லேசான அறிவாற்றல் குறைபாட்டின் வகைப்பாட்டில் MemTrax மற்றும் இயந்திர கற்றல் மாடலிங் பயன்பாடு
ஆராய்ச்சி கட்டுரை
ஆசிரியர்கள்: Bergeron, Michael F. | லேண்ட்செட், சாரா | Zhou, Xianbo | டிங், தாவோ | Khoshgoftaar, Taghi M. | ஜாவோ, ஃபெங் | டு, போ | சென், சின்ஜி | வாங், சுவான் | Zhong, Lianmei | லியு, சியோலி| ஆஷ்ஃபோர்ட், ஜே. வெசன்
DOI: 10.3233/JAD-191340
இதழ்: இதழ் அல்சீமர் நோய், தொகுதி. இல்லை, இல்லை. 77, பக். 26-29, XX
சுருக்கம்
பின்னணி:
பரவலான நிகழ்வுகள் மற்றும் பரவல் அல்சீமர் நோய் மற்றும் லேசான அறிவாற்றல் குறைபாடு (MCI) முன்கூட்டியே கண்டறிதல் அறிவாற்றல் திரையிடல் மற்றும் மதிப்பீட்டை சரிபார்க்க ஆராய்ச்சிக்கான அவசர அழைப்பைத் தூண்டியது.
குறிக்கோள்:
தேர்ந்தெடுக்கப்பட்ட MemTrax செயல்திறன் அளவீடுகள் மற்றும் தொடர்புடைய புள்ளிவிவரங்கள் மற்றும் சுகாதார விவரக்குறிப்புகள் ஆகியவை அறிவாற்றல் ஆரோக்கியத்தை (சாதாரண மற்றும் MCI) வகைப்படுத்த இயந்திர கற்றலுடன் உருவாக்கப்பட்ட முன்கணிப்பு மாதிரிகளில் திறம்பட பயன்படுத்தப்படுமா என்பதை தீர்மானிப்பதே எங்கள் முதன்மை ஆராய்ச்சி நோக்கமாக இருந்தது. மாண்ட்ரீல் அறிவாற்றல் மதிப்பீடு (MoCA).
முறைகள்:
259 நரம்பியல், மெமரி கிளினிக் மற்றும் உள் மருத்துவம் ஆகிய இருவரில் இருந்து வயது வந்த நோயாளிகள் மீது குறுக்கு வெட்டு ஆய்வு நடத்தினோம். சீனாவில் உள்ள மருத்துவமனைகள். ஒவ்வொரு நோயாளிக்கும் சீன மொழி MoCA வழங்கப்பட்டது மற்றும் தொடர் அங்கீகாரம் MemTrax ஆன்லைன் எபிசோடிக் நினைவக சோதனை ஆன்லைனில் அதே நாளில். முன்கணிப்பு வகைப்பாடு மாதிரிகள் 10-மடங்கு குறுக்கு சரிபார்ப்புடன் இயந்திர கற்றலைப் பயன்படுத்தி உருவாக்கப்பட்டன, மேலும் மாதிரி செயல்திறன் ரிசீவர் இயக்க பண்பு வளைவின் (AUC) கீழ் பகுதியைப் பயன்படுத்தி அளவிடப்பட்டது. எட்டு பொதுவான மக்கள்தொகை மற்றும் தனிப்பட்ட வரலாற்று அம்சங்களுடன் இரண்டு MemTrax செயல்திறன் அளவீடுகளைப் பயன்படுத்தி (சதவீதம் சரியான, மறுமொழி நேரம்) மாதிரிகள் உருவாக்கப்பட்டன.
முடிவுகள்:
MoCA மதிப்பெண்கள் மற்றும் வரம்புகளின் தேர்ந்தெடுக்கப்பட்ட சேர்க்கைகள் முழுவதும் கற்பவர்களை ஒப்பிடுகையில், Naïve Bayes பொதுவாக 0.9093 ஒட்டுமொத்த வகைப்பாடு செயல்திறன் கொண்ட சிறந்த செயல்திறன் கொண்ட கற்றவர். மேலும், முதல் மூன்று கற்பவர்களில், அனைத்து 0.9119 பொதுவான அம்சங்களையும் (10) பயன்படுத்துவதை விட, முதல் தரவரிசையில் உள்ள நான்கு அம்சங்களை (0.8999) பயன்படுத்தி ஒட்டுமொத்தமாக MemTrax அடிப்படையிலான வகைப்படுத்தல் செயல்திறன் சிறப்பாக இருந்தது.
தீர்மானம்:
MemTrax செயல்திறன் ஒரு இயந்திர கற்றல் வகைப்பாடு முன்கணிப்பு மாதிரியில் திறம்பட பயன்படுத்தப்படலாம் ஆரம்ப நிலை அறிவாற்றல் குறைபாட்டைக் கண்டறிவதற்கான ஸ்கிரீனிங் பயன்பாடு.
அறிமுகம்
அங்கீகரிக்கப்பட்ட (குறைவாக கண்டறியப்பட்டாலும்) பரவலான நிகழ்வுகள் மற்றும் பரவல் மற்றும் இணையாக அதிகரிக்கும் மருத்துவ, சமூக மற்றும் பொது சுகாதார அல்சைமர் நோய் (AD) மற்றும் லேசான அறிவாற்றல் குறைபாடு (MCI) ஆகியவற்றின் செலவுகள் மற்றும் சுமை அனைத்து பங்குதாரர்களுக்கும் பெருகிய முறையில் சிரமத்தை ஏற்படுத்துகிறது [1, 2]. இந்த துன்பகரமான மற்றும் வளர்ந்து வரும் சூழ்நிலையானது சரிபார்க்க ஆராய்ச்சிக்கான அவசர அழைப்பைத் தூண்டியுள்ளது ஆரம்ப கண்டறிதல் பல்வேறு பகுதிகள் மற்றும் மக்கள்தொகையில் உள்ள வயதான நோயாளிகளுக்கு தனிப்பட்ட மற்றும் மருத்துவ அமைப்புகளில் வழக்கமான நடைமுறை பயன்பாட்டிற்கான அறிவாற்றல் திரையிடல் மற்றும் மதிப்பீட்டு கருவிகள் [3]. இந்த கருவிகள் மின்னணு சுகாதார பதிவுகளில் தகவல் தரும் முடிவுகளை தடையின்றி மொழிபெயர்க்க வேண்டும். நோயாளிகளுக்குத் தெரிவிப்பதன் மூலமும், குறிப்பிடத்தக்க மாற்றங்களை முன்கூட்டியே அறிந்துகொள்வதில் மருத்துவர்களுக்கு உதவுவதன் மூலமும் நன்மைகள் உணரப்படும், இதனால் அனுபவத்தைத் தொடங்குபவர்களுக்கு பொருத்தமான தனிப்பயனாக்கப்பட்ட மற்றும் அதிக செலவு குறைந்த சிகிச்சை மற்றும் நோயாளி பராமரிப்பு ஆகியவற்றை விரைவாகவும் சரியான நேரத்தில் அடுக்கவும், செயல்படுத்தவும் மற்றும் கண்காணிக்கவும் முடியும். அறிவாற்றல் வீழ்ச்சி [3, 4].
கணினிமயமாக்கப்பட்ட MemTrax கருவி (https://memtrax.com) என்பது ஒரு எளிய மற்றும் சுருக்கமான தொடர்ச்சியான அங்கீகார மதிப்பீடாகும், இது சவாலான நேர எபிசோடிக் நினைவக செயல்திறனை அளவிட ஆன்லைனில் சுய-நிர்வாகம் செய்யப்படலாம், அங்கு பயனர் மீண்டும் மீண்டும் படங்களுக்கு பதிலளிக்கிறார் மற்றும் ஆரம்ப விளக்கக்காட்சிக்கு அல்ல [5, 6]. ஆரம்பகால AD மற்றும் MCI ஸ்கிரீனிங்கில் [5–7] MemTrax இன் மருத்துவ செயல்திறனை சமீபத்திய ஆராய்ச்சி மற்றும் அதன் விளைவாக நடைமுறை தாக்கங்கள் படிப்படியாகவும் கூட்டாகவும் நிரூபிக்கத் தொடங்கியுள்ளன. இருப்பினும், தற்போதுள்ள மருத்துவ பயன்பாட்டுடன் நேரடி ஒப்பீடு அறிவாற்றல் ஆரோக்கியம் மதிப்பீடு மற்றும் வழக்கமான தரநிலைகள் தொழில்முறை முன்னோக்கைத் தெரிவிக்கவும் மற்றும் MemTrax பயன்பாட்டை முன்கூட்டியே கண்டறிதல் மற்றும் கண்டறியும் ஆதரவை உறுதிப்படுத்தவும் உத்தரவாதம் அளிக்கப்படுகின்றன. வான் டெர் ஹோக் மற்றும் பலர். [8] தேர்ந்தெடுக்கப்பட்ட MemTrax செயல்திறன் அளவீடுகளை (எதிர்வினை வேகம் மற்றும் சதவீதம் சரியானது) மாண்ட்ரீல் நிர்ணயித்த அறிவாற்றல் நிலைக்கு ஒப்பிடப்பட்டது அறிவாற்றல் மதிப்பீடு (MoCA). எவ்வாறாயினும், இந்த செயல்திறன் அளவீடுகளை அறிவாற்றல் நிலையின் குணாதிசயத்துடன் (MoCA ஆல் தீர்மானிக்கப்பட்டது) தொடர்புபடுத்துவதற்கும் தொடர்புடைய வரம்புகள் மற்றும் வெட்டு மதிப்புகளை வரையறுப்பதற்கும் இந்த ஆய்வு வரையறுக்கப்பட்டது. அதன்படி, இந்த விசாரணையை விரிவுபடுத்துவதற்கும், வகைப்பாடு செயல்திறன் மற்றும் செயல்திறனை மேம்படுத்துவதற்கும், எங்கள் முதன்மை ஆராய்ச்சி கேள்வி:
- ஒரு தனிநபரின் தேர்ந்தெடுக்கப்பட்ட MemTrax செயல்திறன் அளவீடுகள் மற்றும் தொடர்புடைய புள்ளிவிவரங்கள் மற்றும் ஆரோக்கியம் சுயவிவர அறிவாற்றல் ஆரோக்கியத்தை இருவகையாக வகைப்படுத்த இயந்திரக் கற்றலுடன் உருவாக்கப்பட்ட முன்கணிப்பு மாதிரியில் குணாதிசயங்கள் திறம்படப் பயன்படுத்தப்படுகின்றன (சாதாரண மற்றும் MCI)
இதற்கு இரண்டாம் நிலை, நாங்கள் தெரிந்து கொள்ள விரும்பினோம்:
- அதே அம்சங்களை உள்ளடக்கி, ஒரு சுயாதீனமான மருத்துவ நோயறிதலால் தீர்மானிக்கப்படும் புலனுணர்வுக் குறைபாட்டின் தேர்ந்தெடுக்கப்பட்ட வகைகளுக்குள் தீவிரத்தை (லேசான மற்றும் கடுமையானது) கணிக்க MemTrax செயல்திறன் அடிப்படையிலான இயந்திர கற்றல் மாதிரியை திறம்பட பயன்படுத்த முடியுமா?
ஸ்கிரீனிங்/கண்டறிதலில் செயற்கை நுண்ணறிவு மற்றும் இயந்திர கற்றலின் வருகை மற்றும் வளர்ந்து வரும் நடைமுறை பயன்பாடு ஏற்கனவே தனித்துவமான நடைமுறை நன்மைகளை வெளிப்படுத்தியுள்ளது, முன்கணிப்பு மாதிரியாக்கம் அறிவாற்றல்/மூளை ஆரோக்கியம் மற்றும் நோயாளி மேலாண்மை ஆகியவற்றின் சவாலான மதிப்பீட்டில் மருத்துவர்களை திறம்பட வழிநடத்துகிறது. எங்கள் ஆய்வில், MCI வகைப்பாடு மாடலிங் மற்றும் அறிவாற்றல் குறைபாடு தீவிரத்தன்மை பாகுபாடு ஆகியவற்றில் இதேபோன்ற அணுகுமுறையைத் தேர்ந்தெடுத்தோம், இது சீனாவில் உள்ள இரண்டு மருத்துவமனைகளில் இருந்து தேர்ந்தெடுக்கப்பட்ட தன்னார்வ உள்நோயாளிகள் மற்றும் வெளிநோயாளிகளைக் குறிக்கும் மூன்று தரவுத்தொகுப்புகளிலிருந்து மருத்துவ நோயறிதலால் உறுதிப்படுத்தப்பட்டது. இயந்திர கற்றல் முன்கணிப்பு மாதிரியைப் பயன்படுத்தி, பல்வேறு தரவுத்தொகுப்பு/கற்றாளர் சேர்க்கைகளிலிருந்து சிறந்த செயல்திறன் கொண்ட கற்றவர்களைக் கண்டறிந்து, மிகவும் மருத்துவ ரீதியாக நடைமுறை மாதிரி பயன்பாடுகளை வரையறுப்பதில் எங்களுக்கு வழிகாட்டும் அம்சங்களை வரிசைப்படுத்தினோம்.
MoCA மொத்த மதிப்பெண் வரம்பு அளவுகோலின் அடிப்படையில் அறிவாற்றல் ஆரோக்கியத்தை இருவகையாக (சாதாரண அல்லது MCI) வகைப்படுத்துவதற்கு சரிபார்க்கப்பட்ட MemTrax-அடிப்படையிலான மாதிரியைப் பயன்படுத்தலாம் என்பதும், அதேபோன்ற MemTrax முன்கணிப்பு மாதிரியானது தேர்ந்தெடுக்கப்பட்ட வகைகளில் தீவிரத்தன்மையைப் பாகுபடுத்துவதில் திறம்படப் பயன்படுத்தப்படலாம் என்பதும் எங்கள் கருதுகோள்களாகும். மருத்துவ ரீதியாக கண்டறியப்பட்டது மனநல குறைபாடு. அறிவாற்றல் சரிவு மற்றும் அறிவாற்றல் குறைபாடு வகைப்படுத்தலுக்கான ஆரம்ப கண்டறிதல் திரையாக MemTrax இன் செயல்திறனை ஆதரிப்பதில் எதிர்பார்க்கப்பட்ட விளைவுகளை நிரூபிப்பது கருவியாக இருக்கும். ஒரு தொழில்துறையின் தரநிலையுடன் அனுகூலமான ஒப்பீடு, மிக அதிகமான எளிமை மற்றும் விரைவான பயன்பாட்டின் மூலம் பூர்த்திசெய்யப்படுவது, ஆரம்பகால (புரோட்ரோமல் உட்பட) நிலை அறிவாற்றல் குறைபாடுகளைக் கண்டறிவதில் ஆரம்பத் திரையாக இந்த எளிய, நம்பகமான மற்றும் அணுகக்கூடிய கருவியை மருத்துவர்களுக்கு உதவுவதில் செல்வாக்கு செலுத்தும். இத்தகைய அணுகுமுறை மற்றும் பயன்பாடு மிகவும் சரியான நேரத்தில் மற்றும் சிறந்த அடுக்கு நோயாளி பராமரிப்பு மற்றும் தலையீட்டைத் தூண்டும். இந்த முன்னோக்கிச் சிந்திக்கும் நுண்ணறிவுகள் மற்றும் மேம்படுத்தப்பட்ட அளவீடுகள் மற்றும் மாதிரிகள் AD மற்றும் AD தொடர்பான டிமென்ஷியாக்கள் (ADRD) உட்பட டிமென்ஷியா முன்னேற்றத்தைத் தணிக்க அல்லது நிறுத்துவதற்கு உதவியாக இருக்கும்.
மூலப்பொருட்கள் மற்றும் முறைகள்
ஆய்வு மக்கள் தொகை
ஜனவரி 2018 மற்றும் ஆகஸ்ட் 2019 க்கு இடையில், சீனாவில் உள்ள இரண்டு மருத்துவமனைகளில் இருந்து ஆட்சேர்ப்பு செய்யப்பட்ட நோயாளிகள் மீது குறுக்கு வெட்டு ஆராய்ச்சி முடிந்தது. 5 வயது மற்றும் அதற்கு மேற்பட்ட வயதுடைய தனிநபர்களுக்கு MemTrax [21] நிர்வாகம் மற்றும் அந்தத் தரவுகளின் சேகரிப்பு மற்றும் பகுப்பாய்வு ஆகியவை மதிப்பாய்வு செய்யப்பட்டு அங்கீகரிக்கப்பட்டு நிர்வாகத்தின் நெறிமுறை தரநிலைகளுக்கு ஏற்ப நிர்வகிக்கப்பட்டன. மனித ஸ்டான்போர்ட் பல்கலைக்கழகத்தின் பொருள் பாதுகாப்புக் குழு. MemTrax மற்றும் இந்த ஒட்டுமொத்த ஆய்வுக்கான மற்ற அனைத்து சோதனைகளும் 1975 இன் ஹெல்சின்கி பிரகடனத்தின்படி மேற்கொள்ளப்பட்டன மற்றும் குன்மிங், யுனான், சீனாவில் உள்ள குன்மிங் மருத்துவ பல்கலைக்கழகத்தின் முதல் இணைந்த மருத்துவமனையின் நிறுவன மறுஆய்வு வாரியத்தால் அங்கீகரிக்கப்பட்டது. ஒவ்வொரு பயனருக்கும் ஒரு வழங்கப்பட்டது அறிவிக்கப்பட்ட முடிவு படிவத்தைப் படிக்க/மதிப்பாய்வு செய்யவும், பின்னர் தானாக முன்வந்து பங்கேற்க ஒப்புக்கொள்ளவும்.
