Umuhimu wa MemTrax na Uundaji wa Kujifunza kwa Mashine katika Uainishaji wa Upungufu wa Utambuzi wa Kidogo
Nakala ya Utafiti
Waandishi: 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
Jarida: Jarida la Magonjwa ya Alzheimer, vol. 77, hapana. 4, pp. 1545-1558, 2020
abstract
Background:
Kuenea kwa matukio na kuenea kwa Ugonjwa wa Alzheimer na ulemavu mdogo wa utambuzi (MCI) umesababisha mwito wa haraka wa utafiti ili kuthibitisha uchunguzi wa utambuzi wa mapema na tathmini.
Lengo:
Lengo letu la msingi la utafiti lilikuwa kubaini ikiwa vipimo vya utendaji vilivyochaguliwa vya MemTrax na idadi ya watu na sifa za wasifu wa afya vinaweza kutumika kwa njia ifaayo katika miundo bainifu iliyotengenezwa kwa kujifunza kwa mashine ili kuainisha afya ya utambuzi (kawaida dhidi ya MCI), kama inavyoonyeshwa na Tathmini ya Utambuzi wa Montreal (MoCA).
Njia:
Tulifanya utafiti wa sehemu mbalimbali juu ya neurology 259, kliniki ya kumbukumbu, na wagonjwa wazima wa dawa za ndani walioajiriwa kutoka kwa watu wawili. hospitali nchini China. Kila mgonjwa alipewa MoCA ya lugha ya Kichina na kujisimamia mwenyewe utambuzi unaoendelea wa MemTrax mkondoni. mtihani wa kumbukumbu mtandaoni siku hiyo hiyo. Miundo ya uainishaji tabiri iliundwa kwa kutumia ujifunzaji wa mashine kwa uthibitishaji mtambuka mara 10, na utendaji wa muundo ulipimwa kwa kutumia Eneo Chini ya Mkondo wa Tabia ya Kipokeaji (AUC). Miundo iliundwa kwa kutumia vipimo viwili vya utendaji vya MemTrax (asilimia sahihi, muda wa majibu), pamoja na vipengele vinane vya kawaida vya demografia na historia ya kibinafsi.
Matokeo:
Ikilinganisha wanafunzi katika michanganyiko iliyochaguliwa ya alama na vizingiti vya MoCA, Naïve Bayes kwa ujumla alikuwa mwanafunzi aliyefanya vizuri zaidi akiwa na ufaulu wa jumla wa uainishaji wa 0.9093. Zaidi ya hayo, kati ya wanafunzi watatu bora, utendaji wa uainishaji unaotegemea MemTrax kwa ujumla ulikuwa bora zaidi kwa kutumia vipengele vinne vilivyoorodheshwa tu (0.9119) ikilinganishwa na kutumia vipengele vyote 10 vya kawaida (0.8999).
Hitimisho:
Utendaji wa MemTrax unaweza kutumika kwa ufanisi katika muundo wa kubashiri wa uainishaji wa kujifunza kwa mashine maombi ya uchunguzi wa kugundua uharibifu wa utambuzi wa hatua ya mapema.
UTANGULIZI
Matukio na ueneaji unaotambuliwa (ingawa haujatambuliwa) na kuenea sambamba na kuongezeka kwa matibabu, kijamii, na umma. afya gharama na mzigo wa ugonjwa wa Alzeima (AD) na ulemavu mdogo wa utambuzi (MCI) unazidi kuwa ngumu kwa washikadau wote [1, 2]. Hali hii ya kuhuzunisha na ya kutisha imesababisha wito wa haraka wa utafiti kuthibitishwa kutambua mapema uchunguzi wa utambuzi na vyombo vya tathmini kwa matumizi ya kawaida ya vitendo katika mipangilio ya kibinafsi na ya kliniki kwa wagonjwa wakubwa katika mikoa na watu mbalimbali [3]. Vyombo hivi lazima pia vitoe tafsiri isiyo na mshono ya matokeo ya habari katika rekodi za afya za kielektroniki. Faida zitapatikana kwa kuwafahamisha wagonjwa na kuwasaidia madaktari kutambua mabadiliko makubwa mapema na hivyo kuwezesha utabaka wa haraka na wa wakati, utekelezaji, na ufuatiliaji wa matibabu ya kibinafsi na ya gharama nafuu na utunzaji wa mgonjwa kwa wale wanaoanza kupata uzoefu. kupungua kwa utambuzi [3, 4].
Zana ya kompyuta ya MemTrax (https://memtrax.com) ni tathmini rahisi na fupi endelevu ya utambuzi ambayo inaweza kujisimamia mtandaoni ili kupima utendakazi wa kumbukumbu wa matukio ya wakati ambapo mtumiaji hujibu picha zinazorudiwa na si wasilisho la awali [5, 6]. Utafiti wa hivi karibuni na matokeo ya vitendo yanayotokana yanaanza kuonyesha hatua kwa hatua na kwa pamoja ufanisi wa kimatibabu wa MemTrax katika uchunguzi wa AD na uchunguzi wa MCI [5-7]. Walakini, kulinganisha moja kwa moja ya matumizi ya kliniki na yaliyopo afya ya utambuzi tathmini na viwango vya kawaida vinathibitishwa ili kufahamisha mtazamo wa kitaalamu na kuthibitisha matumizi ya MemTrax katika utambuzi wa mapema na usaidizi wa uchunguzi. van der Hoek et al. [8] ililinganisha vipimo vya utendaji vilivyochaguliwa vya MemTrax (kasi ya mwitikio na asilimia sahihi) na hali ya utambuzi kama ilivyobainishwa na Montreal. Tathmini ya Utambuzi (MoCA). Hata hivyo, utafiti huu ulihusisha tu kuhusisha vipimo hivi vya utendakazi na ubainishaji wa hali ya utambuzi (kama ilivyobainishwa na MoCA) na kufafanua masanduku yanayolingana na thamani za kukatika. Kwa hivyo, ili kupanua uchunguzi huu na kuboresha utendakazi na ufanisi wa uainishaji, swali letu la msingi la utafiti lilikuwa:
- Je, vipimo vya utendaji vya MemTrax vilivyochaguliwa na mtu binafsi na idadi ya watu na afya husika vinaweza kuchaguliwa profile sifa zitatumika ipasavyo katika modeli ya kubashiri iliyotengenezwa kwa kujifunza kwa mashine ili kuainisha afya ya utambuzi dichotomously (kawaida dhidi ya MCI), kama inavyoonyeshwa na alama ya MoCA ya mtu?
Sekondari kwa hili, tulitaka kujua:
- Ikiwa ni pamoja na vipengele vile vile, je, mtindo wa kujifunza mashine unaotegemea utendakazi wa MemTrax unaweza kutumiwa kwa njia ifaayo kwa mgonjwa ili kutabiri ukali (wadogo dhidi ya ukali) ndani ya kategoria zilizochaguliwa za kasoro ya utambuzi kama inavyoweza kubainishwa na uchunguzi huru wa kimatibabu?
Ujio na utumiaji unaoendelea wa akili bandia na ujifunzaji wa mashine katika uchunguzi/ugunduzi tayari umeonyesha manufaa mahususi ya kiutendaji, huku kielelezo cha ubashiri kikiongoza vyema matabibu katika tathmini yenye changamoto ya afya ya utambuzi/ubongo na usimamizi wa mgonjwa. Katika utafiti wetu, tulichagua mbinu sawa katika uainishaji wa uainishaji wa MCI na ubaguzi wa ukali wa uharibifu wa utambuzi kama inavyothibitishwa na uchunguzi wa kimatibabu kutoka kwa hifadhidata tatu zinazowakilisha wagonjwa waliochaguliwa wa kujitolea na wagonjwa wa nje kutoka hospitali mbili nchini Uchina. Kwa kutumia kielelezo cha ubashiri cha kujifunza kwa mashine, tulitambua wanafunzi wanaofanya vizuri zaidi kutoka kwa mkusanyiko mbalimbali wa data/wanafunzi na kuorodhesha vipengele vya kutuongoza katika kubainisha matumizi bora ya miundo ya kimatibabu.
Nadharia zetu zilikuwa kwamba modeli iliyoidhinishwa ya msingi wa MemTrax inaweza kutumika kuainisha afya ya utambuzi dichotomously (kawaida au MCI) kulingana na kigezo cha jumla cha alama ya MoCA, na kwamba modeli sawa ya ubashiri ya MemTrax inaweza kutumika kwa ufanisi katika kubagua ukali katika kategoria zilizochaguliwa za kutambuliwa kliniki kuharibika kwa utambuzi. Kuonyesha matokeo yanayotarajiwa kutasaidia katika kusaidia ufanisi wa MemTrax kama skrini ya kutambua mapema kwa kupungua kwa utambuzi na uainishaji wa uharibifu wa utambuzi. Ulinganisho unaofaa na kiwango kinachodaiwa na tasnia inayokamilishwa na urahisi zaidi na wepesi wa matumizi kutakuwa na ushawishi mkubwa katika kuwasaidia matabibu kupitisha zana hii rahisi, inayotegemeka, na inayoweza kufikiwa kama skrini ya awali ya kutambua mapema (ikiwa ni pamoja na upungufu wa hatua ya prodromal) wa utambuzi. Mbinu na matumizi kama haya yanaweza kuchochea utunzaji na uingiliaji kati wa wagonjwa kwa wakati unaofaa na bora zaidi. Maarifa haya ya kufikiria mbele na vipimo na miundo iliyoboreshwa inaweza pia kusaidia katika kupunguza au kukomesha kuendelea kwa shida ya akili, ikiwa ni pamoja na AD na shida ya akili inayohusiana na AD (ADRD).
NYENZO NA NJIA
Idadi ya watu
Kati ya Januari 2018 na Agosti 2019, utafiti wa sehemu mbalimbali ulikamilika kuhusu wagonjwa walioajiriwa kutoka hospitali mbili nchini China. Usimamizi wa MemTrax [5] kwa watu binafsi wenye umri wa miaka 21 na zaidi na ukusanyaji na uchambuzi wa data hizo ulipitiwa na kuidhinishwa na kusimamiwa kwa mujibu wa viwango vya maadili vya Binadamu Kamati ya Ulinzi ya Masomo ya Chuo Kikuu cha Stanford. MemTrax na majaribio mengine yote ya utafiti huu wa jumla yalifanywa kulingana na tamko la Helsinki la 1975 na kuidhinishwa na Bodi ya Ukaguzi ya Kitaasisi ya Hospitali Shirikishi ya Kwanza ya Chuo Kikuu cha Matibabu cha Kunming huko Kunming, Yunnan, Uchina. Kila mtumiaji alipewa idhini ya taarifa fomu ya kusoma/kuhakiki na kisha kukubali kwa hiari kushiriki.
