Utility ng MemTrax at Machine Learning Modeling sa Pag-uuri ng Banayad na Cognitive Impairment
Artikulo sa Pananaliksik
Mga May-akda: Bergeron, Michael F. | Landset, Sara | Zhou, Xianbo | Ding, Tao | Khoshgoftaar, Taghi M. | Zhao, Feng | Du, Bo | Chen, Xinjie | Wang, Xuan | Zhong, Lianmei | Liu, Xiaolei| Ashford, J. Wesson
DOI: 10.3233/JAD-191340
Journal: Journal ng Alzheimer's Disease, vol. 77, hindi. 4, pp. 1545-1558, 2020
abstract
Background:
Ang malawakang saklaw at pagkalat ng Sakit na Alzheimer at mild cognitive impairment (MCI) ay nag-udyok ng isang agarang tawag para sa pananaliksik upang patunayan ang maagang pagtuklas ng cognitive screening at pagtatasa.
Layunin:
Ang aming pangunahing layunin ng pananaliksik ay upang matukoy kung ang mga napiling sukatan ng pagganap ng MemTrax at may-katuturang mga demograpiko at mga katangian ng profile ng kalusugan ay maaaring epektibong magamit sa mga predictive na modelo na binuo gamit ang machine learning upang pag-uri-uriin ang kalusugan ng pag-iisip (normal kumpara sa MCI), tulad ng ipahiwatig ng Pagtatasa sa Cognitive ng Montreal (MoCA).
Paraan:
Nagsagawa kami ng cross-sectional na pag-aaral sa 259 neurology, memory clinic, at internal medicine na mga pasyenteng nasa hustong gulang na na-recruit mula sa dalawang mga ospital sa China. Ang bawat pasyente ay binigyan ng Chinese-language na MoCA at pinangangasiwaan ng sarili ang patuloy na pagkilala sa MemTrax online episodic pagsubok ng memorya online sa parehong araw. Ang mga modelo ng predictive classification ay binuo gamit ang machine learning na may 10-fold cross validation, at ang performance ng modelo ay sinusukat gamit ang Area Under the Receiver Operating Characteristic Curve (AUC). Binuo ang mga modelo gamit ang dalawang sukatan ng pagganap ng MemTrax (percent tama, oras ng pagtugon), kasama ang walong karaniwang tampok ng demograpiko at personal na kasaysayan.
Mga Resulta:
Ang paghahambing ng mga mag-aaral sa mga piling kumbinasyon ng mga marka at threshold ng MoCA, ang Naïve Bayes sa pangkalahatan ay ang nangungunang mag-aaral na may pangkalahatang pagganap ng pag-uuri na 0.9093. Dagdag pa, sa mga nangungunang tatlong mag-aaral, ang pagganap ng pag-uuri na nakabatay sa MemTrax sa pangkalahatan ay mas mataas gamit lamang ang nangungunang apat na tampok (0.9119) kumpara sa paggamit ng lahat ng 10 karaniwang tampok (0.8999).
Paghihinuha:
Ang pagganap ng MemTrax ay maaaring epektibong magamit sa isang machine learning classification predictive model screening application para sa pag-detect ng maagang yugto ng cognitive impairment.
PANIMULA
Ang kinikilalang (kahit hindi na-diagnosed) ang malawakang pagkalat ng insidente at pagkalat at parallel na lumalaking medikal, panlipunan, at pampubliko kalusugan Ang mga gastos at pasanin ng Alzheimer's disease (AD) at mild cognitive impairment (MCI) ay lalong nagpapahirap para sa lahat ng stakeholder [1, 2]. Ang nakababahalang at burges na senaryo na ito ay nag-udyok ng isang agarang panawagan para sa pananaliksik na patunayan maagang pagtuklas cognitive screening at mga instrumento sa pagtatasa para sa regular na praktikal na gamit sa mga personal at klinikal na setting para sa mga matatandang pasyente sa magkakaibang rehiyon at populasyon [3]. Ang mga instrumentong ito ay dapat ding magbigay ng tuluy-tuloy na pagsasalin ng mga resultang nagbibigay-kaalaman sa mga elektronikong talaan ng kalusugan. Ang mga benepisyo ay maisasakatuparan sa pamamagitan ng pagpapaalam sa mga pasyente at pagtulong sa mga doktor sa pagkilala ng mga makabuluhang pagbabago nang mas maaga at sa gayon ay magbibigay-daan sa mas maagap at napapanahong pagsasapin, pagpapatupad, at pagsubaybay ng naaangkop na indibidwal at mas matipid na paggamot at pangangalaga sa pasyente para sa mga nagsisimulang makaranas cognitive decline [3, 4].
Ang computerized MemTrax tool (https://memtrax.com) ay isang simple at maikling tuluy-tuloy na pagtatasa ng pagkilala na maaaring pangasiwaan ng sarili online upang sukatin ang mapaghamong pagganap ng memorya na may oras na episodic kung saan ang user ay tumutugon sa paulit-ulit na mga larawan at hindi sa isang paunang pagtatanghal [5, 6]. Ang kamakailang pananaliksik at nagreresultang mga praktikal na implikasyon ay nagsisimula nang progresibo at sama-samang nagpapakita ng klinikal na bisa ng MemTrax sa unang bahagi ng AD at MCI screening [5–7]. Gayunpaman, direktang paghahambing ng klinikal na utility sa umiiral na nagbibigay-malay na kalusugan Ang pagtatasa at mga karaniwang pamantayan ay kinakailangan upang ipaalam ang propesyonal na pananaw at patunayan ang utility ng MemTrax sa maagang pagtuklas at suporta sa diagnostic. van der Hoek et al. [8] inihambing ang mga napiling sukatan ng pagganap ng MemTrax (bilis ng reaksyon at tama ang porsyento) sa katayuang nagbibigay-malay na tinutukoy ng Montreal Cognitive Assessment (MoCA). Gayunpaman, ang pag-aaral na ito ay limitado sa pag-uugnay ng mga sukatan ng pagganap na ito sa paglalarawan ng katayuang nagbibigay-malay (tulad ng tinutukoy ng MoCA) at pagtukoy sa mga kamag-anak na hanay at mga halaga ng cutoff. Alinsunod dito, upang palawakin ang pagsisiyasat na ito at pagbutihin ang pagganap at pagiging epektibo ng pag-uuri, ang aming pangunahing tanong sa pananaliksik ay:
- Maaari bang pumili ng mga sukatan ng pagganap ng MemTrax at nauugnay na demograpiko at kalusugan ng isang indibidwal profile ang mga katangian ay epektibong magagamit sa isang predictive na modelo na binuo gamit ang machine learning para i-classify ang cognitive health nang dichotomously (normal versus MCI), gaya ng ipinapahiwatig ng MoCA score ng isang tao?
Pangalawa dito, nais naming malaman:
- Kasama ang parehong mga tampok, maaari bang epektibong mailapat ang isang modelo ng machine learning na nakabatay sa pagganap ng MemTrax sa isang pasyente upang mahulaan ang kalubhaan (banayad kumpara sa malala) sa loob ng mga piling kategorya ng kapansanan sa pag-iisip na matutukoy ng isang independiyenteng klinikal na diagnosis?
Ang pagdating at umuusbong na praktikal na aplikasyon ng artificial intelligence at machine learning sa screening/detection ay nagpakita na ng natatanging praktikal na mga pakinabang, na may predictive modeling na epektibong gumagabay sa mga clinician sa mapaghamong pagtatasa ng cognitive/brain health at pamamahala ng pasyente. Sa aming pag-aaral, pumili kami ng isang katulad na diskarte sa pagmomodelo ng pag-uuri ng MCI at diskriminasyon sa kalubhaan ng cognitive impairment bilang nakumpirma ng klinikal na diagnosis mula sa tatlong mga dataset na kumakatawan sa mga napiling boluntaryong inpatient at outpatient mula sa dalawang ospital sa China. Gamit ang predictive modeling sa machine learning, natukoy namin ang mga nag-aaral na may pinakamataas na performance mula sa iba't ibang kumbinasyon ng dataset/mag-aaral at niraranggo namin ang mga feature para gabayan kami sa pagtukoy sa mga pinakapraktikal na application ng modelo sa klinikal.
Ang aming mga hypotheses ay ang isang validated na MemTrax-based na modelo ay maaaring magamit upang pag-uri-uriin ang cognitive health na dichotomously (normal o MCI) batay sa MoCA aggregate score threshold criterion, at ang isang katulad na MemTrax predictive model ay maaaring epektibong magamit sa diskriminasyon sa kalubhaan sa mga piling kategorya ng clinically diagnosed nagbibigay-malay pagpapahina. Ang pagpapakita ng mga inaasahang resulta ay magiging instrumento sa pagsuporta sa bisa ng MemTrax bilang isang screen ng maagang pagtuklas para sa pagbaba ng cognitive at pag-uuri ng cognitive impairment. Ang paborableng paghahambing sa isang pamantayang sinasabing industriya na kinukumpleto ng higit na kadalian at bilis ng utility ay magiging maimpluwensyahan sa pagtulong sa mga clinician na gamitin ang simple, maaasahan, at naa-access na tool na ito bilang isang paunang screen sa pag-detect ng maagang (kabilang ang prodromal) na mga yugto ng cognitive deficits. Ang ganitong diskarte at utility ay maaaring mag-udyok ng mas napapanahon at mas mahusay na stratified na pangangalaga at interbensyon ng pasyente. Ang mga pananaw na ito sa pasulong na pag-iisip at mga pinahusay na sukatan at modelo ay maaari ding makatulong sa pagpapagaan o paghinto ng pag-unlad ng dementia, kabilang ang AD at AD-related dementias (ADRD).
MGA MATERYAL AT MGA PARAAN
Pag aralan ang popolasyon
Sa pagitan ng Enero 2018 at Agosto 2019, natapos ang cross-sectional na pananaliksik sa mga pasyenteng na-recruit mula sa dalawang ospital sa China. Ang pangangasiwa ng MemTrax [5] sa mga indibidwal na may edad na 21 taong gulang pataas at ang pagkolekta at pagsusuri ng mga datos na iyon ay sinuri at inaprubahan ng at pinangangasiwaan alinsunod sa mga pamantayang etikal ng Tao Subject Protection Committee ng Stanford University. Ang MemTrax at lahat ng iba pang pagsubok para sa pangkalahatang pag-aaral na ito ay isinagawa ayon sa deklarasyon ng Helsinki ng 1975 at inaprubahan ng Institutional Review Board ng First Affiliated Hospital ng Kunming Medical University sa Kunming, Yunnan, China. Ang bawat gumagamit ay binigyan ng isang alam na pahintulot form para basahin/repaso at pagkatapos ay kusang sumang-ayon na lumahok.
