Користь MemTrax і моделювання машинного навчання в класифікації легких когнітивних порушень

Стаття дослідження

Автори: Бержерон, Майкл Ф. | Ландсет, Сара | Чжоу, Сяньбо | Дінь, Тао | Хошгофтаар, Тагі М. | Чжао, Фен | Ду, Бо | Чень, Сіньцзе | Ван, Сюань | Чжун, Ляньмей | Лю, Сяолей| Ешфорд, Дж. Вессон

DOI: 10.3233/JAD-191340

журн.: журн Хвороба Альцгеймера, vol. 77, ні. 4, с. 1545-1558, 2020

абстрактний

Довідкова інформація:

Широка захворюваність і поширеність Хвороба Альцгеймера і помірні когнітивні порушення (MCI) спонукали до термінового заклику до дослідження для підтвердження раннього виявлення когнітивного скринінгу та оцінки.

Мета:

Наша основна мета дослідження полягала в тому, щоб визначити, чи можна вибрані показники ефективності MemTrax і відповідні демографічні характеристики та характеристики профілю здоров’я ефективно використовувати в прогнозних моделях, розроблених за допомогою машинного навчання, для класифікації когнітивного здоров’я (нормальний проти MCI), як це вказує Монреальська когнітивна оцінка (МЦУ).

методи:

Ми провели перехресне дослідження 259 дорослих пацієнтів неврології, клініки пам’яті та внутрішньої медицини, набраних з двох лікарні в Китаї. Кожному пацієнту було надано китайськомовний MoCA та він самостійно вводив безперервне розпізнавання MemTrax online episodic перевірка пам'яті онлайн того ж дня. Прогностичні моделі класифікації були створені за допомогою машинного навчання з 10-кратною перехресною перевіркою, а ефективність моделі вимірювалася за допомогою площі під кривою робочих характеристик приймача (AUC). Моделі були створені з використанням двох показників продуктивності MemTrax (відсоток правильності, час відповіді), а також вісім загальних демографічних і особистих функцій історії.

результати:

Порівнюючи учнів із вибраними комбінаціями балів і порогів MoCA, Naive Bayes загалом був найкращим учнем із загальною класифікаційною продуктивністю 0.9093. Крім того, серед трьох найкращих учнів загальна ефективність класифікації на основі MemTrax була кращою за використання лише чотирьох найвищих функцій (0.9119) порівняно з використанням усіх 10 загальних функцій (0.8999).

Висновок:

Продуктивність MemTrax можна ефективно використовувати в моделі прогнозування класифікації машинного навчання додаток для скринінгу для виявлення когнітивних порушень на ранній стадії.

ВСТУП

Визнана (хоча і недостатньо діагностована) широка захворюваність і поширеність і паралельна ескалація медичних, соціальних і громадських здоров'я витрати та тягар хвороби Альцгеймера (AD) і легкого когнітивного порушення (MCI) стають все більш напруженими для всіх зацікавлених сторін [1, 2]. Цей тривожний і бурхливий сценарій спонукав до термінового заклику до дослідження для перевірки раннє виявлення інструменти когнітивного скринінгу та оцінки для регулярного практичного використання в особистих і клінічних умовах для літніх пацієнтів у різних регіонах і групах населення [3]. Ці інструменти також повинні забезпечувати безперебійний переклад інформативних результатів в електронні медичні записи. Переваги будуть реалізовані завдяки інформуванню пацієнтів і допомозі лікарям у ранньому розпізнаванні значних змін і, таким чином, уможливлюють більш швидку та своєчасну стратифікацію, впровадження та відстеження відповідного індивідуального та більш економічно ефективного лікування та догляду за пацієнтами для тих, хто починає відчувати пізнавальний спад [3, 4].

Комп’ютеризований інструмент MemTrax (https://memtrax.com) є простим і коротким безперервним оцінюванням розпізнавання, яким можна самостійно керувати онлайн для вимірювання складної епізодичної пам’яті, коли користувач реагує на повторювані зображення, а не на початкову презентацію [5, 6]. Нещодавні дослідження та їхні практичні наслідки починають поступово та спільно демонструвати клінічну ефективність MemTrax у ранньому скринінгу AD та MCI [5–7]. Проте пряме порівняння клінічної користі з існуючими когнітивне здоров'я оцінки та загальноприйнятих стандартів гарантується для інформування професійної точки зору та підтвердження утиліти MemTrax для раннього виявлення та діагностичної підтримки. ван дер Гук та ін. [8] порівнювали вибрані показники продуктивності MemTrax (швидкість реакції та відсоток правильності) з когнітивним статусом, визначеним Монреальським дослідженням. Когнітивна оцінка (МЦУ). Однак це дослідження було обмежено пов’язуванням цих показників ефективності з характеристикою когнітивного статусу (як визначено MoCA) і визначенням відносних діапазонів і граничних значень. Відповідно, щоб розширити це дослідження та покращити продуктивність та ефективність класифікації, нашим основним дослідницьким питанням було:

  • Чи може окрема особа вибрані показники ефективності MemTrax і відповідні демографічні дані та стан здоров’я профіль характеристики, які будуть ефективно використані в прогностичній моделі, розробленій за допомогою машинного навчання, для дихотомічної класифікації когнітивного здоров’я (нормальний проти MCI), як це вказуватиме оцінка MoCA?

Окрім цього, ми хотіли знати:

  • Включно з тими самими функціями, чи можна ефективно застосувати модель машинного навчання MemTrax, засновану на продуктивності, до пацієнта для прогнозування тяжкості (легкої чи важкої) у вибраних категоріях когнітивних порушень, як це було б визначено незалежною клінічною діагностикою?

Поява та еволюція практичного застосування штучного інтелекту та машинного навчання у скринінгу/виявленні вже продемонстрували явні практичні переваги, завдяки прогнозному моделюванню, яке ефективно скеровує клініцистів у складній оцінці когнітивного здоров’я/здоров’я мозку та лікуванні пацієнтів. У нашому дослідженні ми обрали подібний підхід до моделювання класифікації MCI та розрізнення тяжкості когнітивних порушень, що підтверджено клінічним діагнозом із трьох наборів даних, що представляють відібраних стаціонарних та амбулаторних пацієнтів із двох лікарень у Китаї. Використовуючи прогнозне моделювання машинного навчання, ми визначили найефективніших учнів із різних комбінацій набору даних/учня та ранжували функції, щоб керувати нам у визначенні клінічно практичних застосувань моделі.

Наші гіпотези полягали в тому, що перевірену модель на основі MemTrax можна використовувати для дихотомічної класифікації когнітивного здоров’я (нормальний або MCI) на основі порогового критерію сукупної оцінки MoCA, і що подібну прогностичну модель MemTrax можна ефективно використовувати для розрізнення тяжкості в окремих категоріях клінічно діагностовано когнітивні порушення. Демонстрація очікуваних результатів допоможе підтвердити ефективність MemTrax як скринінгу раннього виявлення зниження когнітивних функцій і класифікації когнітивних порушень. Сприятливе порівняння з передбачуваним галузевим стандартом, доповнене набагато більшою легкістю та швидкістю використання, могло б допомогти клініцистам прийняти цей простий, надійний і доступний інструмент як початковий скринінг для виявлення когнітивних розладів на ранніх (включаючи продромальних) стадіях. Таким чином, такий підхід і корисність можуть спонукати до більш своєчасного та краще стратифікованого догляду за пацієнтами та втручання. Ці далекоглядні ідеї та вдосконалені показники та моделі також можуть бути корисними для пом’якшення або зупинки прогресування деменції, включаючи AD та деменції, пов’язані з AD (ADRD).

МАТЕРІАЛИ ТА МЕТОДИ

Вивчення популяції

У період з січня 2018 року по серпень 2019 року було завершено перехресне дослідження пацієнтів, набраних із двох лікарень у Китаї. Введення MemTrax [5] особам віком від 21 року, а також збір і аналіз цих даних були розглянуті та схвалені та застосовувалися відповідно до етичних стандартів Людина Комітет із захисту предметів Стенфордського університету. MemTrax та всі інші тести для цього загального дослідження проводилися відповідно до Гельсінської декларації 1975 року та схвалені Інституційною ревізійною радою Першої афілійованої лікарні Куньмінського медичного університету в Куньміні, Юньнань, Китай. Кожному користувачеві було надано інформовану згоду форму для прочитання/перегляду, а потім добровільної згоди на участь.

