די נוצן פון MemTrax און מאַשין לערנען מאָדעלינג אין קלאַסאַפאַקיישאַן פון מילד קאָגניטיווע ימפּערמאַנט
פאָרשונג אַרטיקל
מחברים: בערגעראָן, מיכאל עף | לאַנדסעט, שרה | זו, קסיאַנבאָ | דינג, טאַו | כאָשגאָפטאַר, טאַגי מ. | דזשאַו, פענג | דו, באָ | טשען, קסינדזשיע | וואַנג, קסואַן | זשאָנג, ליאַנמעי | ליו, קסיאַאָלי| אַשפאָרד, י. וועסאָן
DOI: 10.3233/JAD-191340
זשורנאַל: זשורנאַל פון אַלזשעימער ס קרענק, vol. 77, no. 4, פּפּ. 1545-1558, 2020
אַבסטראַקט
הינטערגרונט:
די וויידספּרעד ינסידאַנס און פּרעוואַלאַנס פון אַלזשעימער ס קרענק און מילד קאַגניטיוו ימפּערמאַנט (MCI) האט פּראַמפּטיד אַ דרינגלעך רופן פֿאַר פאָרשונג צו וואַלאַדייט פרי דיטעקשאַן קאַגניטיוו זיפּונג און אַסעסמאַנט.
אָביעקטיוו:
אונדזער ערשטיק פאָרשונג ציל איז געווען צו באַשליסן אויב אויסגעקליבן מעמטראַקס פאָרשטעלונג מעטריקס און באַטייַטיק דעמאָגראַפיקס און געזונט פּראָפיל קעראַקטעריסטיקס קענען זיין יפעקטיוולי יוטאַלייזד אין פּרידיקטיוו מאָדעלס דעוועלאָפּעד מיט מאַשין לערנען צו קלאַסיפיצירן קאַגניטיוו געזונט (נאָרמאַל קעגן MCI), ווי וואָלט זיין אנגעוויזן דורך די מאָנטרעאַל קאָגניטיווע אַססעססמענט (מאָקאַ).
מעטהאָדס:
מיר האָבן דורכגעקאָכט אַ קרייַז-סעקשאַנאַל לערנען אויף 259 נוראַלאַדזשי, זכּרון קליניק און ינערלעך מעדיצין דערוואַקסן פּאַטיענץ ריקרוטיד פון צוויי האָספּיטאַלס אין טשיינאַ. יעדער פּאַציענט איז געגעבן די כינעזיש-שפּראַך מאָקאַ און זיך-אַדמיניסטרירט די קעסיידערדיק דערקענונג MemTrax אָנליין עפּיסאָדיק זיקאָרן פּרובירן אָנליין אין דעם זעלבן טאָג. פּרידיקטיוו קלאַסאַפאַקיישאַן מאָדעלס זענען געבויט מיט מאַשין לערנען מיט 10-פאַרלייגן קרייַז וואַלאַדיישאַן, און מאָדעל פאָרשטעלונג איז געמאסטן מיט שטח אונטער די ופנעמער אַפּערייטינג קעראַקטעריסטיק ויסבייג (AUC). מאָדעלס זענען געבויט מיט צוויי MemTrax פאָרשטעלונג מעטריקס (פּראָצענט ריכטיק, ענטפער צייט), צוזאַמען מיט די אַכט פּראָסט דעמאָגראַפיק און פערזענלעכע געשיכטע פֿעיִקייטן.
רעזולטאַטן:
קאַמפּערינג די לערנערז צווישן סעלעקטעד קאַמבאַניישאַנז פון מאָקאַ סקאָרז און טרעשכאָולדז, Naïve Bayes איז בכלל די העכסט-פּערפאָרמינג לערנער מיט אַ קוילעלדיק קלאַסאַפאַקיישאַן פאָרשטעלונג פון 0.9093. דערצו, צווישן די שפּיץ דריי לערנערז, די MemTrax-באזירט קלאַסאַפאַקיישאַן פאָרשטעלונג קוילעלדיק איז געווען העכער מיט בלויז די שפּיץ-ראַנגקט פיר פֿעיִקייטן (0.9119) קאַמפּערד צו ניצן אַלע 10 פּראָסט פֿעיִקייטן (0.8999).
מסקנא:
MemTrax פאָרשטעלונג קענען זיין יפעקטיוולי יוטאַלייזד אין אַ פּרידיקטיוו מאָדעל פֿאַר מאַשין לערנען קלאַסאַפאַקיישאַן זיפּונג אַפּלאַקיישאַן פֿאַר דיטעקטינג פרי בינע קאַגניטיוו ימפּערמאַנט.
הקדמה
די דערקענט (כאָטש אַנדערדיאַגנאָסעד) ברייט-פאַרשפּרייטן ינסידאַנס און פּרעוואַלאַנס און פּאַראַלעל עסקאַלייטינג מעדיציניש, געזעלשאַפטלעך און ציבור געזונטהייַט קאָס און מאַסע פון אַלזשעימער ס קרענק (אַד) און מילד קאַגניטיוו ימפּערמאַנט (MCI) זענען ינקריסינגלי סטריינינג פֿאַר אַלע סטייקכאָולדערז [1, 2]. דער נויטפאַל און בורדזשאַנינג סצענאַר האט פּראַמפּטיד אַ דרינגלעך רופן פֿאַר פאָרשונג צו וואַלאַדייט פרי דיטעקשאַן קאַגניטיוו זיפּונג און אַססעססמענט ינסטראַמאַנץ פֿאַר רעגולער פּראַקטיש נוצן אין פּערזענלעך און קליניש סעטטינגס פֿאַר עלטערע פּאַטיענץ אַריבער דייווערס מקומות און פּאַפּיאַליישאַנז [3]. די ינסטראַמאַנץ מוזן אויך צושטעלן סימלאַס איבערזעצונג פון ינפאָרמאַטיוו רעזולטאַטן אין עלעקטראָניש געזונט רעקאָרדס. די בענעפיטן וועט זיין איינגעזען דורך ינפאָרמינג פּאַטיענץ און אַסיסטינג רופאים אין דערקענען באַטייַטיק ענדערונגען פריער און אַזוי געבן מער פּינטלעך און בייַצייַטיק סטראַטיפיקאַטיאָן, ימפּלאַמענטיישאַן און טראַקינג פון צונעמען ינדיווידזשואַלייזד און מער קאָס-עפעקטיוו באַהאַנדלונג און פּאַציענט זאָרגן פֿאַר יענע וואָס אָנהייבן צו דערפאַרונג קאַגניטיוו אַראָפּגיין [3, 4].
די קאַמפּיוטערייזד מעמטראַקס געצייַג (https://memtrax.com) איז אַ פּשוט און קורץ קעסיידערדיק דערקענונג אַסעסמאַנט וואָס קענען זיין זיך-אַדמינאַסט אָנליין צו מעסטן טשאַלאַנדזשינג טיימד עפּיזאָד זיקאָרן פאָרשטעלונג ווו דער באַניצער ריספּאַנדז צו ריפּיטיד בילדער און נישט צו אַן ערשט פּרעזענטירונג [5, 6]. לעצטע פאָרשונג און ריזאַלטינג פּראַקטיש ימפּלאַקיישאַנז אָנהייבן צו פּראַגרעסיוו און קאַלעקטיוולי באַווייַזן די קליניש עפיקאַסי פון MemTrax אין פרי אַד און MCI זיפּונג [5-7]. אָבער, דירעקט פאַרגלייַך פון קליניש נוצן צו יגזיסטינג קאַגניטיוו געזונט אַסעסמאַנט און קאַנווענשאַנאַל סטאַנדאַרדס זענען געראַנטיד צו מיטטיילן פאַכמאַן פּערספּעקטיוו און באַשטעטיקן MemTrax נוצן אין פרי דיטעקשאַן און דיאַגנאָסטיק שטיצן. פון דער האָעק עט על. [8] קאַמפּערד אויסגעקליבן MemTrax פאָרשטעלונג מעטריקס (רעאַקציע גיכקייַט און פּראָצענט ריכטיק) צו קאַגניטיוו סטאַטוס ווי באשלאסן דורך די מאָנטרעאַל קאָגניטיווע אַססעססמענט (מאָקאַ). אָבער, דעם לערנען איז געווען לימיטעד צו אַססאָסיאַטיאָן פון די פאָרשטעלונג מעטריקס מיט כאַראַקטעריזיישאַן פון קאַגניטיוו סטאַטוס (ווי באשלאסן דורך מאָקאַ) און דיפיינינג די קאָרעוו ריינדזשאַז און קאַטאָף וואַלועס. אַקקאָרדינגלי, צו יקספּאַנד דעם ויספאָרשונג און פֿאַרבעסערן קלאַסאַפאַקיישאַן פאָרשטעלונג און עפיקאַסי, אונדזער ערשטיק פאָרשונג קשיא איז געווען:
- קענען אַ יחיד ס אויסגעקליבן MemTrax פאָרשטעלונג מעטריקס און באַטייַטיק דעמאָגראַפיקס און געזונט פּראָפיל קעראַקטעריסטיקס זענען יפעקטיוולי געניצט אין אַ פּרידיקטיוו מאָדעל דעוועלאָפּעד מיט מאַשין לערנען צו קלאַסיפיצירן קאַגניטיוו געזונט דיטשאָטאָמאַסלי (נאָרמאַל קעגן MCI), ווי וואָלט זיין אנגעוויזן דורך די מאָקאַ כעזשבן?