Ang mga kalahok ay na-recruit mula sa pool ng mga outpatient sa klinika ng neurology sa Yanhua Hospital (YH sub-dataset) at ang memory clinic sa First Affiliated Hospital ng Kunming Medical Unibersidad (XL sub-dataset) sa Beijing, China. Ang mga kalahok ay na-recruit din mula sa neurology (XL sub-dataset) at internal medicine (KM sub-dataset) na mga inpatient sa First Affiliated Hospital ng Kunming Medical University. Kasama sa pamantayan sa pagsasama ang 1) mga lalaki at babae na hindi bababa sa 21 taong gulang, 2) kakayahang magsalita ng Chinese (Mandarin), at 3) kakayahang maunawaan ang mga pandiwang at nakasulat na direksyon. Ang mga pamantayan sa pagbubukod ay ang mga kapansanan sa paningin at motor na pumipigil sa mga kalahok sa pagkumpleto ng Pagsubok sa MemTrax, pati na rin ang kawalan ng kakayahang maunawaan ang mga partikular na tagubilin sa pagsubok.
Chinese na bersyon ng MemTrax
Ang online Ang platform ng pagsubok sa MemTrax ay isinalin sa Chinese (URL: https://www.memtrax.com.cn) at higit pang iniangkop upang magamit sa pamamagitan ng WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) para sa self-administration. Ang data ay inimbak sa isang cloud server (Ali Cloud) na matatagpuan sa China at lisensyado mula sa Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, China) ng SJN Biomed LTD (Kunming, Yunnan, China). Ang mga partikular na detalye sa MemTrax at pamantayan sa validity ng pagsubok na ginamit dito ay inilarawan dati [6]. Ang pagsusulit ay ibinigay nang walang bayad sa mga pasyente.
Mga pamamaraan ng pag-aaral
Para sa mga inpatient at outpatient, isang pangkalahatang papel na questionnaire para sa pagkolekta ng demograpiko at personal na impormasyon tulad ng edad, kasarian, taon ng edukasyon, trabaho, namumuhay mag-isa o kasama ang pamilya, at ang medikal na kasaysayan ay pinangangasiwaan ng isang miyembro ng pangkat ng pag-aaral. Kasunod ng pagkumpleto ng questionnaire, ang MoCA [12] at MemTrax na pagsusulit ay pinangangasiwaan (MoCA muna) nang hindi hihigit sa 20 minuto sa pagitan ng mga pagsubok. Ang porsyento ng MemTrax na tama (MTx-% C), mean response time (MTx-RT), at petsa at oras ng pagsubok ay naitala sa papel ng isang miyembro ng pangkat ng pag-aaral para sa bawat kalahok na nasuri. Ang nakumpletong talatanungan at ang mga resulta ng MoCA ay na-upload sa isang Excel spreadsheet ng mananaliksik na nangasiwa sa mga pagsubok at na-verify ng isang kasamahan bago nai-save ang mga Excel file para sa mga pagsusuri.
Pagsubok sa MemTrax
Kasama sa online na pagsubok ng MemTrax ang 50 larawan (25 natatangi at 25 na pag-uulit; 5 set ng 5 larawan ng mga karaniwang eksena o bagay) na ipinapakita sa isang partikular na pseudo-random na pagkakasunud-sunod. Pipindutin ng kalahok (bawat tagubilin) ang Start button sa screen upang simulan ang pagsubok at simulang tingnan ang serye ng larawan at muling hahawakan ang larawan sa screen sa lalong madaling panahon sa tuwing may lalabas na paulit-ulit na larawan. Ang bawat larawan ay lumitaw sa loob ng 3 s o hanggang sa ang imahe sa screen ay nahawakan, na nag-udyok sa agarang pagtatanghal ng susunod na larawan. Gamit ang panloob na orasan ng lokal na device, ang MTx-RT para sa bawat larawan ay tinutukoy ng lumipas na oras mula sa pagtatanghal ng larawan hanggang sa kung kailan hinawakan ng kalahok ang screen bilang tugon sa pagtukoy ng pagkilala sa larawan bilang isa na naipakita na. sa panahon ng pagsusulit. Ang MTx-RT ay naitala para sa bawat larawan, na may buong 3 s na naitala na nagpapahiwatig ng walang tugon. Ang MTx-% C ay kinakalkula upang isaad ang porsyento ng paulit-ulit at mga paunang larawan kung saan tumugon nang tama ang user (true positive + true negative na hinati sa 50). Ang mga karagdagang detalye ng pangangasiwa at pagpapatupad ng MemTrax, pagbabawas ng data, di-wasto o "walang tugon" na data, at mga pagsusuri sa pangunahing data ay inilarawan sa ibang lugar [6].
Ang pagsusulit sa MemTrax ay ipinaliwanag nang detalyado at isang pagsubok sa pagsasanay (na may mga natatanging larawan maliban sa mga ginamit sa pagsusulit para sa pagre-record ng mga resulta) ay ibinigay sa mga kalahok sa setting ng ospital. Ang mga kalahok sa YH at KM sub-datasets ay kumuha ng MemTrax test sa isang smartphone na na-load ng application sa WeChat; samantalang ang isang limitadong bilang ng mga XL sub-dataset na pasyente ay gumamit ng iPad at ang iba ay gumamit ng isang smartphone. Ang lahat ng mga kalahok ay kumuha ng pagsusulit sa MemTrax na may isang investigator sa pag-aaral na walang pakialam na nagmamasid.
Pagtatasa ng nagbibigay-malay sa Montreal
Ang bersyon ng Beijing ng Chinese MoCA (MoCA-BC) [13] ay pinangangasiwaan at minarkahan ng mga sinanay na mananaliksik ayon sa opisyal na tagubilin sa pagsusulit. Angkop, ang MoCA-BC ay ipinakita na isang maaasahan pagsubok para sa cognitive screening sa lahat ng antas ng edukasyon sa mga matatandang Tsino [14]. Ang bawat pagsusulit ay tumagal ng humigit-kumulang 10 hanggang 30 minuto upang maisagawa batay sa kani-kanilang mga kakayahan sa pag-iisip ng kalahok.
Pagmomodelo ng klasipikasyon ng MoCA
Mayroong kabuuang 29 na magagamit na mga tampok, kabilang ang dalawang MemTrax pagsubok ng mga sukatan ng performance at 27 feature na nauugnay sa demograpiko at kalusugan impormasyon para sa bawat kalahok. Ang pinagsama-samang marka ng pagsusulit ng MoCA ng bawat pasyente ay ginamit bilang ang pag-screen ng nagbibigay-malay "benchmark" upang sanayin ang aming mga predictive na modelo. Alinsunod dito, dahil ginamit ang MoCA upang lumikha ng label ng klase, hindi namin magagamit ang pinagsama-samang marka (o alinman sa mga marka ng subset ng MoCA) bilang isang independiyenteng tampok. Nagsagawa kami ng mga paunang eksperimento kung saan itinulad namin (pag-uuri ng kalusugan ng cognitive na tinukoy ng MoCA) ang orihinal na tatlong sub-dataset ng (mga) ospital/klinika at pagkatapos ay pinagsama gamit ang lahat ng feature. Gayunpaman, ang lahat ng parehong elemento ng data ay hindi nakolekta sa bawat isa sa apat na klinika na kumakatawan sa tatlong sub-dataset; kaya, marami sa aming mga tampok sa pinagsamang dataset (kapag ginagamit ang lahat ng mga tampok) ay may mataas na saklaw ng mga nawawalang halaga. Pagkatapos ay bumuo kami ng mga modelo na may pinagsamang dataset gamit lamang ang mga karaniwang feature na nagresulta sa pinahusay na pagganap ng pag-uuri. Ito ay malamang na ipinaliwanag sa pamamagitan ng isang kumbinasyon ng pagkakaroon ng higit pang mga pagkakataon upang gumana sa pamamagitan ng pagsasama-sama ng tatlong mga sub-dataset ng pasyente at walang mga tampok na may hindi nararapat na pagkalat ng mga nawawalang halaga (isang tampok lamang sa pinagsamang dataset, uri ng trabaho, may anumang nawawalang mga halaga, na nakakaapekto sa tatlong kaso lang ng pasyente), dahil ang mga karaniwang feature lang na naitala sa lahat ng tatlong site ang kasama. Kapansin-pansin, wala kaming partikular na pamantayan sa pagtanggi para sa bawat feature na sa huli ay hindi kasama sa pinagsamang dataset. Gayunpaman, sa aming paunang pinagsamang pagmomodelo ng dataset, ginamit muna namin ang lahat ng feature mula sa bawat isa sa tatlong magkakahiwalay na sub-dataset ng pasyente. Malawak itong nagresulta sa pagganap ng modelo na mas mababa kaysa sa paunang paunang pagmomodelo sa bawat indibidwal na sub-dataset. Bukod dito, kahit na ang pagganap ng pag-uuri ng mga modelo na binuo gamit ang lahat ng mga tampok ay nakapagpapatibay, sa lahat ng mga nag-aaral at mga scheme ng pag-uuri, ang pagganap ay bumuti para sa dalawang beses na mas maraming mga modelo kapag gumagamit lamang ng mga karaniwang tampok. Sa katunayan, kabilang sa naging aming nangungunang mga nag-aaral, lahat maliban sa isang modelo ay bumuti nang maalis ang mga hindi karaniwang feature.
Ang panghuling pinagsama-samang dataset (YH, XL, at KM na pinagsama) ay may kasamang 259 na pagkakataon, bawat isa ay kumakatawan sa isang natatanging kalahok na kumuha ng parehong MemTrax at MoCA na pagsusulit. Mayroong 10 nakabahaging independiyenteng feature: Mga sukatan ng pagganap ng MemTrax: MTx-% C at mean MTx-RT; impormasyon sa demograpiko at medikal na kasaysayan: edad, kasarian, taon ng edukasyon, uri ng trabaho (blue collar/white collar), suporta sa lipunan (kung ang kukuha ng pagsusulit ay nabubuhay mag-isa o kasama ang pamilya), at oo/hindi ang mga sagot kung ang gumagamit ay may kasaysayan ng diabetes, hyperlipidemia, o traumatikong pinsala sa utak. Dalawang karagdagang sukatan, ang pinagsama-samang marka ng MoCA at pinagsama-samang marka ng MoCA na naayos para sa mga taon ng edukasyon [12], ay ginamit nang hiwalay upang bumuo ng mga nakadependeng label ng pag-uuri, kaya lumilikha ng dalawang natatanging mga scheme ng pagmomolde na ilalapat sa aming pinagsamang dataset. Para sa bawat bersyon (naayos at hindi nababagay) ng marka ng MoCA, ang data ay muling hiwalay na namodelo para sa binary na pag-uuri gamit ang dalawang magkaibang criterion threshold—ang una ay inirerekomenda [12] at isang kahaliling halaga na ginamit at na-promote ng iba [8, 15]. Sa alternatibong pamamaraan ng pag-uuri ng threshold, ang isang pasyente ay itinuturing na may normal na kalusugan ng pag-iisip kung nakakuha siya ng ≥23 sa pagsusulit sa MoCA at pagkakaroon ng MCI kung ang marka ay 22 o mas mababa; samantalang, sa paunang inirerekumendang format ng pag-uuri, ang pasyente ay kailangang makakuha ng 26 o mas mataas sa MoCA upang ma-label bilang may normal na kalusugan ng pag-iisip.