Washiriki waliajiriwa kutoka kundi la wagonjwa wa nje katika kliniki ya neurology katika Hospitali ya Yanhua (YH sub-dataset) na kliniki ya kumbukumbu katika Hospitali ya Kwanza ya Ushirika ya Kunming Medical Chuo Kikuu (seti ndogo ya XL) huko Beijing, Uchina. Washiriki pia waliajiriwa kutoka kwa wagonjwa wa neurology (seti ndogo ya XL) na dawa za ndani (seti ndogo ya data ya KM) katika Hospitali ya Kwanza Shirikishi ya Chuo Kikuu cha Matibabu cha Kunming. Vigezo vya ujumuishaji vilijumuisha 1) wanaume na wanawake angalau umri wa miaka 21, 2) uwezo wa kuzungumza Kichina (Mandarin), na 3) uwezo wa kuelewa maelekezo ya maneno na maandishi. Vigezo vya kutengwa vilikuwa ni ulemavu wa kuona na magari unaowazuia washiriki kukamilisha Mtihani wa MemTrax, pamoja na kutokuwa na uwezo wa kuelewa maagizo maalum ya mtihani.
Toleo la Kichina la MemTrax
Yavuti Mfumo wa majaribio wa MemTrax ulitafsiriwa kwa Kichina (URL: https://www.memtrax.com.cn) na kubadilishwa zaidi ili kutumiwa kupitia WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) kwa ajili ya kujiendesha. Data ilihifadhiwa kwenye seva ya wingu (Ali Cloud) iliyoko Uchina na kupewa leseni kutoka Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, China) na SJN Biomed LTD (Kunming, Yunnan, China). Maelezo mahususi kuhusu MemTrax na vigezo vya uhalali wa jaribio vilivyotumika hapa vimeelezwa hapo awali [6]. Uchunguzi huo ulitolewa bila malipo kwa wagonjwa.
Taratibu za kusoma
Kwa wagonjwa wa kulazwa na wagonjwa wa nje, dodoso la karatasi la jumla la kukusanya taarifa za kidemografia na za kibinafsi kama vile umri, jinsia, miaka ya elimu, kazi, kuishi peke yake au na familia, na historia ya matibabu ilisimamiwa na mwanachama wa timu ya utafiti. Kufuatia kukamilika kwa dodoso, majaribio ya MoCA [12] na MemTrax yalisimamiwa (MoCA kwanza) bila zaidi ya dakika 20 kati ya majaribio. Asilimia ya MemTrax sahihi (MTx-% C), wastani wa muda wa kujibu (MTx-RT), na tarehe na wakati wa majaribio vilirekodiwa kwenye karatasi na mshiriki wa timu ya utafiti kwa kila mshiriki aliyejaribiwa. Hojaji iliyokamilishwa na matokeo ya MoCA yalipakiwa kwenye lahajedwali ya Excel na mtafiti aliyesimamia majaribio na kuthibitishwa na mwenzake kabla ya faili za Excel kuhifadhiwa kwa ajili ya uchambuzi.
Mtihani wa MemTrax
Jaribio la mtandaoni la MemTrax lilijumuisha picha 50 (25 za kipekee na marudio 25; seti 5 za picha 5 za matukio ya kawaida au vitu) zilizoonyeshwa kwa mpangilio maalum wa uwongo-nasibu. Mshiriki (kwa maelekezo) angegusa kitufe cha Anza kwenye skrini ili kuanza jaribio na kuanza kutazama mfululizo wa picha na kugusa tena picha kwenye skrini haraka iwezekanavyo wakati picha inayorudiwa inapotokea. Kila picha ilionekana kwa sekunde 3 au hadi picha kwenye skrini ilipoguswa, ambayo ilisababisha uwasilishaji wa haraka wa picha inayofuata. Kwa kutumia saa ya ndani ya kifaa cha ndani, MTx-RT kwa kila picha iliamuliwa na muda uliopita kutoka kwa uwasilishaji wa picha hadi wakati skrini iliguswa na mshiriki ili kujibu kuonyesha utambuzi wa picha kama ile ambayo tayari ilikuwa imeonyeshwa. wakati wa mtihani. MTx-RT ilirekodiwa kwa kila picha, na s 3 kamili iliyorekodiwa ikionyesha hakuna jibu. MTx-% C ilikokotolewa ili kuonyesha asilimia ya picha zilizorudiwa na za awali ambazo mtumiaji alijibu kwa usahihi (chanya ya kweli + hasi ya kweli ikigawanywa na 50). Maelezo ya ziada ya usimamizi na utekelezaji wa MemTrax, upunguzaji wa data, data batili au "hakuna majibu", na uchanganuzi wa data msingi umeelezewa mahali pengine [6].
Jaribio la MemTrax lilifafanuliwa kwa kina na mtihani wa mazoezi (wenye picha za kipekee isipokuwa zile zilizotumiwa katika jaribio la kurekodi matokeo) ulitolewa kwa washiriki katika mpangilio wa hospitali. Washiriki katika hifadhidata ndogo za YH na KM walifanya jaribio la MemTrax kwenye simu mahiri iliyopakiwa na programu kwenye WeChat; ilhali idadi ndogo ya wagonjwa wa hifadhidata ndogo ya XL walitumia iPad na wengine walitumia simu mahiri. Washiriki wote walifanya jaribio la MemTrax huku mpelelezi wa utafiti akiangalia bila kusita.
Tathmini ya utambuzi ya Montreal
Toleo la Beijing la MoCA ya Kichina (MoCA-BC) [13] lilisimamiwa na kupata alama na watafiti waliofunzwa kulingana na maagizo rasmi ya jaribio. Inafaa, MoCA-BC imeonyeshwa kuwa ya kutegemewa mtihani kwa utambuzi uchunguzi katika ngazi zote za elimu kwa watu wazima wazee wa Kichina [14]. Kila jaribio lilichukua kama dakika 10 hadi 30 kusimamia kulingana na uwezo wa utambuzi wa mshiriki husika.
Muundo wa uainishaji wa MoCA
Kulikuwa na jumla ya vipengele 29 vinavyoweza kutumika, vikiwemo viwili vya MemTrax vipimo vya utendaji wa majaribio na vipengele 27 vinavyohusiana na idadi ya watu na afya habari kwa kila mshiriki. Alama ya jumla ya mtihani wa MoCA ya kila mgonjwa ilitumika kama kipimo uchunguzi wa utambuzi "kigezo" cha kutoa mafunzo kwa miundo yetu ya ubashiri. Kwa hivyo, kwa sababu MoCA ilitumiwa kuunda lebo ya darasa, hatukuweza kutumia alama ya jumla (au alama zozote za kitengo kidogo cha MoCA) kama kipengele huru. Tulifanya majaribio ya awali ambapo tuliunda (kuainisha afya ya utambuzi inayofafanuliwa na MoCA) hifadhidata tatu za hospitali/zahanati ndogo moja moja na kisha kuunganishwa kwa kutumia vipengele vyote. Hata hivyo, vipengele vyote sawa vya data havikukusanywa katika kila kliniki nne zinazowakilisha hifadhidata tatu ndogo; kwa hivyo, vipengele vyetu vingi katika mkusanyiko wa data (wakati wa kutumia vipengele vyote) vilikuwa na matukio ya juu ya kukosa thamani. Kisha tukaunda miundo yenye mkusanyiko wa data kwa kutumia vipengele vya kawaida pekee ambavyo vilileta utendakazi bora wa uainishaji. Hii inawezekana ilielezewa na mchanganyiko wa kuwa na matukio zaidi ya kufanya kazi nayo kwa kuchanganya hifadhidata tatu za wagonjwa na hakuna vipengee vilivyo na kuenea kusikostahili kwa maadili yaliyokosekana (kipengele kimoja tu katika mkusanyiko wa data uliojumuishwa, aina ya kazi, kilikuwa na maadili yoyote yanayokosekana, na kuathiri. matukio matatu tu ya wagonjwa), kwa sababu vipengele vya kawaida tu vilivyorekodiwa katika tovuti zote tatu vilijumuishwa. Hasa, hatukuwa na kigezo mahususi cha kukataliwa kwa kila kipengele ambacho hatimaye hakikujumuishwa katika mkusanyiko wa data uliounganishwa. Hata hivyo, katika muundo wetu wa awali wa mkusanyiko wa data, kwanza tulitumia vipengele vyote kutoka kwa kila mojawapo ya hifadhidata tatu tofauti za wagonjwa. Hii ilisababisha sana utendakazi wa kielelezo ambao ulikuwa wa chini kwa kupimika kuliko uundaji wa awali wa kila hifadhidata ndogo. Zaidi ya hayo, ingawa utendaji wa uainishaji wa miundo iliyojengwa kwa kutumia vipengele vyote ulikuwa wa kutia moyo, kwa wanafunzi wote na mipango ya uainishaji, utendakazi uliboreshwa kwa miundo maradufu wakati wa kutumia vipengele vya kawaida pekee. Kwa hakika, miongoni mwa walioishia kuwa wanafunzi wetu wakuu, muundo wote isipokuwa mmoja uliboreshwa baada ya kuondoa vipengele visivyo vya kawaida.
Seti ya data iliyojumlishwa (YH, XL, na KM pamoja) ilijumuisha matukio 259, kila moja ikiwakilisha mshiriki wa kipekee aliyefanya majaribio ya MemTrax na MoCA. Kulikuwa na vipengele 10 vilivyoshirikiwa: Vipimo vya utendaji vya MemTrax: MTx-% C na wastani wa MTx-RT; maelezo ya historia ya idadi ya watu na matibabu: umri, jinsia, miaka ya elimu, aina ya kazi (kola ya buluu / kola nyeupe), usaidizi wa kijamii (ikiwa mjaribu anaishi peke yake au na familia), na majibu ya ndiyo/hapana kama mtumiaji alikuwa na historia ya kisukari, hyperlipidemia, au jeraha la kiwewe la ubongo. Vipimo viwili vya ziada, alama ya jumla ya MoCA na alama ya jumla ya MoCA iliyorekebishwa kwa miaka ya elimu [12], ilitumiwa kando kuunda lebo za uainishaji tegemezi, hivyo basi kuunda mifumo miwili tofauti ya uigaji kutumika kwa mkusanyiko wetu wa data uliounganishwa. Kwa kila toleo (lililorekebishwa na lisilorekebishwa) la alama ya MoCA, data iliwekwa tena tofauti kwa uainishaji wa mfumo wa jozi kwa kutumia viwango viwili tofauti vya kigezo—kilichopendekezwa awali [12] na thamani mbadala iliyotumiwa na kukuzwa na wengine [8, 15]. Katika mpango mbadala wa uainishaji wa kizingiti, mgonjwa alizingatiwa kuwa na afya ya kawaida ya utambuzi ikiwa alipata ≥23 kwenye mtihani wa MoCA na kuwa na MCI ikiwa alama ilikuwa 22 au chini; ilhali, katika umbizo la awali la uainishaji lililopendekezwa, mgonjwa alipaswa kupata alama 26 au bora zaidi kwenye MoCA ili kuandikwa kuwa na afya ya kawaida ya utambuzi.
