Hafif Bilişsel Bozukluğun Sınıflandırılmasında MemTrax ve Makine Öğrenimi Modellemesinin Faydası
Araştırma Makalesi
Yazarlar: Bergeron, Michael F. | Landset, Sara | Zhou, Xianbo | Ding, Tao | Khoshgoftaar, Taghi M. | Zhao, Feng | Du, Bo | Chen, Sincan | Wang, Xuan | Zhong, Lianmei | Liu, Xiaolei| Ashford, J. Wesson
DOI: 10.3233/JAD-191340
Dergi: Dergisi Alzheimer hastalığı, vol. 77, hayır. 4, s. 1545-1558, 2020
Özet
Arka plan:
Yaygın insidans ve prevalansı Alzheimer hastalığı ve hafif bilişsel bozukluk (MCI), erken teşhis bilişsel tarama ve değerlendirmeyi doğrulamak için acil bir araştırma çağrısına yol açmıştır.
Amaç:
Birincil araştırma amacımız, seçilen MemTrax performans metriklerinin ve ilgili demografik ve sağlık profili özelliklerinin, bilişsel sağlığı (normale karşı MCI) sınıflandırmak için makine öğrenimi ile geliştirilen tahmine dayalı modellerde etkin bir şekilde kullanılıp kullanılamayacağını belirlemekti. Montreal Bilişsel Değerlendirmesi (MoCA).
Yöntem:
İki kişiden alınan 259 nöroloji, hafıza kliniği ve dahiliye hastası üzerinde kesitsel bir çalışma yürüttük. Çin'deki hastaneler. Her hastaya Çince MoCA verildi ve sürekli tanıma MemTrax çevrimiçi epizodik kendi kendine uygulandı hafıza testi çevrimiçi aynı günde. Tahmine dayalı sınıflandırma modelleri, 10 kat çapraz doğrulama ile makine öğrenimi kullanılarak oluşturulmuştur ve model performansı, Alıcı Çalışma Karakteristik Eğrisinin Altındaki Alan (AUC) kullanılarak ölçülmüştür. Modeller, sekiz ortak demografik ve kişisel geçmiş özelliğiyle birlikte iki MemTrax performans metriği (yüzde doğru, yanıt süresi) kullanılarak oluşturuldu.
Sonuçlar:
MoCA puanlarının ve eşiklerinin seçilen kombinasyonları üzerinden öğrencileri karşılaştıran Naive Bayes, 0.9093 genel sınıflandırma performansıyla genellikle en iyi performans gösteren öğrenciydi. Ayrıca, ilk üç öğrenci arasında, genel olarak MemTrax tabanlı sınıflandırma performansı, yalnızca en üst sıradaki dört özelliğin (0.9119) kullanılmasıyla, 10 ortak özelliğin tümünün (0.8999) kullanılmasına kıyasla daha üstündü.
Sonuç:
MemTrax performansı, bir makine öğrenimi sınıflandırma tahmin modelinde etkili bir şekilde kullanılabilir erken evre bilişsel bozukluğu tespit etmek için tarama uygulaması.
TANITIM
Tanınmış (yetersiz teşhis edilmiş olsa da) geniş yaygın insidans ve prevalans ve paralel olarak artan tıbbi, sosyal ve kamusal sağlık Alzheimer hastalığının (AD) ve hafif bilişsel bozukluğun (MCI) maliyetleri ve yükü, tüm paydaşlar için giderek daha fazla zorlayıcı hale gelmektedir [1, 2]. Bu üzücü ve gelişmekte olan senaryo, doğrulamak için acil bir araştırma çağrısına yol açtı. erken teşhis çeşitli bölgelerde ve popülasyonlarda yaşlı hastalar için kişisel ve klinik ortamlarda düzenli pratik kullanım için bilişsel tarama ve değerlendirme araçları [3]. Bu araçlar ayrıca bilgilendirici sonuçların elektronik sağlık kayıtlarına sorunsuz bir şekilde çevrilmesini sağlamalıdır. Yararlar, hastaların bilgilendirilmesi ve hekimlerin önemli değişiklikleri daha erken fark etmelerine yardımcı olunmasıyla gerçekleştirilecek ve böylece daha hızlı ve zamanında tabakalaşma, uygulama ve uygun bireyselleştirilmiş ve daha uygun maliyetli tedavi ve yaşamaya başlayanlar için hasta bakımının izlenmesi mümkün olacaktır. bilişsel gerileme [3, 4].
Bilgisayarlı MemTrax aracı (https://memtrax.com), kullanıcının bir ilk sunuma değil, tekrarlanan görüntülere yanıt verdiği zorlu zamanlanmış epizodik bellek performansını ölçmek için çevrimiçi olarak kendi kendine uygulanabilen basit ve kısa bir sürekli tanıma değerlendirmesidir [5, 6]. Son araştırmalar ve bunun sonucunda ortaya çıkan pratik çıkarımlar, MemTrax'ın erken AD ve HBB taramasındaki klinik etkinliğini aşamalı olarak ve topluca göstermeye başlıyor [5-7]. Bununla birlikte, klinik faydanın mevcut olanla doğrudan karşılaştırılması bilişsel sağlık değerlendirme ve geleneksel standartların, profesyonel bakış açısını bilgilendirmesi ve erken tespit ve teşhis desteğinde MemTrax faydasını desteklemesi garanti edilir. van der Hoek ve ark. [8], seçilen MemTrax performans ölçümlerini (tepki hızı ve doğru yüzde) Montreal tarafından belirlenen bilişsel durumla karşılaştırdı. Bilişsel Değerlendirme (MoCA). Ancak bu çalışma, bu performans ölçütlerini bilişsel durumun karakterizasyonu (MoCA tarafından belirlendiği gibi) ile ilişkilendirmek ve göreli aralıkları ve eşik değerlerini tanımlamakla sınırlıydı. Buna göre, bu araştırmayı genişletmek ve sınıflandırma performansını ve etkinliğini iyileştirmek için birincil araştırma sorumuz şuydu:
- Bir kişinin seçtiği MemTrax performans ölçümleri ve ilgili demografi ve sağlık profil özellikler, kişinin MoCA puanıyla gösterileceği gibi, bilişsel sağlığı ikili olarak (normale karşı MCI) sınıflandırmak için makine öğrenimi ile geliştirilen bir tahmine dayalı modelde etkili bir şekilde kullanılabilir mi?
Buna ikincil olarak, bilmek istedik:
- Aynı özellikleri içeren bir MemTrax performansa dayalı makine öğrenimi modeli, bağımsız bir klinik tanı ile belirlenecek olan seçili bilişsel bozulma kategorileri içinde şiddeti (hafif ve şiddetli) tahmin etmek için bir hastaya etkili bir şekilde uygulanabilir mi?
Tarama/tespitte yapay zeka ve makine öğreniminin gelişi ve gelişen pratik uygulaması, bilişsel/beyin sağlığı ve hasta yönetiminin zorlu değerlendirmesinde klinisyenlere etkin bir şekilde rehberlik eden öngörücü modelleme ile belirgin pratik avantajlar göstermiştir. Çalışmamızda, Çin'deki iki hastaneden seçilmiş gönüllü yatan hastaları ve ayaktan hastaları temsil eden üç veri setinden klinik tanı ile teyit edildiği üzere, MCI sınıflandırma modellemesinde ve bilişsel bozulma şiddeti ayrımcılığında benzer bir yaklaşım seçtik. Makine öğrenimi tahmine dayalı modellemeyi kullanarak, çeşitli veri kümesi/öğrenci kombinasyonlarından en iyi performans gösteren öğrencileri belirledik ve klinik olarak en pratik model uygulamalarını tanımlamada bize rehberlik edecek özellikleri sıraladık.
Hipotezlerimiz, MoCA toplam puanı eşik kriterine dayalı olarak bilişsel sağlığı ikiye bölünmüş olarak (normal veya MCI) sınıflandırmak için onaylanmış bir MemTrax tabanlı modelin kullanılabileceği ve seçilen kategorilerde şiddeti ayırt etmede benzer bir MemTrax tahmin modelinin etkili bir şekilde kullanılabileceğiydi. klinik olarak teşhis edilmiş Kognitif bozukluk. Beklenen sonuçların gösterilmesi, bilişsel gerileme ve bilişsel bozulma sınıflandırması için bir erken tespit ekranı olarak MemTrax'ın etkinliğini desteklemede araçsal olacaktır. Çok daha kolay ve hızlı kullanımla tamamlanan, endüstri tarafından kabul edilen bir standartla olumlu bir karşılaştırma, klinisyenlerin bu basit, güvenilir ve erişilebilir aracı erken (prodromal dahil) evre bilişsel eksiklikleri tespit etmede bir başlangıç ekranı olarak benimsemelerine yardımcı olmada etkili olacaktır. Böyle bir yaklaşım ve fayda böylece daha zamanında ve daha iyi tabakalandırılmış hasta bakımını ve müdahalesini sağlayabilir. Bu ileriye dönük görüşler ve geliştirilmiş ölçümler ve modeller, AD ve AD ile ilişkili demanslar (ADRD) dahil demansın ilerlemesini azaltmada veya durdurmada da yardımcı olabilir.
MALZEMELER VE YÖNTEMLER
Çalışma grubu
Ocak 2018 ile Ağustos 2019 arasında, Çin'deki iki hastaneden alınan hastalar üzerinde kesitsel araştırma tamamlandı. MemTrax [5]'in 21 yaş ve üzeri bireylere uygulanması ve bu verilerin toplanması ve analizi, Etik Standartları tarafından gözden geçirildi ve onaylandı ve uygulandı. İnsan Stanford Üniversitesi Konu Koruma Komitesi. Bu genel çalışma için MemTrax ve diğer tüm testler, 1975 tarihli Helsinki deklarasyonuna göre yapıldı ve Kunming, Yunnan, Çin'deki Kunming Tıp Üniversitesi Birinci Bağlı Hastanesinin Kurumsal İnceleme Kurulu tarafından onaylandı. Her kullanıcıya bir bilgilendirilmiş onam formu okumak/incelemek ve ardından gönüllü olarak katılmayı kabul etmek.