Na-filter na data para sa pagmomodelo ng klasipikasyon ng MoCA
Sinuri pa namin ang pag-uuri ng MoCA gamit ang apat na karaniwang ginagamit na diskarte sa pagraranggo ng tampok: Chi-Squared, Gain Ratio, Information Gain, at Symmetrical Uncertainty. Para sa pansamantalang pananaw, inilapat namin ang mga ranker sa buong pinagsamang dataset gamit ang bawat isa sa aming apat na scheme ng pagmomodelo. Sumang-ayon ang lahat ng rankers sa parehong nangungunang feature, ibig sabihin, edad, bilang ng mga taon ng edukasyon, at parehong sukatan ng pagganap ng MemTrax (MTx-% C, ibig sabihin MTx-RT). Pagkatapos ay itinayo namin muli ang mga modelo gamit ang bawat diskarte sa pagpili ng tampok upang sanayin ang mga modelo sa nangungunang apat na tampok lamang (tingnan Pagpipilian sa tampok na ito sa ibaba).
Ang nagreresultang huling walong mga pagkakaiba-iba ng mga scheme ng pagmomolde ng pag-uuri ng marka ng MoCA ay ipinakita sa Talahanayan 1.
Talahanayan 1
Buod ng mga variation ng scheme ng pagmomodelo na ginamit para sa pag-uuri ng MoCA (Normal Kalusugan ng Kognitibo laban sa MCI)
| Modeling Scheme | Normal na Cognitive Health (Negatibong Klase) | MCI (Positibong Klase) |
| Inayos-23 Hindi Na-filter/Na-filter | 101 (39.0%) | 158 (61.0%) |
| Inayos-26 Hindi Na-filter/Na-filter | 49 (18.9%) | 210 (81.1%) |
| Hindi Naayos-23 Hindi Na-filter/Na-filter | 92 (35.5%) | 167 (64.5%) |
| Hindi Naayos-26 Hindi Na-filter/Na-filter | 42 (16.2%) | 217 (83.8%) |
Naiiba ang kani-kanilang bilang at porsyento ng kabuuang mga pasyente sa bawat klase sa pamamagitan ng pagsasaayos ng marka para sa edukasyon (Naayos o Hindi Naayos) at threshold ng pag-uuri (23 o 26), gaya ng inilapat sa parehong hanay ng tampok (Hindi Na-filter at Na-filter).
Pagmomodelo ng klinikal na pagsusuri na nakabatay sa MemTrax
Sa aming tatlong orihinal na sub-datasets (YH, XL, KM), tanging ang XL sub-dataset na mga pasyente ang independiyenteng nasuri sa klinika para sa cognitive impairment (ibig sabihin, ang kani-kanilang mga marka ng MoCA ay hindi ginamit sa pagtatatag ng isang pag-uuri ng normal kumpara sa may kapansanan). Sa partikular, ang mga pasyente ng XL ay nasuri sa alinman Pagsusuri sa sakit na Alzheimer (AD) o vascular dementia (VaD). Sa loob ng bawat isa sa mga pangunahing kategorya ng diagnosis na ito, mayroong karagdagang pagtatalaga para sa MCI. Ang mga diagnosis ng MCI, dementia, vascular neurocognitive disorder, at neurocognitive disorder dahil sa AD ay batay sa tiyak at natatanging diagnostic na pamantayan na nakabalangkas sa Diagnostic and Statistical Manual of Mental Disorders: DSM-5 [16]. Isinasaalang-alang ang mga pinong diagnosis na ito, dalawang scheme ng pagmomodelo ng pag-uuri ang hiwalay na inilapat sa sub-dataset ng XL upang makilala ang antas ng kalubhaan (degree ng kapansanan) para sa bawat pangunahing kategorya ng diagnosis. Ang data na ginamit sa bawat isa sa mga diagnostic modeling scheme na ito (AD at VaD) ay kasama ang impormasyon ng demograpiko at kasaysayan ng pasyente, pati na rin ang pagganap ng MemTrax (MTx-% C, ibig sabihin ng MTx-RT). Ang bawat diagnosis ay may label na banayad kung itinalagang MCI; kung hindi, ito ay itinuturing na malubha. Una naming isinaalang-alang ang pagsasama ng marka ng MoCA sa mga modelo ng diagnosis (banayad laban sa malubha); ngunit natukoy namin na matatalo nito ang layunin ng aming pangalawang predictive modeling scheme. Dito ay sasanayin ang mga mag-aaral gamit ang iba pang mga katangian ng pasyente na madaling makuha ng provider at mga sukatan ng pagganap ng mas simpleng pagsubok sa MemTrax (kapalit ng MoCA) laban sa sanggunian na "gold standard", ang independiyenteng klinikal na diagnosis. Mayroong 69 na pagkakataon sa dataset ng diagnosis ng AD at 76 na pagkakataon ng VaD (Talahanayan 2). Sa parehong mga dataset, mayroong 12 independiyenteng feature. Bilang karagdagan sa 10 mga tampok na kasama sa pag-uuri ng marka ng MoCA, ang kasaysayan ng pasyente ay kasama rin ang impormasyon sa kasaysayan ng hypertension at stroke.
Talahanayan 2
Buod ng mga pagkakaiba-iba ng scheme ng pagmomodelo na ginagamit para sa pag-uuri ng kalubhaan ng diagnosis (Mahinahon kumpara sa Malubha)
| Modeling Scheme | Banayad (Negatibong Klase) | Malubha (Positibong Klase) |
| MCI-AD kumpara sa AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD kumpara sa VaD | 38 (50.0%) | 38 (50.0%) |
Ang kani-kanilang bilang at porsyento ng kabuuang mga pasyente sa bawat klase ay pinag-iiba ayon sa kategorya ng pangunahing diagnosis (AD o VaD).
Istatistika
Ang paghahambing ng mga katangian ng kalahok at iba pang mga tampok na numero sa pagitan ng mga sub-dataset para sa bawat diskarte sa pag-uuri ng modelo (upang mahulaan ang kalusugan ng cognitive ng MoCA at kalubhaan ng diagnosis) ay isinagawa gamit ang Python programming language (bersyon 2.7.1) [17]. Ang mga pagkakaiba sa pagganap ng modelo ay unang natukoy gamit ang isang solong- o dalawang-factor (kung naaangkop) ANOVA na may 95% na agwat ng kumpiyansa at ang pagsubok ng Tukey honest makabuluhang pagkakaiba (HSD) upang ihambing ang paraan ng pagganap. Ang pagsusuring ito ng mga pagkakaiba sa pagitan ng mga pagtatanghal ng modelo ay isinagawa gamit ang kumbinasyon ng Python at R (bersyon 3.5.1) [18]. Ginamit namin ito (kahit na, masasabing mas mababa sa pinakamainam) na diskarte lamang bilang isang heuristic aid dito maagang yugto para sa paunang paghahambing ng pagganap ng modelo sa pag-asam ng potensyal na klinikal na aplikasyon. Pagkatapos ay ginamit namin ang Bayesian sign-rank test gamit ang posterior distribution upang matukoy ang posibilidad ng mga pagkakaiba sa pagganap ng modelo [19]. Para sa mga pagsusuring ito, ginamit namin ang pagitan -0.01, 0.01, na nagpapahiwatig na kung ang dalawang grupo ay may pagkakaiba sa pagganap na mas mababa sa 0.01, sila ay itinuturing na pareho (sa loob ng rehiyon ng praktikal na pagkakapareho), o kung hindi man sila ay magkaiba (isang mas mahusay kaysa sa Yung isa). Upang maisagawa ang paghahambing ng Bayesian ng mga classifier at kalkulahin ang mga probabilities na ito, ginamit namin ang baycomp library (bersyon 1.0.2) para sa Python 3.6.4.
Hulaang pagmomodelo
Bumuo kami ng mga predictive na modelo gamit ang sampung kabuuang variation ng aming mga modeling scheme para mahulaan (mauri) ang kinalabasan ng MoCA test ng bawat pasyente o kalubhaan ng clinical diagnosis. Ang lahat ng mga mag-aaral ay inilapat at ang mga modelo ay binuo gamit ang open source software platform na Weka [20]. Para sa aming paunang pagsusuri, gumamit kami ng 10 karaniwang ginagamit na algorithm sa pag-aaral: 5-Nearest Neighbors, dalawang bersyon ng C4.5 decision tree, Logistic Regression, Multilayer Perceptron, Naïve Bayes, dalawang bersyon ng Random Forest, Radial Basis Function Network, at Support Vector Makina. Ang mga pangunahing katangian at kaibahan ng mga algorithm na ito ay inilarawan sa ibang lugar [21] (tingnan ang kani-kanilang Appendix). Pinili ang mga ito dahil kinakatawan nila ang iba't ibang uri ng mga mag-aaral at dahil nagpakita kami ng tagumpay gamit ang mga ito sa mga nakaraang pagsusuri sa mga katulad na data. Ang mga setting ng hyper-parameter ay pinili mula sa aming nakaraang pananaliksik na nagpapahiwatig ng mga ito upang maging matatag sa iba't ibang iba't ibang data [22]. Batay sa mga resulta ng aming paunang pagsusuri gamit ang parehong pinagsamang dataset na may mga karaniwang feature na ginamit pagkatapos sa buong pagsusuri, natukoy namin ang tatlong mag-aaral na nagbibigay ng tuluy-tuloy na malakas na performance sa lahat ng klasipikasyon: Logistic Regression, Naïve Bayes, at Support Vector Machine.
