Tiện ích của Mô hình học máy và MemTrax trong Phân loại Suy giảm Nhận thức Nhẹ

Điều nghiên cứu

Tác giả: Bergeron, Michael F. | Landset, Sara | Zhou, Xianbo | Đinh, Tao | Khoshgoftaar, Taghi M. | Zhao, Feng | Du, Bo | Chen, Xinjie | Wang, Xuan | Zhong, Lianmei | Liu, Xiaolei | Ashford, J. Wesson

DOI: 10.3233 / JAD-191340

Tạp chí: Tạp chí của Bệnh Alzheimer, tập 77, không. 4, trang 1545-1558, 2020

Tóm tắt

Bối cảnh:

Tỷ lệ mắc và phổ biến rộng rãi của Bệnh Alzheimer và suy giảm nhận thức nhẹ (MCI) đã thúc đẩy một cuộc gọi khẩn cấp cho nghiên cứu để xác nhận sàng lọc và đánh giá nhận thức phát hiện sớm.

Mục tiêu:

Mục đích nghiên cứu chính của chúng tôi là xác định xem các chỉ số hiệu suất MemTrax đã chọn cũng như các đặc điểm nhân khẩu học và sức khỏe có liên quan có thể được sử dụng hiệu quả trong các mô hình dự đoán được phát triển với công nghệ máy học để phân loại sức khỏe nhận thức (bình thường so với MCI) hay không, như được chỉ ra bởi Đánh giá nhận thức Montreal (Bộ CA).

Phương pháp:

Chúng tôi đã tiến hành một nghiên cứu cắt ngang trên 259 bệnh nhân thần kinh, phòng khám trí nhớ và nội khoa được tuyển dụng từ hai bệnh viện ở Trung Quốc. Mỗi bệnh nhân được phát MoCA tiếng Trung và tự quản lý các tập phim trực tuyến MemTrax nhận dạng liên tục kiểm tra trí nhớ trực tuyến trong cùng một ngày. Các mô hình phân loại dự đoán được xây dựng bằng cách sử dụng máy học với xác nhận chéo gấp 10 lần và hiệu suất mô hình được đo bằng cách sử dụng Khu vực dưới đường cong đặc tính hoạt động của máy thu (AUC). Các mô hình được xây dựng bằng cách sử dụng hai số liệu hiệu suất MemTrax (phần trăm chính xác, thời gian phản hồi), cùng với tám tính năng nhân khẩu học và lịch sử cá nhân phổ biến.

Kết quả:

So sánh những người học trên các kết hợp được chọn của điểm số và ngưỡng MoCA, Naïve Bayes nói chung là người học có thành tích cao nhất với hiệu suất phân loại tổng thể là 0.9093. Hơn nữa, trong số ba người học hàng đầu, hiệu suất phân loại dựa trên MemTrax nói chung là vượt trội khi chỉ sử dụng bốn tính năng được xếp hạng hàng đầu (0.9119) so với việc sử dụng tất cả 10 tính năng phổ biến (0.8999).

Kết luận:

Hiệu suất MemTrax có thể được sử dụng hiệu quả trong mô hình dự đoán phân loại học máy ứng dụng sàng lọc để phát hiện suy giảm nhận thức giai đoạn đầu.

GIỚI THIỆU

Tỷ lệ mắc và tỷ lệ phổ biến rộng rãi được công nhận (mặc dù chưa được chẩn đoán) đồng thời leo thang song song về y tế, xã hội và cộng đồng. sức khỏe chi phí và gánh nặng của bệnh Alzheimer (AD) và suy giảm nhận thức nhẹ (MCI) ngày càng gây căng thẳng cho tất cả các bên liên quan [1, 2]. Kịch bản đau khổ và tư sản này đã thúc đẩy một cuộc gọi khẩn cấp cho nghiên cứu để xác nhận phát hiện sớm các công cụ đánh giá và sàng lọc nhận thức cho tiện ích thực tế thường xuyên trong môi trường cá nhân và lâm sàng cho bệnh nhân lớn tuổi ở các vùng và quần thể khác nhau [3]. Những công cụ này cũng phải cung cấp khả năng dịch liền mạch các kết quả thông tin thành hồ sơ sức khỏe điện tử. Những lợi ích sẽ được hiện thực hóa bằng cách thông báo cho bệnh nhân và hỗ trợ bác sĩ nhận ra những thay đổi đáng kể sớm hơn và do đó cho phép phân tầng, triển khai và theo dõi nhanh chóng và kịp thời hơn các phương pháp điều trị và chăm sóc bệnh nhân phù hợp với từng cá nhân và tiết kiệm chi phí hơn cho những người bắt đầu trải nghiệm suy giảm nhận thức [3, 4].

Công cụ MemTrax được vi tính hóa (https://memtrax.com) là một đánh giá nhận dạng liên tục đơn giản và ngắn gọn, có thể tự quản lý trực tuyến để đo hiệu suất bộ nhớ theo thời gian đầy thách thức khi người dùng phản hồi các hình ảnh lặp lại chứ không phải bản trình bày ban đầu [5, 6]. Nghiên cứu gần đây và kết quả là những ý nghĩa thực tế đang bắt đầu chứng minh dần dần và tập thể về hiệu quả lâm sàng của MemTrax trong sàng lọc sớm AD và MCI [5–7]. Tuy nhiên, so sánh trực tiếp tiện ích lâm sàng với hiện có sức khỏe nhận thức đánh giá và các tiêu chuẩn thông thường được đảm bảo để cung cấp thông tin về quan điểm chuyên môn và chứng thực tiện ích MemTrax trong hỗ trợ chẩn đoán và phát hiện sớm. van der Hoek và cộng sự. [8] đã so sánh các chỉ số hiệu suất MemTrax đã chọn (tốc độ phản ứng và phần trăm chính xác) với trạng thái nhận thức được xác định bởi Montreal Đánh giá nhận thức (MoCA). Tuy nhiên, nghiên cứu này chỉ giới hạn trong việc kết hợp các số liệu hiệu suất này với mô tả đặc điểm của trạng thái nhận thức (như được xác định bởi MoCA) và xác định phạm vi tương đối và giá trị ngưỡng. Theo đó, để mở rộng cuộc điều tra này và cải thiện hiệu suất và hiệu quả phân loại, câu hỏi nghiên cứu chính của chúng tôi là:

  • Các chỉ số hiệu suất MemTrax đã chọn của một cá nhân cũng như nhân khẩu học và sức khỏe có liên quan có thể Hồ sơ các đặc điểm có được sử dụng hiệu quả trong một mô hình dự đoán được phát triển bằng máy học để phân loại sức khỏe nhận thức theo hai cách (bình thường so với MCI), như sẽ được biểu thị bằng điểm số MoCA của một người?

Thứ hai cho điều này, chúng tôi muốn biết:

  • Bao gồm các tính năng tương tự, mô hình học máy dựa trên hiệu suất MemTrax có thể được áp dụng hiệu quả cho bệnh nhân để dự đoán mức độ nghiêm trọng (nhẹ hoặc nặng) trong các loại suy giảm nhận thức được chọn như sẽ được xác định bằng chẩn đoán lâm sàng độc lập không?

Sự ra đời và phát triển ứng dụng thực tế của trí tuệ nhân tạo và máy học trong sàng lọc / phát hiện đã chứng minh những lợi thế thực tế khác biệt, với mô hình dự báo hướng dẫn hiệu quả các bác sĩ lâm sàng trong việc đánh giá đầy thách thức về sức khỏe nhận thức / não và quản lý bệnh nhân. Trong nghiên cứu của mình, chúng tôi đã chọn một cách tiếp cận tương tự trong mô hình phân loại MCI và phân biệt mức độ suy giảm nhận thức như được xác nhận bởi chẩn đoán lâm sàng từ ba bộ dữ liệu đại diện cho bệnh nhân nội trú và ngoại trú tình nguyện được chọn từ hai bệnh viện ở Trung Quốc. Sử dụng mô hình dự đoán học máy, chúng tôi đã xác định những người học có hiệu suất cao nhất từ ​​các kết hợp tập dữ liệu / người học khác nhau và xếp hạng các tính năng để hướng dẫn chúng tôi xác định các ứng dụng mô hình thực tế nhất trên lâm sàng.

Các giả thuyết của chúng tôi là một mô hình dựa trên MemTrax đã được xác thực có thể được sử dụng để phân loại lưỡng tính sức khỏe nhận thức (bình thường hoặc MCI) dựa trên tiêu chí ngưỡng điểm tổng hợp của MoCA và mô hình dự đoán MemTrax tương tự có thể được sử dụng hiệu quả trong việc phân biệt mức độ nghiêm trọng trong các danh mục được chọn chẩn đoán lâm sàng suy giảm nhận thức. Việc chứng minh các kết quả dự đoán sẽ là công cụ hỗ trợ hiệu quả của MemTrax như một màn hình phát hiện sớm sự suy giảm nhận thức và phân loại suy giảm nhận thức. So sánh thuận lợi với một tiêu chuẩn có mục đích của ngành được bổ sung bởi tính tiện ích dễ dàng và nhanh chóng hơn nhiều sẽ có ảnh hưởng trong việc giúp các bác sĩ lâm sàng áp dụng công cụ đơn giản, đáng tin cậy và dễ tiếp cận này như một màn hình ban đầu trong việc phát hiện các thiếu hụt nhận thức ở giai đoạn sớm (bao gồm cả tiền sản). Cách tiếp cận và tiện ích như vậy có thể thúc đẩy sự can thiệp và chăm sóc bệnh nhân kịp thời hơn và phân tầng tốt hơn. Những hiểu biết sâu sắc về tư duy tiến bộ và các chỉ số và mô hình cải tiến này cũng có thể hữu ích trong việc giảm thiểu hoặc ngăn chặn sự tiến triển của chứng sa sút trí tuệ, bao gồm cả AD và chứng sa sút trí tuệ liên quan đến AD (ADRD).

VẬT LIỆU VÀ PHƯƠNG PHÁP

Dân số nghiên cứu

Từ tháng 2018 năm 2019 đến tháng 5 năm 21, nghiên cứu cắt ngang đã được hoàn thành trên các bệnh nhân được tuyển dụng từ hai bệnh viện ở Trung Quốc. Việc quản lý MemTrax [XNUMX] cho các cá nhân từ XNUMX tuổi trở lên cũng như việc thu thập và phân tích những dữ liệu đó đã được xem xét, phê duyệt và quản lý theo các tiêu chuẩn đạo đức của Con người Hội đồng bảo vệ đề tài của Đại học Stanford. MemTrax và tất cả các thử nghiệm khác cho nghiên cứu tổng thể này đã được thực hiện theo tuyên bố Helsinki năm 1975 và được phê duyệt bởi Hội đồng Đánh giá Thể chế của Bệnh viện Liên kết Đầu tiên của Đại học Y khoa Côn Minh ở Côn Minh, Vân Nam, Trung Quốc. Mỗi người dùng được cung cấp một sự đồng ý để đọc/xem xét và sau đó tự nguyện đồng ý tham gia.