צווייטיק צו דעם, מיר געוואלט צו וויסן:
- אַרייַנגערעכנט די זעלבע פֿעיִקייטן, קענען אַ MemTrax פאָרשטעלונג-באזירט מאַשין לערנען מאָדעל זיין יפעקטיוולי געווענדט צו אַ פּאַציענט צו פאָרויסזאָגן שטרענגקייַט (מילד קעגן שטרענג) אין אויסגעקליבן קאַטעגאָריעס פון קאַגניטיוו ימפּערמאַנט ווי וואָלט זיין באשלאסן דורך אַ פרייַ קליניש דיאַגנאָסיס?
די אַדווענט און יוואַלווינג פּראַקטיש אַפּלאַקיישאַן פון קינסטלעך סייכל און מאַשין לערנען אין זיפּונג / דיטעקשאַן האָבן שוין דעמאַנסטרייטיד בוילעט פּראַקטיש אַדוואַנטידזשיז, מיט פּרידיקטיוו מאָדעלינג יפעקטיוולי גיידינג קליניסיאַנס אין די טשאַלאַנדזשינג אַסעסמאַנט פון קאַגניטיוו / מאַרך געזונט און פּאַציענט פאַרוואַלטונג. אין אונדזער לערנען, מיר אויסדערוויילט אַ ענלעך צוגאַנג אין MCI קלאַסאַפאַקיישאַן מאָדעלינג און קאַגניטיוו ימפּערמאַנט שטרענגקייַט דיסקרימינאַציע ווי באשטעטיקט דורך קליניש דיאַגנאָסיס פון דריי דאַטאַסעץ רעפּריזענטינג אויסגעקליבן פרייַוויליקער ינפּאַטיענץ און אַוטפּיישאַנץ פון צוויי האָספּיטאַלס אין טשיינאַ. מיט פּרידיקטיוו מאָדעלינג פון מאַשין לערנען, מיר יידענאַפייד די בעסטער-פּערפאָרמינג לערנערז פון די פאַרשידן קאַמבאַניישאַנז פון דאַטאַטאַז / לערערס און ראַנגקט די פֿעיִקייטן צו פירן אונדז אין דיפיינינג די מערסט קליניקאַלי פּראַקטיש מאָדעל אַפּלאַקיישאַנז.
אונדזער כייפּאַטאַסאַז זענען געווען אַז אַ וואַלאַדייטאַד מעמטראַקס-באזירט מאָדעל קענען זיין געוויינט צו קלאַסיפיצירן קאַגניטיוו געזונט דיטשאָטאָמאַסלי (נאָרמאַל אָדער MCI) באזירט אויף די מאָקאַ געמיינזאַם כעזשבן שוועל קריטעריע, און אַז אַ ענלעך מעמטראַקס פּרידיקטיוו מאָדעל קענען זיין יפעקטיוולי געוויינט אין דיסקרימאַנייטינג שטרענגקייַט אין אויסגעקליבן קאַטעגאָריעס פון קליניקאַלי דיאַגנאָסעד קאַגניטיוו ימפּערמאַנט. דעמאַנסטרייטינג די אַנטיסאַפּייטיד אַוטקאַמז וואָלט זיין ינסטרומענטאַל אין שטיצן די עפיקאַסי פון MemTrax ווי אַ פרי דיטעקשאַן פאַרשטעלן פֿאַר קאַגניטיוו אַראָפּגיין און קאַגניטיוו ימפּערמאַנט קלאַסאַפאַקיישאַן. גינציק פאַרגלייַך צו אַן ינדאַסטרי פּערפּאָרטיד נאָרמאַל קאַמפּלאַמענטיד דורך פיל גרעסערע יז און שנעל נוצן וואָלט זיין ינפלוענטשאַל אין העלפּינג קליניסיאַנס אַדאַפּט דעם פּשוט, פאַרלאָזלעך און צוטריטלעך געצייַג ווי אַן ערשט פאַרשטעלן אין דיטעקטינג פרי (אַרייַנגערעכנט פּראָדראָמאַל) בינע קאַגניטיוו דעפיסיץ. אַזאַ אַ צוגאַנג און נוצן קען אַזוי פּינטלעך מער בייַצייַטיק און בעסער סטראַטאַפייד פּאַציענט זאָרגן און ינטערווענטיאָן. די פאָרויס-טינגקינג ינסייץ און ימפּרוווד מעטריקס און מאָדעלס קען אויך זיין נוציק אין מיטאַגייטינג אָדער סטאָפּפּינג דימענשיאַ פּראַגרעשאַן, אַרייַנגערעכנט AD און AD-פֿאַרבונדענע דימענשאַז (ADRD).
מאטריאל און מעטאדן
לערנען באַפעלקערונג
צווישן יאנואר 2018 און אויגוסט 2019, קרייַז-סעקשאַנאַל פאָרשונג איז געווען געענדיקט אויף פּאַטיענץ ריקרוטיד פון צוויי האָספּיטאַלס אין טשיינאַ. די אַדמיניסטראַציע פון MemTrax [5] צו מענטשן אַלט 21 יאָר און העכער און די זאַמלונג און אַנאַליסיס פון די דאַטן זענען ריוויוד און באוויליקט דורך און אַדמינאַסטערד אין לויט מיט די עטישע סטאַנדאַרדס פון די מענטשלעך טעמע פּראַטעקשאַן קאַמיטי פון סטאַנפֿאָרד אוניווערסיטעט. MemTrax און אַלע אנדערע טעסטינג פֿאַר דעם קוילעלדיק לערנען זענען דורכגעקאָכט לויט די העלסינקי דעקלאַראַציע פון 1975 און באוויליקט דורך די ינסטיטושאַנאַל איבערבליק באָרד פון דער ערשטער אַפיליייטאַד האָספּיטאַל פון קונמינג מעדיקאַל אוניווערסיטעט אין קונמינג, יוננאַן, טשיינאַ. יעדער באַניצער איז צוגעשטעלט אַן ינפאָרמד צושטימען פאָרעם צו לייענען / אָפּשאַצן און דאַן וואַלאַנטעראַלי שטימען צו אָנטייל נעמען.
פּאַרטיסיפּאַנץ זענען ריקרוטיד פון די בעקן פון אַוטפּיישאַנץ אין די נוראַלאַדזשי קליניק אין די יאַנהואַ האָספּיטאַל (YH סאַב-דאַטאַסעט) און די זכּרון קליניק אין דער ערשטער אַפיליייטאַד האָספּיטאַל פון קונמינג מעדיקאַל אוניווערסיטעט (XL סאַב-דאַטאַסעט) אין בעידזשינג, טשיינאַ. פּאַרטיסיפּאַנץ זענען אויך ריקרוטיד פון נוראַלאַדזשי (XL סאַב-דאַטאַסעט) און ינערלעך מעדיצין (KM סאַב-דאַטאַסעט) ינפּאַטיענץ אין דער ערשטער אַפיליייטאַד האָספּיטאַל פון קונמינג מעדיקאַל אוניווערסיטעט. ינקלוזשאַן קרייטיריאַ אַרייַנגערעכנט 1) מענטשן און וואָמען אין מינדסטער 21 יאָר אַלט, 2) די פיייקייַט צו רעדן כינעזיש (מאַנדאַרין), און 3) די פיייקייַט צו פֿאַרשטיין מינדלעך און געשריבן אינסטרוקציעס. יקסקלוזשאַן קרייטיריאַ זענען זעאונג און מאָטאָר ימפּערמאַנץ פּרעווענטינג פּאַרטיסאַפּאַנץ פון קאַמפּליטינג די MemTrax פּרובירן, ווי געזונט די ינאַביליטי צו פֿאַרשטיין די ספּעציפיש פּרובירן ינסטראַקשאַנז.
כינעזיש ווערסיע פון MemTrax
די אָנליין MemTrax פּרובירן פּלאַטפאָרמע איז איבערגעזעצט אין כינעזיש (URL: https://www.memtrax.com.cn) און נאָך צוגעפאסט צו זיין יוטאַלייזד דורך WeChat (Shenzhen Tencent Computer Systems Co. LTD., שענזשען, גואַנגדאָנג, טשיינאַ) פֿאַר זיך-אַדמיניסטראַציע. דאַטן זענען סטאָרד אויף אַ וואָלקן סערווער (Ali Cloud) לאָוקייטאַד אין טשיינאַ און לייסאַנסט פֿון אַליבאַבאַ (Alibaba Technology Co. Ltd., Hangzhou, זשעדזשיאַנג, טשיינאַ) דורך SJN Biomed LTD (Kunming, Yunnan, טשיינאַ). ספּעציפיש דעטאַילס וועגן MemTrax און פּראָבע גילטיקייַט קרייטיריאַ געניצט דאָ האָבן שוין דיסקרייבד פריער [6]. די פּראָבע איז געווען צוגעשטעלט אָן אָפּצאָל צו די פּאַטיענץ.