Учасники були набрані з пулу амбулаторних пацієнтів у неврологічній клініці лікарні Яньхуа (піднабір даних YH) та клініка пам'яті в першій афілійованій лікарні Куньміна Медікал Університет (суб-набір даних XL) у Пекіні, Китай. Учасники також були набрані з неврології (суб-набір даних XL) і внутрішньої медицини (суб-набір даних KM) у першій афілійованій лікарні Медичного університету Куньміна. Критерії включення включали: 1) чоловіки та жінки віком від 21 року, 2) здатність розмовляти китайською (мандаринською) і 3) здатність розуміти усні та письмові вказівки. Критеріями виключення були порушення зору та моторики, які заважали учасникам завершити Тест MemTrax, а також нездатність зрозуміти конкретні інструкції тесту.

Китайська версія MemTrax

Онлайн Перекладено тестову платформу MemTrax на китайську мову (URL: https://www.memtrax.com.cn) і далі адаптовано для використання через WeChat (Shenzhen Tencent Computer Systems Co. LTD., Шеньчжень, Гуандун, Китай) для самостійного керування. Дані зберігалися на хмарному сервері (Ali Cloud), розташованому в Китаї, за ліцензією Alibaba (Alibaba Technology Co. Ltd., Ханчжоу, Чжецзян, Китай) компанією SJN Biomed LTD (Куньмін, Юньнань, Китай). Конкретні деталі MemTrax і критерії валідності тесту, що використовуються тут, були описані раніше [6]. Тест надавався пацієнтам безкоштовно.

Процедури дослідження

Для стаціонарних та амбулаторних пацієнтів загальна паперова анкета для збору демографічної та особистої інформації, такої як вік, стать, роки навчання, професія, одинокі або з сім'єю, а історію хвороби вів член групи дослідження. Після заповнення анкети було проведено тести MoCA [12] і MemTrax (спочатку MoCA) з інтервалом не більше 20 хвилин між тестами. Відсоток правильності MemTrax (MTx-% C), середній час відповіді (MTx-RT), а також дата й час тестування були записані на папері членом дослідницької групи для кожного тестованого учасника. Заповнена анкета та результати MoCA були завантажені в електронну таблицю Excel дослідником, який проводив тести, і перевірені колегою перед тим, як файли Excel були збережені для аналізу.

Тест MemTrax

Онлайн-тест MemTrax включав 50 зображень (25 унікальних і 25 повторів; 5 наборів по 5 зображень типових сцен або об’єктів), показаних у певному псевдовипадковому порядку. Учасник мав би (відповідно до інструкцій) торкнутися кнопки «Пуск» на екрані, щоб розпочати тест і почати перегляд серії зображень, і знову торкнутися зображення на екрані якомога швидше, коли з’являється повторюване зображення. Кожне зображення з'являлося протягом 3 с або доки зображення на екрані не торкалося, що спонукало до негайного показу наступного зображення. Використовуючи внутрішній годинник локального пристрою, MTx-RT для кожного зображення визначав час, що минув від презентації зображення до моменту, коли учасник торкнувся екрана у відповідь на вказівку розпізнавання зображення як такого, що вже було показано. під час тесту. MTx-RT був записаний для кожного зображення, причому повні 3 секунди були записані, що вказувало на відсутність відповіді. MTx-% C було розраховано, щоб вказати відсоток повторів і початкових зображень, на які користувач відповів правильно (істинний позитивний + істинний негативний, поділені на 50). Додаткові деталі адміністрування та впровадження MemTrax, зменшення даних, недійсні дані або дані «без відповіді» та аналіз первинних даних описані в іншому місці [6].

Тест MemTrax був детально пояснений, а практичний тест (з унікальними зображеннями, відмінними від тих, що використовувалися в тесті для запису результатів) був наданий учасникам у лікарняних умовах. Учасники піднаборів даних YH і KM пройшли тест MemTrax на смартфоні, який був завантажений із застосунком у WeChat; тоді як обмежена кількість пацієнтів із піднабором даних XL використовувала iPad, а решта – смартфон. Усі учасники пройшли тест MemTrax під ненав’язливим спостереженням дослідника.

Монреальське когнітивне оцінювання

Пекінську версію китайського MoCA (MoCA-BC) [13] вводили та оцінювали навчені дослідники відповідно до офіційних інструкцій до тестування. Таким чином, MoCA-BC виявилася надійною тест на когнітивні скринінг на всіх рівнях освіти для китайських літніх людей [14]. Проведення кожного тесту займало від 10 до 30 хвилин залежно від когнітивних здібностей відповідного учасника.

Моделювання класифікації MoCA

Загалом було 29 корисних функцій, у тому числі дві MemTrax перевірити показники продуктивності та 27 функцій, пов’язаних із демографією та здоров’ям інформація для кожного учасника. Сукупний результат тесту MoCA кожного пацієнта використовувався як когнітивний скринінг «еталон» для навчання наших прогнозних моделей. Відповідно, оскільки для створення мітки класу використовувався MoCA, ми не могли використовувати загальну оцінку (або будь-яку з оцінок підмножини MoCA) як незалежну функцію. Ми провели попередні експерименти, під час яких змоделювали (класифікуючи когнітивне здоров’я, визначене MoCA) початкові три піднабори даних лікарні/клініки окремо, а потім об’єднали, використовуючи всі функції. Проте всі однакові елементи даних не були зібрані в кожній із чотирьох клінік, що представляють три піднабори даних; таким чином, багато наших функцій у комбінованому наборі даних (при використанні всіх функцій) мали високу частоту відсутніх значень. Потім ми створили моделі з об’єднаним набором даних, використовуючи лише спільні ознаки, що призвело до покращення продуктивності класифікації. Ймовірно, це пояснюється поєднанням наявності більшої кількості екземплярів для роботи шляхом об’єднання трьох піднаборів даних пацієнтів і відсутності функцій із надмірною поширеністю відсутніх значень (лише одна функція в об’єднаному наборі даних, тип роботи, мала будь-які відсутні значення, що впливало на лише три випадки пацієнтів), оскільки були включені лише спільні ознаки, зареєстровані на всіх трьох сайтах. Примітно, що ми не мали конкретного критерію відхилення для кожної функції, яка зрештою не була включена в об’єднаний набір даних. Однак у нашому попередньому моделюванні об’єднаного набору даних ми спочатку використали всі функції з кожного з трьох окремих піднаборів даних пацієнтів. Це призвело до того, що продуктивність моделі була помітно нижчою, ніж початкове попереднє моделювання для кожного окремого піднабору даних. Крім того, у той час як ефективність класифікації моделей, побудованих з використанням усіх функцій, була обнадійливою, для всіх учнів і схем класифікації продуктивність покращилася для удвічі більшої кількості моделей при використанні лише спільних функцій. Насправді, серед тих, хто став нашими найкращими вивченими, усі моделі, крім однієї, були покращені, усунувши непоширені функції.

Остаточний сукупний набір даних (YH, XL і KM разом) включав 259 екземплярів, кожен з яких представляв унікального учасника, який пройшов тести MemTrax і MoCA. Було 10 спільних незалежних функцій: показники продуктивності MemTrax: MTx-% C і середнє MTx-RT; демографічна та медична інформація: вік, стать, роки навчання, тип роботи (блакитні комірці/білі комірці), соціальна підтримка (чи живе учасник тестування один чи з сім’єю), а також відповіді «так/ні» щодо того, чи мав користувач діабет, гіперліпідемія або черепно-мозкова травма в анамнезі. Дві додаткові метрики, сукупна оцінка MoCA та сукупна оцінка MoCA, скоригована за роками навчання [12], використовувалися окремо для розробки залежних класифікаційних міток, таким чином створюючи дві різні схеми моделювання, які будуть застосовані до нашого об’єднаного набору даних. Для кожної версії (відкоригованої та невідкоригованої) оцінки MoCA дані знову були окремо змодельовані для бінарної класифікації з використанням двох різних порогових значень критерію — початково рекомендованого [12] та альтернативного значення, яке використовувалося та просувалося іншими [8, 15]. У альтернативній пороговій схемі класифікації пацієнт вважався таким, що має нормальне когнітивне здоров’я, якщо він/вона набрав ≥23 балів за тестом MoCA та мав MCI, якщо бал був 22 або нижче; тоді як у початковому рекомендованому форматі класифікації пацієнт мав набрати 26 або вище за MoCA, щоб бути позначеним як такий, що має нормальне когнітивне здоров’я.