Cross-validation at sukatan ng performance ng modelo
Para sa lahat ng predictive modeling (kabilang ang mga paunang pagsusuri), ang bawat modelo ay binuo gamit ang 10-fold cross validation, at ang pagganap ng modelo ay sinusukat gamit ang Area Under the Receiver Operating Characteristic Curve (AUC). Nagsimula ang cross-validation sa random na paghahati sa bawat isa sa 10 modeling scheme dataset sa 10 pantay na segment (folds), gamit ang siyam sa mga kaukulang segment na ito upang sanayin ang modelo at ang natitirang segment para sa pagsubok. Ang pamamaraang ito ay inulit ng 10 beses, gamit ang ibang segment bilang test set sa bawat pag-ulit. Pagkatapos ay pinagsama ang mga resulta upang kalkulahin ang resulta/pagganap ng panghuling modelo. Para sa bawat kumbinasyon ng learner/dataset, ang buong prosesong ito ay inulit ng 10 beses na ang data ay nahahati nang iba sa bawat pagkakataon. Ang huling hakbang na ito ay nagbawas ng bias, natiyak ang replicability, at nakatulong sa pagtukoy sa pangkalahatang pagganap ng modelo. Sa kabuuan (para sa MoCA score at diagnosis severity classification schemes pinagsama-sama), 6,600 na modelo ang binuo. Kasama rito ang 1,800 hindi na-filter na modelo (6 na modeling scheme na inilapat sa dataset×3 learners×10 run×10 folds = 1,800 models) at 4,800 filtered models (4 modelling scheme na inilapat sa dataset×3 learners×4 feature selection techniques×10 run× 10 tiklop = 4,800 modelo).
Pagpipilian sa tampok na ito
Para sa mga na-filter na modelo, ang pagpili ng tampok (gamit ang apat na paraan ng pagraranggo ng tampok) ay isinagawa sa loob ng cross-validation. Para sa bawat isa sa 10 fold, dahil ibang 10% ng dataset ang test data, tanging ang nangungunang apat na napiling feature para sa bawat training dataset (ibig sabihin, ang iba pang siyam na fold, o ang natitirang 90% ng buong dataset) ang ginamit upang bumuo ng mga modelo. Hindi namin nakumpirma kung aling apat na feature ang ginamit sa bawat modelo, dahil hindi nakaimbak o ginawang available ang impormasyong iyon sa loob ng modeling platform na ginamit namin (Weka). Gayunpaman, dahil sa pagkakapare-pareho sa aming paunang pagpili ng mga nangungunang feature noong ang mga ranker ay inilapat sa buong pinagsamang dataset at ang kasunod na pagkakatulad sa pagmomodelo ng mga performance, ang mga parehong feature na ito (edad, taon ng edukasyon, MTx-% C, at ibig sabihin ay MTx-RT ) ay malamang na ang pinakalaganap na nangungunang apat na ginamit kasabay ng pagpili ng tampok sa loob ng proseso ng cross-validation.
MGA RESULTA
Ang mga de-numerong katangian ng kalahok (kabilang ang mga marka ng MoCA at mga sukatan ng pagganap ng MemTrax) ng kani-kanilang mga dataset para sa bawat diskarte sa pag-uuri ng modelo upang mahulaan ang kalusugan ng pag-iisip na ipinahiwatig ng MoCA (normal kumpara sa MCI) at ang kalubhaan ng diagnosis (banayad kumpara sa malubha) ay ipinapakita sa Talahanayan 3.
Talahanayan 3
Mga katangian ng kalahok, mga marka ng MoCA, at pagganap ng MemTrax para sa bawat diskarte sa pag-uuri ng modelo
| Diskarte sa Pag-uuri | edad | Edukasyon | Inayos ang MoCA | Hindi Naayos ang MoCA | MTx-% C | MTx-RT |
| Kategorya ng MoCA | 61.9 y (13.1) | 9.6 y (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 s (0.3) |
| Kalubhaan ng Diagnosis | 65.6 y (12.1) | 8.6 y (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 s (0.3) |
Ang mga value na ipinakita (mean, SD) na pinag-iba ng mga diskarte sa pag-uuri ng pagmomodelo ay kinatawan ng pinagsamang dataset na ginamit para mahulaan ang MoCA-indicated cognitive health (MCI versus normal) at ang XL sub-dataset na ginamit lang para mahulaan ang kalubhaan ng diagnosis (banayad kumpara sa malala).
Para sa bawat kumbinasyon ng marka ng MoCA (naayos/hindi naayos) at threshold (26/23), nagkaroon ng pagkakaiba sa istatistika (p = 0.000) sa bawat pairwise na paghahambing (normal na cognitive health kumpara sa MCI) para sa edad, edukasyon, at pagganap ng MemTrax (MTx-% C at MTx-RT). Ang bawat sub-dataset ng pasyente sa kani-kanilang klase ng MCI para sa bawat kumbinasyon ay nasa average na humigit-kumulang 9 hanggang 15 taong mas matanda, nag-ulat ng humigit-kumulang limang mas kaunting taon ng edukasyon, at may hindi gaanong kanais-nais na pagganap ng MemTrax para sa parehong sukatan.
Ang mga resulta ng predictive modeling performance para sa mga klasipikasyon ng MoCA score gamit ang nangungunang tatlong mag-aaral, Logistic Regression, Naïve Bayes, at Support Vector Machine, ay ipinapakita sa Talahanayan 4. Ang tatlong ito ay pinili batay sa pinaka-pare-parehong mataas na ganap na pagganap ng mag-aaral sa lahat ng iba't ibang modelo inilapat sa mga dataset para sa lahat ng mga scheme ng pagmomodelo. Para sa hindi na-filter na dataset at pagmomodelo, ang bawat isa sa mga halaga ng data sa Talahanayan 4 ay nagpapahiwatig ng pagganap ng modelo batay sa kaukulang average ng AUC na nagmula sa 100 mga modelo (10 run × 10 fold) na binuo para sa bawat kumbinasyon ng learner/modeling scheme, na may kani-kanilang pinakamataas na gumaganap na mag-aaral na naka-bold. Samantalang para sa na-filter na pagmomodelo ng dataset, ang mga resulta na iniulat sa Talahanayan 4 ay sumasalamin sa pangkalahatang average na pagganap ng modelo mula sa 400 mga modelo para sa bawat mag-aaral gamit ang bawat isa sa mga pamamaraan ng pagraranggo ng tampok (4 na pamamaraan ng pagraranggo ng tampok × 10 tumatakbo × 10 fold).
Talahanayan 4
Dichotomous MoCA score classification performance (AUC; 0.0–1.0) na mga resulta para sa bawat isa sa tatlong top-performing learners para sa lahat ng kaukulang modelling scheme
| Nagamit na Set ng Tampok | Iskor ng MoCA | Cutoff Threshold | Logistic Regression | Naïve Bayes | Suportahan ang Vector Machine |
| Hindi na-filter (10 feature) | Inayos | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Hindi naayos | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Na-filter (4 na feature) | Inayos | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Hindi naayos | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Gamit ang mga variation ng feature set, MoCA score, at MoCA score cutoff threshold, ang pinakamataas na performance para sa bawat modeling scheme ay ipinapakita sa matapang (hindi kinakailangang naiiba sa istatistika kaysa sa lahat ng iba na wala sa matapang para sa kani-kanilang modelo).
Ang paghahambing ng mga mag-aaral sa lahat ng kumbinasyon ng mga bersyon ng marka ng MoCA at mga limitasyon (naayos/hindi nababagay at 23/26, ayon sa pagkakabanggit) sa pinagsamang hindi na-filter na dataset (ibig sabihin, gamit ang 10 karaniwang feature), ang Naïve Bayes ay karaniwang ang nangungunang mag-aaral na may pangkalahatang pagganap ng pag-uuri ng 0.9093. Isinasaalang-alang ang nangungunang tatlong mag-aaral, ang Bayesian-correlated signed-rank na mga pagsusulit ay nagpahiwatig na ang posibilidad (Pr) ng Naïve Bayes na lumalampas sa Logistic Regression ay 99.9%. Bukod dito, sa pagitan ng Naïve Bayes at Support Vector Machine, isang 21.0% na posibilidad ng praktikal na pagkakapantay-pantay sa pagganap ng mag-aaral (kaya, isang 79.0% na posibilidad ng Naïve Bayes na lumampas sa Support Vector Machine), kasama ng 0.0% na posibilidad ng Support Vector Machine na gumanap nang mas mahusay, na masusukat. pinatitibay ang kalamangan sa pagganap para sa Naïve Bayes. Ang karagdagang paghahambing ng bersyon ng marka ng MoCA sa lahat ng mga nag-aaral/mga limitasyon ay nagmungkahi ng bahagyang kalamangan sa pagganap gamit ang hindi naayos na mga marka ng MoCA kumpara sa naayos (0.9027 kumpara sa 0.8971, ayon sa pagkakabanggit; Pr (unadjusted > adjusted) = 0.988). Katulad nito, ang paghahambing ng cutoff threshold sa lahat ng mga mag-aaral at mga bersyon ng marka ng MoCA ay nagpahiwatig ng maliit na bentahe sa pagganap ng pag-uuri gamit ang 26 bilang threshold ng pag-uuri kumpara sa 23 (0.9056 kumpara sa 0.8942, ayon sa pagkakabanggit; Pr (26 > 23) = 0.999). Panghuli, ang pagsusuri sa pagganap ng pag-uuri para sa mga modelong gumagamit lamang ng mga na-filter na resulta (ibig sabihin, apat na feature lamang ang pinakamataas na ranggo), ang Naïve Bayes (0.9143) ay ayon sa bilang ang top-performing learner sa lahat ng MoCA score versions/thresholds. Gayunpaman, sa lahat ng pinagsama-samang diskarte sa pagraranggo ng tampok, lahat ng mga nag-aaral na may pinakamataas na pagganap ay gumanap nang katulad. Ang mga pagsubok na nilagdaan ng Bayesian ay nagpakita ng 100% na posibilidad ng praktikal na pagkakapareho sa pagitan ng bawat pares ng na-filter na mga mag-aaral. Tulad ng hindi na-filter na data (gamit ang lahat ng 10 karaniwang feature), nagkaroon muli ng kalamangan sa pagganap para sa hindi naayos na bersyon ng marka ng MoCA (Pr (unadjusted > adjusted) = 1.000), pati na rin ang isang katulad na natatanging bentahe para sa classification threshold na 26 (Pr (26 > 23) = 1.000). Kapansin-pansin, ang average na pagganap ng bawat isa sa nangungunang tatlong mag-aaral sa lahat ng mga bersyon/mga limitasyon ng marka ng MoCA gamit lamang ang nangungunang apat na feature ay lumampas sa average na pagganap ng sinumang mag-aaral sa hindi na-filter na data. Hindi kataka-taka, ang pagganap ng pag-uuri ng mga na-filter na modelo (gamit ang nangungunang apat na tampok) sa pangkalahatan ay higit na mataas (0.9119) kumpara sa mga hindi na-filter na modelo (0.8999), anuman ang mga modelo ng paraan ng pagraranggo ng tampok na inihambing sa kani-kanilang mga modelo gamit ang lahat ng 10 karaniwang mga tampok. Para sa bawat paraan ng pagpili ng tampok, mayroong 100% na posibilidad ng isang kalamangan sa pagganap sa mga hindi na-filter na modelo.