לערנען פּראָוסידזשערז
פֿאַר די ינפּאַטיענץ און אַוטפּיישאַנץ, אַ גענעראַל פּאַפּיר אַנקעטע פֿאַר קאַלעקטינג דעמאָגראַפיק און פערזענלעכע אינפֿאָרמאַציע אַזאַ ווי עלטער, געשלעכט, יאָרן פון בילדונג, פאַך, לעבעדיק אַליין אָדער מיט משפּחה, און מעדיציניש געשיכטע איז געווען אַדמינאַסטערד דורך אַ מיטגליד פון דער לערנען מאַנשאַפֿט. נאָך קאַמפּלישאַן פון די אַנקעטע, די מאָקאַ [12] און מעמטראַקס טעסץ זענען אַדמינאַסטערד (מאָקאַ ערשטער) מיט ניט מער ווי 20 מינוט צווישן טעסץ. MemTrax פּראָצענט ריכטיק (MTx-% C), דורכשניטלעך ענטפער צייט (MTx-RT), און דאַטע און צייט פון די טעסטינג זענען רעקאָרדעד אויף פּאַפּיר דורך אַ מיטגליד פון דער לערנען מאַנשאַפֿט פֿאַר יעדער טעסטעד באַטייליקטער. די געענדיקט אַנקעטע און די רעזולטאַטן פון די מאָקאַ זענען ופּלאָאַדעד אין אַן עקססעל ספּרעדשיט דורך די פאָרשער וואָס אַדמינאַסטערד די טעסץ און וועראַפייד דורך אַ קאָלעגע איידער די עקססעל טעקעס זענען געראטעוועט פֿאַר אַנאַליזעס.
MemTrax פּרובירן
די MemTrax אָנליין פּראָבע ינקלודעד 50 בילדער (25 יינציק און 25 ריפּיץ; 5 שטעלט פון 5 בילדער פון פּראָסט סינז אָדער אַבדזשעקץ) געוויזן אין אַ ספּעציפיש פּסעוודאָ-ראַנדאָם סדר. דער באַטייליקטער וואָלט (דורך ינסטראַקשאַנז) אָנרירן די אָנהייב קנעפּל אויף דעם עקראַן צו אָנהייבן די פּראָבע און אָנהייבן צו זען די בילד סעריע און ווידער אָנרירן די בילד אויף דעם עקראַן ווי געשווינד ווי מעגלעך ווען אַ ריפּיטיד בילד איז ארויס. יעדער בילד איז ארויס פֿאַר 3 ס אָדער ביז די בילד אויף דעם עקראַן איז גערירט, וואָס פּראַמפּטיד באַלדיק פּרעזענטירונג פון דער ווייַטער בילד. ניצן די ינערלעך זייגער פון די היגע מיטל, MTx-RT פֿאַר יעדער בילד איז געווען באשלאסן דורך די ילאַפּסט צייט פון פּרעזענטירונג פון די בילד צו ווען די פאַרשטעלן איז גערירט דורך די באַטייליקטער אין ענטפער צו ינדאַקייטינג דערקענונג פון די בילד ווי איינער וואָס איז שוין געוויזן. בעשאַס די פּראָבע. MTx-RT איז רעקאָרדעד פֿאַר יעדער בילד, מיט אַ גאַנץ 3 ס רעקאָרדעד וואָס ינדיקייץ קיין ענטפער. MTx-% C איז קאַלקיאַלייטיד צו אָנווייַזן די פּראָצענט פון איבערחזרן און ערשט בילדער צו וואָס דער באַניצער ריספּאַנדיד ריכטיק (אמת positive + אמת נעגאַטיוו צעטיילט דורך 50). נאָך דעטאַילס פון די MemTrax אַדמיניסטראַציע און ימפּלאַמענטיישאַן, דאַטן רעדוקציע, פאַרקריפּלט אָדער "קיין ענטפער" דאַטן, און ערשטיק דאַטן אַנאַליזעס זענען דיסקרייבד אנדערש [6].
די MemTrax פּראָבע איז געווען דערקלערט אין דעטאַל און אַ פיר פּראָבע (מיט יינציק בילדער אנדערע ווי די געניצט אין די פּראָבע פֿאַר רעקאָרדינג רעזולטאַטן) איז געווען צוגעשטעלט צו די פּאַרטיסאַפּאַנץ אין די שפּיטאָל באַשטעטיקן. פּאַרטיסיפּאַנץ אין די YH און KM סאַב-דאַטאַסעטאַץ גענומען די MemTrax פּרובירן אויף אַ סמאַרטפאָנע וואָס איז לאָודיד מיט די אַפּלאַקיישאַן אויף WeChat; כוועראַז אַ לימיטעד נומער פון די XL סאַב-דאַטאַסעט פּאַטיענץ געוויינט אַ iPad און די מנוחה געוויינט אַ סמאַרטפאָנע. אַלע פּאַרטיסאַפּאַנץ גענומען די MemTrax פּראָבע מיט אַ לערנען ינוועסטאַגייטער אַנאַבטרוסיוולי אַבזערווינג.
מאָנטרעאַל קאַגניטיוו אַסעסמאַנט
די בעידזשינג ווערסיע פון די כינעזיש מאָקאַ (מאָקאַ-בק) [13] איז געווען אַדמינאַסטערד און סקאָרד דורך טריינד ריסערטשערז לויט די באַאַמטער פּרובירן ינסטראַקשאַנז. פּאַסיק, די MoCA-BC איז געוויזן צו זיין אַ פאַרלאָזלעך פּרובירן פֿאַר קאַגניטיוו זיפּונג איבער אַלע בילדונג לעוועלס אין כינעזיש עלטער אַדאַלץ [14]. יעדער פּראָבע גענומען וועגן 10 צו 30 מינוט צו פירן באזירט אויף די ריספּעקטיוו באַטייליקטער ס קאַגניטיוו אַבילאַטיז.
מאָקאַ קלאַסאַפאַקיישאַן מאָדעלינג
עס איז געווען אַ גאַנץ פון 29 ניצלעך פֿעיִקייטן, אַרייַנגערעכנט צוויי MemTrax פּרובירן פאָרשטעלונג מעטריקס און 27 פֿעיִקייטן שייַכות צו דעמאָגראַפיק און געזונט אינפֿאָרמאַציע פֿאַר יעדער באַטייליקטער. יעדער פּאַציענט 'ס מאָקאַ געמיינזאַם פּרובירן כעזשבן איז געניצט ווי די קאַגניטיוו זיפּונג "בענטשמאַרק" צו באַן אונדזער פּרידיקטיוו מאָדעלס. אַקקאָרדינגלי, ווייַל מאָקאַ איז געניצט צו שאַפֿן די קלאַס פירמע, מיר קען נישט נוצן די געמיינזאַם כעזשבן (אָדער קיין פון די מאָקאַ סאַבסעט סקאָרז) ווי אַ פרייַ שטריך. מיר האָבן דורכגעקאָכט פּרילימאַנערי יקספּעראַמאַנץ אין וואָס מיר מאָדעלעד (קלאַסאַפייינג קאַגניטיוו געזונט דיפיינד דורך מאָקאַ) די אָריגינעל דריי שפּיטאָל / קליניק (s) סאַב-דאַטאַסעטאַץ ינדיווידזשואַלי און דעמאָלט קאַמביינד מיט אַלע פֿעיִקייטן. אָבער, אַלע די זעלבע דאַטן עלעמענטן זענען נישט געזאמלט אין יעדער פון די פיר קליניקס רעפּריזענטינג די דריי סאַב-דאַטאַסעטס; אַזוי, פילע פון אונדזער פֿעיִקייטן אין די קאַמביינד דאַטאַסעט (ווען איר נוצן אַלע פֿעיִקייטן) האָבן אַ הויך ינסידאַנס פון פעלנדיק וואַלועס. דערנאָך מיר געבויט מאָדעלס מיט די קאַמביינד דאַטאַסעט מיט בלויז פּראָסט פֿעיִקייטן וואָס ריזאַלטיד אין ימפּרוווד קלאַסאַפאַקיישאַן פאָרשטעלונג. דאָס איז מסתּמא דערקלערט דורך אַ קאָמבינאַציע פון מער קאַסעס צו אַרבעטן מיט דורך קאַמביינינג די דריי פּאַציענט סאַב-דאַטאַסעטס און קיין פֿעיִקייטן מיט אַ יבעריק פּרעוואַלאַנס פון פעלנדיק וואַלועס (בלויז איין שטריך אין די קאַמביינד דאַטאַסעט, אַרבעט טיפּ, האט קיין פעלנדיק וואַלועס, אַפעקטינג בלויז דריי פּאַציענט ינסטאַנסיז), ווייַל בלויז פּראָסט פֿעיִקייטן רעקאָרדעד אין אַלע דריי זייטלעך זענען אַרייַנגערעכנט. נאָוטאַבלי, מיר האָבן נישט האָבן אַ ספּעציפיש רידזשעקשאַן קריטעריאָן פֿאַר יעדער שטריך וואָס איז לעסאָף ניט ינקלודעד אין די קאַמביינד דאַטאַסעט. אָבער, אין אונדזער פּרילימאַנערי קאַמביינד דאַטאַסעט מאָדעלינג, מיר ערשטער געוויינט אַלע פֿעיִקייטן פון יעדער פון די דריי באַזונדער פּאַציענט סאַב-דאַטאַסעטס. דאָס וויידלי ריזאַלטיד אין מאָדעל פאָרשטעלונג וואָס איז געווען מעזשעראַבלי נידעריקער ווי די ערשט פּרילימאַנערי מאָדעלינג אויף יעדער יחיד סאַב-דאַטאַסעט. דערצו, כאָטש די קלאַסאַפאַקיישאַן פאָרשטעלונג פון די מאָדעלס געבויט מיט אַלע די פֿעיִקייטן איז ינקעראַדזשינג, איבער אַלע לערנערז און קלאַסאַפאַקיישאַן סקימז, פאָרשטעלונג ימפּרוווד פֿאַר צוויי מאָל ווי פילע מאָדעלס ווען ניצן בלויז פּראָסט פֿעיִקייטן. אין פאַקט, צווישן וואָס ענדיקט זיך אונדזער שפּיץ לערנערז, אַלע אָבער איין מאָדעל ימפּרוווד אויף ילימאַנייטינג ניט-פּראָסט פֿעיִקייטן.