பங்கேற்பாளர்கள் யான்ஹுவா மருத்துவமனையில் (YH துணை தரவுத்தொகுப்பு) உள்ள நரம்பியல் கிளினிக்கில் உள்ள வெளிநோயாளிகளின் தொகுப்பிலிருந்து ஆட்சேர்ப்பு செய்யப்பட்டனர். குன்மிங் மருத்துவத்தின் முதல் இணைந்த மருத்துவமனையில் நினைவக மருத்துவமனை சீனாவின் பெய்ஜிங்கில் உள்ள பல்கலைக்கழகம் (XL துணை தரவுத்தொகுப்பு). குன்மிங் மருத்துவப் பல்கலைக்கழகத்தின் முதல் இணைந்த மருத்துவமனையில் நரம்பியல் (எக்ஸ்எல் துணை-தரவுத்தொகுப்பு) மற்றும் உள் மருத்துவம் (கேஎம் துணை தரவுத்தொகுப்பு) உள்நோயாளிகளிடமிருந்தும் பங்கேற்பாளர்கள் ஆட்சேர்ப்பு செய்யப்பட்டனர். 1) ஆண்களும் பெண்களும் குறைந்தது 21 வயது, 2) சீன மொழி பேசும் திறன் (மாண்டரின்) மற்றும் 3) வாய்மொழி மற்றும் எழுதப்பட்ட திசைகளைப் புரிந்துகொள்ளும் திறன் ஆகியவை அடங்கும். விலக்கு அளவுகோல்கள் பார்வை மற்றும் மோட்டார் குறைபாடுகள் பங்கேற்பாளர்களை நிறைவு செய்வதைத் தடுக்கின்றன MemTrax சோதனை, அத்துடன் குறிப்பிட்ட சோதனை வழிமுறைகளை புரிந்து கொள்ள இயலாமை.
MemTrax இன் சீன பதிப்பு
ஆன்லைனில் MemTrax சோதனை தளம் மொழிபெயர்க்கப்பட்டது சீன மொழியில் (URL: https://www.memtrax.com.cn) மேலும் சுய-நிர்வாகத்திற்காக WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) மூலம் பயன்படுத்தப்படும். தரவு சீனாவில் அமைந்துள்ள கிளவுட் சர்வரில் (அலி கிளவுட்) சேமிக்கப்பட்டது மற்றும் அலிபாபா (அலிபாபா டெக்னாலஜி கோ. லிமிடெட், ஹாங்சோ, ஜெஜியாங், சீனா) மூலம் SJN Biomed LTD (குன்மிங், யுனான், சீனா) உரிமம் பெற்றது. MemTrax பற்றிய குறிப்பிட்ட விவரங்கள் மற்றும் இங்கு பயன்படுத்தப்படும் சோதனை செல்லுபடியாகும் அளவுகோல்கள் முன்பு விவரிக்கப்பட்டுள்ளன [6]. நோயாளிகளுக்கு எந்த கட்டணமும் இல்லாமல் பரிசோதனை வழங்கப்பட்டது.
ஆய்வு நடைமுறைகள்
உள்நோயாளிகள் மற்றும் வெளிநோயாளிகளுக்கு, வயது, பாலினம், கல்வியின் ஆண்டுகள், தொழில், போன்ற மக்கள்தொகை மற்றும் தனிப்பட்ட தகவல்களை சேகரிப்பதற்கான பொதுவான தாள் கேள்வித்தாள் தனியாக வாழும் அல்லது குடும்பத்துடன், மற்றும் மருத்துவ வரலாறு ஆய்வுக் குழுவின் உறுப்பினரால் நிர்வகிக்கப்பட்டது. கேள்வித்தாள் முடிந்ததைத் தொடர்ந்து, MoCA [12] மற்றும் MemTrax சோதனைகள் (MoCA முதலில்) சோதனைகளுக்கு இடையே 20 நிமிடங்களுக்கு மேல் இல்லாமல் நிர்வகிக்கப்பட்டன. MemTrax சதவீதம் சரியானது (MTx-% C), சராசரி மறுமொழி நேரம் (MTx-RT), மற்றும் சோதனையின் தேதி மற்றும் நேரம் ஆகியவை ஒவ்வொரு பங்கேற்பாளருக்கும் ஆய்வுக் குழுவின் உறுப்பினரால் காகிதத்தில் பதிவு செய்யப்பட்டன. பூர்த்தி செய்யப்பட்ட கேள்வித்தாள் மற்றும் MoCA இன் முடிவுகள், சோதனைகளை நிர்வகித்த ஆய்வாளரால் எக்செல் விரிதாளில் பதிவேற்றப்பட்டு, எக்செல் கோப்புகள் பகுப்பாய்வுக்காகச் சேமிக்கப்படுவதற்கு முன்பு சக ஊழியரால் சரிபார்க்கப்பட்டது.
MemTrax சோதனை
MemTrax ஆன்லைன் சோதனையில் 50 படங்கள் (25 தனிப்பட்ட மற்றும் 25 ரிப்பீட்டுகள்; பொதுவான காட்சிகள் அல்லது பொருட்களின் 5 படங்களின் 5 தொகுப்புகள்) ஒரு குறிப்பிட்ட போலி சீரற்ற வரிசையில் காட்டப்பட்டுள்ளது. பங்கேற்பாளர் (அறிவுறுத்தல்களின்படி) சோதனையைத் தொடங்க திரையில் உள்ள தொடக்க பொத்தானைத் தொட்டு, படத் தொடரைப் பார்க்கத் தொடங்குவார், மீண்டும் மீண்டும் மீண்டும் படம் தோன்றும் போதெல்லாம் படத்தைத் திரையில் விரைவாகத் தொடுவார். ஒவ்வொரு படமும் 3 வினாடிகள் அல்லது திரையில் உள்ள படத்தைத் தொடும் வரை தோன்றும், இது அடுத்த படத்தை உடனடியாக வழங்கத் தூண்டியது. உள்ளூர் சாதனத்தின் உள் கடிகாரத்தைப் பயன்படுத்தி, ஒவ்வொரு படத்திற்கும் MTx-RT ஆனது படத்தை வழங்குவதில் இருந்து பங்கேற்பாளரால் திரையைத் தொட்டது வரையிலான காலக்கெடுவால் தீர்மானிக்கப்படுகிறது. சோதனையின் போது. ஒவ்வொரு படத்திற்கும் MTx-RT பதிவு செய்யப்பட்டது, முழு 3 வினாடிகளும் பதிலளிப்பதில்லை என்பதைக் குறிக்கிறது. MTx-% C ஆனது பயனர் சரியாகப் பதிலளித்த மறு மற்றும் ஆரம்பப் படங்களின் சதவீதத்தைக் குறிக்க கணக்கிடப்பட்டது (உண்மை நேர்மறை + உண்மை எதிர்மறை 50 ஆல் வகுக்கப்பட்டது). MemTrax நிர்வாகம் மற்றும் செயல்படுத்தல், தரவு குறைப்பு, தவறான அல்லது "பதில் இல்லை" தரவு மற்றும் முதன்மை தரவு பகுப்பாய்வுகளின் கூடுதல் விவரங்கள் வேறு இடங்களில் விவரிக்கப்பட்டுள்ளன [6].
MemTrax சோதனை விரிவாக விளக்கப்பட்டது மற்றும் மருத்துவமனை அமைப்பில் பங்கேற்பாளர்களுக்கு ஒரு பயிற்சி சோதனை (முடிவுகளை பதிவு செய்வதற்கான சோதனையில் பயன்படுத்தப்பட்டவை தவிர வேறு தனிப்பட்ட படங்களுடன்) வழங்கப்பட்டது. YH மற்றும் KM துணை தரவுத்தொகுப்புகளில் பங்கேற்பாளர்கள் WeChat இல் பயன்பாடு ஏற்றப்பட்ட ஸ்மார்ட்போனில் MemTrax சோதனையை மேற்கொண்டனர்; ஒரு குறிப்பிட்ட எண்ணிக்கையிலான XL துணை தரவுத்தொகுப்பு நோயாளிகள் iPad ஐப் பயன்படுத்தினர், மீதமுள்ளவர்கள் ஸ்மார்ட்ஃபோனைப் பயன்படுத்தினர். அனைத்து பங்கேற்பாளர்களும் MemTrax சோதனையை ஒரு ஆய்வு ஆய்வாளர் தடையின்றி கவனித்துக்கொண்டனர்.
மாண்ட்ரீல் அறிவாற்றல் மதிப்பீடு
சீன MoCA (MoCA-BC) [13] இன் பெய்ஜிங் பதிப்பு, உத்தியோகபூர்வ சோதனை அறிவுறுத்தல்களின்படி பயிற்சி பெற்ற ஆராய்ச்சியாளர்களால் நிர்வகிக்கப்பட்டு மதிப்பெண் பெற்றது. பொருத்தமாக, MoCA-BC நம்பகமானதாகக் காட்டப்பட்டுள்ளது அறிவாற்றலுக்கான சோதனை சீன வயதான பெரியவர்களில் அனைத்து கல்வி நிலைகளிலும் திரையிடல் [14]. ஒவ்வொரு சோதனையும் அந்தந்த பங்கேற்பாளரின் அறிவாற்றல் திறன்களின் அடிப்படையில் நிர்வகிக்க சுமார் 10 முதல் 30 நிமிடங்கள் எடுத்தது.
MoCA வகைப்பாடு மாடலிங்
இரண்டு MemTrax உட்பட மொத்தம் 29 பயன்படுத்தக்கூடிய அம்சங்கள் இருந்தன சோதனை செயல்திறன் அளவீடுகள் மற்றும் மக்கள்தொகை மற்றும் ஆரோக்கியம் தொடர்பான 27 அம்சங்கள் ஒவ்வொரு பங்கேற்பாளருக்கான தகவல். ஒவ்வொரு நோயாளியின் MoCA மொத்த சோதனை மதிப்பெண் பயன்படுத்தப்பட்டது அறிவாற்றல் திரையிடல் எங்கள் முன்கணிப்பு மாதிரிகளைப் பயிற்றுவிப்பதற்கு "பெஞ்ச்மார்க்". அதன்படி, கிளாஸ் லேபிளை உருவாக்க MoCA பயன்படுத்தப்பட்டதால், மொத்த மதிப்பெண்ணை (அல்லது MoCA துணைக்குழு மதிப்பெண்களில் ஏதேனும்) ஒரு சுயாதீன அம்சமாக எங்களால் பயன்படுத்த முடியவில்லை. அசல் மூன்று மருத்துவமனை/மருத்துவமனை(கள்) துணைத் தரவுத்தொகுப்புகளை தனித்தனியாக வடிவமைத்து (MoCA ஆல் வரையறுக்கப்பட்ட அறிவாற்றல் ஆரோக்கியத்தை வகைப்படுத்தி) நாங்கள் பூர்வாங்க பரிசோதனைகளை மேற்கொண்டோம், பின்னர் அனைத்து அம்சங்களையும் பயன்படுத்தி ஒன்றிணைத்தோம். இருப்பினும், மூன்று துணை-தரவுத்தொகுப்புகளைக் குறிக்கும் நான்கு கிளினிக்குகள் ஒவ்வொன்றிலும் ஒரே தரவு கூறுகள் சேகரிக்கப்படவில்லை; எனவே, ஒருங்கிணைந்த தரவுத்தொகுப்பில் உள்ள எங்களின் பல அம்சங்கள் (அனைத்து அம்சங்களையும் பயன்படுத்தும் போது) அதிக அளவில் மதிப்புகள் காணவில்லை. நாங்கள் பொதுவான அம்சங்களை மட்டுமே பயன்படுத்தி ஒருங்கிணைந்த தரவுத்தொகுப்புடன் மாதிரிகளை உருவாக்கினோம், இதன் விளைவாக மேம்பட்ட வகைப்படுத்தல் செயல்திறன் கிடைத்தது. மூன்று நோயாளிகளின் துணைத் தரவுத்தொகுப்புகளை இணைப்பதன் மூலம் வேலை செய்வதற்கு அதிகமான நிகழ்வுகளைக் கொண்டிருப்பதன் மூலம் இது விளக்கப்பட்டிருக்கலாம், மேலும் எந்த அம்சமும் இல்லாத மதிப்புகளின் தேவையற்ற பரவலுடன் (ஒருங்கிணைந்த தரவுத்தொகுப்பில் ஒரே ஒரு அம்சம், பணி வகை, ஏதேனும் விடுபட்ட மதிப்புகளைக் கொண்டிருந்தது, பாதிக்கிறது. மூன்று நோயாளி நிகழ்வுகள் மட்டுமே), ஏனெனில் மூன்று தளங்களிலும் பதிவுசெய்யப்பட்ட பொதுவான அம்சங்கள் மட்டுமே சேர்க்கப்பட்டுள்ளன. குறிப்பிடத்தக்க வகையில், ஒவ்வொரு அம்சத்திற்கும் ஒரு குறிப்பிட்ட நிராகரிப்பு அளவுகோல் எங்களிடம் இல்லை, அது இறுதியில் ஒருங்கிணைந்த தரவுத்தொகுப்பில் சேர்க்கப்படவில்லை. எவ்வாறாயினும், எங்கள் பூர்வாங்க ஒருங்கிணைந்த தரவுத்தொகுப்பு மாடலிங்கில், நாங்கள் முதலில் மூன்று தனித்தனி நோயாளி துணை தரவுத்தொகுப்புகளில் இருந்து அனைத்து அம்சங்களையும் பயன்படுத்தினோம். இது ஒவ்வொரு தனிப்பட்ட துணை-தரவுத்தொகுப்பிலும் ஆரம்ப பூர்வாங்க மாடலிங்கை விட அளவிடக்கூடிய அளவில் குறைவான மாதிரி செயல்திறன் விளைவித்தது. மேலும், அனைத்து அம்சங்களையும் பயன்படுத்தி கட்டமைக்கப்பட்ட மாதிரிகளின் வகைப்பாடு செயல்திறன் ஊக்கமளிக்கும் வகையில், அனைத்து கற்பவர்கள் மற்றும் வகைப்படுத்தல் திட்டங்களில், பொதுவான அம்சங்களை மட்டும் பயன்படுத்தும் போது இரண்டு மடங்கு மாடல்களுக்கு செயல்திறன் மேம்பட்டது. உண்மையில், எங்களுடைய சிறந்த கற்கும் மாணவர்களில், ஒரு மாதிரியைத் தவிர மற்ற அனைத்தும் பொதுவான அம்சங்கள் அல்லாத அம்சங்களை நீக்கி மேம்படுத்தப்பட்டன.
இறுதி மொத்த தரவுத்தொகுப்பில் (YH, XL மற்றும் KM இணைந்தது) 259 நிகழ்வுகளை உள்ளடக்கியது, ஒவ்வொன்றும் MemTrax மற்றும் MoCA சோதனைகளை எடுத்த ஒரு தனிப்பட்ட பங்கேற்பாளரைக் குறிக்கிறது. 10 பகிரப்பட்ட சுயாதீன அம்சங்கள் இருந்தன: MemTrax செயல்திறன் அளவீடுகள்: MTx-% C மற்றும் சராசரி MTx-RT; மக்கள்தொகை மற்றும் மருத்துவ வரலாறு தகவல்: வயது, பாலினம், கல்வியின் ஆண்டுகள், வேலை வகை (நீல காலர்/வெள்ளை காலர்), சமூக ஆதரவு (தேர்வு எழுதுபவர் தனியாக அல்லது குடும்பத்துடன் வாழ்ந்தாலும்), மற்றும் பயனருக்கு ஆம்/இல்லை என்ற பதில்கள் நீரிழிவு, ஹைப்பர்லிபிடெமியா அல்லது அதிர்ச்சிகரமான மூளை காயத்தின் வரலாறு. இரண்டு கூடுதல் அளவீடுகள், MoCA மொத்த மதிப்பெண் மற்றும் MoCA மொத்த மதிப்பெண்கள் பல வருட கல்விக்காக சரிசெய்யப்பட்டது [12], சார்ந்த வகைப்பாடு லேபிள்களை உருவாக்க தனித்தனியாக பயன்படுத்தப்பட்டது, இதனால் எங்கள் ஒருங்கிணைந்த தரவுத்தொகுப்பில் பயன்படுத்தப்படும் இரண்டு தனித்துவமான மாடலிங் திட்டங்களை உருவாக்கியது. MoCA ஸ்கோரின் ஒவ்வொரு பதிப்பிற்கும் (சரிசெய்யப்பட்ட மற்றும் சரிசெய்யப்படாத) தரவுகள் இரண்டு வெவ்வேறு அளவுகோல் வரம்புகளைப் பயன்படுத்தி பைனரி வகைப்பாட்டிற்காக மீண்டும் தனித்தனியாக வடிவமைக்கப்பட்டுள்ளன-ஆரம்பத்தில் பரிந்துரைக்கப்பட்ட ஒன்று [12] மற்றும் ஒரு மாற்று மதிப்பு மற்றவர்களால் பயன்படுத்தப்பட்டு ஊக்குவிக்கப்பட்டது [8, 15]. மாற்று வாசல் வகைப்பாடு திட்டத்தில், MoCA தேர்வில் ≥23 மதிப்பெண் பெற்றிருந்தால் நோயாளி சாதாரண அறிவாற்றல் ஆரோக்கியத்துடன் இருப்பதாகவும், மதிப்பெண் 22 அல்லது அதற்கும் குறைவாக இருந்தால் MCI இருந்தால்; அதேசமயம், ஆரம்ப பரிந்துரைக்கப்பட்ட வகைப்பாடு வடிவத்தில், நோயாளி சாதாரண அறிவாற்றல் ஆரோக்கியம் கொண்டவர் என்று பெயரிடப்படுவதற்கு MoCA இல் 26 அல்லது அதற்கு மேல் மதிப்பெண் பெற்றிருக்க வேண்டும்.
