помоћну векторску машину, приказани су у табели 5. Док су додатни испитани ученици показали нешто боље перформансе појединачно са једном од две категорије клиничке дијагнозе , три ученика које смо идентификовали као најповољније у нашем претходном моделирању понудили су најконзистентнији учинак са обе нове шеме моделирања. Упоређујући ученике у свакој од примарних категорија дијагнозе (АД и ВаД), није било конзистентне разлике у перформансама класификације између ученика за МЦИ-ВаД у односу на ВаД, иако је Суппорт Вецтор Мацхине генерално имао значајнији учинак. Слично, није било значајних разлика између ученика за МЦИ-АД у односу на АД класификацију, иако је Наивни Бајес (НБ) имао благу предност у перформансама у односу на логистичку регресију (ЛР) и само занемарљив плуралитет у односу на машину за подршку векторима, са вероватноћом од 61.4% и 41.7% респективно. У оба скупа података, постојала је укупна предност у перформансама за машину за векторску подршку (СВМ), са Pr (СВМ > ЛР) = 0.819 и Pr (СВМ > НБ) = 0.934. Наш укупни учинак класификације за све ученике у предвиђању озбиљности дијагнозе у КСЛ подскупу података био је бољи у категорији ВаД дијагнозе у односу на АД (Pr (ВАД > АД) = 0.998).

Табела 5

Резултати класификације озбиљности дихотомне клиничке дијагнозе (АУЦ; 0.0–1.0) за сваког од три ученика са најбољим учинком за обе одговарајуће шеме моделирања

Моделинг Сцхеме	Логистичка регресија	Наивни Бајес	Суппорт Вецтор Мацхине
МЦИ-АД наспрам АД	0.7465	0.7810	0.7443
МЦИ-ВаД против ВаД	0.8033	0.8044	0.8338

Највеће перформансе за сваку шему моделирања приказане су у (не нужно статистички другачије од других који нису у ).

ДИСКУСИЈА

Важно је рано откривање промена у когнитивном здрављу практична корисност у управљању личним здрављем и јавном здрављу. Заиста, то је такође велики приоритет у клиничким окружењима за пацијенте широм света. Заједнички циљ је упозорити пацијенте, неговатеље и пружаоце услуга и подстаћи раније одговарајући и исплатив третман и лонгитудиналну негу за оне који почињу да доживљавају когнитивни пад. Спајањем наше три подскупа података о болницама/клиникама, идентификовали смо три изразито пожељна ученика (са једним истакнутим – Наивним Бајесом) за изградњу предиктивних модела користећи МемТрак метрика учинка која би могла поуздано класификовати когнитивни здравствени статус дихотомно (нормално когнитивно здравље или МЦИ) на шта би указао агрегатни резултат МоЦА. Приметно је да су укупни перформанси класификације за сва три ученика побољшани када су наши модели користили само четири најбоље рангиране карактеристике које су углавном обухватале ове МемТрак метрике учинка. Штавише, открили смо поткрепљени потенцијал за коришћење истих ученика и МемТрак метрике учинка у шеми за моделирање класификације дијагностичке подршке да бисмо разликовали озбиљност две категорије дијагнозе деменције: АД и ВаД.

Тестирање меморије је кључно за рано откривање АД [23, 24]. Стога је прикладно да МемТрак буде прихватљив, занимљив и лак за имплементацију онлајн скрининг тест за епизодно памћење у општој популацији [6]. Тачност препознавања и времена одговора из овог континуираног задатка перформанси посебно откривају у идентификовању раног и еволуирајућег погоршања и последичних дефицита у неуропластичним процесима који се односе на учење, памћење и когницију. То јест, ови модели који су у великој мери засновани на МемТрак метрици перформанси су осетљиви и већа је вероватноћа да ће лако и уз минималне трошкове открити биолошке неуропатолошке дефиците током прелазне асимптоматске фазе много пре значајнијег функционалног губитка [25]. Асхфорд ет ал. пажљиво је испитао обрасце и понашања тачности меморије препознавања и времена одзива код онлајн корисника који су сами учествовали са МемТрак-ом [6]. Поштујући да су ове дистрибуције критичне за оптимално моделирање и развој валидних и ефикасних апликација за негу пацијената, дефинисање клинички применљивих профила препознавања и времена одговора је од суштинског значаја за успостављање вредне основне референце за клиничку и истраживачку корисност. Практична вредност МемТрак-а у скринингу АД за рану фазу когнитивног оштећења и диференцијалну дијагностичку подршку треба затим да се детаљније испита у контексту клиничког окружења где се могу узети у обзир коморбидитети и когнитивне, сензорне и моторичке способности које утичу на перформансе теста. А да би се информисала професионална перспектива и подстакла практична клиничка корисност, прво је императив да се демонстрира поређење са утврђеним тестом за процену когнитивног здравља, иако овај други може бити препознатљиво ограничен гломазном логистиком тестирања, образовањем и језичким одвраћањем и културним утицајима [26] . С тим у вези, значајно је повољно поређење МемТрак-а у клиничкој ефикасности са МоЦА-ом које се обично сматра индустријским стандардом, посебно када се мери већа лакоћа употребе и прихватање МемТрак-а од стране пацијената.

