Engil kognitiv buzilishlarni tasniflashda MemTrax va Machine Learning Modelingning foydaliligi
Tadqiqot maqolasi
Mualliflar: Bergeron, Maykl F. | Landset, Sara | Chjou, Syanbo | Ding, Tao | Xoshgʻofar, Tagʻi M. | Chjao, Feng | Du, Bo | Chen, Xinjie | Vang, Xuan | Zhong, Lianmei | Liu, Xiaolei| Ashford, J. Wesson
DOI: 10.3233/JAD-191340
Jurnal: jurnali Altsgeymer kasalligi, vol. 77, yo'q. 4, pp. 1545-1558, 2020
mavhum
background:
Kasallikning keng tarqalganligi va tarqalishi Altsgeymer kasalligi va engil kognitiv buzilish (MCI) erta aniqlash kognitiv skrining va baholashni tasdiqlash uchun shoshilinch tadqiqot chaqiruviga sabab bo'ldi.
Maqsad:
Bizning asosiy tadqiqot maqsadimiz tanlangan MemTrax ishlash ko'rsatkichlari va tegishli demografik va salomatlik profili xususiyatlaridan kognitiv salomatlikni (normalga nisbatan MCI) tasniflash uchun mashinani o'rganish bilan ishlab chiqilgan bashoratli modellarda samarali foydalanish mumkinligini aniqlash edi. Monreal kognitiv baholash (MoCA).
Usullari:
Biz ikkitadan jalb qilingan 259 nevrologiya, xotira klinikasi va ichki kasalliklar bo'yicha kattalar bemorlarida kesma tadqiqot o'tkazdik. Xitoydagi kasalxonalar. Har bir bemorga xitoy tilidagi MoCA berildi va o'z-o'zidan doimiy ravishda tanib olinadigan MemTrax onlayn epizodik dasturi berildi. Xotira testi onlayn xuddi shu kuni. Bashoratli tasniflash modellari 10 marta o'zaro tekshirish bilan mashinani o'rganish yordamida qurilgan va modelning ishlashi Qabul qiluvchining ishlash xarakteristikasi egri chizig'i ostidagi maydon (AUC) yordamida o'lchangan. Modellar sakkizta umumiy demografik va shaxsiy tarix xususiyatlari bilan bir qatorda ikkita MemTrax ishlash ko'rsatkichi (to'g'ri foiz, javob vaqti) yordamida yaratilgan.
natijalar:
Talabalarni MoCA ballari va chegaralarining tanlangan kombinatsiyalari bo'yicha solishtirganda, Naive Bayes umumiy tasniflash ko'rsatkichi 0.9093 bo'lgan eng yaxshi o'quvchi bo'ldi. Bundan tashqari, eng yaxshi uchta o'rganuvchilar orasida MemTrax asosidagi tasniflash ko'rsatkichlari barcha 0.9119 ta umumiy xususiyatdan (10) foydalanishga nisbatan faqat yuqori o'rindagi to'rtta xususiyatdan (0.8999) foydalangan holda ustunroq edi.
Xulosa:
MemTrax unumdorligi mashinani o'rganish tasnifining bashoratli modelida samarali ishlatilishi mumkin erta bosqichda kognitiv buzilishlarni aniqlash uchun skrining ilovasi.
Kirish
Tan olingan (agar tashxis qo'yilmagan bo'lsa ham) keng tarqalgan kasallik va tarqalish va parallel ravishda oshib borayotgan tibbiy, ijtimoiy va jamoat. sog'lik Altsgeymer kasalligi (AD) va engil kognitiv buzilish (MCI) xarajatlari va yuki barcha manfaatdor tomonlar uchun tobora og'irlashmoqda [1, 2]. Ushbu qayg'uli va dahshatli stsenariy shoshilinch tadqiqotni tasdiqlashga chaqirdi erta aniqlash Turli mintaqalar va populyatsiyalardagi keksa bemorlar uchun shaxsiy va klinik sharoitlarda muntazam amaliy foydalanish uchun kognitiv skrining va baholash vositalari [3]. Ushbu vositalar axborot natijalarini elektron sog'liqni saqlash yozuvlariga uzluksiz tarjima qilishni ham ta'minlashi kerak. Foyda bemorlarni xabardor qilish va shifokorlarga sezilarli o'zgarishlarni ertaroq tan olishda yordam berish orqali amalga oshiriladi va shu tariqa, tajribani boshdan kechirayotganlar uchun tegishli individuallashtirilgan va tejamkor davolash va bemorlarni parvarish qilishni tezroq va o'z vaqtida tabaqalash, amalga oshirish va kuzatish imkonini beradi. kognitiv pasayish [3, 4].
Kompyuterlashtirilgan MemTrax vositasi (https://memtrax.com) oddiy va qisqacha doimiy tanib olish bahosi boʻlib, uni onlayn rejimida oʻz-oʻzidan boshqarish mumkin boʻlgan vaqtli epizodik xotira unumdorligini oʻlchash mumkin, bunda foydalanuvchi dastlabki taqdimotga emas, balki takroriy tasvirlarga javob beradi [5, 6]. So'nggi tadqiqotlar va natijada olingan amaliy natijalar MemTrax ning erta AD va MCI skriningida klinik samaradorligini bosqichma-bosqich va birgalikda namoyish qila boshladi [5-7]. Biroq, klinik yordamni mavjud bilan to'g'ridan-to'g'ri taqqoslash kognitiv salomatlik baholash va an'anaviy standartlar professional nuqtai nazardan ma'lumot berish va erta aniqlash va diagnostika yordamida MemTrax yordam dasturini tasdiqlash uchun kafolatlangan. van der Hoek va boshqalar. [8] tanlangan MemTrax ishlash ko'rsatkichlarini (reaktsiya tezligi va foiz to'g'ri) Monreal tomonidan aniqlangan kognitiv holat bilan solishtirdi. Kognitiv baholash (MoCA). Biroq, ushbu tadqiqot ushbu ishlash ko'rsatkichlarini kognitiv holatning tavsifi (MoCA tomonidan aniqlangan) bilan bog'lash va nisbiy diapazonlar va chegara qiymatlarini aniqlash bilan cheklangan. Shunga ko'ra, ushbu tadqiqotni kengaytirish va tasniflash samaradorligi va samaradorligini oshirish uchun bizning asosiy tadqiqot savolimiz:
- Biror kishi tanlagan MemTrax ishlash ko'rsatkichlari va tegishli demografiya va sog'liq profili Kognitiv salomatlikni dichotomically (normal va MCI) tasniflash uchun mashinani o'rganish bilan ishlab chiqilgan bashoratli modelda xususiyatlardan samarali foydalanish mumkinmi?
Bunga ikkinchidan, biz bilmoqchi edik:
- Xuddi shu xususiyatlarni o'z ichiga olgan holda, mustaqil klinik tashxis bilan aniqlanadigan kognitiv buzilishlarning tanlangan toifalarida og'irlik darajasini (engil va og'ir) bashorat qilish uchun MemTrax ishlashga asoslangan mashinani o'rganish modeli samarali qo'llanilishi mumkinmi?
Sun'iy intellekt va mashinani o'rganishning skrining/aniqlashda paydo bo'lishi va rivojlanayotgan amaliy qo'llanilishi allaqachon aniq amaliy afzalliklarni ko'rsatdi, bashoratli modellashtirish klinisyenlarga kognitiv/miya salomatligi va bemorlarni boshqarishni qiyin baholashda samarali rahbarlik qiladi. Bizning tadqiqotimizda biz MCI tasnifini modellashtirish va kognitiv buzilish zo'ravonligini kamsitishda shunga o'xshash yondashuvni tanladik, chunki Xitoyning ikkita kasalxonasidan tanlangan ko'ngilli statsionar va ambulatoriya bemorlarini ifodalovchi uchta ma'lumotlar to'plamidan klinik tashxis bilan tasdiqlangan. Mashinani o'rganishning bashoratli modellashtirishdan foydalanib, biz turli xil ma'lumotlar to'plami/o'quvchilar kombinatsiyasidan eng yaxshi natijalarga erishgan o'quvchilarni aniqladik va eng klinik amaliy model ilovalarini aniqlashda bizga yo'l-yo'riq ko'rsatadigan xususiyatlarni tartibladik.
Bizning farazlarimiz shuni ko'rsatdiki, tasdiqlangan MemTrax-ga asoslangan model MoCA yig'indisi chegarasi mezoniga asoslangan kognitiv salomatlikni dixotomiya (normal yoki MCI) tasniflash uchun ishlatilishi mumkin va shunga o'xshash MemTrax bashoratli modeli tanlangan toifalarda jiddiylikni kamsitishda samarali qo'llanilishi mumkin. klinik tashxis qo'yilgan kognitiv buzuqlik. Kutilayotgan natijalarni ko'rsatish MemTraxning kognitiv pasayish va kognitiv buzilishlarni tasniflash uchun erta aniqlash ekrani sifatida samaradorligini qo'llab-quvvatlashda muhim ahamiyatga ega bo'ladi. Foydalanishning ancha qulayligi va tezkorligi bilan to'ldiriladigan sanoat standarti bilan qulay taqqoslash klinisyenlarga ushbu oddiy, ishonchli va qulay vositani erta (shu jumladan prodromal) bosqichdagi kognitiv nuqsonlarni aniqlashda dastlabki ekran sifatida qabul qilishda yordam beradi. Bunday yondashuv va foyda, shuning uchun bemorlarni o'z vaqtida va yaxshiroq tabaqalashtirilgan parvarishlash va aralashuvni talab qilishi mumkin. Ushbu istiqbolli tushunchalar va takomillashtirilgan ko'rsatkichlar va modellar demansning rivojlanishini yumshatish yoki to'xtatish, shu jumladan AD va AD bilan bog'liq demanslar (ADRD) uchun ham foydali bo'lishi mumkin.
MATERIALLAR VA USLUBLAR
Aholini o'rganish
2018-yil yanvaridan 2019-yilning avgustigacha boʻlgan davrda Xitoyning ikkita kasalxonasidan yollangan bemorlar boʻyicha kesma tadqiqotlar yakunlandi. MemTrax [5] ni 21 yosh va undan katta yoshdagi shaxslarga qo'llash va bu ma'lumotlarni yig'ish va tahlil qilish ko'rib chiqildi va ma'qullandi va axloqiy me'yorlarga muvofiq boshqariladi. odam Stenford universiteti sub'ektlarini himoya qilish qo'mitasi. MemTrax va ushbu umumiy tadqiqot uchun boshqa barcha testlar 1975 yil Xelsinki deklaratsiyasiga muvofiq amalga oshirildi va Kunming, Yunnan, Xitoyning Kunming shahridagi Kunming tibbiyot universitetining birinchi sho''ba kasalxonasining institutsional tekshiruv kengashi tomonidan tasdiqlangan. Har bir foydalanuvchiga taqdim etilgan rozilik berildi o'qish/ko'rib chiqish va keyin ixtiyoriy ravishda ishtirok etishga rozilik bildirish uchun shakl.