Відфільтровані дані для моделювання класифікації MoCA

Ми далі досліджували класифікацію MoCA, використовуючи чотири широко використовувані методи ранжирування ознак: хі-квадрат, коефіцієнт посилення, посилення інформації та симетрична невизначеність. Для проміжної перспективи ми застосували рейтинги до всього об’єднаного набору даних, використовуючи кожну з наших чотирьох схем моделювання. Усі учасники рейтингу погодилися щодо однакових основних характеристик, тобто віку, кількості років навчання та обох показників продуктивності MemTrax (MTx-% C, середнє MTx-RT). Потім ми перебудували моделі, використовуючи кожну техніку вибору функцій, щоб навчити моделі лише за чотирма основними функціями (див. Вибір функцій нижче).

Останні вісім варіантів схем моделювання класифікації балів MoCA представлені в таблиці 1.

Таблиця 1

Зведення варіантів схеми моделювання, що використовуються для класифікації MoCA (Нормальний Когнітивне здоров'я проти MCI)

Схема моделюванняНормальний когнітивний стан (негативний клас)MCI (позитивний клас)
Відкоригований-23 Нефільтрований/Відфільтрований101 (39.0%)158 (61.0%)
Відкоригований-26 Нефільтрований/Відфільтрований49 (18.9%)210 (81.1%)
Нескоригований-23 Нефільтрований/фільтрований92 (35.5%)167 (64.5%)
Нескоригований-26 Нефільтрований/фільтрований42 (16.2%)217 (83.8%)

Відповідна кількість і відсоток загальної кількості пацієнтів у кожному класі диференціюються шляхом коригування оцінки за освітою (скоригований або нескоригований) і класифікаційного порогу (23 або 26), що застосовується до обох наборів функцій (нефільтрованого та фільтрованого).

Моделювання клінічної оцінки на основі MemTrax

З наших трьох оригінальних піднаборів даних (YH, XL, KM) лише пацієнтам із піднабором даних XL було незалежно клінічно діагностовано когнітивні порушення (тобто їхні відповідні оцінки MoCA не використовувалися для встановлення класифікації нормальних і порушених). Зокрема, пацієнтам XL було поставлено будь-який діагноз Тест на хворобу Альцгеймера (AD) або судинна деменція (VaD). У кожній із цих категорій первинного діагнозу існувало додаткове позначення MCI. Діагностика MCI, деменції, судинного нейрокогнітивного розладу та нейрокогнітивного розладу внаслідок AD базувалася на специфічних та відмітних діагностичних критеріях, викладених у Діагностичному та статистичному посібнику з психічних розладів: DSM-5 [16]. Враховуючи ці уточнені діагнози, дві схеми моделювання класифікації були окремо застосовані до піднабору даних XL, щоб розрізнити рівень тяжкості (ступінь порушення) для кожної категорії основного діагнозу. Дані, використані в кожній із цих схем діагностичного моделювання (AD і VaD), включали демографічну інформацію та історію пацієнтів, а також продуктивність MemTrax (MTx-% C, середнє MTx-RT). Кожен діагноз був позначений як легкий, якщо позначався MCI; інакше це вважалося суворим. Спочатку ми розглядали можливість включення оцінки MoCA в діагностичні моделі (легка проти важкої); але ми вирішили, що це зруйнує мету нашої вторинної схеми прогнозного моделювання. Тут учні навчатимуться з використанням інших характеристик пацієнтів, доступних постачальнику, і показників продуктивності простішого тесту MemTrax (замість MoCA) у порівнянні з еталонним «золотим стандартом», незалежним клінічним діагнозом. У наборі даних діагностики AD було 69 випадків і 76 випадків VaD (табл 2). В обох наборах даних було 12 незалежних ознак. На додаток до 10 характеристик, включених до класифікації MoCA, історія пацієнта також включала інформацію про історію гіпертонії та інсульту.

Таблиця 2

Короткий опис варіацій схеми моделювання, які використовуються для класифікації тяжкості діагнозу (легка проти важкої)

Схема моделюванняЛегкий (негативний клас)Важкий (позитивний клас)
MCI-AD проти AD12 (17.4%)57 (82.6%)
MCI-VaD проти VaD38 (50.0%)38 (50.0%)

Відповідна кількість і відсоток від загальної кількості пацієнтів у кожному класі диференціюються за категорією первинного діагнозу (AD або VaD).

Статистика

Порівняння характеристик учасників та інших числових характеристик між піднаборами даних для кожної стратегії класифікації моделі (для прогнозування когнітивного здоров’я MoCA та серйозності діагнозу) було виконано за допомогою мови програмування Python (версія 2.7.1) [17]. Відмінності в продуктивності моделі спочатку визначали за допомогою одно- або двофакторного (залежно від необхідності) дисперсійного аналізу з 95% довірчим інтервалом і тесту чесної значущої різниці (HSD) Тьюкі для порівняння середніх показників. Ця перевірка відмінностей між продуктивністю моделі була виконана з використанням комбінації Python і R (версія 3.5.1) [18]. Ми використовували цей (хоча, ймовірно, менш ніж оптимальний) підхід лише як евристичний допоміжний засіб початкова стадія для початкового порівняння продуктивності моделі в очікуванні потенційного клінічного застосування. Потім ми використали тест Байєса зі знаком рангу з використанням апостеріорного розподілу для визначення ймовірності відмінностей у продуктивності моделі [19]. Для цього аналізу ми використовували інтервал –0.01, 0.01, що означає, що якщо дві групи мали різницю в продуктивності менше 0.01, вони вважалися однаковими (в межах області практичної еквівалентності), або в іншому випадку вони були різними (одна краща, ніж інші). Щоб виконати байєсівське порівняння класифікаторів і обчислити ці ймовірності, ми використали бібліотеку baycomp (версія 1.0.2) для Python 3.6.4.

Прогностичне моделювання

Ми створили прогностичні моделі, використовуючи десять загальних варіацій наших схем моделювання, щоб передбачити (класифікувати) результат тесту MoCA кожного пацієнта або тяжкість клінічного діагнозу. Усі учні були застосовані, а моделі були побудовані з використанням відкритої програмної платформи Weka [20]. Для нашого попереднього аналізу ми використали 10 часто використовуваних алгоритмів навчання: 5-Nearest Neighbors, дві версії дерева рішень C4.5, логістичну регресію, багатошаровий персептрон, наївний Байєс, дві версії випадкового лісу, радіально-базисну функціональну мережу та опорний вектор. машина. Ключові атрибути та відмінності цих алгоритмів були описані в іншому місці [21] (див. відповідний Додаток). Їх було вибрано, тому що вони представляють різні типи учнів і тому, що ми продемонстрували успіх, використовуючи їх у попередніх аналізах подібних даних. Параметри гіперпараметрів були обрані з наших попередніх досліджень, що вказує на їх стійкість до різноманітних даних [22]. Ґрунтуючись на результатах нашого попереднього аналізу з використанням того самого комбінованого набору даних із загальними характеристиками, які були використані згодом у повному аналізі, ми визначили трьох учнів, які забезпечували незмінно високі показники за всіма класифікаціями: логістична регресія, наївний метод Байєса та машина опорних векторів.

Перехресна перевірка та метрика продуктивності моделі

Для всього прогнозного моделювання (включно з попереднім аналізом) кожна модель була створена за допомогою 10-кратної перехресної перевірки, а продуктивність моделі вимірювалася за допомогою площі під кривою робочих характеристик приймача (AUC). Перехресна перевірка почалася з випадкового розподілу кожного з 10 наборів даних схеми моделювання на 10 рівних сегментів (згорток), використовуючи дев’ять із цих відповідних сегментів для навчання моделі, а сегмент, що залишився, – для тестування. Цю процедуру повторювали 10 разів, використовуючи інший сегмент як тестовий набір у кожній ітерації. Потім результати об’єднували для розрахунку кінцевого результату/продуктивності моделі. Для кожної комбінації учень/набір даних весь цей процес повторювався 10 разів, причому щоразу дані розділялися по-різному. Цей останній крок зменшив зміщення, забезпечив відтворюваність і допоміг визначити загальну продуктивність моделі. Загалом (для комбінованих схем класифікації оцінки MoCA та тяжкості діагнозу) було створено 6,600 моделей. Це включало 1,800 невідфільтрованих моделей (6 схем моделювання, застосованих до набору даних × 3 учні × 10 прогонів × 10 згорток = 1,800 моделей) і 4,800 відфільтрованих моделей (4 схеми моделювання, застосованих до набору даних × 3 учні × 4 методи вибору ознак × 10 прогонів × 10 складок = 4,800 моделей).