Data iliyochujwa ya uundaji wa uainishaji wa MoCA
Tulikagua zaidi uainishaji wa MoCA kwa kutumia mbinu nne za kuorodhesha vipengele vinavyotumika kawaida: Chi-Squared, Gain Ratio, Manufaa ya Taarifa, na Kutokuwa na uhakika wa Ulinganifu. Kwa mtazamo wa muda, tulitumia viwango kwenye mkusanyiko mzima wa data uliounganishwa kwa kutumia kila moja ya miundo yetu minne ya uundaji. Madaraja yote yalikubali vipengele sawa vya juu, yaani, umri, idadi ya miaka ya elimu, na vipimo vya utendaji vya MemTrax (MTx-% C, maana ya MTx-RT). Kisha tunaunda upya miundo kwa kutumia kila mbinu ya kuchagua vipengele ili kutoa mafunzo kwa miundo juu ya vipengele vinne pekee vya juu (ona Uchaguzi wa kipengele chini).
Matokeo ya tofauti nane za mwisho za miundo ya uainishaji wa alama za MoCA zimewasilishwa katika Jedwali 1.
Jedwali 1
Muhtasari wa tofauti za kimuundo zinazotumika kwa uainishaji wa MoCA (Kawaida Afya ya Utambuzi dhidi ya MCI)
| Mpango wa Kuiga | Afya ya Kawaida ya Utambuzi (Daraja Hasi) | MCI (Daraja Chanya) |
| Iliyorekebishwa-23 Haijachujwa/Haijachujwa | 101 (39.0%) | 158 (61.0%) |
| Iliyorekebishwa-26 Haijachujwa/Haijachujwa | 49 (18.9%) | 210 (81.1%) |
| Haijarekebishwa-23 Haijachujwa/Haijachujwa | 92 (35.5%) | 167 (64.5%) |
| Haijarekebishwa-26 Haijachujwa/Haijachujwa | 42 (16.2%) | 217 (83.8%) |
Nambari husika na asilimia ya jumla ya wagonjwa katika kila darasa hutofautishwa kwa marekebisho ya alama za elimu (Iliyorekebishwa au Haijarekebishwa) na kiwango cha uainishaji (23 au 26), kama inavyotumika kwa seti zote mbili za vipengele (Zisizochujwa na Zilizochujwa).
Muundo wa tathmini ya kimatibabu inayotegemea MemTrax
Kati ya hifadhidata zetu tatu ndogo za asili (YH, XL, KM), ni wagonjwa wa hifadhidata ndogo ya XL pekee ndio waliogunduliwa kwa kujitegemea kimatibabu kwa uharibifu wa utambuzi (yaani, alama zao za MoCA hazikutumika katika kuanzisha uainishaji wa kawaida dhidi ya ulemavu). Hasa, wagonjwa wa XL waligunduliwa na aidha Mtihani wa ugonjwa wa Alzheimer (AD) au shida ya akili ya mishipa (VaD). Katika kila moja ya kategoria hizi za msingi za utambuzi, kulikuwa na jina zaidi la MCI. Utambuzi wa MCI, shida ya akili, ugonjwa wa neva wa mishipa, na ugonjwa wa neurocognitive kutokana na AD ulizingatia vigezo maalum na tofauti vya uchunguzi vilivyoainishwa katika Mwongozo wa Uchunguzi na Takwimu wa Matatizo ya Akili: DSM-5 [16]. Kwa kuzingatia uchunguzi huu ulioboreshwa, mifumo miwili ya uainishaji wa uainishaji ilitumika kando kwa hifadhidata ndogo ya XL ili kutofautisha kiwango cha ukali (kiwango cha uharibifu) kwa kila aina ya msingi ya utambuzi. Data iliyotumika katika kila moja ya mifumo hii ya uchunguzi wa uchunguzi (AD na VaD) ilijumuisha maelezo ya kidemografia na historia ya mgonjwa, pamoja na utendaji wa MemTrax (MTx-% C, maana ya MTx-RT). Kila utambuzi uliwekwa alama ndogo ikiwa uliteuliwa MCI; vinginevyo, ilizingatiwa kuwa kali. Hapo awali tulizingatia kujumuisha alama ya MoCA katika mifano ya utambuzi (kidogo dhidi ya kali); lakini tuliamua hilo lingeshinda madhumuni ya mpango wetu wa uundaji wa utabiri wa pili. Hapa wanafunzi wangefunzwa kwa kutumia sifa nyingine za mgonjwa zinazopatikana kwa urahisi kwa mtoa huduma na vipimo vya utendakazi vya jaribio rahisi la MemTrax (badala ya MoCA) dhidi ya marejeleo ya "kiwango cha dhahabu", uchunguzi huru wa kimatibabu. Kulikuwa na matukio 69 katika hifadhidata ya utambuzi wa AD na visa 76 vya VaD (Jedwali 2) Katika hifadhidata zote mbili, kulikuwa na vipengele 12 vya kujitegemea. Mbali na vipengele 10 vilivyojumuishwa katika uainishaji wa alama za MoCA, historia ya mgonjwa pia ilijumuisha habari juu ya historia ya shinikizo la damu na kiharusi.
Jedwali 2
Muhtasari wa tofauti za kimuundo zinazotumika kwa uainishaji wa ukali wa utambuzi (Mdogo dhidi ya Mkali)
| Mpango wa Kuiga | Nyepesi (Daraja Hasi) | Kali (Darasa Chanya) |
| MCI-AD dhidi ya AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD dhidi ya VaD | 38 (50.0%) | 38 (50.0%) |
Idadi husika na asilimia ya jumla ya wagonjwa katika kila darasa hutofautishwa na kategoria ya utambuzi wa kimsingi (AD au VaD).
Takwimu
Ulinganisho wa sifa za mshiriki na vipengele vingine vya nambari kati ya seti ndogo za data kwa kila mkakati wa uainishaji wa kielelezo (kutabiri afya ya utambuzi wa MoCA na uzito wa utambuzi) ulifanywa kwa kutumia lugha ya programu ya Python (toleo la 2.7.1) [17]. Tofauti za utendakazi wa muundo zilibainishwa awali kwa kutumia kipengele kimoja au mbili (inavyofaa) ANOVA yenye muda wa kujiamini wa 95% na jaribio la Tukey uaminifu tofauti kubwa (HSD) ili kulinganisha njia za utendakazi. Uchunguzi huu wa tofauti kati ya maonyesho ya mfano ulifanywa kwa kutumia mchanganyiko wa Python na R (toleo la 3.5.1) [18]. Tulitumia mbinu hii (ingawa, kwa ubishi chini ya ile ifaayo) kama usaidizi wa kiurithi katika hili. hatua ya mwanzo kwa ulinganisho wa awali wa utendakazi katika kutarajia matumizi ya kiafya yanayoweza kutokea. Kisha tukatumia jaribio la kiwango cha saini cha Bayesian kwa kutumia usambazaji wa nyuma ili kubaini uwezekano wa tofauti za utendakazi wa muundo [19]. Kwa uchanganuzi huu, tulitumia muda -0.01, 0.01, kuashiria kwamba ikiwa vikundi viwili vilikuwa na tofauti ya utendaji ya chini ya 0.01, vilizingatiwa sawa (ndani ya eneo la usawa wa vitendo), au vinginevyo vilikuwa tofauti (moja bora kuliko ingine). Ili kufanya ulinganisho wa Bayesian wa waainishaji na kuhesabu uwezekano huu, tulitumia maktaba ya baycomp (toleo la 1.0.2) kwa Python 3.6.4.
Ufanisi wa kutabiri
Tuliunda miundo ya ubashiri kwa kutumia tofauti kumi za jumla za mifumo yetu ya uundaji kutabiri (kuainisha) matokeo ya jaribio la MoCA la kila mgonjwa au uzito wa uchunguzi wa kimatibabu. Wanafunzi wote walitumiwa na miundo iliundwa kwa kutumia jukwaa huria la programu Weka [20]. Kwa uchanganuzi wetu wa awali, tuliajiri algoriti 10 za kujifunza zinazotumiwa sana: Majirani 5-Karibu zaidi, matoleo mawili ya mti wa uamuzi wa C4.5, Urekebishaji wa Vifaa, Multilayer Perceptron, Naïve Bayes, matoleo mawili ya Random Forest, Radial Basic Function Network, na Support Vector. Mashine. Sifa kuu na utofautishaji wa algoriti hizi zimefafanuliwa mahali pengine [21] (ona Kiambatisho husika). Hizi zilichaguliwa kwa sababu zinawakilisha aina mbalimbali za wanafunzi na kwa sababu tumeonyesha mafanikio kwa kuzitumia katika uchanganuzi wa awali wa data sawa. Mipangilio ya kigezo cha Hyper ilichaguliwa kutoka kwa utafiti wetu wa awali ikionyesha kuwa thabiti kwenye anuwai ya data tofauti [22]. Kulingana na matokeo ya uchanganuzi wetu wa awali kwa kutumia mkusanyiko uleule wa data uliounganishwa na vipengele vya kawaida ambavyo vilitumiwa baadaye katika uchanganuzi kamili, tulitambua wanafunzi watatu ambao walitoa ufaulu thabiti katika uainishaji wote: Urekebishaji wa Vifaa, Naïve Bayes, na Mashine ya Vekta ya Usaidizi.
Uthibitishaji mtambuka na kipimo cha utendaji wa muundo
Kwa miundo yote ya ubashiri (ikiwa ni pamoja na uchanganuzi wa awali), kila muundo uliundwa kwa kutumia uthibitishaji wa mara 10, na utendakazi wa kielelezo ulipimwa kwa kutumia Eneo Chini ya Mkondo wa Utendaji wa Kipokeaji (AUC). Uthibitishaji mtambuka ulianza kwa kugawanya kwa nasibu kila moja ya hifadhidata 10 za muundo wa muundo katika sehemu 10 sawa (mikunjo), kwa kutumia sehemu tisa kati ya hizi zinazohusika kutoa mafunzo kwa modeli na sehemu iliyobaki kwa majaribio. Utaratibu huu ulirudiwa mara 10, kwa kutumia sehemu tofauti kama jaribio lililowekwa katika kila marudio. Kisha matokeo yaliunganishwa ili kukokotoa matokeo/utendaji wa modeli ya mwisho. Kwa kila mseto wa mwanafunzi/seti ya data, mchakato huu wote ulirudiwa mara 10 na data ikigawanywa tofauti kila wakati. Hatua hii ya mwisho ilipunguza upendeleo, ilihakikisha uigaji, na kusaidia katika kubainisha utendakazi wa jumla wa muundo. Kwa jumla (kwa alama za MoCA na mipango ya uainishaji wa ukali wa uchunguzi pamoja), miundo 6,600 ilijengwa. Hii ilijumuisha miundo 1,800 ambayo haijachujwa (mifumo 6 ya kielelezo iliyotumika kwa seti ya data×wanafunzi 3× inaendeshwa 10×mikunjo 10 = miundo 1,800) na miundo 4,800 iliyochujwa (mifumo 4 ya kielelezo inatumika kwa seti ya data×wanafunzi 3×4 mbinu za uteuzi wa vipengele×kukimbia 10× Mikunjo 10 = mifano 4,800).