Ishtirokchilar Yanxua kasalxonasidagi nevrologiya klinikasidagi ambulatoriya bemorlaridan (YH sub-ma'lumotlar to'plami) va Kunming tibbiyotining birinchi kasalxonasida xotira klinikasi Universitet (XL sub-ma'lumotlar to'plami) Pekin, Xitoy. Ishtirokchilar, shuningdek, Kunming tibbiyot universitetining birinchi bog'langan kasalxonasida nevrologiya (XL sub-ma'lumotlar to'plami) va ichki kasalliklar (KM sub-ma'lumotlar to'plami) statsionar bemorlardan jalb qilingan. Qo'shilish mezonlari 1) kamida 21 yoshda bo'lgan erkaklar va ayollar, 2) xitoy (mandarin) tilida gapirish qobiliyati va 3) og'zaki va yozma ko'rsatmalarni tushunish qobiliyatini o'z ichiga oladi. Chetlatish mezonlari ishtirokchilarni bajarishga xalaqit beradigan ko'rish va vosita buzilishlari edi MemTrax testi, shuningdek, maxsus test ko'rsatmalarini tushuna olmaslik.
MemTraxning xitoycha versiyasi
Onlaynda MemTrax test platformasi tarjima qilindi xitoy tiliga (URL: https://www.memtrax.com.cn) va keyinchalik oʻz-oʻzini boshqarish uchun WeChat (Shenzhen Tencent Computer Systems Co. LTD., Shenzhen, Guangdong, Xitoy) orqali foydalanishga moslashtirilgan. Ma'lumotlar Xitoyda joylashgan bulutli serverda (Ali Cloud) saqlangan va SJN Biomed LTD (Kunming, Yunnan, Xitoy) tomonidan Alibaba (Alibaba Technology Co. Ltd., Xanchjou, Zhejiang, Xitoy) litsenziyasiga ega. MemTrax bo'yicha aniq tafsilotlar va bu erda qo'llaniladigan testning haqiqiyligi mezonlari ilgari tasvirlangan [6]. Sinov bemorlarga bepul taqdim etildi.
O'qish tartibi
Statsionar va ambulator bemorlar uchun yoshi, jinsi, ta'lim yillari, kasbi, demografik va shaxsiy ma'lumotlarni to'plash uchun umumiy qog'oz so'rovnomasi. yolg'iz yashayotgan yoki oila bilan va kasallik tarixi tadqiqot guruhi a'zosi tomonidan boshqariladi. Anketa to'ldirilgandan so'ng, MoCA [12] va MemTrax testlari sinovlar o'rtasida 20 daqiqadan ko'p bo'lmagan holda (avval MoCA) o'tkazildi. MemTrax foiz to'g'riligi (MTx-% C), o'rtacha javob vaqti (MTx-RT) va sinov sanasi va vaqti sinovdan o'tgan har bir ishtirokchi uchun tadqiqot guruhi a'zosi tomonidan qog'ozga yozib olingan. To'ldirilgan anketa va MoCA natijalari testlarni o'tkazgan tadqiqotchi tomonidan Excel elektron jadvaliga yuklangan va Excel fayllari tahlillar uchun saqlanishidan oldin hamkasbi tomonidan tasdiqlangan.
MemTrax testi
MemTrax onlayn testi ma'lum bir psevdo-tasodifiy tartibda ko'rsatilgan 50 ta tasvirni (25 ta noyob va 25 ta takrorlash; umumiy sahnalar yoki ob'ektlarning 5 ta tasviridan iborat 5 to'plam) o'z ichiga oldi. Ishtirokchi (ko'rsatmalarga ko'ra) sinovni boshlash va tasvirlar seriyasini ko'rishni boshlash uchun ekrandagi Boshlash tugmasini bosadi va takroriy rasm paydo bo'lganda ekrandagi tasvirga imkon qadar tezroq teginadi. Har bir tasvir 3 soniya davomida yoki ekrandagi tasvir tegilgunga qadar paydo bo'ldi, bu esa keyingi rasmni darhol taqdim etishga undadi. Mahalliy qurilmaning ichki soatidan foydalangan holda, har bir tasvir uchun MTx-RT tasvirni taqdim etishdan tortib, ishtirokchi tomonidan ekranga teginishgacha bo'lgan vaqtga qarab, tasvir allaqachon ko'rsatilgandek tan olinganligini ko'rsatgan holda aniqlandi. sinov paytida. MTx-RT har bir tasvir uchun yozib olindi, to'liq 3 s yozib olingan holda javob yo'qligini ko'rsatmoqda. MTx-% C foydalanuvchi to'g'ri javob bergan takroriy va dastlabki tasvirlar foizini ko'rsatish uchun hisoblangan (haqiqiy ijobiy + haqiqiy salbiy 50 ga bo'lingan). MemTrax ma'muriyati va joriy etilishining qo'shimcha tafsilotlari, ma'lumotlarni qisqartirish, noto'g'ri yoki "javob yo'q" ma'lumotlari va birlamchi ma'lumotlar tahlillari boshqa joylarda tasvirlangan [6].
MemTrax testi batafsil tushuntirildi va shifoxona sharoitida ishtirokchilarga amaliyot testi (natijalarni yozib olish uchun testda foydalanilganidan tashqari noyob tasvirlar bilan) taqdim etildi. YH va KM sub-ma’lumotlar to‘plamlari ishtirokchilari WeChat’da ilova yuklangan smartfonda MemTrax testini o‘tkazishdi; XL sub-ma'lumotlar to'plamidagi bemorlarning cheklangan soni iPad-dan, qolganlari esa smartfondan foydalangan. Barcha ishtirokchilar MemTrax testini o'rganuvchi tergovchi bilan bemalol kuzatib borishdi.
Monreal kognitiv baholash
Xitoy MoCA (MoCA-BC) ning Pekin versiyasi [13] rasmiy test ko'rsatmalariga muvofiq o'qitilgan tadqiqotchilar tomonidan boshqarilgan va ball olgan. To'g'ri, MoCA-BC ishonchli ekanligi ko'rsatildi kognitiv test xitoylik keksa kattalardagi barcha ta'lim darajalarida skrining [14]. Har bir test tegishli ishtirokchining kognitiv qobiliyatidan kelib chiqqan holda o'tkazish uchun taxminan 10 dan 30 minutgacha vaqt ajratilgan.
MoCA tasnifini modellashtirish
Hammasi bo'lib 29 ta foydalanish mumkin bo'lgan xususiyatlar, shu jumladan ikkita MemTrax mavjud edi test samaradorligi ko'rsatkichlari va demografik va sog'liq bilan bog'liq 27 xususiyat har bir ishtirokchi uchun ma'lumot. Har bir bemorning MoCA agregat test ballari sifatida foydalanilgan kognitiv skrining Bizning bashoratli modellarimizni o'rgatish uchun "benchmark". Shunga ko'ra, MoCA sinf yorlig'ini yaratish uchun ishlatilganligi sababli, biz jami balldan (yoki MoCA quyi to'plamining biron bir ballidan) mustaqil xususiyat sifatida foydalana olmadik. Biz dastlabki tajribalarni o'tkazdik, unda biz (MoCA tomonidan belgilangan kognitiv salomatlikni tasniflash) dastlabki uchta shifoxona/klinik(lar) sub-ma'lumotlar to'plamini alohida-alohida modellashtirdik va keyin barcha xususiyatlardan foydalangan holda birlashtirdik. Biroq, uchta kichik ma'lumotlar to'plamini ifodalovchi to'rtta klinikaning har birida bir xil ma'lumotlar elementlari yig'ilmagan; Shunday qilib, birlashtirilgan ma'lumotlar to'plamidagi ko'pgina funktsiyalarimiz (barcha xususiyatlardan foydalanganda) etishmayotgan qiymatlarning yuqori darajasiga ega edi. Keyin biz faqat umumiy xususiyatlardan foydalangan holda birlashtirilgan ma'lumotlar to'plamiga ega modellarni yaratdik, bu esa tasniflash samaradorligini oshirishga olib keldi. Bu, ehtimol, uchta bemor sub-ma'lumotlar to'plamini birlashtirish orqali ishlash uchun ko'proq misollarga ega bo'lish va etishmayotgan qiymatlarning haddan tashqari ko'pligi bilan hech qanday xususiyatlarning yo'qligi (birlashtirilgan ma'lumotlar to'plamida faqat bitta xususiyat, ish turi, etishmayotgan qiymatlarga ega bo'lganligi bilan izohlangan bo'lishi mumkin. faqat uchta bemor misoli), chunki faqat uchta joyda qayd etilgan umumiy xususiyatlar kiritilgan. Shunisi e'tiborga loyiqki, bizda birlashtirilgan ma'lumotlar to'plamiga kiritilmagan har bir xususiyat uchun aniq rad etish mezonlari yo'q edi. Biroq, dastlabki birlashtirilgan ma'lumotlar to'plamini modellashtirishda biz birinchi navbatda bemorning uchta alohida sub-ma'lumotlar to'plamining barcha xususiyatlaridan foydalandik. Bu har bir alohida kichik ma'lumotlar to'plami bo'yicha dastlabki dastlabki modellashtirishdan o'lchanadigan darajada past bo'lgan model ishlashiga olib keldi. Bundan tashqari, barcha xususiyatlardan foydalangan holda qurilgan modellarning tasniflash ko'rsatkichlari barcha o'quvchilar va tasniflash sxemalarida rag'batlantiruvchi bo'lsa-da, faqat umumiy xususiyatlardan foydalanganda unumdorlik ikki baravar ko'p modellarga yaxshilandi. Darhaqiqat, bizning eng yaxshi o'quvchilarimiz bo'lganlar orasida bittadan tashqari barcha modellar umumiy bo'lmagan xususiyatlarni yo'qotib, yaxshilandi.
Yakuniy agregat ma'lumotlar to'plami (YH, XL va KM birlashtirilgan) 259 ta misolni o'z ichiga oladi, ularning har biri MemTrax va MoCA testlarini o'tkazgan noyob ishtirokchini ifodalaydi. 10 ta umumiy mustaqil xususiyat mavjud edi: MemTrax ishlash ko'rsatkichlari: MTx-% C va o'rtacha MTx-RT; demografik va tibbiy tarix ma'lumotlari: yoshi, jinsi, ta'lim yillari, ish turi (ko'k yoqali/oq yoqali), ijtimoiy yordam (imtihon topshiruvchi yolg'iz yoki oilasi bilan yashaydimi) va foydalanuvchining "ha/yo'q" javoblari. diabet, giperlipidemiya yoki travmatik miya shikastlanishi tarixi. Ikki qo'shimcha ko'rsatkich, MoCA yig'ma balli va MoCA agregat balli ta'lim yillari uchun tuzatilgan [12], bog'liq tasniflash belgilarini ishlab chiqish uchun alohida foydalanildi va shu bilan bizning birlashtirilgan ma'lumotlar to'plamiga qo'llanilishi uchun ikkita alohida modellash sxemasi yaratildi. MoCA ballining har bir versiyasi (sozlangan va sozlanmagan) uchun ma'lumotlar yana ikkita turli mezon chegaralaridan foydalangan holda ikkilik tasniflash uchun alohida modellashtirildi - dastlab tavsiya etilgan [12] va boshqalar tomonidan qo'llaniladigan va ilgari surilgan muqobil qiymat [8, 15]. Muqobil pol tasniflash sxemasida, agar bemor MoCA testida ≥23 ball to'plagan bo'lsa va agar ball 22 yoki undan past bo'lsa, MCI bo'lsa, bemor normal kognitiv salomatlikka ega deb hisoblanadi; Holbuki, tavsiya etilgan dastlabki tasniflash formatida bemor normal kognitiv salomatlikka ega deb belgilanishi uchun MoCAda 26 yoki undan yuqori ball olishi kerak edi.