MoCA வகைப்பாடு மாடலிங்கிற்கான வடிகட்டப்பட்ட தரவு
பொதுவாகப் பயன்படுத்தப்படும் நான்கு அம்ச தரவரிசை நுட்பங்களைப் பயன்படுத்தி MoCA வகைப்பாட்டை நாங்கள் மேலும் ஆய்வு செய்தோம்: சி-ஸ்கொயர்ட், ஆதாய விகிதம், தகவல் ஆதாயம் மற்றும் சமச்சீர் நிச்சயமற்ற தன்மை. இடைக்காலக் கண்ணோட்டத்திற்கு, எங்கள் நான்கு மாடலிங் திட்டங்களில் ஒவ்வொன்றையும் பயன்படுத்தி, முழு ஒருங்கிணைந்த தரவுத்தொகுப்பிற்கும் தரவரிசைகளைப் பயன்படுத்தினோம். அனைத்து தரவரிசையாளர்களும் ஒரே மாதிரியான அம்சங்களை ஏற்றுக்கொண்டனர், அதாவது வயது, கல்வியின் எண்ணிக்கை மற்றும் MemTrax செயல்திறன் அளவீடுகள் (MTx-% C, சராசரி MTx-RT). முதல் நான்கு அம்சங்களில் மாடல்களைப் பயிற்றுவிப்பதற்காக ஒவ்வொரு அம்சத் தேர்வு நுட்பத்தைப் பயன்படுத்தி மாடல்களை மீண்டும் உருவாக்கினோம் (பார்க்க அம்சம் தேர்வு கீழே).
இதன் விளைவாக MoCA மதிப்பெண் வகைப்பாடு மாடலிங் திட்டங்களின் இறுதி எட்டு மாறுபாடுகள் அட்டவணை 1 இல் வழங்கப்பட்டுள்ளன.
அட்டவணை 1
MoCA வகைப்பாட்டிற்குப் பயன்படுத்தப்படும் மாடலிங் திட்ட மாறுபாடுகளின் சுருக்கம் (இயல்பு அறிவாற்றல் ஆரோக்கியம் எதிராக MCI)
| மாடலிங் திட்டம் | இயல்பான அறிவாற்றல் ஆரோக்கியம் (எதிர்மறை வகுப்பு) | MCI (நேர்மறை வகுப்பு) |
| சரிசெய்யப்பட்டது-23 வடிகட்டப்படாதது/வடிகட்டப்பட்டது | 101 (39.0%) | 158 (61.0%) |
| சரிசெய்யப்பட்டது-26 வடிகட்டப்படாதது/வடிகட்டப்பட்டது | 49 (18.9%) | 210 (81.1%) |
| சரிசெய்யப்படாதது-23 வடிகட்டப்படாதது/வடிகட்டப்பட்டது | 92 (35.5%) | 167 (64.5%) |
| சரிசெய்யப்படாதது-26 வடிகட்டப்படாதது/வடிகட்டப்பட்டது | 42 (16.2%) | 217 (83.8%) |
ஒவ்வொரு வகுப்பிலும் உள்ள மொத்த நோயாளிகளின் எண்ணிக்கையும் சதவீதமும் கல்விக்கான மதிப்பெண் சரிசெய்தல் (சரிசெய்யப்பட்டது அல்லது சரிசெய்யப்படாதது) மற்றும் வகைப்பாடு வரம்பு (23 அல்லது 26) ஆகிய இரண்டு அம்சத் தொகுப்புகளுக்கும் (வடிகட்டப்படாத மற்றும் வடிகட்டப்பட்ட) பொருந்தும்.
MemTrax அடிப்படையிலான மருத்துவ மதிப்பீடு மாதிரியாக்கம்
எங்கள் மூன்று அசல் துணை தரவுத்தொகுப்புகளில் (YH, XL, KM), XL துணை-தரவுத்தொகுப்பு நோயாளிகள் மட்டுமே அறிவாற்றல் குறைபாட்டிற்காக சுயாதீனமாக மருத்துவ ரீதியாக கண்டறியப்பட்டனர் (அதாவது, அவர்களின் MoCA மதிப்பெண்கள் சாதாரண மற்றும் பலவீனமானவர்கள் என்ற வகைப்பாட்டை நிறுவுவதில் பயன்படுத்தப்படவில்லை). குறிப்பாக, XL நோயாளிகள் ஒன்று கண்டறியப்பட்டனர் அல்சைமர் நோய் சோதனை (AD) அல்லது வாஸ்குலர் டிமென்ஷியா (VaD). இந்த முதன்மை நோயறிதல் வகைகளில் ஒவ்வொன்றிலும், MCI க்கு மேலும் ஒரு பதவி இருந்தது. MCI, டிமென்ஷியா, வாஸ்குலர் நரம்பியல் அறிதல் கோளாறு மற்றும் AD காரணமாக ஏற்படும் நரம்பியல் அறிவாற்றல் கோளாறு ஆகியவை மனநல கோளாறுகளின் நோயறிதல் மற்றும் புள்ளியியல் கையேட்டில் விவரிக்கப்பட்டுள்ள குறிப்பிட்ட மற்றும் தனித்துவமான கண்டறியும் அளவுகோல்களை அடிப்படையாகக் கொண்டவை: DSM-5 [16]. இந்த சுத்திகரிக்கப்பட்ட நோயறிதல்களைக் கருத்தில் கொண்டு, ஒவ்வொரு முதன்மை நோயறிதல் வகைக்கும் தீவிரத்தன்மையின் அளவை (குறைபாட்டின் அளவு) வேறுபடுத்துவதற்கு XL துணை தரவுத்தொகுப்பில் இரண்டு வகைப்பாடு மாடலிங் திட்டங்கள் தனித்தனியாகப் பயன்படுத்தப்பட்டன. இந்த ஒவ்வொரு கண்டறியும் மாடலிங் திட்டங்களிலும் (AD மற்றும் VaD) பயன்படுத்தப்படும் தரவு, மக்கள்தொகை மற்றும் நோயாளியின் வரலாற்றுத் தகவல், அத்துடன் MemTrax செயல்திறன் (MTx-% C, சராசரி MTx-RT) ஆகியவற்றை உள்ளடக்கியது. MCI என நியமிக்கப்பட்டால் ஒவ்வொரு நோயறிதலும் லேசானது என்று பெயரிடப்பட்டது; இல்லையெனில், அது கடுமையானதாக கருதப்பட்டது. நோயறிதல் மாதிரிகளில் (லேசான மற்றும் கடுமையானது) MoCA மதிப்பெண்ணைச் சேர்ப்பதை நாங்கள் ஆரம்பத்தில் கருதினோம்; ஆனால் இது எங்கள் இரண்டாம் நிலை முன்கணிப்பு மாடலிங் திட்டத்தின் நோக்கத்தை தோற்கடிக்கும் என்று நாங்கள் தீர்மானித்தோம். இங்கே கற்பவர்களுக்கு, வழங்குநருக்கு உடனடியாகக் கிடைக்கக்கூடிய பிற நோயாளி குணாதிசயங்களைப் பயன்படுத்தி பயிற்சி அளிக்கப்படும் மற்றும் "தங்கத் தரநிலை", சுயாதீனமான மருத்துவ நோயறிதலுக்கு எதிராக எளிமையான MemTrax சோதனையின் செயல்திறன் அளவீடுகள் (MoCA க்கு பதிலாக). AD நோயறிதல் தரவுத்தொகுப்பில் 69 நிகழ்வுகள் மற்றும் VaD இன் 76 நிகழ்வுகள் (அட்டவணை 2) இரண்டு தரவுத்தொகுப்புகளிலும், 12 சுயாதீன அம்சங்கள் இருந்தன. MoCA மதிப்பெண் வகைப்பாட்டில் சேர்க்கப்பட்டுள்ள 10 அம்சங்களுக்கு கூடுதலாக, நோயாளியின் வரலாறு உயர் இரத்த அழுத்தம் மற்றும் பக்கவாதம் பற்றிய தகவல்களையும் உள்ளடக்கியது.
அட்டவணை 2
நோயறிதலின் தீவிர வகைப்பாட்டிற்குப் பயன்படுத்தப்படும் மாடலிங் திட்ட மாறுபாடுகளின் சுருக்கம் (லேசான மற்றும் கடுமையானது)
| மாடலிங் திட்டம் | லேசான (எதிர்மறை வகுப்பு) | கடுமையான (நேர்மறை வகுப்பு) |
| MCI-AD மற்றும் AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD எதிராக VaD | 38 (50.0%) | 38 (50.0%) |
ஒவ்வொரு வகுப்பிலும் உள்ள மொத்த நோயாளிகளின் எண்ணிக்கை மற்றும் சதவீதம் முதன்மை நோயறிதல் வகையால் (AD அல்லது VaD) வேறுபடுகின்றன.
புள்ளியியல்
ஒவ்வொரு மாதிரி வகைப்பாடு மூலோபாயத்திற்கும் (MoCA அறிவாற்றல் ஆரோக்கியம் மற்றும் நோயறிதல் தீவிரத்தை கணிக்க) துணை தரவுத்தொகுப்புகளுக்கு இடையே உள்ள பங்கேற்பாளர் குணாதிசயங்கள் மற்றும் பிற எண் அம்சங்களின் ஒப்பீடு பைதான் நிரலாக்க மொழியைப் பயன்படுத்தி செய்யப்பட்டது (பதிப்பு 2.7.1) [17]. மாதிரி செயல்திறன் வேறுபாடுகள் ஆரம்பத்தில் 95% நம்பிக்கை இடைவெளியுடன் ஒற்றை அல்லது இரண்டு காரணி (பொருத்தமான) ANOVA மற்றும் செயல்திறன் வழிமுறைகளை ஒப்பிடுவதற்கு Tukey நேர்மையான குறிப்பிடத்தக்க வேறுபாடு (HSD) சோதனையைப் பயன்படுத்தி தீர்மானிக்கப்பட்டது. பைதான் மற்றும் ஆர் (பதிப்பு 3.5.1) [18] ஆகியவற்றின் கலவையைப் பயன்படுத்தி மாதிரி செயல்திறன்களுக்கு இடையிலான வேறுபாடுகளின் இந்த ஆய்வு செய்யப்பட்டது. நாங்கள் இந்த (உகந்ததை விட குறைவாக இருந்தாலும்) அணுகுமுறையை ஒரு ஹூரிஸ்டிக் உதவியாக மட்டுமே பயன்படுத்தினோம் தொடக்க நிலை சாத்தியமான மருத்துவ பயன்பாட்டை எதிர்பார்க்கும் ஆரம்ப மாதிரி செயல்திறன் ஒப்பீடுகளுக்கு. மாதிரி செயல்திறன் வேறுபாடுகளின் நிகழ்தகவைத் தீர்மானிக்க, பின்புற விநியோகத்தைப் பயன்படுத்தி பேய்சியன் கையொப்பமிடப்பட்ட தரவரிசை சோதனையைப் பயன்படுத்தினோம் [19]. இந்த பகுப்பாய்வுகளுக்கு, நாங்கள் இடைவெளி –0.01, 0.01 ஐப் பயன்படுத்தினோம், இது இரண்டு குழுக்களின் செயல்திறன் வேறுபாடு 0.01 க்கும் குறைவாக இருந்தால், அவை ஒரே மாதிரியாகக் கருதப்படும் (நடைமுறை சமமான பகுதிக்குள்) அல்லது இல்லையெனில் அவை வேறுபட்டவை (ஒன்று சிறந்தது மற்ற). வகைப்படுத்திகளின் பேய்சியன் ஒப்பீட்டைச் செய்யவும், இந்த நிகழ்தகவுகளைக் கணக்கிடவும், பைதான் 1.0.2க்கு பேகாம்ப் நூலகத்தைப் (பதிப்பு 3.6.4) பயன்படுத்தினோம்.
முன்கணிப்பு மாதிரியாக்கம்
ஒவ்வொரு நோயாளியின் MoCA சோதனையின் முடிவையோ அல்லது மருத்துவ நோயறிதலின் தீவிரத்தையோ கணிக்க (வகைப்படுத்த) எங்கள் மாடலிங் திட்டங்களின் பத்து மொத்த மாறுபாடுகளைப் பயன்படுத்தி முன்கணிப்பு மாதிரிகளை உருவாக்கினோம். அனைத்து கற்பவர்களும் பயன்படுத்தப்பட்டனர் மற்றும் மாதிரிகள் திறந்த மூல மென்பொருள் தளமான Weka [20] ஐப் பயன்படுத்தி உருவாக்கப்பட்டன. எங்களின் பூர்வாங்க பகுப்பாய்விற்கு, நாங்கள் 10 பொதுவாகப் பயன்படுத்தப்படும் கற்றல் வழிமுறைகளைப் பயன்படுத்தினோம்: 5-அருகில் உள்ளவர்கள், C4.5 முடிவு மரத்தின் இரண்டு பதிப்புகள், லாஜிஸ்டிக் ரிக்ரஷன், மல்டிலேயர் பெர்செப்ட்ரான், நேவ் பேயஸ், ரேண்டம் ஃபாரஸ்டின் இரண்டு பதிப்புகள், ரேடியல் பேஸிஸ் ஃபங்ஷன் நெட்வொர்க், மற்றும் சப்போர்ட் வைக்டர் இயந்திரம். இந்த வழிமுறைகளின் முக்கிய பண்புக்கூறுகள் மற்றும் முரண்பாடுகள் வேறு இடங்களில் விவரிக்கப்பட்டுள்ளன [21] (அந்தப் பின்னிணைப்பைப் பார்க்கவும்). பல்வேறு வகையான கற்பவர்களை பிரதிநிதித்துவப்படுத்துவதாலும், இதே தரவுகளில் முந்தைய பகுப்பாய்வுகளில் அவற்றைப் பயன்படுத்தி வெற்றியை நாங்கள் நிரூபித்திருப்பதாலும் இவை தேர்ந்தெடுக்கப்பட்டன. எங்கள் முந்தைய ஆராய்ச்சியில் இருந்து ஹைப்பர்-பாராமீட்டர் அமைப்புகள் தேர்ந்தெடுக்கப்பட்டன, அவை பல்வேறு தரவுகளில் வலுவாக இருப்பதைக் குறிக்கிறது [22]. முழுமையான பகுப்பாய்வில் பயன்படுத்தப்பட்ட பொதுவான அம்சங்களுடன் ஒரே மாதிரியான தரவுத்தொகுப்பைப் பயன்படுத்தி எங்களின் பூர்வாங்க பகுப்பாய்வின் முடிவுகளின் அடிப்படையில், அனைத்து வகைப்பாடுகளிலும் தொடர்ந்து வலுவான செயல்திறனை வழங்கிய மூன்று கற்பவர்களை நாங்கள் அடையாளம் கண்டோம்: லாஜிஸ்டிக் ரிக்ரஷன், நேவ் பேய்ஸ் மற்றும் சப்போர்ட் வெக்டர் மெஷின்.