Sa mga pasyente na isinasaalang-alang para sa pag-uuri ng kalubhaan ng diagnosis ng AD, mga pagkakaiba sa pagitan ng pangkat (MCI-AD versus AD) para sa edad (p = 0.004), edukasyon (p = 0.028), inayos/hindi naayos ang marka ng MoCA (p = 0.000), at MTx-% C (p = 0.008) ay makabuluhan sa istatistika; samantalang para sa MTx-RT ay hindi (p = 0.097). Sa mga pasyenteng iyon na isinasaalang-alang para sa pag-uuri ng kalubhaan ng diagnosis ng VaD, mga pagkakaiba sa pagitan ng pangkat (MCI-VaD kumpara sa VaD) para sa marka ng MoCA na naayos/hindi nababagay (p = 0.007) at MTx-% C (p = 0.026) at MTx-RT (p = 0.001) ay makabuluhan sa istatistika; samantalang para sa edad (p = 0.511) at edukasyon (p = 0.157) walang makabuluhang pagkakaiba sa pagitan ng pangkat.
Ang mga resulta ng pagganap ng predictive modeling para sa mga klasipikasyon ng kalubhaan ng diagnosis gamit ang tatlong dating napiling mag-aaral, Logistic Regression, Naïve Bayes, at Support Vector Machine, ay ipinapakita sa Talahanayan 5. Samantalang ang mga karagdagang sinuri na mag-aaral ay nagpakita ng bahagyang mas malakas na pagganap nang paisa-isa sa isa sa dalawang kategorya ng klinikal na diagnosis , ang tatlong mag-aaral na natukoy namin bilang pinaka-kanais-nais sa aming nakaraang pagmomodelo ay nag-aalok ng pinaka-pare-parehong pagganap sa parehong mga bagong scheme ng pagmomodelo. Ang paghahambing ng mga mag-aaral sa bawat isa sa mga pangunahing kategorya ng diagnosis (AD at VaD), walang pare-parehong pagkakaiba sa performance ng pag-uuri sa pagitan ng mga mag-aaral para sa MCI-VaD kumpara sa VaD, bagama't sa pangkalahatan ay gumaganap nang mas kitang-kita ang Support Vector Machine. Katulad nito, walang makabuluhang pagkakaiba sa pagitan ng mga mag-aaral para sa MCI-AD kumpara sa AD na pag-uuri, bagaman ang Naïve Bayes (NB) ay may bahagyang kalamangan sa pagganap sa Logistic Regression (LR) at isang bale-wala lamang na mayorya sa Support Vector Machine, na may probabilidad na 61.4% at 41.7% ayon sa pagkakabanggit. Sa kabuuan ng parehong mga dataset, mayroong pangkalahatang kalamangan sa pagganap para sa Support Vector Machine (SVM), na may Pr (SVM > LR) = 0.819 at Pr (SVM > NB) = 0.934. Ang aming pangkalahatang pagganap ng pag-uuri sa lahat ng mga nag-aaral sa paghula sa kalubhaan ng diagnosis sa sub-dataset ng XL ay mas mahusay sa kategorya ng diagnosis ng VaD kumpara sa AD (Pr (VAD > AD) = 0.998).
Talahanayan 5
Dichotomous clinical diagnosis severity classification performance (AUC; 0.0–1.0) na mga resulta para sa bawat isa sa tatlong top-performing learners para sa parehong kaukulang modelling scheme
| Modeling Scheme | Logistic Regression | Naïve Bayes | Suportahan ang Vector Machine |
| MCI-AD kumpara sa AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD kumpara sa VaD | 0.8033 | 0.8044 | 0.8338 |
Ang pinakamataas na pagganap para sa bawat scheme ng pagmomodelo ay ipinapakita sa matapang (hindi kinakailangang naiiba sa istatistika kaysa sa iba na wala sa matapang).
Pagtalakay
Ang maagang pagtuklas ng mga pagbabago sa kalusugan ng pag-iisip ay mahalaga praktikal na gamit sa pamamahala ng personal na kalusugan at pampublikong kalusugan. Sa katunayan, ito rin ay napakataas na priyoridad sa mga klinikal na setting para sa mga pasyente sa buong mundo. Ang ibinahaging layunin ay upang alertuhan ang mga pasyente, tagapag-alaga, at tagapagbigay ng serbisyo at mag-udyok ng mas maagang naaangkop at matipid na paggamot at longitudinal na pangangalaga para sa mga nagsisimulang makaranas ng paghina ng cognitive. Pinagsasama ang aming tatlong subset ng data ng ospital/klinika, natukoy namin ang tatlong natatanging mas gustong mag-aaral (na may isang kapansin-pansing standout –Naïve Bayes) upang bumuo ng mga predictive na modelo na gumagamit ng Mga sukatan ng pagganap ng MemTrax na mapagkakatiwalaang mag-uuri ng katayuan sa kalusugan ng pag-iisip dichotomously (normal cognitive health o MCI) gaya ng ipinapahiwatig ng isang pinagsama-samang marka ng MoCA. Kapansin-pansin, ang pangkalahatang pagganap ng pag-uuri para sa lahat ng tatlong mag-aaral ay bumuti nang ang aming mga modelo ay gumamit lamang ng pinakamataas na ranggo na apat na tampok na pangunahing sumasaklaw sa mga sukatan ng pagganap ng MemTrax na ito. Bukod dito, inihayag namin ang matibay na potensyal para sa paggamit ng parehong mga nag-aaral at mga sukatan ng pagganap ng MemTrax sa isang diagnostic support classification modelling scheme upang makilala ang kalubhaan ng dalawang kategorya ng diagnosis ng dementia: AD at VaD.
Pagsubok sa memorya ay sentro sa maagang pagtuklas ng AD [23, 24]. Kaya, ito ay angkop na ang MemTrax ay isang katanggap-tanggap, nakakaengganyo, at madaling ipatupad online screening test para sa episodic memory sa pangkalahatang populasyon [6]. Ang katumpakan ng pagkilala at mga oras ng pagtugon mula sa tuluy-tuloy na gawain sa pagganap ay partikular na nagpapakita sa pagtukoy ng maaga at umuusbong na pagkasira at mga kahihinatnang kakulangan sa mga proseso ng neuroplastic na nauugnay sa pag-aaral, memorya, at katalusan. Iyon ay, ang mga modelo dito na higit na nakabatay sa mga sukatan ng pagganap ng MemTrax ay sensitibo sa at mas malamang na madaling at may kaunting gastos ay nagpapakita ng mga biological neuropathologic deficits sa panahon ng transitional asymptomatic na yugto bago ang mas malaking pagkawala ng pagganap [25]. Ashford et al. masusing sinuri ang mga pattern at pag-uugali ng katumpakan ng memorya ng pagkilala at oras ng pagtugon sa mga online na user na lumahok nang mag-isa gamit ang MemTrax [6]. Sa paggalang na ang mga distribusyon na ito ay kritikal sa pinakamainam na pagmomodelo at pagbuo ng wasto at epektibong mga aplikasyon sa pangangalaga ng pasyente, ang pagtukoy sa mga klinikal na naaangkop na pagkilala at mga profile ng oras ng pagtugon ay mahalaga sa pagtatatag ng isang mahalagang batayan na sanggunian para sa klinikal at pananaliksik na utility. Ang praktikal na halaga ng MemTrax sa AD screening para sa maagang yugto ng cognitive impairment at differential diagnostic support ay kailangang mas masusing suriin sa konteksto ng isang klinikal na setting kung saan maaaring isaalang-alang ang mga komorbididad at cognitive, sensory, at motor na kakayahan na nakakaapekto sa pagganap ng pagsubok. At upang ipaalam ang propesyonal na pananaw at hikayatin ang praktikal na klinikal na utility, kailangan munang magpakita ng paghahambing sa isang naitatag na pagsusuri sa pagsusuri ng kalusugang nagbibigay-malay, kahit na ang huli ay maaaring makilalang napipigilan ng masalimuot na pagsubok na logistik, edukasyon at mga hadlang sa wika, at mga impluwensya sa kultura [26] . Sa pagsasaalang-alang na ito, ang paborableng paghahambing ng MemTrax sa clinical efficacy sa MoCA na karaniwang sinasabi bilang isang pamantayan sa industriya ay makabuluhan, lalo na kapag tinitimbang ang higit na kadalian ng utility at pagtanggap ng pasyente ng MemTrax.
Ang nakaraang paggalugad ng paghahambing ng MemTrax sa MoCA ay nagha-highlight sa katwiran at paunang katibayan na ginagarantiyahan ang aming pagsisiyasat sa pagmomodelo [8]. Gayunpaman, ang naunang paghahambing na ito ay nauugnay lamang sa dalawang pangunahing sukatan ng pagganap ng MemTrax na sinuri namin sa katayuang nagbibigay-malay gaya ng tinutukoy ng MoCA at tinukoy ang kani-kanilang mga hanay at mga halaga ng cutoff. Pinalalim namin ang pagtatasa ng klinikal na utility ng MemTrax sa pamamagitan ng paggalugad ng predictive modeling-based na diskarte na magbibigay ng mas indibidwal na pagsasaalang-alang sa iba pang potensyal na nauugnay na mga parameter na partikular sa pasyente. Sa kaibahan sa iba, hindi kami nakahanap ng kalamangan sa pagganap ng modelo gamit ang isang pagwawasto ng edukasyon (pagsasaayos) sa marka ng MoCA o sa pag-iiba-iba ng cognitive health discriminating MoCA aggregate score threshold mula sa orihinal na inirerekomendang 26 hanggang 23 [12, 15]. Sa katunayan, ang kalamangan sa pagganap ng pag-uuri ay pinapaboran gamit ang hindi nababagay na marka ng MoCA at ang mas mataas na threshold.
Mga pangunahing punto sa klinikal na kasanayan
Ang machine learning ay kadalasang pinakamahusay na ginagamit at pinaka-epektibo sa predictive modeling kapag ang data ay malawak at multi-dimensional, ibig sabihin, kapag maraming mga obserbasyon at magkakasabay na malawak na hanay ng mga high-value (na nag-aambag) na mga katangian. Gayunpaman, sa kasalukuyang data na ito, ang mga na-filter na modelo na may apat na piling feature lang ay gumanap nang mas mahusay kaysa sa mga gumagamit ng lahat ng 10 karaniwang feature. Iminumungkahi nito na ang aming pinagsama-samang dataset ng ospital ay walang pinakaangkop sa klinika (mataas na halaga) na mga tampok upang mahusay na maiuri ang mga pasyente sa ganitong paraan. Gayunpaman, ang pagbibigay-diin sa pagraranggo ng tampok sa mga pangunahing sukatan ng pagganap ng MemTrax—MTx-% C at MTx-RT—ay mahigpit na sumusuporta sa pagbuo ng mga modelo ng pag-screen sa maagang yugto ng cognitive deficit sa paligid ng pagsusulit na ito na simple, madaling pangasiwaan, mura, at angkop na nagpapakita tungkol sa pagganap ng memorya, hindi bababa sa ngayon bilang isang paunang screen para sa isang binary na pag-uuri ng katayuan sa kalusugang nagbibigay-malay. Dahil sa patuloy na pagtaas ng strain sa mga provider at mga sistema ng pangangalagang pangkalusugan, ang mga proseso ng screening ng pasyente at mga klinikal na aplikasyon ay dapat na angkop na binuo na may diin sa pagkolekta, pagsubaybay, at pagmomodelo sa mga katangian ng pasyente at mga sukatan ng pagsubok na pinakakapaki-pakinabang, kapaki-pakinabang, at napatunayang epektibo sa diagnostic. at suporta sa pamamahala ng pasyente.
