మైల్డ్ కాగ్నిటివ్ ఇంపెయిర్మెంట్ వర్గీకరణలో మెమ్ట్రాక్స్ మరియు మెషిన్ లెర్నింగ్ మోడలింగ్ యొక్క యుటిలిటీ
పరిశోధన వ్యాసం
రచయితలు: బెర్గెరాన్, మైఖేల్ ఎఫ్. | ల్యాండ్సెట్, సారా | జౌ, జియాన్బో | డింగ్, టావో | ఖోష్గోఫ్తార్, తఘీ M. | జావో, ఫెంగ్ | డు, బో | చెన్, జింజీ | వాంగ్, జువాన్ | జాంగ్, లియన్మీ | లియు, జియోలీ| ఆష్ఫోర్డ్, J. వెస్సన్
DOI: 10.3233/JAD-191340
జర్నల్: జర్నల్ ఆఫ్ అల్జీమర్స్ వ్యాధి, వాల్యూమ్. 77, లేదు. 4, pp. 1545-1558, 2020
వియుక్త
నేపథ్య:
యొక్క విస్తృతమైన సంఘటనలు మరియు ప్రాబల్యం అల్జీమర్స్ వ్యాధి మరియు తేలికపాటి అభిజ్ఞా బలహీనత (MCI) ముందస్తు గుర్తింపు కాగ్నిటివ్ స్క్రీనింగ్ మరియు అసెస్మెంట్ని ధృవీకరించడానికి పరిశోధన కోసం తక్షణ పిలుపునిచ్చింది.
ఆబ్జెక్టివ్:
ఎంచుకున్న MemTrax పనితీరు కొలమానాలు మరియు సంబంధిత జనాభా మరియు ఆరోగ్య ప్రొఫైల్ లక్షణాలను మెషిన్ లెర్నింగ్తో అభివృద్ధి చేసిన ప్రిడిక్టివ్ మోడల్స్లో అభిజ్ఞా ఆరోగ్యాన్ని (సాధారణ వర్సెస్ MCI) వర్గీకరించడానికి సమర్థవంతంగా ఉపయోగించవచ్చో లేదో నిర్ణయించడం మా ప్రాథమిక పరిశోధన లక్ష్యం. మాంట్రియల్ కాగ్నిటివ్ అసెస్మెంట్ (MoCA).
పద్ధతులు:
మేము 259 న్యూరాలజీ, మెమరీ క్లినిక్ మరియు ఇంటర్నల్ మెడిసిన్ అడల్ట్ రోగులపై క్రాస్ సెక్షనల్ స్టడీని నిర్వహించాము. చైనాలోని ఆసుపత్రులు. ప్రతి రోగికి చైనీస్-భాష MoCA ఇవ్వబడింది మరియు నిరంతర గుర్తింపు MemTrax ఆన్లైన్ ఎపిసోడిక్ స్వీయ-నిర్వహణ మెమరీ పరీక్ష ఆన్లైన్ అదే రోజు. ప్రిడిక్టివ్ వర్గీకరణ నమూనాలు 10 రెట్లు క్రాస్ ధ్రువీకరణతో మెషిన్ లెర్నింగ్ని ఉపయోగించి నిర్మించబడ్డాయి మరియు రిసీవర్ ఆపరేటింగ్ క్యారెక్టరిస్టిక్ కర్వ్ (AUC) కింద ఏరియాను ఉపయోగించి మోడల్ పనితీరును కొలుస్తారు. ఎనిమిది సాధారణ జనాభా మరియు వ్యక్తిగత చరిత్ర లక్షణాలతో పాటుగా రెండు MemTrax పనితీరు కొలమానాలను (శాతం సరైనది, ప్రతిస్పందన సమయం) ఉపయోగించి మోడల్లు నిర్మించబడ్డాయి.
ఫలితాలు:
MoCA స్కోర్లు మరియు థ్రెషోల్డ్ల ఎంపిక కలయికలలో అభ్యాసకులను పోల్చి చూస్తే, నేవ్ బేయెస్ సాధారణంగా 0.9093 యొక్క మొత్తం వర్గీకరణ పనితీరుతో అత్యుత్తమ పనితీరు కనబరిచిన అభ్యాసకుడు. ఇంకా, మొదటి ముగ్గురు అభ్యాసకులలో, మొత్తం 0.9119 సాధారణ ఫీచర్లను (10) ఉపయోగించడంతో పోలిస్తే కేవలం టాప్-ర్యాంక్ నాలుగు ఫీచర్లను (0.8999) ఉపయోగించి మెమ్ట్రాక్స్ ఆధారిత వర్గీకరణ పనితీరు మెరుగ్గా ఉంది.
ముగింపు:
MemTrax పనితీరును మెషిన్ లెర్నింగ్ వర్గీకరణ ప్రిడిక్టివ్ మోడల్లో సమర్థవంతంగా ఉపయోగించుకోవచ్చు ప్రారంభ దశ అభిజ్ఞా బలహీనతను గుర్తించడానికి స్క్రీనింగ్ అప్లికేషన్.
పరిచయము
గుర్తించబడిన (తక్కువగా గుర్తించబడనప్పటికీ) విస్తృతంగా వ్యాపించిన సంఘటనలు మరియు ప్రాబల్యం మరియు సమాంతరంగా పెరుగుతున్న వైద్య, సామాజిక మరియు పబ్లిక్ ఆరోగ్య అల్జీమర్స్ వ్యాధి (AD) మరియు తేలికపాటి అభిజ్ఞా బలహీనత (MCI) యొక్క ఖర్చులు మరియు భారం అన్ని వాటాదారులను ఎక్కువగా ఇబ్బంది పెడుతున్నాయి [1, 2]. ఈ బాధాకరమైన మరియు బూర్జనింగ్ దృష్టాంతం పరిశోధనను ధృవీకరించడానికి తక్షణ పిలుపునిచ్చింది ప్రారంభ గుర్తింపు విభిన్న ప్రాంతాలు మరియు జనాభాలో ఉన్న వృద్ధ రోగులకు వ్యక్తిగత మరియు క్లినికల్ సెట్టింగ్లలో రెగ్యులర్ ప్రాక్టికల్ యుటిలిటీ కోసం కాగ్నిటివ్ స్క్రీనింగ్ మరియు అసెస్మెంట్ సాధనాలు [3]. ఈ సాధనాలు తప్పనిసరిగా ఎలక్ట్రానిక్ హెల్త్ రికార్డ్లలోకి సమాచార ఫలితాలను అతుకులు లేకుండా అనువదించడానికి అందించాలి. రోగులకు తెలియజేయడం మరియు ముఖ్యమైన మార్పులను ముందుగా గుర్తించడంలో వైద్యులకు సహాయం చేయడం ద్వారా ప్రయోజనాలు గ్రహించబడతాయి మరియు తద్వారా మరింత త్వరగా మరియు సమయానుసారంగా స్తరీకరణ, అమలు మరియు తగిన వ్యక్తిగతీకరించిన మరియు మరింత తక్కువ ఖర్చుతో కూడిన చికిత్స మరియు రోగి సంరక్షణను అనుభవించడం ప్రారంభించిన వారికి ట్రాకింగ్ చేయడం సాధ్యపడుతుంది. అభిజ్ఞా క్షీణత [3, 4].
కంప్యూటరైజ్డ్ MemTrax సాధనం (https://memtrax.com) అనేది సాధారణ మరియు క్లుప్తమైన నిరంతర గుర్తింపు అంచనా, ఇది సవాలుతో కూడిన సమయ ఎపిసోడిక్ మెమరీ పనితీరును కొలవడానికి ఆన్లైన్లో స్వీయ-నిర్వహించవచ్చు, ఇక్కడ వినియోగదారు పునరావృతమయ్యే చిత్రాలకు ప్రతిస్పందిస్తారు మరియు ప్రారంభ ప్రదర్శనకు కాదు [5, 6]. ఇటీవలి పరిశోధన మరియు ఫలితంగా ఆచరణాత్మక చిక్కులు ప్రారంభ AD మరియు MCI స్క్రీనింగ్ [5–7]లో మెమ్ట్రాక్స్ యొక్క క్లినికల్ ఎఫిషియసీని క్రమంగా మరియు సమిష్టిగా ప్రదర్శించడం ప్రారంభించాయి. అయినప్పటికీ, క్లినికల్ యుటిలిటీని ఇప్పటికే ఉన్నదానికి ప్రత్యక్ష పోలిక అభిజ్ఞా ఆరోగ్యం వృత్తిపరమైన దృక్పథాన్ని తెలియజేయడానికి మరియు ముందస్తు గుర్తింపు మరియు రోగనిర్ధారణ మద్దతులో MemTrax యుటిలిటీని ధృవీకరించడానికి అంచనా మరియు సంప్రదాయ ప్రమాణాలు హామీ ఇవ్వబడ్డాయి. వాన్ డెర్ హోక్ మరియు ఇతరులు. [8] ఎంచుకున్న MemTrax పనితీరు కొలమానాలను (ప్రతిస్పందన వేగం మరియు శాతం సరైనది) మాంట్రియల్ ద్వారా నిర్ణయించబడిన అభిజ్ఞా స్థితితో పోల్చబడింది కాగ్నిటివ్ అసెస్మెంట్ (MoCA). అయితే, ఈ అధ్యయనం ఈ పనితీరు కొలమానాలను అభిజ్ఞా స్థితి (MoCAచే నిర్ణయించబడినది) యొక్క వర్గీకరణతో అనుబంధించడం మరియు సంబంధిత పరిధులు మరియు కటాఫ్ విలువలను నిర్వచించడం మాత్రమే పరిమితం చేయబడింది. దీని ప్రకారం, ఈ పరిశోధనను విస్తరించడానికి మరియు వర్గీకరణ పనితీరు మరియు సమర్థతను మెరుగుపరచడానికి, మా ప్రాథమిక పరిశోధన ప్రశ్న:
- ఒక వ్యక్తి ఎంచుకున్న MemTrax పనితీరు కొలమానాలు మరియు సంబంధిత జనాభా మరియు ఆరోగ్యం ప్రొఫైల్ ఒకరి MoCA స్కోర్ ద్వారా సూచించబడినట్లుగా, అభిజ్ఞా ఆరోగ్యాన్ని డైకోటోమస్గా (సాధారణ మరియు MCI) వర్గీకరించడానికి యంత్ర అభ్యాసంతో అభివృద్ధి చేయబడిన ప్రిడిక్టివ్ మోడల్లో లక్షణాలు సమర్థవంతంగా ఉపయోగించబడతాయి?
దీనికి రెండవది, మేము తెలుసుకోవాలనుకున్నాము:
- అదే లక్షణాలతో సహా, స్వతంత్ర క్లినికల్ డయాగ్నసిస్ ద్వారా నిర్ణయించబడే అభిజ్ఞా బలహీనత యొక్క ఎంపిక వర్గాలలో తీవ్రత (తేలికపాటి మరియు తీవ్రమైన) అంచనా వేయడానికి MemTrax పనితీరు-ఆధారిత మెషిన్ లెర్నింగ్ మోడల్ని రోగికి సమర్థవంతంగా వర్తించవచ్చా?
స్క్రీనింగ్/డిటెక్షన్లో ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మరియు మెషిన్ లెర్నింగ్ యొక్క ఆగమనం మరియు అభివృద్ధి చెందుతున్న ఆచరణాత్మక అప్లికేషన్ ఇప్పటికే విభిన్న ఆచరణాత్మక ప్రయోజనాలను ప్రదర్శించింది, ప్రిడిక్టివ్ మోడలింగ్తో అభిజ్ఞా/మెదడు ఆరోగ్యం మరియు రోగి నిర్వహణ యొక్క సవాలుగా ఉన్న అంచనాలో వైద్యులకు ప్రభావవంతంగా మార్గనిర్దేశం చేస్తుంది. మా అధ్యయనంలో, మేము MCI వర్గీకరణ మోడలింగ్ మరియు అభిజ్ఞా బలహీనత తీవ్రత వివక్షలో ఇదే విధానాన్ని ఎంచుకున్నాము, చైనాలోని రెండు ఆసుపత్రుల నుండి ఎంపిక చేయబడిన స్వచ్ఛంద ఇన్పేషెంట్లు మరియు ఔట్ పేషెంట్లను సూచించే మూడు డేటాసెట్ల నుండి క్లినికల్ డయాగ్నసిస్ ద్వారా నిర్ధారించబడింది. మెషిన్ లెర్నింగ్ ప్రిడిక్టివ్ మోడలింగ్ని ఉపయోగించి, మేము వివిధ డేటాసెట్/లెర్నర్ కాంబినేషన్ల నుండి అత్యుత్తమ పనితీరు కనబరిచిన అభ్యాసకులను గుర్తించాము మరియు అత్యంత వైద్యపరంగా ఆచరణాత్మకమైన మోడల్ అప్లికేషన్లను నిర్వచించడంలో మాకు మార్గనిర్దేశం చేసే ఫీచర్లకు ర్యాంక్ ఇచ్చాము.
MoCA మొత్తం స్కోర్ థ్రెషోల్డ్ ప్రమాణం ఆధారంగా కాగ్నిటివ్ హెల్త్ను డైకోటోమస్గా (సాధారణ లేదా MCI) వర్గీకరించడానికి ధృవీకరించబడిన MemTrax-ఆధారిత మోడల్ని ఉపయోగించవచ్చని మా పరికల్పనలు మరియు అదే విధమైన MemTrax ప్రిడిక్టివ్ మోడల్ ప్రభావవంతంగా ఎంపిక చేయబడిన వర్గాలలో తీవ్రతను వివరించడంలో ఉపయోగించవచ్చు. వైద్యపరంగా నిర్ధారణ అభిజ్ఞా బలహీనత. అభిజ్ఞా క్షీణత మరియు అభిజ్ఞా బలహీనత వర్గీకరణ కోసం ముందస్తుగా గుర్తించే స్క్రీన్గా MemTrax యొక్క సమర్థతకు మద్దతు ఇవ్వడంలో ఊహించిన ఫలితాలను ప్రదర్శించడం కీలకంగా ఉంటుంది. చాలా ఎక్కువ సౌలభ్యం మరియు వినియోగం యొక్క శీఘ్రతతో అనుబంధించబడిన ఒక పరిశ్రమ ఉద్దేశించిన ప్రమాణానికి అనుకూలమైన పోలిక, ప్రారంభ (ప్రోడ్రోమల్తో సహా) దశ అభిజ్ఞా లోపాలను గుర్తించడంలో ప్రాథమిక స్క్రీన్గా ఈ సులభమైన, విశ్వసనీయ మరియు ప్రాప్యత సాధనాన్ని స్వీకరించడంలో వైద్యులకు సహాయం చేయడంలో ప్రభావవంతంగా ఉంటుంది. అటువంటి విధానం మరియు ప్రయోజనం మరింత సమయానుకూలంగా మరియు మెరుగైన స్తరీకరించబడిన రోగి సంరక్షణ మరియు జోక్యాన్ని ప్రాంప్ట్ చేయగలదు. ఈ ఫార్వర్డ్-థింకింగ్ అంతర్దృష్టులు మరియు మెరుగైన కొలమానాలు మరియు నమూనాలు AD మరియు AD-సంబంధిత డిమెన్షియాస్ (ADRD)తో సహా చిత్తవైకల్యం పురోగతిని తగ్గించడానికి లేదా ఆపడానికి కూడా సహాయపడతాయి.
సామాగ్రి మరియు పద్ధతులు
జనాభా అధ్యయనం
జనవరి 2018 మరియు ఆగస్టు 2019 మధ్య, చైనాలోని రెండు ఆసుపత్రుల నుండి రిక్రూట్ చేయబడిన రోగులపై క్రాస్-సెక్షనల్ పరిశోధన పూర్తయింది. 5 సంవత్సరాలు మరియు అంతకంటే ఎక్కువ వయస్సు ఉన్న వ్యక్తులకు MemTrax [21] యొక్క పరిపాలన మరియు ఆ డేటా యొక్క సేకరణ మరియు విశ్లేషణ సమీక్షించబడ్డాయి మరియు ఆమోదించబడ్డాయి మరియు నైతిక ప్రమాణాలకు అనుగుణంగా నిర్వహించబడతాయి. మానవ స్టాన్ఫోర్డ్ యూనివర్సిటీ సబ్జెక్ట్ ప్రొటెక్షన్ కమిటీ. మెమ్ట్రాక్స్ మరియు ఈ మొత్తం అధ్యయనం కోసం అన్ని ఇతర పరీక్షలు 1975 హెల్సింకి డిక్లరేషన్ ప్రకారం నిర్వహించబడ్డాయి మరియు చైనాలోని యునాన్లోని కున్మింగ్లోని కున్మింగ్ మెడికల్ యూనివర్శిటీకి చెందిన మొదటి అనుబంధ ఆసుపత్రి సంస్థాగత సమీక్ష బోర్డుచే ఆమోదించబడింది. ప్రతి వినియోగదారుకు అందించబడింది సమాచారం సమ్మతి చదవడానికి/సమీక్షించడానికి మరియు పాల్గొనడానికి స్వచ్ఛందంగా అంగీకరించడానికి ఫారమ్.