Katılımcılar, Yanhua Hastanesi'ndeki (YH alt veri kümesi) nöroloji kliniğindeki ayakta tedavi gören hasta havuzundan ve Kunming Medical'in Birinci Bağlı Hastanesindeki hafıza kliniği Üniversite (XL alt veri kümesi), Pekin, Çin. Katılımcılar ayrıca Kunming Tıp Üniversitesi Birinci Bağlı Hastanesinde nöroloji (XL alt veri kümesi) ve dahiliye (KM alt veri kümesi) yatan hastalardan da alındı. Dahil edilme kriterleri arasında 1) en az 21 yaşında erkek ve kadınlar, 2) Çince (Mandarin) konuşma becerisi ve 3) sözlü ve yazılı yönergeleri anlama becerisi yer alır. Hariç tutma kriterleri, katılımcıların testi tamamlamasını engelleyen görme ve motor bozukluklardı. MemTrax testi, ayrıca belirli test talimatlarını anlayamama.
MemTrax'ın Çince versiyonu
Çevrimiçi MemTrax test platformu tercüme edildi Çince'ye (URL: https://www.memtrax.com.cn) ve ayrıca kendi kendine yönetim için WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Çin) aracılığıyla kullanılmak üzere uyarlanmıştır. Veriler, Çin'de bulunan ve SJN Biomed LTD (Kunming, Yunnan, Çin) tarafından Alibaba'dan (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, Çin) lisanslanan bir bulut sunucusunda (Ali Cloud) saklandı. Burada kullanılan MemTrax ve test geçerlilik kriterleri ile ilgili özel ayrıntılar daha önce açıklanmıştır [6]. Test, hastalara ücretsiz olarak sağlandı.
Çalışma prosedürleri
Yatan ve ayakta tedavi gören hastalar için yaş, cinsiyet, eğitim yılı, meslek, yalnız yaşayan veya aile ile ve tıbbi öykü, çalışma ekibinin bir üyesi tarafından uygulandı. Anketin tamamlanmasının ardından, testler arasında 12 dakikayı geçmeyecek şekilde MoCA [20] ve MemTrax testleri uygulandı (önce MoCA). MemTrax doğru yüzdesi (MTx-%C), ortalama yanıt süresi (MTx-RT) ve testin tarihi ve saati, test edilen her katılımcı için çalışma ekibinin bir üyesi tarafından kağıda kaydedildi. Doldurulan anket ve MoCA'nın sonuçları, testleri yöneten araştırmacı tarafından bir Excel elektronik tablosuna yüklendi ve Excel dosyaları analizler için kaydedilmeden önce bir meslektaş tarafından doğrulandı.
MemTrax testi
MemTrax çevrimiçi testi, belirli bir sözde rastgele sırayla gösterilen 50 görüntü (25 benzersiz ve 25 tekrar; 5 ortak sahne veya nesne görüntüsünden oluşan 5 set) içeriyordu. Katılımcı (talimatlara göre) testi başlatmak ve görüntü dizisini izlemeye başlamak için ekrandaki Başlat düğmesine dokunur ve tekrarlanan bir resim göründüğünde mümkün olduğunca hızlı bir şekilde ekrandaki görüntüye tekrar dokunur. Her görüntü 3 saniye boyunca veya ekrandaki görüntüye dokunana kadar göründü, bu da bir sonraki görüntünün hemen sunulmasını istedi. Yerel cihazın dahili saatini kullanarak, her bir görüntü için MTx-RT, görüntünün daha önce gösterilmiş olan bir görüntü olarak tanınmasına yanıt olarak, görüntünün sunumundan katılımcı tarafından ekrana dokunulduğu zamana kadar geçen süre ile belirlendi. test boyunca. Her görüntü için MTx-RT kaydedildi, tam 3 s kaydedildi ve yanıt yok. MTx-% C, kullanıcının doğru yanıt verdiği tekrar ve ilk görüntülerin yüzdesini göstermek için hesaplanmıştır (gerçek pozitif + gerçek negatif bölü 50). MemTrax yönetimi ve uygulaması, veri azaltma, geçersiz veya “yanıt yok” verileri ve birincil veri analizleri ile ilgili ek ayrıntılar başka bir yerde açıklanmıştır [6].
MemTrax testi detaylı olarak anlatılmış ve katılımcılara hastane ortamında (testte sonuçları kaydetmek için kullanılanlar dışında benzersiz görüntülerle) bir uygulama testi verilmiştir. YH ve KM alt veri kümelerindeki katılımcılar, WeChat'te uygulama yüklü olan bir akıllı telefonda MemTrax testini yaptılar; XL alt veri seti hastalarının sınırlı bir kısmı bir iPad ve geri kalanı bir akıllı telefon kullandı. Tüm katılımcılar, dikkat çekmeden gözlem yapan bir çalışma araştırmacısı ile MemTrax testine girdi.
Montreal bilişsel değerlendirme
Çin MoCA'sının (MoCA-BC) [13] Pekin versiyonu, resmi test talimatlarına göre eğitimli araştırmacılar tarafından uygulandı ve puanlandı. Uygun şekilde, MoCA-BC'nin güvenilir olduğu gösterilmiştir. bilişsel test Çinli yaşlı yetişkinlerde tüm eğitim düzeylerinde tarama [14]. Her testin uygulanması, ilgili katılımcının bilişsel yeteneklerine göre yaklaşık 10 ila 30 dakika sürdü.
MoCA sınıflandırma modellemesi
İki MemTrax dahil olmak üzere toplam 29 kullanılabilir özellik vardı. demografi ve sağlıkla ilgili test performansı ölçümleri ve 27 özellik Her katılımcı için bilgi. Her hastanın MoCA toplam test puanı, bilişsel tarama Tahmine dayalı modellerimizi eğitmek için "kıyaslama". Buna göre, sınıf etiketini oluşturmak için MoCA kullanıldığından, toplam puanı (veya MoCA alt küme puanlarından herhangi birini) bağımsız bir özellik olarak kullanamadık. Orijinal üç hastane/klinik(ler) alt veri setini ayrı ayrı modellediğimiz (MoCA tarafından tanımlanan bilişsel sağlığı sınıflandırdığımız) ve ardından tüm özellikleri kullanarak birleştirdiğimiz ön deneyler gerçekleştirdik. Ancak, üç alt veri kümesini temsil eden dört kliniğin her birinde aynı veri öğelerinin tümü toplanmamıştır; bu nedenle, birleşik veri kümesindeki birçok özelliğimiz (tüm özellikleri kullanırken) yüksek oranda kayıp değere sahipti. Daha sonra, gelişmiş sınıflandırma performansıyla sonuçlanan yalnızca ortak özellikleri kullanarak birleştirilmiş veri kümesiyle modeller oluşturduk. Bu, muhtemelen, üç hasta alt veri kümesini birleştirerek birlikte çalışacak daha fazla örneğe sahip olmanın ve eksik değerlerin aşırı yaygınlığına sahip hiçbir özelliğin olmamasının bir kombinasyonu ile açıklanıyordu (birleştirilmiş veri kümesindeki yalnızca bir özellik, iş türü, herhangi bir eksik değere sahipti, yalnızca üç hasta örneği), çünkü yalnızca üç bölgede de kaydedilen ortak özellikler dahil edilmiştir. Özellikle, sonuçta birleşik veri kümesine dahil edilmeyen her özellik için belirli bir reddetme kriterimiz yoktu. Ancak, ön birleşik veri kümesi modellememizde, önce üç ayrı hasta alt veri kümesinin her birindeki tüm özellikleri kullandık. Bu, geniş ölçüde, her bir alt veri kümesinde ilk ön modellemeden ölçülebilir şekilde daha düşük olan model performansıyla sonuçlandı. Ayrıca, tüm özellikler kullanılarak oluşturulan modellerin sınıflandırma performansı, tüm öğrenenler ve sınıflandırma şemalarında cesaret vericiyken, yalnızca ortak özellikler kullanıldığında iki kat daha fazla model için performans arttı. Aslında, en iyi öğrenicilerimiz arasında yer alan modellerin biri hariç tümü, yaygın olmayan özellikleri ortadan kaldırarak geliştirildi.
Nihai toplu veri seti (birleştirilmiş YH, XL ve KM), her biri hem MemTrax hem de MoCA testlerini alan benzersiz bir katılımcıyı temsil eden 259 örnek içeriyordu. 10 paylaşılan bağımsız özellik vardı: MemTrax performans ölçümleri: MTx-% C ve ortalama MTx-RT; demografik ve tıbbi geçmiş bilgileri: yaş, cinsiyet, eğitim yılı, iş türü (mavi yakalı/beyaz yakalı), sosyal destek (teste giren kişinin tek başına mı yoksa ailesiyle mi yaşadığı) ve kullanıcının bir hastalığı olup olmadığına ilişkin evet/hayır yanıtları. diyabet, hiperlipidemi veya travmatik beyin hasarı öyküsü. İki ek metrik, MoCA toplam puanı ve eğitim yılı için ayarlanmış MoCA toplam puanı [12], bağımlı sınıflandırma etiketlerini geliştirmek için ayrı ayrı kullanıldı, böylece birleşik veri kümemize uygulanacak iki farklı modelleme şeması oluşturuldu. MoCA puanının her bir versiyonu (düzeltilmiş ve ayarlanmamış) için, veriler iki farklı kriter eşiği kullanılarak ikili sınıflandırma için yeniden ayrı ayrı modellenmiştir - başlangıçta önerilen [12] ve başkaları tarafından kullanılan ve desteklenen alternatif bir değer [8, 15]. Alternatif eşik sınıflandırma şemasında, bir hasta MoCA testinde ≥23 puan aldıysa ve puan 22 veya daha düşükse HBB'ye sahipse normal bilişsel sağlığa sahip olarak kabul edildi; oysa önerilen ilk sınıflandırma formatında, hastanın normal bilişsel sağlığa sahip olarak etiketlenmesi için MoCA'da 26 veya daha iyi bir puan alması gerekiyordu.