Những người tham gia được tuyển chọn từ nhóm bệnh nhân ngoại trú tại phòng khám thần kinh tại Bệnh viện Yanhua (bộ dữ liệu phụ YH) và phòng khám trí nhớ tại Bệnh viện trực thuộc đầu tiên của Y tế Côn Minh Đại học (tập dữ liệu phụ XL) ở Bắc Kinh, Trung Quốc. Những người tham gia cũng được tuyển dụng từ các bệnh nhân nội trú về thần kinh (bộ dữ liệu phụ XL) và nội khoa (bộ dữ liệu phụ KM) tại Bệnh viện liên kết đầu tiên của Đại học Y Côn Minh. Tiêu chí bao gồm 1) nam và nữ ít nhất 21 tuổi, 2) khả năng nói tiếng Trung Quốc (tiếng phổ thông) và 3) khả năng hiểu các hướng dẫn bằng lời nói và văn bản. Tiêu chí loại trừ là suy giảm thị lực và vận động ngăn cản người tham gia hoàn thành Kiểm tra MemTrax, cũng như không có khả năng hiểu các hướng dẫn kiểm tra cụ thể.

Phiên bản tiếng Trung của MemTrax

Trực tuyến Nền tảng thử nghiệm MemTrax đã được dịch sang tiếng Trung Quốc (URL: https://www.memtrax.com.cn) và được điều chỉnh thêm để sử dụng thông qua WeChat (Shenzhen Tencent Computer Systems Co. LTD., Thâm Quyến, Quảng Đông, Trung Quốc) để tự quản lý. Dữ liệu được lưu trữ trên máy chủ đám mây (Ali Cloud) đặt tại Trung Quốc và được cấp phép từ Alibaba (Alibaba Technology Co. Ltd., Hàng Châu, Chiết Giang, Trung Quốc) bởi SJN Biomed LTD (Côn Minh, Vân Nam, Trung Quốc). Các chi tiết cụ thể về MemTrax và tiêu chí kiểm tra tính hợp lệ được sử dụng ở đây đã được mô tả trước đây [6]. Xét nghiệm được cung cấp miễn phí cho bệnh nhân.

Thủ tục học tập

Đối với bệnh nhân nội trú và ngoại trú, một bảng câu hỏi giấy chung để thu thập thông tin nhân khẩu học và cá nhân như tuổi, giới tính, số năm học, nghề nghiệp, sống một mình hoặc với gia đình, và lịch sử y tế được quản lý bởi một thành viên của nhóm nghiên cứu. Sau khi hoàn thành bảng câu hỏi, các bài kiểm tra MoCA [12] và MemTrax đã được thực hiện (MoCA trước) với thời gian giữa các bài kiểm tra không quá 20 phút. Tỷ lệ phần trăm chính xác của MemTrax (MTx-% C), thời gian phản hồi trung bình (MTx-RT) và ngày giờ thử nghiệm đã được một thành viên của nhóm nghiên cứu ghi lại trên giấy cho mỗi người tham gia thử nghiệm. Bảng câu hỏi hoàn chỉnh và kết quả của MoCA đã được nhà nghiên cứu thực hiện các bài kiểm tra tải lên bảng tính Excel và được đồng nghiệp xác minh trước khi các tệp Excel được lưu để phân tích.

Kiểm tra MemTrax

Thử nghiệm trực tuyến MemTrax bao gồm 50 hình ảnh (25 duy nhất và 25 lặp lại; 5 bộ gồm 5 hình ảnh về các cảnh hoặc đối tượng thông thường) được hiển thị theo thứ tự giả ngẫu nhiên cụ thể. Người tham gia sẽ (theo hướng dẫn) chạm vào nút Bắt đầu trên màn hình để bắt đầu kiểm tra và bắt đầu xem chuỗi hình ảnh và chạm lại vào hình ảnh trên màn hình càng nhanh càng tốt bất cứ khi nào hình ảnh lặp lại xuất hiện. Mỗi hình ảnh xuất hiện trong 3 giây hoặc cho đến khi hình ảnh trên màn hình được chạm vào, điều này sẽ nhắc bạn trình bày ngay hình ảnh tiếp theo. Sử dụng đồng hồ bên trong của thiết bị cục bộ, MTx-RT cho mỗi hình ảnh được xác định theo thời gian đã trôi qua từ khi trình bày hình ảnh đến khi người tham gia chạm vào màn hình để phản hồi cho biết hình ảnh đã được hiển thị. trong quá trình kiểm tra. MTx-RT được ghi lại cho mọi hình ảnh, với 3 giây được ghi đầy đủ cho thấy không có phản hồi. MTx-% C được tính toán để chỉ ra tỷ lệ phần trăm của hình ảnh lặp lại và hình ảnh ban đầu mà người dùng phản hồi chính xác (dương tính thực + tiêu cực thực chia cho 50). Các chi tiết bổ sung về quản trị và triển khai MemTrax, giảm dữ liệu, dữ liệu không hợp lệ hoặc “không phản hồi” và các phân tích dữ liệu chính được mô tả ở phần khác [6].

Bài kiểm tra MemTrax đã được giải thích chi tiết và một bài kiểm tra thực hành (với những hình ảnh độc đáo khác với những hình ảnh được sử dụng trong bài kiểm tra để ghi lại kết quả) đã được cung cấp cho những người tham gia trong bối cảnh bệnh viện. Những người tham gia tập dữ liệu phụ YH và KM đã làm bài kiểm tra MemTrax trên điện thoại thông minh được tải ứng dụng trên WeChat; trong khi một số ít bệnh nhân trong tập dữ liệu phụ XL sử dụng iPad và số còn lại sử dụng điện thoại thông minh. Tất cả những người tham gia đã làm bài kiểm tra MemTrax với một điều tra viên nghiên cứu đang quan sát một cách kín đáo.

Đánh giá nhận thức Montreal

Phiên bản Bắc Kinh của MoCA tiếng Trung (MoCA-BC) [13] được quản lý và cho điểm bởi các nhà nghiên cứu được đào tạo theo hướng dẫn kiểm tra chính thức. Một cách phù hợp, MoCA-BC đã được chứng minh là đáng tin cậy kiểm tra nhận thức sàng lọc ở tất cả các cấp học ở người cao tuổi Trung Quốc [14]. Mỗi bài kiểm tra mất khoảng 10 đến 30 phút để thực hiện dựa trên khả năng nhận thức của người tham gia tương ứng.

Mô hình phân loại MoCA

Có tổng cộng 29 tính năng có thể sử dụng, bao gồm hai tính năng MemTrax kiểm tra số liệu hiệu suất và 27 tính năng liên quan đến nhân khẩu học và sức khỏe thông tin cho từng người tham gia. Điểm kiểm tra tổng hợp MoCA của mỗi bệnh nhân được sử dụng làm sàng lọc nhận thức "Điểm chuẩn" để đào tạo các mô hình dự đoán của chúng tôi. Theo đó, vì MoCA được sử dụng để tạo nhãn lớp, chúng tôi không thể sử dụng điểm tổng hợp (hoặc bất kỳ điểm số nào của tập hợp con MoCA) như một tính năng độc lập. Chúng tôi đã thực hiện các thí nghiệm sơ bộ, trong đó chúng tôi lập mô hình (phân loại sức khỏe nhận thức do MoCA xác định) ba tập dữ liệu con ban đầu của bệnh viện / phòng khám riêng lẻ và sau đó kết hợp bằng cách sử dụng tất cả các tính năng. Tuy nhiên, tất cả các yếu tố dữ liệu giống nhau không được thu thập trong mỗi phòng khám trong số bốn phòng khám đại diện cho ba tập dữ liệu con; do đó, nhiều tính năng của chúng tôi trong tập dữ liệu kết hợp (khi sử dụng tất cả các tính năng) có tỷ lệ thiếu giá trị cao. Sau đó, chúng tôi xây dựng các mô hình với tập dữ liệu kết hợp chỉ sử dụng các tính năng phổ biến giúp cải thiện hiệu suất phân loại. Điều này có thể được giải thích bởi sự kết hợp của việc có nhiều trường hợp hơn để làm việc bằng cách kết hợp ba tập dữ liệu phụ của bệnh nhân và không có tính năng nào có tần suất thiếu giá trị quá mức (chỉ một tính năng trong tập dữ liệu kết hợp, loại công việc, có bất kỳ giá trị nào bị thiếu, ảnh hưởng đến chỉ có ba trường hợp bệnh nhân), bởi vì chỉ có các đặc điểm chung được ghi lại ở cả ba trang web. Đáng chú ý, chúng tôi không có tiêu chí từ chối cụ thể cho từng tính năng mà cuối cùng không được đưa vào tập dữ liệu kết hợp. Tuy nhiên, trong mô hình tập dữ liệu kết hợp sơ bộ của chúng tôi, trước tiên chúng tôi sử dụng tất cả các tính năng từ mỗi trong ba tập dữ liệu phụ bệnh nhân riêng biệt. Điều này rộng rãi dẫn đến hiệu suất mô hình thấp hơn có thể đo lường được so với mô hình sơ bộ ban đầu trên mỗi tập dữ liệu con riêng lẻ. Hơn nữa, trong khi hiệu suất phân loại của các mô hình được xây dựng bằng cách sử dụng tất cả các tính năng là đáng khích lệ, trên tất cả các trình học và sơ đồ phân loại, hiệu suất được cải thiện cho nhiều mô hình gấp đôi khi chỉ sử dụng các tính năng thông thường. Trên thực tế, trong số những người cuối cùng trở thành những người học hàng đầu của chúng tôi, tất cả ngoại trừ một mô hình được cải thiện khi loại bỏ các tính năng không phổ biến.

Tập dữ liệu tổng hợp cuối cùng (kết hợp YH, XL và KM) bao gồm 259 trường hợp, mỗi phiên bản đại diện cho một người tham gia duy nhất đã thực hiện cả bài kiểm tra MemTrax và MoCA. Có 10 tính năng độc lập được chia sẻ: Số liệu hiệu suất MemTrax: MTx-% C và MTx-RT trung bình; thông tin nhân khẩu học và lịch sử y tế: tuổi, giới tính, năm học vấn, loại công việc (cổ xanh / cổ trắng), hỗ trợ xã hội (cho dù thí sinh sống một mình hay với gia đình) và câu trả lời có / không về việc liệu người dùng có tiền sử bệnh tiểu đường, tăng lipid máu, hoặc chấn thương sọ não. Hai chỉ số bổ sung, điểm tổng hợp MoCA và điểm tổng hợp MoCA được điều chỉnh cho các năm giáo dục [12], được sử dụng riêng biệt để phát triển các nhãn phân loại phụ thuộc, do đó tạo ra hai sơ đồ mô hình riêng biệt để áp dụng cho tập dữ liệu kết hợp của chúng tôi. Đối với mỗi phiên bản (đã điều chỉnh và chưa điều chỉnh) của điểm MoCA, dữ liệu lại được lập mô hình riêng biệt để phân loại nhị phân bằng cách sử dụng hai ngưỡng tiêu chí khác nhau — ngưỡng được đề xuất ban đầu [12] và giá trị thay thế được sử dụng và quảng bá bởi những người khác [8, 15]. Trong sơ đồ phân loại ngưỡng thay thế, một bệnh nhân được coi là có sức khỏe nhận thức bình thường nếu họ đạt ≥23 điểm trong bài kiểm tra MoCA và có MCI nếu điểm là 22 hoặc thấp hơn; trong khi đó, theo định dạng phân loại được khuyến nghị ban đầu, bệnh nhân phải đạt điểm số 26 hoặc cao hơn trong MoCA để được đánh giá là có sức khỏe nhận thức bình thường.

