Utiliti MemTrax sareng Modeling Pembelajaran Mesin dina Klasifikasi Gangguan Kognitif Hampang
Artikel Panaliti
pangarang: 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
Jurnal: Jurnal Panyakit Alzheimer, Vol. 77, teu. 4, pp. 1545-1558, 2020
abstrak
latar:
The incidence nyebar sarta Prévalénsi Panyakit Alzheimer sarta impairment kognitif hampang (MCI) geus ditanya hiji panggero urgent pikeun panalungtikan sangkan méré konfirmasi deteksi dini screening kognitif na assessment.
tujuan:
Tujuan panalungtikan primér kami nyaéta pikeun nangtukeun naha métrik kinerja MemTrax anu dipilih sareng demografi anu relevan sareng ciri profil kaséhatan tiasa dianggo sacara efektif dina modél prediktif anu dikembangkeun sareng pembelajaran mesin pikeun mengklasifikasikan kaséhatan kognitif (normal versus MCI), sakumaha anu bakal dituduhkeun ku Montréal Penilaian Kognitif (MoCA).
métode:
Kami ngalaksanakeun kajian cross-sectional ngeunaan 259 neurologi, klinik memori, sareng pasien dewasa ubar internal anu direkrut ti dua rumah sakit di Cina. Masing-masing pasien dipasihan MoCA basa Cina sareng ngatur pangakuan kontinyu MemTrax online episodic. test memori online dina dinten anu sami. Modél klasifikasi prediktif diwangun ngagunakeun pembelajaran mesin kalayan validasi silang 10 kali lipat, sarta kinerja modél diukur ngagunakeun Area Under the Receiver Operating Characteristic Curve (AUC). Model diwangun nganggo dua métrik kinerja MemTrax (persen leres, waktos réspon), sareng dalapan fitur demografi sareng sajarah pribadi anu umum.
Results:
Ngabandingkeun peserta didik dina kombinasi pilihan skor sareng ambang MoCA, Naïve Bayes umumna mangrupikeun peserta didik anu paling berprestasi kalayan prestasi klasifikasi sadayana 0.9093. Salajengna, diantara tilu peserta didik anu paling luhur, kinerja klasifikasi dumasar MemTrax sacara umum langkung unggul ngagunakeun ngan ukur opat fitur anu paling luhur (0.9119) dibandingkeun sareng sadayana 10 fitur umum (0.8999).
kacindekan:
Kinerja MemTrax tiasa dianggo sacara efektif dina modél prediksi klasifikasi pembelajaran mesin aplikasi screening pikeun ngadeteksi impairment kognitif tahap awal.
BUBUKA
Insiden sareng Prévalénsi anu diakuan (sanaos henteu didiagnosis) nyebar sareng paralel ningkatna médis, sosial, sareng umum. kasehatan biaya sareng beban Panyakit Alzheimer (AD) sareng gangguan kognitif hampang (MCI) beuki nyaring pikeun sadaya pamangku kapentingan [1, 2]. Skenario anu matak pikasieuneun sareng bourgeoning ieu nyababkeun sauran urgent pikeun panalungtikan pikeun validasi. deteksi mimiti screening kognitif sareng instrumen penilaian pikeun utilitas praktis biasa dina setélan pribadi sareng klinis pikeun pasien sepuh di sababaraha daérah sareng populasi [3]. Instrumén ieu ogé kedah nyayogikeun tarjamahan anu lancar tina hasil informatif kana rékaman kaséhatan éléktronik. Mangpaatna bakal diwujudkeun ku nginpokeun ka pasien sareng ngabantosan dokter pikeun ngenalkeun parobihan anu penting sateuacanna sahingga ngaktifkeun stratifikasi, palaksanaan, sareng nyukcruk langkung gancang sareng tepat waktu, sareng nyukcruk perawatan individu sareng langkung efektif sareng perawatan pasien pikeun anu mimiti ngalaman. kognitif [3, 4].
Alat MemTrax komputerisasi (https://memtrax.com) nyaéta penilaian pangakuan kontinyu anu sederhana sareng ringkes anu tiasa diurus sacara mandiri sacara online pikeun ngukur kinerja mémori épisodik waktos anu nangtang dimana pangguna ngaréspon kana gambar anu diulang sareng henteu kana presentasi awal [5, 6]. Panalitian anyar sareng implikasi praktis anu hasilna dimimitian sacara bertahap sareng koléktif nunjukkeun khasiat klinis MemTrax dina awal AD sareng saringan MCI [5-7]. Tapi, ngabandingkeun langsung tina utilitas klinis sareng anu aya kaséhatan kognitif assessment jeung standar konvensional ieu warranted pikeun nginpokeun sudut pandang profésional sarta corroborate utiliti MemTrax dina deteksi mimiti na rojongan diagnostik. van der Hoek et al. [8] ngabandingkeun métrik kinerja MemTrax anu dipilih (laju réaksi sareng persen leres) kana status kognitif anu ditangtukeun ku Montréal. Penilaian Kognitif (MoCA). Sanajan kitu, ulikan ieu dugi ka associating metrics kinerja ieu kalawan characterization status kognitif (sakumaha ditangtukeun ku MoCA) jeung nangtukeun rentang relatif jeung nilai cutoff. Sasuai, pikeun ngalegaan panalungtikan ieu sareng ningkatkeun kinerja klasifikasi sareng efficacy, patarosan panalungtikan primér kami nyaéta:
- Tiasa individu dipilih métrik kinerja MemTrax jeung demografi relevan sarta kaséhatan keureutan ciri bisa éféktif garapan dina model prediktif dimekarkeun kalawan machine learning pikeun mengklasifikasikan kaséhatan kognitif dichotomously (normal versus MCI), sakumaha bakal dituduhkeun ku skor MoCA hiji urang?
Sekundér pikeun ieu, urang hoyong terang:
- Kaasup fitur anu sami, tiasa model pembelajaran mesin dumasar-kinerja MemTrax tiasa dianggo sacara efektif pikeun pasien pikeun ngaduga parahna (hampang versus parna) dina kategori anu dipilih tina gangguan kognitif anu bakal ditangtukeun ku diagnosis klinis mandiri?
Munculna sareng aplikasi praktis intelijen jieunan sareng pembelajaran mesin dina saringan / deteksi parantos nunjukkeun kaunggulan praktis anu béda, kalayan modél prediktif sacara efektif ngabimbing klinik dina nangtang penilaian kaséhatan kognitif / otak sareng manajemén pasien. Dina ulikan urang, urang milih pendekatan sarupa dina modeling klasifikasi MCI jeung diskriminasi severity impairment kognitif sakumaha dikonfirmasi ku diagnosis klinis tina tilu datasets ngalambangkeun dipilih volunteer inpatients na outpatients ti dua rumah sakit di Cina. Ngagunakeun modeling prediktif machine learning, kami ngaidentipikasi peserta didik anu paling berprestasi tina sagala rupa kombinasi set data / peserta didik sareng peringkat fitur pikeun nungtun kami dina nangtukeun aplikasi modél anu paling praktis sacara klinis.
Hipotesis kami nya éta modél basis MemTrax anu disahkeun tiasa dianggo pikeun mengklasifikasikeun kaséhatan kognitif sacara dichotomously (normal atanapi MCI) dumasar kana kriteria bangbarung skor agrégat MoCA, sareng yén modél prediksi MemTrax anu sami tiasa dianggo sacara efektif dina ngabédakeun parah dina kategori anu dipilih. klinis didiagnosis impairment kognitif. Nunjukkeun hasil anu diantisipasi bakal janten alat pikeun ngadukung efficacy MemTrax salaku layar deteksi awal pikeun turunna kognitif sareng klasifikasi gangguan kognitif. Babandingan anu nguntungkeun pikeun standar anu disangka industri anu dilengkepan ku betah anu langkung ageung sareng kagancangan utilitas bakal janten pangaruh dina ngabantosan dokter ngadopsi alat anu sederhana, dipercaya, sareng tiasa diaksés ieu salaku layar awal dina ngadeteksi kakurangan kognitif tahap awal (kaasup prodromal). Pendekatan sareng utilitas sapertos kitu tiasa nyababkeun perawatan sareng intervensi pasien anu langkung tepat waktu sareng langkung saé. Wawasan-pamikiran maju ieu sareng métrik sareng modél anu ningkat ogé tiasa ngabantosan dina ngirangan atanapi ngeureunkeun kamajuan pikun, kalebet AD sareng AD-related dementias (ADRD).
BAHAN SARENG MÉTODEU
Populasi diajar
Antara Januari 2018 jeung Agustus 2019, panalungtikan cross-sectional réngsé dina penderita direkrut ti dua rumah sakit di Cina. Administrasi MemTrax [5] ka individu anu umurna 21 taun sareng langkung sareng ngumpulkeun sareng nganalisis data éta diulas sareng disatujuan ku sareng dikaluarkeun saluyu sareng standar etika manusa Komite Protection Subject Universitas Stanford. MemTrax sareng sadaya tés sanés pikeun ulikan ieu sadayana dilaksanakeun dumasar kana deklarasi Helsinki taun 1975 sareng disatujuan ku Dewan Tinjauan Institusi Rumah Sakit Gabungan Kahiji Universitas Médis Kunming di Kunming, Yunnan, Cina. Unggal pamaké ieu disadiakeun hiji ijab kabul formulir maca / review lajeng sukarela satuju pikeun ilubiung.