MoCA sınıflandırma modellemesi için filtrelenmiş veriler
Yaygın olarak kullanılan dört özellik sıralama tekniğini kullanarak MoCA sınıflandırmasını daha da inceledik: Ki-Kare, Kazanç Oranı, Bilgi Kazanımı ve Simetrik Belirsizlik. Ara perspektif için, dört modelleme şemamızın her birini kullanarak sıralayıcıları tüm birleştirilmiş veri kümesine uyguladık. Tüm sıralayıcılar, yaş, eğitim yılı sayısı ve her iki MemTrax performans metriği (MTx-% C, ortalama MTx-RT) gibi aynı en önemli özellikler üzerinde anlaştılar. Daha sonra, modelleri yalnızca ilk dört özellik üzerinde eğitmek için her bir özellik seçim tekniğini kullanarak modelleri yeniden oluşturduk (bkz. Özellik seçimi altında).
MoCA skor sınıflandırma modelleme şemalarının ortaya çıkan son sekiz varyasyonu Tablo 1'de sunulmuştur.
tablo 1
MoCA sınıflandırması için kullanılan modelleme şeması varyasyonlarının özeti (Normal Bilişsel Sağlık MCI'ye karşı)
| Modelleme Şeması | Normal Bilişsel Sağlık (Negatif Sınıf) | MCI (Pozitif Sınıf) |
| Ayarlı-23 Filtresiz/Filtreli | 101 (39.0%) | 158 (61.0%) |
| Ayarlı-26 Filtresiz/Filtreli | 49 (18.9%) | 210 (81.1%) |
| Ayarsız-23 Filtresiz/Filtrelenmiş | 92 (35.5%) | 167 (64.5%) |
| Ayarsız-26 Filtresiz/Filtrelenmiş | 42 (16.2%) | 217 (83.8%) |
Her bir sınıftaki toplam hastaların ilgili sayısı ve yüzdesi, her iki özellik kümesine de (Filtrelenmemiş ve Filtrelenmiş) uygulandığı şekilde, eğitim puanının (Ayarlanmış veya Ayarlanmamış) ve sınıflandırma eşiğinin (23 veya 26) ayarlanmasıyla farklılaştırılır.
MemTrax tabanlı klinik değerlendirme modellemesi
Üç orijinal alt veri kümemizden (YH, XL, KM), yalnızca XL alt veri kümesi hastalarına bağımsız olarak klinik olarak bilişsel bozukluk tanısı kondu (yani, ilgili MoCA puanları normal ve bozulmuş olarak sınıflandırılmada kullanılmadı). Spesifik olarak, XL hastalarına ya Alzheimer hastalığı testi (AD) veya vasküler demans (VaD). Bu birincil tanı kategorilerinin her birinde, HBB için başka bir tanımlama vardı. AD'ye bağlı HBB, demans, vasküler nörobilişsel bozukluk ve nörobilişsel bozukluğun tanıları, Mental Bozuklukların Tanısal ve İstatistiksel El Kitabı: DSM-5'te belirtilen spesifik ve ayırt edici tanı kriterlerine dayandırılmıştır [16]. Bu rafine tanılar göz önüne alındığında, her bir birincil tanı kategorisi için şiddet düzeyini (bozulma derecesi) ayırt etmek için XL alt veri kümesine ayrı ayrı iki sınıflandırma modelleme şeması uygulandı. Bu tanısal modelleme şemalarının (AD ve VaD) her birinde kullanılan veriler, demografik ve hasta geçmişi bilgilerinin yanı sıra MemTrax performansını (MTx-% C, ortalama MTx-RT) içeriyordu. HBB olarak tanımlandıysa her tanı hafif olarak etiketlendi; aksi takdirde şiddetli olarak kabul edildi. Başlangıçta tanı modellerine MoCA skorunu dahil etmeyi düşündük (hafif ve şiddetli); ancak bunun ikincil tahmine dayalı modelleme planımızın amacını boşa çıkaracağını belirledik. Burada öğrenciler, bağımsız klinik tanı olan referans "altın standart"a karşı, sağlayıcının kolayca erişebileceği diğer hasta özellikleri ve daha basit MemTrax testinin (MoCA yerine) performans ölçütleri kullanılarak eğitilecektir. AD tanı veri setinde 69 örnek ve 76 VaD örneği vardı (Tablo 2). Her iki veri setinde de 12 bağımsız özellik vardı. MoCA skor sınıflandırmasında yer alan 10 özelliğe ek olarak, hasta öyküsü hipertansiyon ve inme öyküsü hakkında da bilgi içeriyordu.
tablo 2
Tanı şiddeti sınıflandırması için kullanılan modelleme şeması varyasyonlarının özeti (Hafif ve Şiddetli)
| Modelleme Şeması | Hafif (Negatif Sınıf) | Şiddetli (Pozitif Sınıf) |
| MCI-AD'ye karşı AD | 12 (17.4%) | 57 (82.6%) |
| MCI-VaD'ye karşı VaD | 38 (50.0%) | 38 (50.0%) |
Her sınıftaki toplam hasta sayısı ve yüzdesi, birincil tanı kategorisine (AD veya VaD) göre ayrılır.
İstatistikler
Python programlama dili (sürüm 2.7.1) [17] kullanılarak her bir model sınıflandırma stratejisi için (MoCA bilişsel sağlık ve tanı şiddetini tahmin etmek için) alt veri kümeleri arasında katılımcı özelliklerinin ve diğer sayısal özelliklerin karşılaştırılması yapılmıştır. Model performans farkları başlangıçta, performans ortalamalarını karşılaştırmak için %95 güven aralığına sahip tek veya iki faktörlü (uygunsa) ANOVA ve Tukey dürüst anlamlı fark (HSD) testi kullanılarak belirlendi. Model performansları arasındaki farklılıkların bu incelemesi, Python ve R (sürüm 3.5.1) [18] kombinasyonu kullanılarak yapılmıştır. Bu yaklaşımı (muhtemelen optimalden daha az olsa da) bu noktada yalnızca buluşsal bir yardım olarak kullandık. erken aşama potansiyel klinik uygulamayı öngörmede ilk model performans karşılaştırmaları için. Daha sonra, model performans farklılıklarının olasılığını belirlemek için bir sonsal dağılım kullanarak Bayes işaretli sıralama testini kullandık [19]. Bu analizler için -0.01, 0.01 aralığını kullandık; bu, eğer iki grubun performans farkı 0.01'den azsa, aynı (pratik eşdeğerlik bölgesi içinde) olarak değerlendirildiklerini veya aksi takdirde farklı olduklarını (biri diğerinden daha iyi) ifade eder. diğeri). Sınıflandırıcıların Bayes karşılaştırmasını gerçekleştirmek ve bu olasılıkları hesaplamak için Python 1.0.2 için baycomp kitaplığını (sürüm 3.6.4) kullandık.
Tahmine dayalı modelleme
Her hastanın MoCA testinin sonucunu veya klinik tanının ciddiyetini tahmin etmek (sınıflandırmak) için modelleme şemalarımızın toplam on varyasyonunu kullanarak tahmine dayalı modeller oluşturduk. Tüm öğrenenler uygulandı ve modeller açık kaynak yazılım platformu Weka [20] kullanılarak oluşturuldu. Ön analizimiz için yaygın olarak kullanılan 10 öğrenme algoritması kullandık: 5-En Yakın Komşular, C4.5 karar ağacının iki versiyonu, Lojistik Regresyon, Çok Katmanlı Algılayıcı, Naive Bayes, Random Forest'ın iki versiyonu, Radyal Temel Fonksiyon Ağı ve Destek Vektörü Makine. Bu algoritmaların temel nitelikleri ve karşıtlıkları başka bir yerde [21] açıklanmıştır (ilgili Ek'e bakınız). Bunlar, çeşitli farklı öğrenci türlerini temsil ettikleri ve benzer veriler üzerinde önceki analizlerde bunları kullanarak başarı gösterdiğimiz için seçilmiştir. Hiper-parametre ayarları, önceki araştırmamızdan seçilmiş olup, bunların çeşitli farklı veriler üzerinde sağlam olduklarını göstermektedir [22]. Daha sonra tam analizde kullanılan ortak özelliklere sahip aynı birleşik veri setini kullanan ön analizimizin sonuçlarına dayanarak, tüm sınıflandırmalarda tutarlı bir şekilde güçlü performans sağlayan üç öğrenci belirledik: Lojistik Regresyon, Naive Bayes ve Destek Vektör Makinesi.