యాన్హువా హాస్పిటల్ (YH సబ్-డేటాసెట్)లోని న్యూరాలజీ క్లినిక్లోని ఔట్ పేషెంట్ల పూల్ నుండి పాల్గొనేవారిని నియమించారు. కున్మింగ్ మెడికల్ యొక్క మొదటి అనుబంధ ఆసుపత్రిలో మెమరీ క్లినిక్ చైనాలోని బీజింగ్లోని యూనివర్సిటీ (XL సబ్-డేటాసెట్). కున్మింగ్ మెడికల్ యూనివర్శిటీ యొక్క మొదటి అనుబంధ ఆసుపత్రిలో న్యూరాలజీ (XL సబ్-డేటాసెట్) మరియు ఇంటర్నల్ మెడిసిన్ (KM సబ్-డేటాసెట్) ఇన్పేషెంట్ల నుండి కూడా పాల్గొనేవారు నియమించబడ్డారు. చేరిక ప్రమాణాలలో 1) పురుషులు మరియు మహిళలు కనీసం 21 సంవత్సరాలు, 2) చైనీస్ (మాండరిన్) మాట్లాడగల సామర్థ్యం మరియు 3) మౌఖిక మరియు వ్రాతపూర్వక దిశలను అర్థం చేసుకోగల సామర్థ్యం. మినహాయింపు ప్రమాణాలు దృష్టి మరియు మోటారు బలహీనతలు పాల్గొనేవారిని పూర్తి చేయకుండా నిరోధించడం మెమ్ట్రాక్స్ పరీక్ష, అలాగే నిర్దిష్ట పరీక్ష సూచనలను అర్థం చేసుకోలేకపోవడం.
MemTrax యొక్క చైనీస్ వెర్షన్
ఆన్లైన్ MemTrax పరీక్ష వేదిక అనువదించబడింది చైనీస్లోకి (URL: https://www.memtrax.com.cn) మరియు స్వీయ-నిర్వహణ కోసం WeChat (షెన్జెన్ టెన్సెంట్ కంప్యూటర్ సిస్టమ్స్ Co. LTD., షెన్జెన్, గ్వాంగ్డాంగ్, చైనా) ద్వారా ఉపయోగించబడేలా మరింత స్వీకరించబడింది. డేటా చైనాలో ఉన్న క్లౌడ్ సర్వర్ (అలీ క్లౌడ్)లో నిల్వ చేయబడింది మరియు SJN బయోమెడ్ LTD (కున్మింగ్, యునాన్, చైనా) ద్వారా Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, China) నుండి లైసెన్స్ పొందింది. ఇక్కడ ఉపయోగించిన MemTrax మరియు పరీక్ష చెల్లుబాటు ప్రమాణాలపై నిర్దిష్ట వివరాలు గతంలో వివరించబడ్డాయి [6]. రోగులకు ఎటువంటి రుసుము లేకుండా పరీక్ష అందించబడింది.
విధానాలను అధ్యయనం చేయండి
ఇన్పేషెంట్లు మరియు ఔట్ పేషెంట్ల కోసం, వయస్సు, లింగం, విద్యార్హత సంవత్సరాలు, వృత్తి వంటి జనాభా మరియు వ్యక్తిగత సమాచారాన్ని సేకరించడానికి ఒక సాధారణ పేపర్ ప్రశ్నాపత్రం ఏకాంతంగా జీవిస్తున్నా లేదా కుటుంబంతో, మరియు వైద్య చరిత్ర అధ్యయన బృందంలోని సభ్యునిచే నిర్వహించబడుతుంది. ప్రశ్నాపత్రం పూర్తయిన తర్వాత, MoCA [12] మరియు MemTrax పరీక్షలు నిర్వహించబడ్డాయి (MoCA మొదటిది) పరీక్షల మధ్య 20 నిమిషాల కంటే ఎక్కువ సమయం ఉండదు. MemTrax శాతం సరైనది (MTx-% C), సగటు ప్రతిస్పందన సమయం (MTx-RT), మరియు పరీక్ష తేదీ మరియు సమయం పరీక్షించిన ప్రతి పాల్గొనేవారి కోసం అధ్యయన బృందంలోని సభ్యుడు కాగితంపై నమోదు చేయబడ్డాయి. పూర్తి చేసిన ప్రశ్నాపత్రం మరియు MoCA ఫలితాలు పరీక్షలను నిర్వహించే పరిశోధకుడిచే Excel స్ప్రెడ్షీట్లోకి అప్లోడ్ చేయబడ్డాయి మరియు Excel ఫైల్లు విశ్లేషణల కోసం సేవ్ చేయబడే ముందు సహోద్యోగి ద్వారా ధృవీకరించబడ్డాయి.
మెమ్ట్రాక్స్ పరీక్ష
MemTrax ఆన్లైన్ పరీక్షలో 50 చిత్రాలు (25 ప్రత్యేకమైన మరియు 25 పునరావృత్తులు; సాధారణ దృశ్యాలు లేదా వస్తువుల 5 చిత్రాల సెట్లు) నిర్దిష్ట నకిలీ-రాండమ్ క్రమంలో చూపబడ్డాయి. పాల్గొనేవారు (సూచనల ప్రకారం) పరీక్షను ప్రారంభించడానికి స్క్రీన్పై స్టార్ట్ బటన్ను తాకి, చిత్ర శ్రేణిని వీక్షించడం ప్రారంభించి, పునరావృత చిత్రం కనిపించినప్పుడల్లా వీలైనంత త్వరగా స్క్రీన్పై చిత్రాన్ని తాకాలి. ప్రతి చిత్రం 5 సెకన్ల వరకు లేదా స్క్రీన్పై ఉన్న చిత్రం తాకే వరకు కనిపించింది, ఇది తదుపరి చిత్రాన్ని తక్షణం ప్రదర్శించడానికి ప్రేరేపించింది. స్థానిక పరికరం యొక్క అంతర్గత గడియారాన్ని ఉపయోగించి, ప్రతి చిత్రానికి MTx-RT చిత్రం యొక్క ప్రదర్శన నుండి గడచిన సమయం నుండి పాల్గొనే వ్యక్తి స్క్రీన్ను తాకిన సమయం ద్వారా నిర్ణయించబడుతుంది. పరీక్ష సమయంలో. ప్రతి చిత్రం కోసం MTx-RT రికార్డ్ చేయబడింది, పూర్తి 3 సెకన్లు ఎటువంటి ప్రతిస్పందనను సూచిస్తాయి. వినియోగదారు సరిగ్గా ప్రతిస్పందించిన పునరావృత మరియు ప్రారంభ చిత్రాల శాతాన్ని సూచించడానికి MTx-% C లెక్కించబడుతుంది (నిజమైన సానుకూల + నిజమైన ప్రతికూలతను 3తో విభజించారు). MemTrax పరిపాలన మరియు అమలు యొక్క అదనపు వివరాలు, డేటా తగ్గింపు, చెల్లని లేదా "ప్రతిస్పందన లేదు" డేటా మరియు ప్రాథమిక డేటా విశ్లేషణలు మరెక్కడా వివరించబడ్డాయి [50].
MemTrax పరీక్ష వివరంగా వివరించబడింది మరియు ఆసుపత్రి సెట్టింగ్లో పాల్గొనేవారికి ప్రాక్టీస్ టెస్ట్ (రికార్డింగ్ ఫలితాల కోసం పరీక్షలో ఉపయోగించినవి కాకుండా ఇతర ప్రత్యేక చిత్రాలతో) అందించబడింది. YH మరియు KM ఉప-డేటాసెట్లలో పాల్గొనేవారు WeChatలో అప్లికేషన్తో లోడ్ చేయబడిన స్మార్ట్ఫోన్లో MemTrax పరీక్షను తీసుకున్నారు; అయితే పరిమిత సంఖ్యలో XL సబ్-డేటాసెట్ రోగులు ఐప్యాడ్ను ఉపయోగించారు మరియు మిగిలిన వారు స్మార్ట్ఫోన్ను ఉపయోగించారు. పాల్గొనే వారందరూ మెమ్ట్రాక్స్ పరీక్షను స్టడీ ఇన్వెస్టిగేటర్ నిస్సందేహంగా గమనించారు.
మాంట్రియల్ కాగ్నిటివ్ అసెస్మెంట్
చైనీస్ MoCA (MoCA-BC) [13] యొక్క బీజింగ్ వెర్షన్ అధికారిక పరీక్ష సూచనల ప్రకారం శిక్షణ పొందిన పరిశోధకులచే నిర్వహించబడింది మరియు స్కోర్ చేయబడింది. తగిన విధంగా, MoCA-BC నమ్మదగినదిగా చూపబడింది అభిజ్ఞా కోసం పరీక్ష చైనీస్ వృద్ధులలో అన్ని విద్యా స్థాయిలలో స్క్రీనింగ్ [14]. ప్రతి పరీక్ష సంబంధిత పాల్గొనేవారి అభిజ్ఞా సామర్థ్యాల ఆధారంగా నిర్వహించేందుకు దాదాపు 10 నుండి 30 నిమిషాలు పట్టింది.
MoCA వర్గీకరణ మోడలింగ్
రెండు MemTraxతో సహా మొత్తం 29 ఉపయోగించదగిన ఫీచర్లు ఉన్నాయి పరీక్ష పనితీరు కొలమానాలు మరియు జనాభా మరియు ఆరోగ్యానికి సంబంధించిన 27 లక్షణాలు ప్రతి పాల్గొనేవారికి సమాచారం. ప్రతి రోగి యొక్క MoCA మొత్తం పరీక్ష స్కోర్గా ఉపయోగించబడింది అభిజ్ఞా స్క్రీనింగ్ మా ప్రిడిక్టివ్ మోడల్లకు శిక్షణ ఇవ్వడానికి “బెంచ్మార్క్”. దీని ప్రకారం, క్లాస్ లేబుల్ను రూపొందించడానికి MoCA ఉపయోగించబడినందున, మేము మొత్తం స్కోర్ను (లేదా MoCA ఉపసమితి స్కోర్లలో ఏదైనా) స్వతంత్ర లక్షణంగా ఉపయోగించలేము. మేము ప్రాథమిక ప్రయోగాలు చేసాము, దీనిలో మేము అసలు మూడు హాస్పిటల్/క్లినిక్(లు) ఉప-డేటాసెట్లను ఒక్కొక్కటిగా రూపొందించాము (MoCAచే నిర్వచించబడిన అభిజ్ఞా ఆరోగ్యాన్ని వర్గీకరించడం) మరియు అన్ని లక్షణాలను ఉపయోగించి కలిపి. అయితే, మూడు ఉప-డేటాసెట్లను సూచించే ప్రతి నాలుగు క్లినిక్లలో ఒకే రకమైన డేటా మూలకాలు సేకరించబడలేదు; అందువల్ల, సంయుక్త డేటాసెట్లోని మా అనేక ఫీచర్లు (అన్ని ఫీచర్లను ఉపయోగిస్తున్నప్పుడు) తప్పిపోయిన విలువలు ఎక్కువగా ఉన్నాయి. మేము మెరుగైన వర్గీకరణ పనితీరుకు దారితీసిన సాధారణ లక్షణాలను మాత్రమే ఉపయోగించి సంయుక్త డేటాసెట్తో నమూనాలను రూపొందించాము. మూడు పేషెంట్ సబ్-డేటాసెట్లను కలపడం ద్వారా పని చేయడానికి మరిన్ని సందర్భాలను కలిగి ఉండటం మరియు తప్పిపోయిన విలువల యొక్క మితిమీరిన ప్రాబల్యంతో ఎటువంటి ఫీచర్లు లేవు (కలిపి డేటాసెట్లో ఒక లక్షణం మాత్రమే, పని రకం, ఏదైనా తప్పిపోయిన విలువలను కలిగి ఉంది, ప్రభావితం చేయడం ద్వారా ఇది వివరించబడింది. కేవలం మూడు రోగి సందర్భాలు), ఎందుకంటే మూడు సైట్లలో నమోదు చేయబడిన సాధారణ లక్షణాలు మాత్రమే చేర్చబడ్డాయి. ముఖ్యంగా, సంయుక్త డేటాసెట్లో అంతిమంగా చేర్చబడని ప్రతి ఫీచర్కు మేము నిర్దిష్ట తిరస్కరణ ప్రమాణాన్ని కలిగి లేము. అయినప్పటికీ, మా ప్రిలిమినరీ కంబైన్డ్ డేటాసెట్ మోడలింగ్లో, మేము మొదట మూడు వేర్వేరు పేషెంట్ సబ్-డేటాసెట్ల నుండి అన్ని ఫీచర్లను ఉపయోగించాము. ఇది విస్తృతంగా మోడల్ పనితీరుకు దారితీసింది, ఇది ప్రతి వ్యక్తి ఉప-డేటాసెట్లోని ప్రారంభ ప్రాథమిక మోడలింగ్ కంటే తక్కువగా ఉంది. అంతేకాకుండా, అన్ని లక్షణాలను ఉపయోగించి రూపొందించిన మోడల్ల వర్గీకరణ పనితీరు ప్రోత్సాహకరంగా ఉన్నప్పటికీ, అన్ని అభ్యాసకులు మరియు వర్గీకరణ పథకాలలో, సాధారణ లక్షణాలను మాత్రమే ఉపయోగిస్తున్నప్పుడు పనితీరు రెండు రెట్లు ఎక్కువ మోడల్లకు మెరుగుపడింది. వాస్తవానికి, మా అగ్రశ్రేణి అభ్యాసకులుగా నిలిచిన వాటిలో, సాధారణం కాని ఫీచర్లను తొలగించడం ద్వారా ఒక మోడల్ మినహా అన్నీ మెరుగుపడ్డాయి.
చివరి మొత్తం డేటాసెట్ (YH, XL మరియు KM కలిపి) 259 సందర్భాలను కలిగి ఉంది, ప్రతి ఒక్కటి MemTrax మరియు MoCA పరీక్షలు రెండింటినీ తీసుకున్న ఒక ప్రత్యేక పార్టిసిపెంట్ను సూచిస్తుంది. 10 భాగస్వామ్య స్వతంత్ర లక్షణాలు ఉన్నాయి: MemTrax పనితీరు కొలమానాలు: MTx-% C మరియు సగటు MTx-RT; జనాభా మరియు వైద్య చరిత్ర సమాచారం: వయస్సు, లింగం, విద్యార్హత సంవత్సరాలు, పని రకం (బ్లూ కాలర్/వైట్ కాలర్), సామాజిక మద్దతు (పరీక్ష రాసే వ్యక్తి ఒంటరిగా లేదా కుటుంబంతో కలిసి జీవిస్తున్నా), మరియు వినియోగదారుకు ఉన్నదా అనేదానికి అవును/కాదు సమాధానాలు మధుమేహం, హైపర్లిపిడెమియా లేదా బాధాకరమైన మెదడు గాయం యొక్క చరిత్ర. రెండు అదనపు కొలమానాలు, MoCA మొత్తం స్కోర్ మరియు MoCA మొత్తం స్కోర్ విద్యా సంవత్సరాలకు సర్దుబాటు చేయబడ్డాయి [12], డిపెండెంట్ క్లాసిఫికేషన్ లేబుల్లను అభివృద్ధి చేయడానికి విడిగా ఉపయోగించబడ్డాయి, తద్వారా మా సంయుక్త డేటాసెట్కి వర్తింపజేయడానికి రెండు విభిన్న మోడలింగ్ స్కీమ్లను రూపొందించారు. MoCA స్కోర్ యొక్క ప్రతి వెర్షన్ (సర్దుబాటు మరియు సర్దుబాటు చేయని) కోసం, డేటా మళ్లీ రెండు వేర్వేరు ప్రమాణాల థ్రెషోల్డ్లను ఉపయోగించి బైనరీ వర్గీకరణ కోసం విడిగా రూపొందించబడింది-ప్రారంభంలో సిఫార్సు చేయబడినది [12] మరియు ఇతరులచే ఉపయోగించబడిన మరియు ప్రచారం చేయబడిన ప్రత్యామ్నాయ విలువ [8, 15]. ప్రత్యామ్నాయ థ్రెషోల్డ్ వర్గీకరణ పథకంలో, MoCA పరీక్షలో అతను/అతను ≥23 స్కోర్ చేసి ఉంటే మరియు స్కోర్ 22 లేదా అంతకంటే తక్కువ ఉంటే MCI కలిగి ఉంటే రోగి సాధారణ అభిజ్ఞా ఆరోగ్యాన్ని కలిగి ఉంటాడని పరిగణించబడుతుంది; అయితే, ప్రాథమిక సిఫార్సు చేసిన వర్గీకరణ ఆకృతిలో, రోగి సాధారణ అభిజ్ఞా ఆరోగ్యాన్ని కలిగి ఉన్నట్లు లేబుల్ చేయడానికి MoCAలో 26 లేదా అంతకంటే ఎక్కువ స్కోర్ చేయాల్సి ఉంటుంది.