Uchaguzi wa kipengele
Kwa miundo iliyochujwa, uteuzi wa vipengele (kwa kutumia mbinu nne za kuorodhesha vipengele) ulifanyika ndani ya uthibitishaji mtambuka. Kwa kila mikunjo 10, kama 10% tofauti ya seti ya data ilikuwa data ya majaribio, vipengele vinne tu vya juu vilivyochaguliwa kwa kila seti ya mafunzo (yaani, mikunjo mingine tisa, au 90% iliyobaki ya mkusanyiko mzima wa data) ilitumika. kujenga mifano. Hatukuweza kuthibitisha vipengele vinne vilivyotumika katika kila muundo, kwa kuwa maelezo hayo hayahifadhiwi au kupatikana ndani ya mfumo wa uundaji tuliotumia (Weka). Hata hivyo, kwa kuzingatia uthabiti katika uteuzi wetu wa awali wa vipengele vya juu wakati wakaaji walitumika kwa mkusanyiko mzima wa data na ufanano uliofuata katika uigizaji wa uigaji, vipengele hivi (umri, miaka ya elimu, MTx-% C, na wastani wa MTx-RT). ) huenda ndizo nne bora zinazotumika sambamba na uteuzi wa vipengele ndani ya mchakato wa uthibitishaji mtambuka.
MATOKEO
Sifa za nambari za mshiriki (ikiwa ni pamoja na alama za MoCA na vipimo vya utendaji vya MemTrax) za seti za data husika kwa kila mkakati wa uainishaji wa modeli ili kutabiri afya ya utambuzi inayoonyeshwa na MoCA (kawaida dhidi ya MCI) na ukali wa utambuzi (kidogo dhidi ya kali) zimeonyeshwa katika Jedwali la 3.
Jedwali 3
Sifa za mshiriki, alama za MoCA, na utendaji wa MemTrax kwa kila mkakati wa uainishaji wa kielelezo
| Mkakati wa Uainishaji | umri | elimu | MoCA Imerekebishwa | MoCA Haijarekebishwa | MTx-% C | MTx-RT |
| Kitengo cha MoCA | Miaka 61.9 (13.1) | Miaka 9.6 (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | Sekunde 1.4 (0.3) |
| Ukali wa Utambuzi | Miaka 65.6 (12.1) | Miaka 8.6 (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | Sekunde 1.5 (0.3) |
Thamani zilizoonyeshwa (wastani, SD) zinazotofautishwa kwa mikakati ya uainishaji wa vielelezo ni kiwakilishi cha mkusanyiko wa data unaotumiwa kutabiri afya ya utambuzi iliyoashiriwa na MoCA (MCI dhidi ya kawaida) na seti ndogo ya data ya XL inayotumiwa tu kutabiri ukali wa utambuzi (upole dhidi ya kali).
Kwa kila mchanganyiko wa alama za MoCA (zilizorekebishwa/zisizorekebishwa) na kizingiti (26/23), kulikuwa na tofauti ya takwimu (p = 0.000) katika kila ulinganisho wa jozi (afya ya kawaida ya utambuzi dhidi ya MCI) kwa umri, elimu, na utendaji wa MemTrax (MTx-% C na MTx-RT). Kila hifadhidata ndogo ya mgonjwa katika darasa husika la MCI kwa kila mchanganyiko ilikuwa na wastani wa miaka 9 hadi 15, iliripoti takriban miaka mitano ya elimu, na ilikuwa na utendaji duni wa MemTrax kwa vipimo vyote viwili.
Matokeo ya ubashiri ya utendakazi wa uainishaji wa alama za MoCA kwa kutumia wanafunzi watatu bora, Urekebishaji wa Vifaa, Naïve Bayes, na Mashine ya Vekta ya Usaidizi, yanaonyeshwa katika Jedwali la 4. Hizi tatu zilichaguliwa kulingana na utendakazi wa hali ya juu kabisa wa juu kabisa katika miundo yote mbalimbali. inatumika kwa hifadhidata kwa miundo yote ya uundaji. Kwa mkusanyiko wa data na uundaji ambao haujachujwa, kila moja ya thamani za data katika Jedwali la 4 huonyesha utendaji wa kielelezo kulingana na wastani wa AUC unaotokana na miundo 100 (mizimu 10 x mikunjo 10) iliyojengwa kwa kila mseto wa mpango wa mwanafunzi/kielelezo, na kiwango cha juu zaidi mwanafunzi anayefanya vizuri aliyeonyeshwa kwa herufi nzito. Ingawa kwa muundo wa seti ya data iliyochujwa, matokeo yaliyoripotiwa katika Jedwali la 4 yanaonyesha wastani wa utendaji wa jumla wa miundo kutoka kwa miundo 400 kwa kila mwanafunzi kwa kutumia kila mojawapo ya mbinu za kuorodhesha vipengele (mbinu 4 za kuorodhesha vipengele×10 hukimbia×mikunjo 10).
Jedwali 4
Ufaulu wa uainishaji wa alama za Dichotomous MoCA (AUC; 0.0–1.0) matokeo kwa kila mwanafunzi kati ya watatu waliofanya vizuri zaidi kwa mifumo yote ya kielelezo.
| Seti ya Kipengele Imetumika | Alama ya MoCA | Kizingiti cha Kukatwa | Udhibiti wa vifaa | Naïve Bayes | Msaada wa mashine ya Vector |
| Haijachujwa (vipengele 10) | Ilibadilishwa | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Isiyobadilishwa | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Imechujwa (vipengele 4) | Ilibadilishwa | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Isiyobadilishwa | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Kwa kutumia utofauti wa seti ya vipengele, alama ya MoCA, na kiwango cha juu cha kukata alama za MoCA, utendaji wa juu zaidi kwa kila mpango wa uundaji unaonyeshwa katika ujasiri (sio lazima kuwa tofauti kitakwimu kuliko wengine wote ambao hawajaingia ujasiri kwa mfano husika).
Ikilinganisha wanafunzi katika michanganyiko yote ya matoleo ya alama za MoCA na vizingiti (zilizorekebishwa/hazijarekebishwa na 23/26, mtawalia) katika mkusanyiko wa data ambao haujachujwa (yaani, kwa kutumia vipengele 10 vya kawaida), Naïve Bayes kwa ujumla alikuwa mwanafunzi aliyefanya vizuri zaidi akiwa na mwanafunzi wa jumla. utendaji wa uainishaji wa 0.9093. Kwa kuzingatia wanafunzi watatu wa juu, majaribio ya kiwango cha saini yanayohusiana na Bayesian yalionyesha kuwa uwezekano (Pr) ya Naïve Bayes iliyofanya vizuri zaidi Regression ya Usafirishaji ilikuwa 99.9%. Zaidi ya hayo, kati ya Naïve Bayes na Support Vector Machine, uwezekano wa 21.0% wa usawa wa kivitendo katika utendaji wa mwanafunzi (hivyo, uwezekano wa 79.0% wa Naïve Bayes kufanya utendakazi wa Mashine ya Vekta ya Usaidizi), pamoja na uwezekano wa 0.0% wa Mashine ya Kusaidia Vekta kufanya vizuri zaidi, kwa kupimika. huimarisha faida ya utendakazi kwa Naïve Bayes. Ulinganisho zaidi wa toleo la alama za MoCA kwa wanafunzi/viwango vyote ulipendekeza faida kidogo ya utendaji kwa kutumia alama za MoCA ambazo hazijarekebishwa dhidi ya zilizorekebishwa (0.9027 dhidi ya 0.8971, mtawalia; Pr (haijarekebishwa > iliyorekebishwa) = 0.988). Vile vile, ulinganisho wa kizingiti cha kukatwa kwa wanafunzi wote na matoleo ya alama za MoCA ulionyesha faida ndogo ya utendaji wa uainishaji kwa kutumia 26 kama kiwango cha uainishaji dhidi ya 23 (0.9056 dhidi ya 0.8942, mtawalia; Pr (26 > 23) = 0.999). Mwishowe, tukichunguza utendakazi wa uainishaji wa miundo kwa kutumia matokeo yaliyochujwa pekee (yaani, vipengele vinne vilivyoorodheshwa pekee), Naïve Bayes (0.9143) alikuwa mwanafunzi aliyefanya vizuri zaidi katika matoleo/viwango vyote vya MoCA. Hata hivyo, katika mbinu zote za kuorodhesha vipengele kwa pamoja, wanafunzi wote waliofanya vizuri walifanya vivyo hivyo. Majaribio ya kiwango cha saini cha Bayesian yalionyesha uwezekano wa 100% wa usawa wa vitendo kati ya kila jozi ya wanafunzi waliochujwa. Kama ilivyo kwa data ambayo haijachujwa (kwa kutumia huduma zote 10 za kawaida), kulikuwa na faida tena ya utendaji kwa toleo lisilorekebishwa la alama ya MoCA (Pr (isiyorekebishwa > iliyorekebishwa) = 1.000), na vile vile faida tofauti kwa kiwango cha uainishaji cha 26 (Pr (26> 23) = 1.000). Hasa, wastani wa ufaulu wa kila mmoja wa wanafunzi watatu bora katika matoleo/viwango vyote vya alama za MoCA kwa kutumia vipengele vinne vya daraja la juu pekee ulizidi wastani wa ufaulu wa mwanafunzi yeyote kwenye data ambayo haijachujwa. Haishangazi, utendakazi wa uainishaji wa miundo iliyochujwa (kwa kutumia vipengele vinne vya daraja la juu) kwa ujumla ulikuwa bora (0.9119) kuliko miundo ambayo haijachujwa (0.8999), bila kujali miundo ya mbinu ya kuorodhesha vipengele ambayo ililinganishwa na miundo hiyo husika kwa kutumia zote 10 za kawaida. vipengele. Kwa kila mbinu ya uteuzi wa vipengele, kulikuwa na uwezekano wa 100% wa faida ya utendaji dhidi ya miundo ambayo haijachujwa.
Kwa wagonjwa wanaozingatiwa kwa uainishaji wa ukali wa utambuzi wa AD, tofauti kati ya kikundi (MCI-AD dhidi ya AD) kwa umri (p = 0.004), elimu (p = 0.028), alama za MoCA zimerekebishwa/hazijarekebishwa (p = 0.000), na MTx-% C (p = 0.008) zilikuwa muhimu kitakwimu; ambapo kwa MTx-RT haikuwa (p = 0.097). Pamoja na wagonjwa hao wanaozingatiwa kwa uainishaji wa ukali wa utambuzi wa VaD, tofauti kati ya kikundi (MCI-VaD dhidi ya VaD) kwa alama ya MoCA iliyorekebishwa / isiyorekebishwa (p = 0.007) na MTx-% C (p = 0.026) na MTx-RT (p = 0.001) zilikuwa muhimu kitakwimu; wakati kwa umri (p = 0.511) na elimu (p = 0.157) hapakuwa na tofauti kubwa kati ya vikundi.