Dữ liệu đã lọc để lập mô hình phân loại MoCA

Chúng tôi đã kiểm tra thêm phân loại MoCA bằng cách sử dụng bốn kỹ thuật xếp hạng tính năng thường được sử dụng: Chi-Squared, Gain Ratio, Information Gain và Symmetrical Uncerturance. Đối với quan điểm tạm thời, chúng tôi đã áp dụng các công cụ xếp hạng cho toàn bộ tập dữ liệu kết hợp bằng cách sử dụng từng sơ đồ trong số bốn sơ đồ mô hình của chúng tôi. Tất cả những người xếp hạng đều đồng ý về các tính năng hàng đầu giống nhau, tức là tuổi, số năm học và cả số liệu hiệu suất MemTrax (MTx-% C, nghĩa là MTx-RT). Sau đó, chúng tôi xây dựng lại các mô hình bằng cách sử dụng từng kỹ thuật lựa chọn tính năng để đào tạo các mô hình chỉ dựa trên bốn tính năng hàng đầu (xem Lựa chọn tính năng dưới đây).

Kết quả cuối cùng tám biến thể của các sơ đồ mô hình phân loại điểm MoCA được trình bày trong Bảng 1.

Bảng 1

Tóm tắt các biến thể của sơ đồ mô hình được sử dụng để phân loại MoCA (Bình thường Sức khỏe nhận thức so với MCI)

Lược đồ mô hình hóaSức khỏe nhận thức bình thường (Lớp phủ định)MCI (Lớp Tích cực)
Đã điều chỉnh-23 Không lọc / Lọc101 (39.0%)158 (61.0%)
Đã điều chỉnh-26 Không lọc / Lọc49 (18.9%)210 (81.1%)
Unadjusted-23 Unfiltered / Filtered92 (35.5%)167 (64.5%)
Unadjusted-26 Unfiltered / Filtered42 (16.2%)217 (83.8%)

Số lượng tương ứng và phần trăm tổng số bệnh nhân trong mỗi lớp được phân biệt bằng cách điều chỉnh điểm cho trình độ học vấn (Đã điều chỉnh hoặc Chưa điều chỉnh) và ngưỡng phân loại (23 hoặc 26), như được áp dụng cho cả hai nhóm tính năng (Chưa lọc và Đã lọc).

Mô hình đánh giá lâm sàng dựa trên MemTrax

Trong số ba tập dữ liệu phụ ban đầu của chúng tôi (YH, XL, KM), chỉ những bệnh nhân thuộc tập dữ liệu phụ XL được chẩn đoán lâm sàng độc lập về suy giảm nhận thức (tức là, điểm số MoCA tương ứng của họ không được sử dụng để thiết lập phân loại bình thường và suy giảm). Cụ thể, bệnh nhân XL được chẩn đoán với Kiểm tra bệnh Alzheimer (AD) hoặc sa sút trí tuệ mạch máu (VaD). Trong mỗi danh mục chẩn đoán chính này, có thêm một chỉ định cho MCI. Các chẩn đoán MCI, sa sút trí tuệ, rối loạn nhận thức thần kinh mạch máu và rối loạn nhận thức thần kinh do AD dựa trên các tiêu chí chẩn đoán cụ thể và đặc biệt được nêu trong Sổ tay chẩn đoán và thống kê các rối loạn tâm thần: DSM-5 [16]. Xem xét các chẩn đoán đã được tinh chỉnh này, hai sơ đồ mô hình phân loại đã được áp dụng riêng biệt cho tập dữ liệu phụ XL để phân biệt mức độ nghiêm trọng (mức độ suy giảm) cho từng loại chẩn đoán chính. Dữ liệu được sử dụng trong mỗi sơ đồ mô hình chẩn đoán này (AD và VaD) bao gồm thông tin nhân khẩu học và lịch sử bệnh nhân, cũng như hiệu suất MemTrax (MTx-% C, nghĩa là MTx-RT). Mỗi chẩn đoán được đánh dấu là nhẹ nếu được chỉ định MCI; nếu không, nó đã được coi là nghiêm trọng. Ban đầu chúng tôi đã xem xét đưa điểm MoCA vào các mô hình chẩn đoán (nhẹ hoặc nặng); nhưng chúng tôi đã xác định rằng điều đó sẽ đánh bại mục đích của sơ đồ mô hình dự đoán thứ cấp của chúng tôi. Tại đây, người học sẽ được đào tạo bằng cách sử dụng các đặc điểm bệnh nhân khác có sẵn cho nhà cung cấp và các chỉ số đo lường hiệu suất của xét nghiệm MemTrax đơn giản hơn (thay cho MoCA) dựa trên “tiêu chuẩn vàng” tham chiếu, chẩn đoán lâm sàng độc lập. Có 69 trường hợp trong tập dữ liệu chẩn đoán AD và 76 trường hợp VaD (Bảng 2). Trong cả hai bộ dữ liệu, có 12 tính năng độc lập. Ngoài 10 đặc điểm có trong bảng phân loại điểm MoCA, tiền sử bệnh nhân cũng bao gồm thông tin về tiền sử tăng huyết áp và đột quỵ.

Bảng 2

Tóm tắt các biến thể của sơ đồ mô hình được sử dụng để phân loại mức độ nghiêm trọng trong chẩn đoán (Nhẹ so với Nặng)

Lược đồ mô hình hóaNhẹ (Lớp phủ định)Nghiêm trọng (Lớp Tích cực)
MCI-AD so với AD12 (17.4%)57 (82.6%)
MCI-VaD so với VaD38 (50.0%)38 (50.0%)

Số lượng tương ứng và phần trăm tổng số bệnh nhân trong mỗi lớp được phân biệt theo phân loại chẩn đoán chính (AD hoặc VaD).

Thống kê học

So sánh các đặc điểm của người tham gia và các tính năng số khác giữa các bộ dữ liệu phụ cho từng chiến lược phân loại mô hình (để dự đoán mức độ nghiêm trọng của chẩn đoán và sức khỏe nhận thức của MoCA) được thực hiện bằng ngôn ngữ lập trình Python (phiên bản 2.7.1) [17]. Sự khác biệt về hiệu suất của mô hình ban đầu được xác định bằng cách sử dụng ANOVA một hoặc hai yếu tố (nếu phù hợp) với khoảng tin cậy 95% và thử nghiệm chênh lệch đáng kể trung thực (HSD) Tukey để so sánh các phương tiện hiệu suất. Việc kiểm tra sự khác biệt giữa hiệu suất mô hình này được thực hiện bằng cách sử dụng kết hợp Python và R (phiên bản 3.5.1) [18]. Chúng tôi đã sử dụng cách tiếp cận này (mặc dù, được cho là kém tối ưu) chỉ như một công cụ hỗ trợ heuristic tại thời điểm này. giai đoạn đầu để so sánh hiệu suất mô hình ban đầu trong dự đoán ứng dụng lâm sàng tiềm năng. Sau đó, chúng tôi đã sử dụng kiểm tra xếp hạng có chữ ký Bayes bằng cách sử dụng phân phối sau để xác định xác suất của sự khác biệt về hiệu suất của mô hình [19]. Đối với những phân tích này, chúng tôi đã sử dụng khoảng –0.01, 0.01, biểu thị rằng nếu hai nhóm có chênh lệch hiệu suất nhỏ hơn 0.01 thì chúng được coi là giống nhau (trong phạm vi tương đương thực tế) hoặc nếu không thì chúng khác nhau (một nhóm tốt hơn cái khác). Để thực hiện so sánh Bayesian của các bộ phân loại và tính toán các xác suất này, chúng tôi đã sử dụng thư viện baycomp (phiên bản 1.0.2) cho Python 3.6.4.

Mô hình dự đoán

Chúng tôi đã xây dựng các mô hình dự đoán bằng cách sử dụng tổng số mười biến thể của các sơ đồ mô hình của chúng tôi để dự đoán (phân loại) kết quả của xét nghiệm MoCA của mỗi bệnh nhân hoặc mức độ nghiêm trọng của chẩn đoán lâm sàng. Tất cả người học đều được áp dụng và các mô hình được xây dựng bằng nền tảng phần mềm mã nguồn mở Weka [20]. Đối với phân tích sơ bộ của chúng tôi, chúng tôi đã sử dụng 10 thuật toán học tập thường được sử dụng: 5-Láng giềng gần nhất, hai phiên bản của cây quyết định C4.5, Hồi quy logistic, Multilayer Perceptron, Naïve Bayes, hai phiên bản của Random Forest, Radial Basis Function Network và Support Vector Cỗ máy. Các thuộc tính chính và sự tương phản của các thuật toán này đã được mô tả ở phần khác [21] (xem Phụ lục tương ứng). Chúng được chọn vì chúng đại diện cho nhiều loại người học khác nhau và vì chúng tôi đã chứng minh sự thành công khi sử dụng chúng trong các phân tích trước đây về dữ liệu tương tự. Cài đặt siêu tham số được chọn từ nghiên cứu trước đây của chúng tôi cho thấy chúng hoạt động tốt trên nhiều loại dữ liệu khác nhau [22]. Dựa trên kết quả phân tích sơ bộ của chúng tôi bằng cách sử dụng cùng một tập dữ liệu kết hợp với các tính năng phổ biến được sử dụng sau đó trong phân tích đầy đủ, chúng tôi đã xác định ba học viên cung cấp hiệu suất mạnh mẽ nhất quán trên tất cả các phân loại: Hồi quy logistic, Naïve Bayes và Máy vectơ hỗ trợ.

Xác thực chéo và chỉ số hiệu suất mô hình

Đối với tất cả các mô hình dự đoán (bao gồm cả các phân tích sơ bộ), mỗi mô hình được xây dựng bằng cách sử dụng xác nhận chéo 10 lần và hiệu suất mô hình được đo bằng cách sử dụng Khu vực dưới đường cong đặc tính hoạt động của máy thu (AUC). Việc xác nhận chéo bắt đầu bằng việc chia ngẫu nhiên mỗi trong số 10 bộ dữ liệu lược đồ mô hình thành 10 phân đoạn bằng nhau (các nếp gấp), sử dụng chín phân đoạn tương ứng này để đào tạo mô hình và phân đoạn còn lại để thử nghiệm. Quy trình này được lặp lại 10 lần, sử dụng một phân đoạn khác làm bộ thử nghiệm trong mỗi lần lặp. Các kết quả sau đó được kết hợp để tính toán kết quả / hiệu suất cuối cùng của mô hình. Đối với mỗi kết hợp người học / tập dữ liệu, toàn bộ quá trình này được lặp lại 10 lần với dữ liệu được chia khác nhau mỗi lần. Bước cuối cùng này làm giảm sự sai lệch, đảm bảo khả năng tái tạo và giúp xác định hiệu suất tổng thể của mô hình. Tổng cộng (đối với điểm MoCA và sơ đồ phân loại mức độ nghiêm trọng chẩn đoán kết hợp), 6,600 mô hình đã được xây dựng. Điều này bao gồm 1,800 mô hình chưa được lọc (6 sơ đồ mô hình được áp dụng cho tập dữ liệu × 3 người học × 10 lần chạy × 10 lần gấp = 1,800 mô hình) và 4,800 mô hình đã lọc (4 sơ đồ mô hình được áp dụng cho tập dữ liệu × 3 người học × 4 kỹ thuật lựa chọn tính năng × 10 lần chạy × 10 lần gấp = 4,800 kiểu).