די לעצט געמיינזאַם דאַטאַסעט (YH, XL און KM קאַמביינד) ינקלודעד 259 קאַסעס, יעדער רעפּריזענטינג אַ יינציק באַטייליקטער וואָס האָט גענומען ביידע די MemTrax און די MoCA טעסץ. עס זענען געווען 10 שערד פרייַ פֿעיִקייטן: MemTrax פאָרשטעלונג מעטריקס: MTx-% C און מיינען MTx-RT; דעמאָגראַפיק און מעדיציניש געשיכטע אינפֿאָרמאַציע: עלטער, געשלעכט, יאָרן פון בילדונג, אַרבעט טיפּ (בלוי קאָלנער / ווייַס קאָלנער), געזעלשאַפטלעך שטיצן (צי דער פּראָבע טיימער לעבט אַליין אָדער מיט משפּחה), און יאָ / ניט ענטפֿערס צי דער באַניצער האט אַ געשיכטע פון צוקערקרענק, היפּערליפּידעמיאַ אָדער טראַוומאַטיש מאַרך שאָדן. צוויי נאָך מעטריקס, מאָקאַ געמיינזאַם כעזשבן און מאָקאַ געמיינזאַם כעזשבן אַדזשאַסטיד פֿאַר יאָרן פון בילדונג [12], זענען געניצט סעפּעראַטלי צו אַנטוויקלען אָפענגיק קלאַסאַפאַקיישאַן לאַבעלס, אַזוי קריייטינג צוויי פאַרשידענע מאָדעלינג סקימז צו זיין געווענדט צו אונדזער קאַמביינד דאַטאַסעט. פֿאַר יעדער ווערסיע (אַדזשאַסטיד און אַנאַדזשוסטעד) פון די מאָקאַ כעזשבן, די דאַטן זענען ווידער סעפּעראַטלי מאָדעלעד פֿאַר ביינערי קלאַסאַפאַקיישאַן מיט צוויי פאַרשידענע קריטעריאָן טרעשכאָולדז - די טכילעס רעקאַמענדיד איינער [12] און אַן אָלטערנאַטיוו ווערט געניצט און פּראָמאָטעד דורך אנדערע [8, 15]. אין די אָלטערנאַטיוו שוועל קלאַסאַפאַקיישאַן סכעמע, אַ פּאַציענט איז געווען באטראכט צו האָבן נאָרמאַל קאַגניטיוו געזונט אויב ער סקאָרד ≥23 אויף די מאָקאַ פּרובירן און מיט MCI אויב די כעזשבן איז 22 אָדער נידעריקער; כוועראַז, אין דער ערשט רעקאַמענדיד קלאַסאַפאַקיישאַן פֿאָרמאַט, דער פּאַציענט האט צו כעזשבן אַ 26 אָדער בעסער אויף די מאָקאַ צו זיין לייבאַלד ווי נאָרמאַל קאַגניטיוו געזונט.
פילטערעד דאַטן פֿאַר מאָקאַ קלאַסאַפאַקיישאַן מאָדעלינג
מיר ונטערזוכן מאָקאַ קלאַסאַפאַקיישאַן מיט פיר קאַמאַנלי געוויינט שטריך ראַנג טעקניקס: טשי-סקווערד, געווינען פאַרהעלטעניש, אינפֿאָרמאַציע געווינס און סיממעטריק אַנסערטאַנטי. פֿאַר ינטערים פּערספּעקטיוו, מיר געווענדט די ראַנגקערז צו די גאנצע קאַמביינד דאַטאַסעט ניצן יעדער פון אונדזער פיר מאָדעלינג סקימז. אַלע ראַנגקערז האָבן מסכים געווען אויף די זעלבע שפּיץ פֿעיִקייטן, הייסט עלטער, נומער פון יאָרן פון בילדונג, און ביידע MemTrax פאָרשטעלונג מעטריקס (MTx-% C, מיינען MTx-RT). מיר דעמאָלט ריבילט די מאָדעלס ניצן יעדער שטריך סעלעקציע טעכניק צו באַן די מאָדעלס בלויז אויף די שפּיץ פיר פֿעיִקייטן (זען Feature selection ונטער).
די ריזאַלטינג לעצט אַכט ווערייישאַנז פון די מאָקאַ כעזשבן קלאַסאַפאַקיישאַן מאָדעלינג סקימז זענען דערלאנגט אין טאַבלע 1.
טיש 1
קיצער פון ווערייישאַנז פון מאָדעלינג סכעמע געניצט פֿאַר מאָקאַ קלאַסאַפאַקיישאַן (נאָרמאַל קאָגניטיווע געזונט קעגן MCI)
| מאָדעלינג סכעמע | נאָרמאַל קאָגניטיווע געזונט (נעגאַטיוו קלאַס) | MCI (positive Class) |
| אַדזשאַסטיד-23 ונפילטערעד / פילטערעד | קסנומקס (קסנומקס%) | קסנומקס (קסנומקס%) |
| אַדזשאַסטיד-26 ונפילטערעד / פילטערעד | קסנומקס (קסנומקס%) | קסנומקס (קסנומקס%) |
| ונאַדדזשוסטעד-23 ונפילטערעד / פילטערעד | קסנומקס (קסנומקס%) | קסנומקס (קסנומקס%) |
| ונאַדדזשוסטעד-26 ונפילטערעד / פילטערעד | קסנומקס (קסנומקס%) | קסנומקס (קסנומקס%) |
ריספּעקטיוו נומער און פּראָצענט פון גאַנץ פּאַטיענץ אין יעדער קלאַס זענען דיפערענשיייטאַד דורך אַדזשאַסטמאַנט פון כעזשבן פֿאַר בילדונג (אַדזשאַסטיד אָדער אַנאַדזשוסטעד) און קלאַסאַפאַקיישאַן שוועל (23 אָדער 26), ווי געווענדט צו ביידע פֿעיִקייטן (אַנפילטערעד און פילטערעד).