MoCA వర్గీకరణ మోడలింగ్ కోసం ఫిల్టర్ చేసిన డేటా
మేము సాధారణంగా ఉపయోగించే నాలుగు ఫీచర్ ర్యాంకింగ్ పద్ధతులను ఉపయోగించి MoCA వర్గీకరణను మరింత పరిశీలించాము: చి-స్క్వేర్డ్, గెయిన్ రేషియో, ఇన్ఫర్మేషన్ గెయిన్ మరియు సిమెట్రిక్ అనిశ్చితి. మధ్యంతర దృక్పథం కోసం, మేము మా నాలుగు మోడలింగ్ స్కీమ్లను ఉపయోగించి మొత్తం సంయుక్త డేటాసెట్కు ర్యాంకర్లను వర్తింపజేసాము. అందరు ర్యాంకర్లు ఒకే రకమైన అగ్ర ఫీచర్లను అంగీకరించారు, అంటే వయస్సు, విద్యార్హత సంవత్సరాల సంఖ్య మరియు MemTrax పనితీరు కొలమానాలు (MTx-% C, అంటే MTx-RT). మేము మొదటి నాలుగు లక్షణాలపై మాత్రమే మోడల్లకు శిక్షణ ఇవ్వడానికి ప్రతి ఫీచర్ ఎంపిక సాంకేతికతను ఉపయోగించి మోడల్లను పునర్నిర్మించాము (చూడండి ఫీచర్ ఎంపిక క్రింద).
MoCA స్కోర్ వర్గీకరణ మోడలింగ్ స్కీమ్ల యొక్క చివరి ఎనిమిది వైవిధ్యాలు టేబుల్ 1లో ప్రదర్శించబడ్డాయి.
టేబుల్ 1
MoCA వర్గీకరణ కోసం ఉపయోగించే మోడలింగ్ స్కీమ్ వైవిధ్యాల సారాంశం (సాధారణ అభిజ్ఞా ఆరోగ్యం వర్సెస్ MCI)
మోడలింగ్ పథకం | సాధారణ అభిజ్ఞా ఆరోగ్యం (ప్రతికూల తరగతి) | MCI (పాజిటివ్ క్లాస్) |
సర్దుబాటు చేయబడింది-23 ఫిల్టర్ చేయబడలేదు/ఫిల్టర్ చేయబడింది | (101%) | (158%) |
సర్దుబాటు చేయబడింది-26 ఫిల్టర్ చేయబడలేదు/ఫిల్టర్ చేయబడింది | (49%) | (210%) |
సర్దుబాటు చేయనిది-23 ఫిల్టర్ చేయబడలేదు/ఫిల్టర్ చేయబడింది | (92%) | (167%) |
సర్దుబాటు చేయనిది-26 ఫిల్టర్ చేయబడలేదు/ఫిల్టర్ చేయబడింది | (42%) | (217%) |
ప్రతి తరగతిలోని మొత్తం రోగుల సంఖ్య మరియు శాతం విద్య కోసం స్కోర్ సర్దుబాటు (సర్దుబాటు లేదా సర్దుబాటు చేయనిది) మరియు వర్గీకరణ థ్రెషోల్డ్ (23 లేదా 26) ద్వారా విభిన్నంగా ఉంటాయి, రెండు ఫీచర్ సెట్లకు (ఫిల్టర్ చేయని మరియు ఫిల్టర్ చేయబడినవి).
MemTrax-ఆధారిత క్లినికల్ మూల్యాంకనం మోడలింగ్
మా మూడు ఒరిజినల్ సబ్-డేటాసెట్లలో (YH, XL, KM), XL సబ్-డేటాసెట్ రోగులు మాత్రమే స్వతంత్రంగా అభిజ్ఞా బలహీనత కోసం వైద్యపరంగా రోగనిర్ధారణ చేయబడ్డారు (అనగా, వారి సంబంధిత MoCA స్కోర్లు సాధారణ మరియు బలహీనమైన వర్గీకరణను స్థాపించడంలో ఉపయోగించబడలేదు). ప్రత్యేకంగా, XL రోగులకు గాని నిర్ధారణ జరిగింది అల్జీమర్స్ వ్యాధి పరీక్ష (AD) లేదా వాస్కులర్ డిమెన్షియా (VaD). ఈ ప్రాథమిక రోగనిర్ధారణ వర్గాలలో ప్రతిదానిలో, MCI కోసం మరొక హోదా ఉంది. AD కారణంగా MCI, చిత్తవైకల్యం, వాస్కులర్ న్యూరోకాగ్నిటివ్ డిజార్డర్ మరియు న్యూరోకాగ్నిటివ్ డిజార్డర్ యొక్క నిర్ధారణలు డయాగ్నోస్టిక్ అండ్ స్టాటిస్టికల్ మాన్యువల్ ఆఫ్ మెంటల్ డిజార్డర్స్: DSM-5 [16]లో పేర్కొన్న నిర్దిష్ట మరియు విలక్షణమైన రోగనిర్ధారణ ప్రమాణాలపై ఆధారపడి ఉన్నాయి. ఈ శుద్ధి చేసిన రోగనిర్ధారణలను పరిశీలిస్తే, ప్రతి ప్రాథమిక రోగనిర్ధారణ వర్గానికి తీవ్రత స్థాయిని (డిగ్రీ ఆఫ్ డిగ్రీ) వేరు చేయడానికి XL సబ్-డేటాసెట్కు రెండు వర్గీకరణ మోడలింగ్ పథకాలు విడిగా వర్తించబడ్డాయి. ఈ డయాగ్నస్టిక్ మోడలింగ్ స్కీమ్లలో (AD మరియు VaD) ఉపయోగించిన డేటాలో డెమోగ్రాఫిక్ మరియు పేషెంట్ హిస్టరీ సమాచారం, అలాగే MemTrax పనితీరు (MTx-% C, అంటే MTx-RT) ఉన్నాయి. MCIని నియమించినట్లయితే ప్రతి రోగనిర్ధారణ స్వల్పంగా లేబుల్ చేయబడింది; లేకపోతే, అది తీవ్రంగా పరిగణించబడుతుంది. రోగనిర్ధారణ నమూనాలలో MoCA స్కోర్ను చేర్చాలని మేము మొదట పరిగణించాము (తేలికపాటి మరియు తీవ్రమైన); కానీ అది మా సెకండరీ ప్రిడిక్టివ్ మోడలింగ్ స్కీమ్ యొక్క ప్రయోజనాన్ని దెబ్బతీస్తుందని మేము గుర్తించాము. ఇక్కడ అభ్యాసకులు ప్రొవైడర్కు తక్షణమే అందుబాటులో ఉన్న ఇతర రోగి లక్షణాలను ఉపయోగించి శిక్షణ పొందుతారు మరియు స్వతంత్ర క్లినికల్ డయాగ్నసిస్ రిఫరెన్స్ "గోల్డ్ స్టాండర్డ్"కి వ్యతిరేకంగా సరళమైన మెమ్ట్రాక్స్ పరీక్ష (MoCAకి బదులుగా) పనితీరు కొలమానాలు. AD నిర్ధారణ డేటాసెట్లో 69 ఉదంతాలు మరియు VaD (టేబుల్) యొక్క 76 సందర్భాలు ఉన్నాయి. 2) రెండు డేటాసెట్లలో, 12 స్వతంత్ర లక్షణాలు ఉన్నాయి. MoCA స్కోర్ వర్గీకరణలో చేర్చబడిన 10 లక్షణాలతో పాటు, రోగి చరిత్రలో రక్తపోటు మరియు స్ట్రోక్ చరిత్రపై సమాచారం కూడా ఉంది.
టేబుల్ 2
రోగనిర్ధారణ తీవ్రత వర్గీకరణ కోసం ఉపయోగించే మోడలింగ్ స్కీమ్ వైవిధ్యాల సారాంశం (మైల్డ్ వర్సెస్ సీవీర్)
మోడలింగ్ పథకం | తేలికపాటి (ప్రతికూల తరగతి) | తీవ్రమైన (పాజిటివ్ క్లాస్) |
MCI-AD వర్సెస్ AD | (12%) | (57%) |
MCI-VaD వర్సెస్ VaD | (38%) | (38%) |
ప్రతి తరగతిలోని మొత్తం రోగులలో సంబంధిత సంఖ్య మరియు శాతం ప్రాథమిక రోగ నిర్ధారణ వర్గం (AD లేదా VaD) ద్వారా వేరు చేయబడతాయి.
గణాంకాలు
పైథాన్ ప్రోగ్రామింగ్ లాంగ్వేజ్ (వెర్షన్ 2.7.1) [17] ఉపయోగించి ప్రతి మోడల్ వర్గీకరణ వ్యూహానికి (MoCA కాగ్నిటివ్ హెల్త్ మరియు డయాగ్నసిస్ తీవ్రతను అంచనా వేయడానికి) ఉప-డేటాసెట్ల మధ్య పార్టిసిపెంట్ లక్షణాలు మరియు ఇతర సంఖ్యా లక్షణాల పోలిక. మోడల్ పనితీరు వ్యత్యాసాలు మొదట 95% విశ్వాస విరామంతో ఒకే- లేదా రెండు-కారకాల (తగిన విధంగా) ANOVA మరియు పనితీరు మార్గాలను పోల్చడానికి Tukey నిజాయితీ ముఖ్యమైన తేడా (HSD) పరీక్షను ఉపయోగించి నిర్ణయించబడ్డాయి. పైథాన్ మరియు R (వెర్షన్ 3.5.1) [18] కలయికను ఉపయోగించి మోడల్ ప్రదర్శనల మధ్య వ్యత్యాసాల ఈ పరిశీలన జరిగింది. మేము దీనిని హ్యూరిస్టిక్ సహాయంగా మాత్రమే (అయితే, సరైన దానికంటే తక్కువ) విధానాన్ని ఉపయోగించాము తొలి దశ సంభావ్య క్లినికల్ అప్లికేషన్ను అంచనా వేయడంలో ప్రారంభ మోడల్ పనితీరు పోలికల కోసం. మేము మోడల్ పనితీరు వ్యత్యాసాల సంభావ్యతను గుర్తించడానికి పృష్ఠ పంపిణీని ఉపయోగించి బయేసియన్ సంతకం చేసిన ర్యాంక్ పరీక్షను ఉపయోగించాము [19]. ఈ విశ్లేషణల కోసం, మేము విరామం –0.01, 0.01ని ఉపయోగించాము, రెండు సమూహాల పనితీరు 0.01 కంటే తక్కువ ఉంటే, అవి ఒకేలా పరిగణించబడతాయి (ప్రాక్టికల్ ఈక్వివలెన్స్ ప్రాంతంలో) లేదా అవి భిన్నంగా ఉంటాయి (ఒకటి కంటే మెరుగైనది ఇతర). వర్గీకరణదారుల యొక్క బయేసియన్ పోలికను నిర్వహించడానికి మరియు ఈ సంభావ్యతలను లెక్కించేందుకు, మేము పైథాన్ 1.0.2 కోసం బేకాంప్ లైబ్రరీ (వెర్షన్ 3.6.4)ని ఉపయోగించాము.
ప్రిడిక్టివ్ మోడలింగ్
మేము ప్రతి రోగి యొక్క MoCA పరీక్ష లేదా క్లినికల్ డయాగ్నసిస్ యొక్క తీవ్రతను అంచనా వేయడానికి (వర్గీకరించడానికి) మా మోడలింగ్ స్కీమ్ల యొక్క మొత్తం పది వైవిధ్యాలను ఉపయోగించి ప్రిడిక్టివ్ మోడల్లను రూపొందించాము. అభ్యాసకులందరూ దరఖాస్తు చేయబడ్డారు మరియు ఓపెన్ సోర్స్ సాఫ్ట్వేర్ ప్లాట్ఫారమ్ వెకా [20] ఉపయోగించి నమూనాలు నిర్మించబడ్డాయి. మా ప్రాథమిక విశ్లేషణ కోసం, మేము సాధారణంగా ఉపయోగించే 10 అభ్యాస అల్గారిథమ్లను ఉపయోగించాము: 5-సమీప నైబర్స్, C4.5 డెసిషన్ ట్రీ యొక్క రెండు వెర్షన్లు, లాజిస్టిక్ రిగ్రెషన్, మల్టీలేయర్ పర్సెప్ట్రాన్, నేవ్ బేస్, రాండమ్ ఫారెస్ట్ యొక్క రెండు వెర్షన్లు, రేడియల్ బేసిస్ ఫంక్షన్ నెట్వర్క్ మరియు సపోర్ట్ Vector యంత్రం. ఈ అల్గారిథమ్ల యొక్క ముఖ్య లక్షణాలు మరియు వైరుధ్యాలు మరెక్కడా వివరించబడ్డాయి [21] (సంబంధిత అనుబంధం చూడండి). వివిధ రకాలైన అభ్యాసకులకు ప్రాతినిధ్యం వహిస్తున్నందున మరియు సారూప్య డేటాపై మునుపటి విశ్లేషణలలో మేము వాటిని ఉపయోగించి విజయాన్ని ప్రదర్శించినందున ఇవి ఎంపిక చేయబడ్డాయి. మా మునుపటి పరిశోధన నుండి హైపర్-పారామీటర్ సెట్టింగ్లు ఎంపిక చేయబడ్డాయి, అవి విభిన్నమైన విభిన్న డేటాపై పటిష్టంగా ఉన్నాయని సూచిస్తున్నాయి [22]. పూర్తి విశ్లేషణలో తర్వాత ఉపయోగించిన సాధారణ లక్షణాలతో ఒకే సమ్మిళిత డేటాసెట్ను ఉపయోగించి మా ప్రాథమిక విశ్లేషణ ఫలితాల ఆధారంగా, అన్ని వర్గీకరణలలో స్థిరంగా బలమైన పనితీరును అందించిన ముగ్గురు అభ్యాసకులను మేము గుర్తించాము: లాజిస్టిక్ రిగ్రెషన్, నేవ్ బేస్ మరియు సపోర్ట్ వెక్టర్ మెషిన్.
క్రాస్ ధ్రువీకరణ మరియు మోడల్ పనితీరు మెట్రిక్
అన్ని ప్రిడిక్టివ్ మోడలింగ్ కోసం (ప్రాధమిక విశ్లేషణలతో సహా), ప్రతి మోడల్ 10 రెట్లు క్రాస్ ధ్రువీకరణను ఉపయోగించి నిర్మించబడింది మరియు మోడల్ పనితీరును రిసీవర్ ఆపరేటింగ్ క్యారెక్టరిస్టిక్ కర్వ్ (AUC) కింద ఏరియా ఉపయోగించి కొలుస్తారు. ప్రతి 10 మోడలింగ్ స్కీమ్ డేటాసెట్లను యాదృచ్ఛికంగా 10 సమాన విభాగాలుగా (ఫోల్డ్లు) విభజించడం ద్వారా క్రాస్-ధృవీకరణ ప్రారంభమైంది, వీటిలో తొమ్మిది సంబంధిత విభాగాలను ఉపయోగించి మోడల్కు శిక్షణ ఇవ్వడానికి మరియు మిగిలిన సెగ్మెంట్ను పరీక్ష కోసం ఉపయోగిస్తారు. ఈ విధానం 10 సార్లు పునరావృతం చేయబడింది, ప్రతి పునరావృతంలో పరీక్ష సెట్గా విభిన్న విభాగాన్ని ఉపయోగిస్తుంది. తుది మోడల్ యొక్క ఫలితం/పనితీరును లెక్కించడానికి ఫలితాలు కలపబడ్డాయి. ప్రతి అభ్యాసకుడు/డేటాసెట్ కలయిక కోసం, ఈ మొత్తం ప్రక్రియ 10 సార్లు పునరావృతమవుతుంది, ప్రతిసారీ డేటా వేర్వేరుగా విభజించబడింది. ఈ చివరి దశ పక్షపాతాన్ని తగ్గించింది, ప్రతిరూపాన్ని నిర్ధారించింది మరియు మొత్తం మోడల్ పనితీరును నిర్ణయించడంలో సహాయపడింది. మొత్తంగా (MoCA స్కోర్ మరియు రోగ నిర్ధారణ తీవ్రత వర్గీకరణ పథకాలు కలిపి), 6,600 నమూనాలు నిర్మించబడ్డాయి. ఇందులో 1,800 ఫిల్టర్ చేయని మోడల్లు (డేటాసెట్కి 6 మోడలింగ్ స్కీమ్లు ×3 లెర్నర్స్×10 రన్స్×10 ఫోల్డ్స్ = 1,800 మోడల్లు) మరియు 4,800 ఫిల్టర్ చేసిన మోడల్లు (డేటాసెట్కి వర్తింపజేయబడిన 4 మోడలింగ్ స్కీమ్లు×3 లెర్నర్స్×4 ఫీచర్ సెలక్షన్ టెక్నిక్లు×10 పరుగులు× 10 మడతలు = 4,800 నమూనాలు).