Lựa chọn tính năng

Đối với các mô hình được lọc, việc lựa chọn tính năng (sử dụng bốn phương pháp xếp hạng tính năng) được thực hiện trong quá trình xác nhận chéo. Đối với mỗi phần trong số 10 phần, vì 10% khác nhau của tập dữ liệu là dữ liệu thử nghiệm, chỉ bốn tính năng được chọn hàng đầu cho mỗi tập dữ liệu huấn luyện (tức là chín phần còn lại hoặc 90% còn lại của toàn bộ tập dữ liệu) được sử dụng để xây dựng các mô hình. Chúng tôi không thể xác nhận bốn tính năng nào đã được sử dụng trong mỗi mô hình, vì thông tin đó không được lưu trữ hoặc cung cấp trong nền tảng mô hình mà chúng tôi đã sử dụng (Weka). Tuy nhiên, với sự nhất quán trong lựa chọn ban đầu của chúng tôi về các tính năng hàng đầu khi các bộ xếp hạng được áp dụng cho toàn bộ tập dữ liệu kết hợp và sự giống nhau sau đó trong các buổi biểu diễn mô hình, các tính năng tương tự này (tuổi, năm học, MTx-% C và MTx-RT trung bình ) có thể là bốn phổ biến nhất được sử dụng đồng thời với lựa chọn tính năng trong quá trình xác nhận chéo.

KẾT QUẢ

Đặc điểm số lượng của người tham gia (bao gồm điểm MoCA và số liệu hiệu suất MemTrax) của bộ dữ liệu tương ứng cho từng chiến lược phân loại mô hình để dự đoán sức khỏe nhận thức do MoCA chỉ định (bình thường so với MCI) và mức độ nghiêm trọng của chẩn đoán (nhẹ so với nghiêm trọng) được trình bày trong Bảng 3.

Bảng 3

Đặc điểm của người tham gia, điểm MoCA và hiệu suất MemTrax cho từng chiến lược phân loại mô hình

Chiến lược phân loạiĐộ tuổiĐào tạoMoCA đã điều chỉnhMoCA chưa được điều chỉnhMTx-%CMTx-RT
Hạng mục MoCA61.9 năm (13.1)9.6 năm (4.6)19.2 (6.5)18.4 (6.7)74.8% (15.0)1.4 giây (0.3)
Mức độ nghiêm trọng của chẩn đoán65.6 năm (12.1)8.6 năm (4.4)16.7 (6.2)15.8 (6.3)68.3% (13.8)1.5 giây (0.3)

Các giá trị được hiển thị (trung bình, SD) được phân biệt bằng các chiến lược phân loại mô hình là đại diện cho tập dữ liệu kết hợp được sử dụng để dự đoán sức khỏe nhận thức do MoCA chỉ định (MCI so với bình thường) và tập dữ liệu phụ XL chỉ được sử dụng để dự đoán mức độ nghiêm trọng của chẩn đoán (nhẹ so với nghiêm trọng).

Đối với mỗi kết hợp điểm MoCA (đã điều chỉnh / chưa điều chỉnh) và ngưỡng (26/23), có sự khác biệt thống kê (p = 0.000) trong mỗi phép so sánh theo cặp (sức khỏe nhận thức bình thường so với MCI) cho độ tuổi, trình độ học vấn và hiệu suất MemTrax (MTx-% C và MTx-RT). Mỗi tập dữ liệu phụ bệnh nhân trong lớp MCI tương ứng cho mỗi kết hợp trung bình khoảng 9 đến 15 tuổi, được báo cáo khoảng năm năm giáo dục ít hơn và có hiệu suất MemTrax kém thuận lợi hơn cho cả hai chỉ số.

Kết quả hiệu suất mô hình dự đoán cho các phân loại điểm MoCA bằng cách sử dụng ba người học hàng đầu, Logistic Regression, Naïve Bayes và Máy vectơ hỗ trợ, được hiển thị trong Bảng 4. Ba kết quả này được chọn dựa trên hiệu suất tuyệt đối cao nhất của người học trên tất cả các mô hình khác nhau được áp dụng cho bộ dữ liệu cho tất cả các lược đồ mô hình hóa. Đối với tập dữ liệu và mô hình chưa được lọc, mỗi giá trị dữ liệu trong Bảng 4 cho biết hiệu suất của mô hình dựa trên giá trị trung bình tương ứng AUC thu được từ 100 mô hình (10 lần chạy × 10 lần) được xây dựng cho mỗi kết hợp người học / sơ đồ mô hình, với giá trị cao nhất tương ứng biểu diễn người học được in đậm. Trong khi đối với mô hình tập dữ liệu đã lọc, kết quả được báo cáo trong Bảng 4 phản ánh hiệu suất mô hình trung bình tổng thể từ 400 mô hình cho mỗi người học bằng cách sử dụng từng phương pháp xếp hạng tính năng (4 phương pháp xếp hạng tính năng × 10 lần chạy × 10 lần).

Bảng 4

Kết quả phân loại điểm MoCA lưỡng tính (AUC; 0.0–1.0) cho mỗi người trong số ba người học có hiệu suất cao nhất cho tất cả các sơ đồ mô hình tương ứng

Bộ tính năng đã sử dụngĐiểm MoCANgưỡng cắtHồi quy logisticBayes ngây thơMáy hỗ trợ vector
Không lọc (10 tính năng)Điều chỉnh230.88620.89130.8695
260.89710.92210.9161
Chưa điều chỉnh230.91030.90850.8995
260.88340.91530.8994
Đã lọc (4 tính năng)Điều chỉnh230.89290.89540.8948
260.91880.92470.9201
Chưa điều chỉnh230.91350.91340.9122
260.91590.92360.9177

Sử dụng các biến thể của bộ tính năng, điểm MoCA và ngưỡng giới hạn điểm MoCA, hiệu suất cao nhất cho mỗi sơ đồ mô hình được hiển thị trong đậm (không nhất thiết phải khác biệt về mặt thống kê so với tất cả những người khác không ở đậm cho mô hình tương ứng).

So sánh những người học trên tất cả các kết hợp của các phiên bản và ngưỡng điểm MoCA (đã điều chỉnh / chưa điều chỉnh và 23/26, tương ứng) trong tập dữ liệu chưa được lọc kết hợp (tức là sử dụng 10 tính năng chung), Naïve Bayes nói chung là người học có hiệu suất cao nhất với tổng thể hiệu suất phân loại 0.9093. Xem xét ba người học hàng đầu, các bài kiểm tra xếp hạng có chữ ký tương quan Bayes đã chỉ ra rằng xác suất (Pr) của Naïve Bayes vượt trội hơn so với Logistic Regression là 99.9%. Hơn nữa, giữa Naïve Bayes và Máy hỗ trợ, 21.0% xác suất tương đương thực tế về hiệu suất của người học (do đó, xác suất 79.0% Naïve Bayes hoạt động tốt hơn Máy hỗ trợ), cùng với xác suất 0.0% của Máy hỗ trợ hoạt động tốt hơn, có thể đo lường được củng cố lợi thế về hiệu suất cho Naïve Bayes. So sánh thêm về phiên bản điểm MoCA trên tất cả người học / ngưỡng cho thấy một chút lợi thế về hiệu suất khi sử dụng điểm MoCA chưa điều chỉnh so với đã điều chỉnh (tương ứng là 0.9027 so với 0.8971; Pr (chưa điều chỉnh> đã điều chỉnh) = 0.988). Tương tự, so sánh ngưỡng giới hạn trên tất cả người học và phiên bản điểm MoCA cho thấy một lợi thế về hiệu suất phân loại nhỏ khi sử dụng 26 làm ngưỡng phân loại so với 23 (tương ứng là 0.9056 so với 0.8942; Pr (26> 23) = 0.999). Cuối cùng, kiểm tra hiệu suất phân loại cho các mô hình chỉ sử dụng kết quả đã lọc (tức là chỉ bốn tính năng được xếp hạng cao nhất), Naïve Bayes (0.9143) về mặt số học là người học có hiệu suất cao nhất trên tất cả các phiên bản / ngưỡng điểm MoCA. Tuy nhiên, trên tất cả các kỹ thuật xếp hạng tính năng được kết hợp, tất cả những người học có hiệu suất cao nhất đều thực hiện tương tự. Các bài kiểm tra xếp hạng có chữ ký của Bayes cho thấy 100% xác suất tương đương thực tế giữa mỗi cặp người học được lọc. Cũng như dữ liệu chưa được lọc (sử dụng tất cả 10 tính năng phổ biến), một lần nữa lợi thế về hiệu suất cho phiên bản chưa điều chỉnh của điểm MoCA (Pr (chưa điều chỉnh> đã điều chỉnh) = 1.000), cũng như một lợi thế khác biệt tương tự cho ngưỡng phân loại là 26 (Pr (26> 23) = 1.000). Đáng chú ý, hiệu suất trung bình của mỗi người trong số ba người học hàng đầu trên tất cả các phiên bản / ngưỡng điểm MoCA chỉ sử dụng bốn tính năng được xếp hạng cao nhất đã vượt quá hiệu suất trung bình của bất kỳ người học nào trên dữ liệu chưa được lọc. Không có gì ngạc nhiên khi hiệu suất phân loại của các mô hình được lọc (sử dụng bốn tính năng được xếp hạng cao nhất) nói chung là cao hơn (0.9119) so với các mô hình không được lọc (0.8999), bất kể các mô hình phương pháp xếp hạng tính năng được so sánh với các mô hình tương ứng sử dụng tất cả 10 phổ biến Tính năng, đặc điểm. Đối với mỗi phương pháp lựa chọn tính năng, có 100% xác suất đạt được lợi thế về hiệu suất so với các mô hình chưa được lọc.

Với những bệnh nhân được xem xét để phân loại mức độ nghiêm trọng của chẩn đoán AD, sự khác biệt giữa các nhóm (MCI-AD so với AD) theo tuổi (p = 0.004), giáo dục (p = 0.028), điểm MoCA đã điều chỉnh / không điều chỉnh (p = 0.000) và MTx-% C (p = 0.008) có ý nghĩa thống kê; trong khi đối với MTx-RT thì không (p = 0.097). Với những bệnh nhân được xem xét để phân loại mức độ nghiêm trọng của chẩn đoán VaD, sự khác biệt giữa các nhóm (MCI-VaD so với VaD) đối với điểm MoCA đã được điều chỉnh / không điều chỉnh (p = 0.007) và MTx-% C (p = 0.026) và MTx-RT (p = 0.001) có ý nghĩa thống kê; trong khi đối với tuổi (p = 0.511) và giáo dục (p = 0.157) không có sự khác biệt đáng kể giữa các nhóm.