Вибір функцій

Для відфільтрованих моделей вибір функцій (з використанням чотирьох методів ранжирування ознак) було виконано в рамках перехресної перевірки. Для кожного з 10 згорток, оскільки різні 10% набору даних були тестовими даними, використовувалися лише чотири найкращі вибрані функції для кожного навчального набору даних (тобто інші дев’ять згорток або решта 90% усього набору даних). будувати моделі. Ми не змогли підтвердити, які чотири функції використовувалися в кожній моделі, оскільки ця інформація не зберігається та не стає доступною на платформі моделювання, яку ми використовували (Weka). Однак, враховуючи узгодженість у нашому початковому виборі найкращих характеристик, коли рейтинги були застосовані до всього об’єднаного набору даних, і подальшу подібність у продуктивності моделювання, ці самі характеристики (вік, роки навчання, MTx-% C і середнє MTx-RT ), ймовірно, є найпоширенішими чотирма лідерами, які використовуються разом із вибором функцій у процесі перехресної перевірки.

РЕЗУЛЬТАТИ

Числові характеристики учасників (включаючи бали MoCA та показники ефективності MemTrax) відповідних наборів даних для кожної стратегії класифікації моделі для прогнозування когнітивного здоров’я, вказуваного на MoCA (нормальний порівняно з MCI) та тяжкості діагнозу (легкий проти важкого), наведено в таблиці 3.

Таблиця 3

Характеристики учасників, бали MoCA та продуктивність MemTrax для кожної стратегії класифікації моделі

Стратегія класифікаціївікОсвітаMoCA скоригованоMoCA НескоригованийMTx-% CMTx-RT
Категорія MoCA61.9 років (13.1)9.6 років (4.6)19.2 (6.5)18.4 (6.7)74.8% (15.0)1.4 с (0.3)
Тяжкість діагнозу65.6 років (12.1)8.6 років (4.4)16.7 (6.2)15.8 (6.3)68.3% (13.8)1.5 с (0.3)

Показані значення (середнє, стандартне відхилення), диференційовані за стратегіями класифікації моделювання, є репрезентативними для об’єднаного набору даних, який використовується для прогнозування когнітивного здоров’я, вказуваного на MoCA (MCI порівняно з нормальним), і піднабору даних XL, який використовується лише для прогнозування тяжкості діагнозу (легкий проти важкого).

Для кожної комбінації оцінки MoCA (скоригованої/нескоригованої) та порогового значення (26/23) спостерігалася статистична різниця (p = 0.000) у кожному попарному порівнянні (нормальне когнітивне здоров’я проти MCI) для віку, освіти та ефективності MemTrax (MTx-% C та MTx-RT). Кожен суб-набір даних пацієнта у відповідному класі MCI для кожної комбінації був у середньому приблизно на 9-15 років старшим, повідомляв приблизно на п’ять років менше освіти та мав менш сприятливі показники MemTrax для обох показників.

Результати прогнозного моделювання продуктивності для класифікацій показників MoCA з використанням трьох найкращих учнів, логістичної регресії, наївної байєсівської моделі та машини опорних векторів, наведено в таблиці 4. Ці три були обрані на основі найбільш незмінно високої абсолютної продуктивності учнів у всіх різних моделях. застосовано до наборів даних для всіх схем моделювання. Для невідфільтрованого набору даних і моделювання кожне зі значень даних у таблиці 4 вказує на продуктивність моделі на основі відповідного середнього значення AUC, отриманого зі 100 моделей (10 прогонів × 10 згорток), створених для кожної комбінації учня/схеми моделювання, з відповідним найвищим значенням успішний учень, виділений жирним шрифтом. У той час як для моделювання відфільтрованого набору даних результати, наведені в таблиці 4, відображають загальну середню продуктивність моделі з 400 моделей для кожного учня з використанням кожного з методів ранжирування функцій (4 методи ранжирування функцій × 10 прогонів × 10 згортань).

Таблиця 4

Дихотомічні результати класифікації балів MoCA (AUC; 0.0–1.0) для кожного з трьох учнів з найвищими показниками для всіх відповідних схем моделювання

Використаний набір функційОцінка MoCAПоріг відсіченняЛогістична регресіяНаївний БайєсПідтримка векторної машини
Нефільтрований (10 функцій)Відрегульований230.88620.89130.8695
260.89710.92210.9161
Неналагоджений230.91030.90850.8995
260.88340.91530.8994
Відфільтрований (4 функції)Відрегульований230.89290.89540.8948
260.91880.92470.9201
Неналагоджений230.91350.91340.9122
260.91590.92360.9177

Використовуючи варіації набору функцій, оцінку MoCA та порогове значення оцінки MoCA, найвищу продуктивність для кожної схеми моделювання показано на сміливий (не обов’язково статистично відрізняється від усіх інших, які не входять сміливий для відповідної моделі).

Порівнюючи учнів за всіма комбінаціями версій балів MoCA та порогових значень (відкоригованих/нескоригованих і 23/26 відповідно) у комбінованому невідфільтрованому наборі даних (тобто з використанням 10 загальних ознак), Naive Bayes загалом був найефективнішим учнем із загальним показником класифікаційні показники 0.9093. Розглядаючи трьох учнів, які навчаються найкраще, байєсівські корельовані знакові рангові тести показали, що ймовірність (Pr) наївного Байєса, що перевершує логістичну регресію, становило 99.9%. Крім того, між Naive Bayes і Support Vector Machine 21.0% ймовірність практичної еквівалентності в продуктивності учня (таким чином, 79.0% ймовірність того, що Naive Bayes перевершить Support Vector Machine), у поєднанні з 0.0% ймовірністю того, що Support Vector Machine працює краще, вимірювано підсилює перевагу продуктивності Naive Bayes. Подальше порівняння версії оцінки MoCA для всіх учнів/порогових значень показало незначну перевагу продуктивності за допомогою нескоригованих оцінок MoCA порівняно зі скоригованими (0.9027 проти 0.8971 відповідно; Pr (нескоригований > скоригований) = 0.988). Подібним чином порівняння порогового значення для всіх учнів і версій балів MoCA показало невелику перевагу продуктивності класифікації, використовуючи 26 як порогове значення класифікації проти 23 (0.9056 проти 0.8942 відповідно; Pr (26 > 23) = 0.999). Нарешті, досліджуючи ефективність класифікації для моделей, які використовують лише відфільтровані результати (тобто лише чотири найвищі характеристики), Naive Bayes (0.9143) був чисельно найефективнішим учнем за всіма версіями/пороговими значеннями MoCA. Проте, за всіма методами ранжирування функцій разом, усі найефективніші учні показали однакові результати. Тести Байєса зі знаком рангу показали 100% ймовірність практичної еквівалентності між кожною парою відфільтрованих учнів. Як і у випадку з невідфільтрованими даними (з використанням усіх 10 загальних функцій), знову була перевага продуктивності для некоригованої версії показника MoCA (Pr (нескоригований > скоригований) = 1.000), а також подібну явну перевагу для класифікаційного порогу 26 (Pr (26 > 23) = 1.000). Примітно, що середня продуктивність кожного з трьох найкращих учнів за всіма версіями/пороговими показниками MoCA з використанням лише чотирьох найвищих функцій перевищила середню продуктивність будь-якого учня за невідфільтрованими даними. Не дивно, що результативність класифікації відфільтрованих моделей (з використанням чотирьох найвищих ознак) загалом була кращою (0.9119) порівняно з невідфільтрованими моделями (0.8999), незалежно від моделей методу ранжирування ознак, які порівнювалися з цими відповідними моделями з використанням усіх 10 загальних особливості. Для кожного методу вибору функцій існувала 100% ймовірність переваги в продуктивності в порівнянні з нефільтрованими моделями.

З пацієнтами, які розглядаються для класифікації діагнозу AD за тяжкістю, міжгрупові (MCI-AD проти AD) відмінності за віком (p = 0.004), освіта (p = 0.028), оцінка MoCA скоригована/не скоригована (p = 0.000), а MTx-% C (p = 0.008) були статистично значущими; тоді як для MTx-RT цього не було (p = 0.097). Для тих пацієнтів, які розглядалися для класифікації діагнозу VaD за тяжкістю, відмінності між групами (MCI-VaD проти VaD) для скоригованого/нескоригованого балу MoCA (p = 0.007) і MTx-% C (p = 0.026) і MTx-RT (p = 0.001) були статистично значущими; тоді як за віком (p = 0.511) та освіта (p = 0.157) суттєвих відмінностей між групами не було.