Pamilon direkrut ti kolam renang pasien rawat jalan di klinik neurologi di Rumah Sakit Yanhua (sub-dataset YH) sareng klinik memori di Rumah Sakit Affiliated Mimiti Médis Kunming Universitas (XL sub-dataset) di Beijing, Cina. Pamilon ogé direkrut ti neurologi (XL sub-dataset) jeung ubar internal (KM sub-dataset) rawat inap di Rumah Sakit Affiliated Kahiji Universitas Médis Kunming. Kriteria inklusi ngawengku 1) lalaki jeung awewe umurna sahenteuna 21 taun, 2) kamampuh nyarita Cina (Mandarin), jeung 3) kamampuhan pikeun ngarti arah verbal jeung tulisan. Kriteria pangaluaran éta visi jeung motor impairments nyegah pamilon ti completing tés MemTrax, kitu ogé henteu mampuh ngartos parentah test husus.
Vérsi Cina MemTrax
. Online Platform uji MemTrax ditarjamahkeun kana Cina (URL: https://www.memtrax.com.cn) sarta salajengna diadaptasi pikeun garapan ngaliwatan WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Cina) pikeun timer administrasi. Data disimpen dina server awan (Ali Cloud) lokasina di Cina jeung dilisensikeun ti Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, Cina) ku SJN Biomed LTD (Kunming, Yunnan, Cina). Rincian khusus ngeunaan MemTrax sareng kriteria validitas tés anu dianggo di dieu parantos dijelaskeun sateuacana [6]. Tés ieu disayogikeun tanpa biaya ka pasien.
Prosedur diajar
Pikeun rawat inap sareng rawat jalan, angkét kertas umum pikeun ngumpulkeun inpormasi demografi sareng pribadi sapertos umur, jinis, taun pendidikan, padamelan, hirup nyorangan atawa jeung kulawarga, sarta sajarah médis ieu dikaluarkeun ku anggota tim ulikan. Saatos parantosan angkét, tés MoCA [12] sareng MemTrax dikaluarkeun (MoCA munggaran) kalayan henteu langkung ti 20 menit antara tés. MemTrax persen bener (MTx-% C), mean response time (MTx-RT), jeung tanggal jeung waktu tés dirékam dina kertas ku anggota tim ulikan pikeun tiap pamilon diuji. Angkét anu réngsé sareng hasil MoCA diunggah kana spreadsheet Excel ku panalungtik anu ngalaksanakeun tés sareng diverifikasi ku batur sapagawean sateuacan file Excel disimpen pikeun dianalisis.
tés MemTrax
Tés online MemTrax kalebet 50 gambar (25 unik sareng 25 ulangan; 5 sét 5 gambar pamandangan atanapi objék umum) dipidangkeun dina urutan pseudo-acak khusus. Pamilon bakal (per parentah) toél tombol Mimitian dina layar pikeun ngamimitian tés sareng ngawitan ningali séri gambar sareng deui nyabak gambar dina layar gancang-gancang iraha waé gambar anu diulang muncul. Tiap gambar mucunghul pikeun 3 s atawa nepi ka gambar dina layar keuna, nu ditanya presentasi langsung tina gambar salajengna. Ngagunakeun jam internal tina alat lokal, MTx-RT pikeun tiap gambar ditangtukeun ku waktu nu geus kaliwat ti presentasi gambar nepi ka nalika layar keuna ku pamilon dina respon kana nuduhkeun pangakuan gambar salaku salah sahiji nu geus ditémbongkeun. salila tés. MTx-RT dirékam pikeun unggal gambar, kalayan pinuh 3 s dirékam nunjukkeun euweuh respon. MTx-% C diitung keur nunjukkeun persentase ulang jeung gambar awal nu pamaké direspon bener (leres positif + leres négatip dibagi 50). Rincian tambahan ngeunaan administrasi sareng palaksanaan MemTrax, pangurangan data, data teu valid atanapi "henteu aya réspon", sareng analisa data primér dijelaskeun di tempat sanés [6].
Tés MemTrax dijelaskeun sacara rinci sareng tés prakték (kalayan gambar unik sanés anu dianggo dina tés pikeun ngarékam hasil) disayogikeun ka pamilon dina setting rumah sakit. Pamilon dina sub-datasets YH sareng KM nyandak tes MemTrax dina smartphone anu dieusian ku aplikasi dina WeChat; sedengkeun jumlah kawates pasién sub-dataset XL nganggo iPad sareng sésana nganggo smartphone. Sadaya pamilon nyandak tes MemTrax sareng investigator ulikan anu teu ngawaskeun.
Penilaian kognitif Montréal
Versi Beijing tina MoCA Cina (MoCA-BC) [13] dikaluarkeun sareng dicitak ku panalungtik anu dilatih dumasar kana petunjuk uji resmi. Cocog, MoCA-BC parantos kabuktian tiasa dipercaya tés pikeun kognitif screening peuntas sagala tingkat pendidikan di sawawa manula Cina [14]. Tiap tés nyandak ngeunaan 10 nepi ka 30 menit administrasi dumasar kana kamampuhan kognitif pamilon masing-masing.
modeling klasifikasi MoCA
Jumlahna aya 29 fitur anu tiasa dianggo, kalebet dua MemTrax metrics kinerja test na 27 fitur patali demografi jeung kaséhatan informasi pikeun tiap pamilon. Skor tés agrégat MoCA unggal pasien dianggo salaku screening kognitif "benchmark" pikeun ngalatih model prediksi urang. Sasuai, sabab MoCA dipaké pikeun nyieun labél kelas, urang teu bisa ngagunakeun skor agrégat (atawa salah sahiji skor subset MoCA) salaku fitur bebas. Urang ngalaksanakeun percobaan awal dimana urang dimodelkeun (ngaklasifikasikeun kaséhatan kognitif ditetepkeun ku MoCA) tilu rumah sakit / klinik (s) sub-datasets aslina individual lajeng digabungkeun ngagunakeun sagala fitur. Sanajan kitu, sakabeh elemen data sarua teu dikumpulkeun dina unggal opat klinik ngalambangkeun tilu sub-datasets; sahingga, loba fitur urang dina dataset digabungkeun (lamun ngagunakeun sagala fitur) miboga incidence tinggi nilai leungit. Urang teras ngawangun modél sareng set data anu digabungkeun ngan ukur nganggo fitur umum anu nyababkeun ningkat prestasi klasifikasi. Ieu sigana dijelaskeun ku kombinasi gaduh langkung seueur instansi pikeun dianggo ku ngagabungkeun tilu sub-datasets pasien sareng henteu aya fitur sareng Prévalénsi nilai anu leungit (ngan hiji fitur dina set data gabungan, jinis padamelan, ngagaduhan nilai anu leungit, mangaruhan ngan tilu instansi sabar), sabab ngan fitur umum dirékam di sakabeh tilu situs ieu kaasup. Utamana, urang teu boga kriteria tampikan husus pikeun tiap fitur nu ieu pamustunganana teu kaasup dina dataset digabungkeun. Sanajan kitu, dina modeling dataset gabungan awal urang, urang mimitina dipaké sakabéh fitur ti unggal tilu misah pasien sub-datasets. Ieu sacara lega nyababkeun kinerja modél anu ukuranana langkung handap tina modél awal awal dina unggal sub-dataset individu. Leuwih ti éta, sedengkeun kinerja klasifikasi model diwangun ngagunakeun sagala fitur ieu encouraging, sakuliah sakabéh peserta didik jeung skéma klasifikasi, kinerja ningkat pikeun dua kali saloba model lamun ngagunakeun fitur umum. Nyatana, diantara anu janten peserta didik top urang, sadayana kecuali hiji modél ningkat nalika ngaleungitkeun fitur anu henteu umum.
Dataset agrégat ahir (YH, XL, sareng KM digabungkeun) kalebet 259 instansi, masing-masing ngagambarkeun pamilon unik anu nyandak tés MemTrax sareng MoCA. Aya 10 fitur bebas dibagikeun: métrik kinerja MemTrax: MTx-% C jeung mean MTx-RT; inpormasi demografi sareng sajarah médis: umur, jenis kelamin, taun pendidikan, jinis padamelan (kerah biru / kerah bodas), dukungan sosial (naha anu nyandak tés hirup nyalira atanapi sareng kulawarga), sareng enya / henteu aya jawaban naha pangguna ngagaduhan sajarah diabetes, hyperlipidemia, atanapi tatu otak traumatis. Dua métrik tambahan, skor agrégat MoCA sareng skor agrégat MoCA disaluyukeun pikeun taun-taun pendidikan [12], dianggo nyalira pikeun ngembangkeun labél klasifikasi anu gumantung, sahingga nyiptakeun dua skéma modél anu béda pikeun dilarapkeun kana set data gabungan urang. Pikeun unggal vérsi (disaluyukeun sareng teu disaluyukeun) skor MoCA, data deui dimodelkeun sacara misah pikeun klasifikasi binér nganggo dua ambang kriteria anu béda-hiji anu disarankeun [12] sareng nilai alternatip anu dianggo sareng diwanohkeun ku batur [8, 15]. Dina skéma klasifikasi bangbarung alternatif, saurang pasién dianggap ngagaduhan kaséhatan kognitif normal upami s / anjeunna ngoleksi ≥23 dina tés MoCA sareng gaduh MCI upami skorna 22 atanapi langkung handap; sedengkeun, dina format klasifikasi anu disarankeun awal, pasien kedah nyitak 26 atanapi langkung saé dina MoCA pikeun dilabélan ngagaduhan kaséhatan kognitif normal.
