ہلکی علمی خرابی کی درجہ بندی میں میم ٹریکس اور مشین لرننگ ماڈلنگ کی افادیت
تحقیق آرٹیکل
مصنفین: برجیرون، مائیکل ایف | لینڈ سیٹ، سارہ | چاؤ، ژیانبو | ڈنگ، تاؤ | خوشگفتار، تغی ایم | زاؤ، فینگ | ڈو، بو | چن، سنجی | وانگ، شوان | Zhong، Lianmei | لیو، Xiaolei | ایشفورڈ، جے ویسن
DOI: 10.3233/JAD-191340
جرنل: جرنل آف ایک دماغی مرض کا نام ہے، vol. 77، نمبر. 4، پی پی. 1545-1558، 2020
خلاصہ
پس منظر:
کے وسیع پیمانے پر واقعات اور پھیلاؤ الزائمر کی بیماری اور ہلکی علمی خرابی (MCI) نے ابتدائی پتہ لگانے کی سنجیدگی سے متعلق اسکریننگ اور تشخیص کی توثیق کرنے کے لیے تحقیق کے لیے فوری کال کا اشارہ کیا ہے۔
مقصد:
ہماری بنیادی تحقیق کا مقصد یہ طے کرنا تھا کہ آیا منتخب کردہ MemTrax کی کارکردگی کے میٹرکس اور متعلقہ ڈیموگرافکس اور ہیلتھ پروفائل کی خصوصیات کو مشین لرننگ کے ساتھ تیار کردہ پیش گوئی کرنے والے ماڈلز میں مؤثر طریقے سے استعمال کیا جا سکتا ہے تاکہ علمی صحت (عام بمقابلہ MCI) کی درجہ بندی کی جا سکے۔ مونٹریال کی علمی تشخیص (MoCA)۔
طریقے:
ہم نے 259 نیورولوجی، میموری کلینک، اور داخلی ادویات کے بالغ مریضوں پر ایک کراس سیکشنل مطالعہ کیا جن میں سے دو افراد کو بھرتی کیا گیا۔ چین میں ہسپتال. ہر مریض کو چینی زبان کا MoCA دیا گیا اور MemTrax آن لائن ایپی سوڈک کی مسلسل شناخت کا خود انتظام کیا گیا۔ میموری ٹیسٹ آن لائن اسی دن. پیشن گوئی کی درجہ بندی کے ماڈلز مشین لرننگ کا استعمال کرتے ہوئے 10 گنا کراس توثیق کے ساتھ بنائے گئے تھے، اور ماڈل کی کارکردگی کو وصول کنندہ آپریٹنگ کریکٹرسٹک کریو (AUC) کے تحت ایریا کا استعمال کرتے ہوئے ماپا گیا تھا۔ آٹھ عام آبادیاتی اور ذاتی تاریخ کی خصوصیات کے ساتھ دو MemTrax کارکردگی میٹرکس (فیصد درست، جوابی وقت) کا استعمال کرتے ہوئے ماڈلز بنائے گئے تھے۔
نتائج:
MoCA اسکورز اور تھریشولڈز کے منتخب مجموعوں میں سیکھنے والوں کا موازنہ کرتے ہوئے، Naïve Bayes عام طور پر 0.9093 کی مجموعی درجہ بندی کی کارکردگی کے ساتھ اعلیٰ کارکردگی کا مظاہرہ کرنے والا سیکھنے والا تھا۔ مزید، سب سے اوپر تین سیکھنے والوں میں، MemTrax کی بنیاد پر درجہ بندی کی کارکردگی مجموعی طور پر تمام 0.9119 عام خصوصیات (10) کو استعمال کرنے کے مقابلے میں صرف اعلی درجہ کی چار خصوصیات (0.8999) کا استعمال کرتے ہوئے بہتر تھی۔
نتیجہ:
MemTrax کی کارکردگی کو مشین لرننگ کی درجہ بندی کے پیشن گوئی ماڈل میں مؤثر طریقے سے استعمال کیا جا سکتا ہے۔ ابتدائی مرحلے کی علمی خرابی کا پتہ لگانے کے لیے اسکریننگ کی درخواست.
تعارف
تسلیم شدہ (کم تشخیص ہونے کے باوجود) وسیع پیمانے پر پھیلنے والے واقعات اور پھیلاؤ اور متوازی بڑھتی ہوئی طبی، سماجی اور عوامی صحت الزائمر کی بیماری (AD) اور ہلکی علمی خرابی (MCI) کے اخراجات اور بوجھ تمام اسٹیک ہولڈرز کے لیے تیزی سے دباؤ کا شکار ہو رہے ہیں [1، 2]۔ اس پریشان کن اور بڑھتے ہوئے منظر نامے نے توثیق کرنے کے لیے تحقیق کے لیے فوری مطالبہ کیا ہے۔ ابتدائی پتہ لگانے متنوع علاقوں اور آبادیوں میں بوڑھے مریضوں کے لیے ذاتی اور طبی ترتیبات میں باقاعدہ عملی افادیت کے لیے علمی اسکریننگ اور تشخیصی آلات [3]۔ ان آلات کو معلوماتی نتائج کا الیکٹرانک ہیلتھ ریکارڈ میں بغیر کسی رکاوٹ کے ترجمہ کے لیے بھی فراہم کرنا چاہیے۔ مریضوں کو مطلع کرنے اور اہم تبدیلیوں کو پہلے پہچاننے میں معالجین کی مدد کرنے سے فوائد حاصل کیے جائیں گے اور اس طرح مزید فوری اور بروقت سطح بندی، عمل درآمد، اور مناسب انفرادی اور زیادہ کفایت شعاری علاج اور مریضوں کی دیکھ بھال کے لیے جو تجربہ کرنا شروع کر رہے ہیں ان کا پتہ لگانے کے قابل ہو جائیں گے۔ سنجیدگی سے کمی [3، 4]۔
کمپیوٹرائزڈ MemTrax ٹول (https://memtrax.com) ایک سادہ اور مختصر مسلسل شناخت کا اندازہ ہے جو چیلنجنگ ٹائمڈ ایپیسوڈک میموری کی کارکردگی کی پیمائش کرنے کے لیے آن لائن خود انتظام کیا جا سکتا ہے جہاں صارف بار بار تصاویر کا جواب دیتا ہے نہ کہ ابتدائی پیشکش [5, 6]۔ حالیہ تحقیق اور اس کے نتیجے میں ہونے والے عملی مضمرات بتدریج اور اجتماعی طور پر ابتدائی AD اور MCI اسکریننگ [5–7] میں MemTrax کی طبی افادیت کو ظاہر کرنے لگے ہیں۔ تاہم، موجودہ سے کلینیکل افادیت کا براہ راست موازنہ علمی صحت پیشہ ورانہ نقطہ نظر سے آگاہ کرنے اور ابتدائی پتہ لگانے اور تشخیصی معاونت میں MemTrax کی افادیت کی تصدیق کرنے کے لیے تشخیص اور روایتی معیارات کی ضمانت دی جاتی ہے۔ وین ڈیر ہوک وغیرہ۔ [8] منتخب MemTrax کارکردگی میٹرکس (رد عمل کی رفتار اور فیصد درست) کا مونٹریال کی طرف سے تعین کردہ علمی حیثیت سے موازنہ علمی تشخیص (MoCA)۔ تاہم، یہ مطالعہ ان کارکردگی کے میٹرکس کو علمی حیثیت کی خصوصیت (جیسا کہ MoCA کے ذریعے متعین کیا گیا ہے) کے ساتھ منسلک کرنے اور متعلقہ حدود اور کٹ آف اقدار کی وضاحت تک محدود تھا۔ اس کے مطابق، اس تحقیقات کو بڑھانے اور درجہ بندی کی کارکردگی اور افادیت کو بہتر بنانے کے لیے، ہمارا بنیادی تحقیقی سوال یہ تھا:
- کیا کسی فرد کے منتخب کردہ MemTrax کی کارکردگی کے میٹرکس اور متعلقہ آبادیات اور صحت کو دیکھ سکتے ہیں۔ پروفائل مشین لرننگ کے ساتھ تیار کردہ پیشن گوئی کے ماڈل میں خصوصیات کو مؤثر طریقے سے استعمال کیا جائے گا تاکہ علمی صحت کی درجہ بندی کی جا سکے (عام بمقابلہ MCI)، جیسا کہ کسی کے MoCA سکور سے اشارہ کیا جائے گا؟
اس کے لیے ثانوی، ہم جاننا چاہتے تھے:
- انہی خصوصیات کو شامل کرتے ہوئے، کیا میم ٹریکس کی کارکردگی پر مبنی مشین لرننگ ماڈل کو مؤثر طریقے سے کسی مریض پر سنجیدگی کی خرابی کے منتخب زمروں میں شدت (ہلکے بمقابلہ شدید) کی پیشین گوئی کے لیے لاگو کیا جا سکتا ہے جیسا کہ ایک آزاد طبی تشخیص کے ذریعے طے کیا جائے گا؟
اسکریننگ/ڈیٹیکشن میں مصنوعی ذہانت اور مشین لرننگ کی آمد اور ابھرتی ہوئی عملی اطلاق نے پہلے ہی واضح عملی فوائد کا مظاہرہ کیا ہے، پیشین گوئی کرنے والی ماڈلنگ کے ساتھ علمی/دماغی صحت اور مریض کے انتظام کے چیلنجنگ تشخیص میں معالجین کی مؤثر طریقے سے رہنمائی کرتی ہے۔ ہمارے مطالعے میں، ہم نے MCI کی درجہ بندی کی ماڈلنگ اور علمی خرابی کی شدت کے امتیاز میں اسی طرح کے نقطہ نظر کا انتخاب کیا جیسا کہ چین کے دو اسپتالوں کے منتخب رضاکار داخل مریضوں اور بیرونی مریضوں کی نمائندگی کرنے والے تین ڈیٹاسیٹس سے کلینیکل تشخیص سے تصدیق ہوتی ہے۔ مشین لرننگ کی پیش گوئی کرنے والی ماڈلنگ کا استعمال کرتے ہوئے، ہم نے مختلف ڈیٹاسیٹ/ لرنر کے امتزاج سے اعلیٰ کارکردگی کا مظاہرہ کرنے والے سیکھنے والوں کی شناخت کی اور طبی لحاظ سے عملی ماڈل ایپلی کیشنز کی وضاحت کرنے میں ہماری رہنمائی کے لیے خصوصیات کی درجہ بندی کی۔
ہمارے مفروضے یہ تھے کہ ایک توثیق شدہ MemTrax پر مبنی ماڈل کو علمی صحت کی درجہ بندی کرنے کے لیے استعمال کیا جا سکتا ہے (عام یا MCI) MoCA کے مجموعی سکور کی حد کے معیار کی بنیاد پر، اور یہ کہ اسی طرح کے MemTrax کی پیش گوئی کرنے والے ماڈل کو مؤثر طریقے سے استعمال کیا جا سکتا ہے۔ طبی طور پر تشخیص سنجشتھاناتمک خرابی. متوقع نتائج کا مظاہرہ علمی زوال اور علمی خرابی کی درجہ بندی کے لیے ابتدائی پتہ لگانے والی اسکرین کے طور پر MemTrax کی افادیت کی حمایت میں معاون ثابت ہوگا۔ صنعت کے مطلوبہ معیار کے ساتھ سازگار موازنہ بہت زیادہ آسانی اور افادیت کی تیز رفتاری کے ساتھ تکمیل کرنے والے معالجین کو ابتدائی (بشمول پروڈرومل) مرحلے کے علمی خسارے کا پتہ لگانے میں ابتدائی اسکرین کے طور پر اس سادہ، قابل اعتماد، اور قابل رسائی ٹول کو اپنانے میں مدد فراہم کرنے میں اثر انداز ہوگا۔ اس طرح کا نقطہ نظر اور افادیت اس طرح زیادہ بروقت اور بہتر سطحی مریض کی دیکھ بھال اور مداخلت کا اشارہ دے سکتی ہے۔ یہ آگے کی سوچنے والی بصیرتیں اور بہتر میٹرکس اور ماڈلز ڈیمنشیا کے بڑھنے کو کم کرنے یا روکنے میں بھی مددگار ثابت ہو سکتے ہیں، بشمول AD اور AD سے متعلق ڈیمنشیا (ADRD)۔
مواد اور طریقے
آبادی کا مطالعہ کریں
جنوری 2018 اور اگست 2019 کے درمیان، چین کے دو ہسپتالوں سے بھرتی کیے گئے مریضوں پر کراس سیکشنل تحقیق مکمل کی گئی۔ 5 سال اور اس سے زیادہ عمر کے افراد کے لیے MemTrax [21] کی انتظامیہ اور ان ڈیٹا کے جمع اور تجزیہ کا جائزہ لیا گیا اور اس کی منظوری دی گئی اور اس کے اخلاقی معیارات کے مطابق انتظام کیا گیا۔ انسانی سٹینفورڈ یونیورسٹی کی سبجیکٹ پروٹیکشن کمیٹی۔ اس مجموعی مطالعہ کے لیے MemTrax اور دیگر تمام ٹیسٹنگ 1975 کے ہیلسنکی اعلامیے کے مطابق کی گئی تھی اور کنمنگ، یونان، چین میں کنمنگ میڈیکل یونیورسٹی کے فرسٹ ملحقہ ہسپتال کے ادارہ جاتی جائزہ بورڈ کی طرف سے منظوری دی گئی تھی۔ ہر صارف کو ایک فراہم کیا گیا تھا۔ باخبر رضامندی پڑھنے/جائزہ لینے کے لیے فارم اور پھر رضاکارانہ طور پر حصہ لینے پر راضی ہوں۔
شرکاء کو Yanhua ہسپتال (YH ذیلی ڈیٹا سیٹ) کے نیورولوجی کلینک میں بیرونی مریضوں کے پول سے بھرتی کیا گیا تھا اور کنمنگ میڈیکل کے پہلے منسلک ہسپتال میں میموری کلینک بیجنگ، چین میں یونیورسٹی (XL ذیلی ڈیٹاسیٹ)۔ کنمنگ میڈیکل یونیورسٹی کے فرسٹ ملحقہ ہسپتال میں نیورولوجی (XL سب ڈیٹاسیٹ) اور انٹرنل میڈیسن (KM سب ڈیٹاسیٹ) کے مریضوں سے بھی شرکاء کو بھرتی کیا گیا تھا۔ شمولیت کے معیار میں شامل ہیں 1) کم از کم 21 سال کی عمر کے مرد اور خواتین، 2) چینی (مینڈارن) بولنے کی صلاحیت، اور 3) زبانی اور تحریری سمتوں کو سمجھنے کی صلاحیت۔ اخراج کا معیار بصارت اور موٹر کی خرابیاں تھیں جو شرکاء کو مکمل کرنے سے روکتی تھیں۔ MemTrax ٹیسٹ، نیز ٹیسٹ کی مخصوص ہدایات کو سمجھنے میں ناکامی۔