ఫీచర్ ఎంపిక
ఫిల్టర్ చేయబడిన మోడల్ల కోసం, క్రాస్ ధ్రువీకరణలో ఫీచర్ ఎంపిక (నాలుగు ఫీచర్ ర్యాంకింగ్ పద్ధతులను ఉపయోగించి) నిర్వహించబడింది. 10 ఫోల్డ్లలో ప్రతిదానికి, డేటాసెట్లో వేరే 10% పరీక్ష డేటా అయినందున, ప్రతి శిక్షణా డేటాసెట్కు (అంటే, ఇతర తొమ్మిది ఫోల్డ్లు లేదా మొత్తం డేటాసెట్లో మిగిలిన 90%) ఎంచుకున్న మొదటి నాలుగు ఫీచర్లు మాత్రమే ఉపయోగించబడ్డాయి. నమూనాలను నిర్మించడానికి. మేము ఉపయోగించిన మోడలింగ్ ప్లాట్ఫారమ్లో (వెకా) సమాచారం నిల్వ చేయబడనందున లేదా అందుబాటులో ఉంచబడనందున, ప్రతి మోడల్లో ఏ నాలుగు ఫీచర్లు ఉపయోగించబడ్డాయో మేము నిర్ధారించలేకపోయాము. అయినప్పటికీ, ర్యాంకర్లను మొత్తం కంబైన్డ్ డేటాసెట్కు వర్తింపజేసినప్పుడు మా మొదటి టాప్ ఫీచర్ల ఎంపికలో స్థిరత్వం మరియు మోడలింగ్ ప్రదర్శనలలో తదుపరి సారూప్యత, ఇదే లక్షణాలు (వయస్సు, విద్యార్హత సంవత్సరాలు, MTx-% C మరియు సగటు MTx-RT ) క్రాస్-ధృవీకరణ ప్రక్రియలో ఫీచర్ ఎంపికతో అత్యంత ప్రబలంగా ఉపయోగించిన మొదటి నాలుగు.
RESULTS
MoCA సూచించిన అభిజ్ఞా ఆరోగ్యం (సాధారణ మరియు MCI) మరియు రోగనిర్ధారణ తీవ్రత (తేలికపాటి మరియు తీవ్రమైనది) అంచనా వేయడానికి ప్రతి మోడల్ వర్గీకరణ వ్యూహం కోసం సంబంధిత డేటాసెట్లలో పాల్గొనేవారి సంఖ్యా లక్షణాలు (MoCA స్కోర్లు మరియు MemTrax పనితీరు మెట్రిక్లతో సహా) టేబుల్ 3లో చూపబడ్డాయి.
టేబుల్ 3
ప్రతి మోడల్ వర్గీకరణ వ్యూహానికి పార్టిసిపెంట్ లక్షణాలు, MoCA స్కోర్లు మరియు MemTrax పనితీరు
వర్గీకరణ వ్యూహం | వయసు | విద్య | MoCA సర్దుబాటు చేయబడింది | MoCA సర్దుబాటు చేయబడలేదు | MTx-% C | MTx-RT |
MoCA వర్గం | 61.9 y (13.1) | 9.6 y (4.6) | 19.2 (6.5) | 18.4 (6.7) | (74.8) | 1.4 సె (0.3) |
రోగనిర్ధారణ తీవ్రత | 65.6 y (12.1) | 8.6 y (4.4) | 16.7 (6.2) | 15.8 (6.3) | (68.3) | 1.5 సె (0.3) |
మోడలింగ్ వర్గీకరణ వ్యూహాల ద్వారా వేరు చేయబడిన (సగటు, SD) విలువలు MoCA- సూచించిన కాగ్నిటివ్ హెల్త్ (MCI వర్సెస్ నార్మల్) అంచనా వేయడానికి ఉపయోగించే సంయుక్త డేటాసెట్కు ప్రాతినిధ్యం వహిస్తాయి మరియు రోగనిర్ధారణ తీవ్రతను అంచనా వేయడానికి మాత్రమే ఉపయోగించే XL సబ్-డేటాసెట్ (తేలికపాటి మరియు తీవ్రమైనది).
MoCA స్కోర్ (సర్దుబాటు/సర్దుబాటు చేయనిది) మరియు థ్రెషోల్డ్ (26/23) యొక్క ప్రతి కలయికకు ఒక గణాంక వ్యత్యాసం ఉంది (p = 0.000) వయస్సు, విద్య మరియు MemTrax పనితీరు (MTx-% C మరియు MTx-RT) కోసం ప్రతి జత వైపు పోలిక (సాధారణ కాగ్నిటివ్ హెల్త్ వర్సెస్ MCI). ప్రతి కలయిక కోసం సంబంధిత MCI తరగతిలోని ప్రతి రోగి ఉప-డేటాసెట్ సగటున 9 నుండి 15 సంవత్సరాల పాతది, ఐదు సంవత్సరాల కంటే తక్కువ విద్యాభ్యాసం గురించి నివేదించింది మరియు రెండు మెట్రిక్లకు తక్కువ అనుకూలమైన MemTrax పనితీరును కలిగి ఉంది.
మొదటి మూడు అభ్యాసకులు, లాజిస్టిక్ రిగ్రెషన్, నేవ్ బేస్ మరియు సపోర్ట్ వెక్టర్ మెషిన్ ఉపయోగించి MoCA స్కోర్ వర్గీకరణల కోసం ప్రిడిక్టివ్ మోడలింగ్ పనితీరు ఫలితాలు టేబుల్ 4లో చూపబడ్డాయి. ఈ మూడు అన్ని వివిధ మోడల్లలో అత్యంత స్థిరంగా ఉన్న అధిక సంపూర్ణ అభ్యాస పనితీరు ఆధారంగా ఎంపిక చేయబడ్డాయి. అన్ని మోడలింగ్ స్కీమ్ల కోసం డేటాసెట్లకు వర్తింపజేయబడింది. ఫిల్టర్ చేయని డేటాసెట్ మరియు మోడలింగ్ కోసం, టేబుల్ 4లోని ప్రతి డేటా విలువలు ఒక్కో లెర్నర్/మోడలింగ్ స్కీమ్ కలయికతో రూపొందించబడిన 100 మోడల్ల (10 పరుగులు×10 ఫోల్డ్లు) నుండి పొందిన AUC సంబంధిత సగటు ఆధారంగా మోడల్ పనితీరును సూచిస్తాయి. బోల్డ్లో సూచించబడిన పెర్ఫార్మింగ్ లెర్నర్. అయితే ఫిల్టర్ చేయబడిన డేటాసెట్ మోడలింగ్ కోసం, టేబుల్ 4లో నివేదించబడిన ఫలితాలు ప్రతి లక్షణ ర్యాంకింగ్ పద్ధతులను (400 ఫీచర్ ర్యాంకింగ్ పద్ధతులు×4 పరుగులు×10 ఫోల్డ్లు) ఉపయోగించి ప్రతి అభ్యాసకుడికి 10 మోడల్ల నుండి మొత్తం సగటు మోడల్ పనితీరును ప్రతిబింబిస్తాయి.
టేబుల్ 4
డైకోటోమస్ MoCA స్కోర్ వర్గీకరణ పనితీరు (AUC; 0.0–1.0) అన్ని సంబంధిత మోడలింగ్ స్కీమ్ల కోసం టాప్-పెర్ఫార్మింగ్ లెర్నర్లలో ప్రతి ఒక్కరికీ ఫలితాలు
ఫీచర్ సెట్ ఉపయోగించబడింది | MoCA స్కోర్ | కటాఫ్ థ్రెషోల్డ్ | లాజిస్టిక్ రిగ్రెషన్ | నైవ్ బేస్ | సపోర్ట్ వెక్టర్ మెషిన్ |
ఫిల్టర్ చేయబడలేదు (10 ఫీచర్లు) | సర్దుబాటు | 23 | 0.8862 | 0.8913 | 0.8695 |
26 | 0.8971 | 0.9221 | 0.9161 | ||
సరిదిద్దబడలేదు | 23 | 0.9103 | 0.9085 | 0.8995 | |
26 | 0.8834 | 0.9153 | 0.8994 | ||
ఫిల్టర్ చేయబడింది (4 ఫీచర్లు) | సర్దుబాటు | 23 | 0.8929 | 0.8954 | 0.8948 |
26 | 0.9188 | 0.9247 | 0.9201 | ||
సరిదిద్దబడలేదు | 23 | 0.9135 | 0.9134 | 0.9122 | |
26 | 0.9159 | 0.9236 | 0.9177 |
ఫీచర్ సెట్, MoCA స్కోర్ మరియు MoCA స్కోర్ కటాఫ్ థ్రెషోల్డ్ యొక్క వైవిధ్యాలను ఉపయోగించడం, ప్రతి మోడలింగ్ స్కీమ్కు అత్యధిక పనితీరు చూపబడుతుంది బోల్డ్ (తప్పనిసరిగా అన్నింటి కంటే గణాంకపరంగా భిన్నమైనది కాదు బోల్డ్ సంబంధిత మోడల్ కోసం).
కలిపి ఫిల్టర్ చేయని డేటాసెట్లోని MoCA స్కోర్ వెర్షన్లు మరియు థ్రెషోల్డ్ల (వరుసగా సర్దుబాటు/సర్దుబాటు చేయని మరియు 23/26) యొక్క అన్ని కాంబినేషన్లలో అభ్యాసకులను పోల్చి చూస్తే (అంటే, 10 సాధారణ ఫీచర్లను ఉపయోగించడం), నేవ్ బేస్ సాధారణంగా ఓవరాల్తో అగ్రశ్రేణి అభ్యాసకుడు. 0.9093 వర్గీకరణ పనితీరు. మొదటి ముగ్గురు అభ్యాసకులను పరిగణనలోకి తీసుకుంటే, బయేసియన్-సహసంబంధమైన సంతకం-ర్యాంక్ పరీక్షలు సంభావ్యత (Pr) నేవ్ బేస్ లాజిస్టిక్ రిగ్రెషన్ కంటే 99.9% కంటే మెరుగైన పనితీరు కనబరిచింది. అంతేకాకుండా, Naïve Bayes మరియు సపోర్ట్ వెక్టర్ మెషిన్ మధ్య, అభ్యాసకుల పనితీరులో 21.0% ఆచరణాత్మక సమానత్వం (అందువలన, సపోర్ట్ వెక్టర్ మెషీన్ను నేవ్ బేయెస్ 79.0% సంభావ్యత మించిపోయింది), 0.0% సపోర్ట్ వెక్టర్ యొక్క మెరుగ్గా పని చేసే అవకాశం ఉంది. Naïve Bayes కోసం పనితీరు ప్రయోజనాన్ని బలపరుస్తుంది. అన్ని అభ్యాసకులు/థ్రెషోల్డ్లలో MoCA స్కోర్ వెర్షన్ని మరింత పోల్చడం ద్వారా సర్దుబాటు చేయని MoCA స్కోర్లను ఉపయోగించి స్వల్ప పనితీరు ప్రయోజనాన్ని సూచించింది (వరుసగా 0.9027 వర్సెస్ 0.8971; Pr (సర్దుబాటు చేయబడలేదు > సర్దుబాటు చేయబడింది) = 0.988). అదేవిధంగా, అన్ని అభ్యాసకులు మరియు MoCA స్కోర్ సంస్కరణల్లోని కటాఫ్ థ్రెషోల్డ్ యొక్క పోలిక 26ని వర్గీకరణ థ్రెషోల్డ్గా వర్సెస్ 23 (వరుసగా 0.9056 వర్సెస్ 0.8942)గా ఉపయోగించి చిన్న వర్గీకరణ పనితీరు ప్రయోజనాన్ని సూచించింది; Pr (26 > 23) = 0.999). చివరగా, ఫిల్టర్ చేసిన ఫలితాలను (అంటే, టాప్-ర్యాంక్ నాలుగు ఫీచర్లు మాత్రమే) ఉపయోగించి మోడల్ల వర్గీకరణ పనితీరును పరిశీలిస్తే, Naïve Bayes (0.9143) సంఖ్యాపరంగా అన్ని MoCA స్కోర్ వెర్షన్లు/థ్రెషోల్డ్లలో అత్యుత్తమ పనితీరు కనబరిచిన అభ్యాసకుడు. ఏదేమైనప్పటికీ, అన్ని ఫీచర్ ర్యాంకింగ్ టెక్నిక్లలో కలిపి, అత్యుత్తమ పనితీరు కనబరిచిన అభ్యాసకులందరూ ఒకే విధంగా ప్రదర్శించారు. బయేసియన్ సంతకం-ర్యాంక్ పరీక్షలు ప్రతి జత ఫిల్టర్ చేసిన అభ్యాసకుల మధ్య ఆచరణాత్మక సమానత్వం యొక్క 100% సంభావ్యతను చూపించాయి. ఫిల్టర్ చేయని డేటా (మొత్తం 10 సాధారణ లక్షణాలను ఉపయోగించి), MoCA స్కోర్ యొక్క సర్దుబాటు చేయని సంస్కరణకు పనితీరు ప్రయోజనం ఉంది (Pr (సర్దుబాటు చేయని > సర్దుబాటు చేయబడింది) = 1.000), అలాగే 26 (XNUMX) వర్గీకరణ థ్రెషోల్డ్కు ఇదే విధమైన ప్రత్యేక ప్రయోజనంPr (26 > 23) = 1.000). ముఖ్యంగా, అన్ని MoCA స్కోర్ వెర్షన్లు/థ్రెషోల్డ్లలో అగ్రశ్రేణి నాలుగు ఫీచర్లను ఉపయోగించి మొదటి ముగ్గురు అభ్యాసకులలో ప్రతి ఒక్కరి సగటు పనితీరు ఫిల్టర్ చేయని డేటాపై ఏ అభ్యాసకుల సగటు పనితీరును మించిపోయింది. మొత్తం 0.9119 సాధారణ మోడల్లతో పోల్చబడిన ఫీచర్ ర్యాంకింగ్ మెథడ్ మోడల్లతో సంబంధం లేకుండా, ఫిల్టర్ చేయబడిన మోడల్ల వర్గీకరణ పనితీరు (0.8999) ఫిల్టర్ చేయని మోడల్ల (10) కంటే మెరుగైనది (100). లక్షణాలు. ప్రతి ఫీచర్ ఎంపిక పద్ధతికి, ఫిల్టర్ చేయని మోడల్ల కంటే పనితీరు ప్రయోజనం యొక్క XNUMX% సంభావ్యత ఉంది.
AD నిర్ధారణ తీవ్రత వర్గీకరణ కోసం పరిగణించబడే రోగులతో, మధ్య-సమూహం (MCI-AD వర్సెస్ AD) వయస్సు కోసం తేడాలు (p = 0.004), విద్య (p = 0.028), MoCA స్కోర్ సర్దుబాటు/సర్దుబాటు చేయబడలేదు (p = 0.000), మరియు MTx-% C (p = 0.008) గణాంకపరంగా ముఖ్యమైనవి; అయితే MTx-RT కోసం అది కాదు (p = 0.097). VaD నిర్ధారణ తీవ్రత వర్గీకరణ కోసం పరిగణించబడిన రోగులతో, MoCA స్కోర్కు మధ్య-సమూహం (MCI-VaD వర్సెస్ VaD) తేడాలు సర్దుబాటు/సర్దుబాటు చేయబడలేదు (p = 0.007) మరియు MTx-% C (p = 0.026) మరియు MTx-RT (p = 0.001) గణాంకపరంగా ముఖ్యమైనవి; అయితే వయస్సు కోసం (p = 0.511) మరియు విద్య (p = 0.157) సమూహం మధ్య తేడాలు ఏవీ లేవు.