Kết quả hiệu suất mô hình dự đoán cho các phân loại mức độ nghiêm trọng của chẩn đoán bằng cách sử dụng ba người học đã chọn trước đó, Logistic Regression, Naïve Bayes và Máy vectơ hỗ trợ, được hiển thị trong Bảng 5. Trong khi những người học được kiểm tra bổ sung thể hiện hiệu suất mạnh hơn một chút với một trong hai loại chẩn đoán lâm sàng , ba người học mà chúng tôi đã xác định là thuận lợi nhất trong mô hình trước đây của chúng tôi đã cung cấp hiệu suất nhất quán nhất với cả hai chương trình mô hình mới. So sánh những người học trên từng danh mục chẩn đoán chính (AD và VaD), không có sự khác biệt về hiệu suất phân loại nhất quán giữa những người học cho MCI-VaD và VaD, mặc dù Máy hỗ trợ nói chung hoạt động nổi bật hơn. Tương tự, không có sự khác biệt đáng kể giữa những người học đối với phân loại MCI-AD so với AD, mặc dù Naïve Bayes (NB) có một chút lợi thế về hiệu suất so với Logistic Regression (LR) và chỉ là một số lượng không đáng kể so với Support Vector Machine, với xác suất là 61.4% và lần lượt là 41.7%. Trên cả hai tập dữ liệu, có một lợi thế về hiệu suất tổng thể cho Máy hỗ trợ vectơ (SVM), với Pr (SVM> LR) = 0.819 và Pr (SVM> NB) = 0.934. Hiệu suất phân loại tổng thể của chúng tôi trên tất cả người học trong việc dự đoán mức độ nghiêm trọng của chẩn đoán trong tập dữ liệu phụ XL tốt hơn trong danh mục chẩn đoán VaD so với AD (Pr (VAD> AD) = 0.998).

Bảng 5

Kết quả phân loại mức độ nghiêm trọng chẩn đoán lâm sàng lưỡng tính (AUC; 0.0–1.0) cho mỗi người trong số ba người học có hiệu suất cao nhất cho cả hai chương trình mô hình tương ứng

Lược đồ mô hình hóaHồi quy logisticBayes ngây thơMáy hỗ trợ vector
MCI-AD so với AD0.74650.78100.7443
MCI-VaD so với VaD0.80330.80440.8338

Hiệu suất cao nhất cho mỗi lược đồ mô hình được hiển thị trong đậm (không nhất thiết phải khác biệt về mặt thống kê so với những người khác không ở đậm).

THẢO LUẬN

Phát hiện sớm những thay đổi về sức khỏe nhận thức có ý nghĩa quan trọng tiện ích thiết thực trong quản lý sức khỏe cá nhân và sức khỏe cộng đồng. Thật vậy, nó cũng là một ưu tiên rất cao trong môi trường lâm sàng cho bệnh nhân trên toàn thế giới. Mục tiêu được chia sẻ là cảnh báo cho bệnh nhân, người chăm sóc và nhà cung cấp, đồng thời nhanh chóng đưa ra phương pháp điều trị phù hợp và tiết kiệm chi phí sớm hơn cũng như chăm sóc lâu dài cho những người bắt đầu bị suy giảm nhận thức. Hợp nhất ba tập hợp con dữ liệu bệnh viện/phòng khám của chúng tôi, chúng tôi đã xác định được ba người học được ưu tiên đặc biệt (với một người nổi bật đáng chú ý –Naïve Bayes) để xây dựng các mô hình dự đoán bằng cách sử dụng Số liệu hiệu suất MemTrax có thể phân loại đáng tin cậy tình trạng sức khỏe nhận thức phân đôi (sức khỏe nhận thức bình thường hoặc MCI) như sẽ được biểu thị bằng điểm tổng hợp MoCA. Đáng chú ý, hiệu suất phân loại tổng thể cho cả ba người học được cải thiện khi các mô hình của chúng tôi chỉ sử dụng bốn tính năng được xếp hạng hàng đầu chủ yếu bao gồm các chỉ số hiệu suất MemTrax này. Hơn nữa, chúng tôi đã tiết lộ tiềm năng đã được chứng minh trong việc sử dụng cùng các chỉ số hiệu suất của người học và MemTrax trong sơ đồ mô hình phân loại hỗ trợ chẩn đoán để phân biệt mức độ nghiêm trọng của hai loại chẩn đoán sa sút trí tuệ: AD và VaD.

Kiểm tra bộ nhớ là trung tâm để phát hiện sớm AD [23, 24]. Do đó, MemTrax là một công cụ trực tuyến được chấp nhận, hấp dẫn và dễ triển khai. kiểm tra sàng lọc cho bộ nhớ giai đoạn trong dân số nói chung [6]. Độ chính xác của công nhận và thời gian phản hồi từ nhiệm vụ thực hiện liên tục này đặc biệt tiết lộ trong việc xác định sự suy giảm sớm và đang phát triển cũng như hậu quả là sự thiếu hụt trong các quá trình tạo hình thần kinh liên quan đến học tập, trí nhớ và nhận thức. Nghĩa là, các mô hình ở đây chủ yếu dựa trên các số liệu đo lường hiệu suất MemTrax rất nhạy cảm và có nhiều khả năng dễ dàng và với chi phí tối thiểu cho thấy sự thiếu hụt bệnh lý thần kinh sinh học trong giai đoạn chuyển tiếp không có triệu chứng trước khi mất chức năng đáng kể hơn [25]. Ashford và cộng sự. đã kiểm tra chặt chẽ các mô hình và hành vi về độ chính xác của bộ nhớ nhận dạng và thời gian phản hồi ở những người dùng trực tuyến đã tự mình tham gia với MemTrax [6]. Tôn trọng rằng các bản phân phối này rất quan trọng trong việc lập mô hình tối ưu và phát triển các ứng dụng chăm sóc bệnh nhân hợp lệ và hiệu quả, việc xác định hồ sơ thời gian phản hồi và nhận dạng có thể áp dụng lâm sàng là điều cần thiết trong việc thiết lập một tài liệu tham khảo cơ bản có giá trị cho tiện ích lâm sàng và nghiên cứu. Sau đó, giá trị thực tế của MemTrax trong sàng lọc AD đối với tình trạng suy giảm nhận thức ở giai đoạn đầu và hỗ trợ chẩn đoán phân biệt cần được kiểm tra chặt chẽ hơn trong bối cảnh của một cơ sở lâm sàng nơi có thể xem xét các bệnh đi kèm và khả năng nhận thức, cảm giác và vận động ảnh hưởng đến hiệu suất xét nghiệm. Và để cung cấp thông tin về quan điểm chuyên môn và khuyến khích tiện ích lâm sàng thực tế, trước tiên, điều bắt buộc là phải chứng minh sự so sánh với bài kiểm tra đánh giá sức khỏe nhận thức đã được thiết lập, mặc dù bài kiểm tra sau có thể bị hạn chế rõ ràng bởi hậu cần kiểm tra rườm rà, rào cản giáo dục và ngôn ngữ cũng như ảnh hưởng văn hóa [26] . Về vấn đề này, việc so sánh thuận lợi giữa MemTrax về hiệu quả lâm sàng với MoCA thường được coi là tiêu chuẩn ngành là rất quan trọng, đặc biệt khi cân nhắc mức độ dễ sử dụng và sự chấp nhận của bệnh nhân đối với MemTrax.

Cuộc thăm dò trước đây so sánh MemTrax với MoCA làm nổi bật cơ sở lý luận và bằng chứng sơ bộ đảm bảo cho cuộc điều tra mô hình hóa của chúng tôi [8]. Tuy nhiên, so sánh trước này chỉ liên kết hai số liệu hiệu suất chính của MemTrax mà chúng tôi đã kiểm tra với trạng thái nhận thức do MoCA xác định và xác định các phạm vi và giá trị ngưỡng tương ứng. Chúng tôi đã đào sâu đánh giá tiện ích lâm sàng của MemTrax bằng cách khám phá phương pháp tiếp cận dựa trên mô hình dự đoán sẽ cung cấp sự cân nhắc cá nhân hóa hơn về các thông số cụ thể có liên quan đến bệnh nhân khác. Ngược lại với những người khác, chúng tôi không tìm thấy lợi thế về hiệu suất mô hình bằng cách sử dụng hiệu chỉnh giáo dục (điều chỉnh) đối với điểm MoCA hoặc trong việc thay đổi ngưỡng điểm tổng hợp MoCA phân biệt sức khỏe nhận thức từ mức 26 đến 23 được khuyến nghị ban đầu [12, 15]. Trên thực tế, lợi thế về hiệu suất phân loại được ưu tiên sử dụng điểm MoCA chưa điều chỉnh và ngưỡng cao hơn.

Những điểm chính trong thực hành lâm sàng

Học máy thường được sử dụng tốt nhất và hiệu quả nhất trong mô hình dự đoán khi dữ liệu mở rộng và đa chiều, tức là khi có nhiều quan sát và một loạt các thuộc tính giá trị cao (đóng góp) đồng thời. Tuy nhiên, với những dữ liệu hiện tại này, các mô hình được lọc chỉ có bốn tính năng được chọn hoạt động tốt hơn những mô hình sử dụng tất cả 10 tính năng phổ biến. Điều này cho thấy rằng tập dữ liệu bệnh viện tổng hợp của chúng tôi không có các tính năng phù hợp nhất về mặt lâm sàng (giá trị cao) để phân loại bệnh nhân một cách tối ưu theo cách này. Tuy nhiên, xếp hạng tính năng nhấn mạnh vào các chỉ số hiệu suất chính của MemTrax — MTx-% C và MTx-RT — hỗ trợ mạnh mẽ việc xây dựng các mô hình sàng lọc thiếu hụt nhận thức giai đoạn đầu xung quanh thử nghiệm này, đơn giản, dễ quản lý, chi phí thấp và tiết lộ một cách khéo léo về hiệu suất bộ nhớ, ít nhất là ngay bây giờ như một màn hình ban đầu để phân loại nhị phân về tình trạng sức khỏe nhận thức. Với sự căng thẳng ngày càng gia tăng đối với các nhà cung cấp và hệ thống chăm sóc sức khỏe, các quy trình sàng lọc bệnh nhân và các ứng dụng lâm sàng cần được phát triển phù hợp với trọng tâm là thu thập, theo dõi và mô hình hóa các đặc điểm của bệnh nhân và các chỉ số xét nghiệm hữu ích nhất, thuận lợi và được chứng minh là hiệu quả trong chẩn đoán và hỗ trợ quản lý bệnh nhân.

Với hai chỉ số MemTrax chính là trọng tâm trong phân loại MCI, người học giỏi nhất của chúng tôi (Naïve Bayes) đã có hiệu suất dự đoán rất cao trong hầu hết các mô hình (AUC trên 0.90) với tỷ lệ dương tính thật đến dương tính giả gần hoặc vượt quá 4 : 1. Một ứng dụng lâm sàng tịnh tiến bằng cách sử dụng người học này, do đó sẽ nắm bắt (phân loại chính xác) hầu hết những người bị thiếu hụt nhận thức, đồng thời giảm thiểu chi phí liên quan đến việc phân loại nhầm người có sức khỏe nhận thức bình thường là bị thiếu hụt nhận thức (dương tính giả) hoặc thiếu phân loại đó ở những người bị thiếu hụt nhận thức (âm tính giả). Một trong những tình huống phân loại sai này có thể tạo ra gánh nặng tâm lý - xã hội không đáng có cho bệnh nhân và người chăm sóc.