MemTrax کا چینی ورژن
آن لائن MemTrax ٹیسٹ پلیٹ فارم کا ترجمہ کیا گیا تھا۔ چینی میں (URL: https://www.memtrax.com.cn) اور خود انتظامیہ کے لیے WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, China) کے ذریعے استعمال کرنے کے لیے مزید ڈھال لیا گیا۔ ڈیٹا چین میں واقع ایک کلاؤڈ سرور (علی کلاؤڈ) پر ذخیرہ کیا گیا تھا اور SJN Biomed LTD (Kunming, Yunnan, China) کے ذریعہ Alibaba (Alibaba Technology Co. Ltd., Hangzhou, Zhejiang, China) سے لائسنس یافتہ تھا۔ MemTrax پر مخصوص تفصیلات اور یہاں استعمال ہونے والے ٹیسٹ کی درستگی کے معیار کو پہلے بیان کیا جا چکا ہے [6]۔ ٹیسٹ مریضوں کو بغیر کسی معاوضے کے فراہم کیے گئے۔
مطالعہ کے طریقہ کار
داخل مریضوں اور بیرونی مریضوں کے لیے، آبادیاتی اور ذاتی معلومات جیسے کہ عمر، جنس، تعلیم کے سال، پیشہ، اکٹھا کرنے کے لیے ایک عمومی کاغذی سوالنامہ اکیلے رہنا یا خاندان کے ساتھ، اور طبی تاریخ کا انتظام مطالعاتی ٹیم کے ایک رکن کے ذریعے کیا گیا تھا۔ سوالنامے کی تکمیل کے بعد، MoCA [12] اور MemTrax ٹیسٹ کیے گئے (MoCA پہلے) ٹیسٹوں کے درمیان 20 منٹ سے زیادہ کا وقت نہیں تھا۔ MemTrax فیصد درست (MTx-%C)، اوسط جوابی وقت (MTx-RT)، اور ٹیسٹنگ کی تاریخ اور وقت مطالعہ کی ٹیم کے ایک رکن کے ذریعے ٹیسٹ کیے گئے ہر شریک کے لیے کاغذ پر ریکارڈ کیے گئے۔ مکمل شدہ سوالنامہ اور ایم او سی اے کے نتائج کو ایک ایکسل اسپریڈ شیٹ میں محقق کے ذریعہ اپ لوڈ کیا گیا جس نے ٹیسٹوں کا انتظام کیا اور ایکسل فائلوں کو تجزیوں کے لیے محفوظ کیے جانے سے پہلے ایک ساتھی کے ذریعے تصدیق کی گئی۔
MemTrax ٹیسٹ
MemTrax آن لائن ٹیسٹ میں 50 تصاویر شامل تھیں (25 منفرد اور 25 تکرار؛ عام مناظر یا اشیاء کی 5 تصاویر کے 5 سیٹ) ایک مخصوص چھدم بے ترتیب ترتیب میں دکھائی گئیں۔ حصہ لینے والا (ہدایات کے مطابق) ٹیسٹ شروع کرنے کے لیے اسکرین پر اسٹارٹ بٹن کو ٹچ کرے گا اور امیج سیریز دیکھنا شروع کرے گا اور جب بھی بار بار تصویر سامنے آئے گی جلد از جلد اسکرین پر موجود تصویر کو دوبارہ ٹچ کرے گا۔ ہر تصویر 3 سیکنڈ تک یا اسکرین پر موجود تصویر کو چھونے تک ظاہر ہوتی ہے، جس سے اگلی تصویر کو فوری طور پر پیش کرنے کا اشارہ ملتا ہے۔ مقامی ڈیوائس کی اندرونی گھڑی کا استعمال کرتے ہوئے، ہر تصویر کے لیے MTx-RT کا تعین تصویر کی پیشکش سے لے کر اس وقت تک کیا گیا جب شرکاء نے تصویر کو پہلے ہی دکھائے جانے والے تصویر کے طور پر پہچاننے کے جواب میں اسکرین کو چھوا۔ ٹیسٹ کے دوران. MTx-RT ہر تصویر کے لیے ریکارڈ کیا گیا، مکمل 3 سیکنڈ کے ساتھ کوئی جواب نہیں ہے۔ MTx-%C کا حساب دہرائی جانے والی اور ابتدائی امیجز کے فیصد کی نشاندہی کرنے کے لیے کیا گیا تھا جس پر صارف نے صحیح جواب دیا تھا (سچ مثبت + حقیقی منفی کو 50 سے تقسیم کیا گیا)۔ MemTrax انتظامیہ اور نفاذ، ڈیٹا میں کمی، غلط یا "کوئی جواب نہیں" ڈیٹا، اور بنیادی ڈیٹا کے تجزیوں کی اضافی تفصیلات کہیں اور بیان کی گئی ہیں [6]۔
MemTrax ٹیسٹ کی تفصیل سے وضاحت کی گئی تھی اور ہسپتال کی ترتیب میں شرکاء کو ایک مشق ٹیسٹ (ان کے علاوہ منفرد تصاویر کے ساتھ جو نتائج ریکارڈ کرنے کے لیے ٹیسٹ میں استعمال کیے گئے تھے) فراہم کیے گئے تھے۔ YH اور KM ذیلی ڈیٹا سیٹس کے شرکاء نے ایک اسمارٹ فون پر MemTrax ٹیسٹ لیا جو WeChat پر ایپلیکیشن کے ساتھ بھری ہوئی تھی۔ جبکہ XL ذیلی ڈیٹا سیٹ کے مریضوں کی ایک محدود تعداد نے آئی پیڈ استعمال کیا اور باقی نے اسمارٹ فون استعمال کیا۔ تمام شرکاء نے میم ٹریکس ٹیسٹ ایک مطالعہ کے تفتیش کار کے ساتھ دیا جس کا بلا روک ٹوک مشاہدہ کیا گیا۔
مونٹریال علمی تشخیص
چینی MoCA (MoCA-BC) [13] کے بیجنگ ورژن کو تربیت یافتہ محققین نے سرکاری ٹیسٹ کی ہدایات کے مطابق ترتیب دیا اور اسکور کیا۔ مناسب طور پر، MoCA-BC کو قابل اعتماد دکھایا گیا ہے۔ علمی امتحان چینی بزرگوں میں تمام تعلیمی سطحوں کی اسکریننگ [14]۔ ہر ٹیسٹ کو متعلقہ شرکاء کی علمی صلاحیتوں کی بنیاد پر انتظام کرنے میں تقریباً 10 سے 30 منٹ لگے۔
MoCA درجہ بندی ماڈلنگ
دو MemTrax سمیت کل 29 قابل استعمال خصوصیات تھیں۔ ڈیموگرافک اور صحت سے متعلق کارکردگی کی پیمائش اور 27 خصوصیات کی جانچ کریں۔ ہر شریک کے لیے معلومات۔ ہر مریض کے ایم او سی اے کے مجموعی ٹیسٹ اسکور کو بطور استعمال کیا گیا تھا۔ علمی اسکریننگ ہمارے پیش گوئی کرنے والے ماڈلز کو تربیت دینے کے لیے "بینچ مارک"۔ اس کے مطابق، چونکہ MoCA کا استعمال کلاس لیبل بنانے کے لیے کیا گیا تھا، اس لیے ہم مجموعی سکور (یا MoCA سب سیٹ اسکورز میں سے کسی بھی) کو آزاد خصوصیت کے طور پر استعمال نہیں کر سکے۔ ہم نے ابتدائی تجربات کیے جس میں ہم نے ماڈلنگ کی (ایم او سی اے کی طرف سے بیان کردہ علمی صحت کی درجہ بندی) اصل تین ہسپتال/کلینک (زبانیں) کے ذیلی ڈیٹاسیٹس کو انفرادی طور پر اور پھر تمام خصوصیات کا استعمال کرتے ہوئے ملایا۔ تاہم، تین ذیلی ڈیٹاسیٹس کی نمائندگی کرنے والے چار کلینک میں سے ہر ایک میں ڈیٹا کے تمام عناصر اکٹھے نہیں کیے گئے تھے۔ اس طرح، مشترکہ ڈیٹاسیٹ میں ہماری بہت سی خصوصیات (تمام خصوصیات استعمال کرتے وقت) میں قدروں کی کمی کے زیادہ واقعات تھے۔ اس کے بعد ہم نے مشترکہ ڈیٹاسیٹ کے ساتھ صرف عام خصوصیات کا استعمال کرتے ہوئے ماڈلز بنائے جس کے نتیجے میں درجہ بندی کی کارکردگی بہتر ہوئی۔ اس کی وضاحت ممکنہ طور پر تین مریضوں کے ذیلی ڈیٹاسیٹس کے ساتھ کام کرنے کے لیے مزید مثالوں کے امتزاج کے ذریعے کی گئی تھی اور ایسی کوئی خصوصیت نہیں تھی جس میں لاپتہ اقدار کے غیر مناسب پھیلاؤ کے ساتھ (مشترکہ ڈیٹاسیٹ میں صرف ایک خصوصیت، کام کی قسم، کوئی بھی گمشدہ اقدار تھی، جو متاثر کرتی ہے۔ صرف تین مریضوں کی مثالیں)، کیونکہ تینوں سائٹس پر ریکارڈ کی گئی صرف مشترکہ خصوصیات شامل تھیں۔ خاص طور پر، ہمارے پاس ہر اس خصوصیت کے لیے مسترد کرنے کا کوئی مخصوص معیار نہیں تھا جو بالآخر مشترکہ ڈیٹاسیٹ میں شامل نہیں تھا۔ تاہم، ہماری ابتدائی مشترکہ ڈیٹاسیٹ ماڈلنگ میں، ہم نے سب سے پہلے تین الگ الگ مریض ذیلی ڈیٹا سیٹس میں سے ہر ایک کی تمام خصوصیات کا استعمال کیا۔ اس کے نتیجے میں بڑے پیمانے پر ماڈل کی کارکردگی سامنے آئی جو ہر انفرادی ذیلی ڈیٹاسیٹ پر ابتدائی ابتدائی ماڈلنگ سے ناپ تول کم تھی۔ مزید برآں، جہاں تمام خصوصیات کا استعمال کرتے ہوئے بنائے گئے ماڈلز کی درجہ بندی کی کارکردگی حوصلہ افزا تھی، تمام سیکھنے والوں اور درجہ بندی کی اسکیموں میں، صرف عام خصوصیات کا استعمال کرتے ہوئے کئی ماڈلز کے لیے کارکردگی میں بہتری آئی۔ درحقیقت، ہمارے سرفہرست سیکھنے والوں میں سے، ایک ماڈل کے علاوہ تمام غیر عام خصوصیات کو ختم کرنے پر بہتر ہوئے۔
حتمی مجموعی ڈیٹاسیٹ (YH، XL، اور KM مشترکہ) میں 259 مثالیں شامل ہیں، ہر ایک منفرد شریک کی نمائندگی کرتا ہے جس نے MemTrax اور MoCA دونوں ٹیسٹ لیے۔ 10 مشترکہ آزاد خصوصیات تھیں: MemTrax کارکردگی میٹرکس: MTx-% C اور مطلب MTx-RT؛ آبادیاتی اور طبی تاریخ کی معلومات: عمر، جنس، تعلیم کے سال، کام کی قسم (بلیو کالر/وائٹ کالر)، سماجی مدد (چاہے ٹیسٹ لینے والا تنہا رہتا ہو یا خاندان کے ساتھ)، اور ہاں/نہیں جوابات کہ آیا صارف کے پاس ذیابیطس، ہائپرلیپیڈیمیا، یا تکلیف دہ دماغی چوٹ کی تاریخ۔ دو اضافی میٹرکس، MoCA مجموعی سکور اور MoCA مجموعی سکور جو تعلیم کے سالوں کے لیے ایڈجسٹ کیے گئے ہیں [12]، انحصار درجہ بندی کے لیبل تیار کرنے کے لیے الگ سے استعمال کیے گئے، اس طرح ہمارے مشترکہ ڈیٹاسیٹ پر لاگو ہونے کے لیے دو الگ الگ ماڈلنگ اسکیمیں بنائی گئیں۔ ایم او سی اے سکور کے ہر ورژن (ایڈجسٹڈ اور غیر ایڈجسٹ) کے لیے، ڈیٹا کو دوبارہ دو مختلف معیار کی حدوں کا استعمال کرتے ہوئے بائنری درجہ بندی کے لیے الگ الگ ماڈل بنایا گیا تھا - ابتدائی طور پر تجویز کردہ ایک [12] اور ایک متبادل قدر جو دوسروں کے ذریعہ استعمال اور فروغ دی گئی تھی [8، 15]۔ متبادل حد کی درجہ بندی کی اسکیم میں، ایک مریض کو عام علمی صحت سمجھا جاتا تھا اگر اس نے ایم او سی اے ٹیسٹ میں ≥23 اسکور کیا اور اگر اسکور 22 یا اس سے کم تھا تو MCI؛ جبکہ، ابتدائی تجویز کردہ درجہ بندی کی شکل میں، مریض کو MoCA پر 26 یا اس سے بہتر اسکور کرنا پڑتا ہے تاکہ اسے عام علمی صحت کا لیبل لگایا جائے۔
MoCA درجہ بندی ماڈلنگ کے لیے فلٹر کردہ ڈیٹا
ہم نے عام طور پر استعمال ہونے والی خصوصیت کی درجہ بندی کی چار تکنیکوں کا استعمال کرتے ہوئے MoCA کی درجہ بندی کا مزید جائزہ لیا: Chi-Squared، Gain Ratio، معلومات حاصل کرنا، اور Symmetrical Uncertainty۔ عبوری تناظر کے لیے، ہم نے اپنی چار ماڈلنگ اسکیموں میں سے ہر ایک کا استعمال کرتے ہوئے پورے مشترکہ ڈیٹاسیٹ پر رینکرز کا اطلاق کیا۔ تمام رینکرز ایک ہی اعلیٰ خصوصیات پر متفق تھے، یعنی عمر، تعلیم کے سالوں کی تعداد، اور دونوں MemTrax کارکردگی میٹرکس (MTx-%C، مطلب MTx-RT)۔ اس کے بعد ہم نے ماڈلز کو صرف سب سے اوپر چار خصوصیات پر تربیت دینے کے لیے ہر فیچر سلیکشن تکنیک کا استعمال کرتے ہوئے ماڈلز کو دوبارہ بنایا (دیکھیں خصوصیت کا انتخاب نیچے).