మునుపు ఎంచుకున్న ముగ్గురు అభ్యాసకులు, లాజిస్టిక్ రిగ్రెషన్, నేవ్ బేస్ మరియు సపోర్ట్ వెక్టర్ మెషిన్ ఉపయోగించి రోగనిర్ధారణ తీవ్రత వర్గీకరణల కోసం ప్రిడిక్టివ్ మోడలింగ్ పనితీరు ఫలితాలు టేబుల్ 5లో చూపబడ్డాయి. అయితే అదనపు పరీక్షించిన అభ్యాసకులు రెండు క్లినికల్ డయాగ్నసిస్ కేటగిరీలలో ఒకదానితో వ్యక్తిగతంగా కొంచెం బలమైన పనితీరును ప్రదర్శించారు. , మా మునుపటి మోడలింగ్లో అత్యంత అనుకూలమైనవిగా మేము గుర్తించిన ముగ్గురు అభ్యాసకులు రెండు కొత్త మోడలింగ్ పథకాలతో అత్యంత స్థిరమైన పనితీరును అందించారు. ప్రతి ప్రాథమిక రోగనిర్ధారణ వర్గాలలో (AD మరియు VaD) అభ్యాసకులను పోల్చి చూస్తే, MCI-VaD మరియు VaD కోసం అభ్యాసకుల మధ్య స్థిరమైన వర్గీకరణ పనితీరు వ్యత్యాసం లేదు, అయితే సపోర్ట్ వెక్టర్ మెషిన్ సాధారణంగా మరింత ప్రముఖంగా పని చేస్తుంది. అదేవిధంగా, MCI-AD వర్సెస్ AD వర్గీకరణకు అభ్యాసకుల మధ్య గణనీయమైన తేడాలు లేవు, అయినప్పటికీ నేవ్ బేయెస్ (NB) లాజిస్టిక్ రిగ్రెషన్ (LR) కంటే కొంచెం పనితీరు ప్రయోజనాన్ని కలిగి ఉంది మరియు సపోర్ట్ వెక్టర్ మెషీన్పై అతితక్కువ బహుళత్వాన్ని కలిగి ఉంది, సంభావ్యత 61.4%. మరియు వరుసగా 41.7%. రెండు డేటాసెట్లలో, సపోర్ట్ వెక్టర్ మెషిన్ (SVM) కోసం మొత్తం పనితీరు ప్రయోజనం ఉంది. Pr (SVM > LR) = 0.819 మరియు Pr (SVM > NB) = 0.934. XL సబ్-డేటాసెట్లో రోగనిర్ధారణ తీవ్రతను అంచనా వేయడంలో అభ్యాసకులందరిలో మా మొత్తం వర్గీకరణ పనితీరు VaD డయాగ్నసిస్ కేటగిరీ వర్సెస్ ADలో మెరుగ్గా ఉంది (Pr (VAD > AD) = 0.998).
టేబుల్ 5
డైకోటోమస్ క్లినికల్ డయాగ్నసిస్ తీవ్రత వర్గీకరణ పనితీరు (AUC; 0.0–1.0) సంబంధిత మోడలింగ్ స్కీమ్ల కోసం ముగ్గురు అత్యుత్తమ పనితీరు కనబరిచిన ప్రతి ఒక్కరికీ ఫలితాలు
మోడలింగ్ పథకం | లాజిస్టిక్ రిగ్రెషన్ | నైవ్ బేస్ | సపోర్ట్ వెక్టర్ మెషిన్ |
MCI-AD వర్సెస్ AD | 0.7465 | 0.7810 | 0.7443 |
MCI-VaD వర్సెస్ VaD | 0.8033 | 0.8044 | 0.8338 |
ప్రతి మోడలింగ్ స్కీమ్ కోసం అత్యధిక పనితీరు చూపబడింది బోల్డ్ (ఇతరులు లేని వాటి కంటే గణాంకపరంగా భిన్నంగా ఉండనవసరం లేదు బోల్డ్).
చర్చ
అభిజ్ఞా ఆరోగ్యంలో మార్పులను ముందుగానే గుర్తించడం చాలా ముఖ్యం వ్యక్తిగత ఆరోగ్య నిర్వహణ మరియు ప్రజారోగ్యంలో ఆచరణాత్మక ప్రయోజనం. వాస్తవానికి, ప్రపంచవ్యాప్తంగా ఉన్న రోగులకు క్లినికల్ సెట్టింగ్లలో ఇది చాలా ఎక్కువ ప్రాధాన్యతనిస్తుంది. భాగస్వామ్య లక్ష్యం రోగులను, సంరక్షకులను మరియు ప్రొవైడర్లను అప్రమత్తం చేయడం మరియు అభిజ్ఞా క్షీణతను అనుభవించడం ప్రారంభించిన వారికి ముందుగా తగిన మరియు తక్కువ ఖర్చుతో కూడిన చికిత్స మరియు రేఖాంశ సంరక్షణను అందించడం. మా మూడు హాస్పిటల్/క్లినిక్(ల) డేటా ఉపసమితులను విలీనం చేయడం ద్వారా, ప్రిడిక్టివ్ మోడల్లను రూపొందించడానికి మేము ముగ్గురు విశిష్టంగా ప్రాధాన్యమైన అభ్యాసకులను (ఒక ప్రముఖ స్టాండ్అవుట్ -Naïve Bayesతో) గుర్తించాము. అభిజ్ఞా ఆరోగ్య స్థితిని విశ్వసనీయంగా వర్గీకరించగల MemTrax పనితీరు కొలమానాలు MoCA మొత్తం స్కోర్ ద్వారా సూచించబడే విధంగా డైకోటోమస్గా (సాధారణ కాగ్నిటివ్ హెల్త్ లేదా MCI). ముఖ్యంగా, మా మోడల్లు ప్రధానంగా ఈ MemTrax పనితీరు కొలమానాలను కలిగి ఉన్న టాప్-ర్యాంక్ నాలుగు ఫీచర్లను మాత్రమే ఉపయోగించినప్పుడు ముగ్గురు అభ్యాసకుల కోసం మొత్తం వర్గీకరణ పనితీరు మెరుగుపడింది. అంతేకాకుండా, డిమెన్షియా నిర్ధారణ యొక్క రెండు వర్గాల తీవ్రతను వేరు చేయడానికి డయాగ్నొస్టిక్ సపోర్ట్ క్లాసిఫికేషన్ మోడలింగ్ స్కీమ్లో ఒకే అభ్యాసకులు మరియు MemTrax పనితీరు కొలమానాలను ఉపయోగించడం కోసం మేము ధృవీకరించే సామర్థ్యాన్ని వెల్లడించాము: AD మరియు VaD.
మెమరీ పరీక్ష AD [23, 24]ని ముందస్తుగా గుర్తించడంలో ప్రధానమైనది. అందువల్ల, మెమ్ట్రాక్స్ ఆన్లైన్లో ఆమోదయోగ్యమైన, ఆకర్షణీయమైన మరియు సులభంగా అమలు చేయడం సముచితం. ఎపిసోడిక్ మెమరీ కోసం స్క్రీనింగ్ పరీక్ష సాధారణ జనాభాలో [6]. ఈ నిరంతర పనితీరు టాస్క్ నుండి గుర్తింపు ఖచ్చితత్వం మరియు ప్రతిస్పందన సమయాలు ముఖ్యంగా నేర్చుకోవడం, జ్ఞాపకశక్తి మరియు జ్ఞానానికి సంబంధించిన న్యూరోప్లాస్టిక్ ప్రక్రియలలో ప్రారంభ మరియు అభివృద్ధి చెందుతున్న క్షీణత మరియు పర్యవసానంగా లోటులను గుర్తించడంలో బహిర్గతం చేస్తాయి. అంటే, మెమ్ట్రాక్స్ పనితీరు కొలమానాలపై ఎక్కువగా ఆధారపడిన నమూనాలు సున్నితంగా ఉంటాయి మరియు సులభంగా మరియు తక్కువ ఖర్చుతో జీవసంబంధమైన న్యూరోపాథాలజిక్ లోటులను మరింత గణనీయమైన క్రియాత్మక నష్టానికి ముందు పరివర్తన లక్షణరహిత దశలో బహిర్గతం చేస్తాయి [25]. యాష్ఫోర్డ్ మరియు ఇతరులు. MemTraxతో సొంతంగా పాల్గొన్న ఆన్లైన్ వినియోగదారులలో గుర్తింపు మెమరీ ఖచ్చితత్వం మరియు ప్రతిస్పందన సమయం యొక్క నమూనాలు మరియు ప్రవర్తనలను నిశితంగా పరిశీలించారు [6]. సరైన మోడలింగ్ మరియు చెల్లుబాటు అయ్యే మరియు సమర్థవంతమైన పేషెంట్ కేర్ అప్లికేషన్లను అభివృద్ధి చేయడంలో ఈ పంపిణీలు కీలకం అని గౌరవించడం, వైద్యపరంగా వర్తించే గుర్తింపు మరియు ప్రతిస్పందన సమయ ప్రొఫైల్లను నిర్వచించడం క్లినికల్ మరియు రీసెర్చ్ యుటిలిటీకి విలువైన పునాది సూచనను ఏర్పాటు చేయడంలో అవసరం. ప్రారంభ దశ అభిజ్ఞా బలహీనత మరియు అవకలన రోగనిర్ధారణ మద్దతు కోసం AD స్క్రీనింగ్లో MemTrax యొక్క ఆచరణాత్మక విలువను క్లినికల్ సెట్టింగ్ సందర్భంలో మరింత నిశితంగా పరిశీలించాల్సిన అవసరం ఉంది, ఇక్కడ పరీక్ష పనితీరును ప్రభావితం చేసే కొమొర్బిడిటీలు మరియు అభిజ్ఞా, ఇంద్రియ మరియు మోటారు సామర్థ్యాలను పరిగణించవచ్చు. మరియు వృత్తిపరమైన దృక్కోణాన్ని తెలియజేయడానికి మరియు ఆచరణాత్మక క్లినికల్ యుటిలిటీని ప్రోత్సహించడానికి, ముందుగా గుర్తించదగిన పరీక్ష లాజిస్టిక్లు, విద్య మరియు భాషా నిరోధకాలు మరియు సాంస్కృతిక ప్రభావాల ద్వారా గుర్తించదగిన విధంగా నిర్బంధించబడినప్పటికీ, స్థాపించబడిన కాగ్నిటివ్ హెల్త్ అసెస్మెంట్ టెస్ట్తో పోలికను ప్రదర్శించడం చాలా అవసరం [26] . ఈ విషయంలో, సాధారణంగా పరిశ్రమ ప్రమాణంగా చెప్పబడే MoCAకి క్లినికల్ ఎఫిషియసీలో MemTrax యొక్క అనుకూలమైన పోలిక ముఖ్యమైనది, ప్రత్యేకించి MemTrax యొక్క ఎక్కువ సౌలభ్యం మరియు రోగి అంగీకారాన్ని అంచనా వేసేటప్పుడు.
MemTraxని MoCAతో పోల్చిన మునుపటి అన్వేషణ మా మోడలింగ్ పరిశోధనకు హామీ ఇచ్చే హేతుబద్ధత మరియు ప్రాథమిక సాక్ష్యాలను హైలైట్ చేస్తుంది [8]. అయినప్పటికీ, ఈ ముందస్తు పోలిక MoCA ద్వారా నిర్ణయించబడిన అభిజ్ఞా స్థితితో మేము పరిశీలించిన రెండు కీలకమైన MemTrax పనితీరు కొలమానాలను మరియు సంబంధిత పరిధులు మరియు కటాఫ్ విలువలను నిర్వచించింది. మేము ఇతర సంభావ్య సంబంధిత రోగి-నిర్దిష్ట పారామితుల యొక్క మరింత వ్యక్తిగతీకరించిన పరిశీలనను అందించే ప్రిడిక్టివ్ మోడలింగ్-ఆధారిత విధానాన్ని అన్వేషించడం ద్వారా MemTrax యొక్క క్లినికల్ యుటిలిటీ అంచనాను మరింతగా పెంచాము. ఇతరులకు విరుద్ధంగా, MoCA స్కోర్కు విద్య దిద్దుబాటు (సర్దుబాటు) ఉపయోగించి మోడల్ పనితీరులో లేదా మొదట సిఫార్సు చేయబడిన 26 నుండి 23 వరకు ఉన్న MoCA మొత్తం స్కోర్ థ్రెషోల్డ్ను వివక్షతతో కూడిన అభిజ్ఞా ఆరోగ్యాన్ని మార్చడంలో మేము ఎటువంటి ప్రయోజనాన్ని కనుగొనలేదు [12, 15]. వాస్తవానికి, వర్గీకరణ పనితీరు ప్రయోజనం సర్దుబాటు చేయని MoCA స్కోర్ మరియు అధిక థ్రెషోల్డ్ని ఉపయోగించి అనుకూలంగా ఉంటుంది.
క్లినికల్ ప్రాక్టీస్లో కీలకాంశాలు
డేటా విస్తృతంగా మరియు బహుళ డైమెన్షనల్గా ఉన్నప్పుడు, అంటే, అనేక పరిశీలనలు మరియు అధిక-విలువ (దోహదపడే) గుణాల యొక్క విస్తృత శ్రేణి ఉన్నప్పుడు, మెషిన్ లెర్నింగ్ తరచుగా ఉత్తమంగా ఉపయోగించబడుతుంది మరియు ప్రిడిక్టివ్ మోడలింగ్లో అత్యంత ప్రభావవంతంగా ఉంటుంది. అయినప్పటికీ, ఈ ప్రస్తుత డేటాతో, కేవలం నాలుగు ఎంపిక చేసిన ఫీచర్లతో ఫిల్టర్ చేయబడిన మోడల్లు మొత్తం 10 సాధారణ ఫీచర్లను ఉపయోగించే వాటి కంటే మెరుగ్గా పనిచేశాయి. ఈ విధంగా రోగులను ఉత్తమంగా వర్గీకరించడానికి మా మొత్తం హాస్పిటల్ డేటాసెట్లో వైద్యపరంగా తగిన (అధిక విలువ) ఫీచర్లు లేవని ఇది సూచిస్తుంది. అయినప్పటికీ, కీలకమైన MemTrax పనితీరు కొలమానాలపై ఫీచర్ ర్యాంకింగ్ ప్రాధాన్యత —MTx-% C మరియు MTx-RT—ఈ పరీక్ష చుట్టూ ప్రారంభ దశ అభిజ్ఞా లోటు స్క్రీనింగ్ మోడల్లను రూపొందించడానికి గట్టిగా మద్దతు ఇస్తుంది, ఇది సరళమైనది, నిర్వహించడం సులభం, తక్కువ-ధరతో మరియు సముచితంగా బహిర్గతం చేస్తుంది. మెమరీ పనితీరు, కనీసం ప్రస్తుతం కాగ్నిటివ్ హెల్త్ స్టేటస్ యొక్క బైనరీ వర్గీకరణ కోసం ప్రారంభ స్క్రీన్గా. ప్రొవైడర్లు మరియు హెల్త్కేర్ సిస్టమ్లపై ఎప్పటికప్పుడు పెరుగుతున్న ఒత్తిడిని దృష్టిలో ఉంచుకుని, రోగి స్క్రీనింగ్ ప్రక్రియలు మరియు క్లినికల్ అప్లికేషన్లు ఆ రోగి లక్షణాలను సేకరించడం, ట్రాక్ చేయడం మరియు మోడలింగ్ చేయడం మరియు రోగనిర్ధారణలో అత్యంత ఉపయోగకరమైన, ప్రయోజనకరమైన మరియు ప్రభావవంతమైన పరీక్ష కొలమానాలను దృష్టిలో ఉంచుకుని తగిన విధంగా అభివృద్ధి చేయాలి. మరియు రోగి నిర్వహణ మద్దతు.
రెండు కీలకమైన MemTrax కొలమానాలు MCI వర్గీకరణకు కేంద్రంగా ఉండటంతో, మా అత్యుత్తమ పనితీరు కనబరిచిన అభ్యాసకుడు (Naïve Bayes) చాలా మోడళ్లలో (AUC 0.90 కంటే ఎక్కువ) చాలా ఎక్కువ అంచనా పనితీరును కలిగి ఉంది, దీనితో నిజమైన-పాజిటివ్ నుండి తప్పుడు-పాజిటివ్ నిష్పత్తి 4కి చేరుకుంటుంది లేదా కొంతవరకు మించిపోయింది. : 1. ఈ అభ్యాసకుడిని ఉపయోగించే ఒక అనువాద క్లినికల్ అప్లికేషన్ కాగ్నిటివ్ డెఫిసిట్ ఉన్నవారిలో చాలా మందిని క్యాప్చర్ చేస్తుంది (సరిగ్గా వర్గీకరిస్తుంది), అదే సమయంలో సాధారణ అభిజ్ఞా ఆరోగ్యం ఉన్న వ్యక్తిని అభిజ్ఞా లోటు (తప్పుడు పాజిటివ్) కలిగి ఉన్నట్లు పొరపాటుగా వర్గీకరించడానికి సంబంధించిన వ్యయాన్ని తగ్గిస్తుంది లేదా అభిజ్ఞా లోటు (తప్పుడు ప్రతికూల) ఉన్నవారిలో ఆ వర్గీకరణ లేదు. తప్పుడు వర్గీకరణ యొక్క ఈ దృశ్యాలలో ఒకటి రోగికి మరియు సంరక్షకులకు అనవసరమైన మానసిక-సామాజిక భారాన్ని విధించవచ్చు.