MemTrax-באזירט קליניש יוואַליויישאַן מאָדעלינג
פון אונדזער דריי אָריגינעל סאַב-דאַטאַסעטאַץ (YH, XL, KM), בלויז די XL סאַב-דאַטאַסעט פּאַטיענץ זענען ינדיפּענדאַנטלי קליניש דיאַגנאָסעד פֿאַר קאַגניטיוו ימפּערמאַנט (ד"ה, זייער ריספּעקטיוו מאָקאַ סקאָרז זענען נישט געניצט אין גרינדן אַ קלאַסאַפאַקיישאַן פון נאָרמאַל קעגן ימפּערד). ספּאַסיפיקלי, די קסל פּאַטיענץ זענען דיאַגנאָסעד מיט אָדער אַלזשעימער ס קרענק פּרובירן (AD) אָדער וואַסקיאַלער דימענשיאַ (VAD). אין יעדער פון די ערשטיק דיאַגנאָסיס קאַטעגאָריעס, עס איז געווען אַ ווייַטער באַצייכענונג פֿאַר MCI. דיאַגנאָסיס פון MCI, דימענשיאַ, וואַסקיאַלער נעוראָקאָגניטיווע דיסאָרדער און נעוראָקאָגניטיווע דיסאָרדער רעכט צו אַד זענען באזירט אויף ספּעציפיש און אָפּשיידנדיק דיאַגנאָסטיק קרייטיריאַ אַוטליינד אין די דיאַגנאָסטיק און סטאַטיסטיש מאַנואַל פון מענטאַל דיסאָרדערס: DSM-5 [16]. קאָנסידערינג די ראַפינירט דיאַגנאָסיס, צוויי קלאַסאַפאַקיישאַן מאָדעלינג סקימז זענען סעפּעראַטלי געווענדט צו די XL סאַב-דאַטאַסעט צו ויסטיילן מדרגה פון שטרענגקייַט (גראַד פון ימפּערמאַנט) פֿאַר יעדער ערשטיק דיאַגנאָסיס קאַטעגאָריע. דאַטן געניצט אין יעדער פון די דיאַגנאָסטיק מאָדעלינג סקימז (AD און VaD) אַרייַנגערעכנט דעמאָגראַפיק און פּאַציענט געשיכטע אינפֿאָרמאַציע, ווי געזונט ווי MemTrax פאָרשטעלונג (MTx-% C, מיינען MTx-RT). יעדער דיאַגנאָסיס איז געווען מיטן נאָמען מילד אויב דעזיגנייטיד MCI; אַנדערש, עס איז געהאלטן שטרענג. מיר טכילעס באַטראַכטן אַרייַנגערעכנט די מאָקאַ כעזשבן אין די דיאַגנאָסיס מאָדעלס (מילד קעגן שטרענג); אָבער מיר באשלאסן אַז דאָס וואָלט באַזיגן דעם ציל פון אונדזער צווייטיק פּרידיקטיוו מאָדעלינג סכעמע. דאָ די לערנערז וואָלט זיין טריינד מיט אנדערע פּאַציענט קעראַקטעריסטיקס וואָס זענען בארעכטיגט פֿאַר די פּראַוויידערז און פאָרשטעלונג מעטריקס פון די סימפּלער MemTrax פּראָבע (אין פּלאַץ פון די מאָקאַ) קעגן די רעפֿערענץ "גאָלד נאָרמאַל", די פרייַ קליניש דיאַגנאָסיס. עס זענען געווען 69 ינסטאַנסיז אין די אַד דיאַגנאָסיס דאַטאַסעט און 76 ינסטאַנסיז פון וואַד (טאַבלע 2). אין ביידע דאַטאַסעץ, עס זענען געווען 12 פרייַ פֿעיִקייטן. אין אַדישאַן צו די 10 פֿעיִקייטן אַרייַנגערעכנט אין די מאָקאַ כעזשבן קלאַסאַפאַקיישאַן, פּאַציענט געשיכטע אויך אַרייַנגערעכנט אינפֿאָרמאַציע אויף געשיכטע פון כייפּערטענשאַן און מאַך.
טיש 2
קיצער פון מאָדעלינג סכעמע ווערייישאַנז געניצט פֿאַר דיאַגנאָסיס שטרענגקייַט קלאַסאַפאַקיישאַן (מילד קעגן שטרענג)
| מאָדעלינג סכעמע | מילד (נעגאַטיוו קלאַס) | שטרענג (positive קלאַס) |
| MCI-AD קעגן AD | קסנומקס (קסנומקס%) | קסנומקס (קסנומקס%) |
| MCI-VAD קעגן VaD | קסנומקס (קסנומקס%) | קסנומקס (קסנומקס%) |
ריספּעקטיוו נומער און פּראָצענט פון גאַנץ פּאַטיענץ אין יעדער קלאַס זענען דיפערענשיייטאַד דורך ערשטיק דיאַגנאָסיס קאַטעגאָריע (AD אָדער VaD).
סטאַטיסטיק
פאַרגלייַך פון באַטייליקטער קעראַקטעריסטיקס און אנדערע נומעריקאַל פֿעיִקייטן צווישן סאַב-דאַטאַסעטאַץ פֿאַר יעדער מאָדעל קלאַסאַפאַקיישאַן סטראַטעגיע (צו פאָרויסזאָגן מאָקאַ קאַגניטיוו געזונט און דיאַגנאָסיס שטרענגקייַט) איז דורכגעקאָכט מיט פּיטהאָן פּראָגראַממינג שפּראַך (ווערסיע 2.7.1) [17]. די מאָדעל פאָרשטעלונג דיפעראַנסיז זענען טכילעס באשלאסן מיט אַ איין- אָדער צוויי-פאַקטאָר (ווי צונעמען) ANOVA מיט אַ 95% בטחון מעהאַלעך און די Tukey ערלעך באַטייַטיק חילוק (HSD) פּרובירן צו פאַרגלייַכן די פאָרשטעלונג מיטל. די דורכקוק פון דיפעראַנסיז צווישן מאָדעל פּערפאָרמאַנסיז איז דורכגעקאָכט מיט אַ קאָמבינאַציע פון פּיטהאָן און ר (ווערסיע 3.5.1) [18]. מיר געוויינט דעם (אָלבייט, אַרגיואַבלי ווייניקער ווי אָפּטימאַל) צוגאַנג בלויז ווי אַ כיוריסטיק הילף אין דעם פרי בינע פֿאַר ערשט מאָדעל פאָרשטעלונג קאַמפּעראַסאַנז אין אַנטיסאַפּייטינג פּאָטענציעל קליניש אַפּלאַקיישאַן. מיר דעמאָלט יוטאַלייזד די Bayesian געחתמעט-ראַנג פּרובירן ניצן אַ שפּעטערדיק פאַרשפּרייטונג צו באַשטימען די מאַשמאָעס פון מאָדעל פאָרשטעלונג דיפעראַנסיז [19]. פֿאַר די אַנאַליזעס, מיר געוויינט די מעהאַלעך -0.01, 0.01, סיגנאַפיינג אַז אויב צוויי גרופּעס האָבן אַ פאָרשטעלונג חילוק פון ווייניקער ווי 0.01, זיי זענען געהאלטן די זעלבע (אין דער געגנט פון פּראַקטיש יקוויוואַלאַנס), אָדער אַנדערש זיי זענען אַנדערש (איינער בעסער ווי די אנדערע). צו דורכפירן די Bayesian פאַרגלייַך פון קלאַסאַפייערז און רעכענען די מאַשמאָעס, מיר געוויינט די Baycomp ביבליאָטעק (ווערסיע 1.0.2) פֿאַר Python 3.6.4.
פּרידיקטיוו מאָדעלינג
מיר געבויט פּרידיקטיוו מאָדעלס ניצן די צען גאַנץ ווערייישאַנז פון אונדזער מאָדעלינג סקימז צו פאָרויסזאָגן (קלאַסיפיצירן) די אַוטקאַם פון יעדער פּאַציענט 'ס מאָקאַ פּרובירן אָדער שטרענגקייַט פון די קליניש דיאַגנאָסיס. אַלע לערנערז זענען געווענדט און די מאָדעלס זענען געבויט מיט די עפֿענען מקור ווייכווארג פּלאַטפאָרמע Weka [20]. פֿאַר אונדזער פּרילימאַנערי אַנאַליסיס, מיר געוויינט 10 קאַמאַנלי געוויינט לערנען אַלגערידאַמז: 5-נעאַראַסט נעיגהבאָורס, צוויי ווערסיעס פון C4.5 באַשלוס בוים, לאָגיסטיק רעגרעססיאָן, מולטילייַער פּערסעפּטרון, נאַיוו בייעס, צוויי ווערסיעס פון טראַפ פאָרעסט, ראַדיאַל יקער פונקציע נעטוואָרק און שטיצן וועקטאָר מאַשין. שליסל אַטריביוץ און קאַנטראַס פון די אַלגערידאַמז האָבן שוין דיסקרייבד אנדערש [21] (זען ריספּעקטיוו אַפּפּענדיקס). די זענען אויסדערוויילט ווייַל זיי פאָרשטעלן אַ פאַרשיידנקייַט פון פאַרשידענע טייפּס פון לערנערז און ווייַל מיר האָבן דעמאַנסטרייטיד הצלחה ניצן זיי אין פרייַערדיק אַנאַליזעס אויף ענלעך דאַטן. היפּער פּאַראַמעטער סעטטינגס זענען אויסדערוויילט פון אונדזער פריערדיקן פאָרשונג וואָס ינדיקייץ זיי צו זיין געזונט אויף אַ פאַרשיידנקייַט פון פאַרשידענע דאַטן [22]. באַזירט אויף די רעזולטאַטן פון אונדזער פּרילימאַנערי אַנאַליסיס מיט דער זעלביקער קאַמביינד דאַטאַסעט מיט פּראָסט פֿעיִקייטן וואָס זענען דערנאָך געניצט אין די פול אַנאַליסיס, מיר יידענאַפייד דריי לערנערז וואָס האָבן קאַנסיסטאַנטלי שטאַרק פאָרשטעלונג אין אַלע קלאַסאַפאַקיישאַנז: לאָגיסטיק רעגרעססיאָן, נאַיוו בייעס און שטיצן וועקטאָר מאַשין.