Результати продуктивності прогнозного моделювання для класифікації тяжкості діагнозу з використанням трьох попередньо відібраних учнів, логістичної регресії, наївної байєсівської моделі та опорної векторної машини, наведено в таблиці 5. У той час як додаткові обстежені учні продемонстрували трохи кращі показники індивідуально з однією з двох категорій клінічного діагнозу , три учні, яких ми визначили як найбільш сприятливі в нашому попередньому моделюванні, запропонували найбільш послідовну продуктивність з обома новими схемами моделювання. Порівнюючи учнів у кожній із основних категорій діагностики (AD і VaD), не було жодної сталої різниці в продуктивності класифікації між учнями для MCI-VaD проти VaD, хоча Support Vector Machine загалом показав більш помітні результати. Подібним чином не було суттєвих відмінностей між учнями для класифікації MCI-AD проти AD, хоча Naive Bayes (NB) мав невелику перевагу в продуктивності над логістичною регресією (LR) і лише незначну множину порівняно з опорною векторною машиною з імовірністю 61.4% та 41.7% відповідно. В обох наборах даних була загальна перевага в продуктивності Support Vector Machine (SVM), з Pr (SVM > LR) = 0.819 а Pr (SVM > NB) = 0.934. Наша загальна ефективність класифікації для всіх учнів у прогнозуванні тяжкості діагнозу в піднаборі даних XL була кращою в категорії діагностики VaD порівняно з AD (Pr (VAD > AD) = 0.998).

Таблиця 5

Результати дихотомічної класифікації тяжкості клінічного діагнозу (AUC; 0.0–1.0) для кожного з трьох учнів із найвищими показниками для обох відповідних схем моделювання

Схема моделюванняЛогістична регресіяНаївний БайєсПідтримка векторної машини
MCI-AD проти AD0.74650.78100.7443
MCI-VaD проти VaD0.80330.80440.8338

Найвища продуктивність для кожної схеми моделювання показана в сміливий (не обов’язково статистично відрізняється від інших, які не входять сміливий).

ОБГОВОРЕННЯ

Важливо раннє виявлення змін у когнітивному здоров’ї практична користь як для управління особистим здоров'ям, так і для громадського здоров'я. Дійсно, це також є дуже пріоритетним у клінічних умовах для пацієнтів у всьому світі. Спільна мета полягає в тому, щоб попередити пацієнтів, опікунів і постачальників, а також запропонувати раннє відповідне та економічно ефективне лікування та довготривалий догляд для тих, хто починає відчувати когнітивне зниження. Об’єднавши наші три підмножини даних лікарні/клініки, ми визначили трьох особливо бажаних учнів (з одним помітним видатним – наївним Байєсом), щоб побудувати прогностичні моделі з використанням Показники ефективності MemTrax, які можуть надійно класифікувати стан когнітивного здоров’я дихотомічно (нормальне когнітивне здоров’я або MCI), як це вказує сукупна оцінка MoCA. Примітно, що загальна ефективність класифікації для всіх трьох учнів покращилася, коли наші моделі використовували лише чотири найвищі функції, які в основному охоплювали ці показники продуктивності MemTrax. Крім того, ми виявили обґрунтований потенціал для використання тих самих учнів і показників ефективності MemTrax у схемі моделювання класифікації діагностичної підтримки, щоб розрізнити тяжкість двох категорій діагнозу деменції: AD і VaD.

Тестування пам'яті є центральним для раннього виявлення AD [23, 24]. Таким чином, це доречно, щоб MemTrax був прийнятним, привабливим і простим у впровадженні в Інтернеті скринінговий тест на епізодичну пам'ять у загальній популяції [6]. Точність розпізнавання та час відповіді під час виконання цього завдання безперервної продуктивності є особливо показовим у виявленні ранніх і прогресуючих погіршень і відповідних дефіцитів нейропластичних процесів, пов’язаних із навчанням, пам’яттю та пізнанням. Тобто моделі, які базуються переважно на показниках ефективності MemTrax, є чутливими до біологічних нейропатологічних дефіцитів під час перехідної безсимптомної стадії задовго до більш значних функціональних втрат. Ешфорд та ін. уважно вивчили моделі та поведінку точності пам’яті розпізнавання та часу відповіді в онлайн-користувачів, які брали участь самостійно з MemTrax [25]. Зважаючи на те, що ці розподіли є критично важливими для оптимального моделювання та розробки дійсних і ефективних програм для догляду за пацієнтами, визначення клінічно застосовних профілів розпізнавання та часу відповіді має важливе значення для створення цінної базової довідки для клінічної та дослідницької користі. Практична цінність MemTrax у скринінгу AD на когнітивні порушення на ранній стадії та підтримці диференціальної діагностики потребує більш детального вивчення в контексті клінічних умов, де можна враховувати супутні захворювання та когнітивні, сенсорні та моторні здібності, що впливають на виконання тесту. І щоб повідомити професійну точку зору та заохотити практичну клінічну корисність, спочатку необхідно продемонструвати порівняння з усталеним тестом оцінки когнітивного здоров’я, навіть якщо останній може бути помітно обмежений громіздкою логістикою тестування, освітніми та мовними стримуючими факторами та культурними впливами [6]. . У цьому відношенні сприятливе порівняння клінічної ефективності MemTrax з MoCA, який зазвичай вважається галузевим стандартом, є значущим, особливо якщо зважити більшу простоту користі та сприйняття MemTrax пацієнтами.

Попереднє дослідження, у якому порівнювали MemTrax і MoCA, висвітлює обґрунтування та попередні докази, що виправдовують наше моделювання [8]. Однак це попереднє порівняння лише пов’язувало два ключові показники продуктивності MemTrax, які ми досліджували, з когнітивним статусом, визначеним MoCA, і визначав відповідні діапазони та граничні значення. Ми поглибили оцінку клінічної користі MemTrax, вивчивши підхід на основі прогнозного моделювання, який забезпечить більш індивідуальний розгляд інших потенційно релевантних параметрів, що стосуються кожного пацієнта. На відміну від інших, ми не виявили переваг у продуктивності моделі з використанням освітньої корекції (коригування) оцінки MoCA або в зміні порогового значення сумарної оцінки MoCA, що дискримінує когнітивне здоров’я, від початково рекомендованих 26 до 23 [12, 15]. Насправді перевага ефективності класифікації надається на користь використання нескоригованого балу MoCA та вищого порогу.

Ключові моменти в клінічній практиці

Машинне навчання часто найкраще використовується та є найефективнішим у прогнозному моделюванні, коли дані великі та багатовимірні, тобто коли є численні спостереження та супутній широкий набір високоцінних (сприяючих) атрибутів. Тим не менш, з цими поточними даними відфільтровані моделі лише з чотирма вибраними функціями показали кращі результати, ніж ті, що використовують усі 10 загальних функцій. Це свідчить про те, що наш сукупний набір лікарняних даних не мав найбільш клінічно відповідних (високоцінних) характеристик для оптимальної класифікації пацієнтів таким чином. Незважаючи на це, наголос на ключових показниках продуктивності MemTrax — MTx-% C і MTx-RT — надає перевагу створенню моделей скринінгу когнітивного дефіциту на ранній стадії на основі цього тесту, який є простим, легким у застосуванні, недорогим і влучно розкриває продуктивність пам’яті, принаймні зараз як початковий екран для бінарної класифікації стану когнітивного здоров’я. Враховуючи постійно зростаюче навантаження на постачальників послуг і системи охорони здоров’я, процеси скринінгу пацієнтів і клінічні програми повинні бути належним чином розроблені з наголосом на збір, відстеження та моделювання тих характеристик пацієнтів і показників тестування, які є найбільш корисними, вигідними та доведеними ефективними в діагностиці. та підтримка лікування пацієнтів.

Завдяки двом ключовим показникам MemTrax, які є центральними для класифікації MCI, наш найкращий учень (Наївний Байєс) мав дуже високу прогностичну ефективність у більшості моделей (AUC понад 0.90) із співвідношенням істинно-позитивних до хибно-позитивних наближалося до 4 або дещо перевищувало його. : 1. Трансляційне клінічне застосування з використанням цього учня, таким чином, охопило б (правильно класифікувало) значно більшість тих, хто має когнітивний дефіцит, водночас мінімізуючи витрати, пов’язані з помилковою класифікацією людини з нормальним когнітивним здоров’ям як такого, що має когнітивний дефіцит (хибнопозитивний) або відсутність такої класифікації в тих, хто має когнітивний дефіцит (помилково негативний). Будь-який із цих сценаріїв неправильної класифікації може створити надмірне психосоціальне навантаження на пацієнта та осіб, які доглядають за ним.

