ประโยชน์ของ MemTrax และการสร้างแบบจำลองการเรียนรู้ของเครื่องในการจำแนกความบกพร่องทางปัญญาเล็กน้อย

บทความวิจัย

ผู้เขียน: Bergeron, Michael F. | Landset, Sara | โจว เซียนโป | ติง เต๋า | Khoshgoftaar, Taghi M. | จ้าวเฟิง | ตู่บ่อ | เฉิน ซินเจี๋ย | วัง ซวน | Zhong, Lianmei | หลิว เสี่ยวเล่ย| Ashford, J. Wesson

ดอย: 10.3233/JAD-191340

วารสาร: วารสารของ โรคอัลไซเมอร์ฉบับ 77 เลขที่ 4, pp. 1545-1558, 2020

นามธรรม

พื้นหลัง:

อุบัติการณ์ที่แพร่หลายและความชุกของ โรคอัลไซเมอร์ และความบกพร่องทางสติปัญญาระดับเล็กน้อย (MCI) ได้กระตุ้นการเรียกร้องอย่างเร่งด่วนสำหรับการวิจัยเพื่อตรวจสอบการคัดกรองและการประเมินความรู้ความเข้าใจในการตรวจหาแต่เนิ่นๆ

วัตถุประสงค์:

เป้าหมายการวิจัยหลักของเราคือการพิจารณาว่าเมตริกประสิทธิภาพ MemTrax ที่เลือกและลักษณะทางประชากรศาสตร์ที่เกี่ยวข้องและลักษณะโปรไฟล์สุขภาพสามารถนำไปใช้อย่างมีประสิทธิภาพในแบบจำลองการคาดการณ์ที่พัฒนาขึ้นด้วยการเรียนรู้ของเครื่องเพื่อจำแนกสุขภาพความรู้ความเข้าใจ (ปกติเทียบกับ MCI) ตามที่ระบุโดย การประเมินความรู้ความเข้าใจมอนทรีออล (MOCA).

วิธีการ:

เราทำการศึกษาแบบภาคตัดขวางเกี่ยวกับผู้ป่วยโรคประสาท คลินิกความจำ และอายุรศาสตร์ 259 คน คัดเลือกจากสอง โรงพยาบาลในจีน. ผู้ป่วยแต่ละรายได้รับ MoCA ภาษาจีนและดูแลตนเองด้วยการรับรู้แบบต่อเนื่อง MemTrax ออนไลน์เป็นตอน ทดสอบความจำออนไลน์ ในวันเดียวกัน โมเดลการจำแนกประเภทที่คาดการณ์ได้สร้างขึ้นโดยใช้การเรียนรู้ของเครื่องด้วยการตรวจสอบความถูกต้องข้าม 10 เท่า และวัดประสิทธิภาพของแบบจำลองโดยใช้พื้นที่ใต้เส้นโค้งลักษณะการทำงานของตัวรับ (AUC) โมเดลถูกสร้างขึ้นโดยใช้ตัวชี้วัดประสิทธิภาพของ MemTrax สองตัว (เปอร์เซ็นต์ที่ถูกต้อง เวลาตอบสนอง) พร้อมกับคุณสมบัติทั่วไปทางประชากรและประวัติส่วนตัวแปดประการ

ผลการศึกษา:

เมื่อเปรียบเทียบผู้เรียนจากคะแนน MoCA และเกณฑ์ต่างๆ ที่เลือกสรรแล้ว Naïve Bayes เป็นผู้เรียนที่ทำงานได้ดีที่สุดโดยมีประสิทธิภาพการจัดหมวดหมู่โดยรวมที่ 0.9093 นอกจากนี้ ในบรรดาผู้เรียนสามอันดับแรก ประสิทธิภาพการจำแนกตาม MemTrax โดยรวมนั้นเหนือกว่าโดยใช้คุณสมบัติสี่อันดับแรก (0.9119) เมื่อเทียบกับการใช้คุณสมบัติทั่วไปทั้งหมด 10 รายการ (0.8999)

สรุป:

ประสิทธิภาพของ MemTrax สามารถนำไปใช้อย่างมีประสิทธิภาพในแบบจำลองการคาดการณ์การจัดหมวดหมู่การเรียนรู้ของเครื่อง แอปพลิเคชั่นคัดกรองเพื่อตรวจหาความบกพร่องทางสติปัญญาระยะเริ่มต้น.

บทนำ

อุบัติการณ์การแพร่กระจายในวงกว้างที่ได้รับการยอมรับ (แม้ว่าจะไม่ได้รับการวินิจฉัย) และความชุกที่ทวีคูณทางการแพทย์ สังคม และสาธารณะ สุขภาพ ค่าใช้จ่ายและภาระของโรคอัลไซเมอร์ (AD) และความบกพร่องทางสติปัญญาระดับเล็กน้อย (MCI) กำลังสร้างความตึงเครียดมากขึ้นสำหรับผู้มีส่วนได้ส่วนเสียทั้งหมด [1, 2] สถานการณ์ที่น่าวิตกและเฟื่องฟูนี้กระตุ้นให้เกิดการวิจัยอย่างเร่งด่วนเพื่อตรวจสอบความถูกต้อง การตรวจหา เครื่องมือคัดกรองและการประเมินความรู้ความเข้าใจสำหรับการใช้งานจริงตามปกติในการตั้งค่าส่วนบุคคลและทางคลินิกสำหรับผู้ป่วยสูงอายุในภูมิภาคและประชากรที่หลากหลาย [3] เครื่องมือเหล่านี้ยังต้องมีการแปลผลข้อมูลเป็นบันทึกสุขภาพอิเล็กทรอนิกส์อย่างราบรื่น ผลประโยชน์จะเกิดขึ้นได้โดยการแจ้งให้ผู้ป่วยทราบและช่วยเหลือแพทย์ในการตระหนักถึงการเปลี่ยนแปลงที่สำคัญก่อนหน้านี้ และทำให้สามารถแบ่งชั้น ดำเนินการ และติดตามการรักษาและการดูแลผู้ป่วยที่เหมาะสมเป็นรายบุคคลและคุ้มค่ามากขึ้นสำหรับผู้ที่เริ่มมีประสบการณ์ ความรู้ความเข้าใจลดลง [3, 4].

เครื่องมือ MemTrax คอมพิวเตอร์ (https://memtrax.com) เป็นการประเมินการรู้จำแบบต่อเนื่องสั้นๆ ที่ง่ายและสามารถจัดการได้ด้วยตนเองทางออนไลน์ เพื่อวัดประสิทธิภาพของหน่วยความจำเป็นตอนๆ ที่ท้าทายซึ่งผู้ใช้ตอบสนองต่อภาพที่ซ้ำๆ และไม่ตอบสนองต่อการนำเสนอครั้งแรก [5, 6] การวิจัยล่าสุดและผลที่ตามมาในทางปฏิบัติกำลังเริ่มแสดงให้เห็นถึงประสิทธิภาพทางคลินิกของ MemTrax ในการตรวจ AD และ MCI ในช่วงต้น [5–7] อย่างไรก็ตามการเปรียบเทียบโดยตรงของประโยชน์ทางคลินิกกับที่มีอยู่ สุขภาพทางปัญญา การประเมินและมาตรฐานทั่วไปได้รับการรับประกันเพื่อแจ้งมุมมองของมืออาชีพและยืนยันยูทิลิตี้ MemTrax ในการตรวจหาและสนับสนุนการวินิจฉัยล่วงหน้า ฟาน เดอร์ ฮุค และคณะ [8] เปรียบเทียบเมตริกประสิทธิภาพของ MemTrax ที่เลือก (ความเร็วของปฏิกิริยาและเปอร์เซ็นต์ที่ถูกต้อง) กับสถานะการรับรู้ตามที่กำหนดโดยมอนทรีออล การประเมินความรู้ความเข้าใจ (MOCA). อย่างไรก็ตาม การศึกษานี้จำกัดให้เชื่อมโยงตัวชี้วัดประสิทธิภาพเหล่านี้กับการแสดงลักษณะเฉพาะของสถานะทางปัญญา (ตามที่ MoCA กำหนด) และการกำหนดช่วงสัมพัทธ์และค่าการตัด ดังนั้น เพื่อขยายการตรวจสอบนี้และปรับปรุงประสิทธิภาพและประสิทธิภาพของการจัดหมวดหมู่ คำถามการวิจัยหลักของเราคือ:

  • สามารถวัดประสิทธิภาพ MemTrax ที่เลือกของแต่ละคนและข้อมูลประชากรและสุขภาพที่เกี่ยวข้อง โปรไฟล์ ลักษณะเฉพาะจะถูกนำมาใช้อย่างมีประสิทธิภาพในแบบจำลองการทำนายที่พัฒนาด้วยการเรียนรู้ของเครื่องเพื่อจำแนกสุขภาพทางปัญญาแบบแบ่งขั้ว (ปกติเทียบกับ MCI) ตามที่ระบุโดยคะแนน MoCA

รองจากนี้เราต้องการทราบว่า:

  • เมื่อรวมคุณสมบัติเดียวกันแล้ว โมเดลการเรียนรู้ของเครื่องที่อิงตามประสิทธิภาพของ MemTrax สามารถนำไปใช้กับผู้ป่วยได้อย่างมีประสิทธิภาพเพื่อคาดการณ์ความรุนแรง (เล็กน้อยหรือรุนแรง) ภายในหมวดหมู่ของความบกพร่องทางสติปัญญาที่เลือกตามที่กำหนดโดยการวินิจฉัยทางคลินิกอิสระหรือไม่

การถือกำเนิดและการพัฒนาของการประยุกต์ใช้ปัญญาประดิษฐ์และการเรียนรู้ของเครื่องในการตรวจคัดกรอง/การตรวจจับได้แสดงให้เห็นข้อดีในทางปฏิบัติที่ชัดเจนแล้ว ด้วยแบบจำลองการทำนายที่ชี้นำแพทย์อย่างมีประสิทธิภาพในการประเมินความท้าทายของสุขภาพสมอง/การรับรู้และการจัดการผู้ป่วย ในการศึกษาของเรา เราเลือกแนวทางที่คล้ายกันในแบบจำลองการจัดประเภท MCI และการเลือกปฏิบัติความรุนแรงของความบกพร่องทางสติปัญญา ซึ่งได้รับการยืนยันโดยการวินิจฉัยทางคลินิกจากชุดข้อมูลสามชุดที่เป็นตัวแทนของผู้ป่วยในและผู้ป่วยนอกอาสาสมัครที่ได้รับการคัดเลือกจากโรงพยาบาลสองแห่งในประเทศจีน ด้วยการใช้แบบจำลองการคาดการณ์ของแมชชีนเลิร์นนิง เราระบุผู้เรียนที่มีประสิทธิภาพสูงจากชุดข้อมูล/ผู้เรียนที่หลากหลาย และจัดอันดับคุณลักษณะที่จะแนะนำเราในการกำหนดแอปพลิเคชันแบบจำลองทางคลินิกที่ใช้งานได้จริงมากที่สุด

สมมติฐานของเราคือแบบจำลองที่ใช้ MemTrax ที่ผ่านการตรวจสอบความถูกต้องแล้วสามารถนำมาใช้เพื่อจำแนกสุขภาพทางความคิดแบบ dichotomously (ปกติหรือ MCI) ตามเกณฑ์เกณฑ์คะแนนรวมของ MoCA และแบบจำลองการคาดการณ์ MemTrax ที่คล้ายคลึงกันสามารถนำไปใช้อย่างมีประสิทธิภาพในการแบ่งแยกความรุนแรงในหมวดหมู่ที่เลือก การวินิจฉัยทางคลินิก ความบกพร่องทางสติปัญญา. การสาธิตผลลัพธ์ที่คาดการณ์ไว้จะเป็นประโยชน์ในการสนับสนุนประสิทธิภาพของ MemTrax ในฐานะหน้าจอตรวจหาระยะเริ่มต้นสำหรับการลดความรู้ความเข้าใจและการจำแนกประเภทความบกพร่องทางสติปัญญา การเปรียบเทียบที่น่าพอใจกับมาตรฐานอุตสาหกรรมที่อ้างว่าสะดวกและรวดเร็วกว่ามากจะส่งผลต่อการช่วยให้แพทย์นำเครื่องมือที่เรียบง่าย เชื่อถือได้ และเข้าถึงได้นี้มาใช้เป็นหน้าจอเริ่มต้นในการตรวจหาการขาดดุลทางปัญญาในระยะเริ่มต้น (รวมถึงระยะลุกลาม) วิธีการและยูทิลิตี้ดังกล่าวจึงสามารถกระตุ้นการดูแลและการแทรกแซงของผู้ป่วยได้ทันท่วงทีและดีขึ้น ข้อมูลเชิงลึกที่คิดล่วงหน้าเหล่านี้และตัวชี้วัดและแบบจำลองที่ได้รับการปรับปรุงอาจเป็นประโยชน์ในการบรรเทาหรือหยุดความก้าวหน้าของภาวะสมองเสื่อม ซึ่งรวมถึง AD และ ADRD เกี่ยวกับภาวะสมองเสื่อม

วัสดุและวิธีการ

ประชากรที่ศึกษา

ระหว่างเดือนมกราคม 2018 ถึงสิงหาคม 2019 การวิจัยภาคตัดขวางเกี่ยวกับผู้ป่วยที่ได้รับคัดเลือกจากโรงพยาบาลสองแห่งในจีนเสร็จสิ้นแล้ว การบริหาร MemTrax [5] ให้กับบุคคลที่มีอายุตั้งแต่ 21 ปีขึ้นไป และการรวบรวมและวิเคราะห์ข้อมูลเหล่านั้นได้รับการตรวจสอบและรับรองโดยและดำเนินการตามมาตรฐานทางจริยธรรมของ คน คณะกรรมการคุ้มครองวิชาของมหาวิทยาลัยสแตนฟอร์ด MemTrax และการทดสอบอื่นๆ ทั้งหมดสำหรับการศึกษาโดยรวมนี้ดำเนินการตามคำประกาศของเฮลซิงกิในปี พ.ศ. 1975 และได้รับอนุมัติจากคณะกรรมการพิจารณาประจำสถาบันของโรงพยาบาลในเครือแห่งแรกของมหาวิทยาลัยการแพทย์คุนหมิงในเมืองคุนหมิง มณฑลยูนนาน ประเทศจีน ผู้ใช้แต่ละคนได้รับ ความยินยอม แบบฟอร์มเพื่ออ่าน/ตรวจทาน จากนั้นจึงตกลงเข้าร่วมโดยสมัครใจ