Trong khi trong các phân tích sơ bộ và đầy đủ, chúng tôi đã sử dụng tất cả mười người học trong mỗi sơ đồ mô hình hóa, chúng tôi tập trung kết quả của mình vào ba bộ phân loại cho thấy hiệu suất mạnh mẽ nhất quán. Điều này cũng để làm nổi bật, dựa trên những dữ liệu này, những người học được dự đoán sẽ thực hiện một cách đáng tin cậy ở mức độ cao trong một ứng dụng lâm sàng thực tế trong việc xác định phân loại tình trạng nhận thức. Hơn nữa, vì nghiên cứu này nhằm mục đích điều tra giới thiệu về tiện ích của máy học trong việc sàng lọc nhận thức và những thách thức lâm sàng kịp thời này, chúng tôi đã quyết định giữ cho các kỹ thuật học tập đơn giản và tổng quát, với sự điều chỉnh thông số tối thiểu. Chúng tôi đánh giá cao rằng cách tiếp cận này có thể đã hạn chế tiềm năng cho các khả năng dự đoán bệnh nhân cụ thể được xác định hẹp hơn. Tương tự như vậy, trong khi việc đào tạo các mô hình chỉ sử dụng các tính năng hàng đầu (cách tiếp cận được lọc) thông báo cho chúng tôi thêm về những dữ liệu này (cụ thể về những thiếu sót trong dữ liệu được thu thập và làm nổi bật giá trị trong việc tối ưu hóa thời gian và nguồn lực khám chữa bệnh quý giá), chúng tôi nhận ra rằng còn quá sớm để thu hẹp phạm vi của các mô hình và do đó, tất cả (và các tính năng khác) nên được xem xét với nghiên cứu trong tương lai cho đến khi chúng tôi có một hồ sơ rõ ràng hơn về các tính năng ưu tiên có thể áp dụng cho toàn bộ dân số. Do đó, chúng tôi cũng hoàn toàn nhận thấy rằng dữ liệu bao trùm và đại diện rộng rãi hơn và việc tối ưu hóa các mô hình này và các mô hình khác sẽ là cần thiết trước khi tích hợp chúng vào một ứng dụng lâm sàng hiệu quả, đặc biệt là để điều chỉnh các bệnh đi kèm ảnh hưởng đến hoạt động nhận thức cần được xem xét trong đánh giá lâm sàng sâu hơn.

Tiện ích của MemTrax đã được chỉnh sửa thêm bằng cách mô hình hóa mức độ nghiêm trọng của bệnh dựa trên chẩn đoán lâm sàng riêng biệt. Hiệu suất phân loại tổng thể tốt hơn trong việc dự đoán mức độ nghiêm trọng của VaD (so với AD) không đáng ngạc nhiên với các tính năng hồ sơ bệnh nhân trong các mô hình dành riêng cho sức khỏe mạch máu và nguy cơ đột quỵ, tức là tăng huyết áp, tăng lipid máu, tiểu đường và (tất nhiên) tiền sử đột quỵ. Mặc dù sẽ tốt hơn và phù hợp hơn nếu tiến hành đánh giá lâm sàng tương tự trên những bệnh nhân phù hợp có sức khỏe nhận thức bình thường để đào tạo người học với những dữ liệu toàn diện hơn này. Điều này đặc biệt được đảm bảo, vì MemTrax chủ yếu được sử dụng để phát hiện giai đoạn đầu của sự thiếu hụt nhận thức và theo dõi sự thay đổi cá nhân sau đó. Cũng có thể là việc phân phối dữ liệu mong muốn hơn trong bộ dữ liệu VaD đã đóng góp một phần vào hiệu suất lập mô hình tương đối tốt hơn. Bộ dữ liệu VaD được cân bằng tốt giữa hai lớp, trong khi bộ dữ liệu AD có ít bệnh nhân MCI hơn thì không. Đặc biệt trong các tập dữ liệu nhỏ, thậm chí một vài trường hợp bổ sung cũng có thể tạo ra sự khác biệt có thể đo lường được. Cả hai quan điểm đều là những lập luận hợp lý làm cơ sở cho sự khác biệt trong hiệu suất mô hình hóa mức độ nghiêm trọng của bệnh. Tuy nhiên, việc phân bổ hiệu suất được cải thiện một cách tương xứng cho các đặc điểm số của tập dữ liệu hoặc các đặc điểm vốn có dành riêng cho biểu hiện lâm sàng đang được xem xét là quá sớm. Tuy nhiên, cuốn tiểu thuyết này đã chứng minh tiện ích của mô hình phân loại dự đoán MemTrax trong vai trò hỗ trợ chẩn đoán lâm sàng cung cấp quan điểm có giá trị và khẳng định việc theo đuổi kiểm tra bổ sung với bệnh nhân trong suốt quá trình MCI liên tục.

Việc triển khai và chứng minh tiện ích của MemTrax và các mô hình này ở Trung Quốc, nơi ngôn ngữ và văn hóa khác biệt đáng kể so với các khu vực khác của tiện ích đã được thiết lập (ví dụ: Pháp, Hà Lan và Hoa Kỳ) [7, 8, 27], càng nhấn mạnh tiềm năng để được chấp nhận rộng rãi trên toàn cầu và giá trị lâm sàng của nền tảng dựa trên MemTrax. Đây là một ví dụ điển hình trong việc phấn đấu hướng tới hài hòa dữ liệu và phát triển các tiêu chuẩn quốc tế thực tế và các nguồn tài nguyên mô hình hóa để sàng lọc nhận thức được tiêu chuẩn hóa và dễ dàng điều chỉnh để sử dụng trên toàn thế giới.

Các bước tiếp theo trong mô hình và ứng dụng suy giảm nhận thức

Rối loạn chức năng nhận thức trong AD thực sự xảy ra liên tục, không theo từng giai đoạn hoặc bước rời rạc [28, 29]. Tuy nhiên, ở giai đoạn đầu này, mục tiêu của chúng tôi trước tiên là thiết lập khả năng xây dựng một mô hình kết hợp MemTrax mà về cơ bản có thể phân biệt “bình thường” với “không bình thường”. Dữ liệu thực nghiệm toàn diện hơn (ví dụ: hình ảnh não, đặc điểm di truyền, dấu ấn sinh học, bệnh đi kèm và dấu hiệu chức năng của phức hợp hoạt động đòi hỏi nhận thức control) [30] trên các khu vực, dân số và nhóm tuổi khác nhau trên toàn cầu để đào tạo và phát triển các mô hình học máy phức tạp hơn (bao gồm cả tập hợp có trọng số phù hợp) sẽ hỗ trợ mức độ phân loại nâng cao cao hơn, nghĩa là khả năng phân loại các nhóm bệnh nhân mắc bệnh MCI thành các tập hợp con nhỏ hơn và rõ ràng hơn dọc theo chuỗi liên tục suy giảm nhận thức. Hơn nữa, chẩn đoán lâm sàng đồng thời cho các cá nhân trong quần thể bệnh nhân đa dạng trong khu vực là điều cần thiết để đào tạo hiệu quả những mô hình toàn diện hơn và mạnh mẽ hơn có thể dự đoán được. Điều này sẽ tạo điều kiện quản lý trường hợp phân tầng cụ thể hơn cho những người có nền tảng, ảnh hưởng tương tự và hồ sơ nhận thức đặc trưng được xác định hẹp hơn và do đó tối ưu hóa hỗ trợ quyết định lâm sàng và chăm sóc bệnh nhân.

Phần lớn các nghiên cứu lâm sàng có liên quan cho đến nay đã đề cập đến những bệnh nhân mắc chứng mất trí nhớ ít nhất là nhẹ; và, trong thực tế, quá thường xuyên can thiệp bệnh nhân chỉ được cố gắng ở giai đoạn tiến triển. Tuy nhiên, do tình trạng suy giảm nhận thức bắt đầu từ lâu trước khi đáp ứng các tiêu chí lâm sàng về chứng sa sút trí tuệ, nên việc sàng lọc sớm dựa trên MemTrax được áp dụng hiệu quả có thể khuyến khích giáo dục phù hợp cho các cá nhân về căn bệnh này cũng như các tiến triển của bệnh, đồng thời đưa ra các biện pháp can thiệp kịp thời và sớm hơn. Do đó, phát hiện sớm có thể hỗ trợ các hoạt động phù hợp từ tập thể dục, chế độ ăn uống, hỗ trợ tinh thần và cải thiện xã hội hóa đến can thiệp dược lý và củng cố những thay đổi liên quan đến hành vi và nhận thức của bệnh nhân mà riêng lẻ hoặc tổng hợp có thể giảm thiểu hoặc có khả năng ngăn chặn sự tiến triển của chứng mất trí nhớ [31, 32] . Hơn nữa, với hiệu quả sàng lọc sớm, các cá nhân và gia đình của họ có thể được khuyến khích xem xét các thử nghiệm lâm sàng hoặc nhận tư vấn và hỗ trợ từ các dịch vụ xã hội khác để giúp làm rõ những kỳ vọng và ý định cũng như quản lý các công việc hàng ngày. Xác nhận thêm và tiện ích thực tế rộng rãi theo những cách này có thể là công cụ giúp giảm thiểu hoặc ngăn chặn sự tiến triển của MCI, AD và ADRD cho nhiều cá nhân.

Thật vậy, mức thấp nhất của độ tuổi bệnh nhân trong nghiên cứu của chúng tôi không đại diện cho dân số có mối quan tâm truyền thống với AD. Tuy nhiên, độ tuổi trung bình của mỗi nhóm được sử dụng trong các sơ đồ mô hình phân loại dựa trên điểm/ngưỡng MoCA và mức độ nghiêm trọng của chẩn đoán (Bảng 3) nhấn mạnh phần lớn rõ ràng (trên 80%) ít nhất là 50 tuổi. Do đó, phân phối này rất phù hợp để khái quát hóa, hỗ trợ tiện ích của các mô hình này trong dân số đặc trưng cho những người thường bị ảnh hưởng bởi khởi đầu sớm và bệnh nhận thức thần kinh đang phát triển do AD và VaD. Ngoài ra, bằng chứng và quan điểm gần đây nhấn mạnh những yếu tố đã được công nhận (ví dụ như tăng huyết áp, béo phì, tiểu đường và hút thuốc) có khả năng góp phần làm tăng sớm điểm rủi ro mạch máu ở người trưởng thành và trung niên và hậu quả là chấn thương não do mạch máu tiềm ẩn phát triển ngấm ngầm với những tác động rõ ràng ngay cả ở người trẻ tuổi người lớn [33–35]. Theo đó, cơ hội sàng lọc ban đầu tối ưu nhất để phát hiện sớm giai đoạn suy giảm nhận thức và bắt đầu các chiến lược can thiệp và phòng ngừa hiệu quả trong việc giải quyết thành công chứng mất trí nhớ sẽ xuất hiện từ việc kiểm tra các yếu tố góp phần và các chỉ số tiền đề trong phổ tuổi, bao gồm cả tuổi trưởng thành sớm và thậm chí cả thời thơ ấu (lưu ý sự liên quan của các yếu tố di truyền như apolipoprotein E từ thời kỳ đầu mang thai).