குறுக்கு சரிபார்ப்பு மற்றும் மாதிரி செயல்திறன் அளவீடு
அனைத்து முன்கணிப்பு மாடலிங்கிற்கும் (பூர்வாங்க பகுப்பாய்வு உட்பட), ஒவ்வொரு மாதிரியும் 10 மடங்கு குறுக்கு சரிபார்ப்பைப் பயன்படுத்தி கட்டப்பட்டது, மேலும் மாதிரி செயல்திறன் ரிசீவர் இயக்க பண்பு வளைவின் (AUC) கீழ் பகுதியைப் பயன்படுத்தி அளவிடப்படுகிறது. 10 மாடலிங் திட்ட தரவுத்தொகுப்புகளில் ஒவ்வொன்றையும் தோராயமாக 10 சம பிரிவுகளாக (மடிப்புகள்) பிரிப்பதன் மூலம் குறுக்கு-சரிபார்ப்பு தொடங்கியது, இந்த ஒன்பது பிரிவுகளைப் பயன்படுத்தி மாதிரியைப் பயிற்றுவிப்பதற்காகவும் மீதமுள்ள பகுதியை சோதனைக்காகவும் பயன்படுத்துகிறது. இந்த செயல்முறை 10 முறை மீண்டும் மீண்டும் செய்யப்பட்டது, ஒவ்வொரு மறு செய்கையிலும் வெவ்வேறு பிரிவைப் பயன்படுத்தி சோதனை அமைக்கப்பட்டது. இறுதி மாதிரியின் முடிவு/செயல்திறனைக் கணக்கிட முடிவுகள் பின்னர் இணைக்கப்பட்டன. ஒவ்வொரு கற்றல்/தரவுத்தொகுப்பு சேர்க்கைக்கும், இந்த முழு செயல்முறையும் 10 முறை மீண்டும் மீண்டும் ஒவ்வொரு முறையும் வெவ்வேறு விதத்தில் தரவு பிரிக்கப்பட்டது. இந்த கடைசிப் படி சார்புகளைக் குறைத்தது, பிரதிபலிப்புத்தன்மையை உறுதி செய்தது மற்றும் ஒட்டுமொத்த மாதிரி செயல்திறனைக் கண்டறிய உதவியது. மொத்தத்தில் (MoCA மதிப்பெண் மற்றும் நோயறிதல் தீவிர வகைப்பாடு திட்டங்களுக்கு இணைந்து), 6,600 மாதிரிகள் கட்டப்பட்டன. இதில் 1,800 வடிகட்டப்படாத மாதிரிகள் (தரவுத்தொகுப்பில் பயன்படுத்தப்படும் 6 மாடலிங் திட்டங்கள்×3 கற்றவர்கள்×10 ரன்கள்×10 மடங்குகள் = 1,800 மாதிரிகள்) மற்றும் 4,800 வடிகட்டிய மாதிரிகள் (தரவுத்தொகுப்பில் பயன்படுத்தப்படும் 4 மாடலிங் திட்டங்கள்×3 கற்றவர்கள்×4 அம்சத் தேர்வு நுட்பங்கள்×10 ரன்கள்× 10 மடிப்புகள் = 4,800 மாதிரிகள்).
அம்சம் தேர்வு
வடிகட்டப்பட்ட மாதிரிகளுக்கு, அம்சத் தேர்வு (நான்கு அம்ச தரவரிசை முறைகளைப் பயன்படுத்தி) குறுக்கு சரிபார்ப்பிற்குள் செய்யப்பட்டது. ஒவ்வொரு 10 மடிப்புகளுக்கும், வெவ்வேறு 10% தரவுத்தொகுப்பு சோதனைத் தரவாக இருந்ததால், ஒவ்வொரு பயிற்சித் தரவுத்தொகுப்பிற்கும் (அதாவது மற்ற ஒன்பது மடிப்புகள் அல்லது மீதமுள்ள 90% தரவுத்தொகுப்பில்) முதல் நான்கு தேர்ந்தெடுக்கப்பட்ட அம்சங்கள் மட்டுமே பயன்படுத்தப்பட்டன. மாதிரிகளை உருவாக்க. ஒவ்வொரு மாடலிலும் எந்த நான்கு அம்சங்கள் பயன்படுத்தப்பட்டன என்பதை எங்களால் உறுதிப்படுத்த முடியவில்லை, ஏனெனில் அந்தத் தகவல் நாங்கள் பயன்படுத்திய மாடலிங் பிளாட்ஃபார்மில் (வெகா) சேமிக்கப்படவில்லை அல்லது கிடைக்கப்பெறவில்லை. எவ்வாறாயினும், முழு ஒருங்கிணைந்த தரவுத்தொகுப்பிற்கும் தரவரிசையாளர்கள் பயன்படுத்தப்பட்டபோது, சிறந்த அம்சங்களின் ஆரம்பத் தேர்வில் உள்ள நிலைத்தன்மை மற்றும் மாடலிங் செயல்திறன்களில் உள்ள ஒற்றுமை, இதே அம்சங்கள் (வயது, கல்வி ஆண்டுகள், MTx-% C மற்றும் சராசரி MTx-RT ) குறுக்கு-சரிபார்ப்பு செயல்முறைக்குள் அம்சத் தேர்வுடன் இணைந்து பயன்படுத்தப்படும் மிகவும் பொதுவான முதல் நான்கு.
முடிவுகளைக்
MoCA- சுட்டிக்காட்டப்பட்ட அறிவாற்றல் ஆரோக்கியம் (சாதாரண மற்றும் MCI) மற்றும் நோயறிதல் தீவிரம் (லேசான மற்றும் கடுமையானது) ஆகியவற்றைக் கணிக்க ஒவ்வொரு மாதிரி வகைப்பாடு மூலோபாயத்திற்கும் அந்தந்த தரவுத்தொகுப்புகளின் பங்கேற்பாளர் எண்ணியல் பண்புகள் (MoCA மதிப்பெண்கள் மற்றும் MemTrax செயல்திறன் அளவீடுகள் உட்பட) அட்டவணை 3 இல் காட்டப்பட்டுள்ளன.
அட்டவணை 3
ஒவ்வொரு மாதிரி வகைப்பாடு உத்திக்கான பங்கேற்பாளர் பண்புகள், MoCA மதிப்பெண்கள் மற்றும் MemTrax செயல்திறன்
| வகைப்பாடு உத்தி | வயது | கல்வி | MoCA சரிசெய்யப்பட்டது | MoCA சரிசெய்யப்படவில்லை | MTx-% C | MTx-RT |
| MoCA வகை | 61.9 y (13.1) | 9.6 y (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 வி (0.3) |
| நோய் கண்டறிதல் தீவிரம் | 65.6 y (12.1) | 8.6 y (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 வி (0.3) |
மாடலிங் வகைப்பாடு உத்திகளால் வேறுபடுத்தப்பட்ட (சராசரி, SD) மதிப்புகள், MoCA- சுட்டிக்காட்டப்பட்ட அறிவாற்றல் ஆரோக்கியத்தைக் கணிக்கப் பயன்படுத்தப்படும் ஒருங்கிணைந்த தரவுத்தொகுப்பின் பிரதிநிதிகளாகும் (MCI மற்றும் இயல்பானது) மற்றும் XL துணை தரவுத்தொகுப்பு நோயறிதலின் தீவிரத்தை (லேசான மற்றும் கடுமையானது) கணிக்க மட்டுமே பயன்படுத்தப்படுகிறது.
MoCA மதிப்பெண் (சரிசெய்யப்பட்டது/சரிசெய்யப்படாதது) மற்றும் வரம்பு (26/23) ஆகியவற்றின் ஒவ்வொரு கலவைக்கும் ஒரு புள்ளிவிவர வேறுபாடு இருந்தது (p = 0.000) வயது, கல்வி மற்றும் MemTrax செயல்திறன் (MTx-% C மற்றும் MTx-RT) ஆகியவற்றிற்கான ஒவ்வொரு ஜோடிவரிசை ஒப்பீட்டிலும் (சாதாரண அறிவாற்றல் ஆரோக்கியம் மற்றும் MCI). ஒவ்வொரு சேர்க்கைக்கும் அந்தந்த MCI வகுப்பில் உள்ள ஒவ்வொரு நோயாளியின் துணைத் தரவுத்தொகுப்பும் சராசரியாக 9 முதல் 15 வயது வரை பழையதாக இருந்தது, சுமார் ஐந்து வருடங்கள் குறைவான கல்வியைப் புகாரளித்தது மற்றும் இரண்டு அளவீடுகளுக்கும் குறைவான சாதகமான MemTrax செயல்திறன் இருந்தது.
லாஜிஸ்டிக் ரிக்ரஷன், நேவ் பேய்ஸ் மற்றும் சப்போர்ட் வெக்டர் மெஷின் ஆகியவற்றைப் பயன்படுத்தி MoCA மதிப்பெண் வகைப்பாடுகளுக்கான முன்கணிப்பு மாடலிங் செயல்திறன் முடிவுகள் அட்டவணை 4 இல் காட்டப்பட்டுள்ளன. இவை மூன்றும் பல்வேறு மாதிரிகள் அனைத்திலும் மிகவும் நிலையான உயர் முழுமையான கற்றல் செயல்திறனை அடிப்படையாகக் கொண்டு தேர்ந்தெடுக்கப்பட்டன. அனைத்து மாடலிங் திட்டங்களுக்கும் தரவுத்தொகுப்புகளுக்குப் பயன்படுத்தப்பட்டது. வடிகட்டப்படாத தரவுத்தொகுப்பு மற்றும் மாடலிங் ஆகியவற்றிற்கு, அட்டவணை 4 இல் உள்ள ஒவ்வொரு தரவு மதிப்புகளும், ஒவ்வொரு கற்றல்/மாடலிங் திட்டக் கலவையுடன், ஒவ்வொரு கற்றலுக்கும் கட்டப்பட்ட 100 மாடல்களில் (10 ரன்கள்×10 மடங்குகள்) பெறப்பட்ட AUCயின் சராசரியின் அடிப்படையில் மாதிரி செயல்திறனைக் குறிக்கிறது. தடிமனான எழுத்துக்களில் குறிப்பிடப்பட்ட செயல்திறன் கற்றவர். அதேசமயம், வடிகட்டப்பட்ட தரவுத்தொகுப்பு மாடலிங்கிற்கு, அட்டவணை 4 இல் தெரிவிக்கப்பட்டுள்ள முடிவுகள், ஒவ்வொரு அம்ச தரவரிசை முறைகளையும் (400 அம்ச தரவரிசை முறைகள்×4 ரன்கள்×10 மடங்குகள்) பயன்படுத்தி ஒவ்வொரு கற்பவருக்கும் 10 மாதிரிகளின் ஒட்டுமொத்த சராசரி மாதிரி செயல்திறனைப் பிரதிபலிக்கிறது.
அட்டவணை 4
இருவேறு MoCA மதிப்பெண் வகைப்பாடு செயல்திறன் (AUC; 0.0–1.0) மூன்று சிறந்த செயல்திறன் கொண்ட ஒவ்வொரு மாடலிங் திட்டங்களுக்கும் முடிவுகள்
| அம்சத் தொகுப்பு பயன்படுத்தப்பட்டது | MoCA மதிப்பெண் | வெட்டுப்புள்ளி | லாஜிஸ்டிக் பின்னடைவு | நைவ் பேயஸ் | ஆதரவு திசையன் இயந்திரம் |
| வடிகட்டப்படாதது (10 அம்சங்கள்) | சரிசெய்யப்பட்ட | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| சரிசெய்யப்படாதது | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| வடிகட்டப்பட்டது (4 அம்சங்கள்) | சரிசெய்யப்பட்ட | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| சரிசெய்யப்படாதது | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
அம்சத் தொகுப்பு, MoCA மதிப்பெண் மற்றும் MoCA மதிப்பெண் கட்ஆஃப் த்ரெஷோல்ட் ஆகியவற்றின் மாறுபாடுகளைப் பயன்படுத்தி, ஒவ்வொரு மாடலிங் திட்டத்திற்கும் அதிக செயல்திறன் காட்டப்பட்டுள்ளது தைரியமான (அல்லாத மற்றவர்களை விட புள்ளிவிவர ரீதியாக வேறுபட்டிருக்க வேண்டிய அவசியமில்லை தைரியமான அந்தந்த மாதிரிக்கு).
ஒருங்கிணைந்த வடிகட்டப்படாத தரவுத்தொகுப்பில் (அதாவது, 23 பொதுவான அம்சங்களைப் பயன்படுத்தி) MoCA மதிப்பெண் பதிப்புகள் மற்றும் வரம்புகள் (முறையே சரிசெய்தல்/சரிசெய்யப்படாத மற்றும் 26/10) ஆகியவற்றின் அனைத்து சேர்க்கைகளிலும் கற்பவர்களை ஒப்பிட்டுப் பார்த்தால், Naïve Bayes பொதுவாக ஒட்டுமொத்தமாக சிறந்த செயல்திறன் கொண்ட கற்றவராக இருந்தார். 0.9093 வகைப்பாடு செயல்திறன். முதல் மூன்று கற்பவர்களைக் கருத்தில் கொண்டு, பேய்சியன்-தொடர்புடைய கையொப்பமிடப்பட்ட தரவரிசை சோதனைகள் நிகழ்தகவு (PrNaïve Bayes இன் லாஜிஸ்டிக் பின்னடைவை விட 99.9% இருந்தது. மேலும், Naïve Bayes மற்றும் Support Vector Machine இடையே, கற்றவர் செயல்திறனில் நடைமுறைச் சமமான 21.0% நிகழ்தகவு (இதனால், Naïve Bayes இன் 79.0% நிகழ்தகவு ஆதரவு திசையன் இயந்திரத்தை விஞ்சி), 0.0% நிகழ்தகவுடன் இணைந்து Machineasurable சிறப்பாகச் செயல்படும். Naïve Bayes க்கான செயல்திறன் நன்மையை வலுப்படுத்துகிறது. MoCA ஸ்கோர் பதிப்பை அனைத்து கற்றவர்கள்/வாசல்களில் மேலும் ஒப்பிடுவது, சரிசெய்யப்படாத MoCA மதிப்பெண்களைப் பயன்படுத்தி ஒரு சிறிய செயல்திறன் நன்மையை பரிந்துரைத்தது (முறையே 0.9027 மற்றும் 0.8971; Pr (சரிசெய்யப்படாதது > சரிசெய்யப்பட்டது) = 0.988). இதேபோல், கட்ஆஃப் த்ரெஷோல்ட் மற்றும் MoCA ஸ்கோர் பதிப்புகள் அனைத்திலும் உள்ள கட்ஆஃப் த்ரெஷோல்டுகளின் ஒப்பீடு, 26 ஐப் பயன்படுத்தி ஒரு சிறிய வகைப்பாடு செயல்திறன் நன்மையைக் குறிக்கிறது மற்றும் 23 (0.9056 மற்றும் 0.8942, முறையே; Pr (26 > 23) = 0.999). கடைசியாக, வடிகட்டப்பட்ட முடிவுகளை (அதாவது, முதல் தரவரிசையில் உள்ள நான்கு அம்சங்கள் மட்டுமே) பயன்படுத்தி மாடல்களுக்கான வகைப்படுத்தல் செயல்திறனை ஆய்வு செய்ததில், Naïve Bayes (0.9143) அனைத்து MoCA ஸ்கோர் பதிப்புகள்/வரம்புகள் அனைத்திலும் சிறந்த செயல்திறன் கொண்டவர். இருப்பினும், அனைத்து அம்ச தரவரிசை நுட்பங்களையும் ஒன்றிணைத்து, சிறந்த செயல்திறன் கொண்ட அனைத்து கற்றவர்களும் இதேபோல் செயல்பட்டனர். Bayesian கையொப்பமிடப்பட்ட தரவரிசை சோதனைகள் ஒவ்வொரு ஜோடி வடிகட்டப்பட்ட கற்பவர்களுக்கும் இடையே நடைமுறை சமநிலையின் 100% நிகழ்தகவைக் காட்டியது. வடிகட்டப்படாத தரவைப் போலவே (அனைத்து 10 பொதுவான அம்சங்களையும் பயன்படுத்தி), MoCA ஸ்கோரின் சரிசெய்யப்படாத பதிப்பிற்கு மீண்டும் ஒரு செயல்திறன் நன்மை இருந்தது (Pr (சரிசெய்யப்படாதது > சரிசெய்யப்பட்டது) = 1.000), அத்துடன் 26 (XNUMX) வகைப்பாடு வரம்புக்கான இதேபோன்ற தனித்துவமான நன்மைPr (26 > 23) = 1.000). குறிப்பிடத்தக்க வகையில், அனைத்து MoCA ஸ்கோர் பதிப்புகள்/வரம்புகள் முழுவதும் முதல் மூன்று கற்பவர்களின் சராசரி செயல்திறன், முதல் தரவரிசையில் உள்ள நான்கு அம்சங்களை மட்டுமே பயன்படுத்தி, வடிகட்டப்படாத தரவுகளின் சராசரி செயல்திறனை விட அதிகமாக உள்ளது. வடிகட்டப்பட்ட மாடல்களின் வகைப்படுத்தல் செயல்திறன் (முதல் தரவரிசை நான்கு அம்சங்களைப் பயன்படுத்தி) வடிகட்டப்படாத மாடல்களை விட (0.9119) ஒட்டுமொத்தமாக (0.8999) சிறப்பாக இருந்தது என்பதில் ஆச்சரியமில்லை, 10 பொதுவான மாடல்களுடன் ஒப்பிடப்பட்ட அம்ச தரவரிசை முறை மாதிரிகள் எதுவாக இருந்தாலும். அம்சங்கள். ஒவ்வொரு அம்சத் தேர்வு முறைக்கும், வடிகட்டப்படாத மாதிரிகளை விட செயல்திறன் நன்மைக்கான 100% நிகழ்தகவு உள்ளது.
AD நோயறிதலுக்கான தீவிர வகைப்பாடு கருதப்படும் நோயாளிகளுடன், வயதுக்கு இடையே குழு (MCI-AD மற்றும் AD) வேறுபாடுகள் (p = 0.004), கல்வி (p = 0.028), MoCA மதிப்பெண் சரிசெய்யப்பட்டது/சரிசெய்யப்படவில்லை (p = 0.000), மற்றும் MTx-% C (p = 0.008) புள்ளியியல் ரீதியாக குறிப்பிடத்தக்கவை; MTx-RT க்கு அது இல்லை (p = 0.097). VaD நோயறிதல் தீவிரத்தன்மை வகைப்படுத்தலுக்குக் கருதப்படும் நோயாளிகளுடன், MoCA மதிப்பெண்ணுக்கான (MCI-VaD வெர்சஸ் VaD) வேறுபாடுகள் சரிசெய்யப்பட்டன/சரிசெய்யப்படவில்லை (p = 0.007) மற்றும் MTx-% C (p = 0.026) மற்றும் MTx-RT (p = 0.001) புள்ளியியல் ரீதியாக குறிப்பிடத்தக்கவை; அதேசமயம் வயதுக்கு (p = 0.511) மற்றும் கல்வி (p = 0.157) குழுவிற்கு இடையே குறிப்பிடத்தக்க வேறுபாடுகள் எதுவும் இல்லை.