ผู้เข้าร่วมได้รับคัดเลือกจากกลุ่มผู้ป่วยนอกในคลินิกประสาทวิทยาที่โรงพยาบาล Yanhua (ชุดข้อมูลย่อย YH) และ คลินิกความจำที่โรงพยาบาลในเครือแห่งแรกของ Kunming Medical มหาวิทยาลัย (ชุดข้อมูลย่อย XL) ในกรุงปักกิ่ง ประเทศจีน ผู้เข้าร่วมยังได้รับการคัดเลือกจากผู้ป่วยในของประสาทวิทยา (ชุดข้อมูลย่อย XL) และอายุรศาสตร์ (ชุดข้อมูลย่อย KM) ที่โรงพยาบาลในเครือแห่งแรกของมหาวิทยาลัยการแพทย์คุนหมิง เกณฑ์การคัดเลือก ได้แก่ 1) ชายและหญิงอายุอย่างน้อย 21 ปี 2) ความสามารถในการพูดภาษาจีน (จีนกลาง) และ 3) ความสามารถในการเข้าใจคำสั่งด้วยวาจาและลายลักษณ์อักษร เกณฑ์การคัดออกคือการมองเห็นและความบกพร่องทางการเคลื่อนไหวทำให้ผู้เข้าร่วมไม่สามารถดำเนินการให้เสร็จสิ้นได้ การทดสอบ MemTraxรวมถึงไม่สามารถเข้าใจคำแนะนำในการทดสอบเฉพาะได้

MemTrax . เวอร์ชันภาษาจีน

ออนไลน์ แพลตฟอร์มทดสอบ MemTrax ได้รับการแปลแล้ว เป็นภาษาจีน (URL: https://www.memtrax.com.cn) และดัดแปลงเพิ่มเติมเพื่อใช้งานผ่าน WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) สำหรับการดูแลระบบด้วยตนเอง ข้อมูลถูกจัดเก็บไว้ในเซิร์ฟเวอร์คลาวด์ (Ali Cloud) ที่ตั้งอยู่ในประเทศจีนและได้รับอนุญาตจาก Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, China) โดย SJN Biomed LTD (คุนหมิง, ยูนนาน, จีน) รายละเอียดเฉพาะเกี่ยวกับ MemTrax และเกณฑ์ความถูกต้องของการทดสอบที่ใช้ที่นี่ได้รับการอธิบายก่อนหน้านี้ [6] การทดสอบนี้จัดทำขึ้นโดยไม่มีค่าใช้จ่ายกับผู้ป่วย

ขั้นตอนการศึกษา

สำหรับผู้ป่วยในและผู้ป่วยนอก แบบสอบถามกระดาษทั่วไปสำหรับเก็บรวบรวมข้อมูลประชากรและข้อมูลส่วนบุคคล เช่น อายุ เพศ ปีการศึกษา อาชีพ อยู่คนเดียว หรือกับครอบครัว และประวัติทางการแพทย์ได้รับการดูแลโดยสมาชิกของทีมวิจัย หลังจากตอบแบบสอบถามเสร็จสิ้น การทดสอบ MoCA [12] และ MemTrax จะได้รับการจัดการ (MoCA ก่อน) โดยมีเวลาไม่เกิน 20 นาทีระหว่างการทดสอบ เปอร์เซ็นต์ MemTrax ที่ถูกต้อง (MTx-% C) เวลาตอบสนองเฉลี่ย (MTx-RT) และวันที่และเวลาของการทดสอบได้รับการบันทึกบนกระดาษโดยสมาชิกของทีมวิจัยสำหรับผู้เข้าร่วมการทดสอบแต่ละคน แบบสอบถามที่กรอกเสร็จแล้วและผลลัพธ์ของ MoCA ถูกอัปโหลดลงในสเปรดชีต Excel โดยผู้วิจัยซึ่งดูแลการทดสอบและยืนยันโดยเพื่อนร่วมงานก่อนที่จะบันทึกไฟล์ Excel สำหรับการวิเคราะห์

การทดสอบ MemTrax

การทดสอบออนไลน์ของ MemTrax รวมรูปภาพ 50 ภาพ (ไม่ซ้ำกัน 25 ภาพและทำซ้ำ 25 ภาพ ชุด 5 ภาพสำหรับฉากหรือวัตถุทั่วไป 5 ชุด) แสดงในลำดับสุ่มหลอกเฉพาะ ผู้เข้าร่วมจะ (ตามคำแนะนำ) แตะปุ่มเริ่มบนหน้าจอเพื่อเริ่มการทดสอบและเริ่มดูชุดภาพ จากนั้นให้แตะภาพบนหน้าจออีกครั้งโดยเร็วที่สุดทุกครั้งที่มีภาพซ้ำปรากฏขึ้น ภาพแต่ละภาพปรากฏขึ้นเป็นเวลา 3 วินาทีหรือจนกว่าภาพบนหน้าจอจะถูกสัมผัส ซึ่งทำให้มีการนำเสนอภาพถัดไปทันที เมื่อใช้นาฬิกาภายในของอุปกรณ์ท้องถิ่น MTx-RT สำหรับแต่ละภาพจะถูกกำหนดโดยเวลาที่ผ่านไปตั้งแต่การนำเสนอภาพไปจนถึงเวลาที่ผู้เข้าร่วมสัมผัสหน้าจอเพื่อตอบสนองต่อการระบุการจดจำภาพว่าเป็นภาพที่ได้แสดงไปแล้ว ในระหว่างการทดสอบ MTx-RT ถูกบันทึกสำหรับทุกภาพ โดยที่การบันทึก 3 วินาทีเต็มแสดงว่าไม่มีการตอบสนอง MTx-% C ถูกคำนวณเพื่อระบุเปอร์เซ็นต์ของภาพที่เกิดซ้ำและเริ่มต้นที่ผู้ใช้ตอบสนองอย่างถูกต้อง (ผลบวกจริง + ผลลบจริงหารด้วย 50) รายละเอียดเพิ่มเติมของการจัดการและการใช้งาน MemTrax การลดข้อมูล ข้อมูลที่ไม่ถูกต้องหรือ "ไม่มีการตอบสนอง" และการวิเคราะห์ข้อมูลหลักจะอธิบายไว้ที่อื่น [6]

การทดสอบ MemTrax ได้รับการอธิบายอย่างละเอียดและการทดสอบการปฏิบัติ (ด้วยภาพที่ไม่ซ้ำกันนอกเหนือจากที่ใช้ในการทดสอบเพื่อบันทึกผล) ให้กับผู้เข้าร่วมในสถานพยาบาล ผู้เข้าร่วมในชุดข้อมูลย่อย YH และ KM ทำการทดสอบ MemTrax บนสมาร์ทโฟนที่โหลดแอปพลิเคชันบน WeChat ในขณะที่ผู้ป่วยชุดย่อย XL จำนวนหนึ่งใช้ iPad และส่วนที่เหลือใช้สมาร์ทโฟน ผู้เข้าร่วมทั้งหมดทำการทดสอบ MemTrax โดยมีผู้ตรวจสอบการศึกษาสังเกตอย่างสงบเสงี่ยม

การประเมินความรู้ความเข้าใจของมอนทรีออล

MoCA ภาษาจีน (MoCA-BC) เวอร์ชันปักกิ่ง [13] ได้รับการจัดการและให้คะแนนโดยนักวิจัยที่ผ่านการฝึกอบรมตามคำแนะนำในการทดสอบอย่างเป็นทางการ เหมาะสม MoCA-BC ได้รับการพิสูจน์แล้วว่าเชื่อถือได้ ทดสอบความรู้ความเข้าใจ คัดกรองทุกระดับการศึกษาในผู้สูงอายุชาวจีน [14]. การทดสอบแต่ละครั้งใช้เวลาประมาณ 10 ถึง 30 นาทีในการจัดการตามความสามารถทางปัญญาของผู้เข้าร่วมที่เกี่ยวข้อง

การสร้างแบบจำลองการจัดหมวดหมู่ MoCA

มีคุณลักษณะที่ใช้งานได้ทั้งหมด 29 รายการ รวมถึง MemTrax สองรายการ ทดสอบตัวชี้วัดประสิทธิภาพและคุณสมบัติ 27 รายการที่เกี่ยวข้องกับข้อมูลประชากรและสุขภาพ ข้อมูลสำหรับผู้เข้าร่วมแต่ละคน ใช้คะแนนการทดสอบรวม ​​MoCA ของผู้ป่วยแต่ละรายเป็น การตรวจคัดกรองทางปัญญา “เกณฑ์มาตรฐาน” เพื่อฝึกแบบจำลองการคาดการณ์ของเรา ด้วยเหตุนี้ เนื่องจากมีการใช้ MoCA เพื่อสร้างป้ายกำกับชั้นเรียน เราจึงไม่สามารถใช้คะแนนรวม (หรือคะแนนชุดย่อยของ MoCA) เป็นคุณลักษณะอิสระได้ เราทำการทดลองเบื้องต้นโดยที่เราจำลอง (จำแนกสุขภาพความรู้ความเข้าใจที่กำหนดโดย MoCA) ชุดข้อมูลย่อยของโรงพยาบาล/คลินิกสามชุดเป็นรายบุคคลแล้วรวมเข้าด้วยกันโดยใช้คุณลักษณะทั้งหมด อย่างไรก็ตาม องค์ประกอบข้อมูลเดียวกันทั้งหมดไม่ได้ถูกรวบรวมในแต่ละคลินิกสี่แห่งที่เป็นตัวแทนของชุดข้อมูลย่อยสามชุด ดังนั้น คุณลักษณะหลายอย่างของเราในชุดข้อมูลแบบรวม (เมื่อใช้คุณลักษณะทั้งหมด) จึงมีค่าที่ขาดหายไปสูง จากนั้นเราจึงสร้างแบบจำลองด้วยชุดข้อมูลที่รวมกันโดยใช้คุณลักษณะทั่วไปเท่านั้น ซึ่งส่งผลให้ประสิทธิภาพการจัดหมวดหมู่ดีขึ้น เรื่องนี้น่าจะอธิบายได้จากการมีอินสแตนซ์ที่ต้องทำงานร่วมกันมากขึ้นโดยการรวมชุดข้อมูลย่อยของผู้ป่วยสามชุดและไม่มีคุณลักษณะใดที่มีค่าที่หายไปอย่างไม่สมควร (มีเพียงคุณลักษณะเดียวในชุดข้อมูลที่รวมกัน ประเภทงาน มีค่าที่ขาดหายไป ส่งผลกระทบต่อ เฉพาะผู้ป่วยสามราย) เนื่องจากรวมเฉพาะคุณลักษณะทั่วไปที่บันทึกไว้ที่ไซต์ทั้งสามแห่งเท่านั้น โดยเฉพาะอย่างยิ่ง เราไม่มีเกณฑ์การปฏิเสธเฉพาะสำหรับแต่ละคุณลักษณะที่ท้ายที่สุดแล้วไม่รวมอยู่ในชุดข้อมูลที่รวมกัน อย่างไรก็ตาม ในการสร้างแบบจำลองชุดข้อมูลรวมเบื้องต้นของเรา ขั้นแรกเราใช้คุณลักษณะทั้งหมดจากชุดข้อมูลย่อยของผู้ป่วยแต่ละชุดแยกกันสามชุด สิ่งนี้ส่งผลอย่างกว้างขวางในประสิทธิภาพของแบบจำลองที่วัดได้ต่ำกว่าการสร้างแบบจำลองเบื้องต้นเบื้องต้นในแต่ละชุดข้อมูลย่อยแต่ละชุด ยิ่งไปกว่านั้น ในขณะที่ประสิทธิภาพการจัดหมวดหมู่ของแบบจำลองที่สร้างขึ้นโดยใช้คุณสมบัติทั้งหมดนั้นได้รับการส่งเสริม ในทุกผู้เรียนและรูปแบบการจัดหมวดหมู่ ประสิทธิภาพก็ดีขึ้นเป็นสองเท่าของรุ่นจำนวนมากเมื่อใช้เฉพาะคุณสมบัติทั่วไปเท่านั้น อันที่จริง ในบรรดาสิ่งที่จบลงด้วยการเป็นผู้เรียนอันดับต้นๆ ของเรา ทั้งหมดยกเว้นรูปแบบเดียวที่ได้รับการปรับปรุงเมื่อกำจัดคุณลักษณะที่ไม่ธรรมดาออกไป

ชุดข้อมูลรวมสุดท้าย (YH, XL และ KM รวมกัน) รวม 259 อินสแตนซ์ โดยแต่ละรายการเป็นตัวแทนของผู้เข้าร่วมที่ไม่ซ้ำกันซึ่งทำการทดสอบ MemTrax และ MoCA มีฟีเจอร์อิสระที่ใช้ร่วมกัน 10 รายการ: ตัวชี้วัดประสิทธิภาพ MemTrax: MTx-% C และค่าเฉลี่ย MTx-RT; ข้อมูลทางประชากรศาสตร์และประวัติทางการแพทย์: อายุ เพศ ปีการศึกษา ประเภทงาน (ปกสีน้ำเงิน/ปกขาว) การสนับสนุนทางสังคม (ไม่ว่าผู้ทำแบบทดสอบจะอาศัยอยู่ตามลำพังหรืออยู่กับครอบครัว) และใช่/ไม่ใช่ คำตอบว่าผู้ใช้มี ประวัติโรคเบาหวาน ไขมันในเลือดสูง หรืออาการบาดเจ็บที่สมอง ตัววัดเพิ่มเติม 12 ตัว ได้แก่ คะแนนรวม MoCA และคะแนนรวม MoCA ที่ปรับตามปีการศึกษา [12] ถูกใช้แยกกันเพื่อพัฒนาป้ายกำกับการจัดประเภทที่ขึ้นต่อกัน ดังนั้นจึงสร้างรูปแบบการสร้างแบบจำลองที่แตกต่างกันสองแบบเพื่อนำไปใช้กับชุดข้อมูลที่รวมกันของเรา สำหรับแต่ละเวอร์ชัน (ปรับและไม่ได้ปรับแต่ง) ของคะแนน MoCA ข้อมูลจะถูกสร้างแบบจำลองแยกกันอีกครั้งสำหรับการจำแนกประเภทไบนารีโดยใช้เกณฑ์สองเกณฑ์ที่แตกต่างกัน—เกณฑ์ที่แนะนำในขั้นต้น [8] และค่าอื่นที่ใช้และส่งเสริมโดยผู้อื่น [15, 23] ในรูปแบบการจำแนกเกณฑ์ทางเลือกอื่น ผู้ป่วยจะได้รับการพิจารณาว่ามีสุขภาพทางความคิดปกติหากได้คะแนน ≥ 22 ในการทดสอบ MoCA และมี MCI ถ้าคะแนนเท่ากับ 26 หรือต่ำกว่า ในขณะที่ในรูปแบบการจำแนกประเภทที่แนะนำเริ่มต้น ผู้ป่วยต้องได้คะแนน XNUMX หรือดีกว่าใน MoCA เพื่อระบุว่ามีสุขภาพความรู้ความเข้าใจตามปกติ