Dahil ang dalawang pangunahing sukatan ng MemTrax ay sentro sa pag-uuri ng MCI, ang aming top-performing learner (Naïve Bayes) ay nagkaroon ng napakataas na predictive performance sa karamihan ng mga modelo (AUC over 0.90) na may true-positive to false-positive ratio na malapit na o medyo lumampas sa 4 : 1. Ang isang pagsasaling klinikal na aplikasyon gamit ang mag-aaral na ito ay sa gayon ay makukuha (tama ang pag-uuri) sa karamihan ng mga may kakulangan sa pag-iisip, habang pinaliit ang gastos na nauugnay sa maling pag-uuri sa isang taong may normal na kalusugan ng pag-iisip bilang may kakulangan sa pag-iisip (false positive) o nawawala ang klasipikasyong iyon sa mga may kakulangan sa pag-iisip (false negative). Ang alinman sa mga sitwasyong ito ng maling pag-uuri ay maaaring magpataw ng hindi nararapat na psycho-social na pasanin sa pasyente at mga tagapag-alaga.
Samantalang sa paunang at buong pagsusuri ay ginamit namin ang lahat ng sampung mag-aaral sa bawat pamamaraan ng pagmomodelo, itinuon namin ang aming mga resulta sa tatlong mga classifier na nagpapakita ng pinaka-pare-parehong malakas na pagganap. Ito rin ay upang i-highlight, batay sa mga datos na ito, ang mga mag-aaral na inaasahang gumanap nang maaasahan sa isang mataas na antas sa isang praktikal na klinikal na aplikasyon sa pagtukoy ng cognitive status classification. Bukod dito, dahil ang pag-aaral na ito ay nilayon bilang panimulang pagsisiyasat sa utility ng machine learning sa cognitive screening at ang mga napapanahong klinikal na hamon na ito, nagpasya kaming panatilihing simple at pangkalahatan ang mga diskarte sa pag-aaral, na may kaunting pag-tune ng parameter. Pinahahalagahan namin na ang diskarteng ito ay maaaring limitado ang potensyal para sa mas makitid na tinukoy na mga kakayahan sa predictive na partikular sa pasyente. Gayundin, habang ang pagsasanay sa mga modelo gamit lamang ang mga nangungunang tampok (na-filter na diskarte) ay nagpapaalam sa amin ng higit pa tungkol sa mga data na ito (partikular sa mga pagkukulang sa data na nakolekta at pag-highlight ng halaga sa pag-optimize ng mahalagang klinikal na oras at mga mapagkukunan), kinikilala namin na ito ay napaaga upang makitid ang saklaw ng mga modelo at, samakatuwid, ang lahat (at iba pang mga tampok) ay dapat isaalang-alang sa hinaharap na pananaliksik hanggang sa magkaroon tayo ng mas tiyak na profile ng mga tampok na priyoridad na naaangkop sa malawak na populasyon. Kaya, lubos din naming kinikilala na ang higit pang inklusibo at malawak na kinatawan ng data at pag-optimize ng mga ito at iba pang mga modelo ay kinakailangan bago isama ang mga ito sa isang epektibong klinikal na aplikasyon, lalo na upang mapaunlakan ang mga komorbididad na nakakaapekto sa pagganap ng cognitive na kakailanganing isaalang-alang sa karagdagang pagsusuri sa klinikal.
Ang utility ng MemTrax ay higit na pinatibay ng pagmomodelo ng kalubhaan ng sakit batay sa hiwalay na klinikal na diagnosis. Ang isang mas mahusay na pangkalahatang pagganap ng pag-uuri sa paghula ng kalubhaan ng VaD (kumpara sa AD) ay hindi nakakagulat dahil sa mga feature ng profile ng pasyente sa mga modelong partikular sa kalusugan ng vascular at panganib sa stroke, ibig sabihin, hypertension, hyperlipidemia, diabetes, at (siyempre) kasaysayan ng stroke. Bagama't mas kanais-nais at angkop na magkaroon ng parehong klinikal na pagtatasa na isinagawa sa mga katugmang pasyente na may normal na kalusugan ng pag-iisip upang sanayin ang mga mag-aaral gamit ang mga mas inklusibong data na ito. Ito ay partikular na ginagarantiyahan, dahil ang MemTrax ay nilayon na gamitin pangunahin para sa maagang yugto ng pagtuklas ng isang kakulangan sa pag-iisip at kasunod na pagsubaybay sa indibidwal na pagbabago. Posible rin na ang mas kanais-nais na pamamahagi ng data sa VaD dataset ay nag-ambag sa isang bahagi sa medyo mas mahusay na pagganap ng pagmomodelo. Ang dataset ng VaD ay mahusay na balanse sa pagitan ng dalawang klase, samantalang ang AD dataset na may mas kaunting mga pasyente ng MCI ay hindi. Lalo na sa maliliit na dataset, kahit ilang karagdagang instance ay maaaring gumawa ng masusukat na pagkakaiba. Ang parehong mga pananaw ay mga makatwirang argumento na pinagbabatayan ng mga pagkakaiba sa pagganap ng pagmomodelo ng kalubhaan ng sakit. Gayunpaman, ang proporsyonal na pag-uugnay ng pinahusay na pagganap sa mga katangian ng numerong dataset o ang mga likas na tampok na partikular sa klinikal na pagtatanghal na isinasaalang-alang ay napaaga. Gayunpaman, ang nobelang ito ay nagpakita ng utility ng isang MemTrax predictive classification model sa papel ng klinikal na diagnostic na suporta ay nagbibigay ng mahalagang pananaw at nagpapatunay ng pagtugis para sa karagdagang pagsusuri sa mga pasyente sa buong continuum ng MCI.
Ang pagpapatupad at ipinakitang utility ng MemTrax at ang mga modelong ito sa China, kung saan ang wika at kultura ay lubhang naiiba sa ibang mga rehiyon ng naitatag na utility (hal., France, Netherlands, at United States) [7, 8, 27], ay higit na binibigyang-diin ang potensyal para sa malawakang pandaigdigang pagtanggap at klinikal na halaga ng isang MemTrax-based na platform. Ito ay isang maipapakitang halimbawa sa pagsusumikap tungo sa pagkakatugma ng data at pagbuo ng mga praktikal na internasyonal na pamantayan at pagmomodelo ng mga mapagkukunan para sa cognitive screening na na-standardize at madaling iangkop para sa paggamit sa buong mundo.
Mga susunod na hakbang sa pagmomodelo at paggamit ng cognitive decline
Ang cognitive dysfunction sa AD ay nangyayari sa isang continuum, hindi sa mga discrete na yugto o hakbang [28, 29]. Gayunpaman, sa maagang yugtong ito, ang aming layunin ay unang itatag ang aming kakayahang bumuo ng isang modelo na may kasamang MemTrax na maaaring matukoy ang pagkakaiba ng "normal" sa "hindi normal". Mas napapabilang na empirical data (hal., brain imaging, genetic features, biomarker, comorbidities, at functional marker ng complex mga aktibidad na nangangailangan ng cognitive control) [30] sa iba't ibang pandaigdigang rehiyon, populasyon, at pangkat ng edad upang sanayin at bumuo ng mas sopistikadong (kabilang ang angkop na timbang na ensemble) na mga modelo ng pag-aaral ng makina ay susuportahan ang isang mas mataas na antas ng pinahusay na pag-uuri, iyon ay, ang kapasidad na ikategorya ang mga grupo ng mga pasyente na may MCI sa mas maliit at mas tiyak na mga subset sa kahabaan ng cognitive decline continuum. Bukod dito, ang magkakasabay na mga klinikal na diagnosis para sa mga indibidwal sa iba't ibang rehiyon ng populasyon ng pasyente ay mahalaga sa epektibong sanayin ang mga mas inklusibo at predictably matatag na mga modelo. Mapapadali nito ang mas partikular na stratified case management para sa mga may katulad na background, impluwensya, at mas makitid na tinukoy na mga profile ng cognitive na katangian at sa gayon ay ma-optimize ang suporta sa klinikal na desisyon at pangangalaga ng pasyente.
Karamihan sa mga nauugnay na klinikal na pananaliksik sa kasalukuyan ay tumugon sa mga pasyente na may hindi bababa sa banayad na demensya; at, sa pagsasagawa, napakadalas na ang interbensyon ng pasyente ay sinusubukan lamang sa mga advanced na yugto. Gayunpaman, dahil ang paghina ng cognitive ay nagsisimula nang maayos bago matugunan ang mga klinikal na pamantayan para sa demensya, ang isang epektibong inilapat na maagang screen na nakabatay sa MemTrax ay maaaring mahikayat ang naaangkop na edukasyon ng mga indibidwal tungkol sa sakit at mga pag-unlad nito at mag-udyok ng mas maaga at mas napapanahong mga interbensyon. Kaya, ang maagang pagtuklas ay maaaring suportahan ang mga angkop na paglahok mula sa ehersisyo, diyeta, emosyonal na suporta, at pinabuting pagsasapanlipunan hanggang sa interbensyon sa parmasyutiko at palakasin ang mga pagbabago na nauugnay sa pasyente sa pag-uugali at pang-unawa na nang isa-isa o sa pinagsama-samang maaaring mabawasan o potensyal na ihinto ang pag-unlad ng demensya [31, 32] . Bukod dito, may epektibong maagang screening, maaaring ma-prompt ang mga indibidwal at kanilang mga pamilya na isaalang-alang ang mga klinikal na pagsubok o kumuha ng pagpapayo at iba pang suporta sa mga serbisyong panlipunan upang makatulong na linawin ang mga inaasahan at intensyon at pamahalaan ang mga pang-araw-araw na gawain. Ang karagdagang pagpapatunay at malawakang praktikal na gamit sa mga paraang ito ay maaaring maging instrumento sa pagpapagaan o pagpapahinto sa pag-unlad ng MCI, AD, at ADRD para sa maraming indibidwal.