ప్రాథమిక మరియు పూర్తి విశ్లేషణలలో మేము ప్రతి మోడలింగ్ స్కీమ్లో మొత్తం పది మంది అభ్యాసకులను ఉపయోగించాము, మేము మా ఫలితాలను అత్యంత స్థిరమైన బలమైన పనితీరును చూపుతున్న మూడు వర్గీకరణలపై కేంద్రీకరించాము. ఈ డేటా ఆధారంగా, అభిజ్ఞా స్థితి వర్గీకరణను నిర్ణయించడంలో ఆచరణాత్మక క్లినికల్ అప్లికేషన్లో ఉన్నత స్థాయిలో ఆధారపడదగిన పనితీరును అంచనా వేసే అభ్యాసకులను హైలైట్ చేయడం కూడా ఇది. అంతేకాకుండా, ఈ అధ్యయనం కాగ్నిటివ్ స్క్రీనింగ్ మరియు ఈ సమయానుకూల క్లినికల్ ఛాలెంజ్లపై మెషిన్ లెర్నింగ్ యొక్క యుటిలిటీకి సంబంధించిన పరిచయ పరిశోధనగా ఉద్దేశించబడినందున, కనీస పారామీటర్ ట్యూనింగ్తో అభ్యాస పద్ధతులను సరళంగా మరియు సాధారణీకరించడానికి మేము నిర్ణయం తీసుకున్నాము. ఈ విధానం మరింత సంకుచితంగా నిర్వచించబడిన రోగి-నిర్దిష్ట అంచనా సామర్థ్యాల సంభావ్యతను పరిమితం చేసి ఉండవచ్చని మేము అభినందిస్తున్నాము. అదేవిధంగా, కేవలం టాప్ ఫీచర్లను (ఫిల్టర్ చేసిన విధానం) ఉపయోగించి మోడల్లకు శిక్షణ ఇస్తే, ఈ డేటాకు సంబంధించి మాకు మరింత సమాచారం అందజేస్తుంది (సేకరించిన డేటాలోని లోటుపాట్లకు మరియు విలువైన వైద్య సమయం మరియు వనరులను ఆప్టిమైజ్ చేయడంలో విలువను హైలైట్ చేస్తుంది), ఇది అకాలంగా తగ్గిపోతుందని మేము గుర్తించాము. మోడల్ల పరిధి మరియు అందువల్ల, విస్తృత జనాభాకు వర్తించే ప్రాధాన్యతా లక్షణాల యొక్క మరింత ఖచ్చితమైన ప్రొఫైల్ను మేము పొందే వరకు భవిష్యత్తు పరిశోధనతో అన్ని (మరియు ఇతర లక్షణాలు) పరిగణించబడాలి. అందువల్ల, మరింత సమగ్రమైన మరియు విస్తృత ప్రాతినిధ్య డేటా మరియు ఈ మరియు ఇతర మోడళ్లను సమర్థవంతమైన క్లినికల్ అప్లికేషన్లో చేర్చడానికి ముందు వాటి యొక్క ఆప్టిమైజేషన్ అవసరమని మేము పూర్తిగా గుర్తించాము, ప్రత్యేకించి తదుపరి క్లినికల్ మూల్యాంకనంలో పరిగణించాల్సిన కాగ్నిటివ్ పనితీరును ప్రభావితం చేసే కొమొర్బిడిటీలకు అనుగుణంగా.
ప్రత్యేక క్లినికల్ డయాగ్నసిస్ ఆధారంగా వ్యాధి తీవ్రత యొక్క మోడలింగ్ ద్వారా MemTrax యొక్క యుటిలిటీ మరింత మెరుగుపడింది. VaD (ADతో పోలిస్తే) తీవ్రతను అంచనా వేయడంలో మెరుగైన మొత్తం వర్గీకరణ పనితీరు లేదు వాస్కులర్ ఆరోగ్యానికి ప్రత్యేకమైన మోడల్లలో రోగి ప్రొఫైల్ ఫీచర్లను అందించడం ఆశ్చర్యంగా ఉంది మరియు స్ట్రోక్ రిస్క్, అంటే హైపర్ టెన్షన్, హైపర్లిపిడెమియా, డయాబెటిస్ మరియు (కోర్సు) స్ట్రోక్ హిస్టరీ. ఈ మరింత సమగ్ర డేటాతో అభ్యాసకులకు శిక్షణ ఇవ్వడానికి సాధారణ అభిజ్ఞా ఆరోగ్యంతో సరిపోలిన రోగులపై అదే క్లినికల్ అసెస్మెంట్ నిర్వహించడం మరింత కావాల్సినది మరియు తగినది. మెమ్ట్రాక్స్ ప్రాథమికంగా అభిజ్ఞా లోటును గుర్తించడం మరియు వ్యక్తిగత మార్పును తదుపరి ట్రాకింగ్ కోసం ప్రాథమికంగా ఉపయోగించబడుతుంది కాబట్టి ఇది ప్రత్యేకంగా హామీ ఇవ్వబడుతుంది. VaD డేటాసెట్లోని డేటా యొక్క మరింత కావాల్సిన పంపిణీ తులనాత్మకంగా మెరుగైన మోడలింగ్ పనితీరుకు కొంతవరకు దోహదపడింది. VaD డేటాసెట్ రెండు తరగతుల మధ్య బాగా సమతుల్యం చేయబడింది, అయితే చాలా తక్కువ MCI రోగులతో AD డేటాసెట్ లేదు. ప్రత్యేకించి చిన్న డేటాసెట్లలో, కొన్ని అదనపు సందర్భాలు కూడా కొలవదగిన వ్యత్యాసాన్ని కలిగిస్తాయి. రెండు దృక్కోణాలు వ్యాధి తీవ్రత మోడలింగ్ పనితీరులో వ్యత్యాసాలకు అంతర్లీనంగా సహేతుకమైన వాదనలు. ఏది ఏమైనప్పటికీ, డేటాసెట్ సంఖ్యా లక్షణాలు లేదా పరిశీలనలో ఉన్న క్లినికల్ ప్రెజెంటేషన్కు ప్రత్యేకమైన స్వాభావిక లక్షణాలకు మెరుగైన పనితీరును దామాషా ప్రకారం ఆపాదించడం అకాలం. ఏదేమైనా, ఈ నవల క్లినికల్ డయాగ్నస్టిక్ సపోర్ట్ పాత్రలో మెమ్ట్రాక్స్ ప్రిడిక్టివ్ క్లాసిఫికేషన్ మోడల్ యొక్క ప్రయోజనాన్ని ప్రదర్శించింది, ఇది MCI యొక్క నిరంతరాయంగా రోగులతో అదనపు పరీక్ష కోసం విలువైన దృక్పథాన్ని అందిస్తుంది మరియు ధృవీకరిస్తుంది.
చైనాలో మెమ్ట్రాక్స్ మరియు ఈ నమూనాల అమలు మరియు ప్రదర్శించబడిన యుటిలిటీ, ఇక్కడ భాష మరియు సంస్కృతి స్థిరపడిన ఇతర ప్రాంతాల నుండి (ఉదా, ఫ్రాన్స్, నెదర్లాండ్స్ మరియు యునైటెడ్ స్టేట్స్) చాలా భిన్నంగా ఉంటాయి [7, 8, 27], సంభావ్యతను మరింత నొక్కి చెబుతుంది MemTrax-ఆధారిత ప్లాట్ఫారమ్ యొక్క విస్తృతమైన ప్రపంచ ఆమోదం మరియు క్లినికల్ విలువ కోసం. డేటా హార్మోనైజేషన్ వైపు ప్రయత్నించడంలో మరియు ప్రాక్టికల్ ఇంటర్నేషనల్ నార్మ్స్ మరియు మోడలింగ్ రిసోర్స్లను అభివృద్ధి చేయడంలో ఇది ఒక నిరూపితమైన ఉదాహరణ, ఇవి ప్రామాణీకరించబడిన మరియు ప్రపంచవ్యాప్తంగా ఉపయోగించడం కోసం సులభంగా స్వీకరించబడతాయి.
కాగ్నిటివ్ క్షీణత మోడలింగ్ మరియు అప్లికేషన్లో తదుపరి దశలు
ADలో అభిజ్ఞా పనిచేయకపోవడం అనేది వివిక్త దశలు లేదా దశల్లో కాకుండా నిరంతరాయంగా జరుగుతుంది [28, 29]. అయినప్పటికీ, ఈ ప్రారంభ దశలో, "సాధారణం" నుండి "సాధారణం కాదు" నుండి ప్రాథమికంగా వేరు చేయగల MemTraxని కలిగి ఉన్న మోడల్ను రూపొందించే మా సామర్థ్యాన్ని మొదట స్థాపించడం మా లక్ష్యం. మరింత సమగ్రమైన అనుభావిక డేటా (ఉదా, మెదడు ఇమేజింగ్, జన్యు లక్షణాలు, బయోమార్కర్లు, కొమొర్బిడిటీలు మరియు కాంప్లెక్స్ యొక్క ఫంక్షనల్ గుర్తులు అభిజ్ఞా అవసరమయ్యే కార్యకలాపాలు నియంత్రణ) [30] వివిధ ప్రపంచ ప్రాంతాలు, జనాభా మరియు వయస్సు సమూహాలలో శిక్షణ మరియు మరింత అధునాతనమైన (సముచితమైన బరువున్న సమిష్టితో సహా) మెషిన్ లెర్నింగ్ మోడల్లు మరింత మెరుగైన వర్గీకరణకు మద్దతునిస్తాయి, అంటే రోగుల సమూహాలను వర్గీకరించే సామర్థ్యం అభిజ్ఞా క్షీణత నిరంతరాయంగా MCI చిన్న మరియు మరింత ఖచ్చితమైన ఉపసమితులుగా. అంతేకాకుండా, ప్రాంతీయంగా విభిన్నమైన రోగుల జనాభాలో వ్యక్తుల కోసం ఏకకాల క్లినికల్ డయాగ్నోసిస్ అవసరం సమర్థవంతంగా శిక్షణ ఈ మరింత కలుపుకొని మరియు ఊహాజనిత బలమైన నమూనాలు. ఇది సారూప్య నేపథ్యాలు, ప్రభావాలు మరియు మరింత సంకుచితంగా నిర్వచించబడిన లక్షణ అభిజ్ఞా ప్రొఫైల్లు ఉన్నవారికి మరింత నిర్దిష్టమైన స్తరీకరించిన కేస్ నిర్వహణను సులభతరం చేస్తుంది మరియు తద్వారా క్లినికల్ డెసిషన్ సపోర్ట్ మరియు పేషెంట్ కేర్ని ఆప్టిమైజ్ చేస్తుంది.
చాలా వరకు సంబంధిత క్లినికల్ పరిశోధనలు కనీసం తేలికపాటి చిత్తవైకల్యం ఉన్న రోగులకు సంబంధించినవి; మరియు, ఆచరణలో, చాలా తరచుగా రోగి జోక్యం అధునాతన దశలలో మాత్రమే ప్రయత్నించబడుతుంది. అయినప్పటికీ, చిత్తవైకల్యానికి సంబంధించిన వైద్యపరమైన ప్రమాణాలు అందుకోకముందే అభిజ్ఞా క్షీణత మొదలవుతుంది కాబట్టి, సమర్థవంతంగా వర్తించే MemTrax-ఆధారిత ప్రారంభ స్క్రీన్ వ్యాధి మరియు దాని పురోగతి గురించి వ్యక్తులకు తగిన విద్యను ప్రోత్సహిస్తుంది మరియు ముందస్తు మరియు మరింత సమయానుకూల జోక్యాలను ప్రాంప్ట్ చేస్తుంది. అందువల్ల, ముందస్తుగా గుర్తించడం అనేది వ్యాయామం, ఆహారం, భావోద్వేగ మద్దతు మరియు మెరుగైన సాంఘికీకరణ నుండి ఫార్మకోలాజికల్ జోక్యం వరకు తగిన ప్రమేయాలకు మద్దతు ఇస్తుంది మరియు వ్యక్తిగతంగా లేదా మొత్తంగా చిత్తవైకల్యం పురోగతిని తగ్గించగల లేదా సంభావ్యంగా ఆపగల ప్రవర్తన మరియు అవగాహనలో రోగికి సంబంధించిన మార్పులను బలపరుస్తుంది [31, 32] . అంతేకాక, ప్రభావవంతంగా ప్రారంభ స్క్రీనింగ్, వ్యక్తులు మరియు వారి కుటుంబాలు క్లినికల్ ట్రయల్స్ను పరిగణించమని లేదా కౌన్సెలింగ్ మరియు ఇతర సామాజిక సేవల మద్దతును పొందడం కోసం అంచనాలు మరియు ఉద్దేశాలను స్పష్టం చేయడంలో మరియు రోజువారీ పనులను నిర్వహించేందుకు ప్రాంప్ట్ చేయబడవచ్చు. ఈ మార్గాల్లో మరింత ధృవీకరణ మరియు విస్తృతమైన ఆచరణాత్మక ప్రయోజనం అనేక మంది వ్యక్తుల కోసం MCI, AD మరియు ADRD యొక్క పురోగతిని తగ్గించడానికి లేదా ఆపడానికి ఉపకరిస్తుంది.
నిజమే, మా అధ్యయనంలో రోగి వయస్సు పరిధి యొక్క తక్కువ ముగింపు AD తో సాంప్రదాయ ఆందోళన యొక్క జనాభాను సూచించదు. అయినప్పటికీ, MoCA స్కోర్/థ్రెషోల్డ్ మరియు రోగ నిర్ధారణ తీవ్రత (టేబుల్ 3) ఆధారంగా వర్గీకరణ మోడలింగ్ స్కీమ్లలో ఉపయోగించిన ప్రతి సమూహం యొక్క సగటు వయస్సు కనీసం 80 సంవత్సరాల వయస్సులో స్పష్టమైన మెజారిటీని (50% కంటే ఎక్కువ) నొక్కి చెబుతుంది. ఈ పంపిణీ సాధారణీకరణకు చాలా సముచితమైనది, జనాభాలో ఈ నమూనాల వినియోగానికి మద్దతునిస్తుంది. ప్రారంభ ప్రారంభం మరియు AD మరియు VaD కారణంగా పెరుగుతున్న న్యూరోకాగ్నిటివ్ అనారోగ్యం. అలాగే, ఇటీవలి సాక్ష్యం మరియు దృక్పథం గుర్తించబడిన కారకాలు (ఉదా., అధిక రక్తపోటు, ఊబకాయం, మధుమేహం మరియు ధూమపానం) అధిక ప్రారంభానికి దోహదపడతాయి అడల్ట్ మరియు మిడ్ లైఫ్ వాస్కులర్ రిస్క్ స్కోర్లు మరియు తత్ఫలితంగా చిన్నపిల్లలలో కూడా స్పష్టమైన ప్రభావాలతో కృత్రిమంగా అభివృద్ధి చెందే సూక్ష్మ వాస్కులర్ మెదడు గాయం పెద్దలు [33-35]. దీని ప్రకారం, ముందుగానే గుర్తించడానికి అత్యంత సరైన ప్రారంభ స్క్రీనింగ్ అవకాశం అభిజ్ఞా లోటుల దశ మరియు చిత్తవైకల్యాన్ని విజయవంతంగా పరిష్కరించడంలో సమర్థవంతమైన నివారణ మరియు జోక్య వ్యూహాలను ప్రారంభించడం యుక్తవయస్సు మరియు బాల్యం కూడా (ప్రారంభ గర్భధారణ నుండి అపోలిపోప్రొటీన్ E వంటి జన్యుపరమైన కారకాల యొక్క ఔచిత్యాన్ని గమనిస్తూ) సహా, వయస్సు స్పెక్ట్రం అంతటా దోహదపడే కారకాలు మరియు పూర్వ సూచికలను పరిశీలించడం నుండి బయటపడుతుంది.