ข้อมูลที่กรองแล้วสำหรับการสร้างแบบจำลองการจัดประเภท MoCA

เราตรวจสอบการจัดประเภท MoCA เพิ่มเติมโดยใช้เทคนิคการจัดอันดับคุณลักษณะสี่แบบที่ใช้กันทั่วไป ได้แก่ Chi-Squared, Gain Ratio, Information Gain และ Symmetrical Uncertainty สำหรับมุมมองชั่วคราว เราใช้ตัวจัดอันดับกับชุดข้อมูลที่รวมกันทั้งหมดโดยใช้รูปแบบการสร้างแบบจำลองทั้งสี่แบบของเรา นักจัดอันดับทุกคนเห็นด้วยกับคุณสมบัติเด่นเดียวกัน กล่าวคือ อายุ จำนวนปีการศึกษา และตัวชี้วัดประสิทธิภาพของ MemTrax ทั้งสอง (MTx-% C หมายถึง MTx-RT) จากนั้นเราสร้างแบบจำลองขึ้นใหม่โดยใช้เทคนิคการเลือกคุณลักษณะแต่ละอย่างเพื่อฝึกแบบจำลองเฉพาะคุณลักษณะสี่อันดับแรกเท่านั้น (ดู การเลือกคุณสมบัติ ด้านล่าง)

ผลลัพธ์แปดรูปแบบสุดท้ายของรูปแบบการจัดหมวดหมู่คะแนน MoCA แสดงไว้ในตารางที่ 1

ตารางที่ 1

สรุปรูปแบบรูปแบบการสร้างแบบจำลองที่ใช้สำหรับการจำแนกประเภท MoCA (ปกติ สุขภาพทางปัญญา เทียบกับ MCI)

โครงการสร้างแบบจำลองสุขภาพความรู้ความเข้าใจปกติ (ระดับลบ)MCI (ชั้นบวก)
ปรับแล้ว-23 ไม่กรอง/กรองแล้ว101 (% 39.0)158 (% 61.0)
ปรับแล้ว-26 ไม่กรอง/กรองแล้ว49 (% 18.9)210 (% 81.1)
ไม่ได้ปรับแต่ง-23 ไม่กรอง/กรอง92 (% 35.5)167 (% 64.5)
ไม่ได้ปรับแต่ง-26 ไม่กรอง/กรอง42 (% 16.2)217 (% 83.8)

จำนวนและเปอร์เซ็นต์ของผู้ป่วยทั้งหมดในแต่ละชั้นเรียนจะแตกต่างกันไปตามการปรับคะแนนเพื่อการศึกษา (ปรับแล้วหรือไม่ได้ปรับ) และเกณฑ์การจัดประเภท (23 หรือ 26) ตามที่ใช้กับชุดคุณลักษณะทั้งสอง (ไม่กรองและกรองแล้ว)

การสร้างแบบจำลองการประเมินทางคลินิกตาม MemTrax

จากชุดข้อมูลย่อยดั้งเดิมสามชุดของเรา (YH, XL, KM) เฉพาะผู้ป่วยชุดข้อมูลย่อย XL เท่านั้นที่ได้รับการวินิจฉัยทางคลินิกอย่างอิสระว่ามีความบกพร่องทางสติปัญญา (กล่าวคือ คะแนน MoCA ตามลำดับไม่ได้ใช้ในการจำแนกประเภทปกติเทียบกับผู้บกพร่อง) โดยเฉพาะอย่างยิ่ง ผู้ป่วย XL ได้รับการวินิจฉัยว่าเป็นอย่างใดอย่างหนึ่ง การทดสอบโรคอัลไซเมอร์ (AD) หรือภาวะสมองเสื่อมของหลอดเลือด (VaD) ภายในแต่ละหมวดหมู่การวินิจฉัยหลักเหล่านี้ มีการกำหนดเพิ่มเติมสำหรับ MCI การวินิจฉัย MCI, ภาวะสมองเสื่อม, ความผิดปกติของระบบประสาทของหลอดเลือด และความผิดปกติของระบบประสาทที่เกิดจาก AD ขึ้นอยู่กับเกณฑ์การวินิจฉัยที่เฉพาะเจาะจงและโดดเด่นซึ่งสรุปไว้ในคู่มือการวินิจฉัยและสถิติของความผิดปกติทางจิต: DSM-5 [16] เมื่อพิจารณาจากการวินิจฉัยที่ได้รับการขัดเกลาแล้ว โครงร่างการสร้างแบบจำลองการจัดหมวดหมู่สองแบบถูกนำไปใช้กับชุดข้อมูลย่อย XL เพื่อแยกระดับของความรุนแรง (ระดับของการด้อยค่า) สำหรับแต่ละหมวดหมู่การวินิจฉัยหลัก ข้อมูลที่ใช้ในแผนการสร้างแบบจำลองการวินิจฉัย (AD และ VaD) แต่ละแบบรวมถึงข้อมูลประวัติประชากรและผู้ป่วย ตลอดจนประสิทธิภาพของ MemTrax (MTx-% C ค่าเฉลี่ย MTx-RT) การวินิจฉัยแต่ละครั้งระบุว่าไม่รุนแรงหากกำหนด MCI มิฉะนั้นถือว่ารุนแรง ตอนแรกเราพิจารณารวมคะแนน MoCA ในรูปแบบการวินิจฉัย (ไม่รุนแรงหรือรุนแรง) แต่เราตัดสินใจว่าจะเอาชนะจุดประสงค์ของรูปแบบการสร้างแบบจำลองการทำนายรองของเรา ที่นี่ ผู้เรียนจะได้รับการฝึกอบรมโดยใช้ลักษณะเฉพาะของผู้ป่วยอื่น ๆ ที่มีให้สำหรับผู้ให้บริการและตัวชี้วัดประสิทธิภาพของการทดสอบ MemTrax ที่ง่ายกว่า (แทน MoCA) เทียบกับ "มาตรฐานทองคำ" อ้างอิงซึ่งเป็นการวินิจฉัยทางคลินิกอิสระ มี 69 อินสแตนซ์ในชุดข้อมูลการวินิจฉัย AD และ 76 อินสแตนซ์ของ VaD (Table 2). ในชุดข้อมูลทั้งสองมีคุณลักษณะอิสระ 12 ประการ นอกจากคุณสมบัติ 10 ประการที่รวมอยู่ในการจำแนกคะแนน MoCA แล้ว ประวัติผู้ป่วยยังรวมข้อมูลเกี่ยวกับประวัติความดันโลหิตสูงและโรคหลอดเลือดสมองด้วย

ตารางที่ 2

สรุปรูปแบบรูปแบบการสร้างแบบจำลองที่ใช้สำหรับการจำแนกประเภทความรุนแรงในการวินิจฉัย (ไม่รุนแรงกับรุนแรง)

โครงการสร้างแบบจำลองไม่รุนแรง (ระดับลบ)รุนแรง (ชั้นบวก)
MCI-AD กับ AD12 (% 17.4)57 (% 82.6)
MCI-VaD กับ VaD38 (% 50.0)38 (% 50.0)

จำนวนและเปอร์เซ็นต์ของผู้ป่วยทั้งหมดในแต่ละชั้นจะแตกต่างกันตามประเภทการวินิจฉัยเบื้องต้น (AD หรือ VaD)

สถิติ

การเปรียบเทียบคุณลักษณะของผู้เข้าร่วมและคุณลักษณะเชิงตัวเลขอื่นๆ ระหว่างชุดข้อมูลย่อยสำหรับแต่ละกลยุทธ์การจำแนกแบบจำลอง (เพื่อทำนายสุขภาพทางปัญญาของ MoCA และความรุนแรงในการวินิจฉัย) ดำเนินการโดยใช้ภาษาโปรแกรม Python (เวอร์ชัน 2.7.1) [17] ความแตกต่างของประสิทธิภาพของโมเดลถูกกำหนดในขั้นต้นโดยใช้ ANOVA แบบปัจจัยเดียวหรือสองปัจจัย (ตามความเหมาะสม) ที่มีช่วงความเชื่อมั่น 95% และการทดสอบความแตกต่างอย่างมีนัยสำคัญทางสถิติของ Tukey (HSD) เพื่อเปรียบเทียบค่าเฉลี่ยประสิทธิภาพ การตรวจสอบความแตกต่างระหว่างประสิทธิภาพของโมเดลนี้ดำเนินการโดยใช้ Python และ R (เวอร์ชัน 3.5.1) ร่วมกัน [18] เราใช้แนวทางนี้ (แม้ว่าจะอาจน้อยกว่าวิธีที่เหมาะสมที่สุด) เป็นเพียงตัวช่วยแก้ปัญหาเท่านั้น ช่วงแรก ๆ สำหรับการเปรียบเทียบประสิทธิภาพของแบบจำลองเบื้องต้นในการคาดการณ์การใช้งานทางคลินิกที่อาจเกิดขึ้น จากนั้นเราใช้การทดสอบ Bayesian sign-rank โดยใช้การแจกแจงหลังเพื่อกำหนดความน่าจะเป็นของความแตกต่างของประสิทธิภาพของโมเดล [19] สำหรับการวิเคราะห์เหล่านี้ เราใช้ช่วงเวลา –0.01, 0.01 ซึ่งบ่งชี้ว่าหากสองกลุ่มมีความแตกต่างของประสิทธิภาพน้อยกว่า 0.01 พวกเขาถือว่าเหมือนกัน (ภายในขอบเขตของความเท่าเทียมกันทางปฏิบัติ) หรือไม่เช่นนั้นก็แตกต่างกัน (หนึ่งดีกว่า อื่น ๆ). ในการเปรียบเทียบตัวแยกประเภทแบบเบส์และคำนวณความน่าจะเป็นเหล่านี้ เราใช้ไลบรารีของ baycomp (เวอร์ชัน 1.0.2) สำหรับ Python 3.6.4

การสร้างแบบจำลองเชิงคาดการณ์

เราสร้างแบบจำลองการคาดการณ์โดยใช้รูปแบบการสร้างแบบจำลองทั้งหมด 20 แบบเพื่อทำนาย (จำแนก) ผลลัพธ์ของการทดสอบ MoCA ของผู้ป่วยแต่ละรายหรือความรุนแรงของการวินิจฉัยทางคลินิก ผู้เรียนทุกคนถูกนำไปใช้และแบบจำลองถูกสร้างขึ้นโดยใช้แพลตฟอร์มซอฟต์แวร์โอเพ่นซอร์ส Weka [10] สำหรับการวิเคราะห์เบื้องต้น เราใช้อัลกอริธึมการเรียนรู้ที่ใช้กันทั่วไป 5 แบบ ได้แก่ 4.5-Nearest Neighbors, แผนผังการตัดสินใจ C21 สองเวอร์ชัน, Logistic Regression, Multilayer Perceptron, Naïve Bayes, Random Forest สองเวอร์ชัน, Radial Basis Function Network และเวกเตอร์สนับสนุน เครื่องจักร. มีการอธิบายคุณลักษณะที่สำคัญและความแตกต่างของอัลกอริธึมเหล่านี้ไว้ที่อื่น [22] (ดูภาคผนวกตามลำดับ) สิ่งเหล่านี้ได้รับการคัดเลือกเนื่องจากเป็นตัวแทนของผู้เรียนประเภทต่างๆ และเนื่องจากเราได้แสดงให้เห็นถึงความสำเร็จในการใช้พวกเขาในการวิเคราะห์ก่อนหน้านี้เกี่ยวกับข้อมูลที่คล้ายคลึงกัน การตั้งค่าไฮเปอร์พารามิเตอร์ได้รับเลือกจากการวิจัยครั้งก่อนของเรา ซึ่งบ่งชี้ว่าการตั้งค่าเหล่านี้มีประสิทธิภาพบนข้อมูลต่างๆ ที่หลากหลาย [XNUMX] จากผลการวิเคราะห์เบื้องต้นของเราโดยใช้ชุดข้อมูลรวมชุดเดียวกันกับคุณลักษณะทั่วไปที่ใช้ในการวิเคราะห์ฉบับเต็มในเวลาต่อมา เราได้ระบุผู้เรียนสามคนซึ่งให้ประสิทธิภาพที่ดีเยี่ยมอย่างสม่ำเสมอในทุกการจัดหมวดหมู่: Logistic Regression, Naïve Bayes และ Support Vector Machine

เมตริกการตรวจสอบข้ามและประสิทธิภาพของแบบจำลอง

สำหรับการสร้างแบบจำลองเชิงทำนายทั้งหมด (รวมถึงการวิเคราะห์เบื้องต้น) แต่ละรุ่นถูกสร้างขึ้นโดยใช้การตรวจสอบความถูกต้องข้าม 10 เท่า และวัดประสิทธิภาพของแบบจำลองโดยใช้พื้นที่ใต้เส้นโค้งลักษณะการทำงานของตัวรับ (AUC) การตรวจสอบความถูกต้องเริ่มต้นด้วยการแบ่งชุดข้อมูลแบบแผนการสร้างแบบจำลองแต่ละชุดจาก 10 ชุดออกเป็น 10 ส่วนเท่าๆ กัน (เท่าๆ กัน) โดยใช้เก้ากลุ่มตามลำดับเหล่านี้เพื่อฝึกแบบจำลองและส่วนที่เหลือสำหรับการทดสอบ ขั้นตอนนี้ทำซ้ำ 10 ครั้ง โดยใช้เซ็กเมนต์ที่ต่างกันเป็นชุดทดสอบในการทำซ้ำแต่ละครั้ง จากนั้นนำผลลัพธ์มารวมกันเพื่อคำนวณผลลัพธ์/ประสิทธิภาพของแบบจำลองขั้นสุดท้าย สำหรับชุดผู้เรียน/ชุดข้อมูลแต่ละชุด กระบวนการทั้งหมดนี้ทำซ้ำ 10 ครั้งโดยแยกข้อมูลต่างกันในแต่ละครั้ง ขั้นตอนสุดท้ายนี้ลดความลำเอียง รับรองความสามารถในการทำซ้ำ และช่วยในการกำหนดประสิทธิภาพของแบบจำลองโดยรวม โดยรวมแล้ว (สำหรับคะแนน MoCA และรูปแบบการจัดหมวดหมู่ความรุนแรงในการวินิจฉัยรวมกัน) มีการสร้างแบบจำลอง 6,600 รุ่น ซึ่งรวมถึงโมเดลที่ไม่มีการกรอง 1,800 โมเดล (รูปแบบการสร้างแบบจำลอง 6 แบบที่ใช้กับชุดข้อมูล×ผู้เรียน 3 คน× 10 รัน× 10 เท่า = 1,800 รุ่น) และแบบจำลองที่กรองแล้ว 4,800 แบบ (รูปแบบการสร้างแบบจำลอง 4 แบบที่ใช้กับชุดข้อมูล×ผู้เรียน 3 คน×เทคนิคการเลือกคุณสมบัติ 4 คน× 10 รัน× 10 เท่า = 4,800 รุ่น)