MoCA tasnifini modellashtirish uchun filtrlangan ma'lumotlar
Keyinchalik biz MoCA tasnifini to'rtta tez-tez qo'llaniladigan xususiyatlarni tasniflash texnikasidan foydalangan holda ko'rib chiqdik: Chi-kvadrat, daromad nisbati, ma'lumot olish va nosimmetrik noaniqlik. Vaqtinchalik nuqtai nazardan, biz to'rtta modellashtirish sxemamizdan foydalanib, reytinglarni butun birlashtirilgan ma'lumotlar to'plamiga qo'lladik. Barcha reytingchilar bir xil asosiy xususiyatlar, ya'ni yosh, ta'lim yillari va ikkala MemTrax ishlash ko'rsatkichlari (MTx-% C, o'rtacha MTx-RT) bo'yicha kelishib oldilar. Keyin biz modellarni faqat eng yaxshi to'rtta xususiyatga o'rgatish uchun har bir xususiyatni tanlash texnikasidan foydalangan holda modellarni qayta qurdik (qarang. Tanlovni tanlash quyida).
MoCA ballarini tasniflash modellashtirish sxemalarining yakuniy sakkizta varianti 1-jadvalda keltirilgan.
1-jadval
MoCA tasnifi uchun foydalaniladigan modellashtirish sxemasi o'zgarishlarining qisqacha mazmuni (Oddiy Kognitiv salomatlik MCIga nisbatan)
| Modellashtirish sxemasi | Oddiy kognitiv salomatlik (salbiy sinf) | MCI (ijobiy sinf) |
| Sozlangan-23 Filtrlanmagan/filtrlangan | 101 (% 39.0) | 158 (% 61.0) |
| Sozlangan-26 Filtrlanmagan/filtrlangan | 49 (% 18.9) | 210 (% 81.1) |
| Sozlanmagan-23 Filtrlanmagan/filtrlangan | 92 (% 35.5) | 167 (% 64.5) |
| Sozlanmagan-26 Filtrlanmagan/filtrlangan | 42 (% 16.2) | 217 (% 83.8) |
Har bir sinfdagi jami bemorlarning tegishli soni va foizi ikkala xususiyat to'plamiga (filtrlanmagan va filtrlangan) tatbiq etilganidek, ta'lim uchun ball (sozlangan yoki sozlanmagan) va tasniflash chegarasi (23 yoki 26) bilan farqlanadi.
MemTrax asosidagi klinik baholash modellashtirish
Bizning uchta asl kichik ma'lumotlar to'plamimizdan (YH, XL, KM) faqat XL sub-ma'lumotlar to'plamidagi bemorlar mustaqil ravishda kognitiv buzilishlar uchun klinik tashxis qo'yilgan (ya'ni, ularning tegishli MoCA ballari normal va buzilganlar tasnifini o'rnatishda foydalanilmagan). Xususan, XL bemorlariga ikkalasi ham tashxis qo'yilgan Altsgeymer kasalligi testi (AD) yoki qon tomir demans (VaD). Ushbu asosiy tashxis toifalarining har birida MCI uchun qo'shimcha belgi mavjud edi. AD tufayli MCI, demans, qon tomir neyrokognitiv buzilish va neyrokognitiv buzilish diagnostikasi Ruhiy kasalliklar diagnostikasi va statistik qo'llanmasida ko'rsatilgan o'ziga xos va o'ziga xos diagnostika mezonlariga asoslangan: DSM-5 [16]. Ushbu aniq tashxislarni hisobga olgan holda, har bir asosiy tashxis toifasi uchun zo'ravonlik darajasini (buzilish darajasi) ajratish uchun XL kichik ma'lumotlar to'plamiga ikkita tasniflash modellashtirish sxemasi alohida qo'llanildi. Ushbu diagnostika modellashtirish sxemalarining har birida (AD va VaD) foydalanilgan ma'lumotlar demografik va bemor tarixi ma'lumotlarini, shuningdek MemTrax ishlashini (MTx-% C, o'rtacha MTx-RT) o'z ichiga oladi. Har bir tashxis, agar MCI tayinlangan bo'lsa, engil deb belgilangan; aks holda, u og'ir deb hisoblangan. Biz dastlab diagnostika modellariga MoCA ballini kiritishni ko'rib chiqdik (engil va og'ir); ammo biz ikkinchi darajali bashoratli modellashtirish sxemamizning maqsadini yo'q qilishini aniqladik. Bu erda o'quvchilar provayder uchun mavjud bo'lgan boshqa bemor xususiyatlaridan va oddiyroq MemTrax testining (MoCA o'rniga) "oltin standart" ga, mustaqil klinik tashxisga qarshi ishlash ko'rsatkichlaridan foydalangan holda o'qitiladi. AD diagnostikasi ma'lumotlar to'plamida 69 ta holat va VaD ning 76 ta holati mavjud edi (jadval). 2). Ikkala ma'lumotlar to'plamida 12 ta mustaqil xususiyat mavjud edi. MoCA reytingi tasnifiga kiritilgan 10 ta xususiyatga qo'shimcha ravishda, bemor tarixida gipertenziya va qon tomirlari tarixi haqida ma'lumot ham mavjud.
2-jadval
Tashxisning og'irligini tasniflashda qo'llaniladigan modellashtirish sxemalarining qisqacha tavsifi (Engil va og'ir)
| Modellashtirish sxemasi | Yengil (salbiy sinf) | Og'ir (ijobiy sinf) |
| MCI-AD va AD | 12 (% 17.4) | 57 (% 82.6) |
| MCI-VaD va VaD | 38 (% 50.0) | 38 (% 50.0) |
Har bir sinfdagi umumiy bemorlarning tegishli soni va foizi birlamchi tashxis toifasi (AD yoki VaD) bo'yicha farqlanadi.
statistika
Har bir model tasniflash strategiyasi uchun (MoCA kognitiv salomatlik va diagnostika jiddiyligini bashorat qilish uchun) sub-ma'lumotlar to'plamlari o'rtasida ishtirokchilarning xususiyatlarini va boshqa raqamli xususiyatlarni taqqoslash Python dasturlash tili (2.7.1 versiyasi) [17] yordamida amalga oshirildi. Modelning ishlash farqlari dastlab 95% ishonch oralig'iga ega bo'lgan bitta yoki ikki faktorli (tegishli) ANOVA va ishlash vositalarini solishtirish uchun Tukey halol muhim farq (HSD) testi yordamida aniqlandi. Model ishlashlari orasidagi farqlarni tekshirish Python va R (3.5.1-versiya) [18] kombinatsiyasi yordamida amalga oshirildi. Biz bu yondashuvni (ammo optimaldan kamroq bo'lsa ham) faqat evristik yordam sifatida ishlatdik erta bosqich potentsial klinik qo'llanilishini taxmin qilishda modelning dastlabki ishlashini taqqoslash uchun. Keyin biz modelning ishlash farqlari ehtimolini aniqlash uchun posterior taqsimot yordamida Bayes tomonidan imzolangan darajali testdan foydalandik [19]. Ushbu tahlillar uchun biz -0.01, 0.01 oraliqlaridan foydalandik, ya'ni agar ikkita guruh 0.01 dan kam samaradorlik farqiga ega bo'lsa, ular bir xil deb hisoblangan (amaliy ekvivalentlik hududida) yoki boshqacha bo'lsa, farqli (birdan yaxshiroq) boshqa). Klassifikatorlarni Bayesan taqqoslash va bu ehtimolliklarni hisoblash uchun biz Python 1.0.2 uchun baycomp kutubxonasidan (versiya 3.6.4) foydalandik.
Bashoratli modellashtirish
Biz har bir bemorning MoCA testi natijalarini yoki klinik tashxisning og'irligini bashorat qilish (tasniflash) uchun modellashtirish sxemalarimizning o'nta umumiy variantidan foydalangan holda bashoratli modellarni yaratdik. Barcha o'quvchilar qo'llanildi va modellar Weka ochiq kodli dasturiy ta'minot platformasi yordamida qurildi [20]. Dastlabki tahlilimiz uchun biz 10 ta keng tarqalgan oʻrganish algoritmidan foydalandik: 5-Eng yaqin qoʻshnilar, C4.5 qarorlar daraxtining ikkita versiyasi, Logistik regressiya, koʻp qatlamli perceptron, Naive Bayes, Tasodifiy oʻrmonning ikkita versiyasi, Radial Basis Function Network va Support Vector. Mashina. Ushbu algoritmlarning asosiy atributlari va kontrastlari boshqa joyda [21] tasvirlangan (tegishli ilovaga qarang). Bular har xil turdagi o‘quvchilarni ifodalagani va shunga o‘xshash ma’lumotlar bo‘yicha oldingi tahlillarimizda ulardan foydalanish muvaffaqiyatini ko‘rsatganimiz uchun tanlangan. Giper-parametr sozlamalari oldingi tadqiqotlarimizdan tanlangan bo'lib, ular turli xil ma'lumotlarda mustahkam bo'lishini ko'rsatadi [22]. Dastlabki tahlilimiz natijalariga ko'ra, keyinchalik to'liq tahlilda foydalanilgan umumiy xususiyatlarga ega bir xil ma'lumotlar to'plamidan foydalangan holda, biz barcha tasniflar bo'yicha doimiy ravishda kuchli ishlashni ta'minlagan uchta o'quvchini aniqladik: Logistic Regression, Naïve Bayes va Support Vector Machine.
O'zaro tekshirish va modelning ishlash ko'rsatkichi
Barcha bashoratli modellashtirish (shu jumladan dastlabki tahlillar) uchun har bir model 10 marta oʻzaro tekshirish yordamida qurilgan va modelning ishlashi Qabul qiluvchining ishlash xarakteristikasi egri chizigʻi ostidagi maydon (AUC) yordamida oʻlchangan. O'zaro tekshirish 10 ta modellashtirish sxemasining ma'lumotlar to'plamining har birini tasodifiy ravishda 10 ta teng segmentga (katlama) bo'lish bilan boshlandi, bu mos keladigan segmentlardan to'qqiztasini modelni o'rgatish va qolgan segmentni sinovdan o'tkazish uchun ishlatish. Ushbu protsedura har bir iteratsiyada test to'plami sifatida boshqa segmentdan foydalangan holda 10 marta takrorlandi. Keyin natijalar yakuniy modelning natijasini/ish faoliyatini hisoblash uchun birlashtirildi. Har bir o'quvchi/ma'lumotlar majmuasi kombinatsiyasi uchun bu butun jarayon 10 marta takrorlandi, ma'lumotlar har safar turlicha bo'lingan. Ushbu oxirgi qadam noto'g'rilikni kamaytirdi, takroriylikni ta'minladi va modelning umumiy ishlashini aniqlashga yordam berdi. Hammasi bo'lib (MoCA balli va tashxisning jiddiyligini tasniflash sxemalari uchun) 6,600 ta model qurilgan. Bunga 1,800 ta filtrlanmagan modellar (maʼlumotlar toʻplamiga tatbiq etilgan 6 ta modellashtirish sxemasi × 3 ta oʻquvchi× 10 ta yugurish× 10 katlama = 1,800 4,800 ta model) va 4 3 ta filtrlangan model (maʼlumotlar toʻplamiga qoʻllaniladigan 4 ta modellashtirish sxemasi× 10 ta oʻquvchi× 10 ta xususiyatni tanlash texnikasi× 4,800 ta oʻquvchi × XNUMX ta mashq×) kiradi. XNUMX katlama = XNUMX model).