Претходно истраживање које је упоређивало МемТрак са МоЦА наглашава образложење и прелиминарне доказе који оправдавају наше истраживање моделирања [8]. Међутим, ово претходно поређење само је повезивало две кључне метрике учинка МемТрак-а које смо испитали са когнитивним статусом који је одредио МоЦА и дефинисао одговарајуће опсеге и граничне вредности. Продубили смо процену клиничке корисности МемТрак-а истраживањем приступа заснованог на предиктивном моделовању који би обезбедио индивидуализованије разматрање других потенцијално релевантних параметара специфичних за пацијенте. За разлику од других, нисмо пронашли предност у перформансама модела користећи корекцију образовања (прилагођавање) на МоЦА резултат или у варирању прага скупног резултата МоЦА дискриминишући когнитивно здравље од првобитно препоручених 26 до 23 [12, 15]. У ствари, предност у перформансама класификације фаворизовала је коришћење неприлагођеног МоЦА резултата и вишег прага.

Кључне тачке у клиничкој пракси

Машинско учење се често најбоље користи и најефикасније у предиктивном моделирању када су подаци обимни и вишедимензионални, то јест, када постоје бројна запажања и пратећи широки низ атрибута високе вредности (који доприносе). Ипак, са овим тренутним подацима, филтрирани модели са само четири одабране карактеристике су радили боље од оних који користе свих 10 уобичајених карактеристика. Ово сугерише да наш збирни скуп болничких података није имао клинички најприкладније карактеристике (високе вредности) за оптималну класификацију пацијената на овај начин. Ипак, нагласак на рангирању карактеристика на кључним МемТрак метрикама учинка — МТк-% Ц и МТк-РТ — снажно подржава изградњу модела скрининга когнитивног дефицита у раној фази око овог теста који је једноставан, лак за администрирање, јефтин и добро открива у перформансе меморије, барем тренутно као почетни екран за бинарну класификацију когнитивног здравственог статуса. С обзиром на све већи притисак на пружаоце услуга и здравствене системе, процеси скрининга пацијената и клиничке апликације треба да буду на одговарајући начин развијени са нагласком на прикупљању, праћењу и моделирању оних карактеристика пацијената и метрика тестирања који су најкориснији, најповољнији и доказано ефикасни у дијагностици. и подршку за управљање пацијентима.

Са две кључне МемТрак метрике које су биле централне за МЦИ класификацију, наш ученик са најбољим учинком (Наив Бајес) имао је веома високе предиктивне перформансе у већини модела (АУЦ преко 0.90) са односом истинито позитивних према лажно позитивним који се приближава или нешто прелази 4 : 1. Транслациона клиничка апликација која користи овог ученика би тако обухватила (исправно класификовала) далеко већину оних са когнитивним дефицитом, док би минимизирала трошкове повезане са грешком класификовања некога са нормалним когнитивним здрављем као особа са когнитивним дефицитом (лажно позитиван) или недостаје та класификација код оних који имају когнитивни дефицит (лажно негативан). Било који од ових сценарија погрешне класификације могао би наметнути непотребно психосоцијално оптерећење за пацијента и неговатеље.

Док смо у прелиминарним и потпуним анализама користили свих десет ученика у свакој шеми моделирања, фокусирали смо наше резултате на три класификатора који показују најдоследније снажне перформансе. Ово је такође требало да истакне, на основу ових података, ученике који ће, како се очекује, имати поуздан рад на високом нивоу у практичној клиничкој примени у одређивању класификације когнитивног статуса. Штавише, пошто је ова студија била замишљена као уводно истраживање о корисности машинског учења на когнитивном скринингу и овим благовременим клиничким изазовима, донели смо одлуку да технике учења остану једноставне и генерализоване, уз минимално подешавање параметара. Цијенимо да је овај приступ можда ограничио потенцијал за уже дефинисане предиктивне способности специфичне за пацијента. Исто тако, док нас обука модела користећи само врхунске карактеристике (филтрирани приступ) додатно информише о овим подацима (специфичним за недостатке у прикупљеним подацима и наглашавајући вредност у оптимизацији драгоценог клиничког времена и ресурса), схватамо да је прерано сузити обим модела и, према томе, све (и друге карактеристике) треба узети у обзир у будућим истраживањима док не добијемо дефинитивнији профил приоритетних карактеристика који би био применљив на ширу популацију. Стога, такође у потпуности препознајемо да би били неопходни инклузивнији и шире репрезентативни подаци и оптимизација ових и других модела пре него што се интегришу у ефикасну клиничку примену, посебно да би се прилагодили коморбидитетима који утичу на когнитивне перформансе које би требало узети у обзир у даљој клиничкој евалуацији.