லாஜிஸ்டிக் ரிக்ரஷன், நேவ் பேய்ஸ் மற்றும் சப்போர்ட் வெக்டர் மெஷின் ஆகியவற்றைப் பயன்படுத்தி நோயறிதல் தீவிர வகைப்பாடுகளுக்கான முன்கணிப்பு மாடலிங் செயல்திறன் முடிவுகள் அட்டவணை 5 இல் காட்டப்பட்டுள்ளன. அதேசமயம் கூடுதலாக ஆய்வு செய்யப்பட்ட மாணவர்கள் இரண்டு மருத்துவ நோயறிதல் வகைகளில் ஒன்றைக் கொண்டு தனித்தனியாக சற்று வலுவான செயல்திறனை வெளிப்படுத்தினர். , எங்களின் முந்தைய மாடலிங்கில் மிகவும் சாதகமாக நாங்கள் அடையாளம் கண்டிருந்த மூன்று கற்றவர்கள் இரண்டு புதிய மாடலிங் திட்டங்களுடனும் மிகவும் சீரான செயல்திறனை வழங்கினர். ஒவ்வொரு முதன்மை நோயறிதல் வகைகளிலும் (AD மற்றும் VaD) கற்பவர்களை ஒப்பிடுகையில், MCI-VaD மற்றும் VaD க்கு கற்பவர்களுக்கு இடையே நிலையான வகைப்பாடு செயல்திறன் வேறுபாடு இல்லை, இருப்பினும் ஆதரவு திசையன் இயந்திரம் பொதுவாக மிகவும் முக்கியமாக செயல்பட்டது. இதேபோல், MCI-AD மற்றும் AD வகைப்பாட்டிற்கு இடையே குறிப்பிடத்தக்க வேறுபாடுகள் எதுவும் இல்லை, இருப்பினும் Naïve Bayes (NB) லாஜிஸ்டிக் ரிக்ரஷன் (LR) ஐ விட ஒரு சிறிய செயல்திறன் நன்மையைக் கொண்டிருந்தது மற்றும் 61.4% நிகழ்தகவுகளுடன் சப்போர்ட் வெக்டர் மெஷின் மீது மிகக் குறைவான பன்முகத்தன்மையைக் கொண்டிருந்தது. மற்றும் முறையே 41.7%. இரண்டு தரவுத்தொகுப்புகளிலும், சப்போர்ட் வெக்டர் மெஷின் (SVM)க்கான ஒட்டுமொத்த செயல்திறன் நன்மை இருந்தது. Pr (SVM > LR) = 0.819 மற்றும் Pr (SVM > NB) = 0.934. XL துணை தரவுத்தொகுப்பில் நோயறிதலின் தீவிரத்தை கணிப்பதில் அனைத்து கற்பவர்களிடையேயும் எங்கள் ஒட்டுமொத்த வகைப்பாடு செயல்திறன், AD க்கு எதிராக VaD கண்டறிதல் பிரிவில் சிறப்பாக இருந்தது (Pr (VAD > AD) = 0.998).
அட்டவணை 5
இருவேறு மருத்துவ நோயறிதல் தீவிரத்தன்மை வகைப்பாடு செயல்திறன் (AUC; 0.0–1.0) அந்தந்த மாடலிங் திட்டங்களுக்கு மூன்று சிறந்த செயல்திறன் கொண்ட ஒவ்வொருவருக்கும் முடிவுகள்
| மாடலிங் திட்டம் | லாஜிஸ்டிக் பின்னடைவு | நைவ் பேயஸ் | ஆதரவு திசையன் இயந்திரம் |
| MCI-AD மற்றும் AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD எதிராக VaD | 0.8033 | 0.8044 | 0.8338 |
ஒவ்வொரு மாடலிங் திட்டத்திற்கும் மிக உயர்ந்த செயல்திறன் காட்டப்பட்டுள்ளது தைரியமான (மற்றவர்களை விட புள்ளிவிவர ரீதியாக வேறுபட்டிருக்க வேண்டிய அவசியமில்லை தைரியமான).
விவாதம்
அறிவாற்றல் ஆரோக்கியத்தில் ஏற்படும் மாற்றங்களை முன்கூட்டியே கண்டறிவது முக்கியம் தனிப்பட்ட சுகாதார மேலாண்மை மற்றும் பொது சுகாதாரத்தில் நடைமுறை பயன்பாடு. உண்மையில், உலகெங்கிலும் உள்ள நோயாளிகளுக்கு மருத்துவ அமைப்புகளில் இது மிகவும் அதிக முன்னுரிமையாகும். நோயாளிகள், பராமரிப்பாளர்கள் மற்றும் வழங்குநர்களை எச்சரிப்பது மற்றும் அறிவாற்றல் வீழ்ச்சியை அனுபவிக்கத் தொடங்குபவர்களுக்கு முந்தைய தகுந்த மற்றும் செலவு குறைந்த சிகிச்சை மற்றும் நீளமான கவனிப்பை வழங்குவது பகிரப்பட்ட குறிக்கோள் ஆகும். எங்களின் மூன்று மருத்துவமனை/மருத்துவமனை(கள்) தரவு துணைக்குழுக்களை ஒன்றிணைத்து, முன்கணிப்பு மாதிரிகளை உருவாக்க மூன்று தனித்தனியாக விரும்பத்தக்க கற்பவர்களை (ஒரு குறிப்பிடத்தக்க தனித்தன்மையுடன் -Naïve Bayes) அடையாளம் கண்டோம். அறிவாற்றல் ஆரோக்கிய நிலையை நம்பத்தகுந்த வகையில் வகைப்படுத்தக்கூடிய MemTrax செயல்திறன் அளவீடுகள் MoCA மொத்த மதிப்பெண்ணால் குறிக்கப்படும் இருவகையாக (சாதாரண அறிவாற்றல் ஆரோக்கியம் அல்லது MCI). முக்கியமாக, இந்த MemTrax செயல்திறன் அளவீடுகளை உள்ளடக்கிய முதல் தரவரிசையில் உள்ள நான்கு அம்சங்களை மட்டுமே எங்கள் மாதிரிகள் பயன்படுத்தியபோது, மூன்று கற்பவர்களுக்கும் ஒட்டுமொத்த வகைப்பாடு செயல்திறன் மேம்பட்டது. மேலும், டிமென்ஷியா நோயறிதலின் இரண்டு வகைகளின் தீவிரத்தை வேறுபடுத்துவதற்கான கண்டறியும் ஆதரவு வகைப்பாடு மாடலிங் திட்டத்தில் அதே கற்றவர்கள் மற்றும் MemTrax செயல்திறன் அளவீடுகளைப் பயன்படுத்துவதற்கான உறுதியான திறனை நாங்கள் வெளிப்படுத்தினோம்: AD மற்றும் VaD.
நினைவக சோதனை AD [23, 24] ஐ முன்கூட்டியே கண்டறிவதில் மையமாக உள்ளது. எனவே, MemTrax ஆன்லைனில் ஏற்றுக்கொள்ளக்கூடிய, ஈர்க்கக்கூடிய மற்றும் எளிதாக செயல்படுத்தக்கூடியது என்பது உகந்ததாகும். எபிசோடிக் நினைவகத்திற்கான திரையிடல் சோதனை பொது மக்களில் [6]. இந்த தொடர்ச்சியான செயல்திறன் பணியின் அங்கீகாரம் துல்லியம் மற்றும் பதிலளிப்பு நேரங்கள், கற்றல், நினைவகம் மற்றும் அறிவாற்றல் தொடர்பான நியூரோபிளாஸ்டிக் செயல்முறைகளில் ஆரம்ப மற்றும் வளர்ச்சியடைந்து வரும் சீரழிவு மற்றும் அதன் விளைவாக ஏற்படும் குறைபாடுகளைக் கண்டறிவதில் குறிப்பாக வெளிப்படுத்துகின்றன. அதாவது, பெரும்பாலும் MemTrax செயல்திறன் அளவீடுகளை அடிப்படையாகக் கொண்ட மாதிரிகள் உணர்திறன் கொண்டவை மற்றும் மிகவும் கணிசமான செயல்பாட்டு இழப்புக்கு முன்னதாகவே இடைநிலை அறிகுறியற்ற நிலையில் உயிரியல் நரம்பியல் குறைபாடுகளை உடனடியாகவும் குறைந்த செலவில் வெளிப்படுத்தவும் வாய்ப்புள்ளது [25]. ஆஷ்ஃபோர்ட் மற்றும் பலர். MemTrax [6] உடன் சொந்தமாகப் பங்கேற்ற ஆன்லைன் பயனர்களின் அங்கீகார நினைவகத் துல்லியம் மற்றும் மறுமொழி நேரத்தின் வடிவங்கள் மற்றும் நடத்தைகளை உன்னிப்பாக ஆய்வு செய்தார். இந்த விநியோகங்கள் உகந்த மாதிரியாக்கம் மற்றும் செல்லுபடியாகும் மற்றும் பயனுள்ள நோயாளி பராமரிப்பு பயன்பாடுகளை உருவாக்குதல், மருத்துவ ரீதியாக பொருந்தக்கூடிய அங்கீகாரம் மற்றும் மறுமொழி நேர சுயவிவரங்களை வரையறுத்தல் ஆகியவை மருத்துவ மற்றும் ஆராய்ச்சி பயன்பாட்டிற்கான மதிப்புமிக்க அடிப்படைக் குறிப்பை நிறுவுவதில் இன்றியமையாதவை. ஆரம்ப நிலை அறிவாற்றல் குறைபாடு மற்றும் வேறுபட்ட நோயறிதல் ஆதரவுக்கான AD ஸ்கிரீனிங்கில் MemTrax இன் நடைமுறை மதிப்பானது, ஒரு மருத்துவ அமைப்பின் பின்னணியில் மிகவும் நெருக்கமாக ஆராயப்பட வேண்டும், அங்கு சோதனை செயல்திறனைப் பாதிக்கும் கொமொர்பிடிட்டிகள் மற்றும் அறிவாற்றல், உணர்ச்சி மற்றும் மோட்டார் திறன்களைக் கருத்தில் கொள்ளலாம். தொழில்முறை முன்னோக்கைத் தெரிவிக்கவும், நடைமுறை மருத்துவப் பயன்பாட்டை ஊக்குவிக்கவும், நிறுவப்பட்ட அறிவாற்றல் சுகாதார மதிப்பீட்டு சோதனையுடன் ஒப்பிடுவது முதலில் கட்டாயமாகும், பிந்தையது சிக்கலான சோதனை தளவாடங்கள், கல்வி மற்றும் மொழித் தடைகள் மற்றும் கலாச்சார தாக்கங்களால் அடையாளம் காணக்கூடியதாக இருந்தாலும் [26] . இது சம்பந்தமாக, மருத்துவத் திறனில் MemTraxஐ MoCA உடன் ஒப்பிடுவது குறிப்பிடத்தக்கது, இது பொதுவாக ஒரு தொழில்துறை தரநிலையாகக் கூறப்படுகிறது, குறிப்பாக MemTrax ஐ அதிக அளவில் பயன்படுத்துதல் மற்றும் நோயாளி ஏற்றுக்கொள்ளும் போது.
MemTrax ஐ MoCA உடன் ஒப்பிடும் முந்தைய ஆய்வு, எங்கள் மாடலிங் விசாரணைக்கு உத்தரவாதம் அளிக்கும் பகுத்தறிவு மற்றும் ஆரம்ப ஆதாரங்களை எடுத்துக்காட்டுகிறது [8]. இருப்பினும், இந்த முந்தைய ஒப்பீடு MoCA ஆல் தீர்மானிக்கப்பட்ட அறிவாற்றல் நிலையுடன் நாங்கள் ஆய்வு செய்த இரண்டு முக்கிய MemTrax செயல்திறன் அளவீடுகளுடன் தொடர்புடையது மற்றும் அந்தந்த வரம்புகள் மற்றும் வெட்டு மதிப்புகளை வரையறுக்கிறது. நோயாளி-குறிப்பிட்ட பிற சாத்தியமான அளவுருக்களைப் பற்றி மேலும் தனிப்பட்ட முறையில் பரிசீலிக்க உதவும் முன்கணிப்பு மாடலிங் அடிப்படையிலான அணுகுமுறையை ஆராய்வதன் மூலம் MemTrax இன் மருத்துவ பயன்பாட்டு மதிப்பீட்டை ஆழப்படுத்தினோம். மற்றவர்களுக்கு மாறாக, MoCA மதிப்பெண்ணுக்கான கல்வித் திருத்தம் (சரிசெய்தல்) பயன்படுத்தி மாதிரி செயல்திறனில் அல்லது முதலில் பரிந்துரைக்கப்பட்ட 26 முதல் 23 [12, 15] வரையிலான MoCA மொத்த மதிப்பெண் வரம்பில் உள்ள அறிவாற்றல் ஆரோக்கியத்தை வேறுபடுத்துவதில் நாங்கள் ஒரு நன்மையைக் காணவில்லை. உண்மையில், வகைப்பாடு செயல்திறன் நன்மை சரிசெய்யப்படாத MoCA மதிப்பெண் மற்றும் அதிக வாசலைப் பயன்படுத்தி விரும்பப்பட்டது.
மருத்துவ நடைமுறையில் முக்கிய புள்ளிகள்
தரவு விரிவானதாகவும் பல பரிமாணங்களாகவும் இருக்கும் போது, அதாவது, பல அவதானிப்புகள் மற்றும் உயர் மதிப்பு (பங்களிக்கும்) பண்புக்கூறுகள் இருக்கும் போது, இயந்திரக் கற்றல் பெரும்பாலும் முன்கணிப்பு மாதிரியாக்கத்தில் சிறப்பாகப் பயன்படுத்தப்படுகிறது மற்றும் மிகவும் பயனுள்ளதாக இருக்கும். இருப்பினும், இந்த தற்போதைய தரவுகளுடன், நான்கு தேர்ந்தெடுக்கப்பட்ட அம்சங்களைக் கொண்ட வடிகட்டப்பட்ட மாதிரிகள் அனைத்து 10 பொதுவான அம்சங்களையும் பயன்படுத்துவதை விட சிறப்பாக செயல்பட்டன. இந்த வகையில் நோயாளிகளை உகந்த வகையில் வகைப்படுத்த, எங்களின் மொத்த மருத்துவமனை தரவுத்தொகுப்பில் மருத்துவரீதியாக பொருத்தமான (அதிக மதிப்பு) அம்சங்கள் இல்லை என்று இது அறிவுறுத்துகிறது. ஆயினும்கூட, முக்கிய MemTrax செயல்திறன் அளவீடுகள்-MTx-% C மற்றும் MTx-RT-க்கான அம்ச தரவரிசை வலியுறுத்தல், இந்த சோதனையைச் சுற்றி ஆரம்ப நிலை அறிவாற்றல் பற்றாக்குறை ஸ்கிரீனிங் மாதிரிகளை உருவாக்குவதற்கு வலுவாக ஆதரிக்கிறது, இது எளிமையானது, நிர்வகிக்க எளிதானது, குறைந்த விலை மற்றும் பொருத்தமாக வெளிப்படுத்துகிறது. நினைவக செயல்திறன், குறைந்தபட்சம் இப்போது அறிவாற்றல் ஆரோக்கிய நிலையின் பைனரி வகைப்பாட்டிற்கான ஆரம்பத் திரையாக உள்ளது. வழங்குநர்கள் மற்றும் சுகாதார அமைப்புகளில் தொடர்ந்து அதிகரித்து வரும் அழுத்தத்தைக் கருத்தில் கொண்டு, நோயாளிகளின் பரிசோதனை செயல்முறைகள் மற்றும் மருத்துவப் பயன்பாடுகள், நோயாளியின் குணாதிசயங்கள் மற்றும் சோதனை அளவீடுகளைச் சேகரித்தல், கண்காணித்தல் மற்றும் மாதிரியாக்குதல் ஆகியவற்றில் முக்கியத்துவம் வாய்ந்ததாக உருவாக்கப்பட வேண்டும். மற்றும் நோயாளி மேலாண்மை ஆதரவு.