Matokeo ya ubashiri ya utendakazi wa uainishaji wa ukali wa uchunguzi kwa kutumia wanafunzi watatu waliochaguliwa hapo awali, Regression Logistic, Naïve Bayes, na Support Vector Machine, yameonyeshwa katika Jedwali la 5. Ingawa wanafunzi wa ziada waliochunguzwa walionyesha utendakazi wenye nguvu zaidi mmoja mmoja na mojawapo ya kategoria mbili za uchunguzi wa kimatibabu. , wanafunzi watatu tuliokuwa tumewatambua kuwa waliofaa zaidi katika uundaji wetu wa awali walitoa utendaji thabiti zaidi na mifumo mipya ya uundaji. Ikilinganisha wanafunzi katika kila kategoria za utambuzi wa kimsingi (AD na VaD), hakukuwa na tofauti thabiti ya uainishaji wa utendakazi kati ya wanafunzi wa MCI-VaD dhidi ya VaD, ingawa Mashine ya Kusaidia Vekta kwa ujumla ilifanya kazi kwa ufasaha zaidi. Vile vile, hakukuwa na tofauti kubwa kati ya wanafunzi wa uainishaji wa MCI-AD dhidi ya AD, ingawa Naïve Bayes (NB) ilikuwa na faida kidogo ya utendaji dhidi ya Urekebishaji wa Urekebishaji (LR) na wingi mdogo tu juu ya Mashine ya Kusaidia Vekta, yenye uwezekano wa 61.4%. na 41.7% mtawalia. Katika hifadhidata zote mbili, kulikuwa na faida ya jumla ya utendaji kwa Mashine ya Vekta ya Usaidizi (SVM), yenye Pr (SVM > LR) = 0.819 na Pr (SVM > NB) = 0.934. Utendaji wetu wa jumla wa uainishaji kati ya wanafunzi wote katika kutabiri uzito wa uchunguzi katika hifadhidata ndogo ya XL ulikuwa bora zaidi katika kitengo cha utambuzi wa VaD dhidi ya AD ( ADPr (VAD > AD) = 0.998).
Jedwali 5
Utendakazi wa uainishaji wa ukali wa utambuzi wa kimatibabu (AUC; 0.0–1.0) matokeo kwa kila mmoja wa wanafunzi watatu waliofanya vizuri zaidi kwa mifumo yote miwili ya kielelezo.
| Mpango wa Kuiga | Udhibiti wa vifaa | Naïve Bayes | Msaada wa mashine ya Vector |
| MCI-AD dhidi ya AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD dhidi ya VaD | 0.8033 | 0.8044 | 0.8338 |
Utendaji wa juu zaidi kwa kila mpango wa uundaji unaonyeshwa katika ujasiri (sio lazima kuwa tofauti kitakwimu kuliko wengine ambao hawajaingia ujasiri).
FUNGA
Ugunduzi wa mapema wa mabadiliko katika afya ya utambuzi ni muhimu matumizi ya vitendo katika usimamizi wa afya ya kibinafsi na afya ya umma sawa. Hakika, pia ni kipaumbele cha juu sana katika mazingira ya kliniki kwa wagonjwa duniani kote. Lengo la pamoja ni kuwatahadharisha wagonjwa, walezi, na watoa huduma na kuharakisha matibabu ya mapema yafaayo na ya gharama nafuu na utunzaji wa muda mrefu kwa wale wanaoanza kupata upungufu wa utambuzi. Kwa kuunganisha vifaa vyetu vitatu vya data vya hospitali/zahanati, tulitambua wanafunzi watatu wanaofaa zaidi (pamoja na umahiri mmoja -Naïve Bayes) ili kuunda miundo ya ubashiri kwa kutumia Vipimo vya utendaji vya MemTrax ambavyo vinaweza kuainisha kwa uaminifu hali ya afya ya utambuzi dichotomously (afya ya kawaida ya utambuzi au MCI) kama inavyoonyeshwa na alama ya jumla ya MoCA. Hakika, utendaji wa jumla wa uainishaji wa wanafunzi wote watatu uliboreka wakati miundo yetu ilipotumia vipengele vinne vya daraja la juu pekee ambavyo vilijumuisha vipimo hivi vya utendakazi vya MemTrax. Zaidi ya hayo, tulifichua uwezekano uliothibitishwa wa kutumia wanafunzi sawa na vipimo vya utendaji vya MemTrax katika mpango wa uainishaji wa usaidizi wa uchunguzi ili kutofautisha ukali wa aina mbili za uchunguzi wa shida ya akili: AD na VaD.
Mtihani wa kumbukumbu ni kitovu cha utambuzi wa mapema wa AD [23, 24]. Kwa hivyo, ni vyema kuwa MemTrax inakubalika, inavutia, na ni rahisi kutekeleza mtandaoni. mtihani wa uchunguzi kwa kumbukumbu ya matukio katika idadi ya watu kwa ujumla [6]. Usahihi wa utambuzi na nyakati za majibu kutoka kwa kazi hii inayoendelea ya utendakazi zinafichua hasa katika kutambua kuzorota kwa mapema na kuibuka na upungufu unaofuata katika michakato ya nyuroplastiki inayohusiana na kujifunza, kumbukumbu na utambuzi. Hiyo ni, mifano hapa ambayo inategemea sana vipimo vya utendakazi wa MemTrax ni nyeti kwa na ina uwezekano mkubwa wa kufichua kwa urahisi na kwa gharama ndogo upungufu wa kibaolojia wa ugonjwa wa neva wakati wa hatua ya mpito ya dalili kabla ya hasara kubwa zaidi ya utendakazi [25]. Ashford na wengine. ilichunguza kwa karibu mifumo na tabia za usahihi wa kumbukumbu ya utambuzi na wakati wa majibu katika watumiaji wa mtandaoni ambao walishiriki wao wenyewe na MemTrax [6]. Kwa kuzingatia kwamba ugawaji huu ni muhimu katika uundaji bora wa kielelezo na kuendeleza maombi halali na madhubuti ya utunzaji wa wagonjwa, kufafanua utambuzi unaotumika kimatibabu na wasifu wa wakati wa majibu ni muhimu katika kuanzisha marejeleo ya msingi muhimu kwa matumizi ya kliniki na utafiti. Thamani ya kiutendaji ya MemTrax katika uchunguzi wa AD kwa kasoro za utambuzi wa hatua ya awali na usaidizi wa utambuzi tofauti unahitaji kuchunguzwa kwa karibu zaidi katika muktadha wa hali ya kimatibabu ambapo magonjwa yanayoambatana na utambuzi, hisia, na uwezo wa mwendo unaoathiri utendaji wa jaribio unaweza kuzingatiwa. Na ili kufahamisha mtazamo wa kitaalamu na kuhimiza manufaa ya kimatibabu ya vitendo, ni muhimu kwanza kuonyesha ulinganisho na tathmini iliyoanzishwa ya tathmini ya afya ya utambuzi, ingawa mtihani huo unaweza kutambulika kuwa umebanwa na vifaa vigumu vya upimaji, elimu na vizuizi vya lugha, na athari za kitamaduni [26] . Kuhusiana na hili, ulinganisho unaofaa wa MemTrax katika ufanisi wa kimatibabu kwa MoCA ambao kwa kawaida hudaiwa kuwa kiwango cha sekta ni muhimu, hasa wakati wa kupima urahisi zaidi wa matumizi na kukubalika kwa mgonjwa kwa MemTrax.
Ugunduzi wa awali unaolinganisha MemTrax na MoCA unaangazia ushahidi wa kimantiki na wa awali unaothibitisha uchunguzi wetu wa uundaji mfano [8]. Hata hivyo, ulinganisho huu wa awali ulihusisha tu vipimo viwili muhimu vya utendakazi vya MemTrax ambavyo tulichunguza na hali ya utambuzi kama ilivyobainishwa na MoCA na kubainisha masafa husika na thamani za kukatika. Tulikuza tathmini ya manufaa ya kimatibabu ya MemTrax kwa kuchunguza mbinu ya ubashiri inayotegemea uigaji ambayo inaweza kutoa uzingatiaji wa kibinafsi zaidi wa vigezo vingine vinavyoweza kuwa muhimu vya mgonjwa. Tofauti na wengine, hatukupata faida katika utendakazi wa kielelezo kwa kutumia masahihisho ya elimu (marekebisho) kwa alama ya MoCA au katika kutofautisha afya ya utambuzi inayobagua kiwango cha jumla cha alama za MoCA kutoka 26 hadi 23 zilizopendekezwa awali [12, 15]. Kwa kweli, faida ya utendakazi wa uainishaji inayopendekezwa kwa kutumia alama ya MoCA ambayo haijarekebishwa na kiwango cha juu zaidi.
Mambo muhimu katika mazoezi ya kliniki
Kujifunza kwa mashine mara nyingi hutumiwa vyema na kufaa zaidi katika uundaji wa ubashiri wakati data ni pana na ya pande nyingi, yaani, wakati kuna uchunguzi mwingi na safu pana ya sifa za thamani ya juu (zinazochangia). Hata hivyo, kwa data hizi za sasa, miundo iliyochujwa yenye vipengele vinne tu vilivyochaguliwa ilifanya vyema zaidi kuliko zile zinazotumia vipengele vyote 10 vya kawaida. Hii inaonyesha kuwa mkusanyiko wetu wa data wa hospitali haukuwa na vipengele vinavyofaa zaidi (thamani ya juu) ili kuainisha wagonjwa kwa njia hii. Hata hivyo, kipengele cha msisitizo wa vipimo muhimu vya utendakazi wa MemTrax—MTx-% C na MTx-RT—husaidia sana kujenga miundo ya hatua ya awali ya uchunguzi wa nakisi ya utambuzi kuzunguka jaribio hili ambayo ni rahisi, rahisi kusimamia, ya gharama nafuu, na inayofichua ipasavyo kuhusu. utendakazi wa kumbukumbu, angalau sasa hivi kama skrini ya awali ya uainishaji wa hali ya afya ya utambuzi. Kwa kuzingatia matatizo yanayoongezeka kila mara kwa watoa huduma na mifumo ya afya, michakato ya uchunguzi wa mgonjwa na maombi ya kimatibabu yanapaswa kuendelezwa ipasavyo kwa kutilia mkazo katika kukusanya, kufuatilia, na kuiga sifa hizo za mgonjwa na vipimo vya mtihani ambavyo ni muhimu zaidi, manufaa, na kuthibitishwa kuwa na ufanisi katika uchunguzi. na msaada wa usimamizi wa mgonjwa.