У той час як у попередньому та повному аналізі ми використовували всіх десяти учнів у кожній схемі моделювання, ми зосередили наші результати на трьох класифікаторах, які демонструють найбільш послідовну високу продуктивність. На основі цих даних це також мало висвітлити учнів, які, як очікується, будуть надійно працювати на високому рівні в практичному клінічному застосуванні у визначенні класифікації когнітивного статусу. Крім того, оскільки це дослідження було задумано як вступне дослідження користі машинного навчання для когнітивного скринінгу та цих своєчасних клінічних проблем, ми прийняли рішення зберегти методи навчання простими та узагальненими з мінімальною настройкою параметрів. Ми розуміємо, що цей підхід міг обмежити потенціал для більш вузько визначених прогностичних можливостей для конкретного пацієнта. Подібним чином, у той час як навчання моделей з використанням лише основних функцій (відфільтрований підхід) дає нам додаткові відомості щодо цих даних (зокрема щодо недоліків у зібраних даних і підкреслює цінність оптимізації дорогоцінного клінічного часу та ресурсів), ми визнаємо, що передчасно звужувати обсяг моделей і, отже, усі (та інші характеристики) слід враховувати під час майбутніх досліджень, доки ми не матимемо більш чіткий профіль пріоритетних функцій, які будуть застосовні до широкої верстви населення. Таким чином, ми також повністю усвідомлюємо, що перед інтеграцією цих та інших моделей у ефективне клінічне застосування необхідні більш інклюзивні та широко репрезентативні дані та оптимізація, особливо для пристосування до супутніх захворювань, що впливають на когнітивні здібності, які потрібно буде враховувати в подальшій клінічній оцінці.

Корисність MemTrax була додатково вдосконалена завдяки моделюванню тяжкості захворювання на основі окремого клінічного діагнозу. Кращої загальної ефективності класифікації у прогнозуванні тяжкості VaD (порівняно з AD) не було дивно, враховуючи особливості профілю пацієнта в моделях, специфічних для здоров’я судин і ризик інсульту, тобто гіпертонія, гіперліпідемія, діабет і (звичайно) історія інсульту. Хоча було б більш бажаним і доцільним, щоб таке ж клінічне оцінювання було проведено на відповідних пацієнтах із нормальним когнітивним здоров’ям, щоб навчити учнів із цими всеосяжними даними. Це особливо виправдано, оскільки MemTrax призначений для використання насамперед для раннього виявлення когнітивного дефіциту та подальшого відстеження індивідуальних змін. Також вірогідно, що більш бажаний розподіл даних у наборі даних VaD частково сприяв порівняно кращій продуктивності моделювання. Набір даних VaD був добре збалансованим між двома класами, тоді як набір даних AD із значно меншою кількістю пацієнтів з MCI – ні. Особливо в невеликих наборах даних навіть кілька додаткових екземплярів можуть зробити вимірну різницю. Обидві точки зору є розумними аргументами, що лежать в основі відмінностей у ефективності моделювання тяжкості захворювання. Однак пропорційне приписування покращеної продуктивності числовим характеристикам набору даних або властивим особливостям, специфічним для клінічної картини, що розглядається, є передчасним. Тим не менш, цей роман продемонстрував корисність прогностичної класифікаційної моделі MemTrax у ролі клінічної діагностичної підтримки, що надає цінну перспективу та підтверджує прагнення до додаткового обстеження пацієнтів у всьому континуумі MCI.

Впровадження та продемонстрована корисність MemTrax і цих моделей у Китаї, де мова та культура різко відрізняються від інших регіонів із усталеною корисністю (наприклад, Франція, Нідерланди та Сполучені Штати) [7, 8, 27], ще більше підкреслює потенціал за широке глобальне визнання та клінічну цінність платформи на основі MemTrax. Це яскравий приклад прагнення до гармонізації даних і розробки практичних міжнародних норм і ресурсів моделювання когнітивного скринінгу, стандартизованих і легко адаптованих для використання в усьому світі.

Подальші кроки в моделюванні та застосуванні зниження когнітивних функцій

Когнітивна дисфункція при AD справді виникає в континуумі, а не на окремих стадіях чи кроках [28, 29]. Однак на цій ранній стадії наша мета полягала в тому, щоб спершу встановити нашу здатність створити модель, що включає MemTrax, яка може принципово відрізняти «нормальне» від «ненормального». Більш детальні емпіричні дані (наприклад, зображення мозку, генетичні особливості, біомаркери, супутні захворювання та функціональні маркери комплексу діяльність, що вимагає пізнав контроль) [30] у різних глобальних регіонах, популяціях і вікових групах, щоб навчати і розвивати більш складні (включаючи вдало зважені ансамблі) моделі машинного навчання підтримуватимуть більший ступінь розширеної класифікації, тобто здатність класифікувати групи пацієнтів з MCI на менші та чіткіші підгрупи вздовж континууму зниження когнітивних функцій. Крім того, супутні клінічні діагнози в окремих регіонально різноманітних популяцій пацієнтів мають важливе значення ефективно тренуватися ці більш інклюзивні та передбачувано надійні моделі. Це сприятиме більш конкретному стратифікованому веденню випадків для тих, хто має схоже минуле, впливи та більш вузько визначені характерні когнітивні профілі, і таким чином оптимізує підтримку клінічних рішень та догляд за пацієнтами.

Велика частина відповідних клінічних досліджень на сьогоднішній день спрямована на пацієнтів із принаймні легкою деменцією; і на практиці надто часто втручання пацієнта намагаються лише на пізніх стадіях. Однак, оскільки зниження когнітивних здібностей починається задовго до досягнення клінічних критеріїв деменції, ефективне застосування раннього скринінгу на основі MemTrax може заохочувати відповідну освіту людей щодо захворювання та його прогресування та спонукати до раннього та своєчасного втручання. Таким чином, раннє виявлення може підтримувати відповідні заходи, починаючи від фізичних вправ, дієти, емоційної підтримки та покращеної соціалізації до фармакологічного втручання, і посилювати пов’язані з пацієнтом зміни в поведінці та сприйнятті, які окремо чи в сукупності можуть пом’якшити або потенційно зупинити прогресування деменції [31, 32]. . Причому з ефективним ранній скринінг, окремим особам та їхнім родинам може бути запропоновано розглянути питання про проведення клінічних випробувань або отримати консультацію та підтримку інших соціальних служб, щоб допомогти з’ясувати очікування та наміри та виконувати повсякденні завдання. Подальша валідація та широка практична користь у цих способів можуть допомогти пом’якшити або зупинити прогресування MCI, AD та ADRD для багатьох осіб.

Дійсно, нижня межа вікового діапазону пацієнтів у нашому дослідженні не представляє популяцію, яка традиційно хвилює AD. Тим не менш, середній вік для кожної групи, який використовується в схемах класифікаційного моделювання на основі оцінки/порогу MoCA та тяжкості діагнозу (табл. 3), підкреслює, що явна більшість (понад 80%) мають вік принаймні 50 років. Таким чином, цей розподіл дуже підходить для узагальнення, підтверджуючи корисність цих моделей у популяції, що характеризує тих, хто зазвичай уражений ранній початок і загострення нейрокогнітивних захворювань внаслідок AD і VaD. Крім того, нещодавно отримані докази та перспективи підкреслюють ті визнані фактори (наприклад, гіпертонія, ожиріння, діабет і куріння), які потенційно можуть сприяти вищим раннім оцінки судинного ризику дорослого та середнього віку та подальше тонке судинне ураження головного мозку, яке розвивається підступно з очевидними наслідками навіть у молодих дорослі [33–35]. Відповідно, найбільш оптимальна початкова можливість скринінгу для раннього виявлення стадії когнітивного дефіциту та започаткування ефективних стратегій профілактики та втручання для успішного вирішення проблеми деменції випливе з вивчення сприяючих факторів і попередніх показників у всьому віковому спектрі, включаючи ранню зрілість і, можливо, навіть дитинство (відзначаючи актуальність генетичних факторів, таких як аполіпопротеїн Е, починаючи з ранньої вагітності).