இரண்டு முக்கிய MemTrax அளவீடுகள் MCI வகைப்பாட்டிற்கு மையமாக இருப்பதால், எங்கள் சிறந்த செயல்திறன் கொண்ட கற்றவர் (Naïve Bayes) பெரும்பாலான மாடல்களில் (AUC 0.90 க்கு மேல்) மிக உயர்ந்த முன்கணிப்பு செயல்திறனைக் கொண்டிருந்தார், உண்மை-நேர்மறை மற்றும் தவறான-நேர்மறை விகிதம் 4 ஐ நெருங்குகிறது அல்லது ஓரளவுக்கு அதிகமாக உள்ளது. : 1. இந்தக் கற்றலைப் பயன்படுத்தும் ஒரு மொழிபெயர்ப்பு மருத்துவப் பயன்பாடு, அறிவாற்றல் குறைபாடு உள்ளவர்களில் பெரும்பாலானவர்களைக் கைப்பற்றும் (சரியாக வகைப்படுத்தும்), அதே சமயம் சாதாரண அறிவாற்றல் ஆரோக்கியம் உள்ள ஒருவரை அறிவாற்றல் குறைபாடு (தவறான நேர்மறை) அல்லது தவறாக வகைப்படுத்துவது தொடர்பான செலவைக் குறைக்கும் அறிவாற்றல் பற்றாக்குறை உள்ளவர்களில் அந்த வகைப்பாடு இல்லை (தவறான எதிர்மறை). தவறான வகைப்படுத்தலின் இந்த காட்சிகளில் ஒன்று நோயாளி மற்றும் பராமரிப்பாளர்களுக்கு தேவையற்ற உளவியல்-சமூக சுமையை சுமத்தலாம்.
பூர்வாங்க மற்றும் முழு பகுப்பாய்வுகளில், ஒவ்வொரு மாடலிங் திட்டத்திலும் பத்து கற்றவர்களையும் நாங்கள் பயன்படுத்தினோம், எங்கள் முடிவுகளை மிகவும் நிலையான வலுவான செயல்திறனைக் காட்டும் மூன்று வகைப்படுத்திகளில் கவனம் செலுத்தினோம். இந்த தரவுகளின் அடிப்படையில், அறிவாற்றல் நிலை வகைப்பாட்டை தீர்மானிப்பதில் ஒரு நடைமுறை மருத்துவ பயன்பாட்டில் உயர் மட்டத்தில் நம்பகத்தன்மையுடன் செயல்படும் கற்பவர்களை இது முன்னிலைப்படுத்துவதாகும். மேலும், இந்த ஆய்வு அறிவாற்றல் திரையிடலில் இயந்திர கற்றலின் பயன்பாடு மற்றும் இந்த சரியான நேரத்தில் மருத்துவ சவால்கள் பற்றிய அறிமுக விசாரணையாக இருந்ததால், கற்றல் நுட்பங்களை எளிமையாகவும் பொதுமைப்படுத்தவும், குறைந்தபட்ச அளவுரு ட்யூனிங்குடன் நாங்கள் முடிவு செய்தோம். இந்த அணுகுமுறை மிகவும் குறுகிய வரையறுக்கப்பட்ட நோயாளி-குறிப்பிட்ட முன்கணிப்பு திறன்களுக்கான சாத்தியத்தை மட்டுப்படுத்தியிருக்கலாம் என்பதை நாங்கள் பாராட்டுகிறோம். அதேசமயம், சிறந்த அம்சங்களை (வடிகட்டப்பட்ட அணுகுமுறை) பயன்படுத்தி மாடல்களைப் பயிற்றுவிப்பது இந்தத் தரவைப் பற்றி மேலும் நமக்குத் தெரிவிக்கிறது (சேமிக்கப்பட்ட தரவுகளில் உள்ள குறைபாடுகள் மற்றும் விலைமதிப்பற்ற மருத்துவ நேரத்தையும் வளங்களையும் மேம்படுத்துவதில் உள்ள மதிப்பை முன்னிலைப்படுத்துகிறது), இது குறுகிய காலத்திற்கு முன்பே இருப்பதை நாங்கள் அறிவோம். மாதிரிகளின் நோக்கம் மற்றும், எனவே, பரந்த மக்கள்தொகைக்கு பொருந்தக்கூடிய முன்னுரிமை அம்சங்களின் மிகவும் உறுதியான சுயவிவரம் எங்களிடம் இருக்கும் வரை எதிர்கால ஆராய்ச்சியுடன் அனைத்து (மற்றும் பிற அம்சங்கள்) பரிசீலிக்கப்பட வேண்டும். எனவே, மேலும் உள்ளடங்கிய மற்றும் பரந்த பிரதிநிதித்துவ தரவு மற்றும் இந்த மற்றும் பிற மாதிரிகளை ஒரு பயனுள்ள மருத்துவ பயன்பாட்டில் ஒருங்கிணைக்கும் முன் அவற்றை மேம்படுத்துவது அவசியம் என்பதை நாங்கள் முழுமையாக அங்கீகரிக்கிறோம்.
தனி மருத்துவ நோயறிதலின் அடிப்படையில் நோயின் தீவிரத்தை மாதிரியாக்குவதன் மூலம் MemTrax இன் பயன்பாடு மேலும் மேம்படுத்தப்பட்டது. VaD இன் தீவிரத்தை கணிப்பதில் சிறந்த ஒட்டுமொத்த வகைப்பாடு செயல்திறன் (AD உடன் ஒப்பிடும்போது) இல்லை வாஸ்குலர் ஆரோக்கியத்திற்கு குறிப்பிட்ட மாதிரிகளில் நோயாளியின் சுயவிவர அம்சங்களைக் கொடுத்தது ஆச்சரியமாக இருக்கிறது மற்றும் பக்கவாதம் ஆபத்து, அதாவது, உயர் இரத்த அழுத்தம், மிகை கொழுப்பு, நீரிழிவு, மற்றும் (நிச்சயமாக) பக்கவாதம் வரலாறு. சாதாரண அறிவாற்றல் ஆரோக்கியத்துடன் பொருந்திய நோயாளிகளின் அதே மருத்துவ மதிப்பீட்டை மேற்கொள்வது மிகவும் விரும்பத்தக்கதாகவும் பொருத்தமானதாகவும் இருந்தபோதிலும், இந்த மேலும் உள்ளடக்கிய தரவுகளுடன் கற்பவர்களுக்கு பயிற்சியளிக்கிறது. MemTrax முதன்மையாக ஒரு அறிவாற்றல் பற்றாக்குறையை ஆரம்ப நிலை கண்டறிதல் மற்றும் தனிப்பட்ட மாற்றங்களைத் தொடர்ந்து கண்காணிப்பதற்காகப் பயன்படுத்தப்படுவதால், இது குறிப்பாக உத்தரவாதம் அளிக்கப்படுகிறது. VaD தரவுத்தொகுப்பில் உள்ள தரவின் மிகவும் விரும்பத்தக்க விநியோகம் ஒப்பீட்டளவில் சிறந்த மாடலிங் செயல்திறனுக்கு ஒரு பகுதியாக பங்களித்தது என்பதும் நம்பத்தகுந்ததாகும். VaD தரவுத்தொகுப்பு இரண்டு வகுப்புகளுக்கு இடையில் நன்கு சமநிலையில் இருந்தது, அதேசமயம் மிகக் குறைவான MCI நோயாளிகளைக் கொண்ட AD தரவுத்தொகுப்பு இல்லை. குறிப்பாக சிறிய தரவுத்தொகுப்புகளில், சில கூடுதல் நிகழ்வுகள் கூட அளவிடக்கூடிய வித்தியாசத்தை ஏற்படுத்தும். இரண்டு முன்னோக்குகளும் நோயின் தீவிரத்தன்மை மாடலிங் செயல்திறனில் உள்ள வேறுபாடுகளுக்கு அடிப்படையான நியாயமான வாதங்கள். இருப்பினும், தரவுத்தொகுப்பு எண்ணியல் பண்புகள் அல்லது பரிசீலனையில் உள்ள மருத்துவ விளக்கக்காட்சிக்கு குறிப்பிட்ட உள்ளார்ந்த அம்சங்களுக்கு விகிதாசாரமாக மேம்பட்ட செயல்திறனைக் கூறுவது முன்கூட்டியே ஆகும். ஆயினும்கூட, மருத்துவ நோயறிதல் ஆதரவின் பாத்திரத்தில் MemTrax முன்கணிப்பு வகைப்பாடு மாதிரியின் பயன்பாட்டை இந்த நாவல் நிரூபித்தது மற்றும் MCI இன் தொடர்ச்சியில் நோயாளிகளுடன் கூடுதல் பரிசோதனைக்கான முயற்சியை உறுதிப்படுத்துகிறது.
சீனாவில் MemTrax மற்றும் இந்த மாதிரிகளின் செயல்படுத்தல் மற்றும் நிரூபிக்கப்பட்ட பயன்பாடு, அங்கு நிறுவப்பட்ட பயன்பாட்டின் பிற பகுதிகளிலிருந்து (எ.கா., பிரான்ஸ், நெதர்லாந்து மற்றும் அமெரிக்கா) [7, 8, 27] மொழி மற்றும் கலாச்சாரம் கடுமையாக வேறுபட்டது, மேலும் சாத்தியத்தை அடிக்கோடிட்டுக் காட்டுகிறது. MemTrax அடிப்படையிலான தளத்தின் பரவலான உலகளாவிய ஏற்றுக்கொள்ளல் மற்றும் மருத்துவ மதிப்பிற்காக. தரவு ஒத்திசைவை நோக்கி பாடுபடுவதற்கும், நடைமுறை சர்வதேச விதிமுறைகள் மற்றும் அறிவாற்றல் திரையிடலுக்கான மாடலிங் ஆதாரங்களை மேம்படுத்துவதற்கும் இது ஒரு நிரூபிக்கக்கூடிய உதாரணம் ஆகும்.
அறிவாற்றல் வீழ்ச்சி மாடலிங் மற்றும் பயன்பாட்டில் அடுத்த படிகள்
AD இல் உள்ள அறிவாற்றல் செயலிழப்பு உண்மையில் ஒரு தொடர்ச்சியில் நிகழ்கிறது, தனித்துவமான நிலைகள் அல்லது படிகளில் அல்ல [28, 29]. எவ்வாறாயினும், இந்த ஆரம்ப கட்டத்தில், "இயல்பானதை" "சாதாரணமாக இல்லை" என்பதிலிருந்து அடிப்படையில் வேறுபடுத்தக்கூடிய MemTrax ஐ உள்ளடக்கிய ஒரு மாதிரியை உருவாக்கும் திறனை முதலில் நிறுவுவதே எங்கள் இலக்காக இருந்தது. மேலும் உள்ளடங்கிய அனுபவ தரவு (எ.கா., மூளை இமேஜிங், மரபணு அம்சங்கள், உயிரியக்க குறிப்பான்கள், கூட்டு நோய்கள் மற்றும் சிக்கலான செயல்பாட்டு குறிப்பான்கள் அறிவாற்றல் தேவைப்படும் நடவடிக்கைகள் கட்டுப்பாடு) [30] பல்வேறு உலகளாவிய பகுதிகள், மக்கள்தொகை மற்றும் வயதுக் குழுக்கள் ஆகியவற்றில் மிகவும் நுட்பமான (பொருத்தமான எடையுள்ள குழுமம் உட்பட) இயந்திர கற்றல் மாதிரிகள் அதிக அளவிலான மேம்பட்ட வகைப்பாட்டை ஆதரிக்கும், அதாவது, நோயாளிகளின் குழுக்களை வகைப்படுத்தும் திறன். அறிவாற்றல் வீழ்ச்சியின் தொடர்ச்சியுடன் சிறிய மற்றும் உறுதியான துணைக்குழுக்களாக MCI. மேலும், பிராந்திய ரீதியில் வேறுபட்ட நோயாளி மக்கள்தொகையில் தனிநபர்களுக்கான மருத்துவ நோயறிதல்கள் அவசியம் திறம்பட பயிற்சி இந்த மிகவும் உள்ளடக்கிய மற்றும் கணிக்கக்கூடிய வலுவான மாதிரிகள். இது ஒரே மாதிரியான பின்னணிகள், தாக்கங்கள் மற்றும் மிகவும் குறுகலாக வரையறுக்கப்பட்ட குணாதிசயமான அறிவாற்றல் சுயவிவரங்களைக் கொண்டவர்களுக்கு மிகவும் குறிப்பிட்ட அடுக்கடுக்கான வழக்கு நிர்வாகத்தை எளிதாக்கும், இதனால் மருத்துவ முடிவு ஆதரவு மற்றும் நோயாளி கவனிப்பை மேம்படுத்தும்.
இன்றுவரை தொடர்புடைய மருத்துவ ஆராய்ச்சிகளில் பெரும்பாலானவை குறைந்த பட்சம் லேசான டிமென்ஷியா உள்ள நோயாளிகளை நிவர்த்தி செய்துள்ளன; மேலும், நடைமுறையில், பெரும்பாலும் நோயாளியின் தலையீடு மேம்பட்ட நிலைகளில் மட்டுமே முயற்சிக்கப்படுகிறது. இருப்பினும், முதுமை மறதிக்கான மருத்துவ அளவுகோல்களை பூர்த்தி செய்வதற்கு முன்பே அறிவாற்றல் வீழ்ச்சி தொடங்கும் என்பதால், திறம்பட பயன்படுத்தப்படும் MemTrax-அடிப்படையிலான ஆரம்பத் திரையானது, நோய் மற்றும் அதன் முன்னேற்றங்கள் மற்றும் உடனடியான முந்தைய மற்றும் சரியான நேரத்தில் தலையீடுகள் குறித்து தனிநபர்களுக்கு பொருத்தமான கல்வியை ஊக்குவிக்கும். எனவே, ஆரம்பகால கண்டறிதல் உடற்பயிற்சி, உணவுமுறை, உணர்ச்சி ஆதரவு மற்றும் மேம்படுத்தப்பட்ட சமூகமயமாக்கல் முதல் மருந்தியல் தலையீடு வரை பொருத்தமான ஈடுபாடுகளை ஆதரிக்கலாம் மற்றும் நோயாளி தொடர்பான மாற்றங்களை வலுப்படுத்தலாம் மற்றும் தனித்தனியாகவோ அல்லது மொத்தமாகவோ டிமென்ஷியா முன்னேற்றத்தைக் குறைக்கலாம் அல்லது நிறுத்தலாம் [31, 32] . மேலும், திறம்பட ஆரம்ப திரையிடல், தனிநபர்களும் அவர்களது குடும்பங்களும் மருத்துவ பரிசோதனைகளை பரிசீலிக்க தூண்டப்படலாம் அல்லது எதிர்பார்ப்புகள் மற்றும் நோக்கங்களை தெளிவுபடுத்த மற்றும் தினசரி பணிகளை நிர்வகிக்க உதவும் ஆலோசனை மற்றும் பிற சமூக சேவைகளின் ஆதரவைப் பெறலாம். இந்த வழிகளில் மேலும் சரிபார்ப்பு மற்றும் பரவலான நடைமுறை பயன்பாடு பல தனிநபர்களுக்கு MCI, AD மற்றும் ADRD இன் முன்னேற்றத்தைத் தணிக்க அல்லது நிறுத்துவதில் கருவியாக இருக்கும்.
உண்மையில், எங்கள் ஆய்வில் நோயாளியின் வயது வரம்பின் குறைந்த முடிவு AD உடன் பாரம்பரிய அக்கறை கொண்ட மக்களைப் பிரதிநிதித்துவப்படுத்தவில்லை. ஆயினும்கூட, MoCA மதிப்பெண்/வரம்பு மற்றும் நோயறிதல் தீவிரம் (அட்டவணை 3) ஆகியவற்றின் அடிப்படையில் வகைப்படுத்தல் மாடலிங் திட்டங்களில் பயன்படுத்தப்படும் ஒவ்வொரு குழுவிற்கும் சராசரி வயது குறைந்த பட்சம் 80 வயதுடைய தெளிவான பெரும்பான்மையை (50% க்கு மேல்) அடிக்கோடிட்டுக் காட்டுகிறது. இந்த விநியோகம் பொதுமைப்படுத்தலுக்கு மிகவும் பொருத்தமானது, மக்கள்தொகையில் இந்த மாதிரிகளின் பயன்பாட்டை ஆதரிக்கிறது. ஆரம்ப ஆரம்பம் மற்றும் AD மற்றும் VaD காரணமாக வளர்ந்து வரும் நரம்பியல் நோய். மேலும், சமீபத்திய சான்றுகள் மற்றும் முன்னோக்கு ஆகியவை அங்கீகரிக்கப்பட்ட காரணிகளை வலியுறுத்துகின்றன (எ.கா., உயர் இரத்த அழுத்தம், உடல் பருமன், நீரிழிவு மற்றும் புகைபிடித்தல்) அதிக தொடக்கத்தில் பங்களிக்கக்கூடும் வயது வந்தோர் மற்றும் மிட்லைஃப் வாஸ்குலர் ஆபத்து மதிப்பெண்கள் மற்றும் அதன் விளைவாக நுட்பமான வாஸ்குலர் மூளை காயம் இளம் வயதினரிடையே கூட வெளிப்படையான விளைவுகளுடன் நயவஞ்சகமாக உருவாகிறது பெரியவர்கள் [33-35]. அதன்படி, முன்கூட்டியே கண்டறிவதற்கான மிகவும் உகந்த ஆரம்ப ஸ்கிரீனிங் வாய்ப்பு நிலை அறிவாற்றல் குறைபாடுகள் மற்றும் டிமென்ஷியாவை வெற்றிகரமாக நிவர்த்தி செய்வதில் பயனுள்ள தடுப்பு மற்றும் தலையீட்டு உத்திகளைத் தொடங்குதல் முதிர்வயது மற்றும் குழந்தைப் பருவம் உட்பட வயது ஸ்பெக்ட்ரம் முழுவதும் பங்களிக்கும் காரணிகள் மற்றும் முன்னோடி குறிகாட்டிகளை ஆராய்வதன் மூலம் வெளிப்படும் (ஆரம்பகால கர்ப்பகாலத்திலிருந்து அபோலிபோபுரோட்டீன் E போன்ற மரபணு காரணிகளின் பொருத்தத்தைக் குறிப்பிடுகிறது).