Çapraz doğrulama ve model performans metriği
Tüm tahmine dayalı modelleme için (ön analizler dahil), her model 10 kat çapraz doğrulama kullanılarak oluşturulmuştur ve model performansı Alıcı Çalışma Karakteristik Eğrisinin Altındaki Alan (AUC) kullanılarak ölçülmüştür. Çapraz doğrulama, 10 modelleme şeması veri setinin her birini rastgele 10 eşit parçaya (katlar) bölerek, bu ilgili segmentlerden dokuzunu modeli eğitmek için ve kalan segmenti test için kullanarak başladı. Bu prosedür, her yinelemede test seti olarak farklı bir segment kullanılarak 10 kez tekrarlandı. Sonuçlar daha sonra nihai modelin sonucunu/performansını hesaplamak için birleştirildi. Her öğrenci/veri kümesi kombinasyonu için, tüm bu süreç, veriler her seferinde farklı şekilde bölünerek 10 kez tekrarlandı. Bu son adım önyargıyı azalttı, tekrarlanabilirliği sağladı ve genel model performansının belirlenmesine yardımcı oldu. Toplamda (MoCA puanı ve tanı şiddeti sınıflandırma şemalarının birleşimi için), 6,600 model oluşturuldu. Bu, 1,800 filtrelenmemiş modeli (veri kümesine uygulanan 6 modelleme şeması×3 öğrenci×10 çalışma×10 kıvrım = 1,800 model) ve 4,800 filtrelenmiş modeli (veri setine uygulanan 4 modelleme şeması×3 öğrenci×4 özellik seçim tekniği×10 çalışma×) içeriyordu. 10 kat = 4,800 model).
Özellik seçimi
Filtrelenen modeller için, çapraz doğrulama kapsamında özellik seçimi (dört özellik sıralama yöntemi kullanılarak) gerçekleştirilmiştir. 10 katın her biri için, veri kümesinin farklı bir %10'u test verisi olduğundan, her eğitim veri kümesi için yalnızca ilk dört seçilen özellik (yani, diğer dokuz kat veya tüm veri kümesinin kalan %90'ı) kullanılmıştır. modelleri oluşturmak için. Her modelde hangi dört özelliğin kullanıldığını doğrulayamadık, çünkü bu bilgiler kullandığımız modelleme platformunda (Weka) saklanmıyor veya kullanıma sunulmuyor. Bununla birlikte, sıralayıcılar tüm birleştirilmiş veri kümesine uygulandığında en iyi özelliklerin ilk seçimimizdeki tutarlılık ve sonraki modelleme performanslarındaki benzerlik göz önüne alındığında, aynı özellikler (yaş, eğitim yılı, MTx-% C ve ortalama MTx-RT) ) muhtemelen çapraz doğrulama sürecinde özellik seçimiyle birlikte kullanılan en yaygın ilk dördüdür.
SONUÇLAR
MoCA ile belirtilen bilişsel sağlığı (normale karşı MCI) ve tanı şiddetini (hafife karşı şiddetli) tahmin etmek için her bir model sınıflandırma stratejisi için ilgili veri kümelerinin katılımcı sayısal özellikleri (MoCA puanları ve MemTrax performans metrikleri dahil) Tablo 3'te gösterilmektedir.
tablo 3
Her model sınıflandırma stratejisi için katılımcı özellikleri, MoCA puanları ve MemTrax performansı
| Sınıflandırma Stratejisi | Yaş | Eğitim | MoCA Düzeltildi | MoCA Ayarsız | MTx-%C | MTx-RT |
| MoCA Kategorisi | 61.9 y (13.1) | 9.6 y (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 sn (0.3) |
| Tanı Şiddeti | 65.6 y (12.1) | 8.6 y (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 sn (0.3) |
Modelleme sınıflandırma stratejileriyle farklılaştırılan gösterilen değerler (ortalama, SD), MoCA ile belirtilen bilişsel sağlığı (MCI'ye karşı normal) tahmin etmek için kullanılan birleşik veri kümesini ve yalnızca tanı şiddetini (hafife karşı şiddetli) tahmin etmek için kullanılan XL alt veri kümesini temsil eder.
MoCA puanı (düzeltilmiş/düzeltilmemiş) ve eşiğin (26/23) her bir kombinasyonu için, istatistiksel bir fark vardı (p = 0.000) yaş, eğitim ve MemTrax performansı (MTx-% C ve MTx-RT) için her bir ikili karşılaştırmada (normal bilişsel sağlığa karşı MCI). Her bir kombinasyon için ilgili MCI sınıfındaki her hasta alt veri seti ortalama olarak yaklaşık 9 ila 15 yaş arasındaydı, yaklaşık beş yıl daha az eğitim bildirdi ve her iki ölçüm için daha az olumlu MemTrax performansına sahipti.
İlk üç öğrenici olan Lojistik Regresyon, Naive Bayes ve Destek Vektör Makinesi kullanılarak MoCA puan sınıflandırmaları için tahmine dayalı modelleme performansı sonuçları Tablo 4'te gösterilmektedir. tüm modelleme şemaları için veri kümelerine uygulanır. Filtrelenmemiş veri kümesi ve modelleme için, Tablo 4'teki veri değerlerinin her biri, her bir öğrenci/modelleme şeması kombinasyonu için oluşturulmuş 100 modelden (10 çalışma×10 kat) türetilen AUC ilgili ortalamaya dayalı model performansını gösterir. performans gösteren öğrenci koyu renkle belirtilmiştir. Filtrelenmiş veri kümesi modellemesi için, Tablo 4'te rapor edilen sonuçlar, her bir öğrenci için özellik sıralama yöntemlerinin her birini kullanan 400 modelden genel ortalama model performanslarını yansıtır (4 özellik sıralama yöntemi × 10 çalışma × 10 kat).
tablo 4
Tüm ilgili modelleme şemaları için en iyi performans gösteren üç öğrencinin her biri için ikili MoCA puanı sınıflandırma performansı (AUC; 0.0–1.0) sonuçları
| Kullanılan Özellik Seti | MoCA Puanı | Sınır eşiği | Lojistik regresyon | Naif bayanlar | Destek Vektör Makinesi |
| Filtrelenmemiş (10 özellik) | Düzeltilmiş | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Ayarlanmamış | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Filtrelenmiş (4 özellik) | Düzeltilmiş | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Ayarlanmamış | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Özellik seti, MoCA puanı ve MoCA puanı kesme eşiği varyasyonlarını kullanarak, her modelleme şeması için en yüksek performans şurada gösterilmektedir: pim (mutlaka istatistiksel olarak farklı olmayan diğerlerinden farklı olmak zorunda değildir) pim ilgili model için).
Birleştirilmiş filtrelenmemiş veri setinde (yani, 23 ortak özelliği kullanarak) MoCA puan versiyonlarının ve eşiklerin (sırasıyla ayarlanmış/düzeltilmemiş ve 26/10) tüm kombinasyonlarında öğrenicileri karşılaştırdığımızda, Naive Bayes genel olarak en iyi performans gösteren öğrenciydi. 0.9093 sınıflandırma performansı. İlk üç öğrenici göz önüne alındığında, Bayes korelasyonlu işaretli sıra testleri, olasılığın (PrNaive Bayes'in %99.9'u Lojistik Regresyon'dan daha iyi performans gösterdi. Ayrıca, Naive Bayes ve Destek Vektör Makinesi arasında, öğrenci performansında %21.0'lik bir pratik denklik olasılığı (böylece, Naive Bayes'in Destek Vektör Makinesinden daha iyi performans gösterme olasılığı %79.0), Destek Vektör Makinesi'nin daha iyi, ölçülebilir şekilde performans gösterme olasılığı %0.0'dır. Naïve Bayes için performans avantajını güçlendirir. MoCA puanı versiyonunun tüm öğrenciler/eşikler arasında daha fazla karşılaştırılması, düzeltilmiş MoCA puanlarına göre ayarlanmamış (sırasıyla 0.9027'ye karşı 0.8971; Pr (ayarlanmamış > ayarlanmış) = 0.988). Benzer şekilde, tüm öğreniciler ve MoCA puan versiyonları arasında eşik eşiğinin karşılaştırılması, sınıflandırma eşiği olarak 26'nın 23'e karşı kullanılması (sırasıyla 0.9056'ya karşı 0.8942; Pr (26 > 23) = 0.999). Son olarak, yalnızca filtrelenmiş sonuçları kullanan modeller için sınıflandırma performansını incelerken (yani, yalnızca en üst sırada yer alan dört özellik), Naive Bayes (0.9143) tüm MoCA puan sürümleri/eşiklerinde sayısal olarak en iyi performans gösteren öğrenciydi. Ancak, tüm özellik sıralama teknikleri bir araya geldiğinde, en iyi performans gösteren tüm öğrenciler benzer şekilde performans gösterdi. Bayes imzalı sıra testleri, filtrelenmiş her bir öğrenci çifti arasında %100 pratik denklik olasılığı gösterdi. Filtrelenmemiş verilerde olduğu gibi (10 ortak özelliğin tümünü kullanarak), MoCA puanının ayarlanmamış versiyonu için yine bir performans avantajı vardı (Pr (düzeltilmemiş > ayarlanmış) = 1.000), ayrıca 26 sınıflandırma eşiği için benzer şekilde belirgin bir avantaj (Pr (26 > 23) = 1.000). Özellikle, tüm MoCA puan sürümleri/eşiklerinde ilk üç öğrencinin her birinin yalnızca en üst sıradaki dört özelliği kullanan ortalama performansı, herhangi bir öğrencinin filtrelenmemiş veriler üzerindeki ortalama performansını aştı. Şaşırtıcı olmayan bir şekilde, filtrelenmiş modellerin sınıflandırma performansı (en üst sıradaki dört özelliği kullanarak) genel olarak filtrelenmemiş modellerden (0.9119) daha üstündü (0.8999), özellik sıralama yöntemi modellerinden bağımsız olarak, 10 ortak özelliğin tümünü kullanan ilgili modellerle karşılaştırıldı. özellikleri. Her bir öznitelik seçim yöntemi için, filtrelenmemiş modellere göre %100 performans avantajı olasılığı vardı.