Data disaring pikeun modeling klasifikasi MoCA
Urang salajengna nalungtik klasifikasi MoCA ngagunakeun opat téhnik ranking fitur ilahar dipake: Chi-kuadrat, Gain Rasio, gain informasi, jeung kateupastian simetris. Pikeun perspéktif interim, urang nerapkeun rankers ka sakabéh dataset digabungkeun ngagunakeun unggal opat schemes modeling urang. Kabéh rankers sapuk dina fitur luhur sarua, nyaéta, umur, jumlah taun atikan, sarta duanana métrik kinerja MemTrax (MTx-% C, hartina MTx-RT). Kami teras ngawangun deui modél nganggo unggal téknik pilihan fitur pikeun ngalatih modél ngan ukur opat fitur luhur (tingali Pilihan Pilihan di handap).
Hasilna dalapan variasi ahir tina skéma modél klasifikasi skor MoCA dipidangkeun dina Tabél 1.
Tabel 1
Ringkesan variasi skéma modél anu dianggo pikeun klasifikasi MoCA (Normal Kaséhatan kognitif ngalawan MCI)
| Skéma modél | Kaséhatan Kognitif Normal (Kelas Negatip) | MCI (Kelas Positip) |
| Disaluyukeun-23 Unfiltered / Disaring | 101 (39.0%) | 158 (61.0%) |
| Disaluyukeun-26 Unfiltered / Disaring | 49 (18.9%) | 210 (81.1%) |
| Unadjusted-23 Unfiltered / Disaring | 92 (35.5%) | 167 (64.5%) |
| Unadjusted-26 Unfiltered / Disaring | 42 (16.2%) | 217 (83.8%) |
Jumlah masing-masing sareng persén total pasien di unggal kelas dibédakeun ku panyesuaian skor pikeun pendidikan (Disaluyukeun atanapi Henteu Disaluyukeun) sareng bangbarung klasifikasi (23 atanapi 26), sakumaha anu diterapkeun kana duanana set fitur (Unfiltered sareng Disaring).
Modeling evaluasi klinis basis MemTrax
Tina tilu sub-dataset asli urang (YH, XL, KM), ngan ukur pasién sub-dataset XL anu sacara mandiri didiagnosis sacara klinis pikeun gangguan kognitif (nyaéta, skor MoCA masing-masing henteu dianggo dina netepkeun klasifikasi normal versus impaired). Husus, penderita XL didiagnosis boh Tes panyakit Alzheimer (AD) atanapi pikun vaskular (VaD). Dina unggal kategori diagnosis primér ieu, aya sebutan salajengna pikeun MCI. Diagnosis MCI, pikun, karusuhan neurocognitive vaskular, sareng karusuhan neurocognitive kusabab AD dumasar kana kriteria diagnostik anu spésifik sareng has anu digariskeun dina Manual Diagnostik sareng Statistik Gangguan Mental: DSM-5 [16]. Tempo diagnoses refined ieu, dua schemes modeling klasifikasi anu misah dilarapkeun ka XL sub-dataset keur ngabedakeun tingkat severity (derajat impairment) pikeun tiap kategori diagnosis primér. Data anu dianggo dina unggal skéma modél diagnostik (AD sareng VaD) kalebet inpormasi sajarah demografi sareng pasien, ogé kinerja MemTrax (MTx-% C, hartosna MTx-RT). Unggal diagnosis ieu dilabélan hampang lamun ditunjuk MCI; disebutkeun, éta dianggap parna. Urang mimitina dianggap kaasup skor MoCA dina model diagnosis (hampang versus parna); tapi urang ditangtukeun yén bakal ngelehkeun tujuan skéma modeling duga sekundér urang. Di dieu para peserta didik bakal dilatih ngagunakeun ciri-ciri pasien sanés anu sayogi pikeun panyadia sareng métrik kinerja tés MemTrax anu langkung saderhana (sapertos MoCA) ngalawan rujukan "standar emas", diagnosis klinis mandiri. Aya 69 instansi dina set data diagnosis AD sareng 76 instansi VaD (Tabel 2). Dina duanana datasets, aya 12 fitur bebas. Salian 10 fitur anu kalebet dina klasifikasi skor MoCA, riwayat pasien ogé kalebet inpormasi ngeunaan riwayat hipertensi sareng stroke.
Tabel 2
Ringkesan variasi skéma modeling dipaké pikeun klasifikasi parna diagnosis (Hampang versus parna)
| Skéma modél | Hampang (Kelas Negatip) | Parah (Kelas Positip) |
| MCI-AD ngalawan AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD versus VaD | 38 (50.0%) | 38 (50.0%) |
Jumlah masing-masing sareng persen tina total pasien di unggal kelas dibédakeun ku kategori diagnosis primér (AD atanapi VaD).
statistik
Babandingan karakteristik pamilon sareng fitur numerik séjén antara sub-datasets pikeun tiap strategi klasifikasi model (pikeun ngaduga kaséhatan kognitif MoCA sarta severity diagnosis) dipigawé maké basa programming Python (versi 2.7.1) [17]. Bedana kinerja model anu mimitina ditangtukeun ngagunakeun hiji- atawa dua-faktor (sakumaha luyu) ANOVA kalawan interval kapercayaan 95% jeung test Tukey jujur béda anu signifikan (HSD) pikeun ngabandingkeun hartosna kinerja. Pamariksaan ngeunaan béda antara pagelaran modél ieu dilakukeun nganggo kombinasi Python sareng R (versi 3.5.1) [18]. Urang padamelan ieu (sanajan, arguably kirang ti optimal) pendekatan ngan salaku bantuan heuristik dina ieu tahap awal pikeun ngabandingkeun kinerja model awal dina antisipasi aplikasi klinis poténsial. Urang lajeng garapan uji Bayesian ditandatanganan-rank ngagunakeun distribusi posterior pikeun nangtukeun probabiliti béda kinerja modél [19]. Pikeun nganalisa ieu, kami nganggo interval -0.01, 0.01, nunjukkeun yén upami dua kelompok ngagaduhan bédana kinerja kirang ti 0.01, aranjeunna dianggap sami (dina wilayah ekuivalénsi praktis), atanapi upami henteu béda (hiji langkung saé tibatan). nu séjén). Pikeun nedunan Bayesian ngabandingkeun classifiers jeung ngitung probabiliti ieu, kami dipaké perpustakaan baycomp (versi 1.0.2) pikeun Python 3.6.4.
Modél prediktip
Kami ngawangun modél prediktif ngagunakeun sapuluh variasi total tina skéma modél kami pikeun ngaduga (mengklasifikasikan) hasil tina tés MoCA unggal pasien atanapi parah tina diagnosis klinis. Sadaya peserta didik diterapkeun sareng modélna diwangun nganggo platform parangkat lunak open source Weka [20]. Pikeun analisa awal, kami ngagunakeun 10 algoritma diajar anu biasa dianggo: 5-Nearest Neighbors, dua vérsi tangkal kaputusan C4.5, Logistic Regression, Multilayer Perceptron, Naïve Bayes, dua vérsi Random Forest, Radial Basis Function Network, and Support Véktor. Mesin. Atribut konci sareng kontras tina algoritma ieu parantos dijelaskeun di tempat sanés [21] (tingali Appendix masing-masing). Ieu dipilih sabab ngagambarkeun rupa-rupa tipena béda peserta didik sarta alatan kami geus nunjukkeun kasuksésan ngagunakeun aranjeunna dina nganalisa saméméhna on data sarupa. Setélan hyper-parameter dipilih tina panalungtikan saméméhna urang nunjukkeun aranjeunna janten mantap dina rupa-rupa data béda [22]. Dumasar kana hasil analisis awal urang ngagunakeun susunan data digabungkeun sarua jeung fitur umum anu dipaké salajengna dina analisis pinuh, urang ngaidentipikasi tilu peserta didik nu nyadiakeun kinerja kuat konsistén dina sakabéh klasifikasi: Logistic Regression, Naïve Bayes, sarta Mesin Véktor Rojongan.
Cross-validasi sarta métrik kinerja modél
Pikeun sakabéh modeling prediktif (kaasup analisa awal), unggal model diwangun ngagunakeun 10-melu validasi cross, sarta kinerja model diukur ngagunakeun Area dina kurva karakteristik operasi panarima (AUC). Validasi silang dimimitian ku ngabagi sacara acak unggal 10 set data skéma modél kana 10 bagéan anu sarua (lipet), ngagunakeun salapan bagéan masing-masing pikeun ngalatih modél sareng sésa sésa pikeun diuji. Prosedur ieu diulang 10 kali, nganggo bagéan anu béda salaku set tés dina unggal iterasi. Hasilna lajeng digabungkeun pikeun ngitung hasil / kinerja model ahir. Pikeun unggal kombinasi peserta didik/set data, sakabéh prosés ieu diulang 10 kali kalayan data dibagi béda unggal waktu. Lengkah panungtungan ieu ngurangan bias, ensured replicability, sarta mantuan dina nangtukeun kinerja model sakabéh. Dina total (pikeun skor MoCA sareng skéma klasifikasi severity diagnosis digabungkeun), 6,600 modél diwangun. Ieu ngawengku 1,800 model unfiltered (6 skéma modeling dilarapkeun ka dataset × 3 peserta didik × 10 run × 10 lipet = 1,800 model) jeung 4,800 model disaring (4 skéma modeling dilarapkeun ka dataset × 3 peserta didik × 4 téhnik pilihan fitur × 10 run × 10 lipet = 4,800 modél).