ఆచరణలో, చెల్లుబాటు అయ్యే క్లినికల్ డయాగ్నోసిస్ మరియు అధునాతన ఇమేజింగ్, జెనెటిక్ ప్రొఫైలింగ్ మరియు ఆశాజనక బయోమార్కర్లను కొలిచే ఖరీదైన విధానాలు ఎల్లప్పుడూ సులభంగా అందుబాటులో ఉండవు లేదా చాలా మంది ప్రొవైడర్లకు సాధ్యమయ్యేవి కావు. అందువల్ల, అనేక సందర్భాల్లో, రోగి అందించిన ఇతర సాధారణ కొలమానాలను (ఉదా, స్వీయ-నివేదిత) ఉపయోగించి నమూనాల నుండి ప్రాథమిక మొత్తం అభిజ్ఞా ఆరోగ్య స్థితి వర్గీకరణను పొందవలసి ఉంటుంది. మెమరీ సమస్యలు, ప్రస్తుత మందులు మరియు సాధారణ కార్యాచరణ పరిమితులు) మరియు సాధారణ జనాభా లక్షణాలు [7]. యూనివర్సిటీ ఆఫ్ కాలిఫోర్నియా వంటి రిజిస్ట్రీలు బ్రెయిన్ హెల్త్ రిజిస్ట్రీ (https://www.brainhealthregistry.org/) [27] మరియు ఇతరులు స్వీయ-నివేదిత లక్షణాలు, గుణాత్మక చర్యలు (ఉదా, నిద్ర మరియు ప్రతి రోజు జ్ఞానం), మందులు, ఆరోగ్య స్థితి మరియు చరిత్ర, మరియు క్లినిక్లో ఈ అత్యంత ప్రాచీన నమూనాల యొక్క ఆచరణాత్మక అనువర్తనాన్ని అభివృద్ధి చేయడంలో మరియు ధృవీకరించడంలో మరింత వివరణాత్మక జనాభా శాస్త్రం కీలకంగా ఉంటుంది. ఇంకా, మెమ్ట్రాక్స్ వంటి పరీక్ష, మెమరీ పనితీరును అంచనా వేయడంలో ప్రయోజనాన్ని ప్రదర్శించింది, వాస్తవానికి జీవసంబంధమైన గుర్తుల కంటే AD పాథాలజీ యొక్క మెరుగైన అంచనాను అందించవచ్చు. AD పాథాలజీ యొక్క ప్రధాన లక్షణం న్యూరోప్లాస్టిసిటీకి అంతరాయం కలిగించడం మరియు సినాప్సెస్ యొక్క అధిక సంక్లిష్ట నష్టం, ఇది ఎపిసోడిక్గా వ్యక్తమవుతుంది మెమరీ డిస్ఫంక్షన్, ఇది ఎపిసోడిక్ మెమరీని అంచనా వేసే కొలత జీవించి ఉన్న రోగి [36]లో జీవసంబంధమైన గుర్తుల కంటే AD రోగలక్షణ భారం యొక్క మెరుగైన అంచనాను అందిస్తాయి.
అన్ని ప్రిడిక్టివ్ మోడల్లతో-అత్యాధునిక సాంకేతిక పరిజ్ఞానం మరియు బహుళ డొమైన్లలో శుద్ధి చేసిన క్లినికల్ ఇన్సైట్ల నుండి సంక్లిష్టమైన మరియు సమగ్రమైన డేటాతో అనుబంధించబడినా లేదా ఇప్పటికే ఉన్న రోగి ప్రొఫైల్ల యొక్క మరింత ప్రాథమిక మరియు సులభంగా లభించే సమాచార లక్షణానికి పరిమితం చేయబడినవి-కృత్రిమ మేధస్సు యొక్క గుర్తించబడిన ప్రయోజనం మరియు మెషీన్ లెర్నింగ్ అంటే, ఫలిత నమూనాలు కొనసాగుతున్న అప్లికేషన్ వినియోగం ద్వారా అందించబడిన సంబంధిత కొత్త డేటా మరియు దృక్కోణం నుండి సంశ్లేషణ మరియు ప్రేరేపకంగా "నేర్చుకోగలవు". ఆచరణాత్మక సాంకేతిక పరిజ్ఞాన బదిలీని అనుసరించి, ఇక్కడ నమూనాలు (మరియు అభివృద్ధి చేయవలసినవి) వర్తింపజేయబడతాయి మరియు మరిన్ని కేసులు మరియు సంబంధిత డేటాతో (తదుపరి అభిజ్ఞా క్షీణతతో కూడిన కొమొర్బిడిటీలు ఉన్న రోగులతో సహా), అంచనా పనితీరు మరియు అభిజ్ఞా ఆరోగ్య వర్గీకరణ మరింత పటిష్టంగా ఉంటాయి. ఫలితంగా మరింత ప్రభావవంతమైన క్లినికల్ డెసిషన్ సపోర్ట్ యుటిలిటీ. ఆరోగ్య సంరక్షణ ప్రదాతలు క్లినిక్లో నిజ సమయంలో ఉపయోగించగలిగే అనుకూల (అందుబాటులో ఉన్న సామర్థ్యాలను లక్ష్యంగా చేసుకున్న) ప్లాట్ఫారమ్లలో MemTrax పొందుపరచడం ద్వారా ఈ పరిణామం మరింత పూర్తిగా మరియు ఆచరణాత్మకంగా గ్రహించబడుతుంది.
డయాగ్నస్టిక్ సపోర్ట్ మరియు పేషెంట్ కేర్ కోసం మెమ్ట్రాక్స్ మోడల్ యొక్క ధ్రువీకరణ మరియు యుటిలిటీకి అత్యవసరమైన అర్థవంతమైన రేఖాంశ డేటా ఎక్కువగా కోరబడుతుంది. ప్రారంభ-దశ MCI ద్వారా తగిన స్థాయిలో సాధారణ స్థాయిలలో క్లినికల్ స్థితిలో సారూప్య మార్పులను (ఏదైనా ఉంటే) గమనించడం మరియు రికార్డ్ చేయడం ద్వారా, తగిన కొనసాగుతున్న అంచనా మరియు వర్గీకరణ కోసం నమూనాలు రోగుల వయస్సులో శిక్షణ ఇవ్వబడతాయి మరియు సవరించబడతాయి మరియు చికిత్స చేయబడతాయి. అంటే, పదేపదే యుటిలిటీ తేలికపాటి అభిజ్ఞా మార్పుల యొక్క రేఖాంశ ట్రాకింగ్, జోక్య ప్రభావం మరియు సమాచార క్రమబద్ధమైన సంరక్షణను నిర్వహించడంలో సహాయపడుతుంది. ఈ విధానం క్లినికల్ ప్రాక్టీస్ మరియు రోగి మరియు కేస్ మేనేజ్మెంట్తో మరింత సన్నిహితంగా ఉంటుంది.
పరిమితులు
నియంత్రిత క్లినిక్/హాస్పిటల్ సెట్టింగ్లో క్లీన్ క్లినికల్ డేటాను సేకరించడంలో సవాలు మరియు విలువను మేము అభినందిస్తున్నాము. అయినప్పటికీ, మా డేటాసెట్లు సాధారణ లక్షణాలతో ఎక్కువ మంది రోగులను చేర్చినట్లయితే అది మా మోడలింగ్ను బలోపేతం చేస్తుంది. అంతేకాకుండా, మా డయాగ్నసిస్ మోడలింగ్కు ప్రత్యేకంగా, అభ్యాసకులకు శిక్షణ ఇవ్వడానికి సాధారణ అభిజ్ఞా ఆరోగ్యంతో సరిపోలిన రోగులపై అదే క్లినికల్ అసెస్మెంట్ నిర్వహించడం మరింత కావాల్సినది మరియు తగినది. మరియు ఫిల్టర్ చేయబడిన డేటాసెట్ను ఉపయోగించి అధిక వర్గీకరణ పనితీరు ద్వారా నొక్కిచెప్పబడింది (అగ్ర-ర్యాంక్ నాలుగు ఫీచర్లు మాత్రమే), మరింత సాధారణ మరియు అభిజ్ఞా ఆరోగ్య చర్యలు/సూచికలు మెరుగుపడి ఉండవచ్చు రోగులందరిలో ఎక్కువ సంఖ్యలో సాధారణ లక్షణాలతో మోడలింగ్ పనితీరు.
కొంతమంది పాల్గొనేవారు తాత్కాలిక లేదా దీర్ఘకాలిక అభిజ్ఞా లోపాలను ప్రేరేపించగల ఇతర అనారోగ్యాలను ఏకకాలంలో ఎదుర్కొంటూ ఉండవచ్చు. XL సబ్-డేటాసెట్ కాకుండా, రోగులకు AD లేదా VaD ఉన్నట్లు నిర్ధారణపరంగా వర్గీకరించబడింది, YH పేషెంట్ పూల్లో కొమొర్బిడిటీ డేటా సేకరించబడలేదు/నివేదించబడలేదు మరియు KM సబ్-డేటాసెట్లో ఎక్కువగా నివేదించబడిన కొమొర్బిడిటీ మధుమేహం. ఏది ఏమైనప్పటికీ, మా మోడలింగ్ స్కీమ్లలో రోగులతో సహా అభిజ్ఞా లోపం స్థాయిని ప్రేరేపించగల లేదా తీవ్రతరం చేయగలదు మరియు తత్ఫలితంగా తక్కువ MemTrax పనితీరు ఈ మరింత సాధారణీకరించబడిన ప్రారంభ అభిజ్ఞా స్క్రీనింగ్ కోసం వాస్తవ-ప్రపంచ లక్ష్యంగా ఉన్న రోగుల జనాభాకు మరింత ప్రతినిధిగా ఉంటుంది. మరియు మోడలింగ్ విధానం. ముందుకు సాగడం, అభిజ్ఞా పనితీరును ప్రభావితం చేసే కొమొర్బిడిటీల యొక్క ఖచ్చితమైన రోగనిర్ధారణ మోడల్లను ఆప్టిమైజ్ చేయడానికి మరియు ఫలితంగా పేషెంట్ కేర్ అప్లికేషన్లకు విస్తృతంగా ప్రయోజనకరంగా ఉంటుంది.
చివరగా, YH మరియు KM సబ్-డేటాసెట్ రోగులు MemTrax పరీక్షను తీసుకోవడానికి స్మార్ట్ఫోన్ను ఉపయోగించారు, అయితే పరిమిత సంఖ్యలో XL సబ్-డేటాసెట్ రోగులు ఐప్యాడ్ను ఉపయోగించారు మరియు మిగిలినవారు స్మార్ట్ఫోన్ను ఉపయోగించారు. ఇది MoCA వర్గీకరణ మోడలింగ్ కోసం MemTrax పనితీరులో చిన్న పరికర సంబంధిత వ్యత్యాసాన్ని పరిచయం చేసి ఉండవచ్చు. అయినప్పటికీ, MTx-RTలో తేడాలు (ఏదైనా ఉంటే), ఉదాహరణకు, పరికరాల మధ్య చాలా తక్కువగా ఉండవచ్చు, ప్రత్యేకించి ప్రతి పాల్గొనేవారికి రికార్డ్ చేయబడిన పరీక్ష పనితీరు కంటే ముందు “ప్రాక్టీస్” పరీక్ష ఇవ్వబడుతుంది. అయినప్పటికీ, ఈ రెండు హ్యాండ్హెల్డ్ పరికరాల ప్రయోజనం కంప్యూటర్ కీబోర్డ్లోని స్పేస్బార్ను తాకడం ద్వారా వినియోగదారులు పునరావృత చిత్రాలకు ప్రతిస్పందించిన ఇతర MemTrax ఫలితాలతో ప్రత్యక్ష పోలిక మరియు/లేదా ఏకీకరణను సంభావ్యంగా రాజీ చేస్తుంది.
MemTrax ప్రిడిక్టివ్ మోడలింగ్ యుటిలిటీపై కీలక అంశాలు
- • ఎంచుకున్న MemTrax పనితీరు కొలమానాలను కలిగి ఉన్న మా అత్యుత్తమ పనితీరు అంచనా నమూనాలు విస్తృతంగా గుర్తించబడిన MoCA పరీక్ష ద్వారా సూచించబడే విధంగా అభిజ్ఞా ఆరోగ్య స్థితిని (సాధారణ అభిజ్ఞా ఆరోగ్యం లేదా MCI) విశ్వసనీయంగా వర్గీకరించవచ్చు.
- • ఈ ఫలితాలు ప్రారంభ దశ అభిజ్ఞా బలహీనత కోసం వర్గీకరణ ప్రిడిక్టివ్ మోడల్ స్క్రీనింగ్ అప్లికేషన్లో ఎంచుకున్న MemTrax పనితీరు కొలమానాల ఏకీకరణకు మద్దతు ఇస్తుంది.
- • మా వర్గీకరణ మోడలింగ్ డిమెన్షియా నిర్ధారణ యొక్క తీవ్రతను వేరు చేయడానికి అప్లికేషన్లలో MemTrax పనితీరును ఉపయోగించుకునే సామర్థ్యాన్ని కూడా వెల్లడించింది.
ఈ నవల పరిశోధనలు ప్రభావవంతమైన క్లినికల్ కేస్ మేనేజ్మెంట్లో డయాగ్నస్టిక్ సపోర్ట్ మరియు అభిజ్ఞా బలహీనతను ఎదుర్కొంటున్న వ్యక్తులకు రోగుల సంరక్షణ కోసం మెరుగైన మెమ్ట్రాక్స్-ఆధారిత వర్గీకరణ నమూనాలను రూపొందించడంలో మెషిన్ లెర్నింగ్ యొక్క ప్రయోజనానికి మద్దతునిచ్చే ఖచ్చితమైన సాక్ష్యాలను ఏర్పరుస్తాయి.
రసీదులు
ఇక్కడ ఉపయోగించిన ఆన్లైన్ నిరంతర గుర్తింపు టాస్క్ మరియు టూల్ (MemTrax)ని అభివృద్ధి చేయడం మరియు ధృవీకరించడం కోసం J. వెస్సన్ ఆష్ఫోర్డ్, కర్టిస్ B. యాష్ఫోర్డ్ మరియు సహచరుల కృషిని మేము గుర్తించాము మరియు క్లిష్టమైన పునాది పరిశోధనకు సహకరించిన అనేక మంది చిత్తవైకల్యం ఉన్న రోగులకు మేము కృతజ్ఞతలు. . మేము Xianbo Zhou మరియు SJN బయోమెడ్ LTDలోని అతని సహచరులకు, అతని సహోద్యోగులకు మరియు ఆసుపత్రులు/క్లినిక్ల సైట్లలోని సహకారులకు, ముఖ్యంగా డా. M. లువో మరియు M. ఝాంగ్, పాల్గొనేవారి నియామకం, పరీక్షలను షెడ్యూల్ చేయడం మరియు డేటాను సేకరించడం, రికార్డింగ్ చేయడం మరియు ఫ్రంట్-ఎండ్ నిర్వహణలో సహాయం చేసిన వారు మరియు తమ విలువైన సమయాన్ని విరాళంగా అందించిన స్వచ్ఛందంగా పాల్గొనేవారు మరియు పరీక్షలు మరియు అందించడంలో నిబద్ధతతో ఉన్నారు ఈ అధ్యయనంలో మనం మూల్యాంకనం చేయడానికి విలువైన డేటా. ఈ అధ్యయనానికి MD సైంటిఫిక్ రీసెర్చ్ కొంతవరకు మద్దతు ఇచ్చింది కున్మింగ్ మెడికల్ యూనివర్శిటీ యొక్క ప్రోగ్రామ్ (గ్రాంట్ నం. 2017BS028 నుండి XL వరకు) మరియు యునాన్ సైన్స్ అండ్ టెక్నాలజీ డిపార్ట్మెంట్ యొక్క పరిశోధన కార్యక్రమం (గ్రాంట్ నం. 2019FE001 (-222) నుండి XL వరకు).
J. వెస్సన్ యాష్ఫోర్డ్ సాధారణ కోసం ఈ పేపర్లో వివరించిన నిర్దిష్ట నిరంతర గుర్తింపు నమూనాను ఉపయోగించడం కోసం పేటెంట్ దరఖాస్తును దాఖలు చేశారు జ్ఞాపకశక్తి పరీక్ష.
మెమ్ట్రాక్స్, ఎల్ఎల్సి అనేది కర్టిస్ యాష్ఫోర్డ్ యాజమాన్యంలోని కంపెనీ, మరియు ఈ కంపెనీ దీనిని నిర్వహిస్తోంది మెమరీ పరీక్ష ఈ పేపర్లో వివరించిన వ్యవస్థ.