קרייַז-וואַלאַדיישאַן און מאָדעל פאָרשטעלונג מעטריק
פֿאַר אַלע פּרידיקטיוו מאָדעלינג (אַרייַנגערעכנט די פּרילימאַנערי אַנאַליזעס), יעדער מאָדעל איז געווען געבויט מיט 10-פאַרלייגן קרייַז וואַלאַדיישאַן, און מאָדעל פאָרשטעלונג איז געמאסטן מיט שטח אונטער די ופנעמער אַפּערייטינג טשאַראַקטעריסטיק ויסבייג (AUC). קרייַז-וואַלאַדיישאַן אנגעהויבן מיט ראַנדאַמלי דיוויידינג יעדער פון די 10 מאָדעלינג סכעמע דאַטאַסעץ אין 10 גלייַך סעגמאַנץ (פאָולדז), ניצן נייַן פון די ריספּעקטיוו סעגמאַנץ צו באַן די מאָדעל און די רוען אָפּשניט פֿאַר טעסטינג. דער פּראָצעדור איז ריפּיטיד 10 מאל, ניצן אַ אַנדערש אָפּשניט ווי די פּראָבע שטעלן אין יעדער יטעראַטיאָן. די רעזולטאַטן זענען דעמאָלט קאַמביינד צו רעכענען די רעזולטאַט / פאָרשטעלונג פון די לעצט מאָדעל. פֿאַר יעדער לערנער / דאַטסעט קאָמבינאַציע, דער גאנצער פּראָצעס איז ריפּיטיד 10 מאל מיט די דאַטן שפּאַלטן דיפערענטלי יעדער מאָל. דער לעצטער שריט האָט רידוסט פאָרורטייל, ינשורד רעפּליקאַביליטי און געהאָלפֿן אין דיטערמאַנינג די קוילעלדיק מאָדעל פאָרשטעלונג. אין גאַנץ (פֿאַר מאָקאַ כעזשבן און דיאַגנאָסיס שטרענגקייַט קלאַסאַפאַקיישאַן סקימז קאַמביינד), 6,600 מאָדעלס זענען געבויט. דאָס ינקלודעד 1,800 אַנפילטערד מאָדעלס (6 מאָדעלינג סקימז געווענדט צו די דאַטאַסעט × 3 לערנערז × 10 ראַנז × 10 פאָולדז = 1,800 מאָדעלס) און 4,800 פילטערד מאָדעלס (4 מאָדעלינג סקימז געווענדט צו די דאַטאַסעט × 3 לערנערז × 4 שטריך סעלעקציע טעקניקס × 10 ראַנז × 10 פאָולדז = 4,800 מאָדעלס).
Feature selection
פֿאַר די פילטערד מאָדעלס, שטריך סעלעקציע (ניצן די פיר שטריך ראַנג מעטהאָדס) איז דורכגעקאָכט אין די קרייַז-וואַלאַדיישאַן. פֿאַר יעדער פון די 10 פאָולדז, ווי אַ אַנדערש 10% פון די דאַטאַסעט איז געווען די פּראָבע דאַטן, בלויז די שפּיץ פיר אויסגעקליבן פֿעיִקייטן פֿאַר יעדער טריינינג דאַטאַסעט (ד"ה די אנדערע נייַן פאָולדז, אָדער די רוען 90% פון די גאנצע דאַטאַסעט) זענען געניצט. צו בויען די מאָדעלס. מיר זענען נישט ביכולת צו באַשטעטיקן וואָס פיר פֿעיִקייטן זענען געניצט אין יעדער מאָדעל, ווייַל די אינפֿאָרמאַציע איז נישט סטאָרד אָדער בנימצא אין דער מאָדעלינג פּלאַטפאָרמע וואָס מיר געוויינט (וועקאַ). אָבער, געגעבן די קאָנסיסטענסי אין אונדזער ערשט סעלעקציע פון שפּיץ פֿעיִקייטן ווען די ראַנגקערז זענען געווענדט צו די גאנצע קאַמביינד דאַטאַסעט און די סאַבסאַקוואַנט ענלעכקייט אין מאָדעלינג פּערפאָרמאַנסיז, די זעלבע פֿעיִקייטן (עלטער, יאָרן פון בילדונג, MTx-% C און מיינען MTx-RT ) זענען מסתּמא די מערסט פאַרשפּרייט שפּיץ פיר געוויינט קאַנקאַמיטאַנט מיט די שטריך סעלעקציע אין די קרייַז-וואַלאַדיישאַן פּראָצעס.
רעזולטאַטן
נומעריקאַל קעראַקטעריסטיקס פון פּאַרטיסאַפּאַנץ (אַרייַנגערעכנט מאָקאַ סקאָרז און MemTrax פאָרשטעלונג מעטריקס) פון די ריספּעקטיוו דאַטאַסעץ פֿאַר יעדער מאָדעל קלאַסאַפאַקיישאַן סטראַטעגיע צו פאָרויסזאָגן מאָקאַ-ינדיקייטיד קאַגניטיוו געזונט (נאָרמאַל קעגן MCI) און דיאַגנאָסיס שטרענגקייַט (מילד קעגן שטרענג) זענען געוויזן אין טאַבלע 3.
טיש 3
באַטייליקטער קעראַקטעריסטיקס, מאָקאַ סקאָרז און MemTrax פאָרשטעלונג פֿאַר יעדער מאָדעל קלאַסאַפאַקיישאַן סטראַטעגיע
| קלאַסאַפאַקיישאַן סטראַטעגיע | עלטער | בילדונג | מאָקאַ אַדזשאַסטיד | MoCA Unadjusted | MTx-% C | MTx-RT |
| מאָקאַ קאַטעגאָריע | 61.9 יאָר (13.1) | 9.6 יאָר (4.6) | קסנומקס (קסנומקס) | קסנומקס (קסנומקס) | 74.8% (15.0) | 1.4 ס (0.3) |
| דיאַגנאָסיס שטרענגקייַט | 65.6 יאָר (12.1) | 8.6 יאָר (4.4) | קסנומקס (קסנומקס) | קסנומקס (קסנומקס) | 68.3% (13.8) | 1.5 ס (0.3) |
וואַלועס געוויזן (מיטן, סד) דיפערענשיייטאַד דורך מאָדעלינג קלאַסאַפאַקיישאַן סטראַטעגיעס זענען רעפּריזענאַטיוו פון די קאַמביינד דאַטאַסעט געניצט צו פאָרויסזאָגן MoCA-ינדיקאַטעד קאַגניטיוו געזונט (MCI קעגן נאָרמאַל) און די XL סאַב-דאַטאַסעט בלויז געניצט צו פאָרויסזאָגן די שטרענגקייַט פון דיאַגנאָסיס (מילד קעגן שטרענג).
פֿאַר יעדער קאָמבינאַציע פון מאָקאַ כעזשבן (אַדזשאַסטיד / אַנאַדזשוסטעד) און שוועל (26/23), עס איז געווען אַ סטאַטיסטיש חילוק (p = 0.000) אין יעדער פּאָרווייז פאַרגלייַך (נאָרמאַל קאַגניטיוו געזונט קעגן MCI) פֿאַר עלטער, בילדונג און מעמטראַקס פאָרשטעלונג (MTx-% C און MTx-RT). יעדער פּאַציענט סאַב-דאַטאַסעט אין די ריספּעקטיוו MCI קלאַס פֿאַר יעדער קאָמבינאַציע איז געווען אין דורכשניטלעך וועגן 9 צו 15 יאר עלטער, געמאלדן וועגן פינף ווייניקערע יאָרן פון בילדונג, און האט ווייניקער גינציק MemTrax פאָרשטעלונג פֿאַר ביידע מעטריקס.
פּרעדיקטיוו מאָדעלינג פאָרשטעלונג רעזולטאַטן פֿאַר די מאָקאַ כעזשבן קלאַסאַפאַקיישאַנז ניצן די שפּיץ דריי לערנערז, לאָגיסטיק רעגרעססיאָן, נאַיוו בייעס, און שטיצן וועקטאָר מאַשין, זענען געוויזן אין טאַבלע 4. די דריי זענען אויסדערוויילט באזירט אויף די מערסט קאַנסיסטאַנטלי הויך אַבסאָלוט לערנער פאָרשטעלונג איבער אַלע די פאַרשידן מאָדעלס געווענדט צו די דאַטאַסעץ פֿאַר אַלע די מאָדעלינג סקימז. פֿאַר די אַנפילטערד דאַטאַסעט און מאָדעלינג, יעדער פון די דאַטן וואַלועס אין טאַבלע 4 ינדיקייץ די מאָדעל פאָרשטעלונג באזירט אויף די AUC ריספּעקטיוו מיטל דערייווד פון די 100 מאָדעלס (10 ראַנז × 10 פאָולדז) געבויט פֿאַר יעדער לערנער / מאָדעלינג סכעמע קאָמבינאַציע, מיט די ריספּעקטיוו העכסטן. פּערפאָרמינג לערנער אנגעוויזן אין דרייסט. כאָטש פֿאַר די פילטערד דאַטאַמאַטינג מאָדעלינג, די רעזולטאטן רעפּאָרטעד אין טאַבלע 4 פאַרטראַכטנ זיך די קוילעלדיק דורכשניטלעך מאָדעל פּערפאָרמאַנסיז פון 400 מאָדעלס פֿאַר יעדער לערנער ניצן יעדער פון די פֿעיִקייטן ראַנג מעטהאָדס (4 שטריך ראַנקינג מעטהאָדס × 10 ראַנז × 10 פאָולדז).