Tanlovni tanlash
Filtrlangan modellar uchun xususiyatlarni tanlash (to'rtta xususiyatni tartiblash usulidan foydalangan holda) o'zaro tekshirish doirasida amalga oshirildi. 10 qavatning har biri uchun maʼlumotlar toʻplamining boshqa 10% sinov maʼlumotlari boʻlgani uchun har bir oʻquv maʼlumotlar toʻplami uchun faqat eng yaxshi toʻrtta tanlangan xususiyat (yaʼni, qolgan toʻqqizta katlama yoki butun maʼlumotlar toʻplamining qolgan 90%) ishlatilgan. modellarni yaratish uchun. Biz har bir modelda qaysi to‘rtta xususiyatdan foydalanilganligini tasdiqlay olmadik, chunki bu ma’lumotlar biz ishlatgan modellashtirish platformasida saqlanmaydi yoki mavjud emas (Weka). Biroq, reytinglar butun birlashtirilgan ma'lumotlar to'plamiga qo'llanganda eng yaxshi xususiyatlarni dastlabki tanlashdagi izchillikni va modellashtirish ko'rsatkichlarining keyingi o'xshashligini hisobga olsak, xuddi shu xususiyatlar (yosh, ta'lim yillari, MTx-% C va o'rtacha MTx-RT) ) oʻzaro tekshirish jarayonida funksiya tanlash bilan bir vaqtda ishlatiladigan eng keng tarqalgan toʻrtlik boʻlishi mumkin.
Natijalar
MoCA tomonidan ko'rsatilgan kognitiv salomatlikni (normalga nisbatan MCI) va tashxisning og'irligini (engil va og'ir) bashorat qilish uchun har bir model tasniflash strategiyasi uchun tegishli ma'lumotlar to'plamining ishtirokchilarining raqamli xususiyatlari (jumladan, MoCA ballari va MemTrax ishlash ko'rsatkichlari) 3-jadvalda keltirilgan.
3-jadval
Har bir model tasniflash strategiyasi uchun ishtirokchilarning xususiyatlari, MoCA ballari va MemTrax ishlashi
| Tasniflash strategiyasi | yosh | ta'lim | MoCA sozlangan | MoCA sozlanmagan | MTx-% C | MTx-RT |
| MoCA toifasi | 61.9 yil (13.1) | 9.6 yil (4.6) | 19.2 (6.5) | 18.4 (6.7) | 74.8% (15.0) | 1.4 s (0.3) |
| Tashxisning jiddiyligi | 65.6 yil (12.1) | 8.6 yil (4.4) | 16.7 (6.2) | 15.8 (6.3) | 68.3% (13.8) | 1.5 s (0.3) |
Modellashtirish tasnifi strategiyalari bilan farqlangan koʻrsatilgan qiymatlar (oʻrtacha, SD) MoCA tomonidan koʻrsatilgan kognitiv salomatlikni (MCIga nisbatan normal) bashorat qilish uchun foydalaniladigan birlashtirilgan maʼlumotlar toʻplamini va XL sub-maʼlumotlar toʻplami faqat tashxisning ogʻirligini (engil va ogʻir) bashorat qilish uchun foydalaniladi.
MoCA balli (tuzatilgan/tuzatilmagan) va chegaraning (26/23) har bir kombinatsiyasi uchun statistik farq bor edi (p = 0.000) yosh, ta'lim va MemTrax ishlashi (MTx-% C va MTx-RT) uchun har bir juftlik taqqoslashda (normal kognitiv salomatlik va MCI) . Har bir kombinatsiya uchun tegishli MCI sinfidagi har bir bemor sub-ma'lumotlar to'plami o'rtacha 9 yoshdan 15 yoshgacha bo'lgan, taxminan besh yillik ta'lim haqida xabar bergan va har ikkala ko'rsatkich uchun MemTrax unumdorligi pastroq bo'lgan.
4-jadvalda eng yaxshi uchta o'quvchi, Logistic Regression, Naïve Bayes va Support Vector Machine yordamida MoCA ball tasnifi bo'yicha prognozli modellashtirish samaradorligi ko'rsatilgan. barcha modellashtirish sxemalari uchun ma'lumotlar to'plamiga qo'llaniladi. Filtrlanmagan maʼlumotlar toʻplami va modellashtirish uchun 4-jadvaldagi maʼlumotlar qiymatlarining har biri har bir oʻquvchi/modellashtirish sxemasi kombinatsiyasi uchun tuzilgan 100 ta modeldan (10 ta yugurish × 10 katlama) olingan AUC tegishli oʻrtachasiga asoslangan model unumdorligini koʻrsatadi. Qalin harf bilan ko'rsatilgan bajaruvchi o'quvchi. Filtrlangan maʼlumotlar toʻplamini modellashtirish boʻyicha 4-jadvalda keltirilgan natijalar har bir oʻquvchi uchun 400 ta modeldan har bir xususiyatni tartiblash usullaridan foydalangan holda modelning umumiy oʻrtacha koʻrsatkichlarini aks ettiradi (4 xususiyatni tartiblash usuli × 10 yugurish × 10 marta).
4-jadval
Barcha tegishli modellashtirish sxemalari bo'yicha uchta eng yaxshi o'rganuvchining har biri uchun ikki tomonlama MoCA ball tasniflash ko'rsatkichlari (AUC; 0.0-1.0) natijalari
| Foydalanilgan xususiyatlar to'plami | MoCA reytingi | Chiqib ketish chegarasi | Logistik regressiya | Naif Bayes | Vektor mashinasini qo'llab-quvvatlash |
| Filtrlanmagan (10 ta xususiyat) | Sozlangan | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| Tuzatilmagan | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| Filtrlangan (4 xususiyat) | Sozlangan | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| Tuzatilmagan | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
Xususiyatlar to'plami, MoCA balli va MoCA ballining chegara chegarasi o'zgarishidan foydalangan holda, har bir modellashtirish sxemasi uchun eng yuqori ko'rsatkichlar ko'rsatilgan. dadil (boshqalardan statistik jihatdan farq qilishi shart emas dadil tegishli model uchun).
Birlashtirilgan filtrlanmagan ma'lumotlar to'plamidagi (ya'ni, 23 ta umumiy xususiyatdan foydalangan holda) MoCA ball versiyalari va chegaralarining barcha kombinatsiyalari (mos ravishda 26/10) bo'yicha o'quvchilarni solishtirganda, Naif Bayes umumiy ball bilan eng yaxshi o'quvchi bo'ldi. 0.9093 tasniflash ko'rsatkichi. Eng yaxshi uchta o'quvchini hisobga olgan holda, Bayesian korrelyatsiyali imzolangan darajali testlar ehtimollik (Pr) Logistik regressiyadan ustun bo'lgan Naive Bayes 99.9% ni tashkil etdi. Bundan tashqari, Naif Bayes va Support vektor mashinasi o'rtasida o'quvchilarning ishlashidagi amaliy ekvivalentlikning 21.0% ehtimoli (shunday qilib, Naif Bayesning qo'llab-quvvatlovchi vektor mashinasidan ustun bo'lish ehtimoli 79.0%) va qo'llab-quvvatlovchi vektor mashinasining yaxshiroq, o'lchovli ishlashi 0.0% ehtimoli. Naïve Bayes uchun ishlash ustunligini kuchaytiradi. MoCA ball versiyasini barcha o'quvchilar/eshiklar bo'yicha keyingi taqqoslash sozlanmagan MoCA ballari bilan tuzatilgan (mos ravishda 0.9027 ga nisbatan 0.8971); Pr (sozlanmagan > sozlangan) = 0.988). Xuddi shunday, barcha o'quvchilar va MoCA ball versiyalari bo'yicha chegara chegarasini taqqoslash, tasniflash chegarasi sifatida 26 dan 23 ga nisbatan (mos ravishda 0.9056 ga nisbatan 0.8942); Pr (26 > 23) = 0.999). Nihoyat, faqat filtrlangan natijalardan (ya'ni, faqat eng yuqori o'rindagi to'rtta xususiyatdan) foydalanadigan modellar uchun tasniflash samaradorligini o'rganar ekan, Naive Bayes (0.9143) barcha MoCA ball versiyalari/eshiklari bo'yicha raqamli jihatdan eng yaxshi o'quvchi bo'ldi. Biroq, barcha xususiyatlarni tartiblash usullarini birlashtirganda, barcha yuqori natijalarga erishgan o'quvchilar bir xil ishladilar. Bayes tomonidan imzolangan darajali testlar filtrlangan o'quvchilarning har bir juftligi o'rtasida 100% amaliy ekvivalentlik ehtimolini ko'rsatdi. Filtrdan o'tkazilmagan ma'lumotlarda bo'lgani kabi (barcha 10 ta umumiy xususiyatdan foydalangan holda), MoCA reytingining sozlanmagan versiyasi uchun yana ishlash ustunligi mavjud edi (Pr (tuzatilmagan > sozlangan) = 1.000), shuningdek, tasniflash chegarasi 26 uchun ham xuddi shunday aniq afzallik (Pr (26 > 23) = 1.000). Shunisi e'tiborga loyiqki, faqat eng yuqori o'rindagi to'rtta xususiyatdan foydalangan holda barcha MoCA ball versiyalari/eshiklari bo'yicha eng yaxshi uchta o'quvchining har birining o'rtacha ko'rsatkichi filtrlanmagan ma'lumotlar bo'yicha har qanday o'quvchining o'rtacha ko'rsatkichidan oshib ketdi. Buning ajablanarli joyi yo'qki, filtrlangan modellarning tasniflash ko'rsatkichlari (yuqori o'rindagi to'rtta xususiyatdan foydalangan holda) umumiy 0.9119 ta umumiy xususiyatdan foydalangan holda tegishli modellar bilan solishtirilgan xususiyatlarni tartiblash usuli modellaridan qat'i nazar, filtrlanmagan modellardan (0.8999) yuqori (10) bo'lgan. Xususiyatlari. Xususiyatlarni tanlashning har bir usuli uchun filtrlanmagan modellarga nisbatan ishlash ustunligining 100% ehtimoli bor edi.
AD diagnostikasi jiddiyligi tasnifi uchun ko'rib chiqilgan bemorlarda yosh bo'yicha guruhlar o'rtasida (MCI-AD va AD) farqlar (p = 0.004), ta'lim (p = 0.028), MoCA balli sozlangan/tuzatilmagan (p = 0.000) va MTx-% C (p = 0.008) statistik ahamiyatga ega edi; MTx-RT uchun esa bunday emas edi (p = 0.097). VaD diagnostikasi jiddiyligi tasnifi uchun ko'rib chiqilgan bemorlar bilan, MoCA balli uchun guruhlar o'rtasida (MCI-VaD va VaD) farqlar tuzatilgan/tuzatilmagan (p = 0.007) va MTx-% C (p = 0.026) va MTx-RT (p = 0.001) statistik ahamiyatga ega edi; yosh bo'yicha (p = 0.511) va ta'lim (p = 0.157) guruhlar o'rtasida sezilarli farqlar yo'q edi.