ایم او سی اے سکور کی درجہ بندی ماڈلنگ اسکیموں کے نتیجے میں آخری آٹھ تغیرات جدول 1 میں پیش کیے گئے ہیں۔
ٹیبل 1
MoCA کی درجہ بندی کے لیے استعمال ہونے والی ماڈلنگ اسکیم کی مختلف حالتوں کا خلاصہ (عام علمی صحت بمقابلہ MCI)
| ماڈلنگ سکیم | عمومی علمی صحت (منفی کلاس) | MCI (مثبت کلاس) |
| ایڈجسٹ -23 انفلٹرڈ/فلٹرڈ | 101 (39.0٪) | 158 (61.0٪) |
| ایڈجسٹ -26 انفلٹرڈ/فلٹرڈ | 49 (18.9٪) | 210 (81.1٪) |
| Unadjusted-23 انفلٹرڈ/فلٹرڈ | 92 (35.5٪) | 167 (64.5٪) |
| Unadjusted-26 انفلٹرڈ/فلٹرڈ | 42 (16.2٪) | 217 (83.8٪) |
ہر طبقے کے کل مریضوں کی متعلقہ تعداد اور فیصد کو تعلیم کے لیے اسکور کی ایڈجسٹمنٹ (ایڈجسٹڈ یا غیر ایڈجسٹ) اور درجہ بندی کی حد (23 یا 26) کے ذریعے فرق کیا جاتا ہے، جیسا کہ دونوں فیچر سیٹس (انفلٹرڈ اور فلٹرڈ) پر لاگو ہوتا ہے۔
MemTrax کی بنیاد پر کلینیکل تشخیص ماڈلنگ
ہمارے تین اصل ذیلی ڈیٹاسیٹس (YH، XL، KM) میں سے، صرف XL ذیلی ڈیٹاسیٹ کے مریضوں کو علمی خرابی کے لیے طبی طور پر آزادانہ طور پر تشخیص کیا گیا تھا (یعنی، ان کے متعلقہ MoCA اسکورز کو نارمل بمقابلہ معذوری کی درجہ بندی قائم کرنے میں استعمال نہیں کیا گیا تھا)۔ خاص طور پر، XL مریضوں میں سے کسی ایک کے ساتھ تشخیص کیا گیا تھا الزائمر کی بیماری کا ٹیسٹ (AD) یا ویسکولر ڈیمنشیا (VaD)۔ ان بنیادی تشخیصی زمروں میں سے ہر ایک کے اندر، MCI کے لیے مزید عہدہ تھا۔ AD کی وجہ سے MCI، ڈیمنشیا، عروقی اعصابی عارضہ، اور اعصابی عارضے کی تشخیص دماغی عوارض کی تشخیصی اور شماریاتی کتابچہ میں بیان کردہ مخصوص اور مخصوص تشخیصی معیار پر مبنی تھی: DSM-5 [16]۔ ان بہتر تشخیصوں پر غور کرتے ہوئے، دو درجہ بندی ماڈلنگ اسکیموں کو الگ الگ XL ذیلی ڈیٹا سیٹ پر لاگو کیا گیا تھا تاکہ ہر بنیادی تشخیصی زمرے کے لیے شدت کی سطح (نقصان کی ڈگری) میں فرق کیا جا سکے۔ ان میں سے ہر ایک تشخیصی ماڈلنگ اسکیموں (AD اور VaD) میں استعمال ہونے والے ڈیٹا میں آبادیاتی اور مریض کی تاریخ کی معلومات کے ساتھ ساتھ MemTrax کارکردگی (MTx-%C، مطلب MTx-RT) شامل ہے۔ ہر تشخیص پر ہلکا لیبل لگایا گیا تھا اگر MCI نامزد کیا گیا ہو۔ دوسری صورت میں، یہ شدید سمجھا جاتا تھا. ہم نے ابتدائی طور پر تشخیصی ماڈلز (ہلکے بمقابلہ شدید) میں ایم او سی اے سکور کو شامل کرنے پر غور کیا۔ لیکن ہم نے عزم کیا کہ اس سے ہماری ثانوی پیشن گوئی ماڈلنگ اسکیم کا مقصد ختم ہوجائے گا۔ یہاں سیکھنے والوں کو مریض کی دیگر خصوصیات کا استعمال کرتے ہوئے تربیت دی جائے گی جو فراہم کنندہ کے لیے آسانی سے دستیاب ہیں اور سادہ MemTrax ٹیسٹ (MOCA کے بدلے) کے حوالے سے "گولڈ اسٹینڈرڈ"، آزاد طبی تشخیص کے خلاف کارکردگی کے میٹرکس۔ AD تشخیصی ڈیٹاسیٹ میں 69 اور VaD کی 76 مثالیں تھیں (ٹیبل 2)۔ دونوں ڈیٹاسیٹس میں، 12 آزاد خصوصیات تھیں۔ MoCA سکور کی درجہ بندی میں شامل 10 خصوصیات کے علاوہ، مریض کی تاریخ میں ہائی بلڈ پریشر اور فالج کی تاریخ کے بارے میں معلومات بھی شامل ہیں۔
ٹیبل 2
تشخیص کی شدت کی درجہ بندی کے لیے استعمال ہونے والی ماڈلنگ اسکیم کی مختلف حالتوں کا خلاصہ (ہلکے بمقابلہ شدید)
| ماڈلنگ سکیم | ہلکا (منفی کلاس) | شدید (مثبت کلاس) |
| MCI-AD بمقابلہ AD | 12 (17.4٪) | 57 (82.6٪) |
| MCI-VaD بمقابلہ VaD | 38 (50.0٪) | 38 (50.0٪) |
ہر طبقے میں متعلقہ تعداد اور کل مریضوں کا فیصد بنیادی تشخیص کے زمرے (AD یا VaD) کے لحاظ سے مختلف ہے۔
اعداد و شمار
ہر ماڈل کی درجہ بندی کی حکمت عملی کے لیے ذیلی ڈیٹاسیٹس کے درمیان شریک کی خصوصیات اور دیگر عددی خصوصیات کا موازنہ (MoCA علمی صحت اور تشخیص کی شدت کا اندازہ لگانے کے لیے) Python پروگرامنگ لینگویج (ورژن 2.7.1) [17] کا استعمال کرتے ہوئے انجام دیا گیا۔ ماڈل کی کارکردگی کے فرق کو ابتدائی طور پر 95 فیصد اعتماد کے وقفے کے ساتھ واحد یا دو فیکٹر (جیسا کہ مناسب) ANOVA کا استعمال کرتے ہوئے اور کارکردگی کے ذرائع کا موازنہ کرنے کے لیے Tukey honest اہم فرق (HSD) ٹیسٹ کے ذریعے طے کیا گیا تھا۔ ماڈل پرفارمنس کے درمیان فرق کا یہ امتحان Python اور R (ورژن 3.5.1) [18] کے امتزاج کا استعمال کرتے ہوئے کیا گیا تھا۔ ہم نے اس (اگرچہ، زیادہ سے زیادہ کم از کم) نقطہ نظر کو صرف اس پر ایک تحقیقی امداد کے طور پر استعمال کیا ابتدائی مرحلے ممکنہ طبی درخواست کی توقع میں ابتدائی ماڈل کی کارکردگی کے موازنہ کے لیے۔ اس کے بعد ہم نے ماڈل کی کارکردگی کے فرق کے امکان کا تعین کرنے کے لئے پوسٹریئر ڈسٹری بیوشن کا استعمال کرتے ہوئے بایسیئن سائنڈ رینک ٹیسٹ کا استعمال کیا [19]۔ ان تجزیوں کے لیے، ہم نے وقفہ -0.01، 0.01 کا استعمال کیا، اس بات کی نشاندہی کرتے ہوئے کہ اگر دو گروپوں کی کارکردگی کا فرق 0.01 سے کم تھا، تو انہیں ایک جیسا سمجھا جاتا تھا (عملی مساوات کے علاقے میں)، یا بصورت دیگر وہ مختلف تھے (ایک سے بہتر دیگر). درجہ بندی کرنے والوں کے Bayesian موازنہ کو انجام دینے اور ان امکانات کا حساب لگانے کے لیے، ہم نے Python 1.0.2 کے لیے baycomp لائبریری (ورژن 3.6.4) استعمال کیا۔
پیشن گوئی ماڈلنگ
ہم نے ہر مریض کے ایم او سی اے ٹیسٹ کے نتائج یا کلینیکل تشخیص کی شدت کی پیشین گوئی کرنے کے لیے اپنی ماڈلنگ اسکیموں کے دس کل تغیرات کا استعمال کرتے ہوئے پیش گوئی کرنے والے ماڈلز بنائے ہیں۔ تمام سیکھنے والوں کو لاگو کیا گیا تھا اور ماڈلز کو اوپن سورس سافٹ ویئر پلیٹ فارم ویکا کا استعمال کرتے ہوئے بنایا گیا تھا [20]۔ اپنے ابتدائی تجزیے کے لیے، ہم نے 10 عام طور پر استعمال کیے جانے والے سیکھنے کے الگورتھم استعمال کیے: 5-قریب ترین پڑوسی، C4.5 فیصلے کے درخت کے دو ورژن، لاجسٹک ریگریشن، ملٹی لیئر پرسیپٹرون، نیو بیز، رینڈم فارسٹ کے دو ورژن، ریڈیل بیسس فنکشن نیٹ ورک، اور سپورٹ ویکٹر۔ آلہ. ان الگورتھم کی کلیدی صفات اور تضادات کو کہیں اور بیان کیا گیا ہے [21] (متعلقہ ضمیمہ دیکھیں)۔ ان کا انتخاب اس لیے کیا گیا کہ وہ مختلف قسم کے سیکھنے والوں کی نمائندگی کرتے ہیں اور اس لیے کہ ہم نے اسی طرح کے ڈیٹا پر پچھلے تجزیوں میں ان کا استعمال کرتے ہوئے کامیابی کا مظاہرہ کیا ہے۔ ہائپر پیرامیٹر کی ترتیبات کو ہماری پچھلی تحقیق سے منتخب کیا گیا تھا جو ان کو مختلف ڈیٹا کی ایک قسم پر مضبوط ہونے کی نشاندہی کرتا ہے [22]۔ ہمارے ابتدائی تجزیے کے نتائج کی بنیاد پر اسی مشترکہ ڈیٹاسیٹ کا استعمال کرتے ہوئے مشترکہ خصوصیات کے ساتھ جو بعد میں مکمل تجزیے میں استعمال کیے گئے، ہم نے تین سیکھنے والوں کی نشاندہی کی جنہوں نے تمام درجہ بندیوں میں مسلسل مضبوط کارکردگی فراہم کی: لاجسٹک ریگریشن، نیو بیز، اور سپورٹ ویکٹر مشین۔
کراس توثیق اور ماڈل کی کارکردگی کا میٹرک
تمام پیش گوئی کرنے والی ماڈلنگ کے لیے (بشمول ابتدائی تجزیوں)، ہر ماڈل کو 10 گنا کراس توثیق کا استعمال کرتے ہوئے بنایا گیا تھا، اور ماڈل کی کارکردگی کو وصول کنندہ آپریٹنگ کریکٹرسٹک کریو (AUC) کے تحت ایریا کا استعمال کرتے ہوئے ماپا گیا تھا۔ کراس توثیق کا آغاز 10 ماڈلنگ اسکیم ڈیٹاسیٹ میں سے ہر ایک کو 10 مساوی حصوں (فولڈز) میں تصادفی طور پر تقسیم کرنے کے ساتھ ہوا، ان میں سے نو متعلقہ حصوں کو ماڈل کی تربیت کے لیے اور بقیہ حصے کو جانچ کے لیے استعمال کیا۔ اس طریقہ کار کو 10 بار دہرایا گیا، ایک مختلف طبقہ کا استعمال کرتے ہوئے ہر تکرار میں ٹیسٹ سیٹ کے طور پر۔ اس کے بعد نتائج کو حتمی ماڈل کے نتیجہ/کارکردگی کا حساب لگانے کے لیے ملایا گیا۔ ہر سیکھنے والے/ڈیٹا سیٹ کے امتزاج کے لیے، اس پورے عمل کو 10 بار دہرایا گیا اور ہر بار ڈیٹا کو مختلف طریقے سے تقسیم کیا گیا۔ اس آخری مرحلے نے تعصب کو کم کیا، نقل کو یقینی بنایا، اور ماڈل کی مجموعی کارکردگی کا تعین کرنے میں مدد کی۔ مجموعی طور پر (ایم او سی اے سکور اور تشخیص کی شدت کی درجہ بندی کی اسکیموں کے لیے)، 6,600 ماڈلز بنائے گئے تھے۔ اس میں 1,800 غیر فلٹر شدہ ماڈلز (6 ماڈلنگ اسکیمیں جو ڈیٹاسیٹ پر لاگو ہوتی ہیں × 3 سیکھنے والے × 10 رنز × 10 فولڈ = 1,800 ماڈلز) اور 4,800 فلٹر شدہ ماڈلز (4 ماڈلنگ اسکیمیں ڈیٹاسیٹ پر لاگو ہوتی ہیں × 3 سیکھنے والے × 4 فیچر سلیکشن تکنیک × 10 رنز × 10 فولڈ = 4,800 ماڈلز)۔
خصوصیت کا انتخاب
فلٹر شدہ ماڈلز کے لیے، خصوصیت کا انتخاب (فیچر کی درجہ بندی کے چار طریقوں کا استعمال کرتے ہوئے) کراس توثیق کے اندر انجام دیا گیا تھا۔ 10 فولڈز میں سے ہر ایک کے لیے، جیسا کہ ڈیٹاسیٹ کا مختلف 10% ٹیسٹ ڈیٹا تھا، ہر ٹریننگ ڈیٹاسیٹ کے لیے صرف اوپر کی چار منتخب خصوصیات (یعنی، باقی نو فولڈز، یا پورے ڈیٹاسیٹ کا بقیہ 90%) استعمال کیے گئے تھے۔ ماڈل بنانے کے لیے۔ ہم اس بات کی تصدیق کرنے سے قاصر تھے کہ ہر ماڈل میں کون سی چار خصوصیات استعمال کی گئی ہیں، کیونکہ یہ معلومات ہمارے استعمال کردہ ماڈلنگ پلیٹ فارم (ویکا) کے اندر محفوظ یا دستیاب نہیں ہیں۔ تاہم، اعلی خصوصیات کے ہمارے ابتدائی انتخاب میں مستقل مزاجی کو دیکھتے ہوئے جب رینکرز کو پورے مشترکہ ڈیٹاسیٹ پر لاگو کیا گیا تھا اور ماڈلنگ پرفارمنس میں اس کے نتیجے میں مماثلت تھی، یہی خصوصیات (عمر، تعلیم کے سال، MTx-% C، اور مطلب MTx-RT ) ممکنہ طور پر کراس توثیق کے عمل میں خصوصیت کے انتخاب کے ساتھ استعمال ہونے والے سب سے زیادہ مروجہ ٹاپ فور ہیں۔
نتائج
MoCA کی طرف اشارہ کردہ علمی صحت (عام بمقابلہ MCI) اور تشخیص کی شدت (ہلکے بمقابلہ شدید) کی پیشن گوئی کرنے کے لیے ہر ماڈل کی درجہ بندی کی حکمت عملی کے لیے متعلقہ ڈیٹاسیٹس کی شرکت کنندگان کی عددی خصوصیات (بشمول MoCA اسکورز اور MemTrax پرفارمنس میٹرکس) جدول 3 میں دکھائی گئی ہیں۔