AH tanı şiddeti sınıflandırması için düşünülen hastalarda, yaş için gruplar arası (MCI-AD'ye karşı AD) farklılıklar (p = 0.004), eğitim (p = 0.028), MoCA puanı düzeltilmiş/düzeltilmemiş (p = 0.000), ve MTx-% C (p = 0.008) istatistiksel olarak anlamlıydı; MTx-RT için değildi (p = 0.097). VaD tanı şiddeti sınıflandırması için düşünülen bu hastalarda, MoCA skoru düzeltilmiş/düzeltilmemiş gruplar arası (MCI-VaD'ye karşı VaD) farklılıklar (p = 0.007) ve MTx-% C (p = 0.026) ve MTx-RT (p = 0.001) istatistiksel olarak anlamlıydı; yaş için ise (p = 0.511) ve eğitim (p = 0.157) gruplar arasında anlamlı fark yoktu.
Önceden seçilen üç öğrenici, Lojistik Regresyon, Naive Bayes ve Destek Vektör Makinesi kullanılarak teşhis şiddeti sınıflandırmaları için tahmine dayalı modelleme performans sonuçları Tablo 5'te gösterilmektedir. , önceki modellememizde en uygun olarak belirlediğimiz üç öğrenci, her iki yeni modelleme şemasıyla da en tutarlı performansı sundu. Birincil tanı kategorilerinin (AD ve VaD) her biri genelindeki öğrenciler karşılaştırıldığında, Destek Vektör Makinesi genellikle daha belirgin bir performans gösterse de, MCI-VaD ve VaD için öğrenciler arasında tutarlı bir sınıflandırma performansı farkı yoktu. Benzer şekilde, Naïve Bayes'in (NB) Lojistik Regresyona (LR) göre hafif bir performans avantajına ve %61.4 olasılıkla Destek Vektör Makinesine göre ihmal edilebilir bir çoğulluğa sahip olmasına rağmen, MCI-AD ile AD sınıflandırması için öğrenciler arasında önemli bir fark yoktu. ve sırasıyla %41.7. Her iki veri kümesinde de Destek Vektör Makinesi (SVM) için genel bir performans avantajı vardı. Pr (SVM > LR) = 0.819 ve Pr (SVM > NB) = 0.934. XL alt veri kümesindeki tanının ciddiyetini tahmin etmede tüm öğrenciler genelindeki genel sınıflandırma performansımız, AD'ye kıyasla VaD tanı kategorisinde daha iyiydi (Pr (VAD > AD) = 0.998).
tablo 5
Her iki ilgili modelleme şeması için en iyi performans gösteren üç öğrencinin her biri için ikili klinik tanı şiddeti sınıflandırma performansı (AUC; 0.0–1.0) sonuçları
| Modelleme Şeması | Lojistik regresyon | Naif bayanlar | Destek Vektör Makinesi |
| MCI-AD'ye karşı AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD'ye karşı VaD | 0.8033 | 0.8044 | 0.8338 |
Her modelleme şeması için en yüksek performans, pim (mutlaka istatistiksel olarak farklı olmayan diğerlerinden farklı değildir) pim).
TARTIŞMA
Bilişsel sağlıktaki değişikliklerin erken tespiti önemlidir. hem kişisel sağlık yönetiminde hem de halk sağlığında pratik fayda. Gerçekten de, dünya çapındaki hastalar için klinik ortamlarda da çok yüksek bir önceliktir. Ortak amaç, hastaları, bakıcıları ve sağlayıcıları uyarmak ve bilişsel gerileme yaşamaya başlayanlar için daha erken uygun ve uygun maliyetli tedavi ve boylamsal bakım sağlamaktır. Üç hastane/klinik veri alt kümemizi birleştirerek, tahmine dayalı modeller oluşturmak için ayırt edici şekilde tercih edilebilecek üç öğrenci belirledik (bir kayda değer öne çıkan Naïve Bayes ile). Bilişsel sağlık durumunu güvenilir bir şekilde sınıflandırabilen MemTrax performans ölçümleri bir MoCA toplam puanı ile gösterileceği gibi ikili (normal bilişsel sağlık veya MCI). Modellerimiz, bu MemTrax performans ölçümlerini temel olarak kapsayan yalnızca en üst sıradaki dört özelliği kullandığında, üç öğrencinin tümü için genel sınıflandırma performansı arttı. Ayrıca, iki demans teşhisi kategorisinin (AD ve VaD) ciddiyetini ayırt etmek için bir teşhis destek sınıflandırma modelleme şemasında aynı öğrenicileri ve MemTrax performans ölçümlerini kullanmanın doğrulanmış potansiyelini ortaya çıkardık.
Hafıza testi AD'nin erken saptanmasında merkezidir [23, 24]. Bu nedenle, MemTrax'in kabul edilebilir, ilgi çekici ve uygulaması kolay bir çevrimiçi olaysal bellek için tarama testi genel popülasyonda [6]. Bu sürekli performans görevinden tanıma doğruluğu ve yanıt süreleri, öğrenme, hafıza ve biliş ile ilgili nöroplastik süreçlerde erken ve gelişen bozulmayı ve bunun sonucunda ortaya çıkan eksiklikleri belirlemede özellikle aydınlatıcıdır. Yani, büyük ölçüde MemTrax performans ölçütlerine dayanan buradaki modeller, geçiş asemptomatik aşaması sırasında daha önemli işlevsel kayıptan çok önce biyolojik nöropatolojik eksiklikleri kolayca ve minimum maliyetle ortaya çıkarma olasılığı daha yüksektir [25]. Ashford ve ark. MemTrax [6] ile kendi başlarına katılan çevrimiçi kullanıcılarda tanıma belleği doğruluğu ve yanıt süresinin kalıplarını ve davranışlarını yakından inceledi. Bu dağılımların optimum modelleme ve geçerli ve etkili hasta bakımı uygulamaları geliştirmede kritik öneme sahip olduğuna saygı duyarak, klinik olarak uygulanabilir tanıma ve yanıt süresi profillerini tanımlamak, klinik ve araştırma faydası için değerli bir temel referans oluşturmada önemlidir. MemTrax'in erken evre bilişsel bozukluk ve ayırıcı tanı desteği için AD taramasındaki pratik değerinin, test performansını etkileyen komorbiditelerin ve bilişsel, duyusal ve motor yeteneklerin dikkate alınabileceği bir klinik ortam bağlamında daha yakından incelenmesi gerekir. Ve profesyonel bakış açısını bilgilendirmek ve pratik klinik faydayı teşvik etmek için, ikincisi hantal test lojistiği, eğitim ve dil caydırıcıları ve kültürel etkiler tarafından fark edilebilir şekilde kısıtlanmış olsa bile, yerleşik bir bilişsel sağlık değerlendirme testi ile karşılaştırmayı göstermek zorunludur [26]. . Bu bağlamda, özellikle MemTrax'ın daha fazla kullanım kolaylığı ve hasta kabulü tartıldığında, MemTrax'ın klinik etkinlik açısından genellikle bir endüstri standardı olduğu iddia edilen MoCA ile olumlu karşılaştırması önemlidir.
MemTrax ile MoCA'yı karşılaştıran önceki araştırma, modelleme araştırmamızı garanti eden mantığı ve ön kanıtları vurgulamaktadır [8]. Bununla birlikte, bu önceki karşılaştırma, MoCA tarafından belirlendiği ve ilgili aralıkları ve sınır değerlerini tanımladığı şekliyle, incelediğimiz iki temel MemTrax performans metriğini yalnızca bilişsel durumla ilişkilendirdi. Diğer potansiyel olarak ilgili hastaya özel parametrelerin daha kişiselleştirilmiş bir değerlendirmesini sağlayacak öngörücü modelleme tabanlı bir yaklaşımı keşfederek MemTrax'ın klinik fayda değerlendirmesini derinleştirdik. Diğerlerinin aksine, MoCA skorunda bir eğitim düzeltmesi (ayarlama) kullanarak veya orijinal olarak önerilen 26'dan 23'e kadar bilişsel sağlık ayırt edici MoCA toplam skor eşiğini değiştirmede model performansında bir avantaj bulamadık [12, 15]. Aslında, sınıflandırma performansı avantajı, düzeltilmemiş MoCA puanı ve daha yüksek eşiğin kullanılmasından yanaydı.
Klinik pratikte önemli noktalar
Veriler kapsamlı ve çok boyutlu olduğunda, yani çok sayıda gözlem ve eşlik eden geniş bir yüksek değerli (katkıda bulunan) nitelikler dizisi olduğunda, makine öğrenimi genellikle en iyi şekilde kullanılır ve tahmine dayalı modellemede en etkilidir. Ancak, bu güncel verilerle, yalnızca dört seçilmiş özelliğe sahip filtrelenmiş modeller, 10 ortak özelliğin tümünü kullananlardan daha iyi performans gösterdi. Bu, toplam hastane veri setimizin, hastaları bu şekilde en uygun şekilde sınıflandırmak için klinik olarak en uygun (yüksek değer) özelliklere sahip olmadığını göstermektedir. Bununla birlikte, temel MemTrax performans metriklerine (MTx-% C ve MTx-RT) vurgu yapan özellik sıralaması, bu test etrafında basit, yönetimi kolay, düşük maliyetli ve ilgili bilgileri uygun şekilde ortaya koyan erken aşama bilişsel eksiklik tarama modellerinin oluşturulmasını güçlü bir şekilde desteklemektedir. hafıza performansı, en azından şu anda bilişsel sağlık durumunun ikili sınıflandırması için bir başlangıç ekranı olarak. Sağlayıcılar ve sağlık hizmetleri sistemleri üzerindeki sürekli artan baskı göz önüne alındığında, hasta tarama süreçleri ve klinik uygulamalar, tanıda en yararlı, avantajlı ve kanıtlanmış etkili hasta özellikleri ve test ölçümlerinin toplanması, izlenmesi ve modellenmesi vurgulanarak uygun şekilde geliştirilmelidir. ve hasta yönetimi desteği.