Корисност МемТрак-а је додатно побољшана моделирањем тежине болести на основу одвојене клиничке дијагнозе. Боља укупна перформанса класификације у предвиђању тежине ВаД (у поређењу са АД) није била изненађујуће с обзиром на карактеристике профила пацијената у моделима специфичним за васкуларно здравље и ризик од можданог удара, тј. хипертензија, хиперлипидемија, дијабетес и (наравно) историја можданог удара. Иако би било пожељније и прикладније да се иста клиничка процена спроведе на одговарајућим пацијентима са нормалним когнитивним здрављем како би се ученици обучили са овим инклузивнијим подацима. Ово је посебно оправдано, јер је МемТрак намењен првенствено за откривање когнитивног дефицита у раној фази и накнадно праћење појединачних промена. Такође је могуће да је пожељнија дистрибуција података у скупу података ВаД делимично допринела упоредивим бољим перформансама моделирања. ВаД скуп података је био добро избалансиран између ове две класе, док АД скуп података са много мање пацијената са МЦИ није. Нарочито у малим скуповима података, чак и неколико додатних инстанци може да направи мерљиву разлику. Обе перспективе су разумни аргументи који леже у основи разлика у перформансама моделирања тежине болести. Међутим, пропорционално приписивање побољшаних перформанси нумеричким карактеристикама скупа података или инхерентним карактеристикама специфичним за клиничку презентацију која се разматра је преурањено. Без обзира на то, овај нови демонстрирао корисност МемТрак модела предиктивне класификације у улози клиничке дијагностичке подршке пружа драгоцену перспективу и потврђује тежњу за додатним прегледом код пацијената широм континуума МЦИ.

Имплементација и демонстрирана корисност МемТрак-а и ових модела у Кини, где се језик и култура драстично разликују од других региона етаблиране употребе (нпр. Француска, Холандија и Сједињене Државе) [7, 8, 27], додатно наглашава потенцијал за широко распрострањено глобално прихватање и клиничку вредност платформе засноване на МемТрак-у. Ово је уочљив пример у тежњи ка хармонизацији података и развоју практичних међународних норми и ресурса за моделирање за когнитивни скрининг који су стандардизовани и лако прилагођени за употребу широм света.

Следећи кораци у моделирању и примени когнитивног пада

Когнитивна дисфункција у АД се заиста јавља у континуитету, а не у дискретним фазама или корацима [28, 29]. Међутим, у овој раној фази, наш циљ је био да прво утврдимо нашу способност да изградимо модел који укључује МемТрак који може фундаментално разликовати „нормално“ од „ненормалног“. Инклузивнији емпиријски подаци (нпр. снимање мозга, генетске карактеристике, биомаркери, коморбидитети и функционални маркери комплексних активности које захтевају когнитивне контрола) [30] у различитим глобалним регионима, популацијама и старосним групама како би се обучили и развили софистициранији (укључујући одговарајуће пондерисан ансамбл) модели машинског учења подржаће већи степен побољшане класификације, односно капацитет за категоризацију група пацијената са МЦИ у мање и дефинитивније подскупове дуж континуума когнитивног пада. Штавише, истовремене клиничке дијагнозе за појединце широм регионално разноликих популација пацијената су од суштинског значаја за ефикасно тренирати ови инклузивнији и предвидљиво робусни модели. Ово ће олакшати специфичније стратификовано управљање случајевима за оне са сличним пореклом, утицајима и уже дефинисаним карактеристичним когнитивним профилима и на тај начин оптимизовати подршку при доношењу клиничких одлука и бригу о пацијентима.