நடைமுறையில், செல்லுபடியாகும் மருத்துவ நோயறிதல்கள் மற்றும் மேம்பட்ட இமேஜிங், மரபணு விவரக்குறிப்பு மற்றும் நம்பிக்கைக்குரிய பயோமார்க்ஸர்களை அளவிடுவதற்கான விலையுயர்ந்த நடைமுறைகள் எப்பொழுதும் உடனடியாக கிடைக்காது அல்லது பல வழங்குநர்களுக்கு சாத்தியமாகாது. எனவே, பல சந்தர்ப்பங்களில், ஆரம்ப ஒட்டுமொத்த அறிவாற்றல் சுகாதார நிலை வகைப்பாடு நோயாளியால் வழங்கப்பட்ட பிற எளிய அளவீடுகளைப் பயன்படுத்தி மாதிரிகளிலிருந்து பெறப்பட வேண்டும் (எ.கா., சுய அறிக்கை நினைவக சிக்கல்கள், தற்போதைய மருந்துகள் மற்றும் வழக்கமான செயல்பாட்டு வரம்புகள்) மற்றும் பொதுவான மக்கள்தொகை அம்சங்கள் [7]. கலிபோர்னியா பல்கலைக்கழகம் போன்ற பதிவுகள் மூளை சுகாதார பதிவேடு (https://www.brainhealthregistry.org/) [27] மற்றும் பிறர் தன்னம்பிக்கையான அறிகுறிகளின் உள்ளார்ந்த அகலம், தரமான நடவடிக்கைகள் (எ.கா., தூக்கம் மற்றும் ஒவ்வொரு நாளும் அறிவாற்றல்), மருந்துகள், சுகாதார நிலை மற்றும் வரலாறு, மற்றும் கிளினிக்கில் இந்த மிகவும் பழமையான மாதிரிகளின் நடைமுறை பயன்பாட்டை மேம்படுத்துவதற்கும் சரிபார்ப்பதற்கும் மிகவும் விரிவான புள்ளிவிவரங்கள் கருவியாக இருக்கும். மேலும், MemTrax போன்ற ஒரு சோதனை, நினைவக செயல்பாட்டை மதிப்பிடுவதில் பயனை நிரூபித்துள்ளது, உண்மையில் உயிரியல் குறிப்பான்களை விட AD நோயியலின் கணிசமான சிறந்த மதிப்பீட்டை வழங்கலாம். AD நோயியலின் முக்கிய அம்சம் நியூரோபிளாஸ்டிசிட்டியின் சீர்குலைவு மற்றும் சினாப்சஸின் பெரும் சிக்கலான இழப்பு, இது எபிசோடிக் என வெளிப்படுகிறது. நினைவக செயலிழப்பு, எபிசோடிக் நினைவகத்தை மதிப்பிடும் ஒரு நடவடிக்கை உண்மையில் இருக்கலாம் உயிருள்ள நோயாளியின் உயிரியல் குறிப்பான்களைக் காட்டிலும் AD நோயியல் சுமையின் சிறந்த மதிப்பீட்டை வழங்குகிறது [36].
அனைத்து முன்கணிப்பு மாதிரிகள்-அதிநவீன தொழில்நுட்பத்தின் சிக்கலான மற்றும் உள்ளடக்கிய தரவுகள் மற்றும் பல டொமைன்களில் உள்ள சுத்திகரிக்கப்பட்ட மருத்துவ நுண்ணறிவுகள் அல்லது ஏற்கனவே உள்ள நோயாளி சுயவிவரங்களின் அடிப்படை மற்றும் எளிதில் கிடைக்கக்கூடிய தகவல்களுக்கு மட்டுப்படுத்தப்பட்டவை - செயற்கை நுண்ணறிவின் அங்கீகரிக்கப்பட்ட நன்மை. மற்றும் இயந்திரக் கற்றல் என்பது, விளைந்த மாதிரிகள், தற்போதைய பயன்பாட்டு பயன்பாட்டினால் வழங்கப்படும் தொடர்புடைய புதிய தரவு மற்றும் முன்னோக்கிலிருந்து ஒருங்கிணைத்து தூண்டக்கூடிய வகையில் "கற்றுக்கொள்ள" முடியும். நடைமுறை தொழில்நுட்பப் பரிமாற்றத்தைத் தொடர்ந்து, இங்குள்ள மாதிரிகள் (மேலும் உருவாக்கப்பட வேண்டியவை) பயன்படுத்தப்பட்டு, அதிக வழக்குகள் மற்றும் பொருத்தமான தரவுகளுடன் (தொடர்ந்து அறிவாற்றல் வீழ்ச்சியுடன் கூடிய நோயாளிகள் உட்பட), முன்கணிப்பு செயல்திறன் மற்றும் அறிவாற்றல் ஆரோக்கிய வகைப்பாடு மிகவும் வலுவானதாக இருக்கும். இதன் விளைவாக மிகவும் பயனுள்ள மருத்துவ முடிவு ஆதரவு பயன்பாடு. இந்த பரிணாமம் MemTraxஐ தனிப்பயன் (கிடைக்கும் திறன்களை இலக்காகக் கொண்டது) தளங்களில் உட்பொதிப்பதன் மூலம் மிகவும் முழுமையாகவும் நடைமுறை ரீதியாகவும் உணரப்படும்.
நோயறிதல் ஆதரவு மற்றும் நோயாளியின் பராமரிப்புக்கான MemTrax மாதிரியின் சரிபார்ப்பு மற்றும் பயன்பாட்டிற்கு இன்றியமையாதது, அர்த்தமுள்ள நீளமான தரவு மிகவும் விரும்பப்படுகிறது. ஆரம்ப-நிலை MCI மூலம் போதுமான அளவிலான இயல்பான மருத்துவ நிலையில் உள்ள மாற்றங்களை (ஏதேனும் இருந்தால்) அவதானித்து பதிவு செய்வதன் மூலம், பொருத்தமான தற்போதைய மதிப்பீடு மற்றும் வகைப்படுத்தலுக்கான மாதிரிகள் பயிற்சியளிக்கப்பட்டு நோயாளிகளின் வயதிற்கு ஏற்றவாறு மாற்றியமைக்கப்பட்டு சிகிச்சை அளிக்கப்படும். அதாவது, மீண்டும் மீண்டும் பயன்பாடானது, லேசான அறிவாற்றல் மாற்றங்கள், தலையீடு செயல்திறன் மற்றும் தகவலறிந்த அடுக்கடுக்கான கவனிப்பைப் பேணுதல் ஆகியவற்றின் நீளமான கண்காணிப்புக்கு உதவும். இந்த அணுகுமுறை மருத்துவ நடைமுறை மற்றும் நோயாளி மற்றும் வழக்கு மேலாண்மை ஆகியவற்றுடன் மிகவும் நெருக்கமாக ஒத்துப்போகிறது.
வரம்புகள்
கட்டுப்படுத்தப்பட்ட கிளினிக்/மருத்துவமனை அமைப்பில் சுத்தமான மருத்துவத் தரவைச் சேகரிப்பதில் உள்ள சவாலையும் மதிப்பையும் நாங்கள் பாராட்டுகிறோம். ஆயினும்கூட, எங்கள் தரவுத்தொகுப்புகள் பொதுவான அம்சங்களைக் கொண்ட அதிகமான நோயாளிகளை உள்ளடக்கியிருந்தால் அது எங்கள் மாடலிங்கை வலுப்படுத்தியிருக்கும். மேலும், எங்கள் நோயறிதல் மாடலிங்கிற்கு குறிப்பிட்ட, சாதாரண அறிவாற்றல் ஆரோக்கியத்துடன் பொருந்திய நோயாளிகளிடம் அதே மருத்துவ மதிப்பீட்டை கற்பவர்களுக்கு பயிற்சி அளிப்பது மிகவும் விரும்பத்தக்கதாகவும் பொருத்தமானதாகவும் இருந்திருக்கும். மேலும் வடிகட்டப்பட்ட தரவுத்தொகுப்பைப் பயன்படுத்தி உயர் வகைப்பாடு செயல்திறனால் அடிக்கோடிட்டுக் காட்டப்பட்டது (மட்டும் தரவரிசையில் உள்ள நான்கு அம்சங்கள்), மிகவும் பொதுவான மற்றும் அறிவாற்றல் சுகாதார நடவடிக்கைகள் / குறிகாட்டிகள் மேம்பட்டிருக்கும் அனைத்து நோயாளிகளிலும் அதிக எண்ணிக்கையிலான பொதுவான அம்சங்களுடன் மாடலிங் செயல்திறன்.
குறிப்பிட்ட பங்கேற்பாளர்கள் இடைநிலை அல்லது நாள்பட்ட அறிவாற்றல் குறைபாடுகளைத் தூண்டக்கூடிய பிற நோய்களை ஒரே நேரத்தில் அனுபவித்திருக்கலாம். XL துணைத் தரவுத்தொகுப்பைத் தவிர, நோயாளிகள் AD அல்லது VaD என கண்டறியும் வகையில் வகைப்படுத்தப்பட்டுள்ளனர், YH நோயாளிக் குழுவில் இணை நோய்த் தரவு சேகரிக்கப்படவில்லை/அறிக்கை செய்யப்படவில்லை, மேலும் KM துணைத் தரவுத்தொகுப்பில் இதுவரை முக்கியமாகப் புகாரளிக்கப்பட்ட கொமொர்பிடிட்டி நீரிழிவு நோயாகும். எவ்வாறாயினும், அறிவாற்றல் குறைபாட்டின் அளவைத் தூண்டும் அல்லது அதிகரிக்கக்கூடிய கொமொர்பிடிட்டிகளுடன் கூடிய நோயாளிகளை எங்கள் மாடலிங் திட்டங்களில் சேர்த்துக்கொள்வது விவாதத்திற்குரியது மற்றும் அதன் விளைவாக குறைந்த MemTrax செயல்திறன் இந்த மிகவும் பொதுவான ஆரம்ப அறிவாற்றல் திரையிடலுக்கு நிஜ-உலக இலக்கு நோயாளிகளின் அதிக பிரதிநிதியாக இருக்கும். மற்றும் மாடலிங் அணுகுமுறை. முன்னோக்கி நகர்வது, அறிவாற்றல் செயல்திறனை பாதிக்கக்கூடிய கொமொர்பிடிட்டிகளின் துல்லியமான கண்டறிதல் மாதிரிகள் மற்றும் அதன் விளைவாக நோயாளி பராமரிப்பு பயன்பாடுகளை மேம்படுத்துவதற்கு பரந்த அளவில் நன்மை பயக்கும்.
கடைசியாக, YH மற்றும் KM துணை தரவுத்தொகுப்பு நோயாளிகள் MemTrax சோதனையை எடுக்க ஸ்மார்ட்போனைப் பயன்படுத்தினர், அதேசமயம் குறிப்பிட்ட எண்ணிக்கையிலான XL துணை-தரவுத்தொகுப்பு நோயாளிகள் iPad ஐப் பயன்படுத்தினர், மீதமுள்ளவர்கள் ஸ்மார்ட்போனைப் பயன்படுத்தினர். இது MoCA வகைப்பாடு மாடலிங்கிற்கான MemTrax செயல்திறனில் சிறிய சாதனம் தொடர்பான வேறுபாட்டை அறிமுகப்படுத்தியிருக்கலாம். இருப்பினும், MTx-RT இல் உள்ள வேறுபாடுகள் (ஏதேனும் இருந்தால்), எடுத்துக்காட்டாக, சாதனங்களுக்கிடையில் மிகக் குறைவாகவே இருக்கும், குறிப்பாக ஒவ்வொரு பங்கேற்பாளருக்கும் பதிவுசெய்யப்பட்ட சோதனை செயல்திறனுக்கு சற்று முன்பு "நடைமுறை" சோதனை வழங்கப்படும். இருப்பினும், இந்த இரண்டு கையடக்க சாதனங்களின் பயன்பாடானது, கணினி விசைப்பலகையில் உள்ள ஸ்பேஸ்பாரைத் தொடுவதன் மூலம் பயனர்கள் மீண்டும் மீண்டும் படங்களை எடுப்பதற்குப் பதிலளித்த மற்ற MemTrax முடிவுகளுடன் நேரடி ஒப்பீடு மற்றும்/அல்லது ஒருங்கிணைப்பில் சமரசம் செய்யலாம்.
MemTrax முன்கணிப்பு மாடலிங் பயன்பாட்டின் முக்கிய புள்ளிகள்
- • தேர்ந்தெடுக்கப்பட்ட MemTrax செயல்திறன் அளவீடுகளை உள்ளடக்கிய எங்களின் சிறந்த செயல்திறன் முன்கணிப்பு மாதிரிகள், பரவலாக அங்கீகரிக்கப்பட்ட MoCA சோதனையால் குறிப்பிடப்படும் அறிவாற்றல் ஆரோக்கிய நிலையை (சாதாரண அறிவாற்றல் ஆரோக்கியம் அல்லது MCI) நம்பத்தகுந்த வகையில் வகைப்படுத்தலாம்.
- • இந்த முடிவுகள் தேர்ந்தெடுக்கப்பட்ட MemTrax செயல்திறன் அளவீடுகளை ஆரம்ப நிலை அறிவாற்றல் குறைபாட்டிற்கான வகைப்பாடு முன்கணிப்பு மாதிரி திரையிடல் பயன்பாட்டில் ஒருங்கிணைப்பதை ஆதரிக்கிறது.
- • டிமென்ஷியா நோயறிதலின் தீவிரத்தை வேறுபடுத்துவதற்கான பயன்பாடுகளில் MemTrax செயல்திறனைப் பயன்படுத்துவதற்கான சாத்தியக்கூறுகளையும் எங்கள் வகைப்பாடு மாடலிங் வெளிப்படுத்தியது.
இந்த நாவல் கண்டுபிடிப்புகள் திறமையான மருத்துவ வழக்கு மேலாண்மை மற்றும் அறிவாற்றல் குறைபாட்டை அனுபவிக்கும் நபர்களுக்கான நோயாளி பராமரிப்பு ஆகியவற்றில் கண்டறியும் ஆதரவுக்காக மேம்படுத்தப்பட்ட வலுவான MemTrax-அடிப்படையிலான வகைப்பாடு மாதிரிகளை உருவாக்குவதில் இயந்திர கற்றலின் பயன்பாட்டை ஆதரிக்கும் உறுதியான ஆதாரங்களை நிறுவுகிறது.
அங்கீகாரங்களாகக்
J. Wesson Ashford, Curtis B. Ashford மற்றும் சக ஊழியர்களின் பணியை நாங்கள் அங்கீகரிக்கிறோம், இங்கு பயன்படுத்தப்பட்ட ஆன்லைன் தொடர்ச்சியான அங்கீகார பணி மற்றும் கருவியை (MemTrax) மேம்படுத்தி சரிபார்த்தோம், மேலும் முக்கியமான அடிப்படை ஆராய்ச்சிக்கு பங்களித்த எண்ணற்ற டிமென்ஷியா நோயாளிகளுக்கு நாங்கள் நன்றியுள்ளவர்களாக இருக்கிறோம். . Xianbo Zhou மற்றும் SJN Biomed LTD இல் உள்ள அவரது சகாக்களுக்கும், மருத்துவமனைகள்/மருத்துவ நிலையங்களில் உள்ள அவரது சகாக்கள் மற்றும் கூட்டுப்பணியாளர்களுக்கும், குறிப்பாக Dr. M. Luo மற்றும் M. Zhong, பங்கேற்பாளர்களை ஆட்சேர்ப்பு செய்தல், சோதனைகளை திட்டமிடுதல் மற்றும் தரவுகளை சேகரித்தல், பதிவு செய்தல் மற்றும் முன்-இறுதியில் நிர்வகித்தல், மற்றும் தன்னார்வ பங்கேற்பாளர்கள் தங்களுடைய மதிப்புமிக்க நேரத்தை நன்கொடையாக அளித்து, சோதனைகளை எடுத்து வழங்குவதில் அர்ப்பணிப்புடன் செயல்பட்டனர். இந்த ஆய்வில் நாம் மதிப்பிடுவதற்கான மதிப்புமிக்க தரவு. இது MD அறிவியல் ஆராய்ச்சியின் ஒரு பகுதியாக ஆய்வு ஆதரிக்கப்பட்டது குன்மிங் மருத்துவப் பல்கலைக்கழகத்தின் திட்டம் (கிராண்ட் எண். 2017BS028 to XL) மற்றும் யுன்னான் அறிவியல் மற்றும் தொழில்நுட்பத் துறையின் ஆராய்ச்சித் திட்டம் (கிராண்ட் எண். 2019FE001 (-222) to XL).
ஜே. வெஸ்ஸன் ஆஷ்ஃபோர்ட் இந்த தாளில் பொதுவாக விவரிக்கப்பட்டுள்ள குறிப்பிட்ட தொடர்ச்சியான அங்கீகார முன்னுதாரணத்தைப் பயன்படுத்துவதற்கான காப்புரிமை விண்ணப்பத்தை தாக்கல் செய்துள்ளார். நினைவக சோதனை.