MCI sınıflandırmasının merkezinde yer alan iki önemli MemTrax metriğiyle, en iyi performans gösteren öğrencimiz (Naïve Bayes) çoğu modelde çok yüksek bir tahmin performansına sahipti (0.90'ın üzerinde AUC) 4'e yaklaşan veya bir şekilde onu aşan gerçek-pozitif-yanlış-pozitif oranı : 1. Bu öğreniciyi kullanan bir translasyonel klinik uygulama, bu nedenle, normal bilişsel sağlığı olan birini yanlışlıkla bilişsel yetersizliğe sahip (yanlış pozitif) veya bilişsel kusuru olanlarda bu sınıflandırmayı kaçırmak (yanlış negatif). Bu yanlış sınıflandırma senaryolarından herhangi biri hastaya ve bakıcılara aşırı psiko-sosyal yük getirebilir.
Ön ve tam analizlerde her bir modelleme şemasında on öğrencinin tümünü kullanırken, sonuçlarımızı en tutarlı güçlü performansı gösteren üç sınıflandırıcıya odakladık. Bu aynı zamanda, bu verilere dayanarak, bilişsel durum sınıflandırmasının belirlenmesinde pratik bir klinik uygulamada yüksek düzeyde güvenilir bir şekilde performans göstermesi beklenen öğrenicileri vurgulamaktı. Ayrıca, bu çalışma, makine öğreniminin bilişsel tarama ve bu güncel klinik zorluklar üzerindeki yararına giriş niteliğinde bir araştırma olarak tasarlandığından, minimum parametre ayarıyla öğrenme tekniklerini basit ve genelleştirilmiş tutma kararı aldık. Bu yaklaşımın, daha dar bir şekilde tanımlanmış hastaya özgü öngörü yetenekleri potansiyelini sınırlamış olabileceğini takdir ediyoruz. Benzer şekilde, modelleri yalnızca en iyi özellikleri kullanarak eğitmek (filtrelenmiş yaklaşım) bu veriler hakkında bizi daha fazla bilgilendirirken (toplanan verilerdeki eksikliklere özel ve değerli klinik zaman ve kaynakları optimize etmedeki değeri vurgulayarak), daraltmanın erken olduğunu biliyoruz. modellerin kapsamı ve dolayısıyla tümü (ve diğer özellikler), geniş popülasyona uygulanabilecek daha kesin bir öncelik özellikleri profiline sahip olana kadar gelecekteki araştırmalarla birlikte düşünülmelidir. Bu nedenle, özellikle ileri klinik değerlendirmede dikkate alınması gereken bilişsel performansı etkileyen komorbiditeleri barındırmak için, bunları etkili bir klinik uygulamaya entegre etmeden önce daha kapsayıcı ve geniş temsili verilerin ve bu ve diğer modellerin optimizasyonunun gerekli olacağını da tam olarak biliyoruz.
MemTrax'ın faydası, ayrı klinik tanıya dayalı olarak hastalık şiddetinin modellenmesiyle daha da geliştirildi. VaD'nin ciddiyetini tahmin etmede (AD'ye kıyasla) daha iyi bir genel sınıflandırma performansı elde edilememiştir. damar sağlığına özel modellerde hasta profili özellikleri göz önüne alındığında şaşırtıcı ve inme riski, yani hipertansiyon, hiperlipidemi, diyabet ve (elbette) inme öyküsü. Bununla birlikte, öğrencileri bu daha kapsayıcı verilerle eğitmek için aynı klinik değerlendirmenin bilişsel sağlığı normal olan eşleştirilmiş hastalar üzerinde yürütülmesi daha arzu edilir ve uygun olurdu. MemTrax öncelikle bir bilişsel eksikliğin erken aşamada tespiti ve müteakip bireysel değişimin izlenmesi için kullanılmak üzere tasarlandığından, bu özellikle garanti edilir. VaD veri kümesindeki verilerin daha arzu edilen dağılımının, nispeten daha iyi modelleme performansına kısmen katkıda bulunmuş olması da olasıdır. VaD veri seti, iki sınıf arasında iyi dengelenmişken, çok daha az MCI hastası içeren AD veri seti dengeli değildi. Özellikle küçük veri kümelerinde, birkaç ek örnek bile ölçülebilir bir fark yaratabilir. Her iki bakış açısı da hastalık şiddeti modelleme performansındaki farklılıkların altında yatan makul argümanlardır. Bununla birlikte, gelişmiş performansı orantılı olarak veri kümesinin sayısal özelliklerine veya söz konusu klinik sunuma özgü doğal özelliklere atfetmek erkendir. Bununla birlikte, bu roman, klinik teşhis desteği rolünde bir MemTrax öngörücü sınıflandırma modelinin faydasını gösterdi, değerli bir bakış açısı sağlıyor ve HBB süreci boyunca hastalarla ek inceleme arayışını onaylıyor.
MemTrax'ın ve bu modellerin dil ve kültürün diğer yerleşik fayda bölgelerinden (örneğin, Fransa, Hollanda ve Amerika Birleşik Devletleri) büyük ölçüde farklı olduğu Çin'de uygulanması ve kanıtlanmış faydası, potansiyelin daha da altını çizmektedir. MemTrax tabanlı bir platformun yaygın küresel kabulü ve klinik değeri için. Bu, veri uyumlaştırmaya yönelik çabalamada ve dünya çapında kullanım için standartlaştırılmış ve kolayca uyarlanmış bilişsel tarama için pratik uluslararası normlar ve modelleme kaynakları geliştirmede gösterilebilir bir örnektir.
Bilişsel düşüş modelleme ve uygulamasında sonraki adımlar
AD'deki bilişsel işlev bozukluğu gerçekten de ayrık aşamalar veya adımlar halinde değil, bir süreklilik içinde ortaya çıkar [28, 29]. Ancak, bu erken aşamada hedefimiz, öncelikle "normal" ile "normal olmayan"ı temelde ayırt edebilen MemTrax'i içeren bir model oluşturma yeteneğimizi oluşturmaktı. Daha kapsayıcı ampirik veriler (örneğin, beyin görüntüleme, genetik özellikler, biyobelirteçler, komorbiditeler ve karmaşık hastalıkların fonksiyonel belirteçleri) bilişsel gerektiren etkinlikler kontrol) [30] daha sofistike (uygun ağırlıklı topluluk dahil) makine öğrenimi modellerini eğitmek ve geliştirmek için çeşitli küresel bölgeler, popülasyonlar ve yaş grupları arasında daha yüksek derecede gelişmiş sınıflandırmayı, yani hasta gruplarını kategorize etme kapasitesini destekleyecektir. MCI, bilişsel düşüş sürekliliği boyunca daha küçük ve daha kesin alt kümelere bölünür. Ayrıca, bölgesel olarak farklı hasta popülasyonlarındaki bireyler için eşzamanlı klinik teşhisler, etkili bir şekilde eğitmek bu daha kapsayıcı ve tahmin edilebileceği gibi sağlam modeller. Bu, benzer geçmişlere, etkilere ve daha dar tanımlanmış karakteristik bilişsel profillere sahip olanlar için daha spesifik tabakalı vaka yönetimini kolaylaştıracak ve böylece klinik karar desteğini ve hasta bakımını optimize edecektir.
Bugüne kadar ilgili klinik araştırmaların çoğu, en azından hafif demansı olan hastaları ele almıştır; ve pratikte çok sıklıkla hasta müdahalesi yalnızca ileri aşamalarda denenir. Bununla birlikte, bilişsel gerileme, bunama için klinik kriterler karşılanmadan çok önce başladığından, etkili bir şekilde uygulanan MemTrax tabanlı erken tarama, bireylerin hastalık ve ilerlemeleri hakkında uygun eğitimini teşvik edebilir ve daha erken ve daha zamanında müdahaleleri teşvik edebilir. Bu nedenle erken teşhis, egzersiz, diyet, duygusal destek ve iyileştirilmiş sosyalleşmeden farmakolojik müdahaleye kadar değişen uygun katılımları destekleyebilir ve tek başına veya toplu olarak demansın ilerlemesini azaltabilecek veya potansiyel olarak durdurabilecek hastayla ilgili davranış ve algı değişikliklerini güçlendirebilir [31, 32]. . Ayrıca, etkili erken tarama, bireylerden ve ailelerinden, beklentileri ve niyetleri netleştirmeye ve günlük görevleri yönetmeye yardımcı olmak için klinik araştırmaları düşünmeleri veya danışmanlık ve diğer sosyal hizmet desteği almaları istenebilir. Bu yollarla daha fazla doğrulama ve yaygın pratik fayda, birçok kişi için MCI, AD ve ADRD'nin ilerlemesini hafifletmede veya durdurmada etkili olabilir.
Aslında, çalışmamızdaki hasta yaş aralığının alt sınırı, AD ile geleneksel olarak ilgilenen popülasyonu temsil etmemektedir. Bununla birlikte, MoCA puanı/eşiği ve tanı şiddetine (Tablo 3) dayalı sınıflandırma modelleme şemalarında kullanılan her grup için ortalama yaş, açık bir çoğunluğun (%80'in üzerinde) en az 50 yaşında olduğunun altını çizmektedir. Dolayısıyla bu dağılım, genelleme için çok uygundur ve bu modellerin tipik olarak etkilenenleri karakterize eden popülasyondaki faydasını destekler. Erken başlangıçlı ve AD ve VaD'ye bağlı gelişen nörobilişsel hastalık. Ayrıca, son kanıtlar ve bakış açısı, potansiyel olarak daha yüksek erken yaşta katkıda bulunan bilinen faktörleri (örneğin, hipertansiyon, obezite, diyabet ve sigara içme) vurgulamaktadır. yetişkin ve orta yaş vasküler risk skorları ve bunun sonucunda gençlerde bile belirgin etkilerle sinsice gelişen ince vasküler beyin hasarı yetişkinler [33–35]. Buna göre, erken teşhis için en uygun ilk tarama fırsatı bilişsel eksiklikleri aşamalandırmak ve bunamayı başarılı bir şekilde ele almak için etkili önleme ve müdahale stratejileri başlatmak erken yetişkinlik ve hatta potansiyel olarak çocukluk dahil olmak üzere yaş yelpazesi boyunca katkıda bulunan faktörlerin ve öncül göstergelerin incelenmesiyle ortaya çıkacaktır (gebeliğin erken döneminden itibaren apolipoprotein E gibi genetik faktörlerin alaka düzeyine dikkat çekilerek).