Већина релевантних клиничких истраживања до сада се бавила пацијентима са барем благом деменцијом; и, у пракси, пречесто се интервенција пацијената покушава само у напредним фазама. Међутим, пошто когнитивни пад почиње много пре него што се испуне клинички критеријуми за деменцију, ефикасно примењен рани преглед заснован на МемТрак-у могао би да подстакне одговарајућу едукацију појединаца о болести и њеном напредовању и да подстакне раније и правовременије интервенције. Дакле, рано откривање може подржати одговарајуће укључености у распону од вежбања, исхране, емоционалне подршке и побољшане социјализације до фармаколошке интервенције и појачати промене у понашању и перцепцији које се односе на пацијенте које би појединачно или заједно могле да ублаже или потенцијално зауставе прогресију деменције [31, 32] . Штавише, са ефективним рани скрининг, појединци и њихове породице могу бити подстакнути да размотре клиничка испитивања или добију саветовање и подршку других социјалних услуга како би помогли у разјашњавању очекивања и намера и управљању свакодневним задацима. Даља валидација и широко распрострањена практична корисност на ове начине могу бити од кључног значаја за ублажавање или заустављање прогресије МЦИ, АД и АДРД за многе појединце.

Заиста, доња граница старосног распона пацијената у нашој студији не представља популацију традиционалног проблема са АД. Без обзира на то, просечна старост за сваку групу која се користи у шемама моделирања класификације на основу МоЦА скора/прага и тежине дијагнозе (Табела 3) наглашава јасну већину (преко 80%) која има најмање 50 година. Ова дистрибуција је стога веома прикладна за генерализацију, подржавајући корисност ових модела у популацији која карактерише оне на које типично утиче рани почетак и растућа неурокогнитивна болест због АД и ВаД. Такође, недавни докази и перспектива наглашавају оне препознате факторе (нпр. хипертензија, гојазност, дијабетес и пушење) који потенцијално доприносе већем раном оцене васкуларног ризика код одраслих и средњих година и последичне суптилне васкуларне повреде мозга које се развијају подмукло са очигледним ефектима чак и код младих одрасли [33–35]. Сходно томе, најоптималнија прилика за почетни скрининг за рано откривање стадијум когнитивних дефицита и покретање ефикасних стратегија превенције и интервенције у успешном решавању деменције ће произаћи из испитивања фактора који доприносе и претходних индикатора у читавом спектру узраста, укључујући рано одрасло доба и потенцијално чак и детињство (уз напомену важности генетских фактора као што је аполипопротеин Е од ране гестације).

У пракси, валидне клиничке дијагнозе и скупе процедуре за напредно снимање, генетско профилисање и мерење обећавајућих биомаркера нису увек лако доступне или чак изводљиве за многе пружаоце услуга. Стога, у многим случајевима, почетна укупна класификација когнитивног здравственог статуса можда ће морати да буде изведена из модела који користе друге једноставне метрике које обезбеђује пацијент (нпр. проблеми са меморијом, тренутни лекови и ограничења рутинске активности) и уобичајене демографске карактеристике [7]. Регистри као што је Универзитет у Калифорнији мозак Здравље Регистар (хттпс://ввв.браинхеалтхрегистри.орг/) [27] и други са инхерентном већом ширином симптома које су сами пријавили, квалитативним мерама (нпр. спавање и свакодневна спознаја), лековима, здравственим статусом и анамнезом, и детаљнија демографија ће бити од кључног значаја за развој и валидацију практичне примене ових примитивнијих модела у клиници. Даље, тест као што је МемТрак, који је показао корисност у процени функције памћења, може заправо пружити знатно бољу процену патологије АД од биолошких маркера. С обзиром да је кључна карактеристика АД патологије поремећај неуропластичности и изузетно сложен губитак синапси, који се манифестује као епизодни дисфункција памћења, мера којом се процењује епизодично памћење може у ствари пружају бољу процену патолошког оптерећења АД од биолошких маркера код живог пацијента [36].

Са свим предиктивним моделима — било да су допуњени сложеним и инклузивним подацима из најсавременије технологије и рафинираним клиничким увидима у више домена или онима који су ограничени на основне и лако доступне информације карактеристичне за постојеће профиле пацијената — препозната предност вештачке интелигенције а машинско учење је да резултујући модели могу синтетизовати и индуктивно „учити“ из релевантних нових података и перспективе обезбеђених сталним коришћењем апликација. Након практичног трансфера технологије, пошто се модели овде (и који ће се развијати) буду примењени и обогаћени са више случајева и релевантним подацима (укључујући пацијенте са коморбидитетима који би могли да доведу до когнитивног опадања), перформансе предвиђања и класификација когнитивног здравља биће робуснија, што резултира ефикаснијим услужним програмом за подршку клиничком одлучивању. Ова еволуција ће бити потпуније и практичније реализована уграђивањем МемТрак-а у прилагођене (циљане на доступне могућности) платформе које би здравствени радници могли да користе у реалном времену у клиници.