Pilihan Pilihan
Pikeun model disaring, pilihan fitur (ngagunakeun opat métode ranking fitur) dipigawé dina cross-validasi. Pikeun masing-masing tina 10 lipatan, sakumaha bédana 10% tina set data nyaéta data tés, ngan ukur opat fitur anu dipilih luhur pikeun unggal set data latihan (nyaéta, salapan lipatan sanésna, atanapi sésana 90% tina set data) anu dianggo. pikeun ngawangun modél. Kami henteu tiasa mastikeun mana opat fitur anu dianggo dina unggal modél, sabab inpormasi éta henteu disimpen atanapi disayogikeun dina platform modél anu kami dianggo (Weka). Sanajan kitu, tinangtu konsistensi dina pilihan awal urang fitur luhur nalika rankers dilarapkeun ka sakabéh dataset digabungkeun jeung kamiripan saterusna dina pagelaran modeling, fitur ieu sarua (umur, taun atikan, MTx-% C, sarta mean MTx-RT). ) kamungkinan paling umum opat luhur dipaké concomitant jeung pilihan fitur dina prosés cross-validasi.
Hasil
Karakteristik numerik pamilon (kaasup skor MoCA sareng métrik kinerja MemTrax) tina set data masing-masing pikeun unggal strategi klasifikasi modél pikeun ngaduga kaséhatan kognitif anu dituduhkeun MoCA (normal versus MCI) sareng severity diagnosis (hampang versus parna) dipidangkeun dina Tabel 3.
Tabel 3
Karakteristik pamilon, skor MoCA, sareng kinerja MemTrax pikeun tiap strategi klasifikasi modél
| Stratégi Klasifikasi | umur | pendidikan | MoCA disaluyukeun | MoCA Unadjusted | MTx-% C | MTx-RT |
| Kategori MoCA | 61.9 taun (13.1) | 9.6 taun (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 s (0.3) |
| Diagnosis Severity | 65.6 taun (12.1) | 8.6 taun (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 s (0.3) |
Nilai anu dipidangkeun (hartosna, SD) dibédakeun ku strategi klasifikasi modél mangrupikeun perwakilan tina set data gabungan anu dianggo pikeun ngaduga kaséhatan kognitif anu dituduhkeun MoCA (MCI versus normal) sareng sub-dataset XL ngan ukur dianggo pikeun ngaduga severity diagnosis (hampang versus parna).
Pikeun unggal kombinasi skor MoCA (disaluyukeun / henteu disaluyukeun) sareng bangbarung (26/23), aya bédana statistik (p = 0.000) dina unggal babandingan pairwise (kaséhatan kognitif normal versus MCI) pikeun umur, atikan, jeung kinerja MemTrax (MTx-% C jeung MTx-RT). Unggal sub-dataset sabar dina kelas MCI masing-masing pikeun tiap kombinasi rata-rata ngeunaan 9 mun 15 taun heubeul, dilaporkeun ngeunaan lima taun pangsaeutikna atikan, sarta miboga kinerja MemTrax kirang nguntungkeun pikeun duanana metrics.
Hasil kinerja modeling prediktif pikeun klasifikasi skor MoCA ngagunakeun tilu peserta didik luhur, Logistic Regression, Naïve Bayes, jeung Mesin Véktor Rojongan, dipidangkeun dina Tabél 4. Tilu ieu dipilih dumasar kana kinerja peserta didik mutlak paling konsistén luhur sakuliah sagala rupa model. dilarapkeun ka datasets pikeun sakabéh skéma modeling. Pikeun set data sareng modeling anu henteu disaring, unggal nilai data dina Tabél 4 nunjukkeun kinerja modél dumasar kana rata-rata AUC masing-masing anu diturunkeun tina 100 modél (10 run × 10 lipatan) diwangun pikeun unggal kombinasi skéma peserta didik/model, kalayan masing-masing anu pangluhurna. performing learner dituduhkeun di bold. Sedengkeun pikeun pemodelan dataset anu disaring, hasil anu dilaporkeun dina Tabél 4 ngagambarkeun rata-rata pagelaran modél sakabéh tina 400 modél pikeun tiap peserta didik ngagunakeun unggal métode ranking fitur (4 métode ranking fitur × 10 runs × 10 melu).
Tabel 4
Hasil klasifikasi skor MoCA dikotomis (AUC; 0.0–1.0) pikeun tiap tina tilu peserta didik anu berprestasi luhur pikeun sadaya skéma modél masing-masing.
| Set Fitur Dipaké | Skor MoCA | Cutoff bangbarung | Logistik Regresi | Naïve Bayes | Rojongan Mesin Véktor |
| Teu disaring (10 fitur) | Laras | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Teu disaluyukeun | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Disaring (4 fitur) | Laras | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Teu disaluyukeun | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Ngamangpaatkeun variasi set fitur, skor MoCA, jeung ambang cutoff skor MoCA, kinerja pangluhurna pikeun tiap skéma modeling ditémbongkeun dina wani (teu merta béda sacara statistik ti sadayana sanés anu sanés wani pikeun modél masing-masing).
Ngabandingkeun peserta didik dina sadaya kombinasi vérsi skor MoCA sareng ambang (masing-masing disaluyukeun / henteu disaluyukeun sareng 23/26) dina set data anu henteu disaring digabungkeun (nyaéta, ngagunakeun 10 fitur umum), Naïve Bayes umumna mangrupikeun peserta didik anu paling berkinerja sareng sadayana. kinerja klasifikasi 0.9093. Mertimbangkeun tilu peserta didik luhur, tés ditandatanganan-pangkat Bayesian-correlated nunjukkeun yén probabilitas (Pr) tina Naïve Bayes outperforming Logistic Regression éta 99.9%. Sumawona, antara Naïve Bayes sareng Mesin Véktor Rojongan, kamungkinan 21.0% kasaruaan praktis dina pagelaran peserta didik (sahingga, kamungkinan 79.0% tina Naïve Bayes ngaunggulan Mesin Véktor Rojongan), gandeng ku kamungkinan 0.0% tina Mesin Véktor Rojongan berkinerja hadé, diukur. nguatkeun kaunggulan kinerja pikeun Naïve Bayes. Perbandingan salajengna versi skor MoCA di sadaya peserta didik / ambang ngusulkeun kauntungan kinerja sakedik nganggo skor MoCA anu teu disaluyukeun versus disaluyukeun (0.9027 versus 0.8971, masing-masing; Pr (teu disaluyukeun > disaluyukeun) = 0.988). Nya kitu, babandingan ambang cutoff peuntas sagala peserta didik jeung versi skor MoCA nunjukkeun kaunggulan kinerja klasifikasi leutik ngagunakeun 26 salaku bangbarung klasifikasi versus 23 (0.9056 versus 0.8942, mungguh; Pr (26 > 23) = 0.999). Panungtungan, mariksa kinerja klasifikasi pikeun modél ngan ngagunakeun hasil disaring (ie, opat fitur ranking luhur wungkul), Naïve Bayes (0.9143) éta numerik-kinerja learner sakuliah sakabéh skor MoCA versi / ambang. Nanging, dina sadaya téknik ranking fitur digabungkeun, sadaya peserta didik anu berprestasi luhur ngalaksanakeun sami. Tés pangkat anu ditandatanganan Bayesian nunjukkeun 100% kamungkinan kasaruaan praktis antara unggal pasangan peserta didik anu disaring. Salaku kalawan data unfiltered (ngagunakeun sakabeh 10 fitur umum), aya deui kaunggulan kinerja pikeun versi unadjusted tina skor MoCA (Pr (teu disaluyukeun > disaluyukeun) = 1.000), kitu ogé kaunggulan béda pikeun ambang klasifikasi 26 (Pr (26 > 23) = 1.000). Utamana, kinerja rata-rata unggal tina tilu peserta didik luhur dina sakabéh vérsi skor MoCA/ambang ngan ngagunakeun opat fitur rengking luhur ngaleuwihan kinerja rata-rata peserta didik dina data nu teu disaring. Teu heran, kinerja klasifikasi model disaring (ngagunakeun opat fitur luhur-rengking) sakabéh éta unggul (0.9119) kana model unfiltered (0.8999), paduli model métode ranking fitur nu dibandingkeun jeung model masing-masing ngagunakeun sakabeh 10 umum. Fitur. Pikeun unggal padika pilihan fitur, aya 100% kamungkinan kaunggulan kinerja leuwih model unfiltered.
Kalayan pasien anu dianggap pikeun klasifikasi parah diagnosis AD, bédana antara kelompok (MCI-AD versus AD) pikeun umur (p = 0.004), atikan (p = 0.028), skor MoCA disaluyukeun/teu disaluyukeun (p = 0.000), jeung MTx-% C (p = 0.008) signifikan sacara statistik; sedengkeun pikeun MTx-RT éta henteu (p = 0.097). Kalayan pasien anu dianggap pikeun klasifikasi parah diagnosis VaD, bédana antara grup (MCI-VaD versus VaD) pikeun skor MoCA disaluyukeun / henteu disaluyukeun (p = 0.007) jeung MTx-% C (p = 0.026) jeung MTx-RT (p = 0.001) signifikan sacara statistik; padahal keur umur (p = 0.511) jeung atikan (p = 0.157) henteu aya béda anu signifikan antara kelompok.