טיש 4
דיטשאָטאָמאָוס מאָקאַ כעזשבן קלאַסאַפאַקיישאַן פאָרשטעלונג (AUC; 0.0-1.0) רעזולטאַטן פֿאַר יעדער פון די דריי העכסט-פּערפאָרמינג לערנערז פֿאַר אַלע ריספּעקטיוו מאָדעלינג סקימז
| שטריך שטעלן געוויינט | מאָקאַ כעזשבן | קאַטאָף שוועל | לאָגיסטיק רעגרעססיאָן | נאַיוו בייעס | שטיצן וועקטאָר מאַשין |
| אַנפילטערד (10 פֿעיִקייטן) | אַדזשאַסטיד | 23 | 0.8862 | 0.8913 | 0.8695 |
| 26 | 0.8971 | 0.9221 | 0.9161 | ||
| ונאַדדזשוסטעד | 23 | 0.9103 | 0.9085 | 0.8995 | |
| 26 | 0.8834 | 0.9153 | 0.8994 | ||
| פילטערד (4 פֿעיִקייטן) | אַדזשאַסטיד | 23 | 0.8929 | 0.8954 | 0.8948 |
| 26 | 0.9188 | 0.9247 | 0.9201 | ||
| ונאַדדזשוסטעד | 23 | 0.9135 | 0.9134 | 0.9122 | |
| 26 | 0.9159 | 0.9236 | 0.9177 |
ניצן ווערייישאַנז פון שטריך שטעלן, MoCA כעזשבן און MoCA כעזשבן שוועל, די העכסטן פאָרשטעלונג פֿאַר יעדער מאָדעלינג סכעמע איז געוויזן אין דרייסט (ניט דאַווקע סטאַטיסטיש אַנדערש ווי אַלע אנדערע נישט אין דרייסט פֿאַר די ריספּעקטיוו מאָדעל).
קאַמפּערינג די לערנערז צווישן אַלע קאַמבאַניישאַנז פון מאָקאַ כעזשבן ווערסיעס און טרעשכאָולדז (אַדזשאַסטיד / אַנאַדזשוסטעד און 23/26 ריספּעקטיוולי) אין די קאַמביינד אַנפילטערד דאַטאַסעט (ד"ה ניצן די 10 פּראָסט פֿעיִקייטן), Naïve Bayes איז בכלל די העכסט-פּערפאָרמינג לערנער מיט אַ קוילעלדיק קלאַסאַפאַקיישאַן פאָרשטעלונג פון 0.9093. קאָנסידערינג די שפּיץ דריי לערנערז, די בייעסיאַן-קאָראַלייטיד געחתמעט-ראַנג טעסץ אנגעוויזן אַז די מאַשמאָעס (Pr) פון נאַיוו בייעס אַוטפּערפאָרמינג לאָגיסטיק רעגרעססיאָן איז געווען 99.9%. דערצו, צווישן Naive Bayes און Support Vector Machine, אַ 21.0% מאַשמאָעס פון פּראַקטיש יקוויוואַלאַנס אין לערער פאָרשטעלונג (אַזוי, אַ 79.0% מאַשמאָעס פון נאַיוו Bayes אַוטפּערפאָרמינג שטיצן וועקטאָר מאַשין), צוזאַמען מיט די 0.0% מאַשמאָעס פון שטיצן וועקטאָר מאַשין פּערפאָרמז בעסער, מעזשעראַבאַל. ריינפאָרסיז די פאָרשטעלונג מייַלע פֿאַר Naive Bayes. ווייַטער פאַרגלייַך פון מאָקאַ כעזשבן ווערסיע איבער אַלע לערנערז / טרעשכאָולדז סאַגדזשעסטיד אַ קליין פאָרשטעלונג מייַלע ניצן אַנאַדזשוסטעד מאָקאַ סקאָרז קעגן אַדזשאַסטיד (0.9027 קעגן 0.8971, ריספּעקטיוולי; Pr (ונאַדדזשוסטעד> אַדזשאַסטיד) = 0.988). סימילאַרלי, אַ פאַרגלייַך פון קאַטאָף שוועל צווישן אַלע לערנערז און מאָקאַ כעזשבן ווערסיעס ינדיקייץ אַ קליין קלאַסאַפאַקיישאַן פאָרשטעלונג מייַלע ניצן 26 ווי די קלאַסאַפאַקיישאַן שוועל קעגן 23 (0.9056 קעגן 0.8942, ריספּעקטיוולי; Pr (26 > 23) = 0.999). לעסאָף, דורכקוקן די קלאַסאַפאַקיישאַן פאָרשטעלונג פֿאַר די מאָדעלס ניצן בלויז די געפילטערט רעזולטאַטן (ד"ה, בלויז פיר פֿעיִקייטן אין די שפּיץ-ראַנגקט), Naïve Bayes (0.9143) איז געווען נומעריקאַללי דער בעסטער-פּערפאָרמינג לערנער איבער אַלע MoCA כעזשבן ווערסיעס / שוועלן. אָבער, אין קאָמבינאַציע מיט אַלע די פונקציע ראַנגקינג טעקניקס, אַלע די העכסט-פּערפאָרמינג לערנערז האָבן דורכגעקאָכט סימאַלערלי. Bayesian געחתמעט-ראַנג טעסץ געוויזן 100% מאַשמאָעס פון פּראַקטיש עקוויוואַלאַנס צווישן יעדער פּאָר פון פילטערד לערנערז. ווי מיט די אַנפילטערד דאַטן (ניצן אַלע 10 פּראָסט פֿעיִקייטן), עס איז געווען ווידער אַ פאָרשטעלונג מייַלע פֿאַר די אַנאַדזשוסטעד ווערסיע פון די מאָקאַ כעזשבן (Pr (ונאַדדזשוסטעד> אַדזשאַסטיד) = 1.000), ווי געזונט ווי אַ סימאַלערלי בוילעט מייַלע פֿאַר די קלאַסאַפאַקיישאַן שוועל פון 26 (Pr (26> 23) = 1.000). נאָוטאַבלי, די דורכשניטלעך פאָרשטעלונג פון יעדער פון די שפּיץ דריי לערנערז איבער אַלע MoCA כעזשבן ווערסיעס / שוועל ניצן בלויז די שפּיץ-ראַנגקט פיר פֿעיִקייטן יקסיד די דורכשניטלעך פאָרשטעלונג פון קיין לערנער אויף די אַנפילטערד דאַטן. ניט סאַפּרייזינגלי, די קלאַסאַפאַקיישאַן פאָרשטעלונג פון די פילטערד מאָדעלס (ניצן די שפּיץ-ראַנגקט פיר פֿעיִקייטן) קוילעלדיק איז געווען העכער (0.9119) צו די אַנפילטערד מאָדעלס (0.8999), ראַגאַרדלאַס פון די פֿעיִקייטן ראַנגקינג מעטאָד מאָדעלס וואָס זענען קאַמפּערד מיט די ריספּעקטיוו מאָדעלס מיט אַלע 10 פּראָסט מאָדעלס איינריכטונגען. פֿאַר יעדער שטריך סעלעקציע אופֿן, עס איז געווען 100% מאַשמאָעס פון אַ פאָרשטעלונג מייַלע איבער די אַנפילטערד מאָדעלס.
מיט די פּאַטיענץ קאַנסידערד פֿאַר אַד דיאַגנאָסיס שטרענגקייַט קלאַסאַפאַקיישאַן, צווישן-גרופּע (MCI-AD קעגן AD) דיפעראַנסיז פֿאַר עלטער (p = 0.004), בילדונג (p = 0.028), מאָקאַ כעזשבן אַדזשאַסטיד / אַנאַדזשאַסטיד (p = 0.000), און MTx-% C (p = 0.008) זענען סטאַטיסטיש באַטייַטיק; כוועראַז פֿאַר MTx-RT עס איז נישט (p = 0.097). מיט די פּאַטיענץ קאַנסידערד פֿאַר וואַד דיאַגנאָסיס שטרענגקייַט קלאַסאַפאַקיישאַן, צווישן-גרופּע (MCI-VaD versus VaD) דיפעראַנסיז פֿאַר מאָקאַ כעזשבן אַדזשאַסטיד / אַנאַדזשוסטעד (p = 0.007) און MTx-% C (p = 0.026) און MTx-RT (p = 0.001) זענען סטאַטיסטיש באַטייַטיק; ווייל פאר עלטער (p = 0.511) און בילדונג (p = 0.157) עס זענען קיין באַטייַטיק דיפעראַנסיז צווישן גרופּע.