Императив за валидацију и корисност МемТрак модела за дијагностичку подршку и негу пацијената су веома тражени значајни лонгитудинални подаци. Посматрањем и бележењем пратећих промена (ако их има) у клиничком статусу у адекватном опсегу од нормалног до раног стадијума МЦИ, модели за одговарајућу текућу процену и класификацију могу бити обучени и модификовани како пацијенти старе и лече. То јест, поновљена корисност може помоћи у лонгитудиналном праћењу благих когнитивних промена, ефикасности интервенције и одржавању информисане стратификоване неге. Овај приступ је ближе клиничкој пракси и управљању пацијентима и случајевима.

Ограничења

Ценимо изазов и вредност прикупљања чистих клиничких података у контролисаној клиници/болници. Без обзира на то, ојачало би наше моделирање да су наши скупови података укључивали више пацијената са заједничким карактеристикама. Штавише, специфично за наше моделирање дијагнозе, било би пожељније и прикладније да се иста клиничка процена спроведе на одговарајућим пацијентима са нормалним когнитивним здрављем како би се обучили ученици. И као што је наглашено бољим перформансама класификације коришћењем филтрираног скупа података (само четири најбоље рангиране карактеристике), општије и мере/индикатори когнитивног здравља би се вероватно побољшали моделирање перформанси са већим бројем заједничких карактеристика код свих пацијената.

Одређени учесници су можда истовремено имали и друге болести које су могле изазвати пролазне или хроничне когнитивне недостатке. Осим КСЛ подскупа података где су пацијенти дијагностички класификовани као да имају АД или ВаД, подаци о коморбидитету нису прикупљени/пријављени у групи пацијената ИХ, а доминантни пријављени коморбидитет далеко у КМ подскупу података био је дијабетес. Међутим, може се расправљати да би укључивање пацијената у наше шеме моделирања са коморбидитетима који би могли да подстакну или погоршају ниво когнитивног дефицита и последично ниже перформансе МемТрак-а било репрезентативније за циљну популацију пацијената у стварном свету за овај генерализованији рани когнитивни скрининг и приступ моделирању. Напредак, тачна дијагноза коморбидитета који потенцијално утичу на когнитивне перформансе је у великој мери корисна за оптимизацију модела и резултујућих апликација за негу пацијената.

На крају, пацијенти ИХ и КМ подсета података користили су паметни телефон да би полагали МемТрак тест, док је ограничен број пацијената са КСЛ подсетом података користио иПад, а остали су користили паметни телефон. Ово је могло да уведе мању разлику у вези са уређајем у перформансама МемТрак-а за моделирање МоЦА класификације. Међутим, разлике (ако их има) у МТк-РТ, на пример, између уређаја би вероватно биле занемарљиве, посебно ако се сваком учеснику да „вежбање“ теста непосредно пре снимљеног теста. Ипак, корисност ова два ручна уређаја потенцијално угрожава директно поређење и/или интеграцију са другим МемТрак резултатима где су корисници одговарали на поновљене слике додиривањем размакнице на тастатури рачунара.

Кључне тачке услужног програма за предиктивно моделирање МемТрак

• • Наши предиктивни модели са најбољим учинком који обухватају одабране метрике перформанси МемТрак-а могу поуздано да класификују когнитивни здравствени статус (нормално когнитивно здравље или МЦИ) као што би показало широко признати МоЦА тест.
• • Ови резултати подржавају интеграцију одабраних МемТрак метрика перформанси у апликацију за скрининг класификационог модела за предвиђање за рану фазу когнитивног оштећења.
• • Наше моделирање класификације је такође открило потенцијал за коришћење МемТрак перформанси у апликацијама за разликовање тежине дијагнозе деменције.

Ови нови налази успостављају дефинитивне доказе који подржавају корисност машинског учења у изградњи побољшаних робусних модела класификације заснованих на МемТрак-у за дијагностичку подршку у ефикасном управљању клиничким случајевима и бризи о пацијентима за појединце који имају когнитивна оштећења.

ЗАХВАЛНОСТ

Препознајемо рад Ј. Вессон Асхфорда, Цуртиса Б. Асхфорда и колега на развоју и валидацији задатка и алата за континуирано препознавање на мрежи (МемТрак) који се овдје користи и захвални смо бројним пацијентима са деменцијом који су допринијели критичком темељном истраживању . Такође захваљујемо Ксианбо Зхоуу и његовим колегама у СЈН Биомед ЛТД, његовим колегама и сарадницима у болницама/клиникама, посебно др. М. Луо и М. Зхонг, који су помогли у регрутовању учесника, заказивању тестова и прикупљању, снимању и фронт-енд управљању подацима, и учесницима волонтерима који су донирали своје драгоцено време и обавезали се да ће полагати тестове и обезбедити вредне податке које треба да проценимо у овој студији. Ово студија је делимично подржана од стране МД Сциентифиц Ресеарцх Програм Медицинског универзитета у Кунмингу (грант бр. 2017БС028 до КСЛ) и истраживачки програм одељења за науку и технологију у Јунану (грант бр. 2019ФЕ001 (-222) до КСЛ).