ٹیبل 3
ہر ماڈل کی درجہ بندی کی حکمت عملی کے لیے شرکاء کی خصوصیات، MoCA سکور، اور MemTrax کی کارکردگی
| درجہ بندی کی حکمت عملی | عمر | تعلیم | MoCA ایڈجسٹ | MoCA غیر ایڈجسٹ | MTx-%C | MTx-RT |
| MoCA زمرہ | 61.9 سال (13.1) | 9.6 سال (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8٪ (15.0) | 1.4 سیکنڈ (0.3) |
| تشخیص کی شدت | 65.6 سال (12.1) | 8.6 سال (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3٪ (13.8) | 1.5 سیکنڈ (0.3) |
ماڈلنگ کی درجہ بندی کی حکمت عملیوں کے ذریعے مختلف دکھائے گئے اقدار (مطلب، SD) مشترکہ ڈیٹاسیٹ کے نمائندے ہیں جو MoCA کی طرف اشارہ شدہ علمی صحت (MCI بمقابلہ نارمل) اور XL ذیلی ڈیٹا سیٹ صرف تشخیص کی شدت (ہلکے بمقابلہ شدید) کی پیشن گوئی کرنے کے لیے استعمال ہوتے ہیں۔
MoCA سکور (ایڈجسٹڈ/غیر ایڈجسٹ) اور حد (26/23) کے ہر ایک مجموعہ کے لیے، ایک شماریاتی فرق تھا (p = 0.000) عمر، تعلیم، اور MemTrax کارکردگی (MTx-% C اور MTx-RT) کے لیے ہر جوڑے کے مقابلے میں (عام علمی صحت بمقابلہ MCI)۔ ہر مرکب کے لیے متعلقہ MCI کلاس میں ہر مریض کا ذیلی ڈیٹا سیٹ اوسطاً 9 سے 15 سال بڑا تھا، تقریباً پانچ سال کم تعلیم کی اطلاع دی گئی، اور دونوں میٹرکس کے لیے کم سازگار MemTrax کارکردگی تھی۔
سب سے اوپر تین سیکھنے والوں، لاجسٹک ریگریشن، نییو بیز، اور سپورٹ ویکٹر مشین کا استعمال کرتے ہوئے ایم او سی اے سکور کی درجہ بندی کے لیے پیشن گوئی ماڈلنگ کی کارکردگی کے نتائج جدول 4 میں دکھائے گئے ہیں۔ ان تینوں کا انتخاب تمام مختلف ماڈلز میں انتہائی مستقل طور پر اعلی مطلق سیکھنے کی کارکردگی کی بنیاد پر کیا گیا تھا۔ تمام ماڈلنگ اسکیموں کے ڈیٹاسیٹس پر لاگو کیا جاتا ہے۔ غیر فلٹر شدہ ڈیٹاسیٹ اور ماڈلنگ کے لیے، جدول 4 میں ہر ایک ڈیٹا ویلیو 100 ماڈلز (10 رنز × 10 فولڈز) سے اخذ کردہ AUC کے متعلقہ اوسط کی بنیاد پر ماڈل کی کارکردگی کی نشاندہی کرتی ہے، جو ہر سیکھنے والے/ماڈلنگ اسکیم کے امتزاج کے لیے بنائے گئے ہیں، متعلقہ اعلیٰ ترین پرفارمنگ لرنر کو بولڈ میں اشارہ کیا گیا ہے۔ جبکہ فلٹر شدہ ڈیٹاسیٹ ماڈلنگ کے لیے، جدول 4 میں رپورٹ کردہ نتائج فیچر رینکنگ کے طریقوں میں سے ہر ایک کو استعمال کرنے والے ہر سیکھنے والے کے لیے 400 ماڈلز سے مجموعی اوسط ماڈل پرفارمنس کی عکاسی کرتے ہیں (4 فیچر رینکنگ کے طریقے × 10 رنز × 10 فولڈز)۔
ٹیبل 4
Dichotomous MoCA سکور درجہ بندی کی کارکردگی (AUC؛ 0.0–1.0) کے نتائج تمام متعلقہ ماڈلنگ اسکیموں کے لیے تین اعلیٰ کارکردگی والے سیکھنے والوں میں سے ہر ایک کے لیے
| فیچر سیٹ استعمال کیا گیا۔ | MoCA سکور | کٹ آف تھریشولڈ | لاجسٹک ریگریشن۔ | بے باکی | سپورٹ ویکٹر مشین |
| غیر فلٹر شدہ (10 خصوصیات) | ایڈجسٹ | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| ناجائز | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| فلٹر شدہ (4 خصوصیات) | ایڈجسٹ | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| ناجائز | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
فیچر سیٹ، MoCA سکور، اور MoCA سکور کٹ آف تھریشولڈ کی مختلف حالتوں کو استعمال کرتے ہوئے، ہر ماڈلنگ سکیم کے لیے سب سے زیادہ کارکردگی اس میں دکھائی گئی ہے۔ جرات مندانہ (ضروری نہیں کہ اعداد و شمار کے لحاظ سے ان تمام لوگوں سے مختلف ہوں جو اس میں نہیں ہیں۔ جرات مندانہ متعلقہ ماڈل کے لیے)۔
مشترکہ غیر فلٹر شدہ ڈیٹاسیٹ میں (یعنی 23 عام خصوصیات کا استعمال کرتے ہوئے) MoCA سکور ورژن اور حد (بالترتیب ایڈجسٹ/غیر ایڈجسٹ اور 26/10) کے تمام مجموعوں میں سیکھنے والوں کا موازنہ کرتے ہوئے، Naïve Bayes مجموعی طور پر سب سے زیادہ کارکردگی کا مظاہرہ کرنے والا سیکھنے والا تھا۔ درجہ بندی کی کارکردگی 0.9093۔ سرفہرست تین سیکھنے والوں پر غور کرتے ہوئے، Bayesian-correlated signed-rank tests نے اشارہ کیا کہ امکان (Prلاجسٹک ریگریشن کو بہتر کارکردگی کا مظاہرہ کرنے والے Naïve Bayes کی 99.9% تھی۔ مزید برآں، Naïve Bayes اور Support Vector Machine کے درمیان، سیکھنے والے کی کارکردگی میں عملی مساوی ہونے کا 21.0% امکان (اس طرح، Naïve Bayes کی سپورٹ ویکٹر مشین کو بہتر کارکردگی کا مظاہرہ کرنے کا 79.0% امکان)، اور سپورٹ ویکٹر مشین کی بہتر کارکردگی کے 0.0% امکان کے ساتھ، Naïve Bayes کے لیے کارکردگی کے فائدہ کو تقویت دیتا ہے۔ MoCA سکور ورژن کے تمام سیکھنے والوں/تھریش ہولڈز میں مزید موازنہ نے غیر ایڈجسٹ شدہ MoCA سکور بمقابلہ ایڈجسٹڈ (بالترتیب 0.9027 بمقابلہ 0.8971؛ کا استعمال کرتے ہوئے کارکردگی کا معمولی فائدہ تجویز کیا۔ Pr (غیر ایڈجسٹ شدہ> ایڈجسٹ) = 0.988)۔ اسی طرح، تمام سیکھنے والوں اور MoCA سکور ورژن میں کٹ آف تھریشولڈ کا موازنہ 26 کو درجہ بندی کی حد کے طور پر 23 (0.9056 بمقابلہ 0.8942، بالترتیب استعمال کرتے ہوئے درجہ بندی کی کارکردگی کے ایک چھوٹے سے فائدہ کی نشاندہی کرتا ہے۔ Pr (26 > 23) = 0.999)۔ آخر میں، صرف فلٹر شدہ نتائج کو استعمال کرنے والے ماڈلز کے لیے درجہ بندی کی کارکردگی کا جائزہ لیتے ہوئے (یعنی، صرف اعلی درجے کی چار خصوصیات)، Naïve Bayes (0.9143) عددی طور پر تمام MoCA سکور ورژنز/تھریش ہولڈز میں اعلیٰ کارکردگی کا مظاہرہ کرنے والا سیکھنے والا تھا۔ تاہم، تمام فیچر رینکنگ تکنیکوں کو ملا کر، تمام اعلیٰ کارکردگی کا مظاہرہ کرنے والے سیکھنے والوں نے اسی طرح کا مظاہرہ کیا۔ Bayesian کے دستخط شدہ درجہ کے ٹیسٹوں نے فلٹر شدہ سیکھنے والوں کے ہر جوڑے کے درمیان عملی مساوات کا 100% امکان ظاہر کیا۔ غیر فلٹر شدہ ڈیٹا کی طرح (تمام 10 عام خصوصیات کا استعمال کرتے ہوئے)، MoCA سکور کے غیر ایڈجسٹ شدہ ورژن کے لیے ایک بار پھر کارکردگی کا فائدہ تھا (Pr (غیر ایڈجسٹ شدہ> ایڈجسٹ) = 1.000)، نیز 26 (Pr (26 > 23) = 1.000)۔ خاص طور پر، تمام MoCA سکور ورژن/تھریش ہولڈز میں صرف ٹاپ رینک والے چار فیچرز کا استعمال کرتے ہوئے ٹاپ تین سیکھنے والوں میں سے ہر ایک کی اوسط کارکردگی غیر فلٹر شدہ ڈیٹا پر کسی بھی سیکھنے والے کی اوسط کارکردگی سے زیادہ ہے۔ حیرت کی بات نہیں، فلٹر شدہ ماڈلز کی درجہ بندی کی کارکردگی (سب سے اوپر کی درجہ بندی والی چار خصوصیات کا استعمال کرتے ہوئے) مجموعی طور پر غیر فلٹر شدہ ماڈلز (0.9119) سے بہتر (0.8999) تھی، قطع نظر اس کے کہ خصوصیت کی درجہ بندی کے طریقہ کار کے ماڈلز جن کا موازنہ تمام 10 عام استعمال کرتے ہوئے متعلقہ ماڈلز سے کیا گیا ہو۔ خصوصیات. فیچر سلیکشن کے ہر طریقہ کے لیے، غیر فلٹر شدہ ماڈلز پر کارکردگی کے فائدہ کا 100% امکان تھا۔
AD تشخیص کی شدت کی درجہ بندی کے لیے زیر غور مریضوں کے ساتھ، گروپ کے درمیان (MCI-AD بمقابلہ AD) عمر کے فرق (p = 0.004)، تعلیم (p = 0.028)، MoCA سکور ایڈجسٹ/غیر ایڈجسٹ (p = 0.000)، اور MTx-% C (p = 0.008) شماریاتی لحاظ سے اہم تھے۔ جبکہ MTx-RT کے لیے یہ نہیں تھا (p = 0.097)۔ ان مریضوں کے ساتھ جو VaD تشخیص کی شدت کی درجہ بندی کے لیے سمجھے جاتے ہیں، گروپ کے درمیان (MCI-VaD بمقابلہ VaD) فرق MoCA سکور کے لیے ایڈجسٹ/غیر ایڈجسٹ (p = 0.007) اور MTx-% C (p = 0.026) اور MTx-RT (p = 0.001) شماریاتی لحاظ سے اہم تھے۔ جبکہ عمر کے لیے (p = 0.511) اور تعلیم (p = 0.157) گروپ کے درمیان کوئی خاص فرق نہیں تھا۔
پہلے سے منتخب شدہ تین سیکھنے والوں، لاجسٹک ریگریشن، نیوی بیز، اور سپورٹ ویکٹر مشین کا استعمال کرتے ہوئے تشخیص کی شدت کی درجہ بندی کے لیے پیشن گوئی ماڈلنگ کی کارکردگی کے نتائج جدول 5 میں دکھائے گئے ہیں۔ ، تین سیکھنے والوں کو ہم نے اپنی پچھلی ماڈلنگ میں سب سے زیادہ سازگار کے طور پر شناخت کیا تھا دونوں نئی ماڈلنگ اسکیموں کے ساتھ سب سے زیادہ مستقل کارکردگی پیش کی۔ ہر ایک بنیادی تشخیصی زمرے (AD اور VaD) کے سیکھنے والوں کا موازنہ کرتے ہوئے، MCI-VaD بمقابلہ VaD کے لیے سیکھنے والوں کے درمیان درجہ بندی کی کارکردگی میں کوئی مستقل فرق نہیں تھا، حالانکہ سپورٹ ویکٹر مشین نے عام طور پر زیادہ نمایاں کارکردگی کا مظاہرہ کیا۔ اسی طرح، MCI-AD بمقابلہ AD درجہ بندی کے لیے سیکھنے والوں کے درمیان کوئی خاص فرق نہیں تھا، حالانکہ Naïve Bayes (NB) کو لاجسٹک ریگریشن (LR) پر کارکردگی کا معمولی فائدہ تھا اور سپورٹ ویکٹر مشین پر محض ایک نہ ہونے کے برابر کثرتیت تھی، جس کے امکانات 61.4% تھے۔ اور بالترتیب 41.7 فیصد۔ دونوں ڈیٹاسیٹس میں، سپورٹ ویکٹر مشین (SVM) کے لیے مجموعی طور پر کارکردگی کا فائدہ تھا۔ Pr (SVM > LR) = 0.819 اور Pr (SVM > NB) = 0.934۔ XL ذیلی ڈیٹاسیٹ میں تشخیص کی شدت کا اندازہ لگانے میں تمام سیکھنے والوں میں ہماری مجموعی درجہ بندی کی کارکردگی AD کے مقابلے VaD تشخیص کے زمرے میں بہتر تھی۔Pr (VAD > AD) = 0.998)۔
ٹیبل 5
دونوں متعلقہ ماڈلنگ اسکیموں کے لیے تین اعلیٰ کارکردگی والے سیکھنے والوں میں سے ہر ایک کے لیے Dichotomous کلینیکل تشخیص کی شدت کی درجہ بندی کی کارکردگی (AUC؛ 0.0–1.0) کے نتائج
| ماڈلنگ سکیم | لاجسٹک ریگریشن۔ | بے باکی | سپورٹ ویکٹر مشین |
| MCI-AD بمقابلہ AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD بمقابلہ VaD | 0.8033 | 0.8044 | 0.8338 |
ہر ماڈلنگ اسکیم کے لیے سب سے زیادہ کارکردگی اس میں دکھائی گئی ہے۔ جرات مندانہ (ضروری نہیں کہ اعدادوشمار کے لحاظ سے دوسروں سے مختلف ہو جرات مندانہ).