Sa katunayan, ang mababang dulo ng hanay ng edad ng pasyente sa aming pag-aaral ay hindi kumakatawan sa populasyon ng tradisyonal na pag-aalala sa AD. Gayunpaman, ang average na edad para sa bawat pangkat na ginamit sa mga scheme ng pagmomodelo ng pag-uuri batay sa marka ng MoCA/threshold at kalubhaan ng diagnosis (Talahanayan 3) ay binibigyang-diin ang isang malinaw na mayorya (higit sa 80%) na hindi bababa sa 50 taong gulang. Ang distribusyon na ito ay napakaangkop para sa generalization, na sumusuporta sa utility ng mga modelong ito sa populasyon na nagpapakilala sa mga karaniwang apektado ng maagang pagsisimula at lumalagong sakit na neurocognitive dahil sa AD at VaD. Gayundin, binibigyang-diin ng kamakailang ebidensya at pananaw ang mga kinikilalang salik (hal., hypertension, labis na katabaan, diabetes, at paninigarilyo) na posibleng nag-aambag sa mas mataas na maagang pang-adulto at kalagitnaan ng buhay na mga marka ng panganib sa vascular at bunga ng banayad na pinsala sa utak ng vascular na nabubuo nang malikot na may maliwanag na mga epekto kahit na sa kabataan. matatanda [33–35]. Alinsunod dito, ang pinakamainam na pagkakataon sa paunang screening para sa pag-detect nang maaga yugto ng mga kakulangan sa pag-iisip at pagsisimula ng epektibong mga diskarte sa pag-iwas at interbensyon sa matagumpay na pagtugon sa demensya lalabas mula sa pagsusuri sa mga kadahilanang nag-aambag at mga antecedent na tagapagpahiwatig sa kabuuan ng spectrum ng edad, kabilang ang maagang pagtanda at posibleng maging pagkabata (pagpansin sa kaugnayan ng mga genetic na kadahilanan tulad ng apolipoprotein E mula sa maagang pagbubuntis).
Sa pagsasagawa, ang mga wastong klinikal na diagnosis at mga magastos na pamamaraan para sa advanced na imaging, genetic profiling, at pagsukat ng mga promising biomarker ay hindi palaging madaling magagamit o kahit na magagawa para sa maraming provider. Kaya, sa maraming pagkakataon, ang paunang pangkalahatang pag-uuri ng katayuan sa kalusugan ng pag-iisip ay maaaring kailanganin na makuha mula sa mga modelo na gumagamit ng iba pang mga simpleng sukatan na ibinigay ng pasyente (hal., self-reported mga problema sa memorya, kasalukuyang mga gamot, at karaniwang limitasyon sa aktibidad) at mga karaniwang tampok na demograpiko [7]. Mga rehistro tulad ng Unibersidad ng California Brain Health Registry (https://www.brainhealthregistry.org/) [27] at iba pa na may mas malawak na lawak ng self-reported na mga sintomas, qualitative measures (hal., pagtulog at araw-araw na cognition), mga gamot, katayuan sa kalusugan, at kasaysayan, at ang mas detalyadong demograpiko ay magiging instrumento sa pagbuo at pagpapatunay ng praktikal na aplikasyon ng mga mas primitive na modelong ito sa klinika. Dagdag pa, ang isang pagsubok tulad ng MemTrax, na nagpakita ng utility sa pagtatasa ng pag-andar ng memorya, ay maaaring magbigay ng mas mahusay na pagtatantya ng AD pathology kaysa sa mga biological marker. Ibinigay na ang pangunahing tampok ng patolohiya ng AD ay pagkagambala ng neuroplasticity at isang labis na kumplikadong pagkawala ng mga synapses, na nakikita bilang episodic. memory dysfunction, isang sukatan na nagtatasa ng episodic memory ay maaaring sa katunayan magbigay ng isang mas mahusay na pagtatantya ng AD pathological burden kaysa sa mga biological marker sa buhay na pasyente [36].
Sa lahat ng predictive na modelo—kinukumpleto man ng masalimuot at inklusibong data mula sa makabagong teknolohiya at pinong clinical insight sa maraming domain o yaong limitado sa mas basic at madaling magagamit na impormasyon na katangian ng mga kasalukuyang profile ng pasyente—ang kinikilalang bentahe ng artificial intelligence at ang machine learning ay ang mga resultang modelo ay maaaring mag-synthesize at pasaklaw na "matuto" mula sa nauugnay na bagong data at pananaw na ibinibigay ng patuloy na paggamit ng application. Kasunod ng praktikal na paglipat ng teknolohiya, habang ang mga modelo dito (at bubuuin) ay inilalapat at pinayaman ng higit pang mga kaso at nauugnay na data (kabilang ang mga pasyente na may mga komorbididad na maaaring magpakita sa kasunod na pagbaba ng cognitive), ang pagganap ng hula at pag-uuri ng kalusugan ng pag-iisip ay magiging mas matatag, na nagreresulta sa mas epektibong klinikal na utility na sumusuporta sa desisyon. Ang ebolusyon na ito ay magiging mas ganap at praktikal na maisasakatuparan sa pamamagitan ng pag-embed ng MemTrax sa mga pasadyang (naka-target sa mga available na kakayahan) na mga platform na magagamit ng mga healthcare provider sa real-time sa klinika.
Napakahalaga sa pagpapatunay at paggamit ng modelong MemTrax para sa diagnostic na suporta at pangangalaga sa pasyente ay lubos na hinahangad ng makabuluhang longitudinal na data. Sa pamamagitan ng pagmamasid at pagtatala ng magkakasabay na pagbabago (kung mayroon man) sa klinikal na katayuan sa isang sapat na hanay ng normal sa pamamagitan ng maagang yugto ng MCI, ang mga modelo para sa naaangkop na patuloy na pagtatasa at pag-uuri ay maaaring sanayin at baguhin habang tumatanda ang mga pasyente at ginagamot. Ibig sabihin, ang paulit-ulit na utility ay maaaring tumulong sa longitudinal na pagsubaybay sa mga banayad na pagbabago sa pag-iisip, pagiging epektibo ng interbensyon, at pagpapanatili ng kaalamang stratified na pangangalaga. Ang diskarte na ito ay mas malapit sa klinikal na kasanayan at pasyente at pamamahala ng kaso.
Mga hangganan
Pinahahalagahan namin ang hamon at halaga sa pagkolekta ng malinis na klinikal na data sa isang kontroladong setting ng klinika/ospital. Gayunpaman, mapapalakas sana nito ang aming pagmomodelo kung ang aming mga dataset ay nagsasama ng higit pang mga pasyente na may mga karaniwang feature. Bukod dito, partikular sa aming pagmomodelo ng diagnosis, mas kanais-nais at angkop na magkaroon ng parehong klinikal na pagtatasa na isinasagawa sa mga katugmang pasyente na may normal na kalusugan ng pag-iisip upang sanayin ang mga nag-aaral. At gaya ng binibigyang-diin ng mas mataas na pagganap ng pag-uuri gamit ang na-filter na dataset (ang pinakamataas na ranggo na apat na feature), mas pangkalahatan at ang mga hakbang/tagapagpahiwatig ng kalusugang nagbibigay-malay ay malamang na bumuti pagmomodelo ng pagganap na may mas maraming karaniwang feature sa lahat ng pasyente.
Ang ilang mga kalahok ay maaaring magkasabay na nakakaranas ng iba pang mga sakit na maaaring nag-udyok sa pansamantala o talamak na mga kakulangan sa pag-iisip. Maliban sa XL sub-dataset kung saan ang mga pasyente ay na-diagnose na inuri bilang may alinman sa AD o VaD, ang comorbidity data ay hindi nakolekta/naiulat sa YH patient pool, at ang nangingibabaw na naiulat na comorbidity sa malayo sa KM sub-dataset ay diabetes. Gayunpaman, mapagtatalunan na ang pagsasama ng mga pasyente sa aming mga scheme ng pagmomodelo na may mga komorbididad na maaaring mag-udyok o magpalala ng antas ng kakulangan sa pag-iisip at ang kahihinatnang mas mababang pagganap ng MemTrax ay magiging mas kinatawan ng totoong-mundo na naka-target na populasyon ng pasyente para sa mas pangkalahatan na maagang pagsusuri ng pag-iisip. at diskarte sa pagmomodelo. Sa pasulong, ang tumpak na diagnosis ng mga comorbidities na potensyal na nakakaapekto sa cognitive performance ay malawak na kapaki-pakinabang para sa pag-optimize ng mga modelo at mga resultang aplikasyon ng pangangalaga sa pasyente.
Panghuli, ang mga pasyente ng YH at KM na sub-dataset ay gumamit ng smartphone para kumuha ng MemTrax test, samantalang ang limitadong bilang ng mga XL sub-dataset na pasyente ay gumamit ng iPad at ang iba ay gumamit ng smartphone. Maaaring nagpakilala ito ng maliit na pagkakaiba na nauugnay sa device sa pagganap ng MemTrax para sa pagmomodelo ng pag-uuri ng MoCA. Gayunpaman, ang mga pagkakaiba (kung mayroon man) sa MTx-RT, halimbawa, sa pagitan ng mga device ay malamang na bale-wala, lalo na sa bawat kalahok na binibigyan ng pagsusulit na "pagsasanay" bago ang naitala na pagganap ng pagsubok. Gayunpaman, ang utility ng dalawang handheld na device na ito ay potensyal na nakompromiso ang direktang paghahambing sa at/o pagsasama sa iba pang mga resulta ng MemTrax kung saan tumugon ang mga user upang ulitin ang mga larawan sa pamamagitan ng pagpindot sa spacebar sa keyboard ng computer.
Mga pangunahing punto sa MemTrax predictive modeling utility
- • Ang aming nangungunang gumaganap na predictive na mga modelo na sumasaklaw sa mga napiling sukatan ng pagganap ng MemTrax ay mapagkakatiwalaang mag-uuri ng cognitive health status (normal cognitive health o MCI) gaya ng ipinapahiwatig ng malawak na kinikilalang pagsubok sa MoCA.
- • Sinusuportahan ng mga resultang ito ang pagsasama-sama ng mga napiling sukatan ng pagganap ng MemTrax sa isang pag-uuri ng predictive model screening application para sa maagang yugto ng cognitive impairment.
- • Ang aming pagmomodelo ng pag-uuri ay nagsiwalat din ng potensyal para sa paggamit ng pagganap ng MemTrax sa mga aplikasyon para sa pagkilala sa kalubhaan ng diagnosis ng demensya.