การเลือกคุณสมบัติ

สำหรับแบบจำลองที่กรองแล้ว การเลือกคุณสมบัติ (โดยใช้วิธีการจัดอันดับคุณลักษณะสี่วิธี) ได้ดำเนินการภายในการตรวจสอบข้าม สำหรับแต่ละ 10 เท่า เนื่องจากชุดข้อมูลที่แตกต่างกัน 10% เป็นข้อมูลทดสอบ จึงใช้เฉพาะฟีเจอร์ที่เลือกไว้สี่อันดับแรกสำหรับชุดข้อมูลการฝึกแต่ละชุด (เช่น อีกเก้าส่วนที่เหลือ หรือ 90% ที่เหลือของชุดข้อมูลทั้งหมด) เพื่อสร้างแบบจำลอง เราไม่สามารถยืนยันได้ว่าคุณลักษณะสี่ประการใดที่ใช้ในแต่ละรุ่น เนื่องจากข้อมูลดังกล่าวไม่ได้ถูกจัดเก็บหรือเผยแพร่ภายในแพลตฟอร์มการสร้างแบบจำลองที่เราใช้ (Weka) อย่างไรก็ตาม เนื่องจากความสอดคล้องในการเลือกคุณสมบัติเด่นเบื้องต้นของเราเมื่อจัดอันดับถูกนำไปใช้กับชุดข้อมูลรวมทั้งหมดและความคล้ายคลึงกันในการแสดงแบบจำลอง คุณลักษณะเดียวกันเหล่านี้ (อายุ ปีการศึกษา MTx-% C และค่าเฉลี่ย MTx-RT ) มีแนวโน้มว่าจะใช้สี่อันดับแรกที่แพร่หลายที่สุดร่วมกับการเลือกคุณลักษณะภายในกระบวนการตรวจสอบข้าม

ผล

ลักษณะเชิงตัวเลขของผู้เข้าร่วม (รวมถึงคะแนน MoCA และตัวชี้วัดประสิทธิภาพ MemTrax) ของชุดข้อมูลที่เกี่ยวข้องสำหรับกลยุทธ์การจัดประเภทแบบจำลองแต่ละแบบเพื่อทำนายสุขภาพทางปัญญาที่บ่งชี้ MoCA (ปกติเทียบกับ MCI) และความรุนแรงในการวินิจฉัย (ไม่รุนแรงกับรุนแรง) แสดงไว้ในตารางที่ 3

ตารางที่ 3

ลักษณะของผู้เข้าร่วม คะแนน MoCA และประสิทธิภาพของ MemTrax สำหรับแต่ละกลยุทธ์การจัดประเภทโมเดล

กลยุทธ์การจำแนกประเภทอายุการศึกษาปรับ MoCA แล้วMoCA ยังไม่ได้ปรับMTx-% CMTx-RT
หมวดหมู่ MoCA61.9 ปี (13.1)9.6 ปี (4.6)19.2 (6.5)18.4 (6.7)74.8% (15.0)1.4 วินาที (0.3)
ความรุนแรงในการวินิจฉัย65.6 ปี (12.1)8.6 ปี (4.4)16.7 (6.2)15.8 (6.3)68.3% (13.8)1.5 วินาที (0.3)

ค่าที่แสดง (ค่าเฉลี่ย SD) ที่แยกความแตกต่างโดยกลยุทธ์การจำแนกแบบจำลองเป็นตัวแทนของชุดข้อมูลรวมที่ใช้ในการทำนายสุขภาพทางปัญญาที่ระบุ MoCA (MCI เทียบกับปกติ) และชุดข้อมูลย่อย XL ใช้เพื่อทำนายความรุนแรงของการวินิจฉัยเท่านั้น (ไม่รุนแรงหรือรุนแรง)

สำหรับการรวมกันของคะแนน MoCA (ปรับ/ไม่ได้ปรับ) และเกณฑ์ (26/23) มีความแตกต่างทางสถิติ (p = 0.000) ในแต่ละคู่เปรียบเทียบ (สุขภาพความรู้ความเข้าใจปกติกับ MCI) สำหรับอายุ การศึกษา และประสิทธิภาพของ MemTrax (MTx-% C และ MTx-RT) ชุดข้อมูลย่อยของผู้ป่วยแต่ละรายในคลาส MCI ตามลำดับสำหรับแต่ละชุดค่าผสมมีอายุเฉลี่ยประมาณ 9 ถึง 15 ปี รายงานการศึกษาน้อยกว่าห้าปี และประสิทธิภาพ MemTrax ที่ไม่ค่อยดีสำหรับเมตริกทั้งสอง

ผลลัพธ์ประสิทธิภาพการสร้างแบบจำลองเชิงคาดการณ์สำหรับการจัดประเภทคะแนน MoCA โดยใช้ผู้เรียนสามอันดับแรก ได้แก่ Logistic Regression, Naïve Bayes และ Support Vector Machine แสดงในตารางที่ 4 ทั้งสามนี้ได้รับการคัดเลือกโดยพิจารณาจากประสิทธิภาพของผู้เรียนสัมบูรณ์ที่สูงอย่างสม่ำเสมอที่สุดในแบบจำลองต่างๆ ทั้งหมด นำไปใช้กับชุดข้อมูลสำหรับรูปแบบการสร้างแบบจำลองทั้งหมด สำหรับชุดข้อมูลและการสร้างแบบจำลองที่ไม่ผ่านการกรอง ค่าข้อมูลแต่ละค่าในตารางที่ 4 ระบุประสิทธิภาพของแบบจำลองโดยอิงตามค่าเฉลี่ยของ AUC ตามลำดับซึ่งได้มาจากแบบจำลอง 100 แบบ (10 รัน×10 เท่า) ที่สร้างขึ้นสำหรับผู้เรียนแต่ละคน/ชุดโครงร่างการสร้างแบบจำลอง โดยมีค่าสูงสุดตามลำดับ ผู้เรียนทำการแสดงด้วยตัวหนา สำหรับการสร้างแบบจำลองชุดข้อมูลที่กรองแล้ว ผลลัพธ์ที่รายงานในตารางที่ 4 จะสะท้อนประสิทธิภาพของแบบจำลองโดยเฉลี่ยโดยรวมจากแบบจำลอง 400 แบบสำหรับผู้เรียนแต่ละคนโดยใช้วิธีการจัดอันดับคุณลักษณะแต่ละวิธี (4 วิธีในการจัดอันดับคุณลักษณะ×10 รัน×10 เท่า)

ตารางที่ 4

ผลการจัดหมวดหมู่คะแนน Dichotomous MoCA (AUC; 0.0–1.0) ให้ผลลัพธ์สำหรับผู้เรียนที่มีผลการเรียนสูงสุดสามคนสำหรับรูปแบบการสร้างแบบจำลองที่เกี่ยวข้องทั้งหมด

ชุดคุณสมบัติที่ใช้แล้วคะแนน MoCAเกณฑ์การตัดยอดการถดถอยโลจิสติกนาอิฟ เบย์สสนับสนุนเครื่องเวกเตอร์
ไม่กรอง (10 คุณสมบัติ)ปรับ230.88620.89130.8695
260.89710.92210.9161
ไม่ได้ปรับปรุง230.91030.90850.8995
260.88340.91530.8994
กรองแล้ว (4 คุณสมบัติ)ปรับ230.89290.89540.8948
260.91880.92470.9201
ไม่ได้ปรับปรุง230.91350.91340.9122
260.91590.92360.9177

การใช้รูปแบบต่างๆ ของชุดคุณลักษณะ คะแนน MoCA และเกณฑ์การตัดคะแนน MoCA ประสิทธิภาพสูงสุดสำหรับรูปแบบการสร้างแบบจำลองแต่ละรายการจะแสดงใน กล้า (ไม่จำเป็นต้องแตกต่างทางสถิติกับรายการอื่นๆ ที่ไม่ได้อยู่ใน กล้า สำหรับรุ่นนั้นๆ)

การเปรียบเทียบผู้เรียนจากเวอร์ชันและเกณฑ์คะแนน MoCA ทั้งหมด (ปรับ/ไม่ได้ปรับ และ 23/26 ตามลำดับ) ในชุดข้อมูลที่ไม่ผ่านการกรองแบบรวม (เช่น การใช้คุณลักษณะทั่วไป 10 อย่าง) Naïve Bayes เป็นผู้เรียนที่มีประสิทธิภาพสูงโดยรวม ประสิทธิภาพการจำแนกประเภท 0.9093 เมื่อพิจารณาผู้เรียนสามอันดับแรก การทดสอบอันดับลงนามที่มีความสัมพันธ์แบบเบย์ระบุว่าความน่าจะเป็น (Pr) ของ Naïve Bayes ที่ทำได้ดีกว่า Logistic Regression คือ 99.9% นอกจากนี้ ระหว่าง Naïve Bayes และ Support Vector Machine ความน่าจะเป็น 21.0% ของการเทียบเท่าในทางปฏิบัติในประสิทธิภาพของผู้เรียน (ดังนั้น ความน่าจะเป็น 79.0% ที่ Naïve Bayes ทำได้ดีกว่า Support Vector Machine) ควบคู่ไปกับความน่าจะเป็น 0.0% ของ Support Vector Machine ที่ทำงานได้ดีกว่า สามารถวัดได้ ตอกย้ำความได้เปรียบด้านประสิทธิภาพสำหรับNaïve Bayes การเปรียบเทียบเพิ่มเติมของเวอร์ชันคะแนน MoCA ในผู้เรียน/เกณฑ์ทั้งหมด ชี้ให้เห็นถึงความได้เปรียบด้านประสิทธิภาพเล็กน้อยโดยใช้คะแนน MoCA ที่ยังไม่ได้ปรับเทียบกับที่ปรับแล้ว (0.9027 เทียบกับ 0.8971 ตามลำดับ; Pr (ไม่ได้ปรับ > ปรับแล้ว) = 0.988) ในทำนองเดียวกัน การเปรียบเทียบเกณฑ์การตัดยอดของผู้เรียนทั้งหมดและเวอร์ชันคะแนน MoCA ระบุความได้เปรียบด้านประสิทธิภาพการจัดหมวดหมู่เล็กน้อยโดยใช้ 26 เป็นเกณฑ์การจัดหมวดหมู่ เทียบกับ 23 (0.9056 เทียบกับ 0.8942 ตามลำดับ) Pr (26 > 23) = 0.999) สุดท้ายนี้ การตรวจสอบประสิทธิภาพการจัดหมวดหมู่สำหรับแบบจำลองที่ใช้เฉพาะผลลัพธ์ที่กรอง (เช่น คุณลักษณะสี่อันดับแรกเท่านั้น) Naïve Bayes (0.9143) เป็นผู้เรียนที่มีผลคะแนนสูงสุดในทุกเวอร์ชัน/เกณฑ์คะแนน MoCA อย่างไรก็ตาม เมื่อรวมเทคนิคการจัดอันดับคุณลักษณะทั้งหมดเข้าด้วยกัน ผู้เรียนที่มีผลการเรียนดีเด่นทั้งหมดก็ดำเนินการในลักษณะเดียวกัน การทดสอบอันดับลายเซ็นแบบเบย์แสดงความน่าจะเป็น 100% ของความเท่าเทียมกันทางปฏิบัติระหว่างผู้เรียนที่กรองแต่ละคู่ เช่นเดียวกับข้อมูลที่ไม่ถูกกรอง (โดยใช้คุณสมบัติทั่วไปทั้ง 10 อย่าง) มีความได้เปรียบด้านประสิทธิภาพอีกครั้งสำหรับคะแนน MoCA เวอร์ชันที่ไม่ได้ปรับแต่ง (Pr (ไม่ได้ปรับ > ปรับแล้ว) = 1.000) เช่นเดียวกับข้อได้เปรียบที่ชัดเจนในทำนองเดียวกันสำหรับเกณฑ์การจำแนกประเภทที่ 26 (Pr (26 > 23) = 1.000) โดยเฉพาะอย่างยิ่ง ประสิทธิภาพโดยเฉลี่ยของผู้เรียนสามอันดับแรกในเวอร์ชัน/เกณฑ์คะแนน MoCA ทั้งหมดโดยใช้คุณลักษณะสี่อันดับแรกเท่านั้นที่เกินประสิทธิภาพโดยเฉลี่ยของผู้เรียนในข้อมูลที่ไม่ผ่านการกรอง ไม่น่าแปลกใจที่ประสิทธิภาพการจำแนกประเภทของแบบจำลองที่กรอง (โดยใช้คุณลักษณะสี่อันดับแรก) โดยรวมนั้นเหนือกว่า (0.9119) เมื่อเทียบกับรุ่นที่ไม่มีการกรอง (0.8999) โดยไม่คำนึงถึงรูปแบบวิธีการจัดอันดับคุณลักษณะที่เปรียบเทียบกับรุ่นตามลำดับโดยใช้ทั้ง 10 แบบทั่วไป คุณสมบัติ. สำหรับวิธีการเลือกคุณลักษณะแต่ละวิธี มีความน่าจะเป็น 100% ที่จะได้เปรียบด้านประสิทธิภาพเหนือแบบจำลองที่ไม่ผ่านการกรอง

กับผู้ป่วยที่พิจารณาการจำแนกประเภทความรุนแรงของการวินิจฉัย AD ความแตกต่างระหว่างกลุ่ม (MCI-AD กับ AD) สำหรับอายุ (p = 0.004) การศึกษา (p = 0.028) คะแนน MoCA ปรับ/ไม่ได้ปรับ (p = 0.000) และ MTx-% C (p = 0.008) มีนัยสำคัญทางสถิติ ในขณะที่สำหรับ MTx-RT มันไม่ใช่ (p = 0.097) กับผู้ป่วยที่พิจารณาสำหรับการจำแนกประเภทความรุนแรงของการวินิจฉัย VaD ความแตกต่างระหว่างกลุ่ม (MCI-VaD กับ VaD) สำหรับคะแนน MoCA ที่ปรับ/ไม่ได้ปรับ (p = 0.007) และ MTx-% C (p = 0.026) และ MTx-RT (p = 0.001) มีนัยสำคัญทางสถิติ ในขณะที่อายุ (p = 0.511) และการศึกษา (p = 0.157) ไม่มีความแตกต่างระหว่างกลุ่มที่มีนัยสำคัญ