بحث
علمی صحت میں تبدیلیوں کا جلد پتہ لگانا ضروری ہے۔ ذاتی صحت کے انتظام اور صحت عامہ میں یکساں طور پر عملی افادیت۔ درحقیقت، یہ دنیا بھر کے مریضوں کے لیے طبی ترتیبات میں بھی بہت زیادہ ترجیح ہے۔ مشترکہ مقصد مریضوں، دیکھ بھال کرنے والوں، اور فراہم کنندگان کو متنبہ کرنا ہے اور علمی زوال کا تجربہ کرنے والوں کے لیے پہلے سے مناسب اور کفایت شعاری علاج اور طولانی نگہداشت کا اشارہ دینا ہے۔ اپنے تین ہسپتال/کلینک کے ڈیٹا سب سیٹوں کو ضم کرتے ہوئے، ہم نے تین مخصوص ترجیحی سیکھنے والوں کی شناخت کی (ایک قابل ذکر اسٹینڈ آؤٹ -Naïve Bayes کے ساتھ) استعمال کرتے ہوئے پیش گوئی کرنے والے ماڈلز بنانے کے لیے۔ MemTrax پرفارمنس میٹرکس جو قابل اعتماد طور پر علمی صحت کی حیثیت کی درجہ بندی کر سکتے ہیں۔ dichotomously (عام سنجشتھاناتمک صحت یا MCI) جیسا کہ MoCA کے مجموعی اسکور سے اشارہ کیا جائے گا۔ خاص طور پر، تینوں سیکھنے والوں کے لیے مجموعی درجہ بندی کی کارکردگی اس وقت بہتر ہوئی جب ہمارے ماڈلز نے صرف اعلی درجے کی چار خصوصیات کا استعمال کیا جو بنیادی طور پر ان MemTrax کی کارکردگی کے میٹرکس کو گھیرے ہوئے تھے۔ مزید برآں، ہم نے ڈیمنشیا کی تشخیص کی دو اقسام کی شدت میں فرق کرنے کے لیے تشخیصی معاونت کی درجہ بندی ماڈلنگ اسکیم میں یکساں سیکھنے والوں اور MemTrax کی کارکردگی کے میٹرکس کو استعمال کرنے کے لیے ثابت شدہ امکانات کا انکشاف کیا: AD اور VaD۔
میموری ٹیسٹنگ AD [23، 24] کے ابتدائی پتہ لگانے میں مرکزی حیثیت رکھتا ہے۔ اس طرح، یہ مناسب ہے کہ MemTrax ایک قابل قبول، مشغول، اور آسانی سے لاگو آن لائن ہے۔ ایپیسوڈک میموری کے لیے اسکریننگ ٹیسٹ عام آبادی میں [6]۔ اس مسلسل کارکردگی کے کام سے شناخت کی درستگی اور ردعمل کے اوقات خاص طور پر سیکھنے، یادداشت اور ادراک سے متعلق نیوروپلاسٹک عمل میں ابتدائی اور ابھرتے ہوئے بگاڑ اور اس کے نتیجے میں ہونے والے خسارے کی نشاندہی کرتے ہیں۔ یعنی، یہاں کے ماڈلز جو بڑی حد تک MemTrax پرفارمنس میٹرکس پر مبنی ہیں حساس ہیں اور آسانی سے اور کم سے کم لاگت کے ساتھ حیاتیاتی نیوروپیتھولوجک خسارے کو عبوری اسیمپٹومیٹک مرحلے کے دوران زیادہ نمایاں فنکشنل نقصان [25] سے پہلے ظاہر کرتے ہیں۔ ایشفورڈ وغیرہ۔ آن لائن صارفین جنہوں نے MemTrax [6] کے ساتھ اپنے طور پر حصہ لیا ان میں شناختی میموری کی درستگی اور ردعمل کے وقت کے نمونوں اور طرز عمل کا قریب سے جائزہ لیا۔ اس بات کا احترام کرتے ہوئے کہ یہ تقسیم زیادہ سے زیادہ ماڈلنگ اور درست اور موثر مریض کی دیکھ بھال کی ایپلی کیشنز کو تیار کرنے میں اہم ہیں، طبی لحاظ سے قابل اطلاق شناخت اور رسپانس ٹائم پروفائلز کی وضاحت کلینکل اور تحقیقی افادیت کے لیے ایک قابل قدر بنیادی حوالہ قائم کرنے کے لیے ضروری ہے۔ ابتدائی مرحلے کی علمی خرابی اور تفریق تشخیصی معاونت کے لیے AD اسکریننگ میں MemTrax کی عملی قدر کو پھر کلینیکل ترتیب کے تناظر میں مزید باریک بینی سے جانچنے کی ضرورت ہے جہاں امتحان کی کارکردگی کو متاثر کرنے والی کموربیڈیٹیز اور علمی، حسی، اور موٹر صلاحیتوں پر غور کیا جا سکتا ہے۔ اور پیشہ ورانہ نقطہ نظر کو مطلع کرنے اور عملی طبی افادیت کی حوصلہ افزائی کے لیے، یہ سب سے پہلے ضروری ہے کہ ایک قائم شدہ علمی صحت کی تشخیص کے ٹیسٹ کے مقابلے کا مظاہرہ کیا جائے، اگرچہ مؤخر الذکر کو بوجھل ٹیسٹنگ لاجسٹکس، تعلیم اور زبان کی روک تھام، اور ثقافتی اثرات کی وجہ سے پہچانا جا سکتا ہے [26] . اس سلسلے میں، طبی افادیت میں MemTrax کا MoCA سے سازگار موازنہ جو کہ عام طور پر صنعتی معیار کے طور پر پیش کیا جاتا ہے، اہم ہے، خاص طور پر جب افادیت کی زیادہ آسانی اور میم ٹریکس کی مریضانہ قبولیت کا وزن ہو۔
میم ٹریکس کا ایم او سی اے سے موازنہ کرنے والی پچھلی تحقیق ہماری ماڈلنگ کی تحقیقات کی ضمانت دینے والے عقلی اور ابتدائی شواہد پر روشنی ڈالتی ہے [8]۔ تاہم، یہ سابقہ موازنہ محض دو کلیدی MemTrax کارکردگی میٹرکس سے منسلک ہے جس کا ہم نے علمی حیثیت کے ساتھ جائزہ لیا جیسا کہ MoCA کے ذریعہ طے کیا گیا ہے اور متعلقہ حدود اور کٹ آف اقدار کی وضاحت کی گئی ہے۔ ہم نے پیش گوئی کرنے والے ماڈلنگ پر مبنی نقطہ نظر کو تلاش کرکے MemTrax کے کلینیکل یوٹیلیٹی اسسمنٹ کو گہرا کیا جو ممکنہ طور پر متعلقہ مریض کے مخصوص پیرامیٹرز پر زیادہ انفرادی طور پر غور فراہم کرے گا۔ دوسروں کے برعکس، ہم نے MoCA سکور میں ایجوکیشن تصحیح (ایڈجسٹمنٹ) کا استعمال کرتے ہوئے یا اصل میں تجویز کردہ 26 سے 23 [12، 15] سے MoCA کے مجموعی سکور کی حد میں تفریق کرنے والی علمی صحت کو مختلف کرنے میں ماڈل کی کارکردگی میں کوئی فائدہ نہیں پایا۔ درحقیقت، درجہ بندی کی کارکردگی کا فائدہ غیر ایڈجسٹ شدہ MoCA سکور اور اعلیٰ حد کو استعمال کرتے ہوئے پسند کیا گیا۔
کلینکل پریکٹس میں اہم نکات
مشین لرننگ کا اکثر بہترین استعمال کیا جاتا ہے اور پیش گوئی کرنے والی ماڈلنگ میں سب سے زیادہ مؤثر ہوتا ہے جب ڈیٹا وسیع اور کثیر جہتی ہوتا ہے، یعنی جب متعدد مشاہدات اور اعلیٰ قدر (تعاون کرنے والے) صفات کی ایک ساتھ وسیع صف موجود ہوتی ہے۔ پھر بھی، ان موجودہ اعداد و شمار کے ساتھ، صرف چار منتخب خصوصیات کے ساتھ فلٹر شدہ ماڈلز نے تمام 10 عام خصوصیات کو استعمال کرنے والوں سے بہتر کارکردگی کا مظاہرہ کیا۔ اس سے پتہ چلتا ہے کہ ہمارے مجموعی ہسپتال ڈیٹاسیٹ میں اس طرح سے مریضوں کی بہترین درجہ بندی کرنے کے لیے طبی لحاظ سے موزوں ترین (اعلی قدر) خصوصیات نہیں تھیں۔ اس کے باوجود، کلیدی میم ٹریکس کی کارکردگی کے میٹرکس پر خصوصیت کی درجہ بندی پر زور—MTx-%C اور MTx-RT— اس ٹیسٹ کے ارد گرد ابتدائی مرحلے کے علمی خسارے کی اسکریننگ کے ماڈلز کی تعمیر کی بھرپور حمایت کرتا ہے جو سادہ، آسان انتظام، کم لاگت، اور مناسب طور پر ظاہر کرنے والا ہے۔ میموری کی کارکردگی، کم از کم ابھی علمی صحت کی حیثیت کی بائنری درجہ بندی کے لیے ابتدائی اسکرین کے طور پر۔ فراہم کنندگان اور صحت کی دیکھ بھال کے نظام پر مسلسل بڑھتے ہوئے دباؤ کو دیکھتے ہوئے، مریضوں کی اسکریننگ کے عمل اور کلینیکل ایپلی کیشنز کو مناسب طریقے سے تیار کیا جانا چاہیے جس میں مریض کی ان خصوصیات اور ٹیسٹ میٹرکس کو جمع کرنے، ٹریک کرنے، اور ماڈلنگ کرنے پر زور دیا جائے جو کہ تشخیص میں سب سے زیادہ مفید، فائدہ مند، اور ثابت شدہ ہیں۔ اور مریض کے انتظام کی حمایت.