Uygulamada, geçerli klinik teşhisler ve gelişmiş görüntüleme, genetik profil oluşturma ve umut verici biyobelirteçlerin ölçülmesi için maliyetli prosedürler her zaman hazır değildir ve hatta birçok sağlayıcı için mümkün değildir. Bu nedenle, birçok durumda, başlangıçtaki genel bilişsel sağlık durumu sınıflandırmasının, hasta tarafından sağlanan diğer basit ölçümleri kullanan modellerden türetilmesi gerekebilir (örn. bellek sorunları, mevcut ilaçlar ve rutin aktivite kısıtlamaları) ve ortak demografik özellikler [7]. California Üniversitesi gibi kayıtlar Beyin Sağlığı Kayıt (https://www.brainhealthregistry.org/) [27] ve kendi kendine bildirilen semptomlar, niteliksel ölçümler (örn. uyku ve günlük biliş), ilaçlar, sağlık durumu ve geçmiş ve doğası gereği daha geniş olan diğerleri daha ayrıntılı demografik veriler, klinikte bu daha ilkel modellerin pratik uygulamalarının geliştirilmesinde ve doğrulanmasında etkili olacaktır. Ayrıca, hafıza işlevinin değerlendirilmesinde faydasını kanıtlamış olan MemTrax gibi bir test, aslında AD patolojisinin biyolojik belirteçlerden önemli ölçüde daha iyi bir tahminini sağlayabilir. AD patolojisinin temel özelliğinin nöroplastisitenin bozulması ve epizodik olarak ortaya çıkan ezici bir şekilde karmaşık sinaps kaybı olduğu göz önüne alındığında epizodik belleği değerlendiren bir ölçüt olan bellek işlev bozukluğu aslında AD patolojik yükünün, yaşayan hastadaki biyolojik belirteçlerden daha iyi tahmin edilmesini sağlar [36].
Tüm tahmine dayalı modellerle—ister en son teknolojiden elde edilen karmaşık ve kapsayıcı verilerle tamamlanıyor olsun, ister birden fazla alanda rafine klinik öngörüler olsun, isterse mevcut hasta profillerinin daha temel ve kolayca bulunabilen bilgi özelliğiyle sınırlı olsun—yapay zekanın tanınan avantajı ve makine öğrenimi, ortaya çıkan modellerin, devam eden uygulama kullanımı tarafından sağlanan ilgili yeni verilerden ve perspektiften sentezleyebilmesi ve tümevarımsal olarak "öğrenebilmesi"dir. Pratik teknoloji transferini takiben, buradaki (ve geliştirilecek olan) modeller daha fazla vaka ve ilgili veriyle (bilişsel gerileme ile ortaya çıkabilecek komorbiditeleri olan hastalar dahil) uygulanıp zenginleştirildikçe, tahmin performansı ve bilişsel sağlık sınıflandırması daha sağlam olacaktır, daha etkili klinik karar destek yardımcı programı ile sonuçlanır. Bu evrim, MemTrax'in sağlık hizmeti sağlayıcılarının klinikte gerçek zamanlı olarak kullanabilecekleri özel (mevcut yeteneklere yönelik) platformlara yerleştirilmesiyle daha eksiksiz ve pratik bir şekilde gerçekleştirilecektir.
MemTrax modelinin tanı desteği ve hasta bakımı için geçerliliğinin ve kullanımının zorunlu olması, çok aranan anlamlı uzunlamasına verilerdir. Yeterli bir normal ila erken evre HBB aralığında klinik durumdaki (varsa) eşlik eden değişiklikleri gözlemleyerek ve kaydederek, uygun sürekli değerlendirme ve sınıflandırma modelleri, hastalar yaşlandıkça ve tedavi edildikçe eğitilebilir ve değiştirilebilir. Yani, tekrarlanan fayda, hafif bilişsel değişikliklerin uzunlamasına izlenmesine, müdahalenin etkinliğine ve bilgilendirilmiş tabakalı bakımın sürdürülmesine yardımcı olabilir. Bu yaklaşım, klinik uygulama ve hasta ve vaka yönetimi ile daha yakından uyumludur.
Sınırlamalar
Kontrollü bir klinik/hastane ortamında temiz klinik veri toplamanın zorluğunu ve değerini takdir ediyoruz. Bununla birlikte, veri kümelerimiz ortak özelliklere sahip daha fazla hasta içerseydi, modellememizi güçlendirebilirdi. Ayrıca, teşhis modellememize özgü olarak, öğrencileri eğitmek için aynı klinik değerlendirmenin bilişsel sağlığı normal olan eşleştirilmiş hastalar üzerinde yürütülmesi daha arzu edilir ve uygun olurdu. Ve filtrelenmiş veri kümesi (yalnızca en üst sıradaki dört özellik) kullanılarak daha yüksek sınıflandırma performansının altını çizdiği gibi, daha genel ve bilişsel sağlık ölçütleri/göstergeleri muhtemelen iyileşirdi tüm hastalarda daha fazla sayıda ortak özellik ile modelleme performansı.
Bazı katılımcılar, geçici veya kronik bilişsel eksikliklere yol açabilecek başka hastalıkları aynı anda yaşıyor olabilirler. Hastaların diagnostik olarak AD veya VaD olarak sınıflandırıldığı XL alt veri seti dışında, komorbidite verileri YH hasta havuzunda toplanmadı/raporlanmadı ve KM alt veri setinde bugüne kadar bildirilen baskın komorbidite diyabet oldu. Bununla birlikte, modelleme şemalarımıza komorbiditeleri olan hastaları dahil etmenin, bir düzeyde bilişsel yetersizlik tetikleyebilecek veya şiddetlendirebilecek ve bunun sonucunda daha düşük bir MemTrax performansının bu daha genelleştirilmiş erken bilişsel tarama için gerçek dünyayı hedef alan hasta popülasyonunu daha iyi temsil edeceği tartışılabilir. ve modelleme yaklaşımı. İleriye dönük olarak, bilişsel performansı potansiyel olarak etkileyen komorbiditelerin doğru teşhisi, modelleri ve sonuçta ortaya çıkan hasta bakım uygulamalarını optimize etmek için geniş ölçüde faydalıdır.
Son olarak, YH ve KM alt veri seti hastaları MemTrax testini yapmak için bir akıllı telefon kullanırken, sınırlı sayıda XL alt veri seti hastası bir iPad ve geri kalanı bir akıllı telefon kullandı. Bu, MoCA sınıflandırma modellemesi için MemTrax performansında cihazla ilgili küçük bir fark yaratabilirdi. Bununla birlikte, örneğin, MTx-RT'deki (varsa) farklılıklar, özellikle her katılımcıya kaydedilen test performansından hemen önce bir "alıştırma" testi verildiğinde, muhtemelen ihmal edilebilir olacaktır. Bununla birlikte, bu iki el cihazının kullanımı, kullanıcıların bir bilgisayar klavyesindeki boşluk çubuğuna dokunarak tekrarlanan resimlere yanıt verdiği diğer MemTrax sonuçlarıyla doğrudan karşılaştırmayı ve/veya bunlarla entegrasyonu potansiyel olarak tehlikeye atar.
MemTrax tahmine dayalı modelleme yardımcı programında önemli noktalar
- • Seçilmiş MemTrax performans ölçümlerini kapsayan en iyi performans gösteren tahmine dayalı modellerimiz, yaygın olarak tanınan MoCA testinin gösterdiği gibi bilişsel sağlık durumunu (normal bilişsel sağlık veya MCI) güvenilir bir şekilde sınıflandırabilir.
- • Bu sonuçlar, seçilen MemTrax performans ölçümlerinin erken evre bilişsel bozulma için bir sınıflandırma öngörücü model tarama uygulamasına entegrasyonunu destekler.
- • Sınıflandırma modellememiz, demans teşhisinin ciddiyetini ayırt etmek için uygulamalarda MemTrax performansını kullanma potansiyelini de ortaya çıkardı.
Bu yeni bulgular, kognitif bozukluk yaşayan bireyler için etkin klinik vaka yönetimi ve hasta bakımında tanı desteği için gelişmiş sağlam MemTrax tabanlı sınıflandırma modelleri oluşturmada makine öğreniminin faydasını destekleyen kesin kanıtlar oluşturuyor.
TEŞEKKÜR
J. Wesson Ashford, Curtis B. Ashford ve meslektaşlarının burada kullanılan çevrimiçi sürekli tanıma görevini ve aracını (MemTrax) geliştirdikleri ve onayladıkları için takdir ediyoruz ve kritik temel araştırmaya katkıda bulunan çok sayıda demans hastasına minnettarız. . Ayrıca Xianbo Zhou ve SJN Biomed LTD'deki meslektaşlarına, hastanelerdeki/kliniklerdeki meslektaşlarına ve işbirlikçilerine, özellikle Dr. Katılımcıların işe alınmasına, testlerin programlanmasına ve verilerin toplanmasına, kaydedilmesine ve ön uç yönetilmesine yardımcı olan M. Luo ve M. Zhong ve değerli zamanlarını bağışlayan ve testleri yapma taahhüdünde bulunan gönüllü katılımcılar Bu çalışmada değerlendirmemiz için değerli veriler. Bu çalışma kısmen MD Scientific Research tarafından desteklenmiştir. Kunming Tıp Üniversitesi Programı (Hibe no. 2017BS028 - XL) ve Yunnan Bilim ve Teknoloji Departmanı Araştırma Programı (Hibe no. 2019FE001 (-222) - XL).