ผลลัพธ์ประสิทธิภาพการจำลองแบบคาดการณ์สำหรับการจัดประเภทความรุนแรงในการวินิจฉัยโดยใช้ผู้เรียนที่เลือกไว้ก่อนหน้านี้สามคน ได้แก่ Logistic Regression, Naïve Bayes และ Support Vector Machine แสดงในตารางที่ 5 ในขณะที่ผู้เรียนที่ตรวจสอบเพิ่มเติมแสดงประสิทธิภาพที่ดีขึ้นเล็กน้อยทีละรายการด้วยหนึ่งในสองหมวดหมู่การวินิจฉัยทางคลินิก ผู้เรียนสามคนที่เราระบุว่าดีที่สุดในแบบจำลองก่อนหน้าของเรานั้นมีประสิทธิภาพที่สม่ำเสมอที่สุดด้วยรูปแบบการสร้างแบบจำลองใหม่ทั้งสองแบบ การเปรียบเทียบผู้เรียนในแต่ละหมวดหมู่การวินิจฉัยหลัก (AD และ VaD) ไม่มีความแตกต่างด้านประสิทธิภาพการจัดหมวดหมู่ที่สอดคล้องกันระหว่างผู้เรียนสำหรับ MCI-VaD กับ VaD แม้ว่าโดยทั่วไป Support Vector Machine จะดำเนินการอย่างเด่นชัดกว่า ในทำนองเดียวกัน ไม่มีความแตกต่างอย่างมีนัยสำคัญระหว่างผู้เรียนสำหรับการจัดประเภท MCI-AD กับ AD แม้ว่า Naïve Bayes (NB) จะมีข้อได้เปรียบด้านประสิทธิภาพเล็กน้อยเหนือ Logistic Regression (LR) และมีเพียงบางส่วนเล็กน้อยเมื่อเทียบกับ Support Vector Machine โดยมีความน่าจะเป็น 61.4% และ 41.7% ตามลำดับ ในชุดข้อมูลทั้งสอง มีข้อได้เปรียบด้านประสิทธิภาพโดยรวมสำหรับ Support Vector Machine (SVM) โดยมี Pr (SVM > LR) = 0.819 และ Pr (SVM > NB) = 0.934 ประสิทธิภาพการจัดหมวดหมู่โดยรวมของเราในผู้เรียนทุกคนในการทำนายความรุนแรงของการวินิจฉัยในชุดข้อมูลย่อย XL ดีกว่าในหมวดหมู่การวินิจฉัย VaD เทียบกับ AD (Pr (VAD > AD) = 0.998)

ตารางที่ 5

ผลการจำแนกประเภทความรุนแรงของการวินิจฉัยทางคลินิกแบบแบ่งขั้ว (AUC; 0.0–1.0) ให้ผลลัพธ์สำหรับผู้เรียนที่มีความสามารถสูงสุดสามคนแต่ละคนสำหรับรูปแบบการสร้างแบบจำลองตามลำดับ

โครงการสร้างแบบจำลองการถดถอยโลจิสติกนาอิฟ เบย์สสนับสนุนเครื่องเวกเตอร์
MCI-AD กับ AD0.74650.78100.7443
MCI-VaD กับ VaD0.80330.80440.8338

ประสิทธิภาพสูงสุดสำหรับแต่ละรูปแบบการสร้างแบบจำลองจะแสดงใน กล้า (ไม่จำเป็นต้องแตกต่างทางสถิติจากที่อื่นที่ไม่ได้อยู่ใน กล้า).

อภิปราย

การตรวจหาการเปลี่ยนแปลงด้านสุขภาพทางปัญญาตั้งแต่เนิ่นๆ มีความสำคัญ ประโยชน์เชิงปฏิบัติในการจัดการสุขภาพส่วนบุคคลและสาธารณสุขเหมือนกัน แท้จริงแล้วสิ่งนี้มีความสำคัญอย่างมากในสถานพยาบาลสำหรับผู้ป่วยทั่วโลก เป้าหมายร่วมกันคือการแจ้งเตือนผู้ป่วย ผู้ดูแล และผู้ให้บริการ และแจ้งการรักษาที่เหมาะสมและประหยัดค่าใช้จ่ายก่อนหน้านี้ และการดูแลระยะยาวสำหรับผู้ที่เริ่มมีประสบการณ์ในการลดลงของความรู้ความเข้าใจ เมื่อรวมชุดข้อมูลย่อยของโรงพยาบาล/คลินิกสามชุดเข้าด้วยกัน เราระบุผู้เรียนที่มีความชอบแตกต่างกันได้สามคน (โดยมีหนึ่งที่โดดเด่นคือ Naïve Bayes) เพื่อสร้างแบบจำลองการทำนายโดยใช้ ตัวชี้วัดประสิทธิภาพของ MemTrax ที่สามารถจำแนกสถานะสุขภาพทางปัญญาได้อย่างน่าเชื่อถือ dichotomously (สุขภาพการรับรู้ปกติหรือ MCI) ตามที่ระบุโดยคะแนนรวมของ MoCA โดยเฉพาะอย่างยิ่ง ประสิทธิภาพการจัดหมวดหมู่โดยรวมสำหรับผู้เรียนทั้งสามคนดีขึ้นเมื่อแบบจำลองของเราใช้เฉพาะคุณลักษณะสี่อันดับสูงสุด ซึ่งรวมเมตริกประสิทธิภาพ MemTrax เหล่านี้เป็นหลัก นอกจากนี้ เราได้เปิดเผยศักยภาพที่พิสูจน์ได้สำหรับการใช้ผู้เรียนคนเดียวกันและเมตริกประสิทธิภาพของ MemTrax ในรูปแบบการสร้างแบบจำลองการจัดประเภทการสนับสนุนการวินิจฉัยเพื่อแยกแยะความรุนแรงของการวินิจฉัยภาวะสมองเสื่อมสองประเภท: AD และ VaD

การทดสอบหน่วยความจำ เป็นศูนย์กลางในการตรวจหา AD [23, 24] ดังนั้นจึงเป็นโอกาสดีที่ MemTrax เป็นที่ยอมรับ มีส่วนร่วม และง่ายต่อการใช้งานทางออนไลน์ แบบทดสอบการคัดกรองความจำตอน ในประชาชนทั่วไป [6] ความแม่นยำในการรับรู้และเวลาตอบสนองจากการปฏิบัติงานอย่างต่อเนื่องนี้แสดงให้เห็นโดยเฉพาะอย่างยิ่งในการระบุการเสื่อมสภาพตั้งแต่เนิ่นๆ และที่กำลังพัฒนา ตลอดจนการขาดดุลที่ตามมาในกระบวนการพลาสติกประสาทที่เกี่ยวข้องกับการเรียนรู้ ความจำ และการรับรู้ นั่นคือ แบบจำลองที่นี่ซึ่งส่วนใหญ่อิงตามเมตริกประสิทธิภาพ MemTrax นั้นไวต่อและมีแนวโน้มที่จะพร้อมกว่า และด้วยต้นทุนที่ต่ำที่สุด เผยให้เห็นการขาดดุลทางพยาธิวิทยาทางชีววิทยาในช่วงระยะเปลี่ยนผ่านที่ไม่แสดงอาการก่อนที่จะมีการสูญเสียการทำงานที่สำคัญมากขึ้น [25] แอชฟอร์ดและคณะ ตรวจสอบรูปแบบและพฤติกรรมของความแม่นยำของหน่วยความจำการจดจำและเวลาตอบสนองอย่างใกล้ชิดของผู้ใช้ออนไลน์ที่เข้าร่วม MemTrax ด้วยตนเอง [6] การให้ความเคารพว่าการแจกจ่ายเหล่านี้มีความสำคัญในการสร้างแบบจำลองที่เหมาะสมที่สุดและการพัฒนาแอปพลิเคชันการดูแลผู้ป่วยที่ถูกต้องและมีประสิทธิภาพ การกำหนดโปรไฟล์การจดจำและเวลาตอบสนองที่นำไปใช้ทางคลินิกเป็นสิ่งสำคัญในการสร้างข้อมูลอ้างอิงพื้นฐานที่มีคุณค่าสำหรับยูทิลิตี้ทางคลินิกและการวิจัย คุณค่าเชิงปฏิบัติของ MemTrax ในการคัดกรอง AD สำหรับความบกพร่องทางสติปัญญาในระยะเริ่มต้นและการสนับสนุนการวินิจฉัยแยกโรคจำเป็นต้องได้รับการตรวจสอบอย่างใกล้ชิดยิ่งขึ้นในบริบทของการตั้งค่าทางคลินิกที่สามารถพิจารณาความเจ็บป่วยร่วมและความสามารถในการรับรู้ ประสาทสัมผัส และมอเตอร์ที่ส่งผลต่อประสิทธิภาพการทดสอบ และเพื่อแจ้งมุมมองทางวิชาชีพและส่งเสริมการใช้ประโยชน์ทางคลินิกในทางปฏิบัติ สิ่งสำคัญอันดับแรกคือต้องแสดงให้เห็นการเปรียบเทียบกับแบบทดสอบประเมินสุขภาพทางปัญญาที่จัดทำขึ้น แม้ว่าแบบหลังอาจถูกจำกัดโดยระบบขนส่งการทดสอบที่ยุ่งยาก การศึกษาและอุปสรรคด้านภาษา และอิทธิพลทางวัฒนธรรม [26] . ในเรื่องนี้ การเปรียบเทียบที่น่าพอใจของ MemTrax ในประสิทธิภาพทางคลินิกกับ MoCA ที่มักอ้างว่าเป็นมาตรฐานอุตสาหกรรมนั้นมีความสำคัญ โดยเฉพาะอย่างยิ่งเมื่อชั่งน้ำหนักความง่ายในการใช้งานและการยอมรับของผู้ป่วยของ MemTrax

การสำรวจก่อนหน้านี้ที่เปรียบเทียบ MemTrax กับ MoCA เน้นที่เหตุผลและหลักฐานเบื้องต้นที่รับประกันการตรวจสอบแบบจำลองของเรา [8] อย่างไรก็ตาม การเปรียบเทียบก่อนหน้านี้นี้เชื่อมโยงเพียงเมตริกประสิทธิภาพ MemTrax หลักสองรายการที่เราตรวจสอบด้วยสถานะทางปัญญาตามที่ MoCA กำหนดและกำหนดช่วงและค่าจุดตัดตามลำดับ เราเพิ่มการประเมินอรรถประโยชน์ทางคลินิกของ MemTrax ให้ลึกซึ้งยิ่งขึ้นด้วยการสำรวจวิธีการตามแบบจำลองเชิงคาดการณ์ที่จะให้การพิจารณาเป็นรายบุคคลมากขึ้นเกี่ยวกับพารามิเตอร์เฉพาะผู้ป่วยที่อาจมีความเกี่ยวข้องอื่นๆ ตรงกันข้ามกับคนอื่น ๆ เราไม่พบข้อได้เปรียบในประสิทธิภาพของแบบจำลองโดยใช้การแก้ไขการศึกษา (การปรับ) กับคะแนน MoCA หรือในการเปลี่ยนแปลงเกณฑ์คะแนนรวม MoCA ด้านสุขภาพทางปัญญาที่จำแนกจาก 26 ถึง 23 [12, 15] ที่แนะนำ อันที่จริง ความได้เปรียบด้านประสิทธิภาพการจำแนกประเภทได้รับการสนับสนุนโดยใช้คะแนน MoCA ที่ยังไม่ได้ปรับและเกณฑ์ที่สูงกว่า

ประเด็นสำคัญในการปฏิบัติทางคลินิก

แมชชีนเลิร์นนิงมักใช้ให้เกิดประโยชน์สูงสุดและให้ผลมากที่สุดในการสร้างแบบจำลองการคาดการณ์เมื่อข้อมูลมีขอบเขตกว้างขวางและมีหลายมิติ กล่าวคือ เมื่อมีการสังเกตจำนวนมากและแอตทริบิวต์ที่มีมูลค่าสูง (มีส่วนร่วม) ร่วมกันอย่างมากมาย กระนั้น ด้วยข้อมูลปัจจุบันเหล่านี้ โมเดลที่กรองด้วยคุณสมบัติที่เลือกเพียงสี่อย่างทำงานได้ดีกว่ารุ่นที่ใช้คุณสมบัติทั่วไปทั้ง 10 อย่าง นี่แสดงให้เห็นว่าชุดข้อมูลโรงพยาบาลแบบรวมของเราไม่มีคุณลักษณะที่เหมาะสมทางคลินิก (มีมูลค่าสูง) ที่สุดในการจัดประเภทผู้ป่วยอย่างเหมาะสมที่สุดด้วยวิธีนี้ อย่างไรก็ตาม การจัดอันดับคุณลักษณะที่เน้นที่เมตริกประสิทธิภาพของ MemTrax ที่สำคัญ—MTx-% C และ MTx-RT— สนับสนุนอย่างมากในการสร้างแบบจำลองการคัดกรองการขาดดุลทางปัญญาในระยะเริ่มต้นรอบการทดสอบนี้ ที่ง่าย ง่ายต่อการจัดการ ต้นทุนต่ำ และเปิดเผยอย่างเหมาะสมเกี่ยวกับ ประสิทธิภาพของหน่วยความจำ อย่างน้อยตอนนี้ก็เป็นหน้าจอเริ่มต้นสำหรับการจำแนกสถานะสุขภาพทางปัญญาแบบไบนารี เนื่องจากผู้ให้บริการและระบบการรักษาพยาบาลมีความตึงเครียดมากขึ้นเรื่อยๆ กระบวนการคัดกรองผู้ป่วยและการใช้งานทางคลินิกจึงควรได้รับการพัฒนาอย่างเหมาะสม โดยเน้นที่การรวบรวม ติดตาม และจำลองลักษณะเฉพาะของผู้ป่วยและตัวชี้วัดการทดสอบที่มีประโยชน์ที่สุด ได้เปรียบ และพิสูจน์แล้วว่ามีประสิทธิภาพในการวินิจฉัย และการสนับสนุนการจัดการผู้ป่วย

ด้วยตัววัด MemTrax หลัก 0.90 ตัวที่เป็นศูนย์กลางของการจัดประเภท MCI ผู้เรียนที่มีประสิทธิภาพสูงสุด (Naïve Bayes) ของเรามีประสิทธิภาพการทำนายที่สูงมากในแบบจำลองส่วนใหญ่ (AUC มากกว่า 4) โดยมีอัตราส่วนบวกจริงเป็นบวกเท็จใกล้หรือค่อนข้างเกิน 1 : XNUMX. แอปพลิเคชันทางคลินิกเชิงการแปลที่ใช้ผู้เรียนคนนี้จะจับภาพ (จัดประเภทอย่างถูกต้อง) โดยส่วนใหญ่ของผู้ที่มีความบกพร่องทางสติปัญญา ในขณะที่ลดต้นทุนที่เกี่ยวข้องกับการจำแนกคนที่มีสุขภาพความรู้ความเข้าใจปกติว่ามีความบกพร่องทางสติปัญญา (ผลบวกที่ผิดพลาด) หรือ ขาดการจำแนกประเภทนั้นในผู้ที่มีการขาดดุลทางปัญญา (ลบเท็จ) สถานการณ์การจัดประเภทที่ไม่ถูกต้องอย่างใดอย่างหนึ่งเหล่านี้อาจก่อให้เกิดภาระทางจิตสังคมที่ไม่เหมาะสมแก่ผู้ป่วยและผู้ดูแลผู้ป่วย