Huku vipimo viwili muhimu vya MemTrax vikiwa msingi wa uainishaji wa MCI, mwanafunzi wetu aliyefanya vizuri zaidi (Naïve Bayes) alikuwa na ufaulu wa juu sana wa ubashiri katika miundo mingi (AUC zaidi ya 0.90) ukiwa na uwiano kati ya chanya na chanya cha uwongo ukikaribia au kuzidi 4 kwa kiasi fulani. : 1. Programu ya kimatibabu ya kutafsiri inayomtumia mwanafunzi huyu kwa hivyo inaweza kunasa (kuainisha kwa usahihi) kwa mbali wengi wa wale walio na upungufu wa utambuzi, huku wakipunguza gharama inayohusishwa na kuainisha kimakosa mtu aliye na afya ya kawaida ya utambuzi kuwa na upungufu wa utambuzi (chanya ya uwongo) au kukosa uainishaji huo kwa wale ambao wana nakisi ya utambuzi (hasi ya uwongo). Mojawapo ya hali hizi za uainishaji mbaya zinaweza kuweka mzigo usiofaa wa kisaikolojia-kijamii kwa mgonjwa na walezi.
Ilhali katika uchanganuzi wa awali na kamili tulitumia wanafunzi wote kumi katika kila mpango wa uigaji, tulilenga matokeo yetu kwenye viainishi vitatu vinavyoonyesha utendaji thabiti thabiti. Hii pia ilikuwa ya kuangazia, kulingana na data hizi, wanafunzi ambao wangetarajia kufanya kwa kutegemewa katika kiwango cha juu katika matumizi ya kimatibabu ya kimatibabu katika kubainisha uainishaji wa hali ya utambuzi. Zaidi ya hayo, kwa sababu utafiti huu ulikusudiwa kuwa uchunguzi wa utangulizi kuhusu manufaa ya kujifunza kwa mashine kwenye uchunguzi wa utambuzi na changamoto hizi za kimatibabu kwa wakati unaofaa, tulifanya uamuzi wa kuweka mbinu za kujifunza kuwa rahisi na za jumla, tukiwa na urekebishaji wa vigezo kidogo. Tunashukuru kwamba mbinu hii inaweza kuwa imepunguza uwezekano wa uwezo wa kubashiri uliobainishwa kwa ufupi zaidi wa mgonjwa. Vile vile, ingawa mafunzo ya miundo kwa kutumia vipengele vya juu pekee (mbinu iliyochujwa) hutufahamisha zaidi kuhusu data hizi (maalum kwa mapungufu katika data iliyokusanywa na kuangazia thamani ya kuboresha wakati na rasilimali za kliniki), tunatambua kuwa ni mapema kupunguza uzito. upeo wa miundo na, kwa hivyo, zote (na vipengele vingine) vinafaa kuzingatiwa na utafiti wa siku zijazo hadi tuwe na maelezo mahususi zaidi ya vipengele vya kipaumbele ambavyo vitatumika kwa idadi kubwa ya watu. Kwa hivyo, pia tunatambua kikamilifu kwamba data iliyojumuisha zaidi na inayowakilisha kwa mapana zaidi na uboreshaji wa miundo hii na nyinginezo itakuwa muhimu kabla ya kuziunganisha katika matumizi bora ya kimatibabu, hasa ili kushughulikia magonjwa yanayoathiri utendaji wa utambuzi ambayo yangehitaji kuzingatiwa katika tathmini zaidi ya kimatibabu.
Umuhimu wa MemTrax uliimarishwa zaidi na muundo wa ukali wa ugonjwa kulingana na utambuzi tofauti wa kimatibabu. Utendaji bora wa jumla wa uainishaji katika kutabiri ukali wa VaD (ikilinganishwa na AD) haukuwa inashangaza kwa kuzingatia sifa za wasifu wa mgonjwa katika mifano maalum kwa afya ya mishipa na hatari ya kiharusi, yaani, shinikizo la damu, hyperlipidemia, kisukari, na (bila shaka) historia ya kiharusi. Ingawa ingefaa zaidi na kufaa kuwa na tathmini sawa ya kimatibabu kufanywa kwa wagonjwa wanaolingana na afya ya kawaida ya utambuzi kuwafunza wanafunzi kwa data hizi zilizojumuishwa zaidi. Hii inathibitishwa haswa, kwani MemTrax inakusudiwa kutumiwa kimsingi kwa utambuzi wa mapema wa nakisi ya utambuzi na ufuatiliaji wa mabadiliko ya mtu binafsi. Inawezekana pia kwamba usambazaji unaohitajika zaidi wa data katika mkusanyiko wa data wa VaD ulichangia kwa kiasi fulani utendakazi bora zaidi wa kielelezo. Seti ya data ya VaD ilisawazishwa vyema kati ya madarasa hayo mawili, ambapo data ya AD yenye wagonjwa wachache wa MCI haikuwa hivyo. Hasa katika hifadhidata ndogo, hata matukio machache ya ziada yanaweza kuleta tofauti inayoweza kupimika. Mitazamo yote miwili ni hoja zinazofaa zinazotokana na tofauti za utendakazi wa kielelezo cha ukali wa ugonjwa. Hata hivyo, kuhusisha kwa uwiano utendakazi ulioboreshwa na sifa za nambari za seti ya data au vipengele asilia mahususi kwa wasilisho la kimatibabu linalozingatiwa ni mapema. Walakini, riwaya hii ilionyesha matumizi ya mfano wa uainishaji wa utabiri wa MemTrax katika jukumu la usaidizi wa uchunguzi wa kimatibabu hutoa mtazamo muhimu na inathibitisha ufuatiliaji wa uchunguzi wa ziada na wagonjwa katika mwendelezo wa MCI.
Utekelezaji na udhihirisho wa matumizi ya MemTrax na miundo hii nchini Uchina, ambapo lugha na utamaduni ni tofauti sana na maeneo mengine ya matumizi yaliyoanzishwa (km, Ufaransa, Uholanzi, na Marekani) [7, 8, 27], inasisitiza zaidi uwezo huo. kwa kukubalika kote ulimwenguni na thamani ya kimatibabu ya jukwaa la msingi la MemTrax. Huu ni mfano unaoonekana katika kujitahidi kuelekea upatanishi wa data na kuendeleza kanuni za kimataifa za vitendo na rasilimali za uigaji kwa uchunguzi wa utambuzi ambazo zimesanifiwa na kubadilishwa kwa urahisi kwa matumizi duniani kote.
Hatua zinazofuata katika uigaji na utumiaji wa utambuzi wa kupungua
Upungufu wa utambuzi katika Alzeima hutokea kwa mfululizo, si katika hatua au hatua mahususi [28, 29]. Hata hivyo, katika awamu hii ya awali, lengo letu lilikuwa kwanza kuanzisha uwezo wetu wa kujenga kielelezo kinachojumuisha MemTrax ambacho kinaweza kimsingi kutofautisha "kawaida" na "sio kawaida". Data ya kimajaribio inayojumuisha zaidi (km, taswira ya ubongo, sifa za kijenetiki, alama za viumbe, magonjwa yanayoambatana na viambishi tendaji vya changamano. shughuli zinazohitaji utambuzi udhibiti) [30] katika maeneo mbalimbali ya kimataifa, idadi ya watu, na vikundi vya umri ili kutoa mafunzo na kuendeleza kisasa zaidi (ikiwa ni pamoja na mkusanyiko unaostahili) mifano ya kujifunza mashine itasaidia kiwango kikubwa cha uainishaji ulioimarishwa, yaani, uwezo wa kuainisha makundi ya wagonjwa wenye MCI ndani ya viseti vidogo vidogo na bainifu zaidi pamoja na mwendelezo wa kupungua kwa utambuzi. Zaidi ya hayo, uchunguzi wa kimatibabu unaofanana kwa watu binafsi katika makundi mbalimbali ya wagonjwa wa kikanda ni muhimu mafunzo kwa ufanisi mifano hii iliyojumuisha zaidi na thabiti inayotabirika. Hii itawezesha usimamizi mahususi zaidi wa kesi zilizotabaka kwa wale walio na asili sawa, mvuto, na wasifu wa utambuzi uliobainishwa kwa ufupi na hivyo kuboresha usaidizi wa uamuzi wa kimatibabu na utunzaji wa wagonjwa.
Mengi ya utafiti wa kimatibabu unaohusika hadi sasa umeshughulikia wagonjwa walio na shida ya akili kidogo; na, katika mazoezi, mara nyingi uingiliaji wa mgonjwa unajaribiwa tu katika hatua za juu. Hata hivyo, kwa sababu kupungua kwa utambuzi huanza kabla ya vigezo vya kiafya vya ugonjwa wa shida ya akili kufikiwa, skrini ya mapema inayotumika kwa msingi wa MemTrax inaweza kuhimiza elimu ifaayo ya watu kuhusu ugonjwa huo na maendeleo yake na kuharakisha uingiliaji wa mapema na kwa wakati unaofaa. Kwa hivyo, ugunduzi wa mapema unaweza kusaidia ushiriki unaofaa kutoka kwa mazoezi, lishe, msaada wa kihemko, na uboreshaji wa kijamii hadi uingiliaji wa dawa na kuimarisha mabadiliko yanayohusiana na mgonjwa katika tabia na mtazamo kwamba peke yake au kwa jumla inaweza kupunguza au uwezekano wa kusimamisha maendeleo ya shida ya akili [31, 32] . Aidha, kwa ufanisi uchunguzi wa mapema, watu binafsi na familia zao wanaweza kushawishiwa kuzingatia majaribio ya kimatibabu au kupata ushauri nasaha na usaidizi mwingine wa huduma za kijamii ili kusaidia kufafanua matarajio na nia na kudhibiti kazi za kila siku. Uthibitishaji zaidi na matumizi makubwa ya vitendo kwa njia hizi yanaweza kuwa muhimu katika kupunguza au kusimamisha kuendelea kwa MCI, AD, na ADRD kwa watu wengi.
Hakika, mwisho wa chini wa aina ya umri wa mgonjwa katika utafiti wetu hauwakilishi idadi ya watu wa wasiwasi wa jadi na AD. Hata hivyo, wastani wa umri kwa kila kikundi unaotumika katika miundo ya uainishaji wa uainishaji kulingana na alama/kilele cha MoCA na uzito wa utambuzi (Jedwali la 3) inasisitiza kwamba wengi wao (zaidi ya 80%) wana angalau umri wa miaka 50. Usambazaji huu kwa hivyo unafaa sana kwa ujanibishaji, kusaidia matumizi ya mifano hii katika idadi ya watu inayoangazia wale walioathiriwa kwa kawaida mwanzo wa mapema na ugonjwa wa neurocognitive unaokua kutokana na AD na VaD. Pia, ushahidi wa hivi majuzi na mtazamo unasisitiza mambo yanayotambulika (kwa mfano, shinikizo la damu, unene uliopitiliza, kisukari, na uvutaji sigara) ambayo yanaweza kuchangia kuongezeka mapema. alama za hatari ya mishipa ya watu wazima na ya kati na matokeo yake ni majeraha ya hila ya mishipa ya ubongo ambayo hukua kwa siri na athari dhahiri hata kwa vijana. watu wazima [33-35]. Ipasavyo, fursa bora zaidi ya uchunguzi wa awali ya kugundua mapema hatua ya upungufu wa utambuzi na kuanzisha mikakati madhubuti ya kuzuia na kuingilia kati katika kushughulikia kwa mafanikio shida ya akili itatokana na kuchunguza vipengele vinavyochangia na viashirio vilivyotangulia katika wigo wa umri, ikiwa ni pamoja na utu uzima wa mapema na uwezekano wa utotoni (kubainisha umuhimu wa vipengele vya kijeni kama vile apolipoprotein E kutoka kwa ujauzito wa mapema).