Hasil kinerja modeling prediktif pikeun klasifikasi severity diagnosis ngagunakeun tilu peserta didik dipilih saméméhna, Logistic Regression, Naïve Bayes, sarta Rojongan Véktor Mesin, ditémbongkeun dina Table 5. Sedengkeun peserta didik nalungtik tambahan nunjukkeun kinerja rada kuat individual kalawan salah sahiji dua kategori diagnosis klinis. , Tilu peserta didik anu ku urang diidentifikasi minangka anu paling nguntungkeun dina modeling saméméhna urang nawiskeun kinerja anu paling konsisten sareng duanana skéma modél anyar. Ngabandingkeun peserta didik dina unggal kategori diagnosis primér (AD sareng VaD), henteu aya bédana kinerja klasifikasi anu konsisten antara peserta didik pikeun MCI-VaD versus VaD, sanaos Mesin Véktor Dukungan umumna langkung menonjol. Nya kitu, teu aya béda anu signifikan antara peserta didik pikeun klasifikasi MCI-AD versus AD, sanajan Naïve Bayes (NB) miboga kaunggulan kinerja slight leuwih Logistic Regression (LR) sarta ngan hiji pluralitas negligible leuwih Support Vector Machine, kalawan probabiliti 61.4% jeung 41.7% mungguh. Sakuliah duanana datasets, aya hiji kaunggulan kinerja sakabéh pikeun Rojongan Véktor Mesin (SVM), kalawan Pr (SVM> LR) = 0.819 jeung Pr (SVM> NB) = 0.934. Kinerja klasifikasi sakabéh urang dina sakabéh peserta didik dina ngaramal severity diagnosis dina sub-dataset XL éta hadé dina kategori diagnosis VaD versus AD (Pr (VAD > AD) = 0.998).
Tabel 5
Kinerja klasifikasi severity diagnosis klinis dikotomis (AUC; 0.0-1.0) hasil pikeun tiap tina tilu peserta didik anu paling berprestasi pikeun duanana skéma modél masing-masing.
| Skéma modél | Logistik Regresi | Naïve Bayes | Rojongan Mesin Véktor |
| MCI-AD ngalawan AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD versus VaD | 0.8033 | 0.8044 | 0.8338 |
Kinerja pangluhurna pikeun tiap skéma modeling ditémbongkeun dina wani (teu merta béda statistik ti batur teu di wani).
diskusi
Pangwanoh awal parobahan kaséhatan kognitif penting utilitas praktis dina manajemén kaséhatan pribadi sareng kaséhatan masarakat sami. Mémang, éta ogé mangrupikeun prioritas anu luhur dina setélan klinis pikeun pasien di sakuliah dunya. Tujuan anu dibagikeun nyaéta pikeun ngingetkeun pasien, panyawat, sareng panyadia sareng nyorong pangobatan anu saluyu sareng biaya-éféktif sareng perawatan longitudinal pikeun anu mimiti ngalaman turunna kognitif. Ngagabungkeun tilu subset data rumah sakit/klinik urang, kami ngaidentipikasi tilu peserta didik anu langkung dipikaresep (kalayan hiji anu kasohor -Naïve Bayes) pikeun ngawangun modél prediktif ngagunakeun Métrik kinerja MemTrax anu bisa dipercaya pikeun mengklasifikasikan status kaséhatan kognitif dichotomously (kaséhatan kognitif normal atanapi MCI) sakumaha bakal dituduhkeun ku skor agrégat MoCA. Utamana, kinerja klasifikasi sakabéh pikeun sakabéh tilu peserta didik ningkat nalika model urang ngan ngagunakeun opat fitur ranking luhur nu utamana ngawengku métrik kinerja MemTrax ieu. Sumawona, kami ngungkabkeun poténsi anu dibuktikeun pikeun ngamangpaatkeun murid anu sami sareng métrik kinerja MemTrax dina skéma modél klasifikasi dukungan diagnostik pikeun ngabédakeun parah dua kategori diagnosis pikun: AD sareng VaD.
Tes mémori pusat pikeun deteksi awal AD [23, 24]. Janten, éta pas yén MemTrax mangrupikeun anu tiasa ditampi, pikaresepeun, sareng gampang dilaksanakeun sacara online. test screening pikeun memori episodic dina populasi umum [6]. Akurasi pangakuan sareng waktos réspon tina tugas kinerja kontinyu ieu hususna ngungkabkeun dina ngaidentipikasi awal sareng évolusi deteriorasi sareng kakurangan konsékuansi dina prosés neuroplastik anu aya hubunganana sareng diajar, mémori, sareng kognisi. Nyaéta, modél di dieu anu dumasar kana métrik kinerja MemTrax sénsitip sareng langkung gampang sareng biaya minimal nembongkeun deficits neuropathologic biologis salami tahap asimtomatik peralihan sateuacan kaleungitan fungsional anu langkung ageung [25]. Ashford et al. taliti nalungtik pola jeung paripolah akurasi memori pangakuan sarta waktu respon dina pamaké online anu ilubiung sorangan kalawan MemTrax [6]. Respecting yén sebaran ieu kritis dina modeling optimal sarta ngamekarkeun aplikasi perawatan sabar valid tur éféktif, nangtukeun pangakuan klinis lumaku sarta profil waktos respon penting dina ngadegkeun rujukan foundational berharga pikeun utilitas klinis jeung panalungtikan. Nilai praktis MemTrax dina screening AD pikeun impairment kognitif tahap awal jeung rojongan diagnostik diferensial perlu lajeng jadi leuwih raket nalungtik dina konteks setting klinis dimana comorbidities jeung kognitif, indrawi, jeung kamampuhan motor mangaruhan kinerja test bisa dianggap. Sareng pikeun nginpokeun sudut pandang profésional sareng nyorong utilitas klinis praktis, éta mimitina penting pikeun nunjukkeun ngabandingkeun kana tés penilaian kaséhatan kognitif anu ditetepkeun, sanaos anu terakhir tiasa dikenalkeun sacara konstrain ku uji logistik, pendidikan sareng halangan basa, sareng pangaruh budaya [26] . Dina hal ieu, babandingan nguntungkeun tina MemTrax dina efficacy klinis mun MoCA nu ilahar purported salaku standar industri signifikan, utamana lamun timbangan betah gede tina utiliti jeung ditampa sabar MemTrax.
Éksplorasi saméméhna ngabandingkeun MemTrax ka MoCA nyorot alesan sareng bukti awal anu ngajamin panalungtikan modél urang [8]. Nanging, perbandingan sateuacana ieu ngan ukur ngahubungkeun dua métrik kinerja MemTrax konci anu kami nalungtik sareng status kognitif anu ditangtukeun ku MoCA sareng netepkeun rentang masing-masing sareng nilai cutoff. Urang deepened nu assessment utilitas klinis of MemTrax ku Ngalanglang pendekatan basis modeling prediktif nu bakal nyadiakeun tinimbangan leuwih individualized parameter séjén berpotensi relevan sabar-spésifik. Kontras jeung batur, urang teu manggihan hiji kaunggulan dina kinerja model ngagunakeun koreksi atikan (adjustment) kana skor MoCA atanapi di varying kaséhatan kognitif discriminating bangbarung skor agrégat MoCA ti mimitina dianjurkeun 26 mun 23 [12, 15]. Kanyataanna, kaunggulan kinerja klasifikasi favored ngagunakeun skor MoCA unadjusted jeung bangbarung luhur.
Titik konci dina prakték klinis
Pembelajaran mesin sering dianggo pangsaéna sareng paling épéktip dina modél prediksi nalika datana éksténsif sareng multi-dimensi, nyaéta, nalika aya seueur observasi sareng sajumlah atribut anu bernilai luhur (kontribusi). Nanging, kalayan data ayeuna ieu, modél anu disaring kalayan ngan ukur opat fitur anu dipilih langkung saé tibatan anu ngagunakeun sadaya 10 fitur umum. Ieu nunjukkeun yén set data rumah sakit agrégat kami henteu ngagaduhan fitur anu paling cocog sacara klinis (nilai luhur) pikeun mengklasifikasikan pasien sacara optimal ku cara ieu. Sanajan kitu, fitur ranking tekenan kana métrik kinerja MemTrax konci-MTx-% C jeung MTx-RT-niatna ngarojong ngawangun model screening deficit kognitif tahap awal sabudeureun tés ieu nu basajan, gampang administer, béaya rendah, sarta aptly nembongkeun ngeunaan. kinerja memori, sahenteuna ayeuna salaku layar awal pikeun klasifikasi binér status kaséhatan kognitif. Dibikeun galur anu terus-terusan dina panyadia sareng sistem kasehatan, prosés saringan pasien sareng aplikasi klinis kedah dikembangkeun sacara cocog sareng tekenan kana ngumpulkeun, nyukcruk, sareng modeling karakteristik pasien sareng métrik tés anu paling mangpaat, nguntungkeun, sareng kabuktian efektif dina diagnostik. sarta rojongan manajemén sabar.