ในขณะที่การวิเคราะห์เบื้องต้นและทั้งหมดเราใช้ผู้เรียนทั้งสิบคนในแต่ละรูปแบบการสร้างแบบจำลอง เราเน้นผลลัพธ์ของเราไปที่ตัวแยกประเภททั้งสามที่แสดงประสิทธิภาพที่แข็งแกร่งสม่ำเสมอที่สุด นอกจากนี้ยังเน้นย้ำด้วยข้อมูลเหล่านี้ด้วยว่าผู้เรียนที่คาดว่าจะทำงานได้อย่างน่าเชื่อถือในระดับสูงในการประยุกต์ใช้ทางคลินิกในทางปฏิบัติในการพิจารณาการจำแนกสถานะทางปัญญา นอกจากนี้ เนื่องจากการศึกษานี้มีวัตถุประสงค์เพื่อเป็นการศึกษาเบื้องต้นเกี่ยวกับประโยชน์ของแมชชีนเลิร์นนิงในการคัดกรองความรู้ความเข้าใจและความท้าทายทางคลินิกที่ทันท่วงที เราจึงตัดสินใจที่จะทำให้เทคนิคการเรียนรู้เรียบง่ายและเป็นภาพรวม โดยปรับพารามิเตอร์น้อยที่สุด เราขอขอบคุณที่วิธีการนี้อาจจำกัดศักยภาพสำหรับความสามารถในการคาดการณ์เฉพาะผู้ป่วยที่เจาะจงมากขึ้น ในทำนองเดียวกัน ในขณะที่การฝึกอบรมแบบจำลองโดยใช้เฉพาะคุณสมบัติเด่น (วิธีการกรอง) จะแจ้งเราเพิ่มเติมเกี่ยวกับข้อมูลเหล่านี้ (เฉพาะข้อบกพร่องในข้อมูลที่รวบรวมและเน้นคุณค่าในการเพิ่มประสิทธิภาพเวลาและทรัพยากรทางคลินิกอันมีค่า) เราตระหนักดีว่าการจำกัดขอบเขตให้แคบลงก่อนเวลาอันควร ขอบเขตของแบบจำลองและด้วยเหตุนี้ ควรพิจารณา (และคุณลักษณะอื่นๆ ทั้งหมด) กับการวิจัยในอนาคต จนกว่าเราจะมีรายละเอียดที่ชัดเจนยิ่งขึ้นของคุณลักษณะที่มีลำดับความสำคัญสูงซึ่งจะนำไปใช้กับประชากรในวงกว้าง ดังนั้นเราจึงตระหนักดีว่าข้อมูลและการเพิ่มประสิทธิภาพของแบบจำลองเหล่านี้และแบบจำลองอื่นๆ ที่ครอบคลุมและกว้างกว่านั้นมีความจำเป็นก่อนที่จะรวมเข้ากับการใช้งานทางคลินิกที่มีประสิทธิภาพ โดยเฉพาะอย่างยิ่งเพื่อรองรับโรคร่วมที่ส่งผลต่อประสิทธิภาพการรับรู้ซึ่งจะต้องได้รับการพิจารณาในการประเมินทางคลินิกต่อไป

ยูทิลิตี้ของ MemTrax ได้รับการแก้ไขเพิ่มเติมโดยการสร้างแบบจำลองความรุนแรงของโรคตามการวินิจฉัยทางคลินิกที่แยกจากกัน ประสิทธิภาพการจำแนกโดยรวมที่ดีขึ้นในการทำนายความรุนแรงของ VaD (เทียบกับ AD) ไม่ได้เป็นเช่นนั้น น่าแปลกใจเนื่องจากคุณสมบัติของโปรไฟล์ผู้ป่วยในรูปแบบเฉพาะสำหรับสุขภาพของหลอดเลือด และความเสี่ยงต่อโรคหลอดเลือดสมอง เช่น ความดันโลหิตสูง ไขมันในเลือดสูง เบาหวาน และ (แน่นอน) ประวัติโรคหลอดเลือดสมอง แม้ว่าจะเป็นที่น่าพอใจและเหมาะสมกว่าที่จะมีการประเมินทางคลินิกแบบเดียวกันกับผู้ป่วยที่มีสุขภาพทางปัญญาปกติเพื่อฝึกผู้เรียนด้วยข้อมูลที่ครอบคลุมมากขึ้นเหล่านี้ นี่เป็นการรับประกันโดยเฉพาะอย่างยิ่งเนื่องจาก MemTrax มีวัตถุประสงค์เพื่อใช้เป็นหลักสำหรับการตรวจหาการขาดดุลทางความคิดในระยะเริ่มต้นและการติดตามการเปลี่ยนแปลงของแต่ละบุคคลในภายหลัง นอกจากนี้ยังเป็นไปได้ว่าการกระจายข้อมูลที่ต้องการมากขึ้นในชุดข้อมูล VaD มีส่วนทำให้ประสิทธิภาพการสร้างแบบจำลองดีขึ้นโดยเปรียบเทียบ ชุดข้อมูล VaD มีความสมดุลระหว่างสองคลาส ในขณะที่ชุดข้อมูล AD ที่มีผู้ป่วย MCI น้อยกว่ามากไม่มี โดยเฉพาะอย่างยิ่งในชุดข้อมูลขนาดเล็ก แม้แต่อินสแตนซ์เพิ่มเติมเพียงเล็กน้อยก็สามารถสร้างความแตกต่างที่วัดได้ มุมมองทั้งสองเป็นข้อโต้แย้งที่สมเหตุสมผลภายใต้ความแตกต่างของประสิทธิภาพการสร้างแบบจำลองความรุนแรงของโรค อย่างไรก็ตาม การให้เหตุผลตามสัดส่วนของประสิทธิภาพที่ดีขึ้นกับชุดข้อมูลลักษณะเชิงตัวเลขหรือคุณลักษณะโดยธรรมชาติเฉพาะสำหรับการนำเสนอทางคลินิกภายใต้การพิจารณานั้นเกิดขึ้นก่อนเวลาอันควร อย่างไรก็ตาม นวนิยายเรื่องนี้แสดงให้เห็นถึงประโยชน์ของแบบจำลองการจำแนกประเภทเชิงทำนายของ MemTrax ในบทบาทของการสนับสนุนการวินิจฉัยทางคลินิกซึ่งให้มุมมองที่มีคุณค่าและยืนยันถึงการติดตามการตรวจเพิ่มเติมกับผู้ป่วยทั่วทั้งความต่อเนื่องของ MCI

การใช้งานและสาธิตยูทิลิตี้ของ MemTrax และแบบจำลองเหล่านี้ในประเทศจีน ซึ่งภาษาและวัฒนธรรมมีความแตกต่างอย่างมากจากภูมิภาคอื่น ๆ ของยูทิลิตี้ที่จัดตั้งขึ้น (เช่น ฝรั่งเศส เนเธอร์แลนด์ และสหรัฐอเมริกา) [7, 8, 27] เน้นย้ำถึงศักยภาพ เพื่อการยอมรับอย่างกว้างขวางทั่วโลกและมูลค่าทางคลินิกของแพลตฟอร์มที่ใช้ MemTrax นี่เป็นตัวอย่างที่แสดงให้เห็นได้ในการมุ่งมั่นสู่การประสานข้อมูลและพัฒนาบรรทัดฐานสากลและทรัพยากรแบบจำลองสำหรับการคัดกรองทางปัญญาที่เป็นมาตรฐานและปรับให้เข้ากับการใช้งานทั่วโลกได้อย่างง่ายดาย

ขั้นตอนต่อไปในการสร้างแบบจำลองและการประยุกต์ใช้การปฏิเสธทางปัญญา

ความผิดปกติทางความคิดใน AD นั้นเกิดขึ้นจริงบนความต่อเนื่อง ไม่ใช่เป็นขั้นหรือขั้นที่แยกจากกัน [28, 29] อย่างไรก็ตาม ในช่วงเริ่มต้นนี้ เป้าหมายของเราคือการสร้างความสามารถของเราในการสร้างแบบจำลองที่รวมเอา MemTrax ที่สามารถแยกแยะ "ปกติ" จาก "ไม่ปกติ" โดยพื้นฐาน ข้อมูลเชิงประจักษ์ที่ครอบคลุมมากขึ้น (เช่น ภาพสมอง ลักษณะทางพันธุกรรม ตัวบ่งชี้ทางชีวภาพ ความร่วม และตัวบ่งชี้การทำงานของสารเชิงซ้อน กิจกรรมที่ต้องใช้ความรู้ความเข้าใจ ควบคุม) [30] ในภูมิภาคต่างๆ ทั่วโลก ประชากร และกลุ่มอายุ เพื่อฝึกฝนและพัฒนาโมเดลแมชชีนเลิร์นนิงที่ซับซ้อนมากขึ้น (รวมถึงชุดที่ถ่วงน้ำหนักอย่างเหมาะสม) จะสนับสนุนการจำแนกประเภทที่เพิ่มขึ้น ซึ่งก็คือความสามารถในการจัดหมวดหมู่กลุ่มผู้ป่วยที่มี MCI เป็นส่วนย่อยที่เล็กลงและชัดเจนยิ่งขึ้นตามความต่อเนื่องของการลดลงของความรู้ความเข้าใจ ยิ่งไปกว่านั้น การวินิจฉัยทางคลินิกร่วมกันสำหรับแต่ละบุคคลในกลุ่มประชากรผู้ป่วยที่มีความหลากหลายในภูมิภาคนั้นเป็นสิ่งจำเป็น ฝึกอบรมอย่างมีประสิทธิภาพ แบบจำลองที่ครอบคลุมมากขึ้นและคาดเดาได้ยาก สิ่งนี้จะช่วยให้การจัดการกรณีแบ่งชั้นมีความเฉพาะเจาะจงมากขึ้นสำหรับผู้ที่มีภูมิหลัง อิทธิพล และโปรไฟล์ความรู้ความเข้าใจลักษณะเฉพาะที่กำหนดไว้อย่างแคบลง และด้วยเหตุนี้จึงเพิ่มประสิทธิภาพการสนับสนุนการตัดสินใจทางคลินิกและการดูแลผู้ป่วย

การวิจัยทางคลินิกที่เกี่ยวข้องจำนวนมากในปัจจุบันได้กล่าวถึงผู้ป่วยที่มีภาวะสมองเสื่อมอย่างน้อยเล็กน้อย และในทางปฏิบัติ บ่อยครั้งเกินไปที่ผู้ป่วยจะพยายามแทรกแซงในขั้นสูงเท่านั้น อย่างไรก็ตาม เนื่องจากการลดลงของความรู้ความเข้าใจเริ่มต้นได้ดีก่อนที่จะเป็นไปตามเกณฑ์ทางคลินิกสำหรับภาวะสมองเสื่อม การคัดกรองเบื้องต้นที่ใช้ MemTrax ที่ใช้อย่างมีประสิทธิภาพสามารถส่งเสริมการศึกษาที่เหมาะสมของบุคคลเกี่ยวกับโรคและความก้าวหน้าของโรค และกระตุ้นการแทรกแซงให้เร็วขึ้นและทันท่วงที ดังนั้น การตรวจพบแต่เนิ่นๆ จึงสามารถสนับสนุนการมีส่วนร่วมที่เหมาะสม ตั้งแต่การออกกำลังกาย การรับประทานอาหาร การสนับสนุนทางอารมณ์ และการปรับปรุงการเข้าสังคมไปจนถึงการแทรกแซงทางเภสัชวิทยา และส่งเสริมการเปลี่ยนแปลงที่เกี่ยวข้องกับผู้ป่วยในพฤติกรรมและการรับรู้ ซึ่งเพียงอย่างเดียวหรือโดยรวมสามารถลดหรืออาจหยุดการลุกลามของภาวะสมองเสื่อมได้ [31, 32] . อีกทั้งมีประสิทธิภาพ การตรวจคัดกรองเบื้องต้นบุคคลและครอบครัวอาจได้รับแจ้งให้พิจารณาการทดลองทางคลินิกหรือรับคำปรึกษาและการสนับสนุนด้านบริการสังคมอื่นๆ เพื่อช่วยชี้แจงความคาดหวังและความตั้งใจและจัดการงานประจำวัน การตรวจสอบเพิ่มเติมและยูทิลิตี้ที่ใช้งานได้จริงอย่างกว้างขวางในลักษณะเหล่านี้อาจเป็นเครื่องมือในการบรรเทาหรือหยุดความก้าวหน้าของ MCI, AD และ ADRD สำหรับบุคคลจำนวนมาก

แท้จริงแล้ว กลุ่มอายุต่ำสุดของผู้ป่วยในการศึกษาของเราไม่ได้เป็นตัวแทนของประชากรที่มีความกังวลแบบดั้งเดิมเกี่ยวกับโรคสมาธิสั้น อย่างไรก็ตาม อายุเฉลี่ยของแต่ละกลุ่มที่ใช้ในโครงร่างแบบจำลองการจำแนกประเภทตามคะแนน/เกณฑ์ของ MoCA และความรุนแรงในการวินิจฉัย (ตารางที่ 3) ตอกย้ำว่าคนส่วนใหญ่ที่ชัดเจน (มากกว่า 80%) มีอายุอย่างน้อย 50 ปี การกระจายนี้จึงเหมาะสมมากสำหรับการทำให้เป็นภาพรวม โดยสนับสนุนยูทิลิตี้ของแบบจำลองเหล่านี้ในประชากรที่แสดงลักษณะของผู้ที่ได้รับผลกระทบโดยทั่วไป เริ่มมีอาการ และความเจ็บป่วยทางระบบประสาทที่เพิ่มขึ้นเนื่องจาก AD และ VaD นอกจากนี้ หลักฐานและมุมมองล่าสุดยังเน้นย้ำถึงปัจจัยที่ได้รับการยอมรับ (เช่น ความดันโลหิตสูง โรคอ้วน โรคเบาหวาน และการสูบบุหรี่) ที่อาจมีส่วนทำให้สูงขึ้นตั้งแต่เนิ่นๆ คะแนนความเสี่ยงของหลอดเลือดในผู้ใหญ่และวัยกลางคนและการบาดเจ็บของหลอดเลือดสมองเล็กน้อยที่ตามมาซึ่งพัฒนาอย่างร้ายกาจโดยมีผลชัดเจนแม้ในวัยหนุ่มสาว ผู้ใหญ่ [33–35]. ดังนั้น โอกาสในการตรวจคัดกรองเบื้องต้นที่เหมาะสมที่สุดสำหรับการตรวจพบตั้งแต่เนิ่นๆ จัดลำดับความบกพร่องทางสติปัญญาและเริ่มต้นกลยุทธ์การป้องกันและการแทรกแซงที่มีประสิทธิภาพเพื่อจัดการกับภาวะสมองเสื่อมให้ประสบความสำเร็จ จะเกิดขึ้นจากการตรวจสอบปัจจัยที่เกี่ยวข้องและตัวบ่งชี้ที่มาก่อนในสเปกตรัมอายุ รวมถึงวัยผู้ใหญ่ตอนต้นและแม้แต่วัยเด็ก (โดยสังเกตความเกี่ยวข้องของปัจจัยทางพันธุกรรม เช่น apolipoprotein E จากการตั้งครรภ์ระยะแรก)