MemTrax, LLC என்பது கர்டிஸ் ஆஷ்போர்டுக்கு சொந்தமான ஒரு நிறுவனமாகும், மேலும் இந்த நிறுவனம் நிர்வகிக்கிறது நினைவக சோதனை இந்த தாளில் விவரிக்கப்பட்டுள்ள அமைப்பு.
ஆசிரியர்களின் வெளிப்பாடுகள் ஆன்லைனில் கிடைக்கும் (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
சான்றாதாரங்கள்
| [1] அல்சைமர் சங்கம் (2016) 2016 அல்சைமர் நோய் உண்மைகள் மற்றும் புள்ளிவிவரங்கள். அல்சைமர்ஸ் டிமென்ட் 12, 459–509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) ஆரம்ப கட்டத்தின் விளைவு அல்சீமர் நோய் வீட்டு நிதி விளைவுகளில். ஹெல்த் எகான் 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) தர மேம்பாடு நரம்பியல்: லேசான அறிவாற்றல் குறைபாடு தர அளவீட்டு தொகுப்பு. நரம்பியல் 93, 705–713. |
| [4] டோங் டி , தோகலா பி , மெக்மில்லன் பி , கோஷ் ஆர் , பிரேசியர் ஜே (2017) பயன்படுத்துவதற்கான செலவு செயல்திறன் முதன்மை கவனிப்பில் டிமென்ஷியா மற்றும் லேசான அறிவாற்றல் குறைபாட்டைக் கண்டறிவதற்கான அறிவாற்றல் திரையிடல் சோதனைகள். Int J Geriatr மனநல மருத்துவம் 32, 1392–1400. | |
| [5] Ashford JW , Gere E , Bayley PJ (2011) நினைவகத்தை அளவிடுதல் தொடர்ச்சியான அங்கீகார சோதனையைப் பயன்படுத்தி பெரிய குழு அமைப்புகளில். ஜே அல்சைமர்ஸ் டிஸ் 27, 885–895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) எபிசோடிக் நினைவகத்தை அளவிடுவதற்கான கணினிமயமாக்கப்பட்ட தொடர்ச்சியான அங்கீகார பணி. ஜே அல்சைமர்ஸ் டிஸ் 69, 385–399. |
| [7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) எபிசோடிக்-மெமரி பெர்ஃபார்மென்ஸ் இன் மெஷின் லேர்னிங் மாடலிங்கில் அறிவாற்றல் ஆரோக்கிய நிலை வகைப்படுத்தலைக் கணிக்க. ஜே அல்சைமர்ஸ் டிஸ் 70, 277–286. |
| [8] வான் டெர் ஹோக் எம்.டி., நியுவென்ஹுய்சென் ஏ, கெய்ஜர் ஜே, ஆஷ்ஃபோர்ட் ஜே.டபிள்யூ (2019) தி MemTrax சோதனை லேசான அறிவாற்றல் குறைபாட்டின் மாண்ட்ரீல் அறிவாற்றல் மதிப்பீட்டுடன் ஒப்பிடும்போது. ஜே அல்சைமர்ஸ் டிஸ் 67, 1045–1054. | |
| [9] | Falcone M , Yadav N , Poellabauer C , Flynn P (2013) லேசான அதிர்ச்சிகரமான மூளைக் காயத்தை வகைப்படுத்துவதற்காக தனிமைப்படுத்தப்பட்ட உயிர் ஒலிகளைப் பயன்படுத்துதல். 2013 இல் IEEE இன்டர்நேஷனல் கான்ஃபரன்ஸ் ஆன் அக்கௌஸ்டிக்ஸ், ஸ்பீச் மற்றும் சிக்னல் ப்ராசஸிங், வான்கூவர், BC, pp. 7577–7581. |
| [10] | Dabek F , Caban JJ (2015) மூளையதிர்ச்சிக்குப் பிறகு உளவியல் நிலைமைகளை வளர்ப்பதற்கான சாத்தியக்கூறுகளை மாதிரியாக பெரிய தரவுகளை மேம்படுத்துதல். Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) சமூக மருந்தாளுநர்களால் அறிவாற்றல் குறைபாட்டை முன்கூட்டியே கண்டறிவதற்கான முடிவு மரம். முன் பார்மகோல் 9, 1232. |
| [12] | Nasreddine ZS , Phillips NA , Bedirian V , Charbonneau S , Whitehead V , Collin I , Cummings JL , Chertkow H (2005) The Montreal Cognitive Assessment, MoCA: லேசான அறிவாற்றல் குறைபாட்டிற்கான சுருக்கமான திரையிடல் கருவி. ஜே ஆம் ஜெரியாட்டர் Soc 53, 695–699. |
| [13] | யு ஜே , லி ஜே , ஹுவாங் எக்ஸ் (2012) மாண்ட்ரீல் அறிவாற்றல் மதிப்பீட்டின் பெய்ஜிங் பதிப்பு லேசான அறிவாற்றல் குறைபாட்டிற்கான சுருக்கமான திரையிடல் கருவி: சமூகம் சார்ந்த ஆய்வு. BMC மனநல மருத்துவம் 12, 156. |
| [14] | Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) லேசான அறிவாற்றல் குறைபாட்டைத் திரையிடுவதற்கான சீனப் பதிப்பான மாண்ட்ரீல் அறிவாற்றல் மதிப்பீட்டின் சரிபார்ப்பு. ஜே ஆம் ஜெரியாட்டர் Soc 64, e285–e290. |
| [15] | கார்சன் என் , லீச் எல் , மர்பி கேஜே (2018) மாண்ட்ரீல் அறிவாற்றல் மதிப்பீடு (MoCA) கட்ஆஃப் மதிப்பெண்களின் மறு ஆய்வு. Int J Geriatr மனநல மருத்துவம் 33, 379–388. |
| [16] | அமெரிக்கன் சைக்கியாட்ரிக் அசோசியேஷன் (2013) டாஸ்க் ஃபோர்ஸ் நோயறிதல் மற்றும் மனநல கோளாறுகளின் புள்ளிவிவர கையேடு: DSM-5™, அமெரிக்கன் சைக்கியாட்ரிக் பப்ளிஷிங், இன்க்., வாஷிங்டன், டிசி. |
| [17] | மலைப்பாம்பு. Python Software Foundation, http://www.python.org, நவம்பர் 15, 2019 அன்று அணுகப்பட்டது. |
| [18] | ஆர் கோர் குரூப், ஆர்: புள்ளியியல் கம்ப்யூட்டிங்கிற்கான ஒரு மொழி மற்றும் சூழல் R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/, 2018, நவம்பர் 15, 2019 அன்று அணுகப்பட்டது. |
| [19] | பெனாவோலி A , Corani G , Demšar J , Zaffalon M (2017) ஒரு மாற்றத்திற்கான நேரம்: பேய்சியன் பகுப்பாய்வு மூலம் பல வகைப்படுத்திகளை ஒப்பிடுவதற்கான பயிற்சி. J Mach Learn Res 18, 1–36. |
| [20] | ஃபிராங்க் ஈ, ஹால் எம்ஏ, விட்டன் ஐஎச் (2016) தி வெகா வொர்க் பெஞ்ச். இல் தரவுச் செயலாக்கம்: நடைமுறை இயந்திர கற்றல் கருவிகள் மற்றும் நுட்பங்கள், ஃபிராங்க் ஈ, ஹால் எம்ஏ, விட்டன் ஐஎச், பால் சிஜே, பதிப்புகள். மோர்கன் காஃப்மேன் 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) உயர்நிலைப் பள்ளி விளையாட்டு மூளையதிர்ச்சி அறிகுறியை மாடலிங் செய்வதில் இயந்திர கற்றல். Med Sci விளையாட்டுப் பயிற்சி 51, 1362–1371. |
| [22] | வான் ஹல்ஸ் ஜே , கோஷ்கோஃப்தார் டிஎம் , நபோலிடானோ ஏ (2007) சமநிலையற்ற தரவுகளிலிருந்து கற்றல் பற்றிய பரிசோதனைக் கண்ணோட்டங்கள். இல் இயந்திர கற்றல் தொடர்பான 24வது சர்வதேச மாநாட்டின் செயல்முறைகள், கோர்வாலிஸ், ஒரேகான், அமெரிக்கா, பக். 935-942. |
| [23] | Ashford JW , Kolm P , Colliver JA , Bekian C , Hsu LN (1989) அல்சைமர் நோயாளியின் மதிப்பீடு மற்றும் சிறு மன நிலை: உருப்படி பண்பு வளைவு பகுப்பாய்வு.P. ஜே ஜெரோன்டோல் 44, 139–146. |
| [24] ஆஷ்ஃபோர்ட் JW , ஜார்விக் எல் (1985) அல்சீமர் நோய்: நியூரானின் பிளாஸ்டிசிட்டி ஆக்ஸோனல் நியூரோபிப்ரில்லரி சிதைவுக்கு முற்படுகிறதா? N Engl J மெட் 313, 388–389. | |
| [25] ஜாக் சிஆர் ஜூனியர், தெர்னோ டிஎம், வெய்காண்ட் எஸ்டி, விஸ்டே எச்ஜே, நாப்மேன் டிஎஸ், வெமுரி பி, லோவ் விஜே, மில்கே எம்எம், ராபர்ட்ஸ் ஆர்ஓ, மச்சுல்டா எம்எம், கிராஃப்-ராட்ஃபோர்ட் ஜே, ஜோன்ஸ் டிடி, ஸ்க்வார் சிஜிஎல், ஜிஜிஎல் , Rocca WA , Petersen RC (2019) முதுமை-அல்சைமர் நோய்க்கான தேசிய நிறுவனத்தைப் பயன்படுத்தி மருத்துவ ரீதியாக வரையறுக்கப்பட்ட அல்சைமர் ஸ்பெக்ட்ரம் நிறுவனங்களின் பரவல் சங்க ஆராய்ச்சி கட்டமைப்பு. ஜமா நியூரோல் 76, 1174–1183. | |
| [26] Zhou X , Ashford JW (2019) ஸ்கிரீனிங் கருவிகளில் முன்னேற்றங்கள் அல்சீமர் நோய். ஏஜிங் மெட் 2, 88–93. | |
| [27] வீனர் MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) தி மூளை சுகாதார பதிவகம்: நரம்பியல் ஆய்வுகளுக்கு ஆட்சேர்ப்பு, மதிப்பீடு மற்றும் பங்கேற்பாளர்களின் நீளமான கண்காணிப்பு ஆகியவற்றிற்கான இணைய அடிப்படையிலான தளம். அல்சைமர்ஸ் டிமென்ட் 14, 1063–1076. | |
| [28] ஆஷ்ஃபோர்ட் ஜேடபிள்யூ, ஷ்மிட் எஃப்ஏ (2001) மாடலிங் டைம்-கோர்ஸ் அல்சைமர் டிமென்ஷியா. கர்ர் சைக்கியாட்ரி ரெப் 3, 20–28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) சினோ லாங்கிட்யூடினல் ஸ்டடி ஆன் காக்னிட்டிவ் டிக்லைன் (சில்கோட்): அகநிலை அறிவாற்றல் கொண்ட நபர்களில் லேசான அறிவாற்றல் குறைபாட்டிற்கு மாற்றுவதற்கான ஆபத்து முன்கணிப்பு மாதிரிகளை உருவாக்குவதற்கான சீன நீளமான கண்காணிப்பு ஆய்வுக்கான நெறிமுறை சரிவு. BMJ ஓபன் 9, e028188. |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) ஐந்து வருட உயிரியக்க வளர்ச்சி மாறுபாடு அல்சைமர் நோய் டிமென்ஷியா கணிப்பு: தினசரி வாழ்க்கை மார்க்கரின் சிக்கலான கருவி செயல்பாடுகள் இடைவெளிகளை நிரப்ப முடியுமா? அல்சைமர்ஸ் டிமென்ட் (ஆம்ஸ்ட்) 1, 521–532. | |
| [31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) அல்சைமர் நோய் தடுப்பு மற்றும் சிகிச்சை: உடற்பயிற்சியின் உயிரியல் வழிமுறைகள். ஜே அல்சைமர்ஸ் டிஸ் 69, 311–338. | |
| [32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) சிகிச்சைகள் அல்சைமர் நோய் தடுப்பு மற்றும் சிகிச்சை. Biomed Res Int 2016, 2589276. | |
| [33] | லேன் சிஏ, பார்ன்ஸ் ஜே, நிக்கோலஸ் ஜேஎம், சுத்ரே சிஎச், கேஷ் டிஎம், மலோன் ஐபி, பார்க்கர் டிடி, கேசவன் ஏ, புக்கானன் எஸ்எம், கியூஸ் எஸ்இ, ஜேம்ஸ் எஸ்என், லு கே, முர்ரே-ஸ்மித் எச், வோங் ஏ, கோர்டன் இ, கோத் மோடாட் எம், தாமஸ் டி, ரிச்சர்ட்ஸ் எம், ஃபாக்ஸ் என்சி, ஷாட் ஜேஎம் (2020) வயது முதிர்ந்த வயதில் வாஸ்குலர் ஆபத்து மற்றும் பிற்பகுதியில் மூளை நோய்க்குறியியல் ஆகியவற்றுக்கு இடையேயான தொடர்புகள்: பிரிட்டிஷ் பிறப்புக் குழுவிலிருந்து சான்றுகள். ஜமா நியூரோல் 77, 175–183. |
| [34] | சேஷாத்ரி எஸ் (2020) வயதைத் தாண்டிய டிமென்ஷியா-சிந்தனையைத் தடுத்தல் மற்றும் அமிலாய்ட் பெட்டிகள். ஜமா நியூரோல் 77, 160–161. |
| [35] | Maillard P , Seshadri S , Beiser A , Himali JJ , Au R , Fletcher E , Carmichael O , Wolf PA , DeCarli C (2012) ஃபிரேமிங்ஹாம் இளம் வயதினரின் வெள்ளைப் பொருளின் நேர்மையில் சிஸ்டாலிக் இரத்த அழுத்தத்தின் விளைவுகள்: கிராஸ் ஹார்ட் ஸ்டடி -பிரிவு ஆய்வு. லான்செட் நியூரோல் 11, 1039–1047. |
| [36] Fink HA , Linskens EJ , Silverman PC , McCarten JR , Hemmy LS , Ouellette JM , Greer NL , Wilt TJ , பட்லர் எம் (2020) நரம்பியல் ரீதியாக வரையறுக்கப்பட்ட பயோமார்க்கர் சோதனையின் துல்லியம் டிமென்ஷியா கொண்ட வயதானவர்களுக்கு அல்சைமர் நோய். ஆன் இன்டர்ன் மெட் 172, 669–677. |
இணைப்புகள்: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] கணினி மற்றும் மின் பொறியியல் மற்றும் கணினி அறிவியல் துறை, புளோரிடா அட்லாண்டிக் பல்கலைக்கழகம், போகா ரேடன், FL, USA | [c] SJN Biomed LTD, குன்மிங், யுனான், சீனா | [d] மையம் அல்சைமர் ஆராய்ச்சி, வாஷிங்டன் இன்ஸ்டிடியூட் ஆப் கிளினிக்கல் ரிசர்ச், வாஷிங்டன், டிசி, அமெரிக்கா | [e] மறுவாழ்வு மருத்துவத் துறை, குன்மிங் மருத்துவ பல்கலைக்கழகத்தின் முதல் இணைந்த மருத்துவமனை, குன்மிங், யுனான், சீனா | [f] நரம்பியல் துறை, டெஹாங் மக்கள் மருத்துவமனை, டெஹாங், யுன்னான், சீனா | [g] நரம்பியல் துறை, குன்மிங் மருத்துவ பல்கலைக்கழகத்தின் முதல் இணைந்த மருத்துவமனை, வுஹுவா மாவட்டம், குன்மிங், யுனான் மாகாணம், சீனா | [h] போர் தொடர்பான நோய் மற்றும் காயம் ஆய்வு மையம், VA பாலோ ஆல்டோ உடல்நலம் சிஸ்டம், பாலோ ஆல்டோ, CA, USA | [i] உளவியல் மற்றும் நடத்தை அறிவியல் துறை, ஸ்டான்போர்ட் யுனிவர்சிட்டி ஸ்கூல் ஆஃப் மெடிசின், பாலோ ஆல்டோ, CA, அமெரிக்கா
கடிதம்: [*] மைக்கேல் எஃப். பெர்கெரான், பிஎச்டி, எஃப்ஏசிஎஸ்எம், சிவோடெக் அனலிட்டிக்ஸ், போகா ரேடன் இன்னோவேஷன் கேம்பஸ், 4800 டி-ரெக்ஸ் அவென்யூ, சூட் 315, போகா ரேடன், எஃப்எல் 33431, அமெரிக்கா. மின்னஞ்சல்: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, நரம்பியல் துறை, குன்மிங் மருத்துவ பல்கலைக்கழகத்தின் முதல் இணைந்த மருத்துவமனை, 295 Xichang சாலை, வுஹுவா மாவட்டம், குன்மிங், யுனான் மாகாணம் 650032, சீனா. மின்னஞ்சல்: ring@vip.163.com.
முக்கிய வார்த்தைகள்: முதுமை, அல்சீமர் நோய், டிமென்ஷியா, வெகுஜன திரையிடல்