На практиці дійсні клінічні діагнози та дорогі процедури для розширеної візуалізації, генетичного профілювання та вимірювання багатообіцяючих біомаркерів не завжди доступні або навіть здійснимі для багатьох постачальників. Таким чином, у багатьох випадках початкову загальну класифікацію когнітивного стану здоров’я може бути отримано з моделей з використанням інших простих показників, наданих пацієнтом (наприклад, самооцінка проблеми з пам'яттю, поточні ліки та обмеження повсякденної активності) і загальні демографічні особливості [7]. Такі реєстри, як Каліфорнійський університет Здоров'я мозку Реєстр (https://www.brainhealthregistry.org/) [27] та інші з властивим більшим розмаїттям симптомів, про які повідомляють самі, якісних показників (наприклад, сон і повсякденне пізнання), ліків, стану здоров’я та історії та більш детальні демографічні дані будуть корисними для розробки та перевірки практичного застосування цих примітивніших моделей у клініці. Крім того, такий тест, як MemTrax, який продемонстрував корисність для оцінки функції пам’яті, може фактично забезпечити значно кращу оцінку патології AD, ніж біологічні маркери. Враховуючи, що основною ознакою патології AD є порушення нейропластичності та надзвичайно складна втрата синапсів, яка проявляється як епізодична дисфункція пам'яті, міра, яка оцінює епізодичну пам'ять, може насправді забезпечують кращу оцінку патологічного тягаря AD, ніж біологічні маркери у живого пацієнта [36].

Завдяки всім прогностичним моделям — незалежно від того, доповнюються вони складними та всеохоплюючими даними з найсучаснішої технології та вдосконаленим клінічним усвідомленням у багатьох областях або моделями, обмеженими більш основною та легкодоступною інформацією, характерною для наявних профілів пацієнтів — визнана перевага штучного інтелекту і машинне навчання полягає в тому, що результуючі моделі можуть синтезувати та індуктивно «навчатися» з відповідних нових даних і перспектив, що надаються поточним використанням додатків. Після практичної передачі технологій, коли моделі (і які будуть розроблені) застосовуються та збагачуються більшою кількістю випадків і відповідними даними (включаючи пацієнтів із супутніми захворюваннями, які можуть супроводжуватися наступним когнітивним зниженням), ефективність прогнозування та класифікація когнітивного здоров’я стануть надійнішими, що призводить до більш ефективної підтримки клінічних рішень. Цю еволюцію буде більш повно та практично реалізовано завдяки вбудовуванню MemTrax у спеціальні (орієнтовані на доступні можливості) платформи, які постачальники медичних послуг зможуть використовувати в клініці в режимі реального часу.

Важливою умовою перевірки та користі моделі MemTrax для діагностичної підтримки та догляду за пацієнтами є дуже затребувані значущі поздовжні дані. Спостерігаючи та реєструючи супутні зміни (якщо такі є) у клінічному статусі в адекватному діапазоні норми на ранній стадії MCI, моделі для відповідної поточної оцінки та класифікації можна тренувати та змінювати у міру віку та лікування пацієнтів. Таким чином, повторна корисність може допомогти в поздовжньому відстеженні легких когнітивних змін, ефективності втручання та підтримці інформованого стратифікованого догляду. Цей підхід більше узгоджується з клінічною практикою та веденням пацієнтів і випадків.

Недоліки

Ми цінуємо складність і цінність збору чистих клінічних даних у контрольованій клініці/лікарні. Тим не менш, наше моделювання було б посилено, якби наші набори даних включали більше пацієнтів із загальними ознаками. Крім того, для нашого моделювання діагнозу було б більш бажаним і доцільним провести таку саму клінічну оцінку на відповідних пацієнтах із нормальним когнітивним здоров’ям для навчання учнів. І, як підкреслюється вищою ефективністю класифікації за допомогою відфільтрованого набору даних (лише чотири найвищі функції), більш загальні та показники/показники когнітивного здоров'я, ймовірно, покращилися б моделювання продуктивності з більшою кількістю спільних ознак для всіх пацієнтів.

Деякі учасники могли одночасно страждати від інших захворювань, які могли спричинити тимчасові або хронічні когнітивні дефіцити. За винятком піднабору даних XL, де пацієнти були діагностично класифіковані як такі, що мають AD або VaD, дані про супутні захворювання не збиралися/повідомлялися в групі пацієнтів YH, і переважаючим зареєстрованим супутнім захворюванням у піднаборі даних KM був діабет. Однак можна стверджувати, що включення пацієнтів у наші схеми моделювання з супутніми захворюваннями, які можуть спровокувати або посилити рівень когнітивної недостатності та, як наслідок, нижчу продуктивність MemTrax, буде більш репрезентативним для цільової популяції пацієнтів у реальному світі для цього більш узагальненого раннього когнітивного скринінгу. та підхід моделювання. Рухаючись вперед, точна діагностика супутніх захворювань, які потенційно можуть вплинути на когнітивні показники, є загалом корисною для оптимізації моделей і відповідних додатків для догляду за пацієнтами.

Нарешті, пацієнти із суб-набором даних YH та KM використовували смартфон для проходження тесту MemTrax, тоді як обмежена кількість пацієнтів із суб-набором даних XL використовували iPad, а решта – смартфон. Це могло спричинити незначну різницю, пов’язану з пристроєм, у продуктивності MemTrax для моделювання класифікації MoCA. Однак відмінності (якщо такі є) у MTx-RT, наприклад, між пристроями, ймовірно, будуть незначними, особливо якщо кожному учаснику буде надано «практичний» тест безпосередньо перед записом результатів тесту. Тим не менш, корисність цих двох портативних пристроїв потенційно ставить під загрозу пряме порівняння та/або інтеграцію з іншими результатами MemTrax, де користувачі реагували на повторювані зображення, торкаючись пробілу на клавіатурі комп’ютера.

Ключові моменти утиліти прогнозного моделювання MemTrax

  • • Наші найефективніші прогностичні моделі, що охоплюють вибрані показники продуктивності MemTrax, можуть надійно класифікувати стан когнітивного здоров’я (нормальне когнітивне здоров’я або MCI), як це вказує широко визнаний тест MoCA.
  • • Ці результати підтримують інтеграцію вибраних показників продуктивності MemTrax у програму класифікаційної прогностичної моделі для скринінгу ранніх стадій когнітивних порушень.
  • • Наше класифікаційне моделювання також виявило потенціал для використання продуктивності MemTrax у програмах для розрізнення тяжкості діагнозу деменції.

Ці нові висновки встановлюють остаточні докази користі машинного навчання для побудови покращених надійних моделей класифікації на основі MemTrax для діагностичної підтримки в ефективному веденні клінічних випадків і догляду за пацієнтами з когнітивними порушеннями.

Автори

Ми визнаємо роботу Дж. Вессона Ешфорда, Кертіса Б. Ешфорда та їхніх колег за розробку та валідацію онлайн-завдання та інструменту безперервного розпізнавання (MemTrax), які використовуються тут, і ми вдячні численним пацієнтам із деменцією, які зробили внесок у важливі фундаментальні дослідження . Ми також дякуємо Сяньбо Чжоу та його колегам із SJN Biomed LTD, його колегам і співробітникам у лікарнях/клініках, особливо доктору. М. Луо та М. Чжун, які допомагали з набором учасників, плануванням тестів, збором, записом і зовнішнім керуванням даними, а також учасниками-волонтерами, які пожертвували свій дорогоцінний час і взяли на себе зобов’язання пройти тести та надати цінні дані для оцінки в цьому дослідженні. Це дослідження було частково підтримано MD Scientific Research Програма Куньмінського медичного університету (грант № 2017BS028 до XL) і дослідницька програма Департаменту науки і технологій Юньнані (грант № 2019FE001 (-222) до XL).

Дж. Вессон Ешфорд подав патентну заявку на використання конкретної парадигми безперервного розпізнавання, описаної в цьому документі для загального тестування пам'яті.

MemTrax, LLC – це компанія, що належить Кертісу Ешфорду, і ця компанія керує тестування пам'яті системи, описаної в цьому документі.

Розкриття інформації авторів доступне в Інтернеті (https://www.j-alz.com/manuscript-disclosures/19-1340r2).