ในทางปฏิบัติ การวินิจฉัยทางคลินิกที่ถูกต้องและขั้นตอนที่มีค่าใช้จ่ายสูงสำหรับการถ่ายภาพขั้นสูง การทำโปรไฟล์ทางพันธุกรรม และการวัดตัวบ่งชี้ทางชีวภาพที่มีแนวโน้มจะไม่พร้อมใช้งานหรือแม้แต่ความเป็นไปได้สำหรับผู้ให้บริการหลายราย ดังนั้น ในหลายกรณี การจำแนกสถานะสุขภาพทางปัญญาโดยรวมเบื้องต้นอาจต้องได้มาจากแบบจำลองโดยใช้เมตริกง่ายๆ อื่นๆ ที่จัดทำโดยผู้ป่วย (เช่น รายงานด้วยตนเอง ปัญหาหน่วยความจำยาที่ใช้อยู่ในปัจจุบัน และข้อจำกัดของกิจกรรมประจำ) และลักษณะทางประชากรทั่วไป [7] การลงทะเบียนเช่นมหาวิทยาลัยแห่งแคลิฟอร์เนีย สุขภาพสมอง Registry (https://www.brainhealthregistry.org/) [27] และอื่น ๆ ที่มีอาการที่รายงานด้วยตนเองในวงกว้างมากขึ้น มาตรการเชิงคุณภาพ (เช่น การนอนหลับและการรับรู้ทุกวัน) ยา สถานะสุขภาพ และประวัติ และ ข้อมูลประชากรที่มีรายละเอียดมากขึ้นจะเป็นเครื่องมือในการพัฒนาและตรวจสอบการใช้งานจริงของแบบจำลองดั้งเดิมเหล่านี้ในคลินิก นอกจากนี้ การทดสอบเช่น MemTrax ซึ่งได้แสดงให้เห็นถึงประโยชน์ในการประเมินการทำงานของหน่วยความจำ อันที่จริงแล้วอาจให้การประมาณการพยาธิสภาพของ AD ได้ดีกว่าเครื่องหมายทางชีวภาพ เนื่องจากคุณลักษณะหลักของพยาธิวิทยา AD คือการหยุดชะงักของความยืดหยุ่นของระบบประสาทและการสูญเสียไซแนปส์ที่ซับซ้อนอย่างท่วมท้น ซึ่งแสดงให้เห็นเป็นตอนๆ ความผิดปกติของหน่วยความจำ มาตรการที่ประเมินหน่วยความจำตอนอาจในความเป็นจริง ให้การประเมินภาระทางพยาธิวิทยาของ AD ได้ดีกว่าตัวบ่งชี้ทางชีวภาพในผู้ป่วยที่มีชีวิต [36]

ด้วยแบบจำลองการคาดการณ์ทั้งหมด—ไม่ว่าจะเสริมด้วยข้อมูลที่ซับซ้อนและครอบคลุมจากเทคโนโลยีล้ำสมัยและข้อมูลเชิงลึกทางคลินิกที่ขัดเกลาในหลายโดเมนหรือที่จำกัดเฉพาะลักษณะข้อมูลพื้นฐานและพร้อมใช้งานของโปรไฟล์ผู้ป่วยที่มีอยู่—ข้อดีที่เป็นที่ยอมรับของปัญญาประดิษฐ์ และแมชชีนเลิร์นนิงคือโมเดลผลลัพธ์สามารถสังเคราะห์และ "เรียนรู้" แบบอุปนัยจากข้อมูลและมุมมองใหม่ที่เกี่ยวข้องซึ่งมาจากการใช้งานแอปพลิเคชันอย่างต่อเนื่อง หลังจากการถ่ายทอดเทคโนโลยีในทางปฏิบัติ เนื่องจากแบบจำลองที่นี่ (และกำลังอยู่ระหว่างการพัฒนา) ถูกนำไปใช้และเสริมด้วยกรณีต่างๆ และข้อมูลที่เกี่ยวข้องมากขึ้น (รวมถึงผู้ป่วยที่มีอาการป่วยร่วมที่อาจนำเสนอด้วยการลดลงของความรู้ความเข้าใจที่ตามมา) ประสิทธิภาพการทำนายและการจำแนกสุขภาพทางปัญญาจะแข็งแกร่งยิ่งขึ้น ส่งผลให้ยูทิลิตี้สนับสนุนการตัดสินใจทางคลินิกมีประสิทธิภาพมากขึ้น วิวัฒนาการนี้จะเป็นจริงอย่างเต็มที่และเป็นจริงมากขึ้นด้วยการฝัง MemTrax ลงในแพลตฟอร์มที่กำหนดเอง (กำหนดเป้าหมายไปที่ความสามารถที่มีอยู่) ซึ่งผู้ให้บริการด้านการดูแลสุขภาพสามารถใช้แบบเรียลไทม์ในคลินิก

ความจำเป็นในการตรวจสอบความถูกต้องและประโยชน์ของแบบจำลอง MemTrax สำหรับการสนับสนุนการวินิจฉัยและการดูแลผู้ป่วยเป็นข้อมูลระยะยาวที่มีความหมายซึ่งเป็นที่ต้องการอย่างมาก โดยการสังเกตและบันทึกการเปลี่ยนแปลงที่เกิดขึ้นพร้อมกัน (ถ้ามี) ในสถานะทางคลินิกในช่วงปกติที่เพียงพอจนถึง MCI ระยะเริ่มต้น แบบจำลองสำหรับการประเมินและการจำแนกอย่างต่อเนื่องที่เหมาะสมสามารถฝึกอบรมและแก้ไขได้ตามอายุของผู้ป่วยและได้รับการรักษา กล่าวคือ อรรถประโยชน์ที่ทำซ้ำๆ สามารถช่วยในการติดตามการเปลี่ยนแปลงทางปัญญาที่ไม่รุนแรงตามยาว ประสิทธิผลของการแทรกแซง และการดูแลแบบแบ่งชั้นอย่างมีข้อมูล แนวทางนี้สอดคล้องกับการปฏิบัติทางคลินิกและการจัดการผู้ป่วยและรายกรณีอย่างใกล้ชิดมากขึ้น

ข้อ จำกัด

เราชื่นชมความท้าทายและคุณค่าในการรวบรวมข้อมูลทางคลินิกที่สะอาดในคลินิก/โรงพยาบาลที่มีการควบคุม อย่างไรก็ตาม มันจะทำให้การสร้างแบบจำลองของเราแข็งแกร่งขึ้นหากชุดข้อมูลของเรามีผู้ป่วยจำนวนมากขึ้นที่มีคุณสมบัติทั่วไป ยิ่งกว่านั้น โดยเฉพาะอย่างยิ่งสำหรับแบบจำลองการวินิจฉัยของเรา น่าจะเป็นที่น่าพอใจและเหมาะสมกว่าที่จะมีการประเมินทางคลินิกแบบเดียวกันที่ดำเนินการกับผู้ป่วยที่จับคู่ซึ่งมีสุขภาพทางปัญญาปกติเพื่อฝึกฝนผู้เรียน และเน้นย้ำด้วยประสิทธิภาพการจำแนกประเภทที่สูงขึ้นโดยใช้ชุดข้อมูลที่กรอง (เฉพาะคุณลักษณะสี่อันดับสูงสุด) ข้อมูลทั่วไปและ มาตรการ/ตัวบ่งชี้สุขภาพทางปัญญาน่าจะดีขึ้น ประสิทธิภาพการสร้างแบบจำลองด้วยคุณสมบัติทั่วไปจำนวนมากขึ้นในผู้ป่วยทุกราย

ผู้เข้าร่วมบางคนอาจเคยประสบกับความเจ็บป่วยอื่น ๆ ร่วมกันซึ่งอาจทำให้เกิดความบกพร่องทางสติปัญญาชั่วขณะหรือเรื้อรัง นอกเหนือจากชุดข้อมูลย่อย XL ที่ผู้ป่วยได้รับการจัดประเภทในการวินิจฉัยว่ามี AD หรือ VaD แล้ว ข้อมูลโรคร่วมไม่ได้ถูกรวบรวม/รายงานในกลุ่มผู้ป่วย YH และรายงานเด่นที่รายงานเกี่ยวกับโรคร่วมในชุดข้อมูลย่อย KM คือโรคเบาหวาน อย่างไรก็ตาม เป็นที่โต้แย้งได้ว่าการรวมผู้ป่วยในรูปแบบแบบจำลองของเราที่มีอาการป่วยร่วมที่อาจกระตุ้นหรือทำให้ระดับของการขาดความรู้ความเข้าใจรุนแรงขึ้นและรุนแรงขึ้น และผลการทำงานของ MemTrax ที่ต่ำลงจะเป็นตัวแทนของประชากรผู้ป่วยที่เป็นเป้าหมายในโลกแห่งความเป็นจริงมากขึ้น และแนวทางการสร้างแบบจำลอง ก้าวไปข้างหน้า การวินิจฉัยโรคร่วมอย่างแม่นยำที่อาจส่งผลต่อประสิทธิภาพการรับรู้จะเป็นประโยชน์ในวงกว้างสำหรับการเพิ่มประสิทธิภาพแบบจำลองและการประยุกต์ใช้การดูแลผู้ป่วยที่เป็นผลลัพธ์

สุดท้าย ผู้ป่วยชุดข้อมูลย่อยของ YH และ KM ใช้สมาร์ทโฟนเพื่อทำการทดสอบ MemTrax ในขณะที่ผู้ป่วยชุดข้อมูลย่อย XL จำนวนจำกัดใช้ iPad และส่วนที่เหลือใช้สมาร์ทโฟน สิ่งนี้อาจแนะนำความแตกต่างเล็กน้อยที่เกี่ยวข้องกับอุปกรณ์ในประสิทธิภาพของ MemTrax สำหรับการสร้างแบบจำลองการจัดประเภท MoCA อย่างไรก็ตาม ความแตกต่าง (ถ้ามี) ใน MTx-RT ตัวอย่างเช่น ระหว่างอุปกรณ์ต่างๆ มีแนวโน้มที่จะเล็กน้อย โดยเฉพาะอย่างยิ่งกับผู้เข้าร่วมแต่ละคนจะได้รับการทดสอบ "ฝึกหัด" ก่อนการทดสอบที่บันทึกไว้ อย่างไรก็ตาม ประโยชน์ของอุปกรณ์พกพาทั้งสองนี้อาจประนีประนอมการเปรียบเทียบโดยตรงกับและ/หรือการรวมเข้ากับผลลัพธ์ MemTrax อื่น ๆ ที่ผู้ใช้ตอบสนองต่อการทำซ้ำรูปภาพโดยแตะแป้นเว้นวรรคบนแป้นพิมพ์คอมพิวเตอร์

ประเด็นสำคัญเกี่ยวกับยูทิลิตี้การสร้างแบบจำลองการคาดการณ์ MemTrax

  • • โมเดลการคาดการณ์ที่มีประสิทธิภาพสูงสุดของเราซึ่งรวมเมตริกประสิทธิภาพ MemTrax ที่เลือกไว้สามารถจำแนกสถานะสุขภาพทางปัญญาได้อย่างน่าเชื่อถือ
  • • ผลลัพธ์เหล่านี้สนับสนุนการรวมเมตริกประสิทธิภาพ MemTrax ที่เลือกไว้ในแอปพลิเคชันการคัดกรองแบบจำลองการทำนายการจำแนกประเภทสำหรับความบกพร่องทางสติปัญญาในระยะเริ่มต้น
  • • แบบจำลองการจัดหมวดหมู่ของเรายังเผยให้เห็นถึงศักยภาพในการใช้ประสิทธิภาพของ MemTrax ในแอปพลิเคชันสำหรับการแยกแยะความรุนแรงของการวินิจฉัยภาวะสมองเสื่อม

การค้นพบใหม่เหล่านี้สร้างหลักฐานที่ชัดเจนซึ่งสนับสนุนประโยชน์ของการเรียนรู้ของเครื่องในการสร้างแบบจำลองการจำแนกตาม MemTrax ที่ปรับปรุงให้ดีขึ้นสำหรับการสนับสนุนการวินิจฉัยในการจัดการกรณีศึกษาทางคลินิกที่มีประสิทธิภาพและการดูแลผู้ป่วยสำหรับบุคคลที่มีความบกพร่องทางสติปัญญา

กิตติกรรมประกาศ

เรายอมรับงานของ J. Wesson Ashford, Curtis B. Ashford และเพื่อนร่วมงานในการพัฒนาและตรวจสอบความถูกต้องของงานและเครื่องมือการรู้จำอย่างต่อเนื่องแบบออนไลน์ (MemTrax) ที่ใช้ที่นี่ และเรารู้สึกขอบคุณผู้ป่วยที่มีภาวะสมองเสื่อมจำนวนมากที่สนับสนุนการวิจัยพื้นฐานที่สำคัญ . นอกจากนี้ เราขอขอบคุณ Xianbo Zhou และเพื่อนร่วมงานของเขาที่ SJN Biomed LTD เพื่อนร่วมงานและผู้ทำงานร่วมกันของเขาที่โรงพยาบาล/คลินิก โดยเฉพาะอย่างยิ่ง Drs. M. Luo และ M. Zhong ผู้ช่วยในการรับสมัครผู้เข้าร่วม จัดตารางการทดสอบ และรวบรวม บันทึก และจัดการข้อมูลส่วนหน้า และผู้เข้าร่วมอาสาสมัครที่สละเวลาอันมีค่าของพวกเขาและมุ่งมั่นที่จะทำการทดสอบและจัดหา ข้อมูลที่มีค่าสำหรับเราในการประเมินในการศึกษานี้ นี้ การศึกษาได้รับการสนับสนุนบางส่วนโดย MD Scientific Research โครงการมหาวิทยาลัยการแพทย์คุนหมิง (ทุนเลขที่ 2017BS028 ถึง XL) และโครงการวิจัยของแผนกวิทยาศาสตร์และเทคโนโลยียูนนาน (ทุนเลขที่ 2019FE001 (-222) ถึง XL)

J. Wesson Ashford ได้ยื่นคำขอรับสิทธิบัตรสำหรับการใช้กระบวนทัศน์การรับรู้อย่างต่อเนื่องเฉพาะที่อธิบายไว้ในบทความนี้สำหรับคนทั่วไป การทดสอบหน่วยความจำ.