Kalayan dua métrik MemTrax konci anu janten pusat pikeun klasifikasi MCI, murid anu berprestasi luhur (Naïve Bayes) ngagaduhan prestasi prediksi anu luhur pisan dina kalolobaan modél (AUC langkung ti 0.90) kalayan rasio leres-positip sareng palsu-positip ngadeukeutan atanapi rada ngaleuwihan 4. : 1. Aplikasi klinis translasional anu ngagunakeun peserta didik ieu bakal nangkep (leres mengklasifikasikan) ku seueur jalma anu kakurangan kognitif, bari ngaminimalkeun biaya anu aya hubunganana sareng salah ngagolongkeun jalma anu ngagaduhan kaséhatan kognitif normal salaku gaduh defisit kognitif (positip palsu) atanapi leungit klasifikasi éta dina jalma anu ngagaduhan kakurangan kognitif (négatip palsu). Boh salah sahiji skenario misclassification ieu bisa maksakeun beban psycho-sosial undue ka sabar jeung caregivers.
Sedengkeun dina nganalisa awal jeung pinuh kami dipaké sakabéh sapuluh peserta didik dina unggal skéma modeling, urang museurkeun hasil urang dina tilu classifiers némbongkeun kinerja kuat paling konsisten. Ieu ogé pikeun nyorot, dumasar kana data ieu, peserta didik anu diantisipasi bakal ngalaksanakeun dependably dina tingkat luhur dina aplikasi klinis praktis dina nangtukeun klasifikasi status kognitif. Leuwih ti éta, sabab ulikan ieu dimaksudkeun salaku hiji panalungtikan bubuka kana utilitas mesin learning on screening kognitif jeung tantangan klinis timely ieu, urang nyieun kaputusan pikeun tetep téhnik learning basajan tur digeneralisasikeun, kalawan tuning parameter minimal. Urang ngahargaan yén pendekatan ieu mungkin geus dugi potensi kamampuhan prediksi sabar-spésifik diartikeun leuwih heureut. Kitu ogé, sedengkeun ngalatih modél ngan ukur nganggo fitur luhur (pendekatan disaring) nginpokeun ka urang langkung seueur ngeunaan data ieu (husus pikeun kakurangan data anu dikumpulkeun sareng nyorot nilai dina ngaoptimalkeun waktos sareng sumber daya klinis anu berharga), kami sadar yén éta prématur pikeun ngahususkeun. wengkuan model jeung, ku kituna, sadaya (jeung fitur sejenna) kudu dianggap jeung panalungtikan hareup nepi ka urang boga profil leuwih definitif fitur prioritas nu bakal lumaku pikeun populasi lega. Ku kituna, urang ogé sapinuhna ngakuan yén data leuwih inklusif tur sacara lega wawakil sarta optimasi model ieu sarta séjén bakal diperlukeun saméméh integral tina kana hiji aplikasi klinis éféktif, utamana pikeun nampung comorbidities mangaruhan kinerja kognitif nu bakal perlu dianggap dina evaluasi klinis salajengna.
Utiliti of MemTrax ieu salajengna edified ku modeling tina severity kasakit dumasar kana diagnosis klinis misah. Kinerja klasifikasi sakabéh anu langkung saé dina ngaramalkeun parahna VaD (dibandingkeun sareng AD) henteu héran nunjukkeun ciri profil pasien dina modél khusus pikeun kaséhatan vaskular sarta résiko stroke, nyaéta, hipertensi, hyperlipidemia, diabetes, jeung (tangtu) sajarah stroke. Sanaos langkung dipikaresep sareng pas pikeun penilaian klinis anu sami dilakukeun pikeun pasien anu cocog sareng kaséhatan kognitif normal pikeun ngalatih peserta didik nganggo data anu langkung inklusif ieu. Ieu utamana warranted, sakumaha MemTrax dimaksudkeun pikeun dipaké utamana pikeun deteksi tahap awal deficit kognitif na tracking saterusna parobahan individu. Éta ogé masuk akal yén distribusi data anu langkung dipikahoyong dina dataset VaD nyumbang sabagian kana kinerja modél anu langkung saé. Dataset VaD saimbang saimbang antara dua kelas, sedengkeun dataset AD kalayan langkung seueur pasien MCI henteu. Utamana dina datasets leutik, malah sababaraha instansi tambahan bisa nyieun bédana ukuran. Duanana perspéktif mangrupikeun alesan anu lumrah anu nyababkeun bédana dina pagelaran modél parah panyakit. Nanging, sacara proporsional ngaitkeun prestasi anu ningkat kana set data ciri numerik atanapi fitur alamiah khusus pikeun presentasi klinis anu ditimbangkeun nyaéta prématur. Mangkaning, novel ieu nunjukkeun utilitas modél klasifikasi prediktif MemTrax dina peran dukungan diagnostik klinis nyayogikeun sudut pandang anu berharga sareng negeskeun ngungudag pikeun pamariksaan tambahan sareng pasien di sapanjang kontinum MCI.
Palaksanaan sareng nunjukkeun utilitas MemTrax sareng modél ieu di Cina, dimana basa sareng budayana béda sacara drastis ti daérah utilitas anu sanés (contona, Perancis, Walanda, sareng Amérika Serikat) [7, 8, 27], langkung negeskeun poténsial. pikeun ditampa sacara global sareng nilai klinis tina platform basis MemTrax. Ieu mangrupikeun conto anu tiasa dibuktikeun dina narékahan pikeun harmonisasi data sareng ngembangkeun norma internasional praktis sareng sumber modél pikeun saringan kognitif anu standarisasi sareng gampang diadaptasi pikeun dianggo sadunya.
Léngkah salajengna dina modél turunna kognitif sareng aplikasi
Disfungsi kognitif dina AD memang lumangsung dina kontinum, henteu dina tahap atanapi léngkah anu diskrit [28, 29]. Nanging, dina fase awal ieu, tujuan urang nyaéta pikeun mimiti netepkeun kamampuan urang pikeun ngawangun modél anu ngalebetkeun MemTrax anu dasarna tiasa ngabédakeun "normal" sareng "henteu normal". Data empiris anu langkung inklusif (contona, pencitraan otak, fitur genetik, biomarker, komorbiditas, sareng spidol fungsional kompleks. kagiatan nu merlukeun kognitif kontrol) [30] sakuliah wewengkon global variatif, populasi, jeung grup umur pikeun ngalatih sarta ngamekarkeun leuwih canggih (kaasup ensemble aptly weighted) model learning mesin bakal ngarojong gelar leuwih gede tina klasifikasi ditingkatkeun, nyaeta, kapasitas pikeun ngagolongkeun grup pasien kalayan. MCI kana subset anu langkung alit sareng langkung definitif sapanjang kontinum turunna kognitif. Leuwih ti éta, diagnosis klinis concomitant pikeun individu sakuliah populasi pasien regionally beragam penting pikeun éféktif ngalatih model ieu leuwih inklusif jeung predictably mantap. Ieu bakal mempermudah manajemén kasus stratified leuwih husus pikeun maranéhanana jeung backgrounds sarupa, pangaruh, sarta leuwih heureut diartikeun propil kognitif karakteristik sahingga ngaoptimalkeun rojongan kaputusan klinis jeung perawatan sabar.
Loba panalungtikan klinis relevan to-date geus kajawab penderita pikun sahenteuna hampang; jeung, dina prakna, teuing mindeng campur sabar ngan diusahakeun dina tahap canggih. Nanging, kusabab turunna kognitif dimimitian sateuacan kritéria klinis pikeun pikun kapendak, layar awal dumasar-MemTrax anu diterapkeun sacara efektif tiasa nyorong pendidikan anu pas pikeun individu ngeunaan panyakit sareng kamajuanana sareng nyababkeun campur tangan anu langkung awal sareng langkung pas. Ku kituna, deteksi dini bisa ngarojong involvements cocok mimitian ti latihan, diet, rojongan emosi, sarta ningkat sosialisasi kana campur pharmacological sarta nguatkeun parobahan nu patali jeung sabar dina kabiasaan jeung persépsi anu tunggal atawa dina agrégat bisa mitigate atawa berpotensi ngeureunkeun progression pikun [31, 32] . Leuwih ti éta, kalawan éféktif screening mimiti, individu jeung kulawarga maranéhanana bisa jadi dipenta pikeun mertimbangkeun percobaan klinis atawa meunang sangakan sarta rojongan jasa sosial lianna pikeun mantuan netelakeun ekspektasi jeung karsa jeung ngatur tugas sapopoé. Validasi salajengna sareng utilitas praktis anu nyebar ku cara ieu tiasa janten alat pikeun ngirangan atanapi ngeureunkeun kamajuan MCI, AD, sareng ADRD pikeun seueur jalma.