Oldindan tanlangan uchta o'quvchi, Logistic Regression, Naïve Bayes va Support Vector Machine-dan foydalangan holda tashxisning jiddiylik tasnifi bo'yicha prognozli modellashtirish samaradorligi 5-jadvalda ko'rsatilgan. Qo'shimcha tekshirilgan o'quvchilar esa ikkita klinik tashxis toifasidan biri bilan individual ravishda biroz kuchliroq ko'rsatkichlarni ko'rsatdilar. , biz oldingi modellashtirishda eng maqbul deb topgan uchta o'quvchi ikkala yangi modellashtirish sxemalari bilan eng izchil ishlashni taklif qilishdi. O'quvchilarni har bir asosiy diagnostika toifalari (AD va VaD) bo'yicha solishtirganda, MCI-VaD va VaD bo'yicha o'quvchilar o'rtasida izchil tasniflash ko'rsatkichlari farqi yo'q edi, garchi Yordam Vektor Mashinasi odatda ko'proq yaxshi ishladi. Xuddi shunday, MCI-AD va AD tasnifi bo'yicha o'quvchilar o'rtasida sezilarli farqlar yo'q edi, garchi Naïve Bayes (NB) Logistic Regression (LR) ga nisbatan unchalik katta bo'lmagan afzalliklarga ega va 61.4% ehtimollik bilan Vektorni Yordam Mashinasidan juda kam ko'plikka ega edi. va mos ravishda 41.7%. Ikkala ma'lumotlar to'plamida Yordam Vektor mashinasi (SVM) uchun umumiy ishlash ustunligi mavjud edi Pr (SVM > LR) = 0.819 va Pr (SVM > NB) = 0.934. XL sub-ma'lumotlar to'plamida tashxisning og'irligini bashorat qilishda barcha o'quvchilarning umumiy tasniflash ko'rsatkichimiz ADga nisbatan VaD tashxis toifasida yaxshiroq edi (Pr (VAD > AD) = 0.998).
5-jadval
Ikkala mos modellashtirish sxemalari bo'yicha eng yaxshi natijalarga erishgan uchta o'quvchining har biri uchun dixotom klinik diagnostika zo'ravonlik tasnifi natijalari (AUC; 0.0-1.0)
| Modellashtirish sxemasi | Logistik regressiya | Naif Bayes | Vektor mashinasini qo'llab-quvvatlash |
| MCI-AD va AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VaD va VaD | 0.8033 | 0.8044 | 0.8338 |
Har bir modellashtirish sxemasi uchun eng yuqori ishlash ko'rsatilgan dadil (boshqalaridan statistik jihatdan farq qilishi shart emas dadil).
Munozara
Kognitiv salomatlikdagi o'zgarishlarni erta aniqlash muhim ahamiyatga ega shaxsiy salomatlik va jamoat salomatligini boshqarishda amaliy yordam. Darhaqiqat, bu butun dunyo bo'ylab bemorlar uchun klinik sharoitlarda juda muhim ahamiyatga ega. Umumiy maqsad bemorlarni, parvarish qiluvchilarni va provayderlarni ogohlantirish va kognitiv pasayishni boshdan kechirishni boshlaganlar uchun avvalroq to'g'ri va tejamkor davolash va uzunlamasına yordam berishdir. Uchta shifoxona/klinika maʼlumotlar toʻplamini birlashtirib, biz prognozli modellarni yaratish uchun uchta oʻziga xos afzal koʻrgan oʻquvchilarni (bir eʼtiborga sazovor boʻlgan Naive Bayes bilan) aniqladik. Kognitiv salomatlik holatini ishonchli tasniflashi mumkin bo'lgan MemTrax ishlash ko'rsatkichlari dichotomically (normal kognitiv salomatlik yoki MCI) MoCA jami ball bilan ko'rsatilgandek. Shunisi e'tiborga loyiqki, bizning modellarimiz faqat MemTrax ishlash ko'rsatkichlarini o'z ichiga olgan eng yaxshi to'rtta xususiyatdan foydalanganda, barcha uch o'quvchi uchun umumiy tasniflash samaradorligi yaxshilandi. Bundan tashqari, biz bir xil o'quvchilar va MemTrax ishlash ko'rsatkichlarini diagnostik qo'llab-quvvatlash tasnifini modellashtirish sxemasida demans tashxisining ikkita toifasi: AD va VaD zo'ravonligini farqlash uchun foydalanishning asosli salohiyatini aniqladik.
Xotira sinovi ADni erta aniqlashda markaziy oʻrin tutadi [23, 24]. Shunday qilib, MemTrax maqbul, jozibador va onlayn tarzda amalga oshirilishi oson. epizodik xotira uchun skrining testi umumiy aholi orasida [6]. Ushbu uzluksiz ishlash vazifasini aniqlashning aniqligi va javob vaqtlari, ayniqsa, o'rganish, xotira va idrok bilan bog'liq neyroplastik jarayonlarning erta va rivojlanayotgan yomonlashuvi va natijada nuqsonlarini aniqlashda aniq ko'rinadi. Ya'ni, bu erda asosan MemTrax ishlash ko'rsatkichlariga asoslangan modellar sezilarli darajada funktsional yo'qotishdan ancha oldin o'tish davrining asemptomatik bosqichida biologik nevropatologik nuqsonlarni osongina va minimal xarajat bilan aniqlashga sezgir va ko'proq ehtimoli bor [25]. Ashford va boshqalar. MemTrax bilan mustaqil ravishda ishtirok etgan onlayn foydalanuvchilarning tanib olish xotirasi aniqligi va javob vaqtining naqshlari va xatti-harakatlarini diqqat bilan o'rganib chiqdi [6]. Ushbu taqsimotlar optimal modellashtirish va to'g'ri va samarali bemorlarni parvarish qilish dasturlarini ishlab chiqishda muhim ahamiyatga ega ekanligini hisobga olib, klinik jihatdan qo'llaniladigan tanib olish va javob berish vaqti profillarini aniqlash klinik va tadqiqot yordami uchun qimmatli asosli ma'lumotnoma yaratishda muhim ahamiyatga ega. Kognitiv buzilishning dastlabki bosqichi va differentsial diagnostika yordami uchun AD skriningida MemTraxning amaliy ahamiyati, keyin test natijalariga ta'sir qiluvchi kognitiv, hissiy va motor qobiliyatlari ko'rib chiqilishi mumkin bo'lgan klinik sharoitda batafsilroq o'rganilishi kerak. Va professional nuqtai nazarni xabardor qilish va amaliy klinik foydani rag'batlantirish uchun, birinchi navbatda, o'rnatilgan kognitiv salomatlikni baholash testi bilan taqqoslashni ko'rsatish kerak, garchi ikkinchisi og'ir sinov logistikasi, ta'lim va tilni to'xtatuvchi vositalar va madaniy ta'sirlar bilan tanib bo'ladigan darajada cheklangan bo'lishi mumkin [26] . Shu nuqtai nazardan, MemTraxni klinik samaradorlik bo'yicha odatda sanoat standarti sifatida ko'rsatilgan MoCA bilan ijobiy taqqoslash, ayniqsa, MemTrax dan foydalanish qulayligi va bemorlar tomonidan qabul qilinishini hisobga olgan holda muhim ahamiyatga ega.
MemTrax-ni MoCA bilan taqqoslagan oldingi tadqiqotlar bizning modellashtirish bo'yicha tadqiqotimizni tasdiqlovchi mantiqiy va dastlabki dalillarni ta'kidlaydi [8]. Biroq, bu oldingi taqqoslash biz tekshirgan ikkita asosiy MemTrax ishlash ko'rsatkichlarini MoCA tomonidan aniqlangan kognitiv holat va tegishli diapazonlar va chegara qiymatlari bilan bog'ladi. Biz MemTrax ning klinik foydaliligini baholashni chuqurlashtirdik, bu esa boshqa potentsial mos keladigan bemorga xos parametrlarni individual ravishda ko'rib chiqishni ta'minlaydigan bashoratli modellashtirishga asoslangan yondashuvni o'rganib chiqdi. Boshqalardan farqli o'laroq, biz MoCA balliga ta'limni tuzatish (sozlash) yordamida yoki kognitiv salomatlikni kamsituvchi MoCA yig'ma ball chegarasini dastlab tavsiya etilgan 26 dan 23 gacha o'zgartirishda model ishlashida afzallik topmadik [12, 15]. Darhaqiqat, tasniflashning samaradorligi tuzatilmagan MoCA balli va yuqori chegaradan foydalangan holda ma'qullandi.
Klinik amaliyotning asosiy nuqtalari
Ma'lumotlar keng va ko'p o'lchovli bo'lganda, ya'ni ko'plab kuzatuvlar va yuqori qiymatli (hissa qo'shadigan) atributlarning keng doirasi mavjud bo'lganda, mashinani o'rganish ko'pincha eng yaxshi qo'llaniladi va bashoratli modellashtirishda eng samarali hisoblanadi. Shunga qaramay, ushbu joriy ma'lumotlar bilan faqat to'rtta tanlangan xususiyatga ega filtrlangan modellar barcha 10 ta umumiy xususiyatdan foydalanadiganlarga qaraganda yaxshiroq ishladi. Bu shuni ko'rsatadiki, bizning umumiy shifoxona ma'lumotlar to'plamimiz bemorlarni shu tarzda optimal tarzda tasniflash uchun klinik jihatdan eng mos (yuqori qiymat) xususiyatlarga ega emas edi. Shunga qaramay, MemTrax unumdorligining asosiy ko'rsatkichlariga - MTx-% C va MTx-RT-ga bo'lgan xususiyatlarning reytingi ushbu test atrofida oddiy, boshqarish oson, arzon va mos ravishda ochib beradigan erta bosqichda kognitiv nuqson skrining modellarini yaratishni qo'llab-quvvatlaydi. xotira ishlashi, hech bo'lmaganda hozirda kognitiv salomatlik holatining ikkilik tasnifi uchun boshlang'ich ekran sifatida. Provayderlar va sog'liqni saqlash tizimlarining doimiy yukini hisobga olgan holda, bemorlarni skrining jarayonlari va klinik ilovalari diagnostikada eng foydali, foydali va samarali ekanligi isbotlangan bemorning xususiyatlarini va test ko'rsatkichlarini to'plash, kuzatish va modellashtirishga e'tibor qaratgan holda mos ravishda ishlab chiqilishi kerak. va bemorni boshqarishni qo'llab-quvvatlash.
Ikkita asosiy MemTrax ko'rsatkichlari MCI tasnifida markaziy o'rin tutgan holda, bizning eng yaxshi o'quvchimiz (Naïve Bayes) aksariyat modellarda juda yuqori prognozli ko'rsatkichga ega bo'ldi (AUC 0.90 dan yuqori), haqiqiy-musbat va noto'g'ri-musbat nisbati 4 ga yaqin yoki biroz oshib ketdi. : 1. Ushbu o'quvchidan foydalangan holda tarjima klinik ilovasi kognitiv nuqsoni bo'lganlarning ko'pchiligini qamrab oladi (to'g'ri tasniflaydi), shu bilan birga kognitiv sog'lig'i normal bo'lgan odamni noto'g'ri kognitiv nuqson (noto'g'ri ijobiy) yoki noto'g'ri tasniflash bilan bog'liq xarajatlarni kamaytiradi. kognitiv nuqsonga ega bo'lganlarda (noto'g'ri salbiy) ushbu tasnifni yo'qotish. Noto'g'ri tasniflashning ushbu stsenariylaridan biri bemor va unga g'amxo'rlik qiluvchilarga ortiqcha psixo-ijtimoiy yukni keltirib chiqarishi mumkin.