Kiutendaji, uchunguzi halali wa kimatibabu na taratibu za gharama kubwa za kupiga picha za hali ya juu, uwekaji maelezo mafupi ya kinasaba, na kupima vialama vya kuahidi vya viumbe haipatikani kwa urahisi au hata kuwezekana kwa watoa huduma wengi. Kwa hivyo, katika hali nyingi, uainishaji wa awali wa hali ya afya ya utambuzi unaweza kuhitajika kutoka kwa mifano kwa kutumia vipimo vingine rahisi vinavyotolewa na mgonjwa (kwa mfano, kujiripoti mwenyewe). matatizo ya kumbukumbu, dawa za sasa, na vikwazo vya shughuli za kawaida) na vipengele vya kawaida vya idadi ya watu [7]. Rejesta kama vile Chuo Kikuu cha California ubongo Afya Sajili (https://www.brainhealthregistry.org/) [27] na wengine walio na upana mkubwa zaidi wa asili wa dalili za kujiripoti, hatua za ubora (km, usingizi na utambuzi wa kila siku), dawa, hali ya afya, na historia, na demografia ya kina zaidi itakuwa muhimu katika kukuza na kuhalalisha matumizi ya vitendo ya miundo hii ya zamani zaidi katika kliniki. Zaidi ya hayo, jaribio kama vile MemTrax, ambalo limeonyesha manufaa katika kutathmini utendakazi wa kumbukumbu, kwa kweli linaweza kutoa makadirio bora zaidi ya ugonjwa wa AD kuliko vialamisho vya kibiolojia. Ikizingatiwa kuwa sifa kuu ya ugonjwa wa AD ni usumbufu wa neuroplasticity na upotezaji mkubwa sana wa sinepsi, ambayo inadhihirika kama episodic. uharibifu wa kumbukumbu, kipimo ambacho hutathmini kumbukumbu ya matukio inaweza kweli kutoa makadirio bora ya mzigo wa kiafya wa AD kuliko alama za kibiolojia katika mgonjwa aliye hai [36].
Pamoja na mifano yote ya ubashiri—ikiwa imekamilishwa na data changamano na jumuishi kutoka kwa teknolojia ya hali ya juu na maarifa ya kimatibabu iliyoboreshwa katika vikoa vingi au yale yaliyopunguzwa kwa maelezo ya kimsingi na yanayopatikana kwa urahisi zaidi ya wasifu wa mgonjwa uliopo—faida inayotambulika ya akili bandia. na kujifunza kwa mashine ni kwamba miundo inayotokana inaweza kuunganisha na "kujifunza" kwa kufata kutokana na data na mtazamo mpya unaofaa unaotolewa na matumizi yanayoendelea ya programu. Kufuatia uhamishaji wa teknolojia ya vitendo, jinsi miundo hapa (na ya kuendelezwa) inavyotumika na kurutubishwa na kesi zaidi na data muhimu (ikiwa ni pamoja na wagonjwa walio na magonjwa ambayo yanaweza kujitokeza kwa kupungua kwa utambuzi), utendaji wa ubashiri na uainishaji wa afya ya utambuzi itakuwa thabiti zaidi, kusababisha matumizi bora zaidi ya usaidizi wa uamuzi wa kimatibabu. Mageuzi haya yatafikiwa kikamilifu na kivitendo kwa kupachika MemTrax kwenye majukwaa maalum (yanayolenga uwezo unaopatikana) ambayo watoa huduma za afya wanaweza kutumia katika muda halisi katika kliniki.
Muhimu kwa uthibitishaji na matumizi ya modeli ya MemTrax kwa usaidizi wa uchunguzi na utunzaji wa mgonjwa ni data inayotafutwa sana ya muda mrefu. Kwa kutazama na kurekodi mabadiliko yanayoambatana (ikiwa yapo) katika hali ya kliniki katika anuwai ya kawaida ya kawaida kupitia MCI ya hatua ya mapema, miundo ya tathmini na uainishaji unaoendelea inaweza kufunzwa na kurekebishwa kadiri wagonjwa wanavyozeeka na kutibiwa. Hiyo ni, matumizi ya mara kwa mara yanaweza kusaidia kwa ufuatiliaji wa longitudinal wa mabadiliko madogo ya utambuzi, ufanisi wa kuingilia kati, na kudumisha utunzaji wa kitabaka. Mbinu hii inalingana kwa karibu zaidi na mazoezi ya kliniki na usimamizi wa mgonjwa na kesi.
Mapungufu
Tunathamini changamoto na thamani ya kukusanya data safi ya kliniki katika kliniki/mazingira ya hospitali inayodhibitiwa. Walakini, ingeimarisha uundaji wetu ikiwa hifadhidata zetu zilijumuisha wagonjwa zaidi walio na sifa za kawaida. Zaidi ya hayo, mahususi kwa muundo wetu wa uchunguzi, ingefaa zaidi na inafaa kuwa na tathmini sawa ya kimatibabu inayofanywa kwa wagonjwa wanaolingana na afya ya kawaida ya utambuzi ili kuwafunza wanafunzi. Na kama inavyosisitizwa na utendakazi wa juu wa uainishaji kwa kutumia mkusanyiko wa data uliochujwa (vipengele vinne pekee vilivyoorodheshwa), jumla zaidi na hatua za kiafya/viashiria vya kiafya huenda vingeimarika utendakazi wa kuigwa na idadi kubwa ya vipengele vya kawaida kwa wagonjwa wote.
Baadhi ya washiriki wanaweza kuwa wanaugua magonjwa kwa wakati mmoja ambayo yangeweza kusababisha upungufu wa muda mfupi au sugu wa utambuzi. Kando na hifadhidata ndogo ya XL ambapo wagonjwa waliainishwa kuwa wana AD au VaD, data ya magonjwa yanayosababishwa na magonjwa haikukusanywa/kuripotiwa katika kundi la wagonjwa wa YH, na ugonjwa ulioripotiwa kuu katika hifadhidata ndogo ya KM ulikuwa kisukari. Hata hivyo, inaweza kubishaniwa kwamba kujumuisha wagonjwa katika miradi yetu ya uundaji modeli na magonjwa yanayoambatana na ambayo yanaweza kuchochea au kuzidisha kiwango cha upungufu wa utambuzi na matokeo yake ya chini ya utendaji wa MemTrax itakuwa mwakilishi zaidi wa idadi ya wagonjwa inayolengwa ulimwenguni kwa uchunguzi huu wa utambuzi wa mapema zaidi. na mbinu ya modeli. Kusonga mbele, utambuzi sahihi wa magonjwa yanayoweza kuathiri utendakazi wa utambuzi ni wa manufaa mapana kwa ajili ya kuboresha miundo na matokeo ya maombi ya utunzaji wa wagonjwa.
Mwishowe, wagonjwa wa seti ndogo ya YH na KM walitumia simu mahiri kufanya jaribio la MemTrax, ilhali idadi ndogo ya wagonjwa wa seti ndogo ya XL walitumia iPad na wengine walitumia simu mahiri. Hii inaweza kuwa imeleta tofauti ndogo inayohusiana na kifaa katika utendaji wa MemTrax kwa muundo wa uainishaji wa MoCA. Hata hivyo, tofauti (kama zipo) katika MTx-RT, kwa mfano, kati ya vifaa huenda zisiwe na maana, hasa kwa kila mshiriki kupewa jaribio la "mazoezi" kabla tu ya utendakazi uliorekodiwa. Hata hivyo, matumizi ya vifaa hivi viwili vinavyoshikiliwa kwa mkono vinaweza kutatiza ulinganisho wa moja kwa moja na/au kuunganishwa na matokeo mengine ya MemTrax ambapo watumiaji walijibu kurudia picha kwa kugusa upau wa nafasi kwenye kibodi ya kompyuta.
Hoja muhimu kwenye matumizi ya utabiri ya MemTrax
- • Miundo yetu ya ubashiri inayofanya kazi vizuri zaidi inayojumuisha vipimo vya utendakazi vilivyochaguliwa vya MemTrax inaweza kuainisha kwa uaminifu hali ya afya ya utambuzi (afya ya kawaida ya utambuzi au MCI) kama inavyoonyeshwa na jaribio la MoCA linalotambuliwa na wengi.
- • Matokeo haya yanaauni ujumuishaji wa vipimo vya utendakazi vilivyochaguliwa vya MemTrax katika programu ya uchunguzi wa kielelezo cha uainishaji kwa uharibifu wa hatua ya awali wa utambuzi.
- • Muundo wetu wa uainishaji pia ulifichua uwezekano wa kutumia utendaji wa MemTrax katika programu za kutofautisha ukali wa utambuzi wa shida ya akili.
Matokeo haya ya riwaya yanathibitisha ushahidi dhabiti unaounga mkono manufaa ya ujifunzaji wa mashine katika kujenga miundo thabiti ya uainishaji inayotegemea MemTrax kwa usaidizi wa uchunguzi katika usimamizi madhubuti wa kesi za kimatibabu na utunzaji wa wagonjwa kwa watu walio na matatizo ya utambuzi.
SHUKURANI
Tunatambua kazi ya J. Wesson Ashford, Curtis B. Ashford, na wafanyakazi wenzetu kwa kutengeneza na kuthibitisha kazi na zana inayoendelea ya utambuzi mtandaoni (MemTrax) inayotumiwa hapa na tunawashukuru wagonjwa wengi wenye shida ya akili ambao walichangia katika utafiti muhimu wa kimsingi. . Pia tunamshukuru Xianbo Zhou na wafanyakazi wenzake wa SJN Biomed LTD, wafanyakazi wenzake na washiriki wake katika maeneo ya hospitali/zahanati, hasa Dkt. M. Luo na M. Zhong, ambao walisaidia kuajiri washiriki, kuratibu majaribio, na kukusanya, kurekodi, na usimamizi wa mwisho wa data, na washiriki wa kujitolea ambao walitoa wakati wao muhimu na kujitolea kufanya majaribio na kutoa. data iliyothaminiwa ili tuitathmini katika utafiti huu. Hii Utafiti uliungwa mkono kwa sehemu na Utafiti wa Kisayansi wa MD Mpango wa Chuo Kikuu cha Matibabu cha Kunming (Ruzuku namba 2017BS028 hadi XL) na Mpango wa Utafiti wa Idara ya Sayansi na Teknolojia ya Yunnan (Ruzuku ya 2019FE001 (-222) hadi XL).