Ј. Вессон Асхфорд је поднео патентну пријаву за коришћење специфичне парадигме континуираног признавања описане у овом раду за опште тестирање меморије.

МемТрак, ЛЛЦ је компанија у власништву Цуртиса Асхфорда, а ова компанија управља тестирање меморије систем описан у овом раду.

Откривања аутора доступна на интернету (хттпс://ввв.ј-алз.цом/манусцрипт-дисцлосурес/19-1340р2).

РЕФЕРЕНЦЕ

[КСНУМКС] Алцхајмерово удружење (2016) 2016 Чињенице о Алцхајмеровој болести и фигуре. Алцхајмеров демент 12, 459–509.
[2] Гресенц ЦР, Митцхелл ЈМ, Марроне Ј, Федерофф ХЈ (2019) Ефекат раног стадијума Алзхајмерова болест о финансијским исходима домаћинства. Хеалтх Ецон 29, 18–29.
[КСНУМКС]	Фостер НЛ, Бонди МВ, Дас Р, Фосс М, Херсхеи ЛА, Кох С, Логан Р, Пооле Ц, Схега ЈВ, Соод А, Тхотхала Н, Вицклунд М, Иу М, Беннетт А, Ванг Д (2019) Побољшање квалитета у неурологија: сет за мерење квалитета благог когнитивног оштећења. Неурологи 93, 705–713.
[4] Тонг Т, Тхокала П, МцМиллан Б, Гхосх Р, Бразиер Ј (2017) Исплативост коришћења когнитивни скрининг тестови за откривање деменције и благог когнитивног оштећења у примарној здравственој заштити. Инт Ј Гериатр Псицхиатри 32, 1392–1400.
[5] Асхфорд ЈВ, Гере Е, Баилеи ПЈ (2011) Мерење меморије у великим групним поставкама користећи континуирани тест препознавања. Ј Алцхајмеров дис 27, 885–895.
[КСНУМКС]	Асхфорд ЈВ, Тарпин-Бернард Ф, Асхфорд ЦБ, Асхфорд МТ (2019) Компјутеризовани задатак континуираног препознавања за мерење епизодне меморије. Ј Алцхајмеров дис 69, 385–399.
[КСНУМКС]	Бергерон МФ, Ландсет С, Тарпин-Бернард Ф, Асхфорд ЦБ, Кхосхгофтаар ТМ, Асхфорд ЈВ (2019) Перформансе епизодне меморије у моделирању машинског учења за предвиђање класификације когнитивног здравственог статуса. Ј Алцхајмеров дис 70, 277–286.
[8] Ван дер Хоек МД , Ниеувенхуизен А , Кеијер Ј , Асхфорд ЈВ (2019) Тхе МемТрак тест у поређењу са монтреалском когнитивном проценом благог когнитивног оштећења. Ј Алцхајмеров дис 67, 1045–1054.
[КСНУМКС]	Фалцоне М, Иадав Н, Поеллабауер Ц, Флинн П (2013) Коришћење изолованих самогласничких звукова за класификацију благе трауматске повреде мозга. У 2013. ИЕЕЕ Међународна конференција о акустици, говору и обради сигнала, Ванкувер, БЦ, стр. 7577–7581.
[КСНУМКС]	Дабек Ф, Цабан ЈЈ (2015) Коришћење великих података за моделирање вероватноће развоја психолошких стања након потреса мозга. Процедиа Цомпут Сци 53, 265–273.
[КСНУМКС]	Цлимент МТ, Пардо Ј, Муноз-Алмараз ФЈ, Гуерреро МД, Морено Л (2018) Стабло одлучивања за рано откривање когнитивног оштећења од стране фармацеута у заједници. Фронт Пхармацол 9, 1232.
[КСНУМКС]	Насреддине ЗС, Пхиллипс НА, Бедириан В, Цхарбоннеау С, Вхитехеад В, Цоллин И, Цуммингс ЈЛ, Цхертков Х (2005) Монтреал Цогнитиве Ассессмент, МоЦА: Кратак алат за скрининг за благо когнитивно оштећење. Ј Ам Гериатр Соц 53, 695–699.
[КСНУМКС]	Иу Ј, Ли Ј, Хуанг Кс (2012) Пекиншка верзија монтреалске когнитивне процене као кратка алатка за скрининг за благо когнитивно оштећење: студија у заједници. БМЦ Психијатрија 12, 156.
[КСНУМКС]	Цхен КЛ, Ксу И, Цху АК, Динг Д, Лианг КСН, Насреддине ЗС, Донг К, Хонг З, Зхао КХ, Гуо КХ (2016) Валидација кинеске верзије Монтреалске когнитивне процене основне за скрининг благог когнитивног оштећења. Ј Ам Гериатр Соц 64, е285–е290.
[КСНУМКС]	Царсон Н, Леацх Л, Мурпхи КЈ (2018) Преиспитивање граничних резултата Монтреалске когнитивне процене (МоЦА). Инт Ј Гериатр Псицхиатри 33, 379–388.
[КСНУМКС]	Америчко психијатријско удружење (2013) Таск Форце Дијагностички и статистички приручник за менталне поремећаје: ДСМ-5™, Америцан Псицхиатриц Публисхинг, Инц., Вашингтон, ДЦ.
[КСНУМКС]	Питхон. Питхон Софтваре Фоундатион, хттп://ввв.питхон.орг, приступљено 15. новембра 2019.
[КСНУМКС]	Р Цоре Гроуп, Р: Језик и окружење за статистичко рачунарство Р Фондација за статистичко рачунарство, Беч, Аустрија. хттпс://ввв.Р-пројецт.орг/, 2018, Приступљено 15. новембра 2019.
[КСНУМКС]	Бенаволи А, Цорани Г, Демшар Ј, Заффалон М (2017) Време за промену: Упутство за поређење вишеструких класификатора кроз Бајесову анализу. Ј Мацх Леарн Рес 18, 1–36.