Dastlabki va to'liq tahlillarda biz har bir modellashtirish sxemasida barcha o'n nafar o'quvchidan foydalangan bo'lsak, natijalarimizni eng barqaror kuchli ko'rsatkichni ko'rsatadigan uchta tasniflagichga qaratdik. Bu, shuningdek, ushbu ma'lumotlarga asoslanib, kognitiv holat tasnifini aniqlashda amaliy klinik qo'llashda yuqori darajada ishonchli tarzda ishlaydigan o'quvchilarni ta'kidlash edi. Bundan tashqari, ushbu tadqiqot kognitiv skriningda mashinani o'rganishning foydasi va bu o'z vaqtida klinik muammolarga kirish tadqiqoti sifatida mo'ljallanganligi sababli, biz minimal parametrlarni sozlash bilan o'rganish usullarini sodda va umumlashtirilgan holda saqlashga qaror qildik. Biz ushbu yondashuv torroq aniqlangan bemorga xos bashorat qilish imkoniyatlarini cheklab qo'ygan bo'lishi mumkinligini qadrlaymiz. Xuddi shunday, modellarni faqat eng yaxshi xususiyatlardan foydalangan holda o'rgatish (filtrlangan yondashuv) bizga ushbu ma'lumotlar (to'plangan ma'lumotlarning kamchiliklari va qimmatli klinik vaqt va resurslarni optimallashtirish qiymatini ta'kidlash) haqida qo'shimcha ma'lumot bergan bo'lsa-da, biz qisqartirish uchun erta ekanligini tan olamiz. modellarning ko'lami va shuning uchun barcha (va boshqa xususiyatlar) kelajakdagi tadqiqotlarda biz keng aholi uchun qo'llanilishi mumkin bo'lgan ustuvor xususiyatlarning aniqroq profiliga ega bo'lmaguncha ko'rib chiqilishi kerak. Shunday qilib, biz ushbu va boshqa modellarni samarali klinik qo'llashga integratsiya qilishdan oldin, ayniqsa, keyingi klinik baholashda ko'rib chiqilishi kerak bo'lgan kognitiv faoliyatga ta'sir qiluvchi komorbidiyalarni joylashtirish uchun yanada kengroq va kengroq vakillik ma'lumotlari va optimallashtirish zarurligini to'liq tan olamiz.
MemTrax-dan foydalanish alohida klinik tashxisga asoslangan kasallikning og'irligini modellashtirish orqali yanada takomillashtirildi. VaD zo'ravonligini bashorat qilishda (AD bilan solishtirganda) yaxshiroq umumiy tasniflash ko'rsatkichi yo'q edi qon tomir sog'lig'iga xos bo'lgan modellarda bemor profilining xususiyatlarini hisobga olgan holda hayratlanarli va insult xavfi, ya'ni gipertoniya, giperlipidemiya, diabet va (albatta) insult tarixi. O'quvchilarni ushbu keng qamrovli ma'lumotlarga o'rgatish uchun normal kognitiv sog'lig'iga ega bo'lgan bemorlarda bir xil klinik baholashni o'tkazish maqsadga muvofiq va maqsadga muvofiq bo'lar edi. Bu, ayniqsa, kafolatlangan, chunki MemTrax birinchi navbatda kognitiv nuqsonni erta bosqichda aniqlash va keyinchalik individual o'zgarishlarni kuzatish uchun mo'ljallangan. VaD ma'lumotlar to'plamidagi ma'lumotlarning yanada maqbul taqsimlanishi qisman modellashtirishning nisbatan yaxshiroq ishlashiga hissa qo'shgani ham to'g'ri. VaD ma'lumotlar to'plami ikki sinf o'rtasida yaxshi muvozanatlangan edi, MCI bemorlari kamroq bo'lgan AD ma'lumotlar to'plami esa bunday emas edi. Ayniqsa, kichik ma'lumotlar to'plamlarida, hatto bir nechta qo'shimcha misollar ham o'lchanadigan farqni keltirib chiqarishi mumkin. Ikkala nuqtai nazar ham kasallikning zo'ravonligini modellashtirish ko'rsatkichlaridagi farqlarga asos bo'lgan oqilona dalillardir. Biroq, yaxshilangan samaradorlikni ma'lumotlar to'plamining raqamli xususiyatlariga yoki ko'rib chiqilayotgan klinik ko'rinishga xos xususiyatlar bilan mutanosib ravishda bog'lash erta. Shunga qaramay, ushbu roman MemTrax bashoratli tasniflash modelining klinik diagnostika yordami rolida foydaliligini ko'rsatdi, qimmatli istiqbolni taqdim etadi va MCI davomiyligi bo'ylab bemorlar bilan qo'shimcha tekshiruvga intilishni tasdiqlaydi.
MemTrax va ushbu modellarning Xitoyda amalga oshirilishi va ko'rsatilgan foydaliligi, tili va madaniyati boshqa mintaqalardan (masalan, Frantsiya, Gollandiya va Qo'shma Shtatlar) keskin farq qiladi [7, 8, 27] MemTrax-ga asoslangan platformaning keng miqyosda qabul qilinishi va klinik qiymati uchun. Bu ma'lumotlarni uyg'unlashtirishga intilish va amaliy xalqaro me'yorlarni ishlab chiqish va butun dunyo bo'ylab foydalanish uchun standartlashtirilgan va oson moslashtirilgan kognitiv skrining uchun resurslarni modellashtirishning yorqin namunasidir.
Kognitiv pasayishni modellashtirish va qo'llash bo'yicha keyingi qadamlar
ADdagi kognitiv disfunktsiya haqiqatan ham diskret bosqichlarda yoki bosqichlarda emas, balki doimiy ravishda sodir bo'ladi [28, 29]. Biroq, ushbu dastlabki bosqichda bizning maqsadimiz, birinchi navbatda, MemTrax-ni o'z ichiga olgan modelni yaratish qobiliyatini aniqlash edi, u "normal" va "normal"ni tubdan farqlay oladi. Ko'proq qamrab olingan empirik ma'lumotlar (masalan, miya tasvirlari, genetik xususiyatlar, biomarkerlar, komorbidliklar va kompleksning funktsional belgilari kognitiv faoliyatni talab qiladi Control) [30] turli global mintaqalar, populyatsiyalar va yosh guruhlari boʻylab murakkabroq (jumladan, toʻgʻri vaznli ansamblni) oʻrgatish va rivojlantirish uchun mashinani oʻrganish modellari kengaytirilgan tasnifni, yaʼni bemorlar guruhlarini toifalarga ajratish qobiliyatini qoʻllab-quvvatlaydi. Kognitiv pasayish davomiyligi bo'yicha MCI kichikroq va aniqroq kichik to'plamlarga. Bundan tashqari, mintaqaviy jihatdan turli xil bemorlar populyatsiyasidagi shaxslar uchun birgalikda klinik tashxis qo'yish muhimdir. samarali mashq qilish bu yanada inklyuziv va bashorat qilinadigan mustahkam modellar. Bu o'xshash kelib chiqishi, ta'siri va tor kognitiv profiliga ega bo'lganlar uchun yanada aniq tabaqalashtirilgan ishlarni boshqarishni osonlashtiradi va shu bilan klinik qarorlarni qo'llab-quvvatlash va bemorlarni parvarish qilishni optimallashtiradi.
Bugungi kunga qadar tegishli klinik tadqiqotlarning aksariyati hech bo'lmaganda engil demans bilan og'rigan bemorlarga qaratilgan; va, amalda, juda tez-tez bemor aralashuvi faqat ilg'or bosqichlarida harakat qilinadi. Biroq, kognitiv pasayish demansning klinik mezonlari bajarilishidan ancha oldin boshlanganligi sababli, samarali qo'llaniladigan MemTrax asosidagi erta ekran odamlarni kasallik va uning rivojlanishi haqida tegishli ma'lumotga ega bo'lishga va tezroq va o'z vaqtida choralar ko'rishga yordam beradi. Shunday qilib, erta aniqlash jismoniy mashqlar, parhez, hissiy qo'llab-quvvatlash va takomillashtirilgan sotsializatsiyadan tortib farmakologik aralashuvgacha mos ishtiroklarni qo'llab-quvvatlashi va bemorning xatti-harakati va idrokidagi o'zgarishlarni kuchaytirishi mumkin, bu yakka yoki jami demans rivojlanishini yumshatishi yoki to'xtatishi mumkin [31, 32] . Bundan tashqari, samarali erta skrining, shaxslar va ularning oila a'zolari klinik sinovlarni ko'rib chiqishga yoki umidlar va niyatlarni aniqlashtirishga va kundalik vazifalarni boshqarishga yordam berish uchun maslahat va boshqa ijtimoiy xizmatlardan yordam olishlari mumkin. Keyinchalik tekshirish va keng tarqalgan amaliy yordam ko'plab odamlar uchun MCI, AD va ADRD rivojlanishini yumshatish yoki to'xtatishda muhim rol o'ynashi mumkin.
Haqiqatan ham, bizning tadqiqotimizdagi bemorning yosh oralig'ining past darajasi AD bilan an'anaviy tashvishlanadigan aholini bildirmaydi. Shunga qaramay, MoCA balli/eshigi va tashxisning og'irligiga asoslangan tasniflash modellashtirish sxemalarida qo'llaniladigan har bir guruhning o'rtacha yoshi (3-jadval) aniq ko'pchilikni (80% dan ortiq) kamida 50 yoshda ekanligini ta'kidlaydi. Shunday qilib, ushbu taqsimot umumlashtirish uchun juda mos keladi va odatda ta'sirlanganlarni tavsiflovchi populyatsiyada ushbu modellarning foydaliligini qo'llab-quvvatlaydi. erta boshlanishi va AD va VaD tufayli rivojlanayotgan neyrokognitiv kasalliklar. Bundan tashqari, so'nggi dalillar va istiqbollar erta rivojlanishga hissa qo'shishi mumkin bo'lgan e'tirof etilgan omillarni (masalan, gipertoniya, semizlik, diabet va chekish) ta'kidlaydi. kattalar va o'rta yoshdagi qon tomir xavfi ko'rsatkichlari va natijada hatto yosh bolalarda ham aniq ta'sir ko'rsatadigan yashirincha rivojlanadigan qon tomir miya shikastlanishi. kattalar [33-35]. Shunga ko'ra, erta aniqlash uchun eng maqbul dastlabki skrining imkoniyati Kognitiv kamchiliklarni bosqichma-bosqich shakllantirish va demansni muvaffaqiyatli hal qilishda samarali oldini olish va aralashuv strategiyalarini boshlash yosh spektri bo'ylab, jumladan, erta voyaga etganlik va potentsial hatto bolalik davrida ham hissa qo'shadigan omillar va oldingi ko'rsatkichlarni o'rganish natijasida paydo bo'ladi (erta homiladorlikdan boshlab apolipoprotein E kabi genetik omillarning dolzarbligini hisobga olgan holda).