Mémang, tungtung low tina rentang umur sabar dina ulikan urang teu ngagambarkeun populasi perhatian tradisional jeung AD. Mangkaning, umur rata-rata pikeun unggal grup anu dianggo dina skéma modél klasifikasi dumasar kana skor MoCA / bangbarung sareng severity diagnosis (Tabel 3) negeskeun mayoritas anu jelas (langkung ti 80%) umurna sahenteuna 50 taun. Distribusi ieu sahingga pas pisan pikeun generalisasi, ngarojong utilitas model ieu dina populasi characterizing nu ilaharna kapangaruhan ku. awal mimiti sarta burgeoning kasakit neurocognitive alatan AD na VaD. Ogé, bukti anyar sareng sudut pandang negeskeun faktor-faktor anu diakui (contona, hipertensi, obesitas, diabetes, sareng ngaroko) anu berpotensi nyumbang kana tingkat awal anu langkung luhur. skor résiko vaskular dewasa sareng pertengahan umur sareng akibatna tatu otak vaskular halus anu berkembang sacara insidiously kalayan épék anu jelas bahkan dina budak ngora. déwasa [33–35]. Sasuai, kasempetan screening awal paling optimal pikeun detecting mimiti tahap deficits kognitif na initiating pencegahan éféktif jeung strategi campur dina hasil alamat pikun bakal muncul tina examining faktor contributing jeung indikator antecedent sakuliah spéktrum umur, kaasup mimiti dewasa sarta berpotensi malah budak leutik (notating relevansi faktor genetik kayaning apolipoprotein E ti mimiti gestation).
Dina prakték, diagnoses klinis valid sarta prosedur ongkosna mahal pikeun Imaging canggih, profil genetik, sarta ngukur biomarkers ngajangjikeun teu salawasna gampang sadia atawa malah meujeuhna pikeun loba panyadia. Ku kituna, dina loba instansi, klasifikasi status kaséhatan kognitif sakabéh awal mungkin kudu diturunkeun tina model ngagunakeun metrics basajan séjén disadiakeun ku sabar (misalna, timer dilaporkeun. masalah memori, pangobatan ayeuna, sareng watesan kagiatan rutin) sareng fitur demografi umum [7]. Registries sapertos Universitas California Kaséhatan Brain Pendaptaran (https://www.brainhealthregistry.org/) [27] sareng anu sanésna kalayan langkung ageung gejala anu dilaporkeun diri, ukuran kualitatif (contona, bobo sareng kognisi unggal dinten), pangobatan, status kaséhatan, sareng sajarah, sareng demografi leuwih lengkep bakal jadi instrumental dina ngamekarkeun tur validating aplikasi praktis ieu model leuwih primitif di klinik. Salajengna, tés sapertos MemTrax, anu parantos nunjukkeun utilitas dina ngira-ngira fungsi mémori, nyatana tiasa masihan perkiraan patologi AD anu langkung saé tibatan spidol biologis. Nunjukkeun yén fitur inti tina patologi AD nyaéta gangguan neuroplasticity sareng leungitna sinapsis anu kompleks, anu diwujudkeun salaku épisodik. disfungsi memori, ukuran nu assesses memori episodic sabenerna bisa jadi nyadiakeun estimasi hadé tina beban patologis AD ti spidol biologis dina sabar hirup [36].
Kalayan sagala model prediksi-naha dilengkepan ku data anu kompleks sareng inklusif tina téknologi canggih sareng wawasan klinis anu disampurnakeun dina sababaraha domain atanapi anu dugi ka karakteristik inpormasi anu langkung dasar sareng gampang sayogi tina profil pasien anu tos aya-kauntungan anu diakui tina intelijen buatan. jeung machine learning nyaeta model hasilna bisa nyintésis jeung induktif "diajar" tina data anyar relevan sarta sudut pandang disadiakeun ku utilization aplikasi lumangsung. Saatos transfer téknologi praktis, salaku modél di dieu (sareng bakal dikembangkeun) diterapkeun sareng diperkaya ku langkung seueur kasus sareng data anu relevan (kaasup penderita komorbiditas anu tiasa nampilkeun turunna kognitif), kinerja prediksi sareng klasifikasi kaséhatan kognitif bakal langkung kuat, hasilna utilitas rojongan kaputusan klinis leuwih éféktif. Évolusi ieu bakal langkung lengkep sareng praktis diwujudkeun kalayan nambihkeun MemTrax kana platform khusus (sasaran kana kamampuan anu sayogi) anu tiasa dianggo ku panyadia kasehatan sacara real-time di klinik.
Imperatif pikeun validasi sareng utilitas modél MemTrax pikeun pangrojong diagnostik sareng perawatan pasien pisan ditéang-sanggeus data longitudinal anu bermakna. Ku observasi jeung ngarékam parobahan concomitant (upami aya) dina status klinis sakuliah rentang nyukupan normal ngaliwatan MCI-tahap awal, model pikeun assessment lumangsung luyu jeung klasifikasi bisa dilatih jeung dirobah jadi penderita umur na dirawat. Nyaéta, utilitas anu diulang tiasa ngabantosan ngalacak longitudinal parobahan kognitif hampang, efektivitas intervensi, sareng ngajaga perawatan stratifikasi anu terang. Pendekatan ieu saluyu sareng prakték klinis sareng manajemén pasien sareng kasus.
watesan
Urang ngahargaan tantangan jeung nilai dina ngumpulkeun data klinis bersih dina setting klinik / rumah sakit dikawasa. Mangkaning, éta bakal nguatkeun modél urang upami set data urang kalebet langkung seueur pasien anu gaduh fitur umum. Leuwih ti éta, husus pikeun modeling diagnosis urang, éta bakal geus leuwih desirable tur pas boga assessment klinis sarua dilakukeun dina penderita loyog jeung kaséhatan kognitif normal pikeun ngalatih peserta didik. Sareng sakumaha anu digariskeun ku kinerja klasifikasi anu langkung luhur ngagunakeun set data anu disaring (mung opat fitur anu paling luhur), langkung umum sareng ukuran kaséhatan kognitif / indikator kamungkinan bakal ningkat kinerja modeling kalawan jumlah nu leuwih gede fitur umum sakuliah sakabeh pasien.
Pamilon anu tangtu tiasa waé ngalaman panyawat sanés anu tiasa nyababkeun kakurangan kognitif transitory atanapi kronis. Lian ti sub-dataset XL dimana penderita anu diagnostically digolongkeun salaku ngabogaan boh AD atanapi VaD, data comorbidity teu dikumpulkeun / dilaporkeun dina kolam renang sabar YH, sarta comorbidity dilaporkeun utama ku jauh di KM sub-dataset éta diabetes. Bisa dibantah, kumaha ogé, kalebet pasien dina skéma modél urang sareng komorbiditas anu tiasa nyababkeun atanapi ngagedekeun tingkat kakurangan kognitif sareng konsékuansi kinerja MemTrax anu langkung handap bakal langkung ngawakilan populasi pasien anu disasarkeun dunya nyata pikeun saringan kognitif awal anu langkung umum ieu. jeung pendekatan modeling. Pindah ka hareup, diagnosis akurat komorbiditas berpotensi mangaruhan kinerja kognitif sacara lega mangpaatna pikeun optimalisasi model jeung aplikasi perawatan pasien hasilna.
Anu pamungkas, pasien sub-dataset YH sareng KM nganggo smartphone pikeun nyandak tes MemTrax, sedengkeun sajumlah kawates pasien sub-dataset XL nganggo iPad sareng sésana nganggo smartphone. Ieu tiasa ngenalkeun bédana anu aya hubunganana sareng alat leutik dina pagelaran MemTrax pikeun modél klasifikasi MoCA. Tapi, bédana (upami aya) dina MTx-RT, contona, antara alat-alat sigana bakal diabaikan, khususna sareng unggal pamilon dibéré tés "prakték" pas sateuacan pagelaran tés anu dirékam. Tapi, utilitas tina dua alat handheld ieu berpotensi kompromi ngabandingkeun langsung sareng/atanapi integrasi sareng hasil MemTrax anu sanés dimana pangguna ngaréspon ngulang gambar ku cara ngarampa spasi dina kibor komputer.
titik konci dina MemTrax utilitas modeling prediktif
- • Modél prediksi kinerja luhur kami ngawengku métrik kinerja MemTrax dipilih reliably bisa mengklasifikasikan status kaséhatan kognitif (kaséhatan kognitif normal atawa MCI) sakumaha bakal dituduhkeun ku test MoCA dipikawanoh lega.
- • Hasil ieu ngarojong integrasi métrik kinerja MemTrax dipilih kana aplikasi screening model prediktif klasifikasi pikeun impairment kognitif tahap awal.
- • Modeling klasifikasi kami ogé ngungkabkeun poténsial pikeun ngamangpaatkeun kinerja MemTrax dina aplikasi pikeun ngabédakeun severity diagnosis pikun.
Papanggihan novel ieu netepkeun bukti definitif anu ngadukung utilitas pembelajaran mesin dina ngawangun modél klasifikasi basis MemTrax anu ditingkatkeun pikeun pangrojong diagnostik dina manajemén kasus klinis anu épéktip sareng perawatan pasien pikeun individu anu ngalaman gangguan kognitif.
ACKNOWLEDGMENTS
Kami mikawanoh karya J. Wesson Ashford, Curtis B. Ashford, sareng kolega pikeun ngembangkeun sareng validasi tugas sareng alat pangakuan kontinyu online (MemTrax) anu dianggo di dieu sareng kami nganuhunkeun ka seueur pasien anu pikun anu nyumbang kana panalungtikan dasar kritis. . Simkuring oge hatur Xianbo Zhou sareng kolega-Na di SJN Biomed LTD, kolega jeung collaborators na di situs rumah sakit / klinik, utamana Dr. M. Luo sareng M. Zhong, anu ngabantosan rekrutmen pamilon, ngajadwalkeun tés, sareng ngumpulkeun, ngarékam, sareng ngokolakeun data di hareup, sareng pamilon sukarelawan anu nyumbangkeun waktos anu berharga sareng komitmen pikeun nyandak tés sareng nyayogikeun. data anu dipeunteun pikeun urang évaluasi dina ieu panalungtikan. Ieu ulikan ieu dirojong sabagian ku MD Scientific Research Program Universitas Médis Kunming (Hibah no. 2017BS028 ka XL) jeung Program Panalungtikan Jurusan Élmu jeung Téhnologi Yunnan (Hibah no. 2019FE001 (-222) ka XL).