MemTrax, LLC เป็นบริษัทที่ Curtis Ashford เป็นเจ้าของ และบริษัทนี้กำลังบริหารจัดการ ทดสอบความจำ ระบบที่อธิบายไว้ในบทความนี้

การเปิดเผยข้อมูลของผู้เขียนสามารถดูได้ทางออนไลน์ (https://www.j-alz.com/manuscript-disclosures/19-1340r2)

การทดสอบความจำ การทดสอบภาวะสมองเสื่อม การทดสอบการสูญเสียความจำ การทดสอบการสูญเสียความจำระยะสั้น การทดสอบ ram การทดสอบจิตใจ
Curtis Ashford – ผู้ประสานงานการวิจัยทางปัญญา

ข้อมูลอ้างอิง

[1] สมาคมโรคอัลไซเมอร์ (2016) 2016 ข้อเท็จจริงเกี่ยวกับโรคอัลไซเมอร์ และตัวเลข สมองเสื่อม 12, 459–509.
[2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) ผลของช่วงเริ่มต้น โรคอัลไซเมอร์ ต่อผลลัพธ์ทางการเงินของครัวเรือน สุขภาพ Econ 29, 18–29.
[3] Foster NL , Bondi MW , Das R , Foss M , Hershey LA , Koh S , Logan R , Poole C , Shega JW , Sood A , Thothala N , Wicklund M , Yu M , Bennett A , Wang D (2019) การปรับปรุงคุณภาพใน ประสาทวิทยา: ชุดวัดคุณภาพความบกพร่องทางสติปัญญาเล็กน้อย ประสาทวิทยา 93, 705–713.
[4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) ความคุ้มค่าของการใช้ การตรวจคัดกรองความรู้ความเข้าใจเพื่อตรวจหาภาวะสมองเสื่อมและความบกพร่องทางสติปัญญาในระดับปฐมภูมิ. จิตเวชศาสตร์ Int J Geriatr 32, 1392–1400
[5] Ashford JW , Gere E , Bayley PJ (2011) การวัดหน่วยความจำ ในการตั้งค่ากลุ่มใหญ่โดยใช้การทดสอบการจดจำอย่างต่อเนื่อง เจ อัลไซเมอร์ ดิส 27, 885–895.
[6] Ashford JW , Tarpin-Bernard F , Ashford CB , Ashford MT (2019) งานการรู้จำแบบต่อเนื่องด้วยคอมพิวเตอร์สำหรับการวัดหน่วยความจำแบบเป็นตอน เจ อัลไซเมอร์ ดิส 69, 385–399.
[7] Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) ประสิทธิภาพหน่วยความจำแบบเป็นตอนในการสร้างแบบจำลองการเรียนรู้ของเครื่องเพื่อทำนายการจำแนกสถานะสุขภาพทางปัญญา เจ อัลไซเมอร์ ดิส 70, 277–286.
[8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) เดอะ การทดสอบ MemTrax เปรียบเทียบกับการประมาณการประเมินความรู้ความเข้าใจแบบมอนทรีออลของความบกพร่องทางสติปัญญาเล็กน้อย เจ อัลไซเมอร์ ดิส 67, 1045–1054
[9] Falcone M , Yadav N , Poellabauer C , Flynn P (2013) การใช้เสียงสระแยกเพื่อจำแนกอาการบาดเจ็บที่สมองเล็กน้อย ในปี 2013 การประชุม IEEE International Conference on Acoustics, Speech and Signal Processing, Vancouver, BC, pp. 7577–7581
[10] Dabek F , Caban JJ (2015) ใช้ประโยชน์จากข้อมูลขนาดใหญ่เพื่อจำลองโอกาสในการพัฒนาสภาพจิตใจหลังจากการถูกกระทบกระแทก Procedia Comput Sci 53, 265–273
[11] Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) โครงสร้างการตัดสินใจสำหรับการตรวจหาความบกพร่องทางสติปัญญาในระยะเริ่มต้นโดยเภสัชกรในชุมชน หน้า Pharmacol 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: เครื่องมือคัดกรองสั้นๆ สำหรับความบกพร่องทางสติปัญญาเล็กน้อย J Am Geriatr Soc 53, 695–699.
[13] Yu J , Li J , Huang X (2012) การประเมินความรู้ความเข้าใจมอนทรีออลเวอร์ชันปักกิ่งเป็นเครื่องมือคัดกรองสั้น ๆ สำหรับผู้บกพร่องทางสติปัญญาเล็กน้อย: การศึกษาตามชุมชน บีเอ็มซี จิตเวช 12, 156.
[14] Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) การตรวจสอบความถูกต้องของการประเมินความรู้ความเข้าใจมอนทรีออลเวอร์ชันภาษาจีนขั้นพื้นฐานสำหรับการตรวจคัดกรองความบกพร่องทางสติปัญญาเล็กน้อย J Am Geriatr Soc 64, e285–e290.
[15] Carson N , Leach L , Murphy KJ (2018) การตรวจสอบคะแนนการประเมินความรู้ความเข้าใจของมอนทรีออล (MoCA) อีกครั้ง จิตเวชศาสตร์ Int J Geriatr 33, 379–388
[16] American Psychiatric Association (2013) Task Force Diagnostic และคู่มือสถิติของความผิดปกติทางจิต: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC
[17] ไพทอน. Python Software Foundation, http://www.python.org, เข้าถึงเมื่อ 15 พฤศจิกายน 2019
[18] R Core Group, R: ภาษาและสภาพแวดล้อมสำหรับการคำนวณทางสถิติ R Foundation for Statistical Computing, เวียนนา, ออสเตรีย https://www.R-project.org/, 2018, เข้าถึงเมื่อ 15 พฤศจิกายน 2019.
[19] Benavoli A , Corani G , Demšar J , Zaffalon M (2017) เวลาสำหรับการเปลี่ยนแปลง: บทช่วยสอนสำหรับการเปรียบเทียบตัวแยกประเภทหลายตัวผ่านการวิเคราะห์แบบเบย์ J Mach เรียนรู้ Res 18, 1–36
[20] Frank E , Hall MA , Witten IH (2016) โต๊ะทำงานของ WEKA ใน การทำเหมืองข้อมูล: เครื่องมือและเทคนิคการเรียนรู้ของเครื่องจักรที่ใช้งานได้จริง, Frank E, Hall MA, Witten IH, Pal CJ, eds. มอร์แกน คอฟมานน์ 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) การเรียนรู้ของเครื่องในการสร้างแบบจำลองอาการการถูกกระทบกระแทกของกีฬาระดับมัธยมศึกษาตอนปลาย แบบฝึกหัด Med Sci Sports 51, 1362–1371
[22] Van Hulse J , Khoshgoftaar TM , Napolitano A (2007) มุมมองเชิงทดลองเกี่ยวกับการเรียนรู้จากข้อมูลที่ไม่สมดุล ใน การประชุมนานาชาติเรื่องการเรียนรู้ของเครื่อง ครั้งที่ 24, คอร์วาลิส โอเรกอน สหรัฐอเมริกา หน้า 935-942
[23] Ashford JW , Kolm P , Colliver JA , Bekian C , Hsu LN (1989) การประเมินผู้ป่วยอัลไซเมอร์และสภาวะทางจิตขนาดเล็ก: การวิเคราะห์เส้นโค้งลักษณะรายการ เจ เจรอนทอล 44, 139–146
[24] แอชฟอร์ด เจดับบลิว , จาร์วิค แอล (1985) โรคอัลไซเมอร์: ความเป็นพลาสติกของเซลล์ประสาททำให้เกิดการเสื่อมสภาพของเส้นประสาทในแอกซอนหรือไม่? N Engl J Med 313, 388–389.
[25] Jack CR Jr , Therneau TM , Weigand SD , ​​Wiste HJ , Knopman DS , Vemuri P , Lowe VJ , Mielke MM , Roberts RO , Machulda MM , Graff-Radford J , Jones DT , Schwarz CG , Gunter JL , Senjem ML , Rocca WA , Petersen RC (2019) ความชุกของเอนทิตี้สเปกตรัมอัลไซเมอร์ที่กำหนดทางชีวภาพและทางคลินิกโดยใช้สถาบันแห่งชาติเกี่ยวกับผู้สูงอายุอัลไซเมอร์ สมาคมวิจัย กรอบ. จามา นิวรอล 76, 1174–1183
[26] Zhou X , Ashford JW (2019) ความก้าวหน้าในเครื่องมือคัดกรองสำหรับ โรคอัลไซเมอร์. ยาอายุวัฒนะ 2, 88–93.
[27] Weiner MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) The สุขภาพสมอง Registry: แพลตฟอร์มบนอินเทอร์เน็ตสำหรับการรับสมัคร การประเมิน และการติดตามระยะยาวของผู้เข้าร่วมการศึกษาด้านประสาทวิทยา โรคอัลไซเมอร์ 14, 1063–1076
[28] Ashford JW , Schmitt FA (2001) การสร้างแบบจำลองหลักสูตรเวลาของ ภาวะสมองเสื่อมอัลไซเมอร์. Curr จิตเวชศาสตร์ ตัวแทน 3, 20–28
[29] Li X , Wang X , Su L , Hu X , Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE): พิธีสารสำหรับการศึกษาเชิงสังเกตตามยาวของจีนเพื่อพัฒนารูปแบบการทำนายความเสี่ยงของการแปลงเป็นความบกพร่องทางสติปัญญาเล็กน้อยในบุคคลที่มีการรับรู้แบบอัตนัย ปฏิเสธ. บีเอ็มเจ โอเพ่น 9, e028188.
[30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) ความแปรปรวนของความก้าวหน้าของ biomarker ห้าปีสำหรับ โรคสมองเสื่อมอัลไซเมอร์ การทำนาย: กิจกรรมเครื่องมือที่ซับซ้อนของเครื่องหมายชีวิตประจำวันสามารถเติมเต็มช่องว่างได้หรือไม่? สมองเสื่อม (แอมสต์) 1, 521–532.
[31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) การป้องกันและรักษาโรคอัลไซเมอร์: กลไกทางชีวภาพของการออกกำลังกาย เจ อัลไซเมอร์ ดิส 69, 311–338.
[32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) การบำบัดสำหรับ การป้องกันและรักษาโรคอัลไซเมอร์. Biomed Res Int 2016, 2589276
[33] Lane CA , Barnes J , Nicholas JM , Sudre CH , Cash DM , Malone IB , Parker TD , Keshavan A , Buchanan SM , Keuss SE , James SN , Lu K , Murray-Smith H , Wong A , Gordon E , Coath W , Modat M , Thomas D , Richards M , Fox NC , Schott JM (2020) ความสัมพันธ์ระหว่างความเสี่ยงของหลอดเลือดในวัยผู้ใหญ่และพยาธิสภาพของสมองในช่วงปลายชีวิต: หลักฐานจากกลุ่มที่เกิดในอังกฤษ JAMA Neurol 77, 175–183.
[34] Seshadri S (2020) การป้องกันภาวะสมองเสื่อมเกินอายุและกล่องอะไมลอยด์ JAMA Neurol 77, 160–161.
[35] Maillard P , Seshadri S , Beiser A , Himali JJ , Au R , Fletcher E , Carmichael O , Wolf PA , DeCarli C (2012) ผลของความดันโลหิตซิสโตลิกต่อความสมบูรณ์ของสารสีขาวในคนหนุ่มสาวในการศึกษา Framingham Heart: A cross -การศึกษาแบบแยกส่วน มีดหมอ Neurol 11, 1039–1047
[36] Fink HA , Linskens EJ , Silverman PC , McCarten JR , Hemmy LS , Ouellette JM , Greer NL , Wilt TJ , Butler M (2020) ความแม่นยำของการทดสอบ biomarker สำหรับการกำหนดทางพยาธิวิทยา โรคอัลไซเมอร์ในผู้สูงอายุที่มีภาวะสมองเสื่อม. แอน แพทย์ฝึกหัด 172, 669–677.

ความร่วมมือ: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] ภาควิชาวิศวกรรมคอมพิวเตอร์และไฟฟ้าและวิทยาการคอมพิวเตอร์ Florida Atlantic University, Boca Raton, FL, USA | [c] SJN Biomed LTD, คุนหมิง, ยูนนาน, จีน | [d] ศูนย์สำหรับ การวิจัยโรคอัลไซเมอร์, Washington Institute of Clinical Research วอชิงตัน ดี.ซี. สหรัฐอเมริกา | [e] ภาควิชาเวชศาสตร์ฟื้นฟู โรงพยาบาลในเครือแห่งแรกของมหาวิทยาลัยการแพทย์คุนหมิง เมืองคุนหมิง มณฑลยูนนาน ประเทศจีน | [ฉ] แผนกประสาทวิทยา โรงพยาบาลประชาชนเต๋อหง เมืองเต๋อหง ยูนนาน จีน | [g] แผนกประสาทวิทยา โรงพยาบาลในเครือแห่งแรกของมหาวิทยาลัยการแพทย์คุนหมิง เขตหวู่หัว เมืองคุนหมิง มณฑลยูนนาน ประเทศจีน | [h] ศูนย์ศึกษาความเจ็บป่วยและการบาดเจ็บที่เกี่ยวข้องกับสงคราม VA Palo Alto การดูแลสุขภาพ ระบบ, พาโลอัลโต, แคลิฟอร์เนีย, สหรัฐอเมริกา | [i] ภาควิชาจิตเวชศาสตร์และพฤติกรรมศาสตร์, Stanford University School of Medicine, Palo Alto, CA, USA

การติดต่อ: [*] ติดต่อกับ: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA อีเมล์: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, ภาควิชาประสาทวิทยา, โรงพยาบาลในเครือแห่งแรกของ Kunming Medical University, 295 Xichang Road, Wuhua District, Kunming, Yunnan Province 650032, China อีเมล์: ring@vip.163.com.

คำสำคัญ: อายุ, โรคอัลไซเมอร์, ภาวะสมองเสื่อม , การตรวจมวล