Trên thực tế, các chẩn đoán lâm sàng hợp lệ và các quy trình tốn kém cho hình ảnh tiên tiến, hồ sơ di truyền và đo lường các dấu ấn sinh học đầy hứa hẹn không phải lúc nào cũng có sẵn hoặc thậm chí khả thi đối với nhiều nhà cung cấp. Do đó, trong nhiều trường hợp, phân loại tình trạng sức khỏe nhận thức tổng thể ban đầu có thể phải được lấy từ các mô hình sử dụng các số liệu đơn giản khác do bệnh nhân cung cấp (ví dụ: bệnh nhân tự báo cáo vấn đề bộ nhớ, các loại thuốc hiện tại và các hạn chế hoạt động thường ngày) và các đặc điểm nhân khẩu học phổ biến [7]. Các cơ quan đăng ký như Đại học California Sức khỏe não Cơ quan đăng ký (https://www.brainhealthregistry.org/) [27] và những cơ quan khác có phạm vi rộng lớn hơn về các triệu chứng tự báo cáo, các biện pháp định tính (ví dụ: giấc ngủ và nhận thức hàng ngày), thuốc men, tình trạng sức khỏe và tiền sử, và nhân khẩu học chi tiết hơn sẽ là công cụ để phát triển và xác nhận ứng dụng thực tế của các mô hình nguyên thủy hơn này trong phòng khám. Hơn nữa, một thử nghiệm như MemTrax, đã chứng minh tiện ích trong việc đánh giá chức năng bộ nhớ, trên thực tế có thể cung cấp ước tính về bệnh lý AD tốt hơn đáng kể so với các dấu hiệu sinh học. Cho rằng đặc điểm cốt lõi của bệnh lý AD là sự gián đoạn tính dẻo dai của thần kinh và mất các khớp thần kinh cực kỳ phức tạp, biểu hiện là từng đợt rối loạn chức năng bộ nhớ, một biện pháp đánh giá bộ nhớ tình tiết có thể trên thực tế cung cấp một ước tính tốt hơn về gánh nặng bệnh lý của AD so với các dấu hiệu sinh học ở bệnh nhân còn sống [36].

Với tất cả các mô hình dự đoán — cho dù được bổ sung bởi dữ liệu phức tạp và toàn diện từ công nghệ hiện đại và những hiểu biết lâm sàng được tinh chỉnh trên nhiều lĩnh vực hoặc những mô hình giới hạn ở đặc điểm thông tin cơ bản và sẵn có hơn của hồ sơ bệnh nhân hiện có — lợi thế được công nhận của trí tuệ nhân tạo và học máy là các mô hình kết quả có thể tổng hợp và “học” một cách cảm tính từ dữ liệu và quan điểm mới có liên quan được cung cấp bởi việc sử dụng ứng dụng liên tục. Sau chuyển giao công nghệ thực tế, khi các mô hình ở đây (và sẽ được phát triển) được áp dụng và làm phong phú hơn với nhiều trường hợp và dữ liệu thích hợp hơn (bao gồm cả những bệnh nhân mắc bệnh đi kèm có thể xuất hiện kèm theo suy giảm nhận thức), hiệu suất dự đoán và phân loại sức khỏe nhận thức sẽ mạnh mẽ hơn, dẫn đến tiện ích hỗ trợ quyết định lâm sàng hiệu quả hơn. Sự phát triển này sẽ được thực hiện đầy đủ và thực tế hơn với việc nhúng MemTrax vào các nền tảng tùy chỉnh (nhắm mục tiêu đến các khả năng có sẵn) mà các nhà cung cấp dịch vụ chăm sóc sức khỏe có thể sử dụng trong thời gian thực tại phòng khám.

Bắt buộc phải xác nhận và tiện ích của mô hình MemTrax để hỗ trợ chẩn đoán và chăm sóc bệnh nhân là dữ liệu dọc có ý nghĩa được tìm kiếm nhiều. Bằng cách quan sát và ghi lại những thay đổi đồng thời (nếu có) trong tình trạng lâm sàng trong phạm vi phù hợp từ mức bình thường đến MCI giai đoạn đầu, các mô hình để đánh giá và phân loại liên tục phù hợp có thể được đào tạo và sửa đổi khi bệnh nhân già đi và được điều trị. Đó là, tiện ích lặp đi lặp lại có thể hỗ trợ theo dõi dọc các thay đổi nhận thức nhẹ, hiệu quả can thiệp và duy trì sự chăm sóc phân tầng được thông báo. Cách tiếp cận này phù hợp chặt chẽ hơn với thực hành lâm sàng và quản lý bệnh nhân và ca bệnh.

Hạn chế

Chúng tôi đánh giá cao thách thức và giá trị trong việc thu thập dữ liệu lâm sàng sạch trong môi trường phòng khám/bệnh viện được kiểm soát. Tuy nhiên, nó sẽ củng cố mô hình của chúng tôi nếu bộ dữ liệu của chúng tôi bao gồm nhiều bệnh nhân hơn với các đặc điểm chung. Hơn nữa, cụ thể đối với mô hình chẩn đoán của chúng tôi, sẽ tốt hơn và phù hợp hơn nếu tiến hành đánh giá lâm sàng tương tự trên những bệnh nhân phù hợp có sức khỏe nhận thức bình thường để đào tạo người học. Và như được nhấn mạnh bởi hiệu suất phân loại cao hơn bằng cách sử dụng bộ dữ liệu được lọc (chỉ bốn tính năng được xếp hạng hàng đầu), tổng quát hơn và các biện pháp / chỉ số sức khỏe nhận thức có thể đã được cải thiện mô hình hóa hiệu suất với nhiều tính năng phổ biến hơn trên tất cả các bệnh nhân.

Một số người tham gia nhất định có thể đồng thời trải qua các bệnh khác có thể dẫn đến thiếu hụt nhận thức tạm thời hoặc mãn tính. Khác với tập dữ liệu phụ XL trong đó bệnh nhân được phân loại chẩn đoán là mắc AD hoặc VaD, dữ liệu bệnh đi kèm không được thu thập / báo cáo trong nhóm bệnh nhân YH và tỷ lệ mắc bệnh đi kèm được báo cáo chủ yếu cho đến nay trong tập dữ liệu phụ KM là bệnh tiểu đường. Tuy nhiên, có thể tranh luận rằng việc bao gồm các bệnh nhân trong chương trình mô hình của chúng tôi với các bệnh đi kèm có thể thúc đẩy hoặc làm trầm trọng thêm mức độ thiếu hụt nhận thức và kết quả là hiệu suất MemTrax thấp hơn sẽ đại diện hơn cho quần thể bệnh nhân được nhắm mục tiêu trong thế giới thực để sàng lọc nhận thức sớm tổng quát hơn này và cách tiếp cận mô hình hóa. Trong tương lai, chẩn đoán chính xác các bệnh đi kèm có khả năng ảnh hưởng đến hiệu suất nhận thức rất có lợi cho việc tối ưu hóa các mô hình và ứng dụng chăm sóc bệnh nhân kết quả.

Cuối cùng, bệnh nhân của tập dữ liệu phụ YH và KM đã sử dụng điện thoại thông minh để làm bài kiểm tra MemTrax, trong khi một số lượng hạn chế bệnh nhân tập dữ liệu phụ XL sử dụng iPad và số còn lại sử dụng điện thoại thông minh. Điều này có thể đã tạo ra một sự khác biệt nhỏ liên quan đến thiết bị trong hiệu suất MemTrax đối với mô hình phân loại MoCA. Tuy nhiên, sự khác biệt (nếu có) trong MTx-RT, ví dụ, giữa các thiết bị có thể sẽ không đáng kể, đặc biệt với việc mỗi người tham gia được thực hiện một bài kiểm tra “thực hành” ngay trước khi thực hiện kiểm tra được ghi lại. Tuy nhiên, tiện ích của hai thiết bị cầm tay này có khả năng ảnh hưởng đến việc so sánh trực tiếp và / hoặc tích hợp với các kết quả MemTrax khác trong đó người dùng phản hồi để lặp lại hình ảnh bằng cách chạm vào phím cách trên bàn phím máy tính.

Các điểm chính về tiện ích mô hình dự đoán MemTrax

  • • Các mô hình dự đoán hoạt động hàng đầu của chúng tôi bao gồm các chỉ số hiệu suất MemTrax đã chọn có thể phân loại một cách đáng tin cậy tình trạng sức khỏe nhận thức (sức khỏe nhận thức bình thường hoặc MCI) như được chỉ ra bởi bài kiểm tra MoCA được công nhận rộng rãi.
  • • Những kết quả này hỗ trợ tích hợp các số liệu hiệu suất MemTrax đã chọn vào một ứng dụng sàng lọc mô hình dự đoán phân loại cho chứng suy giảm nhận thức giai đoạn đầu.
  • • Mô hình phân loại của chúng tôi cũng cho thấy tiềm năng sử dụng hiệu suất MemTrax trong các ứng dụng để phân biệt mức độ nghiêm trọng của chẩn đoán sa sút trí tuệ.

Những phát hiện mới này thiết lập bằng chứng xác thực hỗ trợ tiện ích của học máy trong việc xây dựng các mô hình phân loại dựa trên MemTrax mạnh mẽ được nâng cao để hỗ trợ chẩn đoán trong việc quản lý ca bệnh lâm sàng hiệu quả và chăm sóc bệnh nhân cho những người bị suy giảm nhận thức.

LỜI CẢM ƠN

Chúng tôi công nhận công việc của J. Wesson Ashford, Curtis B. Ashford và các đồng nghiệp đã phát triển và xác thực nhiệm vụ và công cụ nhận dạng liên tục trực tuyến (MemTrax) được sử dụng ở đây và chúng tôi rất biết ơn nhiều bệnh nhân mắc chứng mất trí nhớ đã đóng góp cho nghiên cứu cơ bản quan trọng này . Chúng tôi cũng cảm ơn Xianbo Zhou và các đồng nghiệp của anh ấy tại SJN Biomed LTD, các đồng nghiệp và cộng tác viên của anh ấy tại các bệnh viện/phòng khám, đặc biệt là Tiến sĩ. M. Luo và M. Zhong, những người đã giúp tuyển dụng người tham gia, lên lịch kiểm tra và thu thập, ghi lại và quản lý dữ liệu từ đầu, cũng như những người tham gia tình nguyện đã đóng góp thời gian quý báu của họ và cam kết thực hiện các bài kiểm tra và cung cấp dữ liệu có giá trị để chúng tôi đánh giá trong nghiên cứu này. Đây nghiên cứu được hỗ trợ một phần bởi Nghiên cứu Khoa học MD Chương trình của Đại học Y Côn Minh (Giấy phép số 2017BS028 đến XL) và Chương trình nghiên cứu của Sở Khoa học và Công nghệ Vân Nam (Giấy phép số 2019FE001 (-222) đến XL).

J. Wesson Ashford đã nộp đơn xin cấp bằng sáng chế cho việc sử dụng mô hình nhận dạng liên tục cụ thể được mô tả trong bài viết này cho mục đích chung kiểm tra trí nhớ.

MemTrax, LLC là một công ty thuộc sở hữu của Curtis Ashford và công ty này đang quản lý kiểm tra trí nhớ hệ thống được mô tả trong bài báo này.