[КСНУМКС]	Франк Е, Халл МА, Виттен ИХ (2016) ВЕКА Воркбенцх. У Дата Мининг: практични алати и технике машинског учења, Франк Е, Халл МА, Виттен ИХ, Пал ЦЈ, ур. Морган Кауфманн хттпс://ввв.цс.ваикато.ац.нз/мл/века/Виттен_ет_ал_2016_аппендик.пдф
[КСНУМКС]	Бергерон МФ , Ландсет С , Мауганс ТА , Виллиамс ВБ , Цоллинс ЦЛ , Вассерман ЕБ , Кхосхгофтаар ТМ (2019) Машинско учење у моделирању спортског потреса у средњој школи рјешавање симптома. Мед Сци Спортс Екерц 51, 1362–1371.
[КСНУМКС]	Ван Хулсе Ј, Кхосхгофтаар ТМ, Наполитано А (2007) Експерименталне перспективе учења из неуравнотежених података. У Зборник радова 24. међународне конференције о машинском учењу, Цорвалис, Орегон, САД, стр. 935-942.
[КСНУМКС]	Асхфорд ЈВ, Колм П, Цолливер ЈА, Бекиан Ц, Хсу ЛН (1989) Процена пацијената са Алцхајмером и мини-ментално стање: Анализа карактеристичне криве ставке.П. Ј Геронтол 44, 139–146.
[24] Асхфорд ЈВ, Јарвик Л (1985) Алцхајмерова болест: Да ли пластичност неурона предиспонира аксоналну неурофибриларну дегенерацију? Н Енгл Ј Мед 313, 388–389.
[25] Јацк ЦР Јр, Тхернеау ТМ, Веиганд СД, Висте ХЈ, Кнопман ДС, Вемури П, Лове ВЈ, Миелке ММ, Робертс РО, Мацхулда ММ, Графф-Радфорд Ј, Јонес ДТ, Сцхварз ЈЛЦГ, Гунтерз ЈЛЦГ, , Роцца ВА, Петерсен РЦ (2019) Преваленција биолошки и клинички дефинисаних ентитета Алцхајмеровог спектра коришћењем Националног института за старење-Алцхајмерову болест Истраживање удружења оквир. ЈАМА Неурол 76, 1174–1183.
[26] Зхоу Кс, Асхфорд ЈВ (2019) Напредак у инструментима за скрининг за Алзхајмерова болест. Агинг Мед 2, 88–93.
[27] Веинер МВ, Носхени Р, Цамацхо М, Труран-Сацреи Д, Мацкин РС, Фленникен Д, Улбрицхт А, Инсел П, Финлеи С, Фоцклер Ј, Веитцх Д (2018) Тхе мозак Здравље Регистар: Интернет платформа за регрутовање, процену и лонгитудинално праћење учесника за студије неуронауке. Алцхајмеров демент 14, 1063–1076.
[28] Асхфорд ЈВ, Сцхмитт ФА (2001) Моделирање временског тока Алцхајмерова деменција. Цурр Псицхиатри Реп 3, 20–28.
[КСНУМКС]	Ли Кс, Ванг Кс, Су Л, Ху Кс, Хан И (2019) Кинеска лонгитудинална студија о когнитивном опадању (СИЛЦОДЕ): Протокол за кинеску лонгитудиналну опсервациону студију за развој модела предвиђања ризика конверзије у благо когнитивно оштећење код особа са субјективним когнитивним одбити. БМЈ Опен 9, е028188.
[30] Тарнанас И , Тсолаки А , Виедерхолд М , Виедерхолд Б , Тсолаки М (2015) Петогодишња варијабилност прогресије биомаркера за Алцхајмерова болест деменција предвиђање: Може ли комплексна инструментална активност свакодневног живота попунити празнине? Алцхајмеров демент (Амст) 1, 521–532.
[31] МцГурран Х, Гленн ЈМ, Мадеро ЕН, Ботт НТ (2019) Превенција и лечење Алцхајмерове болести: Биолошки механизми вежбања. Ј Алцхајмеров дис 69, 311–338.
[32] Мендиола-Прецома Ј , Берумен ЛЦ , Падилла К , Гарциа-Алцоцер Г (2016) Тхерапиес фор превенција и лечење Алцхајмерове болести. Биомед Рес Инт 2016, 2589276.
[КСНУМКС]	Лане ЦА, Барнес Ј, Ницхолас ЈМ, Судре ЦХ, Цасх ДМ, Малоне ИБ, Паркер ТД, Кесхаван А, Буцханан СМ, Кеусс СЕ, Јамес СН, Лу К, Мурраи-Смитх Х, Вонг А, Гордон Е, Цоатх В, Модат М, Тхомас Д, Рицхардс М, Фок НЦ, Сцхотт ЈМ (2020) Асоцијације између васкуларног ризика у одраслој доби и патологије мозга у касној животној доби: Докази из британске кохорте рођења. ЈАМА Неурол 77, 175–183.
[КСНУМКС]	Сесхадри С (2020) Превенција размишљања о деменцији изван старости и амилоидне кутије. ЈАМА Неурол 77, 160–161.
[КСНУМКС]	Маиллард П, Сесхадри С, Беисер А, Химали ЈЈ, Ау Р, Флетцхер Е, Цармицхаел О, Волф ПА, ДеЦарли Ц (2012) Ефекти систолног крвног притиска на интегритет беле материје код младих одраслих у Фрамингхам Хеарт Студи: А цросс -секциона студија. Ланцет Неурол 11, 1039–1047.
[36] Финк ХА, Линскенс ЕЈ, Силверман ПЦ, МцЦартен ЈР, Хемми ЛС, Оуеллетте ЈМ, Греер НЛ, Вилт ТЈ, Бутлер М (2020) Тачност тестирања биомаркера за неуропатолошки дефинисане Алцхајмерова болест код старијих особа са деменцијом. Анн Интерн Мед 172, 669–677.