Amalda, to'g'ri klinik tashxislar va ilg'or tasvirlash, genetik profillash va istiqbolli biomarkerlarni o'lchash uchun qimmat protseduralar har doim ham ko'p provayderlar uchun mavjud emas yoki hatto amalga oshirilmaydi. Shunday qilib, ko'p hollarda, boshlang'ich umumiy kognitiv salomatlik holati tasnifi bemor tomonidan taqdim etilgan boshqa oddiy ko'rsatkichlar (masalan, o'z-o'zidan xabar qilingan) yordamida modellardan olinishi kerak bo'lishi mumkin. xotira muammolari, joriy dori-darmonlar va muntazam faoliyat cheklovlari) va umumiy demografik xususiyatlar [7]. Kaliforniya universiteti kabi registrlar Brain Sog'liqni saqlash Ro'yxatga olish kitobi (https://www.brainhealthregistry.org/) [27] va boshqalar o'z-o'zidan bildirilgan simptomlar, sifat ko'rsatkichlari (masalan, uyqu va har kuni bilish), dori-darmonlar, salomatlik holati va tarix va boshqalar. batafsilroq demografik ma'lumotlar klinikada ushbu ibtidoiy modellarning amaliy qo'llanilishini ishlab chiqish va tasdiqlashda muhim rol o'ynaydi. Bundan tashqari, xotira funktsiyasini baholashda foydali ekanligini ko'rsatgan MemTrax kabi test, biologik belgilarga qaraganda, AD patologiyasini ancha yaxshi baholashni ta'minlaydi. AD patologiyasining asosiy xususiyati nevroplastiklikning buzilishi va epizodik tarzda namoyon bo'ladigan sinapslarning juda murakkab yo'qolishi ekanligini hisobga olsak. xotira disfunktsiyasi, epizodik xotirani baholovchi o'lchov aslida bo'lishi mumkin tirik bemordagi biologik belgilarga qaraganda AD patologik yukini yaxshiroq baholashni ta'minlaydi [36].
Barcha bashoratli modellar bilan - zamonaviy texnologiyalardan olingan murakkab va inklyuziv ma'lumotlar va bir nechta sohalar bo'yicha aniqlangan klinik tushunchalar bilan to'ldirilganmi yoki mavjud bemor profillariga xos bo'lgan asosiy va oson mavjud ma'lumotlar bilan cheklanganmi - sun'iy intellektning tan olingan afzalligi. va mashinani o'rganish shundan iboratki, natijada olingan modellar doimiy ravishda ilovalardan foydalanish natijasida taqdim etilgan tegishli yangi ma'lumotlar va istiqbollarni sintez qilishi va induktiv ravishda "o'rganishi" mumkin. Amaliy texnologiyalarni uzatishdan so'ng, bu erdagi (va ishlab chiqiladigan) modellar qo'llanilishi va ko'proq holatlar va tegishli ma'lumotlar bilan boyitilganligi sababli (shu jumladan, kognitiv pasayish bilan namoyon bo'lishi mumkin bo'lgan qo'shma kasalliklarga chalingan bemorlar), bashorat qilish samaradorligi va kognitiv salomatlik tasnifi yanada mustahkam bo'ladi, natijada klinik qarorlarni qo'llab-quvvatlash yanada samarali bo'ladi. Ushbu evolyutsiya MemTrax-ni tibbiy yordam ko'rsatuvchi provayderlar klinikada real vaqt rejimida foydalanishi mumkin bo'lgan maxsus (mavjud imkoniyatlarga yo'naltirilgan) platformalarga joylashtirish orqali to'liqroq va amaliy tarzda amalga oshiriladi.
Diagnostik yordam va bemorlarni parvarish qilish uchun MemTrax modelini tasdiqlash va foydali bo'lishi uchun zarur bo'lgan juda talab qilinadigan mazmunli uzunlamasına ma'lumotlar. Klinik holatdagi qo'shma o'zgarishlarni (agar mavjud bo'lsa) kuzatish va qayd etish orqali erta bosqichdagi MCI ning adekvat diapazonida, tegishli davomiy baholash va tasniflash uchun modellar o'qitilishi va bemorlarning yoshiga qarab o'zgartirilishi va davolanishi mumkin. Ya'ni, takroriy yordam dasturi engil kognitiv o'zgarishlarni uzunlamasına kuzatish, aralashuv samaradorligi va xabardor qatlamli parvarishni saqlashga yordam beradi. Ushbu yondashuv klinik amaliyot va bemor va vaziyatni boshqarish bilan yaqinroq mos keladi.
cheklashlar
Biz nazorat ostidagi klinika/kasalxona sharoitida toza klinik ma'lumotlarni yig'ish qiyinligi va qiymatini qadrlaymiz. Shunga qaramay, agar bizning ma'lumotlar to'plamimiz umumiy xususiyatlarga ega bo'lgan ko'proq bemorlarni o'z ichiga olsa, bu bizning modellashtirishimizni kuchaytirgan bo'lardi. Bundan tashqari, bizning diagnostika modellashtirishimizga xos bo'lgan holda, o'quvchilarni o'qitish uchun normal kognitiv sog'lig'iga ega bo'lgan bemorlarda bir xil klinik baholashni o'tkazish maqsadga muvofiq va maqsadga muvofiq bo'lar edi. Filtrlangan ma'lumotlar to'plamidan foydalangan holda yuqori tasniflash ko'rsatkichlari ta'kidlanganidek (faqat eng yuqori o'rindagi to'rtta xususiyat), umumiyroq va kognitiv salomatlik ko'rsatkichlari/ko'rsatkichlari yaxshilangan bo'lar edi barcha bemorlarda ko'proq umumiy xususiyatlar bilan ishlashni modellashtirish.
Ba'zi ishtirokchilar bir vaqtning o'zida vaqtinchalik yoki surunkali kognitiv kamchiliklarga olib kelishi mumkin bo'lgan boshqa kasalliklarni boshdan kechirgan bo'lishi mumkin. Bemorlar diagnostik jihatdan AD yoki VaD deb tasniflangan XL sub-ma'lumotlar to'plamidan tashqari, YH bemorlar havuzida komorbidlik ma'lumotlari to'planmagan/xabar qilinmagan va KM pastki ma'lumotlar to'plamida eng ko'p xabar qilingan komorbidlik diabet edi. Biroq, bizning modellashtirish sxemamizga kognitiv etishmovchilik darajasini qo'zg'atadigan yoki kuchaytiradigan va natijada MemTrax samaradorligining pasayishi bilan kasallangan bemorlarni qo'shish ushbu umumiylashtirilgan erta kognitiv skrining uchun real hayotdagi maqsadli bemorlar populyatsiyasini ko'proq ifodalashi mumkin. va modellashtirish yondashuvi. Oldinga siljish, kognitiv faoliyatga potentsial ta'sir ko'rsatadigan qo'shma kasalliklarni aniq tashxislash modellarni va natijada bemorlarni parvarish qilish ilovalarini optimallashtirish uchun juda foydali.
Nihoyat, YH va KM sub-ma'lumotlar majmuasi bemorlari MemTrax testini topshirish uchun smartfondan foydalanganlar, XL sub-ma'lumotlar to'plamidagi bemorlarning cheklangan soni iPad, qolganlari esa smartfondan foydalangan. Bu MoCA tasnifini modellashtirish uchun MemTrax ishlashida qurilma bilan bog'liq kichik farqni keltirib chiqarishi mumkin edi. Biroq, MTx-RTdagi farqlar (agar mavjud bo'lsa), masalan, qurilmalar o'rtasidagi farqlar ahamiyatsiz bo'lishi mumkin, ayniqsa, har bir ishtirokchiga qayd etilgan test natijalaridan oldin "amaliyot" testi beriladi. Shunga qaramay, ushbu ikkita qo'l qurilmasining foydaliligi potentsial ravishda boshqa MemTrax natijalari bilan to'g'ridan-to'g'ri taqqoslash va/yoki integratsiyani buzadi, bunda foydalanuvchilar kompyuter klaviaturasidagi bo'sh joy tugmachasini bosib takrorlangan rasmlarga javob berishgan.
MemTrax bashoratli modellashtirish yordam dasturining asosiy nuqtalari
- • Tanlangan MemTrax ishlash ko'rsatkichlarini o'z ichiga olgan yuqori samarali bashoratli modellarimiz keng tan olingan MoCA testida ko'rsatilganidek, kognitiv salomatlik holatini (normal kognitiv salomatlik yoki MCI) ishonchli tarzda tasniflashi mumkin.
- • Ushbu natijalar tanlangan MemTrax ishlash ko'rsatkichlarini erta bosqichdagi kognitiv buzilishlar uchun tasniflovchi bashoratli model skrining ilovasiga integratsiyalashuvini qo'llab-quvvatlaydi.
- • Bizning tasniflash modellashtirishimiz, shuningdek, demans tashxisining og'irligini farqlash uchun ilovalarda MemTrax unumdorligidan foydalanish imkoniyatlarini ham ochib berdi.
Ushbu yangi topilmalar kognitiv buzilishlarga duchor bo'lgan shaxslar uchun klinik ishlarni samarali boshqarish va bemorlarni parvarish qilishda diagnostik yordam uchun MemTrax-ga asoslangan mustahkamlangan tasniflash modellarini yaratishda mashinani o'rganishdan foydalanishni qo'llab-quvvatlovchi aniq dalillarni o'rnatadi.
Tushunchalar
Biz J. Wesson Ashford, Curtis B. Ashford va hamkasblarning bu erda qo'llaniladigan onlayn uzluksiz tanib olish vazifasi va vositasini (MemTrax) ishlab chiqish va tasdiqlash bo'yicha ishini tan olamiz va tanqidiy asosli tadqiqotga hissa qo'shgan ko'plab demans bilan og'rigan bemorlarga minnatdorchilik bildiramiz. . Shuningdek, biz Xianbo Chjou va uning SJN Biomed LTD kompaniyasidagi hamkasblariga, uning hamkasblari va shifoxonalar/klinikalar saytlaridagi hamkasblariga, ayniqsa Dr. Ishtirokchilarni yollash, testlarni rejalashtirish, ma'lumotlarni yig'ish, yozib olish va boshqarishda yordam bergan M. Luo va M. Zhong va o'zlarining qimmatli vaqtlarini bag'ishlagan va testlarni topshirish va ta'minlash majburiyatini olgan ko'ngilli ishtirokchilar ushbu tadqiqotda baholashimiz uchun qimmatli ma'lumotlar. Bu tadqiqot qisman MD Scientific Research tomonidan qo'llab-quvvatlandi Kunming tibbiyot universiteti dasturi (Grant № 2017BS028 uchun XL) va Yunnan fan va texnologiya bo'limi tadqiqot dasturi (Grant № 2019FE001 (-222) XL uchun).
J. Wesson Ashford ushbu maqolada tavsiflangan maxsus doimiy tan olish paradigmasidan foydalanish uchun patent talabnomasini topshirdi. xotirani sinovdan o'tkazish.
MemTrax, LLC Kertis Ashfordga tegishli kompaniya bo'lib, ushbu kompaniya xotira testi Ushbu maqolada tasvirlangan tizim.