Ang mga natuklasang nobela na ito ay nagtatag ng tiyak na ebidensya na sumusuporta sa utility ng machine learning sa pagbuo ng mga pinahusay na modelo ng pag-uuri na nakabatay sa MemTrax para sa diagnostic na suporta sa epektibong pamamahala sa klinikal na kaso at pangangalaga ng pasyente para sa mga indibidwal na nakakaranas ng kapansanan sa pag-iisip.
Pagkilala
Kinikilala namin ang gawain nina J. Wesson Ashford, Curtis B. Ashford, at mga kasamahan para sa pagbuo at pagpapatunay ng online na patuloy na gawain at tool sa pagkilala (MemTrax) na ginamit dito at nagpapasalamat kami sa maraming pasyenteng may dementia na nag-ambag sa kritikal na pundasyong pananaliksik . Pinasasalamatan din namin si Xianbo Zhou at ang kanyang mga kasamahan sa SJN Biomed LTD, ang kanyang mga kasamahan at mga katuwang sa mga site ng ospital/klinika, lalo na si Dr. M. Luo at M. Zhong, na tumulong sa recruitment ng mga kalahok, pag-iskedyul ng mga pagsusulit, at pagkolekta, pag-record, at front-end na pamamahala ng data, at ang mga boluntaryong kalahok na nag-donate ng kanilang mahalagang oras at gumawa ng pangako sa pagkuha ng mga pagsusulit at pagbibigay ang mga mahahalagang datos para masuri natin sa pag-aaral na ito. Ito Ang pag-aaral ay suportado sa bahagi ng MD Scientific Research Programa ng Kunming Medical University (Grant no. 2017BS028 to XL) at ang Research Program ng Yunnan Science and Technology Department (Grant no. 2019FE001 (-222) sa XL).
Naghain si J. Wesson Ashford ng aplikasyon ng patent para sa paggamit ng tiyak na paradigma ng tuluy-tuloy na pagkilala na inilarawan sa papel na ito para sa pangkalahatan pagsubok ng memorya.
Ang MemTrax, LLC ay isang kumpanyang pag-aari ni Curtis Ashford, at ang kumpanyang ito ay namamahala sa pagsubok ng memorya sistemang inilarawan sa papel na ito.
Available online ang mga pagsisiwalat ng mga may-akda (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
Mga sanggunian
| [1] Alzheimer's Association (2016) 2016 Alzheimer's disease facts at mga figure. Alzheimers Dement 12, 459–509. | |
| [2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) Epekto ng maagang yugto Sakit na Alzheimer sa mga resulta ng pananalapi ng sambahayan. Health Econ 29, 18–29. | |
| [3] | Foster NL , Bondi MW , Das R , Foss M , Hershey LA , Koh S , Logan R , Poole C , Shega JW , Sood A , Thothala N , Wicklund M , Yu M , Bennett A , Wang D (2019) Pagpapabuti ng kalidad sa neurolohiya: Hanay ng pagsukat sa kalidad ng mahinang cognitive impairment. Neurology 93, 705–713. |
| [4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) Ang pagiging epektibo ng gastos sa paggamit cognitive screening tests para sa pag-detect ng dementia at banayad na cognitive impairment sa pangunahing pangangalaga. Int J Geriatr Psychiatry 32, 1392–1400. | |
| [5] Ashford JW , Gere E , Bayley PJ (2011) Pagsukat ng memorya sa malalaking setting ng grupo gamit ang tuluy-tuloy na pagsubok sa pagkilala. J Alzheimers Dis 27, 885–895. | |
| [6] | Ashford JW , Tarpin-Bernard F , Ashford CB , Ashford MT (2019) Isang computerized na tuluy-tuloy na pagkilala na gawain para sa pagsukat ng episodic memory. J Alzheimers Dis 69, 385–399. |
| [7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) Episodic-memory performance sa machine learning modeling para sa paghula ng cognitive health status classification. J Alzheimers Dis 70, 277–286. |
| [8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) Ang Pagsubok sa MemTrax kumpara sa montreal cognitive assessment estimation ng mild cognitive impairment. J Alzheimers Dis 67, 1045–1054. | |
| [9] | Falcone M , Yadav N , Poellabauer C , Flynn P (2013) Paggamit ng mga nakahiwalay na tunog ng patinig para sa pag-uuri ng banayad na traumatikong pinsala sa utak. Noong 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, Vancouver, BC, pp. 7577–7581. |
| [10] | Dabek F , Caban JJ (2015) Paggamit ng malaking data upang i-modelo ang posibilidad na magkaroon ng mga sikolohikal na kondisyon pagkatapos ng concussion. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) Decision tree para sa maagang pagtuklas ng cognitive impairment ng mga parmasyutiko ng komunidad. Front 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: Isang maikling tool sa screening para sa banayad na kapansanan sa pag-iisip. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J , Li J , Huang X (2012) Ang bersyon ng Beijing ng montreal cognitive assessment bilang isang maikling tool sa screening para sa mahinang cognitive impairment: Isang pag-aaral na nakabatay sa komunidad. BMC Psychiatry 12, 156. |
| [14] | Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) Validation of the Chinese version of Montreal cognitive assessment basic for screening mild cognitive impairment. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N , Leach L , Murphy KJ (2018) Isang muling pagsusuri sa mga marka ng cutoff ng Montreal Cognitive Assessment (MoCA). Int J Geriatr Psychiatry 33, 379–388. |
| [16] | American Psychiatric Association (2013) Task Force Diagnostic at statistical manual of mental disorders: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC. |
| [17] | sawa. Python Software Foundation, http://www.python.org, Na-access noong Nobyembre 15, 2019. |
| [18] | R Core Group, R: Isang wika at kapaligiran para sa statistical computing R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/, 2018, Na-access noong Nobyembre 15, 2019. |
| [19] | Benavoli A , Corani G , Demšar J , Zaffalon M (2017) Oras para sa pagbabago: Isang tutorial para sa paghahambing ng maraming classifier sa pamamagitan ng pagsusuri ng Bayesian. J Mach Learn Res 18, 1–36. |
| [20] | Frank E , Hall MA , Witten IH (2016) The WEKA Workbench. Sa Pagmimina ng Data: Mga Praktikal na Tool at Teknik sa Machine Learning, Frank E, Hall MA, Witten IH, Pal CJ, eds. Morgan Kaufmann https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf |
| [21] | Bergeron MF , Landset S , Maugans TA , Williams VB , Collins CL , Wasserman EB , Khoshgoftaar TM (2019) Machine learning in modelling high school sport concussion symptom solve. Med Sci Sports Exerc 51, 1362–1371. |
| [22] | Van Hulse J , Khoshgoftaar TM , Napolitano A (2007) Mga eksperimentong pananaw sa pag-aaral mula sa hindi balanseng data. Sa Mga Proceeding ng 24th International Conference on Machine Learning, Corvalis, Oregon, USA, pp. 935-942. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Pagsusuri ng pasyente ng Alzheimer at ang estado ng mini-mental: Pagsusuri ng curve ng katangian ng item.P. J Gerontol 44, 139–146. |
| [24] Ashford JW , Jarvik L (1985) Alzheimer's disease: Ang plasticity ba ng neuron ay may predispose sa axonal neurofibrillary degeneration? 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 . , Rocca WA , Petersen RC (2019) Prevalence ng biologically vs clinically defined Alzheimer spectrum entities gamit ang National Institute on Aging-Alzheimer's Pananaliksik ng Samahan balangkas. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X , Ashford JW (2019) Mga pagsulong sa mga instrumento sa screening para sa Sakit na Alzheimer. Aging Med 2, 88–93. | |
| [27] Weiner MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) The Brain Health Registry: Isang internet-based na platform para sa recruitment, assessment, at longitudinal monitoring ng mga kalahok para sa neuroscience studies. Alzheimers Dement 14, 1063–1076. | |
| [28] Ashford JW , Schmitt FA (2001) Pagmomodelo sa takbo ng panahon ng Alzheimer dementia. Curr Psychiatry Rep 3, 20–28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE): Protocol for a Chinese longitudinal observational study to develop risk prediction models of conversion to mild cognitive impairment sa mga indibidwal na may subjective cognitive tanggihan. BMJ Open 9, e028188. |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) Five-year biomarker progression variability para sa Alzheimer's disease demensya hula: Maaari bang punan ng isang kumplikadong instrumental na aktibidad ng pang-araw-araw na pamumuhay ang mga puwang? Alzheimers Dement (Amst) 1, 521–532. | |
| [31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) Pag-iwas at paggamot ng Alzheimer's disease: Mga biological na mekanismo ng ehersisyo. J Alzheimers Dis 69, 311–338. | |
| [32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Therapies para sa pag-iwas at paggamot ng Alzheimer's disease. 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) Mga ugnayan sa pagitan ng vascular risk sa buong adulthood at brain pathology sa huling bahagi ng buhay: Katibayan mula sa British birth cohort. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) Pag-iwas sa dementia-pag-iisip na lampas sa edad at mga kahon ng amyloid. 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) Mga epekto ng systolic blood pressure sa white-matter integrity sa mga young adult sa Framingham Heart Study: A cross -sectional na pag-aaral. Lancet Neurol 11, 1039–1047. |
| [36] Fink HA , Linskens EJ , Silverman PC , McCarten JR , Hemmy LS , Ouellette JM , Greer NL , Wilt TJ , Butler M (2020) Katumpakan ng pagsusuri ng biomarker para sa neuropathologically na tinukoy Alzheimer disease sa mga matatandang may demensya. Ann Intern Med 172, 669–677. |
Mga Kaakibat: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] Kagawaran ng Computer at Electrical Engineering at Computer Science, Florida Atlantic University, Boca Raton, FL, USA | [c] SJN Biomed LTD, Kunming, Yunnan, China | [d] Sentro para sa Pananaliksik ng Alzheimer, Washington Institute of Clinical Research, Washington, DC, USA | [e] Department of Rehabilitation Medicine, Ang Unang Kaakibat na Ospital ng Kunming Medical University, Kunming, Yunnan, China | [f] Department of Neurology, Dehong People's Hospital, Dehong, Yunnan, China | [g] Kagawaran ng Neurology, ang Unang Kaakibat na Ospital ng Kunming Medical University, Wuhua District, Kunming, Yunnan Province, China | [h] Sentro ng Pag-aaral ng Sakit at Pinsala na Kaugnay ng Digmaan, VA Palo Alto Health Care System, Palo Alto, CA, USA | [i] Department of Psychiatry at Behavioral Sciences, Stanford University School of Medicine, Palo Alto, CA, USA
Correspondence: [*] Correspondence to: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. E-mail: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Department of Neurology, First Affiliated Hospital ng Kunming Medical University, 295 Xichang Road, Wuhua District, Kunming, Yunnan Province 650032, China. E-mail: ring@vip.163.com.
Mga Keyword: Pagtanda, Sakit na Alzheimer, dementia, mass screening