Tiết lộ của tác giả có sẵn trực tuyến (https://www.j-alz.com/manuscript-disclosures/19-1340r2).

kiểm tra trí nhớ kiểm tra mất trí nhớ kiểm tra mất trí nhớ kiểm tra mất trí nhớ ngắn hạn kiểm tra ram kiểm tra chế độ ăn uống đa dạng sách kiểm tra nhận thức trực tuyến
Curtis Ashford - Điều phối viên Nghiên cứu Nhận thức

THAM KHẢO

[1] Hiệp hội bệnh Alzheimer (2016) Sự thật về bệnh Alzheimer năm 2016 và số liệu. Bệnh mất trí nhớ Alzheimer 12, 459–509.
[2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) Ảnh hưởng của giai đoạn đầu Bệnh Alzheimer về kết quả tài chính hộ gia đình. Kinh tế Y tế 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) Cải thiện chất lượng trong thần kinh: Bộ đo lường chất lượng suy giảm nhận thức mức độ nhẹ. Thần kinh 93, 705–713.
[4] Tong T , Thokala P , McMillan B , Ghosh R , Brazier J (2017) Hiệu quả chi phí sử dụng các xét nghiệm sàng lọc nhận thức để phát hiện chứng mất trí nhớ và suy giảm nhận thức nhẹ trong chăm sóc ban đầu. Tâm thần học Int J Geriatr 32, 1392–1400.
[5] Ashford JW , Gere E , Bayley PJ (2011) đo bộ nhớ trong cài đặt nhóm lớn bằng cách sử dụng bài kiểm tra nhận dạng liên tục. J Alzheimers Dis 27, 885–895.
[6] Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) Một nhiệm vụ nhận dạng liên tục được máy tính hóa để đo bộ nhớ từng tập. J Alzheimers Dis 69, 385–399.
[7] Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Hiệu suất bộ nhớ theo giai đoạn trong mô hình học máy để dự đoán phân loại tình trạng sức khỏe nhận thức. J Alzheimers Dis 70, 277–286.
[8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The Kiểm tra MemTrax so với ước tính đánh giá nhận thức thực tế về suy giảm nhận thức nhẹ. J Alzheimers Dis 67, 1045–1054.
[9] Falcone M, Yadav N, Poellabauer C, Flynn P (2013) Sử dụng các nguyên âm tách biệt để phân loại chấn thương sọ não nhẹ. Năm 2013 Hội nghị Quốc tế IEEE về Âm học, Lời nói và Xử lý Tín hiệu, Vancouver, BC, trang 7577–7581.
[10] Dabek F, Caban JJ (2015) Tận dụng dữ liệu lớn để lập mô hình khả năng phát triển các tình trạng tâm lý sau một chấn động. Thủ tục tính toán khoa học 53, 265–273.
[11] Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) Cây quyết định để phát hiện sớm suy giảm nhận thức bởi dược sĩ cộng đồng. Front Pharmacol 9, 1232.
[12] Nasreddine ZS, Phillips NA, Bedirian V, Charbonneau S, Whitehead V, Collin I, Cummings JL, Chertkow H (2005) Đánh giá nhận thức Montreal, MoCA: Một công cụ sàng lọc ngắn gọn về suy giảm nhận thức nhẹ. J Am Geriatr Soc 53, 695–699.
[13] Yu J, Li J, Huang X (2012) Phiên bản Bắc Kinh của đánh giá nhận thức montreal như một công cụ sàng lọc ngắn gọn đối với suy giảm nhận thức nhẹ: Một nghiên cứu dựa vào cộng đồng. BMC Tâm thần học 12, 156.
[14] Chen KL, Xu Y, Chu AQ, Ding D, Liang XN, Nasreddine ZS, Dong Q, Hong Z, Zhao QH, Guo QH (2016) Xác thực phiên bản tiếng Trung của đánh giá nhận thức Montreal cơ bản để sàng lọc suy giảm nhận thức nhẹ. J Am Geriatr Soc 64, e285 – e290.
[15] Carson N, Leach L, Murphy KJ (2018) Một cuộc kiểm tra lại điểm đánh giá nhận thức Montreal (MoCA). Int J Geriatr Psychiatry 33, 379–388.
[16] Hiệp hội Tâm thần Hoa Kỳ (2013) Sổ tay hướng dẫn thống kê và chẩn đoán các rối loạn tâm thần: DSM-5 ™, American Psychiatric Publishing, Inc., Washington, DC.
[17] Con trăn. Quỹ phần mềm Python, http://www.python.org, Truy cập ngày 15 tháng 2019 năm XNUMX.
[18] R Core Group, R: Một ngôn ngữ và môi trường cho tính toán thống kê R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/, 2018, Truy cập ngày 15 tháng 2019 năm XNUMX.
[19] Benavoli A, Corani G, Demšar J, Zaffalon M (2017) Đã đến lúc thay đổi: Hướng dẫn so sánh nhiều bộ phân loại thông qua phân tích Bayes. J Mach Tìm hiểu Res 18, 1–36.
[20] Frank E, Hall MA, Witten IH (2016) Bàn làm việc WEKA. Trong Khai thác dữ liệu: Các công cụ và kỹ thuật máy học thực tế, Frank E, Hall MA, Witten IH, Pal CJ, chủ biên. Morgan Kaufmann https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appcharge.pdf
[21] Bergeron MF, Landset S, Maugans TA, Williams VB, Collins CL, Wasserman EB, Khoshgoftaar TM (2019) Máy học trong việc lập mô hình giải quyết triệu chứng chấn động thể thao ở trường trung học. Med Sci Sports Bài tập 51, 1362–1371.
[22] Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) Các quan điểm thực nghiệm về việc học từ dữ liệu không cân bằng. Trong Kỷ yếu Hội nghị Quốc tế lần thứ 24 về Học máy, Corvalis, Oregon, Hoa Kỳ, trang 935-942.
[23] Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) Đánh giá bệnh nhân Alzheimer và trạng thái tinh thần nhỏ: Phân tích đường cong đặc trưng mục.P. J Gerontol 44, 139–146.
[24] Ashford JW , Jarvik L (1985) Bệnh Alzheimer: Độ dẻo của tế bào thần kinh có dẫn đến thoái hóa sợi thần kinh sợi trục không? N Engl J Med 313, 388–389.
[25] Jack CR Jr , Therneau TM , Weigand SD , ​​Wiste HJ , Knopman DS , Vemuri P , Lowe VJ , Mielke MM , Roberts RO , Machulda MM , Graff-Radford J , Jones DT , Schwarz CG , Gunter JL , Senjem ML , Rocca WA , Petersen RC (2019) Tỷ lệ phổ biến của các thực thể phổ bệnh Alzheimer được xác định về mặt sinh học so với lâm sàng bằng cách sử dụng Viện Quốc gia về Người cao tuổi-Alzheimer's Hiệp hội nghiên cứu khuôn khổ. JAMA Thần kinh 76, 1174–1183.
[26] Zhou X , Ashford JW (2019) Những tiến bộ trong công cụ sàng lọc cho Bệnh Alzheimer. Lão hóa 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 Sức khỏe não Sổ đăng ký: Một nền tảng dựa trên internet để tuyển dụng, đánh giá và theo dõi theo chiều dọc những người tham gia nghiên cứu khoa học thần kinh. Bệnh mất trí nhớ Alzheimer 14, 1063–1076.
[28] Ashford JW , Schmitt FA (2001) Lập mô hình tiến trình thời gian của Sa sút trí tuệ Alzheimer. Đại diện Tâm thần học Curr 3, 20–28.
[29] Li X, Wang X, Su L, Hu X, Han Y (2019) Nghiên cứu dọc Trung Quốc về suy giảm nhận thức (SILCODE): Giao thức cho một nghiên cứu quan sát theo chiều dọc của Trung Quốc nhằm phát triển các mô hình dự đoán rủi ro chuyển đổi thành suy giảm nhận thức nhẹ ở những người có nhận thức chủ quan từ chối. BMJ Mở 9, e028188.
[30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) Biến thiên tiến triển của dấu ấn sinh học trong XNUMX năm đối với bệnh mất trí nhớ Alzheimer dự đoán: Liệu một hoạt động công cụ phức tạp của cuộc sống hàng ngày có thể lấp đầy những khoảng trống? Chứng mất trí nhớ Alzheimer (Amst) 1, 521–532.
[31] McGurran H , Glenn JM , Madero EN , Bott NT (2019) Phòng ngừa và điều trị bệnh Alzheimer: Cơ chế sinh học của tập thể dục. J Alzheimers Dis 69, 311–338.
[32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Liệu pháp điều trị phòng ngừa và điều trị bệnh Alzheimer. Biomed Res Int 2016, 2589276.
[33] Lane CA, Barnes J, Nicholas JM, Sudre CH, Cash DM, Malone IB, Parker TD, Keshavan A, Buchanan SM, Keuss SE, James SN, Lu K, Murray-Smith H, Wong A, Gordon E, Coath W, Modat M, Thomas D, Richards M, Fox NC, Schott JM (2020) Mối liên quan giữa nguy cơ mạch máu ở tuổi trưởng thành và bệnh lý não trong giai đoạn cuối đời: Bằng chứng từ một nhóm thuần tập sinh ở Anh. JAMA Neurol 77, 175–183.
[34] Seshadri S (2020) Phòng ngừa chứng sa sút trí tuệ do vượt quá độ tuổi và các hộp amyloid. JAMA Neurol 77, 160–161.
[35] Maillard P, Seshadri S, Beiser A, Himali JJ, Au R, Fletcher E, Carmichael O, Wolf PA, DeCarli C (2012) Ảnh hưởng của huyết áp tâm thu đối với tính toàn vẹn của chất trắng ở thanh niên trong Nghiên cứu Tim Framingham: Một cây thập tự -sectional study. 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) Độ chính xác của xét nghiệm dấu ấn sinh học để xác định bệnh lý thần kinh Bệnh Alzheimer ở ​​người lớn tuổi mắc chứng sa sút trí tuệ. Ann Intern Med 172, 669–677.

Chi nhánh: [a] SIVOTEC Analytics, Boca Raton, FL, USA | [b] Khoa Máy tính và Kỹ thuật Điện và Khoa học Máy tính, Đại học Florida Atlantic, Boca Raton, FL, USA | [c] SJN Biomed LTD, Côn Minh, Vân Nam, Trung Quốc | [d] Trung tâm cho Nghiên cứu bệnh Alzheimer, Viện Nghiên cứu Lâm sàng Washington, Washington, DC, Hoa Kỳ | [e] Khoa Y học Phục hồi chức năng, Bệnh viện trực thuộc đầu tiên của Đại học Y khoa Côn Minh, Côn Minh, Vân Nam, Trung Quốc | [f] Khoa Thần kinh, Bệnh viện Nhân dân Đức Hồng, Đức Hồng, Vân Nam, Trung Quốc | [g] Khoa Thần kinh, Bệnh viện trực thuộc đầu tiên của Đại học Y khoa Côn Minh, huyện Wuhua, Côn Minh, tỉnh Vân Nam, Trung Quốc | [h] Trung tâm nghiên cứu bệnh tật và thương tích liên quan đến chiến tranh, VA Palo Alto Chăm sóc sức khỏe Hệ thống, Palo Alto, CA, Hoa Kỳ | [i] Khoa Tâm thần & Khoa học Hành vi, Đại học Y khoa Stanford, Palo Alto, CA, Hoa Kỳ

Thư từ: [*] Thư từ: Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. E-mail: mbergeron@sivotecanalytics.com .; Xiaolei Liu, MD, Khoa Thần kinh, Bệnh viện trực thuộc đầu tiên của Đại học Y khoa Côn Minh, 295 Đường Xichang, Huyện Wuhua, Côn Minh, Tỉnh Vân Nam 650032, Trung Quốc. E-mail: ring@vip.163.com.

Từ khóa: Lão hóa, Bệnh Alzheimer, sa sút trí tuệ, sàng lọc hàng loạt