MCI کی درجہ بندی میں دو اہم MemTrax میٹرکس کے مرکزی ہونے کے ساتھ، ہمارے اعلیٰ کارکردگی کا مظاہرہ کرنے والے سیکھنے والے (Naïve Bayes) نے زیادہ تر ماڈلز (AUC 0.90 سے زیادہ) میں بہت ہی اعلیٰ پیشین گوئی کی کارکردگی کا مظاہرہ کیا جس کا صحیح-مثبت سے غلط-مثبت تناسب 4 کے قریب یا اس سے کچھ زیادہ تھا۔ : 1. اس سیکھنے والے کا استعمال کرتے ہوئے ایک ترجمہی کلینیکل ایپلی کیشن اس طرح زیادہ تر علمی خسارے والے لوگوں کو پکڑے گی (درست طریقے سے درجہ بندی کرے گی)، جبکہ عام علمی صحت کے ساتھ غلطی سے کسی کو علمی خسارے (غلط مثبت) کے طور پر درجہ بندی کرنے سے وابستہ لاگت کو کم کرے گی۔ ان لوگوں میں اس درجہ بندی کی کمی ہے جن کے پاس علمی خسارہ ہے (غلط منفی)۔ غلط درجہ بندی کے ان منظرناموں میں سے کوئی ایک مریض اور دیکھ بھال کرنے والوں پر غیر ضروری نفسیاتی سماجی بوجھ ڈال سکتا ہے۔
جب کہ ابتدائی اور مکمل تجزیوں میں ہم نے ہر ماڈلنگ اسکیم میں تمام دس سیکھنے والوں کو استعمال کیا، ہم نے اپنے نتائج کو تین درجہ بندی کرنے والوں پر مرکوز کیا جو سب سے زیادہ مستقل مضبوط کارکردگی دکھا رہے ہیں۔ یہ ان اعداد و شمار کی بنیاد پر، سیکھنے والوں کو بھی نمایاں کرنا تھا جو علمی حیثیت کی درجہ بندی کا تعین کرنے کے لیے عملی کلینیکل ایپلی کیشن میں متوقع طور پر اعلیٰ سطح پر قابل اعتماد کارکردگی کا مظاہرہ کریں گے۔ مزید برآں، چونکہ اس مطالعہ کا مقصد علمی اسکریننگ پر مشین لرننگ کی افادیت اور ان بروقت طبی چیلنجوں کی ایک تعارفی تحقیقات کے طور پر تھا، اس لیے ہم نے کم سے کم پیرامیٹر ٹیوننگ کے ساتھ سیکھنے کی تکنیک کو سادہ اور عام رکھنے کا فیصلہ کیا۔ ہم اس بات کی تعریف کرتے ہیں کہ اس نقطہ نظر نے مریض کی مخصوص پیش گوئی کرنے کی صلاحیتوں کو زیادہ تنگ انداز میں بیان کیا ہے۔ اسی طرح، جبکہ ماڈلز کی تربیت صرف اعلیٰ خصوصیات (فلٹرڈ اپروچ) کا استعمال کرتے ہوئے ہمیں ان اعداد و شمار کے بارے میں مزید آگاہ کرتی ہے (جمع کردہ ڈیٹا میں خامیوں اور قیمتی طبی وقت اور وسائل کو بہتر بنانے میں اہمیت کو اجاگر کرنے کے لیے مخصوص)، ہم تسلیم کرتے ہیں کہ اسے محدود کرنا قبل از وقت ہے۔ ماڈلز کے دائرہ کار اور، اس لیے، تمام (اور دیگر خصوصیات) کو مستقبل کی تحقیق کے ساتھ اس وقت تک غور کیا جانا چاہیے جب تک کہ ہمارے پاس ترجیحی خصوصیات کا زیادہ واضح پروفائل نہ ہو جو وسیع آبادی پر لاگو ہو۔ اس طرح، ہم یہ بھی پوری طرح سے تسلیم کرتے ہیں کہ ان اور دیگر ماڈلز کے زیادہ جامع اور وسیع پیمانے پر نمائندہ ڈیٹا اور ان کو ایک موثر کلینیکل ایپلی کیشن میں ضم کرنے سے پہلے ان کی اصلاح ضروری ہو گی، خاص طور پر علمی کارکردگی کو متاثر کرنے والی کموربیڈیٹیز کو ایڈجسٹ کرنے کے لیے جن پر مزید طبی تشخیص میں غور کرنے کی ضرورت ہوگی۔
میم ٹریکس کی افادیت کو الگ الگ طبی تشخیص کی بنیاد پر بیماری کی شدت کی ماڈلنگ کے ذریعے مزید بہتر بنایا گیا۔ وی اے ڈی کی شدت کی پیشن گوئی کرنے میں مجموعی درجہ بندی کی بہتر کارکردگی (AD کے مقابلے) نہیں تھی۔ عروقی صحت سے متعلق مخصوص ماڈلز میں مریض کی پروفائل کی خصوصیات کو دیکھتے ہوئے حیرت انگیز اور فالج کا خطرہ، یعنی ہائی بلڈ پریشر، ہائپر لیپیڈیمیا، ذیابیطس، اور (یقیناً) فالج کی تاریخ۔ اگرچہ یہ زیادہ مطلوبہ اور مناسب ہوتا کہ عام علمی صحت کے ساتھ مماثل مریضوں پر اسی طرح کا طبی جائزہ لیا جاتا تاکہ سیکھنے والوں کو ان مزید جامع اعداد و شمار کے ساتھ تربیت دی جا سکے۔ اس کی خاص طور پر تصدیق کی جاتی ہے، کیونکہ MemTrax کا مقصد بنیادی طور پر ابتدائی مرحلے میں علمی خسارے کا پتہ لگانے اور اس کے نتیجے میں انفرادی تبدیلی کی ٹریکنگ کے لیے استعمال کرنا ہے۔ یہ بھی قابل فہم ہے کہ VaD ڈیٹاسیٹ میں ڈیٹا کی زیادہ مطلوبہ تقسیم نے ماڈلنگ کی نسبتاً بہتر کارکردگی میں حصہ ڈالا۔ وی اے ڈی ڈیٹاسیٹ دو کلاسوں کے درمیان اچھی طرح سے متوازن تھا، جبکہ ایم سی آئی کے بہت کم مریضوں والا AD ڈیٹاسیٹ نہیں تھا۔ خاص طور پر چھوٹے ڈیٹا سیٹس میں، یہاں تک کہ چند اضافی مثالیں بھی قابل پیمائش فرق پیدا کر سکتی ہیں۔ دونوں نقطہ نظر بیماری کی شدت کے ماڈلنگ کی کارکردگی میں فرق کے بنیادی دلائل ہیں۔ تاہم، ڈیٹاسیٹ کی عددی خصوصیات یا زیر غور کلینیکل پریزنٹیشن کے لیے مخصوص موروثی خصوصیات سے بہتر کارکردگی کو تناسب سے منسوب کرنا قبل از وقت ہے۔ بہر حال، اس ناول نے کلینیکل تشخیصی معاونت کے کردار میں MemTrax کی پیشن گوئی کی درجہ بندی کے ماڈل کی افادیت کا مظاہرہ کیا ہے جو قیمتی نقطہ نظر فراہم کرتا ہے اور MCI کے تسلسل میں مریضوں کے ساتھ اضافی معائنے کے حصول کی تصدیق کرتا ہے۔
چین میں MemTrax اور ان ماڈلز کی افادیت کا نفاذ اور مظاہرہ، جہاں زبان اور ثقافت قائم شدہ افادیت کے دیگر خطوں (مثال کے طور پر، فرانس، نیدرلینڈز، اور ریاستہائے متحدہ) [7، 8، 27] سے بالکل مختلف ہیں، اس صلاحیت کو مزید واضح کرتی ہے۔ MemTrax پر مبنی پلیٹ فارم کی وسیع پیمانے پر عالمی قبولیت اور طبی قدر کے لیے۔ یہ اعداد و شمار کی ہم آہنگی کی طرف کوشش کرنے اور علمی اسکریننگ کے لیے عملی بین الاقوامی اصولوں اور ماڈلنگ کے وسائل تیار کرنے کی ایک قابلِ مثال مثال ہے جو دنیا بھر میں استعمال کے لیے معیاری اور آسانی سے موافق ہیں۔
سنجشتھاناتمک کمی ماڈلنگ اور اطلاق میں اگلے اقدامات
AD میں علمی خرابی درحقیقت ایک تسلسل پر ہوتی ہے، مجرد مراحل یا مراحل میں نہیں [28, 29]۔ تاہم، اس ابتدائی مرحلے میں، ہمارا مقصد سب سے پہلے MemTrax کو شامل کرتے ہوئے ایک ماڈل بنانے کی اپنی صلاحیت کو قائم کرنا تھا جو بنیادی طور پر "نارمل" کو "نارمل" سے ممتاز کر سکے۔ مزید جامع تجرباتی اعداد و شمار (مثال کے طور پر، دماغ کی تصویر سازی، جینیاتی خصوصیات، بائیو مارکر، کاموربیڈیٹیز، اور پیچیدہ کے فنکشنل مارکر علمی سرگرمیاں کنٹرول) [30] مختلف عالمی خطوں، آبادیوں اور عمر کے گروپوں کو تربیت دینے اور تیار کرنے کے لیے زیادہ نفیس (بشمول مناسب وزن والے جوڑے) مشین لرننگ ماڈلز بہتر درجہ بندی کی زیادہ حد تک حمایت کریں گے، یعنی مریضوں کے گروپوں کی درجہ بندی کرنے کی صلاحیت علمی زوال کے تسلسل کے ساتھ MCI کو چھوٹے اور زیادہ حتمی ذیلی سیٹوں میں۔ مزید یہ کہ، علاقائی طور پر متنوع مریضوں کی آبادی کے افراد کے لیے ہم آہنگ طبی تشخیص ضروری ہیں۔ مؤثر طریقے سے تربیت یہ زیادہ جامع اور متوقع طور پر مضبوط ماڈلز۔ اس سے ملتے جلتے پس منظر، اثرات، اور زیادہ مختصر طور پر بیان کردہ خصوصیت والے علمی پروفائلز کے حامل افراد کے لیے مزید مخصوص اسٹریٹیفائیڈ کیس مینجمنٹ کی سہولت ملے گی اور اس طرح طبی فیصلے کی حمایت اور مریضوں کی دیکھ بھال کو بہتر بنایا جائے گا۔
آج تک کی زیادہ تر متعلقہ طبی تحقیق نے کم از کم ہلکے ڈیمنشیا کے مریضوں پر توجہ دی ہے۔ اور، عملی طور پر، اکثر مریضوں کی مداخلت کی کوشش صرف جدید مراحل میں کی جاتی ہے۔ تاہم، چونکہ ڈیمنشیا کے کلینیکل معیارات کے پورا ہونے سے پہلے ہی علمی زوال شروع ہو جاتا ہے، اس لیے مؤثر طریقے سے لاگو ہونے والی میم ٹریکس پر مبنی ابتدائی اسکرین اس بیماری اور اس کی پیشرفت کے بارے میں افراد کی مناسب تعلیم کی حوصلہ افزائی کر سکتی ہے اور جلد اور زیادہ بروقت مداخلتوں کی حوصلہ افزائی کر سکتی ہے۔ اس طرح، ابتدائی پتہ لگانے سے ورزش، خوراک، جذباتی مدد، اور بہتر سماجی کاری سے لے کر فارماسولوجیکل مداخلت تک مناسب شمولیت میں مدد مل سکتی ہے اور رویے اور خیال میں مریض سے متعلق تبدیلیوں کو تقویت ملتی ہے کہ اکیلے یا مجموعی طور پر ڈیمنشیا کے بڑھنے کو کم یا ممکنہ طور پر روک سکتا ہے [31, 32] . اس کے علاوہ، مؤثر کے ساتھ ابتدائی اسکریننگ، افراد اور ان کے اہل خانہ کو توقعات اور ارادوں کو واضح کرنے اور روزمرہ کے کاموں کو منظم کرنے میں مدد کے لیے کلینیکل ٹرائلز پر غور کرنے یا مشاورت اور دیگر سماجی خدمات کی مدد حاصل کرنے کے لیے کہا جا سکتا ہے۔ ان طریقوں سے مزید توثیق اور وسیع پیمانے پر عملی افادیت بہت سے افراد کے لیے MCI، AD، اور ADRD کی ترقی کو کم کرنے یا روکنے میں معاون ثابت ہو سکتی ہے۔
درحقیقت، ہمارے مطالعے میں مریض کی عمر کی حد کا کم اختتام AD کے ساتھ روایتی تشویش کی آبادی کی نمائندگی نہیں کرتا ہے۔ بہر حال، MoCA سکور/تھریش ہولڈ اور تشخیص کی شدت (ٹیبل 3) کی بنیاد پر درجہ بندی ماڈلنگ اسکیموں میں استعمال ہونے والے ہر گروپ کی اوسط عمر کم از کم 80 سال کی عمر میں واضح اکثریت (50% سے زیادہ) کی نشاندہی کرتی ہے۔ اس طرح یہ تقسیم عام کرنے کے لیے بہت موزوں ہے، جو آبادی میں ان ماڈلز کی افادیت کی حمایت کرتی ہے جو عام طور پر متاثر ہوتے ہیں۔ ابتدائی آغاز اور AD اور VaD کی وجہ سے بڑھتی ہوئی اعصابی بیماری۔ اس کے علاوہ، حالیہ شواہد اور تناظر ان تسلیم شدہ عوامل (مثلاً، ہائی بلڈ پریشر، موٹاپا، ذیابیطس، اور تمباکو نوشی) پر دباؤ ڈالتے ہیں جو ممکنہ طور پر جلد میں اضافے میں اہم کردار ادا کرتے ہیں۔ بالغ اور مڈ لائف ویسکولر رسک سکور اور اس کے نتیجے میں ٹھیک ٹھیک عروقی دماغی چوٹ جو نوجوانوں میں بھی واضح اثرات کے ساتھ کپٹی سے تیار ہوتی ہے بالغ [33-35]۔ اس کے مطابق، ابتدائی پتہ لگانے کے لئے سب سے زیادہ بہترین ابتدائی اسکریننگ کا موقع سنجشتھاناتمک خسارے کا مرحلہ اور ڈیمنشیا کو کامیابی سے حل کرنے میں مؤثر روک تھام اور مداخلت کی حکمت عملی شروع کرنا ابتدائی جوانی اور ممکنہ طور پر بچپن سمیت (ابتدائی حمل سے apolipoprotein E جیسے جینیاتی عوامل کی مطابقت کو نوٹ کرتے ہوئے) تمام عمر کے اسپیکٹرم میں تعاون کرنے والے عوامل اور سابقہ اشارے کی جانچ کرنے سے ابھرے گا۔