тест пам'яті тест на деменцію тест на втрату пам'яті тест на короткочасну втрату пам'яті тест на оперативну пам'ять перевірка розуму дієта різноманітність книг когнітивний тест онлайн
Кертіс Ешфорд – координатор когнітивних досліджень

Посилання

[1] Асоціація Альцгеймера (2016) 2016 Факти про хворобу Альцгеймера і цифри. Демент Альцгеймера 12, 459–509.
[2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Ефект ранньої стадії Хвороба Альцгеймера на фінансові результати домогосподарств. 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) Покращення якості в неврологія: набір для вимірювання якості легких когнітивних порушень. Неврологія 93, 705–713.
[4] Тонг Т., Токала П., Макміллан Б., Гош Р., Брейзер Дж. (2017) Економічна ефективність використання когнітивні скринінгові тести для виявлення деменції та легких когнітивних розладів у первинній медичній допомозі. Int J Geriatr Psychiatry 32, 1392–1400.
[5] Ешфорд Дж. В., Гір Е., Бейлі П. Дж. (2011) Вимірювання пам'яті у великих групах за допомогою безперервного тесту розпізнавання. J Alzheimers Dis 27, 885–895.
[6] Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Комп’ютеризоване завдання безперервного розпізнавання для вимірювання епізодичної пам’яті. J Alzheimers Dis 69, 385–399.
[7] Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Продуктивність епізодичної пам’яті в моделюванні машинного навчання для прогнозування класифікації стану когнітивного здоров’я. J Alzheimers Dis 70, 277–286.
[8] van der Hoek MD, Nieuwenhuizen A, Keijer J, Ashford JW (2019) The Тест MemTrax порівняно з монтреальською когнітивною оцінкою легких когнітивних порушень. J Alzheimers Dis 67, 1045–1054.
[9] Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Використання ізольованих голосних звуків для класифікації легкої черепно-мозкової травми. У 2013 році Міжнародна конференція IEEE з акустики, мови та обробки сигналів, Ванкувер, Британська Колумбія, стор. 7577–7581.
[10] Dabek F, Caban JJ (2015) Використання великих даних для моделювання ймовірності розвитку психологічних станів після струсу мозку. Procedia Comput Sci 53, 265–273.
[11] Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Дерево рішень для раннього виявлення когнітивних порушень громадськими фармацевтами. 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: Короткий інструмент скринінгу легких когнітивних порушень. J Am Geriatr Soc 53, 695–699.
[13] Yu J , Li J , Huang X (2012) Пекінська версія Монреальської когнітивної оцінки як короткий інструмент скринінгу легких когнітивних розладів: дослідження на рівні громади. 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) Перевірка китайської версії Монреальської базової когнітивної оцінки для скринінгу легких когнітивних порушень. J Am Geriatr Soc 64, e285–e290.
[15] Карсон Н., Ліч Л., Мерфі К. Дж. (2018) Повторне дослідження граничних показників Монреальської когнітивної оцінки (MoCA). Int J Geriatr Psychiatry 33, 379–388.
[16] Американська психіатрична асоціація (2013) Діагностичний та статистичний посібник із психічних розладів робочої групи: DSM-5™, American Psychiatric Publishing, Inc., Вашингтон, округ Колумбія.
[17] Python. Python Software Foundation, http://www.python.org, доступ 15 листопада 2019 р.
[18] R Core Group, R: мова та середовище для статистичних обчислень R Foundation for Statistical Computing, Відень, Австрія. https://www.R-project.org/, 2018, доступ 15 листопада 2019.
[19] Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Time for a change: A tutorial for comparing multiple classifiers through Bayesian analysis. J Mach Learn Res 18, 1–36.
[20] Frank E, Hall MA, Witten IH (2016) The WEKA Workbench. в Data Mining: практичні інструменти та методи машинного навчання, Frank E, Hall MA, Witten IH, Pal CJ, eds. Морган Кауфманн https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf
[21] Бергерон М. Ф., Ландсет С., Мауганс Т. А., Вільямс В. Б., Коллінз К. Л., Вассерман Е. Б., Хошгофтаар Т. М. (2019) Машинне навчання в моделюванні усунення симптомів струсу мозку у середній школі. Med Sci Sports Exerc 51, 1362–1371.
[22] Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Експериментальні перспективи навчання на основі незбалансованих даних. в Матеріали 24-ї Міжнародної конференції з машинного навчання, Корваліс, Орегон, США, стор. 935-942.
[23] Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989). J Gerontol 44, 139–146.
[24] Ешфорд Дж. В., Джарвік Л. (1985) Хвороба Альцгеймера: Чи спричиняє пластичність нейронів нейрофібрилярну дегенерацію аксонів? N Engl J Med 313, 388–389.
[25] Джек С.Р.-молодший, Терно Т.М., Вейганд С.Д., Віст Х.Дж., Нопман Д.С., Вемурі П., Лоу В.Дж., Мілке М.М., Робертс Р.О., Мачулда М.М., Графф-Редфорд Дж., Джонс Д.Т., Шварц К.Г., Гюнтер Дж.Л., Сенєм М.Л. , Rocca WA, Petersen RC (2019) Поширеність біологічно та клінічно визначених спектральних об’єктів Альцгеймера за допомогою Національного інституту старіння – хвороби Альцгеймера Асоціація досліджень рамка. JAMA Neurol 76, 1174–1183.
[26] Zhou X, Ashford JW (2019) Досягнення в інструментах скринінгу для Хвороба Альцгеймера. Старіння 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 Здоров'я мозку Реєстр: Інтернет-платформа для набору, оцінки та довгострокового моніторингу учасників для нейронаукових досліджень. Демент Альцгеймера 14, 1063–1076.
[28] Ешфорд Дж.В., Шмітт Ф.А. (2001) Моделювання часового курсу Деменція Альцгеймера. Curr Psychiatry Rep 3, 20–28.
[29] Li X, Wang X, Su L, Hu X, Han Y (2019) Китайське поздовжнє дослідження зниження когнітивних здібностей (SILCODE): Протокол китайського поздовжнього обсерваційного дослідження для розробки моделей прогнозування ризику переходу до легкого когнітивного порушення в осіб із суб’єктивними когнітивними порушеннями занепад. BMJ Open 9, e028188.
[30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015) П’ятирічна варіабельність прогресування біомаркерів для Деменція при хворобі Альцгеймера прогноз: чи може складна інструментальна діяльність повсякденного життя маркер заповнити прогалини? Демент Альцгеймера (Amst) 1, 521–532.
[31] МакГурран Г., Гленн Дж.М., Мадеро Е.Н., Ботт Н.Т. (2019) Профілактика та лікування хвороби Альцгеймера: Біологічні механізми фізичних вправ. J Alzheimers Dis 69, 311–338.
[32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) Терапія для профілактика та лікування хвороби Альцгеймера. Biomed Res Int 2016, 2589276.
[33] Лейн К.А., Барнс Дж., Ніколас Дж.М., Судре К.Х., Кеш Д.М., Мелоун І.Б., Паркер Т.Д., Кешаван А., Бьюкенен С.М., Кеусс С.Е., Джеймс С.Н., Лу К., Мюррей-Сміт Х., Вонг А., Гордон Е., Коут В., Модат М, Томас Д, Річардс М, Фокс Н.К., Шотт Дж.М. (2020) Асоціації між судинним ризиком у зрілому віці та патологією головного мозку в пізньому віці: дані британської когорти при народженні. JAMA Neurol 77, 175–183.
[34] Сешадрі С (2020) Профілактика деменції-мислення за межами віку та амілоїдних коробок. 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) Вплив систолічного артеріального тиску на цілісність білої речовини у молодих людей у ​​Фремінгемському дослідженні серця: перехресне -секційне дослідження. 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) Точність тестування біомаркерів для нейропатологічно визначених Хвороба Альцгеймера у людей похилого віку з деменцією. Ann Intern Med 172, 669–677.

Партнерство: [a] SIVOTEC Analytics, Бока-Ратон, Флорида, США | [b] Факультет комп’ютерної та електротехніки та комп’ютерних наук, Флорида-Атлантичний університет, Бока-Ратон, Флорида, США | [c] SJN Biomed LTD, Куньмін, Юньнань, Китай | [d] Центр для Дослідження хвороби Альцгеймера, Вашингтонський інститут клінічних досліджень, Вашингтон, округ Колумбія, США | [e] Департамент реабілітаційної медицини, Перша афілійована лікарня Куньмінського медичного університету, Куньмін, Юньнань, Китай | [f] Відділення неврології Народної лікарні Дехонг, Дехонг, Юньнань, Китай | [g] Відділення неврології, Перша афілійована лікарня Куньмінського медичного університету, район Ухуа, Куньмін, провінція Юньнань, Китай | [h] Центр вивчення пов’язаних з війною хвороб і травм, штат Вірджинія, Пало-Альто Охорона здоров'я System, Пало-Альто, Каліфорнія, США | [i] Кафедра психіатрії та поведінкових наук, Медична школа Стенфордського університету, Пало-Альто, Каліфорнія, США

Листування: [*] Листування: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. Електронна адреса: mbergeron@sivotecanalytics.com.; Сяолей Лю, доктор медичних наук, відділ неврології, Перша афілійована лікарня Медичного університету Куньміна, 295 Xichang Road, район Ухуа, Куньмін, провінція Юньнань 650032, Китай. Електронна адреса: ring@vip.163.com.

Ключові слова: старіння, Хвороба Альцгеймера, деменція, масовий скринінг