Афилијације: [а] СИВОТЕЦ Аналитицс, Боца Ратон, ФЛ, САД | [б] Катедра за рачунарство и електротехнику и рачунарске науке, Флорида Атлантиц Университи, Боца Ратон, ФЛ, САД | [ц] СЈН Биомед ЛТД, Кунминг, Јунан, Кина | [д] Центар за Алцхајмерово истраживање, Васхингтон Институте оф Цлиницал Ресеарцх, Васхингтон, ДЦ, УСА | [е] Одељење за рехабилитациону медицину, Прва придружена болница Медицинског универзитета Кунминг, Кунминг, Јунан, Кина | [ф] Одељење за неурологију, Дехонг народна болница, Дехонг, Јунан, Кина | [г] Одељење за неурологију, прва придружена болница Медицинског универзитета у Кунмингу, округ Вухуа, Кунминг, провинција Јунан, Кина | [х] Центар за проучавање болести и повреда повезаних са ратом, ВА Пало Алто Здравствена нега Систем, Пало Алто, Калифорнија, САД | [и] Одељење за психијатрију и бихевиоралне науке, Медицински факултет Универзитета Станфорд, Пало Алто, Калифорнија, САД

Преписка: [*] Дописивање са: Мицхаел Ф. Бергерон, ПхД, ФАЦСМ, СИВОТЕЦ Аналитицс, Боца Ратон Инноватион Цампус, 4800 Т-Рек Авенуе, Суите 315, Боца Ратон, ФЛ 33431, САД. Е-маил: мбергерон@сивотецаналитицс.цом.; Ксиаолеи Лиу, МД, Одељење за неурологију, Прва придружена болница Медицинског универзитета у Кунмингу, 295 Ксицханг Роад, Вухуа Дистрицт, Кунминг, провинција Јунан 650032, Кина. Е-маил: ринг@вип.163.цом.

Кључне речи: старење, Алзхајмерова болест, деменција, масовни скрининг