عملی طور پر، جدید امیجنگ، جینیاتی پروفائلنگ، اور امید افزا بائیو مارکر کی پیمائش کے لیے درست طبی تشخیص اور مہنگے طریقہ کار بہت سے فراہم کنندگان کے لیے ہمیشہ آسانی سے دستیاب یا ممکن نہیں ہوتے ہیں۔ اس طرح، بہت سی صورتوں میں، ابتدائی مجموعی علمی صحت کی درجہ بندی کو مریض کی طرف سے فراہم کردہ دیگر سادہ میٹرکس کا استعمال کرتے ہوئے ماڈلز سے اخذ کرنا پڑ سکتا ہے (مثلاً، خود رپورٹ شدہ میموری مسائل، موجودہ ادویات، اور معمول کی سرگرمی کی حدود) اور عام آبادیاتی خصوصیات [7]۔ رجسٹریاں جیسے کیلیفورنیا یونیورسٹی دماغ کی صحت رجسٹری (https://www.brainhealthregistry.org/) [27] اور دیگر جن کی موروثی وسیع پیمانے پر خود رپورٹ شدہ علامات، کوالٹیٹو اقدامات (مثلاً، نیند اور ہر روز کا ادراک)، ادویات، صحت کی حیثیت، اور تاریخ، اور مزید تفصیلی ڈیموگرافکس کلینک میں ان مزید قدیم ماڈلز کے عملی اطلاق کو تیار کرنے اور اس کی توثیق کرنے میں معاون ثابت ہوں گے۔ مزید، ایک ٹیسٹ جیسا کہ MemTrax، جس نے میموری فنکشن کا اندازہ لگانے میں افادیت کا مظاہرہ کیا ہے، حقیقت میں حیاتیاتی مارکروں کے مقابلے میں AD پیتھالوجی کا کافی حد تک بہتر تخمینہ فراہم کر سکتا ہے۔ یہ دیکھتے ہوئے کہ AD پیتھالوجی کی بنیادی خصوصیت نیوروپلاسٹیٹی میں خلل اور Synapses کا ایک بہت زیادہ پیچیدہ نقصان ہے، جو ایپیسوڈک کے طور پر ظاہر ہوتا ہے۔ میموری کی خرابی، ایک ایسا پیمانہ جو ایپیسوڈک میموری کا اندازہ لگاتا ہے حقیقت میں زندہ مریض میں حیاتیاتی مارکروں کے مقابلے AD پیتھولوجیکل بوجھ کا بہتر تخمینہ فراہم کریں [36]۔
تمام پیش گوئی کرنے والے ماڈلز کے ساتھ- چاہے وہ جدید ترین ٹیکنالوجی کے پیچیدہ اور جامع ڈیٹا اور متعدد ڈومینز میں بہتر طبی بصیرت کے ساتھ تکمیل شدہ ہوں یا موجودہ مریض پروفائلز کی خصوصیت سے زیادہ بنیادی اور آسانی سے دستیاب معلومات تک محدود ہوں- مصنوعی ذہانت کا تسلیم شدہ فائدہ۔ اور مشین لرننگ یہ ہے کہ نتیجے میں آنے والے ماڈل متعلقہ نئے ڈیٹا اور جاری ایپلیکیشن کے استعمال کے ذریعے فراہم کردہ نقطہ نظر سے ترکیبی طور پر "سیکھ" سکتے ہیں۔ عملی ٹکنالوجی کی منتقلی کے بعد، جیسا کہ یہاں ماڈلز (اور تیار کیے جانے والے) کو لاگو کیا جاتا ہے اور مزید کیسز اور متعلقہ اعداد و شمار (بشمول ایسے مریضوں کے ساتھ جو مستقبل میں علمی کمی کے ساتھ پیش آسکتے ہیں) کے ساتھ افزودہ ہوتے ہیں، پیشن گوئی کی کارکردگی اور علمی صحت کی درجہ بندی زیادہ مضبوط ہوگی، زیادہ مؤثر طبی فیصلے کی حمایت کی افادیت کے نتیجے میں. MemTrax کو اپنی مرضی کے مطابق (دستیاب صلاحیتوں کو نشانہ بنایا گیا) پلیٹ فارمز میں سرایت کرنے سے یہ ارتقاء زیادہ مکمل اور عملی طور پر محسوس کیا جائے گا جسے صحت کی دیکھ بھال فراہم کرنے والے کلینک میں حقیقی وقت میں استعمال کر سکتے ہیں۔
تشخیصی معاونت اور مریضوں کی دیکھ بھال کے لیے MemTrax ماڈل کی توثیق اور افادیت کے لیے ضروری ہے کہ بامعنی طولانی ڈیٹا کی بہت زیادہ تلاش ہے۔ ابتدائی مرحلے کے MCI کے ذریعے معمول کی کافی حد تک طبی حالت میں ہم آہنگ تبدیلیوں (اگر کوئی ہو) کا مشاہدہ کرنے اور ریکارڈ کرنے سے، مناسب جاری تشخیص اور درجہ بندی کے ماڈلز کو تربیت دی جا سکتی ہے اور مریضوں کی عمر کے مطابق ان میں ترمیم کی جا سکتی ہے اور ان کا علاج کیا جاتا ہے۔ یعنی، بار بار افادیت ہلکی علمی تبدیلیوں، مداخلت کی تاثیر، اور باخبر سطحی دیکھ بھال کو برقرار رکھنے کے طول بلد سے باخبر رہنے میں مدد کر سکتی ہے۔ یہ نقطہ نظر کلینیکل پریکٹس اور مریض اور کیس مینجمنٹ کے ساتھ زیادہ قریب سے ہم آہنگ ہے۔
حدود
ہم ایک کنٹرول شدہ کلینک/ہسپتال کی ترتیب میں کلینکل ڈیٹا اکٹھا کرنے کے چیلنج اور قدر کی تعریف کرتے ہیں۔ بہر حال، اگر ہمارے ڈیٹاسیٹس میں عام خصوصیات والے زیادہ مریض شامل ہوتے تو اس سے ہماری ماڈلنگ مضبوط ہوتی۔ مزید برآں، ہمارے تشخیصی ماڈلنگ کے لیے مخصوص، سیکھنے والوں کو تربیت دینے کے لیے عام علمی صحت کے ساتھ مماثل مریضوں پر ایک جیسا طبی جائزہ لیا جانا زیادہ ضروری اور موزوں ہوتا۔ اور جیسا کہ فلٹر شدہ ڈیٹاسیٹ کا استعمال کرتے ہوئے اعلی درجہ بندی کی کارکردگی (صرف اعلی درجے کی چار خصوصیات) سے واضح کیا گیا ہے، زیادہ عمومی اور علمی صحت کے اقدامات/انڈیکیٹرز میں بہتری کا امکان ہے۔ تمام مریضوں میں عام خصوصیات کی ایک بڑی تعداد کے ساتھ ماڈلنگ کی کارکردگی۔
ہو سکتا ہے کہ کچھ شرکا ساتھ ساتھ دیگر بیماریوں کا بھی سامنا کر رہے ہوں جن سے عارضی یا دائمی علمی کمی ہو سکتی ہے۔ XL ذیلی ڈیٹاسیٹ کے علاوہ جہاں مریضوں کو تشخیصی طور پر AD یا VaD کے طور پر درجہ بندی کیا گیا تھا، YH مریضوں کے تالاب میں کموربیڈیٹی ڈیٹا اکٹھا نہیں کیا گیا/رپورٹ نہیں کیا گیا، اور KM ذیلی ڈیٹاسیٹ میں اب تک سب سے زیادہ رپورٹ کی گئی comorbidity ذیابیطس تھی۔ تاہم، یہ قابلِ بحث ہے کہ ہماری ماڈلنگ اسکیموں میں ایسے مریضوں کو شامل کرنا جو کموربیڈیٹیز کے ساتھ علمی کمی کی سطح کو تیز یا بڑھا سکتے ہیں اور اس کے نتیجے میں MemTrax کی کم کارکردگی اس زیادہ عمومی ابتدائی علمی اسکریننگ کے لیے حقیقی دنیا کی ھدف شدہ مریضوں کی آبادی کا زیادہ نمائندہ ہوگا۔ اور ماڈلنگ کا طریقہ۔ آگے بڑھتے ہوئے، سنجشتھاناتمک کارکردگی کو ممکنہ طور پر متاثر کرنے والے comorbidities کی درست تشخیص ماڈلز اور نتیجے میں مریضوں کی دیکھ بھال کی ایپلی کیشنز کو بہتر بنانے کے لیے وسیع پیمانے پر فائدہ مند ہے۔
آخر میں، YH اور KM ذیلی ڈیٹا سیٹ کے مریضوں نے MemTrax ٹیسٹ لینے کے لیے اسمارٹ فون کا استعمال کیا، جب کہ XL ذیلی ڈیٹا سیٹ کے مریضوں کی ایک محدود تعداد نے آئی پیڈ استعمال کیا اور باقی نے اسمارٹ فون استعمال کیا۔ یہ MoCA درجہ بندی ماڈلنگ کے لیے MemTrax کی کارکردگی میں آلہ سے متعلق ایک معمولی فرق کو متعارف کرا سکتا تھا۔ تاہم، MTx-RT میں فرق (اگر کوئی ہے)، مثال کے طور پر، آلات کے درمیان امکان نہ ہونے کے برابر ہوگا، خاص طور پر ہر شریک کو ریکارڈ شدہ ٹیسٹ کی کارکردگی سے ٹھیک پہلے "پریکٹس" ٹیسٹ دیا جاتا ہے۔ اس کے باوجود، ان دو ہینڈ ہیلڈ آلات کی افادیت ممکنہ طور پر دوسرے MemTrax نتائج کے ساتھ براہ راست موازنہ اور/یا انضمام سے سمجھوتہ کرتی ہے جہاں صارفین نے کمپیوٹر کی بورڈ پر اسپیس بار کو چھو کر تصویروں کو دہرانے کا جواب دیا۔
MemTrax پیشن گوئی ماڈلنگ کی افادیت پر کلیدی نکات
- • ہمارے اعلیٰ کارکردگی کا مظاہرہ کرنے والے پیش گوئی کرنے والے ماڈلز جن میں منتخب MemTrax کی کارکردگی کی پیمائشیں شامل ہیں قابل اعتماد طور پر علمی صحت کی حیثیت (عام علمی صحت یا MCI) کی درجہ بندی کر سکتے ہیں جیسا کہ وسیع پیمانے پر تسلیم شدہ MoCA ٹیسٹ سے اشارہ کیا جائے گا۔
- • یہ نتائج ابتدائی مرحلے کی علمی خرابی کے لیے درجہ بندی پیشن گوئی ماڈل اسکریننگ ایپلی کیشن میں منتخب MemTrax کارکردگی میٹرکس کے انضمام کی حمایت کرتے ہیں۔
- • ہماری درجہ بندی کی ماڈلنگ نے ڈیمنشیا کی تشخیص کی شدت کو الگ کرنے کے لیے ایپلی کیشنز میں MemTrax کی کارکردگی کو استعمال کرنے کی صلاحیت کو بھی ظاہر کیا۔
یہ نئی دریافتیں ایسے حتمی شواہد قائم کرتی ہیں جو علمی خرابی کا سامنا کرنے والے افراد کے لیے مؤثر طبی معاملات کے انتظام اور مریضوں کی دیکھ بھال میں تشخیصی معاونت کے لیے بہتر بنائے گئے مضبوط MemTrax پر مبنی درجہ بندی کے ماڈلز کی تعمیر میں مشین لرننگ کی افادیت کی حمایت کرتے ہیں۔
ACKNOWLEDGMENTS
ہم J. Wesson Ashford، Curtis B. Ashford، اور ساتھیوں کے کام کو تسلیم کرتے ہیں جنہوں نے یہاں استعمال ہونے والے آن لائن مسلسل شناخت کے کام اور ٹول (MemTrax) کو تیار کرنے اور اس کی تصدیق کی اور ہم ڈیمنشیا کے متعدد مریضوں کے شکر گزار ہیں جنہوں نے اہم بنیادی تحقیق میں تعاون کیا۔ . ہم Xianbo Zhou اور SJN Biomed LTD میں ان کے ساتھیوں، ہسپتالوں/کلینکس سائٹس پر ان کے ساتھیوں اور معاونین، خاص طور پر ڈاکٹرز کا بھی شکریہ ادا کرتے ہیں۔ M. Luo اور M. Zhong، جنہوں نے شرکاء کی بھرتی، شیڈولنگ ٹیسٹ، اور ڈیٹا اکٹھا کرنے، ریکارڈنگ کرنے اور فرنٹ اینڈ مینیج کرنے میں مدد کی، اور رضاکار شرکاء جنہوں نے اپنا قیمتی وقت دیا اور ٹیسٹ لینے اور فراہم کرنے کا عہد کیا۔ اس مطالعہ میں ہمارے لیے قابل قدر ڈیٹا۔ یہ مطالعہ کو جزوی طور پر ایم ڈی سائنٹیفک ریسرچ نے تعاون کیا۔ کنمنگ میڈیکل یونیورسٹی کا پروگرام (گرانٹ نمبر 2017BS028 سے XL) اور یونان سائنس اور ٹیکنالوجی ڈیپارٹمنٹ کا ریسرچ پروگرام (گرانٹ نمبر 2019FE001 (-222) سے XL)۔
جے ویسن ایشفورڈ نے اس مقالے میں بیان کردہ مخصوص مسلسل شناخت کے نمونے کے استعمال کے لیے پیٹنٹ کی درخواست دائر کی ہے۔ میموری کی جانچ.