J. Wesson Ashford parantos ngajukeun aplikasi patén pikeun panggunaan paradigma pangakuan kontinyu khusus anu dijelaskeun dina tulisan ieu pikeun umum. nguji memori.
MemTrax, LLC mangrupikeun perusahaan anu dipiboga ku Curtis Ashford, sareng perusahaan ieu ngatur nguji memori sistem anu dijelaskeun dina tulisan ieu.
Panyingkepan pangarang sayogi online (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
Rujukan
| [1] Asosiasi Alzheimer (2016) 2016 Fakta Panyakit Alzheimer jeung inohong. Alzheimers pikun 12, 459-509. | |
| [2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) Pangaruh tahap awal Panyakit Alzheimer dina hasil kauangan rumah tangga. Kaséhatan 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) Perbaikan kualitas dina neurologi: Hampang impairment kognitif set ukur kualitas. Neurology 93, 705-713. |
| [4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) Éféktivitas biaya ngagunakeun tés screening kognitif pikeun detecting pikun sarta impairment kognitif hampang dina perawatan primér. Int J Geriatr Psychiatry 32, 1392-1400. | |
| [5] Ashford JW , Gere E , Bayley PJ (2011) Ngukur mémori dina setélan grup badag ngagunakeun test pangakuan kontinyu. J Alzheimers Dis 27, 885-895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Tugas pangakuan kontinyu komputerisasi pikeun pangukuran mémori episodik. J Alzheimers Dis 69, 385-399. |
| [7] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) kinerja Episodic-memori dina modeling learning mesin keur prediksi klasifikasi status kaséhatan kognitif. J Alzheimers Dis 70, 277-286. |
| [8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The tés MemTrax dibandingkeun jeung estimasi assessment kognitif montreal tina impairment kognitif hampang. J Alzheimers Dis 67, 1045-1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Ngagunakeun sora vokal terasing pikeun klasifikasi tatu otak traumatis hampang. Dina 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, Vancouver, SM, pp. 7577–7581. |
| [10] | Dabek F, Caban JJ (2015) Leveraging data badag pikeun model likelihood tina ngamekarkeun kaayaan psikologis sanggeus geger otak a. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Tangkal kaputusan pikeun deteksi awal impairment kognitif ku pharmacists komunitas. Hareup Pharmacol 9, 1232. |
| [12] | Nasreddine ZS, Phillips NA, Bedirian V, Charbonneau S, Whitehead V, Collin I, Cummings JL, Chertkow H (2005) The Montréal Cognitive Assessment, MoCA: Hiji alat screening ringkes pikeun impairment kognitif hampang. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012) Vérsi Beijing tina assessment kognitif montreal salaku alat screening ringkes pikeun impairment kognitif hampang: Hiji studi basis komunitas. 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) Validasi versi Cina tina Montréal assessment kognitif dasar pikeun screening impairment kognitif hampang. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N, Leach L, Murphy kJ (2018) A ulang ujian tina Montréal Cognitive Assessment (MoCA) skor cutoff. Int J Geriatr Psychiatry 33, 379-388. |
| [16] | Amérika jiwa Association (2013) Tugas Force diagnostik jeung manual statistik tina gangguan méntal: DSM-5 ™, Amérika jiwa Publishing, Inc., Washington, DC. |
| [17] | Python. Python Software Foundation, http://www.python.org, Diaksés 15 Nopémber 2019. |
| [18] | R Core Group, Sunda: Basa jeung lingkungan pikeun komputasi statistik R Foundation for Statistical Computing, Wina, Austria. https://www.R-project.org/, 2018, Diaksés 15 Nopémber 2019. |
| [19] | Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Waktos pikeun robah: A tutorial pikeun ngabandingkeun sababaraha classifiers ngaliwatan analisis Bayesian. J Mach Diajar Res 18, 1–36. |
| [20] | Frank E, Aula MA, Witten IH (2016) The WEKA Workbench. Di Pertambangan Data: Alat sareng Téhnik Pembelajaran Mesin Praktis, Frank E, Aula 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) Mesin learning dina modeling SMA olahraga geger otak gejala ngabéréskeun. Med Sci Olahraga Exerc 51, 1362-1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) perspéktif ékspérimén dina diajar tina data imbalanced. Di Prosiding Konférénsi Internasional ka-24 ngeunaan Pembelajaran Mesin, Corvalis, Oregon, AS, pp 935-942. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Alzheimer evaluasi sabar jeung kaayaan mini-mental: Item analisis kurva karakteristik.P. J Gerontol 44, 139–146. |
| [24] Ashford JW , Jarvik L (1985) Panyakit Alzheimer: Naha plasticity neuron predispose kana degenerasi neurofibrillary axonal? N Engl J Med 313, 388–389. | |
| [25] Jack CR Jr, Therneau TM, Weigand SD, Wiste HJ, Knopman DS, Vemuri P, Lowe VJ, Mielke MM, Roberts RO, Machulda MM, Graff-Radford J, Jones DT, Schwarz CG, Gunter JL, Senjem ML , Rocca WA, Petersen RC (2019) Prévalénsi éntitas spéktrum Alzheimer sacara biologis vs didefinisikeun sacara klinis ngagunakeun National Institute on Aging-Alzheimer's Asosiasi Panalungtikan kerangka. JAMA Neurol 76, 1174-1183. | |
| [26] Zhou X, Ashford JW (2019) Kamajuan dina instrumen saringan pikeun Panyakit Alzheimer. Sepuh Med 2, 88–93. | |
| [27] Weiner MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) The Kaséhatan Brain Pendaptaran: Platform basis internét pikeun rekrutmen, penilaian, sareng ngawaskeun longitudinal pamilon pikeun studi neurosains. Alzheimers pikun 14, 1063-1076. | |
| [28] Ashford JW, Schmitt FA (2001) Modeling the time-course of Alzheimer pikun. Curr Psychiatry Rep 3, 20-28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE): Protocol for a Chinese longitudinal observational study to develop risk prediksi model of conversion to hampang impairment kognitif di individu kalawan kognitif subjektif. turunna. BMJ Buka 9, e028188. |
| [30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015) Variability progression biomarker lima taun pikeun Panyakit Alzheimer pikun prediksi: Dupi kagiatan instrumental kompléks spidol hirup sapopoé ngeusian dina sela? Alzheimers Dement (Amst) 1, 521–532. | |
| [31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) Pencegahan sareng pengobatan Panyakit Alzheimer: Mékanisme biologis latihan. J Alzheimers Dis 69, 311-338. | |
| [32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) Terapi pikeun pencegahan sarta pengobatan Panyakit Alzheimer. 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) Asosiasi antara résiko vascular sakuliah dewasa sarta Patologi otak di ahir hirup: Bukti ti cohort kalahiran Britania. JAMA Neurol 77, 175-183. |
| [34] | Seshadri S (2020) Pencegahan pikun-pamikiran saluareun umur sareng kotak amiloid. 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) Balukar tekanan getih systolic on integritas bodas-matéri di sawawa ngora dina Study Framingham Heart: A cross - ulikan sectional. 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) Akurasi tés biomarker pikeun ditetepkeun sacara neuropatologis. Panyakit Alzheimer di sawawa heubeul kalawan pikun. Ann Intern Med 172, 669-677. |
Affiliations: [a] SIVOTEC Analytics, Boca Raton, FL, AS | [b] Jurusan Komputer sareng Téknik Eléktro sareng Élmu Komputer, Universitas Atlantik Florida, Boca Raton, FL, AS | [c] SJN Biomed LTD, Kunming, Yunnan, Cina | [d] Puseur pikeun Panalungtikan Alzheimer, Washington Institute of Panalungtikan klinis, Washington, DC, AS | [e] Jurusan Kedokteran Rehabilitasi, Rumah Sakit Gabungan Kahiji Universitas Médis Kunming, Kunming, Yunnan, Cina | [f] Jurusan Neurologi, Rumah Sakit Rakyat Dehong, Dehong, Yunnan, Cina | [g] Departemen Neurologi, Rumah Sakit Affiliate Kahiji Universitas Médis Kunming, Kacamatan Wuhua, Kunming, Propinsi Yunnan, Cina | [h] Pusat Studi Kasakit sareng Kacilakaan Perang, VA Palo Alto Kamanusaan sarta Studi Kaséhatan Sistim, Palo Alto, CA, AS | [abdi] Jurusan Psikiatri & Élmu Perilaku, Sakola Kadokteran Universitas Stanford, Palo Alto, CA, AS
susuratan: [*] susuratan pikeun: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Inovasi Kampus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, AS. E-mail: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Departemen Neurologi, Rumah Sakit Affiliate Mimiti Universitas Médis Kunming, 295 Xichang Jalan, Kacamatan Wuhua, Kunming, Propinsi Yunnan 650032, Cina. E-pos: ring@vip.163.com.
Kata Kunci: Sepuh, Panyakit Alzheimer, pikun, saringan massa