J. Wesson Ashford amewasilisha ombi la hataza kwa matumizi ya dhana mahususi ya utambuzi endelevu iliyofafanuliwa katika karatasi hii kwa ujumla. mtihani wa kumbukumbu.
MemTrax, LLC ni kampuni inayomilikiwa na Curtis Ashford, na kampuni hii inasimamia mtihani wa kumbukumbu mfumo ulioelezewa katika nakala hii.
Ufumbuzi wa waandishi unapatikana mtandaoni (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
MAREJELEO
| [1] Alzheimer's Association (2016) 2016 Ukweli wa ugonjwa wa Alzeima na takwimu. Ugonjwa wa Alzheimers 12, 459-509. | |
| [2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) Athari ya hatua ya awali Ugonjwa wa Alzheimer juu ya matokeo ya kifedha ya kaya. Health Econ 29, 18–29. | |
| [3] | Foster NL , Bondi MW , Das R , Foss M , Hershey LA , Koh S , Logan R , Poole C , Shega JW , Sood A , Thothala N , Wicklund M , Yu M , Bennett A , Wang D (2019) Uboreshaji wa ubora katika neurology: Seti ya kipimo cha ubora wa uharibifu wa utambuzi kidogo. Neurology 93, 705-713. |
| [4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) Ufanisi wa gharama ya kutumia vipimo vya uchunguzi wa utambuzi wa kugundua shida ya akili na uharibifu mdogo wa utambuzi katika utunzaji wa msingi.. Int J Geriatr Psychiatry 32, 1392–1400. | |
| [5] Ashford JW , Gere E , Bayley PJ (2011) Kupima kumbukumbu katika mipangilio ya kikundi kikubwa kwa kutumia jaribio endelevu la utambuzi. J Alzheimers Dis 27, 885–895. | |
| [6] | Ashford JW , Tarpin-Bernard F , Ashford CB , Ashford MT (2019) Kazi ya kompyuta yenye kuendelea ya utambuzi wa kipimo cha kumbukumbu ya matukio. J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) Utendaji wa kumbukumbu ya matukio katika uundaji wa ujifunzaji wa mashine kwa ajili ya kutabiri uainishaji wa hali ya utambuzi wa afya. J Alzheimers Dis 70, 277–286. |
| [8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The Mtihani wa MemTrax ikilinganishwa na makadirio ya tathmini ya utambuzi wa montali ya uharibifu mdogo wa utambuzi. J Alzheimers Dis 67, 1045–1054. | |
| [9] | Falcone M , Yadav N , Poellabauer C , Flynn P (2013) Kwa kutumia sauti za vokali zilizotengwa kwa ajili ya uainishaji wa jeraha kidogo la kiwewe la ubongo. Katika Mkutano wa Kimataifa wa IEEE wa 2013 kuhusu Acoustic, Hotuba na Usindikaji wa Ishara, Vancouver, BC, uk. 7577–7581. |
| [10] | Dabek F , Caban JJ (2015) Kutumia data kubwa ili kuiga uwezekano wa kuendeleza hali ya kisaikolojia baada ya mtikiso. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) Mti wa uamuzi wa utambuzi wa mapema wa uharibifu wa utambuzi na wafamasia wa jamii. Pharmacol ya mbele 9, 1232. |
| [12] | Nasreddine ZS , Phillips NA , Bedirian V , Charbonneau S , Whitehead V , Collin I , Cummings JL , Chertkow H (2005) Tathmini ya Utambuzi ya Montreal, MoCA: Chombo kifupi cha uchunguzi wa uharibifu mdogo wa utambuzi. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J , Li J , Huang X (2012) Toleo la Beijing la tathmini ya utambuzi wa montali kama zana fupi ya uchunguzi wa ulemavu mdogo wa utambuzi: Utafiti unaozingatia jamii. 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) Uthibitishaji wa toleo la Kichina la tathmini ya utambuzi wa Montreal msingi kwa ajili ya kuchunguza uharibifu mdogo wa utambuzi. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N , Leach L , Murphy KJ (2018) Uchunguzi upya wa alama za mwisho za Tathmini ya Utambuzi ya Montreal (MoCA). Int J Geriatr Psychiatry 33, 379–388. |
| [16] | Chama cha Wanasaikolojia cha Marekani (2013) Mwongozo wa Kikosi Kazi cha Uchunguzi na takwimu wa matatizo ya akili: DSM-5™, Uchapishaji wa Kiakili wa Marekani, Inc., Washington, DC. |
| [17] | Chatu. Python Software Foundation, http://www.python.org, Ilifikiwa tarehe 15 Novemba 2019. |
| [18] | Kikundi cha R Core, R: Lugha na mazingira ya kompyuta ya takwimu R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/, 2018, Ilitumika tarehe 15 Novemba 2019. |
| [19] | Benavoli A , Corani G , Demšar J , Zaffalon M (2017) Wakati wa mabadiliko: Mafunzo ya kulinganisha waainishaji wengi kupitia uchanganuzi wa Bayesian. J Mach Jifunze Res 18, 1–36. |
| [20] | Frank E , Hall MA , Witten IH (2016) The WEKA Workbench. Katika Uchimbaji Data: Zana na Mbinu za Kujifunza za Mashine, Frank E, Hall MA, Witten IH, Pal CJ, wahariri. 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) Kujifunza kwa mashine katika uundaji wa dalili za mchezo wa shule ya upili kutatua. Med Sci Sports Exerc 51, 1362–1371. |
| [22] | Van Hulse J , Khoshgoftaar TM , Napolitano A (2007) Mitazamo ya majaribio juu ya kujifunza kutoka kwa data isiyo na usawa. Katika Kesi za Mkutano wa 24 wa Kimataifa wa Kujifunza kwa Mashine, Corvalis, Oregon, Marekani, ukurasa wa 935-942. |
| [23] | Ashford JW , Kolm P , Colliver JA , Bekian C , Hsu LN (1989) Tathmini ya mgonjwa wa Alzeima na hali ndogo ya kiakili: Uchambuzi wa curve ya kipengee.P. J Gerontol 44, 139–146. |
| [24] Ashford JW , Jarvik L (1985) Ugonjwa wa Alzheimer: Je, unamu wa nyuro huchangia kuzorota kwa axonal neurofibrillary? 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 , Senjem JL , Rocca WA , Petersen RC (2019) Kuenea kwa huluki za wigo wa Alzheimer zilizobainishwa kibiolojia dhidi ya kiafya kwa kutumia Taasisi ya Kitaifa ya Kuzeeka-Alzheimer's Utafiti wa Chama mfumo. JAMA Neurol 76, 1174-1183. | |
| [26] Zhou X , Ashford JW (2019) Maendeleo katika zana za kukagua Ugonjwa wa Alzheimer. Uzee 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 ubongo Afya Usajili: Jukwaa la mtandaoni la kuajiri, tathmini, na ufuatiliaji wa muda mrefu wa washiriki wa masomo ya sayansi ya neva. Ugonjwa wa Alzheimers 14, 1063-1076. | |
| [28] Ashford JW , Schmitt FA (2001) Kuiga mwendo wa wakati wa Alzheimer dementia. Curr Psychiatry Rep 3, 20–28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Utafiti wa Sino Longitudinal juu ya Kupungua kwa Utambuzi (SILCODE): Itifaki ya uchunguzi wa uchunguzi wa muda mrefu wa Kichina ili kuendeleza mifano ya utabiri wa hatari ya ubadilishaji hadi uharibifu mdogo wa utambuzi kwa watu binafsi wenye utambuzi wa kibinafsi. kupungua. BMJ Open 9, e028188. |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) Tofauti ya miaka mitano ya maendeleo ya alama ya kibayolojia kwa Ugonjwa wa shida ya akili utabiri: Je, shughuli changamano za kiala za maisha ya kila siku zinaweza kujaza mapengo? Ugonjwa wa Alzheimers (Amst) 1, 521-532. | |
| [31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) Kuzuia na matibabu ya ugonjwa wa Alzheimer's: Njia za kibaolojia za mazoezi. J Alzheimers Dis 69, 311–338. | |
| [32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Matibabu ya kuzuia na matibabu ya ugonjwa wa Alzheimer's. 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) Uhusiano kati ya hatari ya mishipa kati ya watu wazima na ugonjwa wa ubongo katika maisha ya marehemu: Ushahidi kutoka kwa kikundi cha kuzaliwa cha Uingereza. JAMA Neurol 77, 175-183. |
| [34] | Seshadri S (2020) Kuzuia mawazo ya shida ya akili zaidi ya umri na masanduku ya amiloidi. 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) Madhara ya shinikizo la damu la systolic kwenye uadilifu wa mambo meupe kwa vijana katika Utafiti wa Moyo wa Framingham: Msalaba - Utafiti wa sehemu. 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) Usahihi wa upimaji wa alama za kibayolojia kwa kufafanuliwa kwa neuropathologically Ugonjwa wa Alzheimer kwa watu wazima wenye shida ya akili. Ann Intern Med 172, 669-677. |
Ushirikiano: [a] Uchanganuzi wa SIVOTEC, Boca Raton, FL, Marekani | [b] Idara ya Kompyuta na Uhandisi wa Umeme na Sayansi ya Kompyuta, Chuo Kikuu cha Florida Atlantic, Boca Raton, FL, Marekani | [c] SJN Biomed LTD, Kunming, Yunnan, Uchina | [d] Kituo cha Utafiti wa Alzheimer, Taasisi ya Utafiti wa Kliniki ya Washington, Washington, DC, Marekani | [e] Idara ya Tiba ya Urekebishaji, Hospitali ya Kwanza Shirikishwa ya Chuo Kikuu cha Matibabu cha Kunming, Kunming, Yunnan, Uchina | [f] Idara ya Neurology, Hospitali ya Watu ya Dehong, Dehong, Yunnan, Uchina | [g] Idara ya Neurology, Hospitali ya Kwanza Shirikishwa ya Chuo Kikuu cha Tiba cha Kunming, Wilaya ya Wuhua, Kunming, Mkoa wa Yunnan, Uchina | [h] Kituo cha Utafiti wa Magonjwa na Majeraha Yanayohusiana na Vita, VA Palo Alto Huduma ya Afya System, Palo Alto, CA, Marekani | [i] Idara ya Saikolojia na Sayansi ya Tabia, Shule ya Tiba ya Chuo Kikuu cha Stanford, Palo Alto, CA, Marekani.
Mawasiliano: [*] Mawasiliano kwa: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, Marekani. Barua pepe: mbergon@sivotecanalytics.com.; Xiaolei Liu, MD, Idara ya Neurology, Hospitali ya Kwanza Shirikishwa ya Chuo Kikuu cha Matibabu cha Kunming, 295 Xichang Road, Wilaya ya Wuhua, Kunming, Mkoa wa Yunnan 650032, Uchina. Barua pepe: ring@vip.163.com.
Maneno muhimu: kuzeeka, Ugonjwa wa Alzheimer, shida ya akili, uchunguzi wa wingi