MemTrax, LLC ایک کمپنی ہے جس کی ملکیت کرٹس ایشفورڈ ہے، اور یہ کمپنی اس کا انتظام کر رہی ہے۔ میموری ٹیسٹنگ اس مقالے میں بیان کردہ نظام۔
مصنفین کے انکشافات آن لائن دستیاب ہیں (https://www.j-alz.com/manuscript-disclosures/19-1340r2)۔
حوالہ جات
| ہے [1] الزائمر ایسوسی ایشن (2016) 2016 الزائمر کی بیماری کے حقائق اور اعداد و شمار. الزائمر ڈیمنٹ 12، 459–509۔ | |
| [2] Gresenz CR، Mitchell JM، Marrone J، Federoff HJ (2019) ابتدائی مرحلے کا اثر الزائمر کی بیماری گھریلو مالیاتی نتائج پر۔ صحت اقتصادیات 29، 18-29۔ | |
| ہے [3] | فوسٹر 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) میں معیار کی بہتری نیورولوجی: ہلکی علمی خرابی کے معیار کی پیمائش کا سیٹ۔ نیورولوجی 93، 705–713۔ |
| [4] ٹونگ ٹی، تھوکالا پی، میک ملن بی، گھوش آر، بریزیئر جے (2017) استعمال کرنے کی لاگت کی تاثیر پرائمری کیئر میں ڈیمنشیا اور ہلکی علمی خرابی کا پتہ لگانے کے لیے علمی اسکریننگ ٹیسٹ. انٹر جے جیریاٹر سائیکاٹری 32، 1392–1400۔ | |
| [5] Ashford JW، Gere E، Bayley PJ (2011) یادداشت کی پیمائش ایک مسلسل شناختی ٹیسٹ کا استعمال کرتے ہوئے بڑے گروپ کی ترتیبات میں۔ J Alzheimers Dis 27, 885–895. | |
| ہے [6] | Ashford JW , Tarpin-Bernard F , Ashford CB , Ashford MT (2019) ایپیسوڈک میموری کی پیمائش کے لیے کمپیوٹرائزڈ مسلسل شناخت کا کام۔ J Alzheimers Dis 69, 385–399. |
| ہے [7] | Bergeron MF، Landset S، Tarpin-Bernard F، Ashford CB، Khoshgoftaar TM، Ashford JW (2019) علمی صحت کی درجہ بندی کی پیش گوئی کرنے کے لیے مشین لرننگ ماڈلنگ میں ایپیسوڈک میموری کارکردگی۔ J Alzheimers Dis 70, 277–286. |
| [8] وین ڈیر ہوک ایم ڈی، نیو وینہائزن اے، کیجر جے، ایشفورڈ جے ڈبلیو (2019) دی MemTrax ٹیسٹ ہلکی علمی خرابی کے مانٹریال علمی تشخیص کے تخمینے کے مقابلے۔ J Alzheimers Dis 67, 1045–1054. | |
| ہے [9] | Falcone M، Yadav N، Poellabauer C، Flynn P (2013) ہلکی تکلیف دہ دماغی چوٹ کی درجہ بندی کے لیے الگ تھلگ آوازوں کا استعمال۔ 2013 میں IEEE بین الاقوامی کانفرنس برائے صوتیات، تقریر اور سگنل پروسیسنگ، وینکوور، BC، pp. 7577–7581۔ |
| ہے [10] | Dabek F , Caban JJ (2015) ہچکچاہٹ کے بعد نفسیاتی حالات پیدا ہونے کے امکانات کو ماڈل کرنے کے لیے بڑے ڈیٹا کا فائدہ اٹھانا۔ Procedia Comput Sci 53, 265–273. |
| ہے [11] | کلیمنٹ MT، Pardo J، Munoz-Almaraz FJ، Guerrero MD، Moreno L (2018) کمیونٹی فارماسسٹ کے ذریعے علمی خرابی کی جلد پتہ لگانے کے لیے فیصلہ کن درخت۔ فرنٹ فارماکول 9، 1232۔ |
| ہے [12] | Nasreddine ZS , Phillips NA , Bedirian V , Charbonneau S , Whitehead V , Collin I , Cummings JL , Chertkow H (2005) The Montreal Cognitive Assessment, MoCA: ہلکی علمی خرابی کے لیے ایک مختصر اسکریننگ ٹول۔ J Am Geriatr Soc 53, 695–699۔ |
| ہے [13] | یو جے، لی جے، ہوانگ ایکس (2012) مونٹریال علمی تشخیص کا بیجنگ ورژن ہلکی علمی خرابی کے لیے ایک مختصر اسکریننگ ٹول کے طور پر: ایک کمیونٹی پر مبنی مطالعہ۔ بی ایم سی سائیکاٹری 12، 156۔ |
| ہے [14] | Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) ہلکے علمی نقص کی اسکریننگ کے لیے مانٹریال علمی تشخیص کے بنیادی کے چینی ورژن کی توثیق۔ J Am Geriatr Soc 64, e285–e290۔ |
| ہے [15] | کارسن این، لیچ ایل، مرفی کے جے (2018) مونٹریال کاگنیٹو اسسمنٹ (ایم او سی اے) کٹ آف اسکورز کا دوبارہ امتحان۔ انٹر جے جیریاٹر سائیکاٹری 33، 379–388۔ |
| ہے [16] | امریکن سائیکاٹرک ایسوسی ایشن (2013) ٹاسک فورس دماغی عوارض کی تشخیصی اور شماریاتی دستی: DSM-5™، امریکن سائیکیٹرک پبلشنگ، انکارپوریٹڈ، واشنگٹن، ڈی سی۔ |
| ہے [17] | ازگر۔ Python سافٹ ویئر فاؤنڈیشن، http://www.python.org، 15 نومبر 2019 کو رسائی ہوئی۔ |
| ہے [18] | R کور گروپ، R: شماریاتی کمپیوٹنگ کے لیے ایک زبان اور ماحول R فاؤنڈیشن برائے شماریاتی کمپیوٹنگ، ویانا، آسٹریا۔ https://www.R-project.org/, 2018, رسائی شدہ نومبر 15, 2019۔ |
| ہے [19] | Benavoli A , Corani G , Demšar J , Zaffalon M (2017) تبدیلی کا وقت: Bayesian analysis کے ذریعے ایک سے زیادہ درجہ بندی کرنے والوں کا موازنہ کرنے کا سبق۔ J Mach Learn Res 18, 1–36۔ |
| ہے [20] | فرینک ای، ہال ایم اے، وٹن آئی ایچ (2016) WEKA ورک بینچ۔ میں ڈیٹا مائننگ: عملی مشین لرننگ ٹولز اور تکنیک, Frank E, Hall MA, Witten IH, Pal CJ, eds. مورگن کافمین https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf |
| ہے [21] | Bergeron MF , Landset S , Maugans TA , Williams VB , Collins CL , Wasserman EB , Khoshgoftaar TM (2019) مشین لرننگ ان ماڈلنگ ہائی اسکول کے کھیلوں میں کنکشن کی علامت کا حل۔ میڈ سائنس کھیلوں کی مشق 51، 1362–1371۔ |
| ہے [22] | وان ہلس جے، خوش گوفتار ٹی ایم، ناپولیتانو اے (2007) غیر متوازن ڈیٹا سے سیکھنے کے تجرباتی تناظر۔ میں مشین لرننگ پر 24ویں بین الاقوامی کانفرنس کی کارروائی, Corvalis, Oregon, USA, pp. 935-942. |
| ہے [23] | Ashford JW، Kolm P، Colliver JA، Bekian C، Hsu LN (1989) الزائمر کے مریض کی تشخیص اور چھوٹی ذہنی حالت: آئٹم کی خصوصیت وکر کا تجزیہ۔ جے جیرونٹول 44، 139–146۔ |
| [24] ایشفورڈ جے ڈبلیو، جاروک ایل (1985) ایک دماغی مرض کا نام ہے: کیا نیوران پلاسٹکٹی محوری نیوروفائبریری انحطاط کا شکار ہے؟ این انگل جے میڈ 313، 388–389۔ | |
| [25] جیک سی آر جونیئر، تھرنیو ٹی ایم، ویگینڈ ایس ڈی، ویسٹ ایچ جے، نوپمین ڈی ایس، ویموری پی، لو وی جے، میلکے ایم ایم، رابرٹس آر او، مچولڈا ایم ایم، گراف ریڈفورڈ جے، جونز ڈی ٹی، شوارز سی جی، سنجر ایم ایل , Rocca WA , Petersen RC (2019) نیشنل انسٹی ٹیوٹ آن ایجنگ الزائمر کا استعمال کرتے ہوئے حیاتیاتی طور پر بمقابلہ طبی طور پر متعین الزائمر سپیکٹرم اداروں کا پھیلاؤ ایسوسی ایشن ریسرچ فریم ورک JAMA نیورول 76، 1174–1183۔ | |
| [26] Zhou X، Ashford JW (2019) اسکریننگ کے آلات میں پیشرفت الزائمر کی بیماری. عمر رسیدہ میڈ 2، 88-93۔ | |
| [27] وینر میگاواٹ، نوشینی آر، کیماچو ایم، ٹروران سیکری ڈی، میکن آر ایس، فلینیکن ڈی، البرچٹ اے، انسل پی، فنلے ایس، فوکلر جے، ویچ ڈی (2018) دماغ کی صحت رجسٹری: نیورو سائنس اسٹڈیز کے لیے شرکاء کی بھرتی، تشخیص، اور طولانی نگرانی کے لیے ایک انٹرنیٹ پر مبنی پلیٹ فارم۔ الزائمر ڈیمنٹ 14، 1063–1076۔ | |
| [28] ایشفورڈ جے ڈبلیو، شمٹ ایف اے (2001) ماڈلنگ دی ٹائم کورس آف الزائمر ڈیمنشیا. کرر سائیکیٹری ریپ 3، 20-28۔ | |
| ہے [29] | Li X , Wang X , Su L , Hu X , Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE): ایک چینی طول بلد مشاہداتی مطالعہ کے لیے پروٹوکول جن میں ساپیکش سنجشتھاناتمک والے افراد میں تبدیلی کے خطرے کی پیشن گوئی کے ماڈل تیار کیے جا سکتے ہیں۔ کمی BMJ اوپن 9، e028188۔ |
| [30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) پانچ سالہ بائیو مارکر ترقی کی تغیر الزائمر کی بیماری ڈیمنشیا پیشین گوئی: کیا روزمرہ کی زندگی کی ایک پیچیدہ آلہ کار سرگرمیاں خلا کو پُر کر سکتی ہیں؟ الزائمرز ڈیمنٹ (ایم ایس ٹی) 1، 521–532۔ | |
| [31] McGurran H، Glenn JM، Madero EN، Bott NT (2019) الزائمر کی بیماری کی روک تھام اور علاج: ورزش کے حیاتیاتی میکانزم۔ J Alzheimers Dis 69, 311–338. | |
| [32] Mendiola-Precoma J، Berumen LC، Padilla K، Garcia-Alcocer G (2016) کے لیے علاج الزائمر کی بیماری کی روک تھام اور علاج. Biomed Res Int 2016, 2589276. | |
| ہے [33] | لین 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 , موڈٹ ایم، تھامس ڈی، رچرڈز ایم، فاکس این سی، شاٹ جے ایم (2020) جوانی میں عروقی خطرہ اور آخری زندگی میں دماغی پیتھالوجی کے درمیان ایسوسی ایشنز: برطانوی پیدائشی گروہ سے ثبوت۔ JAMA نیورول 77، 175–183۔ |
| ہے [34] | سیشادری ایس (2020) عمر اور امیلائڈ بکس سے آگے ڈیمنشیا سوچنے کی روک تھام۔ JAMA نیورول 77، 160–161۔ |
| ہے [35] | میلارڈ پی، شیشادری ایس، بیزر اے، ہمالی جے جے، اے یو آر، فلیچر ای، کارمائیکل او، وولف پی اے، ڈی کارلی سی (2012) فریمنگھم ہارٹ اسٹڈی میں نوجوان بالغوں میں سفید مادے کی سالمیت پر سسٹولک بلڈ پریشر کے اثرات: ایک کراس - سیکشنل مطالعہ۔ لینسیٹ نیورول 11، 1039–1047۔ |
| [36] فنک HA , Linskens EJ , Silverman PC , McCarten JR , Hemmy LS , Ouellette JM , Greer NL , Wilt TJ , Butler M (2020) نیوروپیتھولوجیکل طور پر بیان کردہ بائیو مارکر ٹیسٹنگ کی درستگی ڈیمنشیا کے ساتھ بوڑھے بالغوں میں الزائمر کی بیماری. این انٹرن میڈ 172، 669–677۔ |
وابستگی: [a] SIVOTEC Analytics، Boca Raton, FL, USA | [b] ڈیپارٹمنٹ آف کمپیوٹر اینڈ الیکٹریکل انجینئرنگ اینڈ کمپیوٹر سائنس، فلوریڈا اٹلانٹک یونیورسٹی، بوکا ریٹن، FL، USA | [c] SJN Biomed LTD، Kunming، Yunnan، China | [d] مرکز برائے الزائمر ریسرچ، واشنگٹن انسٹی ٹیوٹ آف کلینیکل ریسرچ، واشنگٹن، ڈی سی، USA | [e] محکمہ بحالی طب، کنمنگ میڈیکل یونیورسٹی، کنمنگ، یونان، چین کا پہلا منسلک ہسپتال | [f] ڈپارٹمنٹ آف نیورولوجی، ڈیہونگ پیپلز ہسپتال، ڈیہونگ، یونان، چین | ڈپارٹمنٹ آف نیورولوجی، کنمنگ میڈیکل یونیورسٹی کا پہلا منسلک ہسپتال، ووہوا ڈسٹرکٹ، کنمنگ، صوبہ یونان، چین | جنگ سے متعلقہ بیماری اور چوٹ کا مطالعہ مرکز، VA پالو آلٹو حفظان صحت سسٹم، پالو آلٹو، CA، USA | [i] شعبہ نفسیات اور طرز عمل سائنسز، سٹینفورڈ یونیورسٹی سکول آف میڈیسن، پالو آلٹو، CA، USA
خط و کتابت: [*] خط و کتابت: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA۔ ای میل: mbergeron@sivotecanalytics.com. Xiaolei Liu, MD, Department of Neurology, Kunming Medical University کا پہلا الحاق شدہ ہسپتال, 295 Xichang Road, Wuhua District, Kunming, Yunnan Province 650032, China۔ ای میل: ring@vip.163.com۔
مطلوبہ الفاظ: بڑھاپا، الزائمر کی بیماریڈیمنشیا، بڑے پیمانے پر اسکریننگ