రచయితల వెల్లడి ఆన్లైన్లో అందుబాటులో ఉంది (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
ప్రస్తావనలు
[1] అల్జీమర్స్ అసోసియేషన్ (2016) 2016 అల్జీమర్స్ వ్యాధి వాస్తవాలు మరియు బొమ్మలు. అల్జీమర్స్ డిమెంట్ 12, 459–509. | |
[2] గ్రెసెంజ్ CR, మిచెల్ JM, మర్రోన్ J, ఫెడెరోఫ్ HJ (2019) ప్రారంభ దశ ప్రభావం అల్జీమర్స్ వ్యాధి గృహ ఆర్థిక ఫలితాలపై. హెల్త్ ఎకాన్ 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) నాణ్యత మెరుగుదల న్యూరాలజీ: తేలికపాటి అభిజ్ఞా బలహీనత నాణ్యత కొలత సెట్. న్యూరాలజీ 93, 705–713. |
[4] టోంగ్ టి , తోకల పి , మెక్మిల్లన్ బి , ఘోష్ ఆర్ , బ్రజియర్ జె (2017) వినియోగ ఖర్చు ప్రభావం ప్రాథమిక సంరక్షణలో చిత్తవైకల్యం మరియు తేలికపాటి అభిజ్ఞా బలహీనతను గుర్తించడానికి కాగ్నిటివ్ స్క్రీనింగ్ పరీక్షలు. Int J Geriatr సైకియాట్రీ 32, 1392–1400. | |
[5] యాష్ఫోర్డ్ JW , గేర్ E , బేలీ PJ (2011) జ్ఞాపకశక్తిని కొలవడం నిరంతర గుర్తింపు పరీక్షను ఉపయోగించి పెద్ద సమూహ సెట్టింగ్లలో. J అల్జీమర్స్ డిస్ 27, 885–895. | |
[6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) ఎపిసోడిక్ మెమరీని కొలవడానికి కంప్యూటరైజ్డ్ నిరంతర-గుర్తింపు పని. J అల్జీమర్స్ డిస్ 69, 385–399. |
[7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) కాగ్నిటివ్ హెల్త్ స్టేటస్ వర్గీకరణను అంచనా వేయడానికి మెషిన్ లెర్నింగ్ మోడలింగ్లో ఎపిసోడిక్-మెమరీ పనితీరు. J అల్జీమర్స్ డిస్ 70, 277–286. |
[8] వాన్ డెర్ హోక్ MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) ది మెమ్ట్రాక్స్ పరీక్ష తేలికపాటి అభిజ్ఞా బలహీనత యొక్క మాంట్రియల్ కాగ్నిటివ్ అసెస్మెంట్ అంచనాతో పోలిస్తే. J అల్జీమర్స్ డిస్ 67, 1045–1054. | |
[9] | Falcone M , Yadav N , Poellabauer C , Flynn P (2013) తేలికపాటి బాధాకరమైన మెదడు గాయం యొక్క వర్గీకరణ కోసం వివిక్త అచ్చు శబ్దాలను ఉపయోగించడం. 2013లో IEEE ఇంటర్నేషనల్ కాన్ఫరెన్స్ ఆన్ అకౌస్టిక్స్, స్పీచ్ అండ్ సిగ్నల్ ప్రాసెసింగ్, వాంకోవర్, BC, pp. 7577–7581. |
[10] | Dabek F , Caban JJ (2015) ఒక కంకషన్ తర్వాత మానసిక పరిస్థితులను అభివృద్ధి చేసే సంభావ్యతను మోడల్ చేయడానికి పెద్ద డేటాను ఉపయోగించడం. ప్రొసీడియా కంప్యూట్ సైన్స్ 53, 265–273. |
[11] | Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , మోరెనో L (2018) కమ్యూనిటీ ఫార్మసిస్ట్లచే అభిజ్ఞా బలహీనతను ముందుగా గుర్తించడానికి డెసిషన్ ట్రీ. ఫ్రంట్ ఫార్మాకోల్ 9, 1232. |
[12] | Nasreddine ZS , Phillips NA , Bedirian V , Charbonneau S , Whitehead V , Collin I , Cummings JL , Chertkow H (2005) ది మాంట్రియల్ కాగ్నిటివ్ అసెస్మెంట్, MoCA: తేలికపాటి అభిజ్ఞా బలహీనత కోసం సంక్షిప్త స్క్రీనింగ్ సాధనం. J Am Geriatr Soc 53, 695–699. |
[13] | Yu J , Li J , Huang X (2012) తేలికపాటి అభిజ్ఞా బలహీనతకు సంక్షిప్త స్క్రీనింగ్ సాధనంగా మాంట్రియల్ కాగ్నిటివ్ అసెస్మెంట్ యొక్క బీజింగ్ వెర్షన్: సమాజ-ఆధారిత అధ్యయనం. BMC సైకియాట్రీ 12, 156. |
[14] | Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) చైనీస్ వెర్షన్ మాంట్రియల్ కాగ్నిటివ్ అసెస్మెంట్ బేసిక్ స్క్రీనింగ్ మైల్డ్ కాగ్నిటివ్ అసెస్మెంట్ యొక్క ధ్రువీకరణ. J Am Geriatr Soc 64, e285–e290. |
[15] | కార్సన్ N , లీచ్ L , మర్ఫీ KJ (2018) మాంట్రియల్ కాగ్నిటివ్ అసెస్మెంట్ (MoCA) కటాఫ్ స్కోర్ల పునఃపరిశీలన. Int J Geriatr సైకియాట్రీ 33, 379–388. |
[16] | అమెరికన్ సైకియాట్రిక్ అసోసియేషన్ (2013) టాస్క్ ఫోర్స్ డయాగ్నోస్టిక్ అండ్ స్టాటిస్టికల్ మాన్యువల్ ఆఫ్ మెంటల్ డిజార్డర్స్: DSM-5™, అమెరికన్ సైకియాట్రిక్ పబ్లిషింగ్, ఇంక్., వాషింగ్టన్, DC. |
[17] | కొండచిలువ. పైథాన్ సాఫ్ట్వేర్ ఫౌండేషన్, http://www.python.org, నవంబర్ 15, 2019న యాక్సెస్ చేయబడింది. |
[18] | R కోర్ గ్రూప్, R: స్టాటిస్టికల్ కంప్యూటింగ్ కోసం ఒక భాష మరియు పర్యావరణం R ఫౌండేషన్ ఫర్ స్టాటిస్టికల్ కంప్యూటింగ్, వియన్నా, ఆస్ట్రియా. https://www.R-project.org/, 2018, నవంబర్ 15, 2019న యాక్సెస్ చేయబడింది. |
[19] | బెనావోలి A , Corani G , Demšar J , Zaffalon M (2017) మార్పు కోసం సమయం: బయేసియన్ విశ్లేషణ ద్వారా బహుళ వర్గీకరణలను పోల్చడానికి ఒక ట్యుటోరియల్. J మ్యాక్ లెర్న్ రెస్ 18, 1–36. |
[20] | ఫ్రాంక్ E , హాల్ MA , Witten IH (2016) WEKA వర్క్బెంచ్. లో డేటా మైనింగ్: ప్రాక్టికల్ మెషిన్ లెర్నింగ్ టూల్స్ మరియు టెక్నిక్స్, ఫ్రాంక్ E, హాల్ MA, విట్టెన్ IH, పాల్ CJ, eds. మోర్గాన్ కౌఫ్మాన్ 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) హైస్కూల్ స్పోర్ట్ కంకషన్ సింప్టమ్ పరిష్కారాన్ని మోడలింగ్ చేయడంలో మెషిన్ లెర్నింగ్. మెడ్ సైన్స్ స్పోర్ట్స్ ఎక్సర్క్ 51, 1362–1371. |
[22] | వాన్ హల్సే J , ఖోష్గోఫ్తార్ TM , Napolitano A (2007) అసమతుల్య డేటా నుండి నేర్చుకోవడంపై ప్రయోగాత్మక దృక్కోణాలు. లో మెషిన్ లెర్నింగ్పై 24వ అంతర్జాతీయ సదస్సు ప్రొసీడింగ్స్, కొర్వాలిస్, ఒరెగాన్, USA, pp. 935-942. |
[23] | యాష్ఫోర్డ్ JW , కోల్మ్ P , కొలివర్ JA , Bekian C , Hsu LN (1989) అల్జీమర్ రోగి మూల్యాంకనం మరియు చిన్న మానసిక స్థితి: అంశం లక్షణం వక్రరేఖ విశ్లేషణ.P. J గెరోంటోల్ 44, 139–146. |
[24] యాష్ఫోర్డ్ JW , జార్విక్ L (1985) అల్జీమర్స్ వ్యాధి: న్యూరాన్ ప్లాస్టిసిటీ అక్షసంబంధ న్యూరోఫిబ్రిల్లరీ క్షీణతకు దారితీస్తుందా? ఎన్ ఇంగ్లిష్ జె మెడ్ 313, 388–389. | |
[25] జాక్ CR Jr , థెర్నేయు TM , వీగాండ్ SD , Wiste HJ , నాప్మాన్ DS , వేమూరి P , లోవే VJ , Mielke MM , రాబర్ట్స్ RO , మచుల్డా MM , గ్రాఫ్-రాడ్ఫోర్డ్ J , జోన్స్ DT , స్చ్వార్జే CGL , రోకా WA , పీటర్సెన్ RC (2019) వృద్ధాప్యం-అల్జీమర్స్పై నేషనల్ ఇన్స్టిట్యూట్ని ఉపయోగించి వైద్యపరంగా నిర్వచించబడిన అల్జీమర్ స్పెక్ట్రమ్ ఎంటిటీల ప్రాబల్యం అసోసియేషన్ రీసెర్చ్ ఫ్రేమ్వర్క్. JAMA న్యూరోల్ 76, 1174–1183. | |
[26] Zhou X , Ashford JW (2019) స్క్రీనింగ్ సాధనాలలో అడ్వాన్స్లు అల్జీమర్స్ వ్యాధి. ఏజింగ్ మెడ్ 2, 88–93. | |
[27] వీనర్ MW , నోషెనీ R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) ది బ్రెయిన్ హెల్త్ రిజిస్ట్రీ: న్యూరోసైన్స్ స్టడీస్ కోసం రిక్రూట్మెంట్, అసెస్మెంట్ మరియు పార్టిసిపెంట్స్ లాంగిట్యూడినల్ మానిటరింగ్ కోసం ఇంటర్నెట్ ఆధారిత ప్లాట్ఫారమ్. అల్జీమర్స్ డిమెంట్ 14, 1063–1076. | |
[28] యాష్ఫోర్డ్ JW , ష్మిత్ FA (2001) మోడలింగ్ ది టైమ్-కోర్సు అల్జీమర్ చిత్తవైకల్యం. కర్ర్ సైకియాట్రీ రెప్ 3, 20–28. | |
[29] | Li X , Wang X , Su L , Hu X , Han Y (2019) సైనో లాంగిట్యూడినల్ స్టడీ ఆన్ కాగ్నిటివ్ డిక్లైన్ (SILCODE): ఆత్మాశ్రయ అభిజ్ఞా బలహీనత ఉన్న వ్యక్తులలో తేలికపాటి అభిజ్ఞా బలహీనతగా మారే ప్రమాద అంచనా నమూనాలను అభివృద్ధి చేయడానికి చైనీస్ లాంగిట్యూడినల్ అబ్జర్వేషనల్ స్టడీ కోసం ప్రోటోకాల్ తగ్గుదల. BMJ ఓపెన్ 9, e028188. |
[30] టార్నానాస్ I , సోలాకి A , వైడర్హోల్డ్ M , వైడర్హోల్డ్ B , సోలాకి M (2015) ఐదు సంవత్సరాల బయోమార్కర్ ప్రోగ్రెషన్ వేరియబిలిటీ అల్జీమర్స్ వ్యాధి చిత్తవైకల్యం అంచనా: రోజువారీ జీవన మార్కర్ యొక్క సంక్లిష్ట సాధన కార్యకలాపాలు ఖాళీలను పూరించగలవా? అల్జీమర్స్ డిమెంట్ (Amst) 1, 521–532. | |
[31] మెక్గుర్రాన్ హెచ్, గ్లెన్ JM, మాడెరో EN, బాట్ NT (2019) అల్జీమర్స్ వ్యాధి నివారణ మరియు చికిత్స: వ్యాయామం యొక్క జీవ విధానాలు. J అల్జీమర్స్ డిస్ 69, 311–338. | |
[32] మెండియోలా-ప్రీకోమా J , బెరుమెన్ LC , పాడిల్లా K , గార్సియా-అల్కోసర్ G (2016) చికిత్సలు అల్జీమర్స్ వ్యాధి నివారణ మరియు చికిత్స. Biomed Res Int 2016, 2589276. | |
[33] | లేన్ CA, బర్న్స్ J, నికోలస్ JM, సుద్రే CH, క్యాష్ DM, మలోన్ IB, పార్కర్ TD, కేశవన్ A, బుకానన్ SM, Keuss SE, జేమ్స్ SN, లు K, ముర్రే-స్మిత్ H, వాంగ్ A, గోర్డాన్, కోత్ వోన్ Modat M , థామస్ D , Richards M , Fox NC , Schott JM (2020) యుక్తవయస్సు అంతటా రక్తనాళాల ప్రమాదం మరియు చివరి జీవితంలో మెదడు పాథాలజీ మధ్య అనుబంధాలు: బ్రిటీష్ బర్త్ కోహోర్ట్ నుండి సాక్ష్యం. JAMA న్యూరోల్ 77, 175–183. |
[34] | శేషాద్రి ఎస్ (2020) వయస్సు మించిన చిత్తవైకల్యం-ఆలోచన నివారణ మరియు అమిలాయిడ్ పెట్టెలు. JAMA న్యూరోల్ 77, 160–161. |
[35] | Maillard P , శేషాద్రి S , Beiser A , Himali JJ , Au R , Fletcher E , Carmichael O , Wolf PA , DeCarli C (2012) యువకులలో తెల్ల పదార్థ సమగ్రతపై సిస్టోలిక్ రక్తపోటు ప్రభావాలు: ఫ్రేమింగ్హామ్ ఎ క్రాస్ హార్ట్ స్టడీ -విభాగ అధ్యయనం. లాన్సెట్ న్యూరోల్ 11, 1039–1047. |
[36] ఫింక్ HA , లింక్స్ EJ , సిల్వర్మాన్ PC , మెక్కార్టెన్ JR , హెమ్మీ LS , Ouellette JM , గ్రీర్ NL , విల్ట్ TJ , బట్లర్ M (2020) న్యూరోపాథలాజికల్గా నిర్వచించబడిన బయోమార్కర్ పరీక్ష యొక్క ఖచ్చితత్వం చిత్తవైకల్యం ఉన్న పెద్దవారిలో అల్జీమర్ వ్యాధి. ఆన్ ఇంటర్న్ మెడ్ 172, 669–677. |
అనుబంధాలు: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] కంప్యూటర్ మరియు ఎలక్ట్రికల్ ఇంజనీరింగ్ మరియు కంప్యూటర్ సైన్స్ విభాగం, ఫ్లోరిడా అట్లాంటిక్ విశ్వవిద్యాలయం, బోకా రాటన్, FL, USA | [సి] SJN బయోమెడ్ LTD, కున్మింగ్, యునాన్, చైనా | [d] కోసం కేంద్రం అల్జీమర్స్ పరిశోధన, వాషింగ్టన్ ఇన్స్టిట్యూట్ ఆఫ్ క్లినికల్ రీసెర్చ్, వాషింగ్టన్, DC, USA | [e] డిపార్ట్మెంట్ ఆఫ్ రిహాబిలిటేషన్ మెడిసిన్, కున్మింగ్ మెడికల్ యూనివర్శిటీ యొక్క మొదటి అనుబంధ ఆసుపత్రి, కున్మింగ్, యునాన్, చైనా | [f] డిపార్ట్మెంట్ ఆఫ్ న్యూరాలజీ, డెహోంగ్ పీపుల్స్ హాస్పిటల్, డెహాంగ్, యునాన్, చైనా | [g] న్యూరాలజీ విభాగం, కున్మింగ్ మెడికల్ యూనివర్శిటీ యొక్క మొదటి అనుబంధ ఆసుపత్రి, వుహువా జిల్లా, కున్మింగ్, యునాన్ ప్రావిన్స్, చైనా | [h] యుద్ధ-సంబంధిత అనారోగ్యం మరియు గాయం అధ్యయన కేంద్రం, VA పాలో ఆల్టో అరోగ్య రక్షణ సిస్టమ్, పాలో ఆల్టో, CA, USA | [i] డిపార్ట్మెంట్ ఆఫ్ సైకియాట్రీ & బిహేవియరల్ సైన్సెస్, స్టాన్ఫోర్డ్ యూనివర్శిటీ స్కూల్ ఆఫ్ మెడిసిన్, పాలో ఆల్టో, CA, USA
ఉత్తరప్రత్యుత్తరం: [*] దీనికి ఉత్తరప్రత్యుత్తరం: మైఖేల్ F. బెర్గెరాన్, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. ఇ-మెయిల్: mbergeron@sivotecanalytics.com.; జియోలీ లియు, MD, డిపార్ట్మెంట్ ఆఫ్ న్యూరాలజీ, కున్మింగ్ మెడికల్ యూనివర్శిటీ యొక్క మొదటి అనుబంధ ఆసుపత్రి, 295 జిచాంగ్ రోడ్, వుహువా జిల్లా, కున్మింగ్, యునాన్ ప్రావిన్స్ 650032, చైనా. ఇ-మెయిల్: ring@vip.163.com.
కీవర్డ్లు: వృద్ధాప్యం, అల్జీమర్స్ వ్యాధి, చిత్తవైకల్యం, మాస్ స్క్రీనింగ్