J. Wesson Ashford, genel amaçlar için bu belgede açıklanan özel sürekli tanıma paradigmasının kullanımı için bir patent başvurusunda bulunmuştur. hafıza testi.
MemTrax, LLC, Curtis Ashford'a ait bir şirkettir ve bu şirket, hafıza testi bu yazıda açıklanan sistem.
Yazarların açıklamaları çevrimiçi olarak mevcuttur (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
REFERANSLAR
| [1] Alzheimer Derneği (2016) 2016 Alzheimer hastalığı gerçekleri ve rakamlar. Alzheimer Demansı 12, 459–509. | |
| [2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) Erken aşamanın etkisi Alzheimer hastalığı Hanehalkı mali sonuçları hakkında. Sağlık Ekonomisi 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) nöroloji: Hafif bilişsel bozulma kalite ölçüm seti. Nöroloji 93, 705-713. |
| [4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) Kullanmanın maliyet etkinliği birinci basamakta bunama ve hafif bilişsel bozulmayı saptamak için bilişsel tarama testleri. Int J Geriatr Psikiyatri 32, 1392–1400. | |
| [5] Ashford JW , Gere E , Bayley PJ (2011) hafıza ölçümü sürekli bir tanıma testi kullanarak büyük grup ortamlarında. J Alzheimer Dis 27, 885–895. | |
| [6] | Ashford JW , Tarpin-Bernard F , Ashford CB , Ashford MT (2019) Epizodik belleğin ölçümü için bilgisayarlı bir sürekli tanıma görevi. J Alzheimer Dis 69, 385-399. |
| [7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) Bilişsel sağlık durumu sınıflandırmasını tahmin etmek için makine öğrenimi modellemesinde epizodik bellek performansı. J Alzheimer Dis 70, 277-286. |
| [8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) MemTrax testi hafif bilişsel bozukluğun montreal bilişsel değerlendirme tahminiyle karşılaştırıldığında. J Alzheimer Dis 67, 1045–1054. | |
| [9] | Falcone M , Yadav N , Poellabauer C , Flynn P (2013) Hafif travmatik beyin hasarının sınıflandırılması için izole sesli harflerin kullanılması. 2013 yılında IEEE Uluslararası Akustik, Konuşma ve Sinyal İşleme Konferansı, Vancouver, BC, s. 7577–7581. |
| [10] | Dabek F , Caban JJ (2015) Bir sarsıntıdan sonra psikolojik durumların gelişme olasılığını modellemek için büyük verilerden yararlanma. Procedia Comput Sci 53, 265-273. |
| [11] | Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) Serbest eczacılar tarafından bilişsel bozulmanın erken tespiti için karar ağacı. Ön 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: Hafif bilişsel bozukluk için kısa bir tarama aracı. J Am Geriatr Soc 53, 695-699. |
| [13] | Yu J , Li J , Huang X (2012) Hafif bilişsel bozukluk için kısa bir tarama aracı olarak montreal bilişsel değerlendirmenin Pekin versiyonu: Toplum temelli bir çalışma. BMC Psikiyatri 12, 156. |
| [14] | Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) Hafif bilişsel bozukluğun taranması için temel Montreal bilişsel değerlendirmenin Çince versiyonunun doğrulanması. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N , Leach L , Murphy KJ (2018) Montreal Bilişsel Değerlendirme (MoCA) kesme puanlarının yeniden incelenmesi. Int J Geriatr Psikiyatrisi 33, 379-388. |
| [16] | Amerikan Psikiyatri Birliği (2013) Görev Gücü Ruhsal bozuklukların tanısal ve istatistiksel el kitabı: DSM-5™, American Psychiatric Publishing, Inc., Washington, DC. |
| [17] | Python. Python Yazılım Vakfı, http://www.python.org, Erişim tarihi: 15 Kasım 2019. |
| [18] | R Core Group, R: İstatistiksel hesaplama için bir dil ve ortam R İstatistiksel Hesaplama Vakfı, Viyana, Avusturya. https://www.R-project.org/, 2018, Erişim tarihi: 15 Kasım 2019. |
| [19] | Benavoli A , Corani G , Demšar J , Zaffalon M (2017) Değişim zamanı: Bayes analizi yoluyla çoklu sınıflandırıcıları karşılaştırmak için bir eğitim. J Mach Learn Res 18, 1-36. |
| [20] | Frank E , Salon MA , Witten IH (2016) WEKA Tezgahı. İçinde Veri Madenciliği: Pratik Makine Öğrenme Araçları ve Teknikleri, Frank E, Hall MA, Witten IH, Pal CJ, ed. 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) Lise spor sarsıntısı semptom modellemesinde makine öğrenimi. Med Sci Spor Egzersiz 51, 1362-1371. |
| [22] | Van Hulse J , Khoshgoftaar TM , Napolitano A (2007) Dengesiz verilerden öğrenme üzerine deneysel bakış açıları. İçinde 24. Uluslararası Makine Öğrenimi Konferansı Tutanakları, Corvalis, Oregon, ABD, s. 935-942. |
| [23] | Ashford JW , Kolm P , Colliver JA , Bekian C , Hsu LN (1989) Alzheimer hasta değerlendirmesi ve mini zihinsel durum: Öğe karakteristik eğri analizi.P. J Gerontol 44, 139–146. |
| [24] Ashford JW , Jarvik L (1985) Alzheimer hastalığı: Nöron plastisitesi aksonal nörofibriler dejenerasyona zemin hazırlıyor mu? N İngilizce 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) National Institute on Aging-Alzheimer'ı kullanarak biyolojik ve klinik olarak tanımlanmış Alzheimer spektrum varlıklarının prevalansı Dernek Araştırması çerçeve. JAMA Neurol 76, 1174–1183. | |
| [26] Zhou X , Ashford JW (2019) Tarama araçlarındaki gelişmeler Alzheimer hastalığı. Yaşlanma Orta 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) Beyin Sağlığı Kayıt: Nörobilim çalışmaları için katılımcıların işe alınması, değerlendirilmesi ve uzunlamasına izlenmesi için internet tabanlı bir platform. Alzheimer Demansı 14, 1063–1076. | |
| [28] Ashford JW , Schmitt FA (2001) Alzheimer demansı. Curr Psikiyatri Rep 3, 20–28. | |
| [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE): Subjektif bilişsel bozukluğa sahip bireylerde hafif bilişsel bozukluğa dönüşüm için risk tahmin modelleri geliştirmeye yönelik bir Çin boylamsal gözlemsel çalışma protokolü reddetmek. BMJ Açık 9, e028188. |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) için beş yıllık biyobelirteç ilerleme değişkenliği Alzheimer hastalığı demansı tahmin: Günlük yaşam işaretçisinin karmaşık enstrümantal aktiviteleri boşlukları doldurabilir mi? Alzheimer Demansı (Amst) 1, 521–532. | |
| [31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) Alzheimer hastalığının önlenmesi ve tedavisi: Egzersizin biyolojik mekanizmaları. J Alzheimer Dis 69, 311–338. | |
| [32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Terapiler Alzheimer hastalığının önlenmesi ve tedavisi. 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) Yetişkinlikte vasküler risk ile geç yaşamda beyin patolojisi arasındaki ilişkiler: Bir İngiliz doğum kohortundan kanıtlar. JAMA Neurol 77, 175-183. |
| [34] | Seshadri S (2020) Yaş ve amiloid kutuları ötesinde bunama düşüncesinin önlenmesi. 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) Framingham Kalp Çalışmasında genç erişkinlerde sistolik kan basıncının beyaz madde bütünlüğü üzerindeki etkileri: Bir çapraz -kesitsel çalışma. 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) Nöropatolojik olarak tanımlanmış biyobelirteç testinin doğruluğu Demanslı yaşlı erişkinlerde Alzheimer hastalığı. Ann Stajyer Med 172, 669–677. |
Üyelikler: [a] SIVOTEC Analytics, Boca Raton, FL, ABD | [b] Bilgisayar ve Elektrik Mühendisliği ve Bilgisayar Bilimleri Bölümü, Florida Atlantic Üniversitesi, Boca Raton, FL, ABD | [c] SJN Biomed LTD, Kunming, Yunnan, Çin | [d] Merkezi Alzheimer Araştırması, Washington Klinik Araştırma Enstitüsü, Washington, DC, ABD | [e] Rehabilitasyon Tıbbı Bölümü, Kunming Tıp Üniversitesi'ne Bağlı İlk Hastane, Kunming, Yunnan, Çin | [f] Nöroloji Bölümü, Dehong Halk Hastanesi, Dehong, Yunnan, Çin | [g] Kunming Tıp Üniversitesi'nin İlk Bağlı Hastanesi Nöroloji Bölümü, Wuhua Bölgesi, Kunming, Yunnan Eyaleti, Çin | [h] Savaşla Bağlantılı Hastalık ve Yaralanma Çalışma Merkezi, VA Palo Alto Sağlık Hizmetleri Sistem, Palo Alto, CA, ABD | [i] Psikiyatri ve Davranış Bilimleri Bölümü, Stanford Üniversitesi Tıp Fakültesi, Palo Alto, CA, ABD
Yazışma: [*] Yazışma: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, ABD. E-posta: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Nöroloji Bölümü, Kunming Tıp Üniversitesi Birinci Bağlı Hastanesi, 295 Xichang Yolu, Wuhua Bölgesi, Kunming, Yunnan Eyaleti 650032, Çin. E-posta: ring@vip.163.com.
Anahtar Kelimeler: Yaşlanma, Alzheimer hastalığı, bunama, toplu tarama