Mualliflarning ma'lumotlari onlaynda mavjud (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
Adabiyotlar
| [1] Altsgeymer assotsiatsiyasi (2016) 2016 Altsgeymer kasalligi faktlari va raqamlar. Altsgeymer dementi 12, 459–509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) Erta bosqichning ta'siri Altsgeymer kasalligi uy xo'jaligining moliyaviy natijalari to'g'risida. 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) nevrologiya: engil kognitiv buzilish sifatini o'lchash to'plami. Nevrologiya 93, 705-713. |
| [4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) Foydalanishning iqtisodiy samaradorligi birlamchi tibbiy yordamda demans va engil kognitiv buzilishlarni aniqlash uchun kognitiv skrining testlari. Int J Geriatr Psixiatriya 32, 1392-1400. | |
| [5] Ashford JW, Gere E, Bayley PJ (2011) Xotirani o'lchash doimiy tanib olish testi yordamida katta guruh sozlamalarida. J Altsgeymer Dis 27, 885–895. | |
| [6] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Epizodik xotirani o'lchash uchun kompyuterlashtirilgan uzluksiz tanib olish vazifasi. J Altsgeymer Dis 69, 385–399. |
| [7] | Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) Kognitiv salomatlik holati tasnifini bashorat qilish uchun mashinani o'rganish modellashtirishda epizodik xotira ishlashi. J Altsgeymer Dis 70, 277-286. |
| [8] van der Hoek MD , Nieuwenhuizen A , Keyjer J , Ashford JW (2019) The MemTrax testi engil kognitiv buzilishning Monreal kognitiv baholash bahosi bilan solishtirganda. J Altsgeymer Dis 67, 1045-1054. | |
| [9] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Yengil travmatik miya shikastlanishini tasniflash uchun izolyatsiyalangan unli tovushlardan foydalanish. 2013 yilda IEEE xalqaro akustika, nutq va signallarni qayta ishlash konferensiyasi, Vankuver, BC, 7577–7581-betlar. |
| [10] | Dabek F, Caban JJ (2015) Miya chayqalishidan keyin psixologik sharoitlarni rivojlanish ehtimolini modellashtirish uchun katta ma'lumotlardan foydalanish. Procedia Comput Sci 53, 265–273. |
| [11] | Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) Jamoa farmatsevtlari tomonidan kognitiv buzilishlarni erta aniqlash uchun qaror daraxti. Front Pharmacol 9, 1232. |
| [12] | Nasreddine ZS, Phillips NA, Bedirian V, Charbonneau S, Whitehead V, Collin I, Cummings JL, Chertkow H (2005) The Monreal Cognitive Assessment, MoCA: Engil kognitiv buzilishlar uchun qisqacha skrining vositasi. J Am Geriatr Soc 53, 695–699. |
| [13] | Yu J, Li J, Huang X (2012) Monreal kognitiv baholashning Pekin versiyasi engil kognitiv buzilishlar uchun qisqacha skrining vositasi sifatida: Jamiyatga asoslangan tadqiqot. BMC Psixiatriya 12, 156. |
| [14] | Chen KL, Xu Y, Chu AQ, Ding D, Liang XN, Nasreddine ZS, Dong Q, Hong Z, Zhao QH, Guo QH (2016) Yengil kognitiv buzilishlarni skrining qilish uchun Monreal kognitiv baholashning asosiy xitoycha versiyasini tasdiqlash. J Am Geriatr Soc 64, e285–e290. |
| [15] | Carson N, Leach L, Murphy KJ (2018) Monreal Kognitiv Baholash (MoCA) chegara ballarini qayta tekshirish. Int J Geriatr Psixiatriya 33, 379-388. |
| [16] | Amerika Psixiatriya Assotsiatsiyasi (2013) Ishchi guruh ruhiy kasalliklar diagnostikasi va statistik qo'llanmasi: DSM-5 ™, American Psychiatric Publishing, Inc., Vashington, DC. |
| [17] | Python. Python Software Foundation, http://www.python.org, 15-yil 2019-noyabrda kirish. |
| [18] | R Core Group, R: Statistik hisoblash uchun til va muhit R Statistik hisoblash fondi, Vena, Avstriya. https://www.R-project.org/, 2018 yil, 15-yil 2019-noyabrda foydalanilgan. |
| [19] | Benavoli A, Corani G, Demšar J, Zaffalon M (2017) O'zgartirish vaqti: Bayes tahlili orqali bir nechta tasniflagichlarni solishtirish bo'yicha qo'llanma. J Mach Learn Res 18, 1–36. |
| [20] | Frank E, Hall MA, Witten IH (2016) WEKA dastgohi. In Ma'lumotni qazib olish: Mashinani o'rganishning amaliy vositalari va usullari, Frank E, Hall MA, Witten IH, Pal CJ, tahrirlar. Morgan Kaufmann https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf |
| [21] | Bergeron MF , Landset S , Maugans TA , Uilyams VB , Collins CL , Wasserman EB , Khoshgoftaar TM (2019) O'rta maktabdagi sport kontuziyasi simptomini modellashtirishda mashinani o'rganish. Med Sci Sports Exerc 51, 1362–1371. |
| [22] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Balanssiz ma'lumotlardan o'rganish bo'yicha eksperimental istiqbollar. In Mashinalarni o'rganish bo'yicha 24-xalqaro konferentsiya materiallari, Corvalis, Oregon, AQSH, 935-942-betlar. |
| [23] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Altsgeymer bemorini baholash va mini-ruhiy holat: element xarakteristikasi egri tahlili.P. J Gerontol 44, 139–146. |
| [24] Ashford JW, Jarvik L (1985) Altsgeymer kasalligi: Neyron plastisiyasi aksonal neyrofibrilyar degeneratsiyaga moyil bo'ladimi? N Engl J Med 313, 388–389. | |
| [25] Jek CR Jr , Therneau TM , Weigand SD , Wiste HJ , Knopman DS , Vemuri P , Lowe VJ , Mielke MM , Roberts RO , Machulda MM , Graff-Radford J , Jones DT , Schwarz CG , Gunterm JML , Rocca WA, Petersen RC (2019) Qarish-Alsgeymer milliy institutidan foydalangan holda biologik va klinik jihatdan aniqlangan Altsgeymer spektri ob'ektlarining tarqalishi Assotsiatsiya tadqiqoti ramka. JAMA Neurol 76, 1174–1183. | |
| [26] Chjou X, Ashford JW (2019) skrining asboblaridagi yutuqlar Altsgeymer kasalligi. Qarish Med 2, 88–93. | |
| [27] Weiner MW , Nosheny R , Camacho M , Truran-Sacrey D , Mackin RS , Flenniken D , Ulbricht A , Insel P , Finley S , Fockler J , Veitch D (2018) The Brain Sog'liqni saqlash Registr: Neyrologiya bo'yicha tadqiqotlar uchun ishtirokchilarni yollash, baholash va bo'ylama monitoringi uchun internetga asoslangan platforma. Altsgeymer dementi 14, 1063–1076. | |
| [28] Ashford JW, Shmitt FA (2001) Vaqt kursini modellashtirish Altsgeymer demansi. Curr Psychiatry Rep 3, 20–28. | |
| [29] | Li X, Vang X, Su L, Xu X, Xan Y (2019) Kognitiv pasayish bo'yicha Xitoy bo'ylama tadqiqoti (SILCODE): sub'ektiv kognitiv qobiliyatlari bo'lgan shaxslarda engil kognitiv buzilishga o'tish xavfini bashorat qilish modellarini ishlab chiqish uchun Xitoy bo'ylama kuzatuv tadqiqoti protokoli pasayish. BMJ Open 9, e028188. |
| [30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015) Besh yillik biomarker progressiyaning oʻzgaruvchanligi Altsgeymer kasalligi demans bashorat: Kundalik hayot markerining murakkab instrumental faoliyati bo'shliqlarni to'ldirishi mumkinmi? Altsgeymer dementi (Amst) 1, 521–532. | |
| [31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) Altsgeymer kasalligining oldini olish va davolash: Jismoniy mashqlarning biologik mexanizmlari. J Altsgeymer Dis 69, 311-338. | |
| [32] Mendiola-Precoma J, Berumen LC, Padilla K, Garsiya-Alkoser G (2016) Terapiyalar Altsgeymer kasalligining oldini olish va davolash. Biomed Res Int 2016, 2589276. | |
| [33] | Leyn CA, Barns J, Nicholas JM, Sudre CH, Cash DM, Malone IB, Parker TD, Keshavan A, Buchanan SM, Keuss SE, Jeyms SN, Lu K, Murray-Smit H, Vong A, Gordon E, Coath W, Modat M, Tomas D, Richards M, Fox NC, Schott JM (2020) Katta yoshdagi qon tomir xavfi va kech hayotdagi miya patologiyasi o'rtasidagi assotsiatsiyalar: Britaniyaning tug'ilgan kohortidan olingan dalillar. JAMA Neurol 77, 175–183. |
| [34] | Seshadri S (2020) Yoshdan tashqari demans-fikrlashning oldini olish va amiloid qutilari. JAMA Neurol 77, 160–161. |
| [35] | Maillard P, Seshadri S, Beiser A, Himali JJ, Au R, Fletcher E, Carmichael O, Wolf PA, DeCarli C (2012) Framingham xoch yurak tadqiqotida yosh kattalardagi sistolik qon bosimining oq moddaning yaxlitligiga ta'siri: - qismli o'rganish. 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) Neyropatologik jihatdan aniqlangan biomarker testlarining aniqligi Demans bilan og'rigan keksa odamlarda Altsgeymer kasalligi. Enn Intern Med 172, 669–677. |
Hamkorlik: [a] SIVOTEC Analytics, Boka Raton, FL, AQSh | [b] Kompyuter va elektrotexnika va kompyuter fanlari kafedrasi, Florida Atlantika universiteti, Boka Raton, FL, AQSH | [c] SJN Biomed LTD, Kunming, Yunnan, Xitoy | [d] markazi Altsgeymer tadqiqotlari, Vashington Klinik Tadqiqotlar Instituti, Vashington, DC, AQSH | [e] Reabilitatsiya tibbiyoti bo'limi, Kunming tibbiyot universitetining birinchi filiali kasalxonasi, Kunming, Yunnan, Xitoy | [f] Nevrologiya bo'limi, Dehong xalq kasalxonasi, Dehong, Yunnan, Xitoy | [g] Nevrologiya bo'limi, Kunming tibbiyot universitetining birinchi filiali kasalxonasi, Wuhua tumani, Kunming, Yunnan viloyati, Xitoy | [h] Urush bilan bog'liq kasalliklar va jarohatlarni o'rganish markazi, VA Palo Alto sog'liqni saqlash Tizim, Palo Alto, CA, AQSH | [i] Psixiatriya va xulq-atvor fanlari boʻlimi, Stenford universiteti tibbiyot fakulteti, Palo Alto, CA, AQSh
Muloqot: [*] yozishmalar: Maykl F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, AQSH. Elektron pochta: mbergeron@sivotecanalytics.com.; Xiaolei Liu, MD, Nevrologiya bo'limi, Kunming tibbiyot universitetining birinchi filiali kasalxonasi, 295 Xichang yo'li, Wuhua tumani, Kunming, Yunnan viloyati 650032, Xitoy. Elektron pochta: ring@vip.163.com.
Kalit so'zlar: qarish, Altsgeymer kasalligi, demans, ommaviy skrining