פּרעדיקטיוו מאָדעלינג פאָרשטעלונג רעזולטאַטן פֿאַר די דיאַגנאָסיס שטרענגקייַט קלאַסאַפאַקיישאַנז ניצן די דריי פריער אויסגעקליבן לערנערז, לאָגיסטיק רעגרעססיאָן, נאַיוו בייעס און שטיצן וועקטאָר מאַשין, זענען געוויזן אין טאַבלע 5. כוועראַז נאָך יגזאַמאַנד לערנערז דעמאַנסטרייטיד אַ ביסל שטארקער פּערפאָרמאַנסיז ינדיווידזשואַלי מיט איינער פון די צוויי קליניש דיאַגנאָסיס קאַטעגאָריעס , די דריי לערנערז וואָס מיר האָבן יידענאַפייד ווי די מערסט גינציק אין אונדזער פריערדיקן מאָדעלינג געפֿינט די מערסט קאָנסיסטענט פאָרשטעלונג מיט ביידע נייַע מאָדעלינג סקימז. קאַמפּערינג די לערנערז צווישן יעדער פון די ערשטיק דיאַגנאָסיס קאַטעגאָריעס (AD און VaD), עס איז געווען קיין קאָנסיסטענט קלאַסאַפאַקיישאַן פאָרשטעלונג חילוק צווישן לערנערז פֿאַר MCI-VaD קעגן VaD, כאָטש סופּפּאָרט וועקטאָר מאַשין בכלל איז געווען מער פּראַמאַנאַנטלי. סימילאַרלי, עס זענען געווען קיין באַטייטיק דיפעראַנסיז צווישן לערנערז פֿאַר די MCI-AD קעגן AD קלאַסאַפאַקיישאַן, כאָטש Naïve Bayes (NB) האט אַ קליין פאָרשטעלונג מייַלע איבער לאָגיסטיק רעגרעססיאָן (לר) און בלויז אַ נעגלאַדזשאַבאַל פּלוראַליטעט איבער שטיצן וועקטאָר מאַשין, מיט מאַשמאָעס פון 61.4% און 41.7% ריספּעקטיוולי. אין ביידע דאַטאַסעץ, עס איז געווען אַ קוילעלדיק פאָרשטעלונג מייַלע פֿאַר שטיצן וועקטאָר מאַשין (SVM), מיט Pr (סוום > לר) = 0.819 און Pr (סוום > נב) = 0.934. אונדזער קוילעלדיק קלאַסאַפאַקיישאַן פאָרשטעלונג פֿאַר אַלע לערנערז אין פּרידיקטינג די שטרענגקייַט פון דיאַגנאָסיס אין די XL סאַב-דאַטאַסעט איז געווען בעסער אין די וואַד דיאַגנאָסיס קאַטעגאָריע קעגן AD (Pr (VAD > אַד) = 0.998).
טיש 5
דיטשאָטאָמאָוס קליניש דיאַגנאָסיס שטרענגקייַט קלאַסאַפאַקיישאַן פאָרשטעלונג (AUC; 0.0-1.0) רעזולטאַטן פֿאַר יעדער פון די דריי העכסט-פּערפאָרמינג לערנערז פֿאַר ביידע ריספּעקטיוו מאָדעלינג סקימז
| מאָדעלינג סכעמע | לאָגיסטיק רעגרעססיאָן | נאַיוו בייעס | שטיצן וועקטאָר מאַשין |
| MCI-AD קעגן AD | 0.7465 | 0.7810 | 0.7443 |
| MCI-VAD קעגן VaD | 0.8033 | 0.8044 | 0.8338 |
די העכסטן פאָרשטעלונג פֿאַר יעדער מאָדעלינג סכעמע איז געוויזן אין דרייסט (ניט דאַווקע סטאַטיסטיש אַנדערש ווי אנדערע נישט אין דרייסט).
דיסקוסיע
פרי דיטעקשאַן פון ענדערונגען אין קאַגניטיוו געזונט איז וויכטיק פּראַקטיש נוצן אין פּערזענלעך געזונט פאַרוואַלטונג און עפנטלעך געזונט. טאַקע, עס איז אויך זייער פיל אַ הויך בילכערקייַט אין קליניש סעטטינגס פֿאַר פּאַטיענץ ווערלדווייד. די שערד ציל איז צו פלינק פּאַטיענץ, קערידזשערז און פּראַוויידערז און פּינטלעך פריער צונעמען און קאָס-עפעקטיוו באַהאַנדלונג און לאַנדזשאַטודאַנאַל זאָרגן פֿאַר יענע וואָס אָנהייבן צו דערפאַרונג קאַגניטיוו אַראָפּגיין. צונויפגיסן אונדזער דריי שפּיטאָל / קליניק (s) דאַטן סאַבסעץ, מיר יידענאַפייד דריי דיסטינגקטיוו בילכער לערנערז (מיט איין נאָוטאַבאַל סטאַנדאַוט - נאַיוו בייעס) צו בויען פּרידיקטיוו מאָדעלס ניצן MemTrax פאָרשטעלונג מעטריקס וואָס קענען רילייאַבלי קלאַסיפיצירן קאַגניטיוו געזונט סטאַטוס דיטשאָטאָמאָסלי (נאָרמאַל קאַגניטיוו געזונט אָדער MCI) ווי וואָלט זיין אנגעוויזן דורך אַ מאָקאַ געמיינזאַם כעזשבן. נאָוטאַבלי, די קוילעלדיק קלאַסאַפאַקיישאַן פאָרשטעלונג פֿאַר אַלע דריי לערנערז איז ימפּרוווד ווען אונדזער מאָדעלס יוטאַלייזד בלויז די שפּיץ-ראַנגקט פיר פֿעיִקייטן וואָס דער הויפּט ענקאַמפּאַסט די MemTrax פאָרשטעלונג מעטריקס. דערצו, מיר אנטפלעקט די סאַבסטאַנשיייטיד פּאָטענציעל צו נוצן די זעלבע לערנערז און MemTrax פאָרשטעלונג מעטריקס אין אַ דיאַגנאָסטיק שטיצן קלאַסאַפאַקיישאַן מאָדעלינג סכעמע צו ויסטיילן די שטרענגקייַט פון צוויי קאַטעגאָריעס פון דימענשיאַ דיאַגנאָסיס: AD און VaD.
זכּרון טעסטינג איז הויפט צו פרי דיטעקשאַן פון אַד [23, 24]. אזוי, עס איז גינציק אַז MemTrax איז אַן פּאַסיק, ענגיידזשינג און גרינג צו ינסטרומענט אָנליין זיפּונג פּראָבע פֿאַר עפּיזאָד זיקאָרן אין דער אַלגעמיין באַפעלקערונג [6]. דערקענונג אַקיעראַסי און ענטפער צייט פון דעם קעסיידערדיק פאָרשטעלונג אַרבעט זענען דער הויפּט ריווילינג אין די ידענטיפיינג פרי און יוואַלווינג דיטיריעריישאַן און קאָנסעקווענט דעפיסיץ אין די נעוראָפּלאַסטיק פּראַסעסאַז שייַכות צו לערנען, זכּרון און דערקענונג. דאָס איז, די מאָדעלס דאָ וואָס זענען לאַרגעלי באזירט אויף MemTrax פאָרשטעלונג מעטריקס זענען שפּירעוודיק צו און זענען מער מסתּמא צו אַנטפּלעקן בייאַלאַדזשיקאַל נעוראָפּאַטהאָלאָגיק דעפיסיץ אין די טראַנזישאַנאַל אַסימפּטאָמאַטיק בינע און מער היפּש פאַנגקשאַנאַל אָנווער [25]. Ashford עט על. ענג יגזאַמאַנד די פּאַטערנז און ביכייוויערז פון דערקענונג זיקאָרן אַקיעראַסי און ענטפער צייט אין אָנליין יוזערז וואָס אָנטייל נעמען אויף זייער אייגן מיט MemTrax [6]. רעספּעקטינג אַז די דיסטריביושאַנז זענען קריטיש אין אָפּטימאַל מאָדעלינג און דעוועלאָפּינג גילטיק און עפעקטיוו פּאַציענט זאָרגן אַפּלאַקיישאַנז, דיפיינינג קליניש אָנווענדלעך דערקענונג און ענטפער צייט פּראָופיילז איז יקערדיק אין גרינדן אַ ווערטפול יסוד רעפֿערענץ פֿאַר קליניש און פאָרשונג נוצן. די פּראַקטיש ווערט פון MemTrax אין AD זיפּונג פֿאַר פרי בינע קאַגניטיוו ימפּערמאַנט און דיפערענטשאַל דיאַגנאָסטיק שטיצן דאַרף זיין מער ענג יגזאַמאַנד אין דעם קאָנטעקסט פון אַ קליניש באַשטעטיקן, ווו קאָמאָרבידאַטיז און קאַגניטיוו, סענסערי און מאָטאָר קייפּאַבילאַטיז וואָס ווירקן פּרובירן פאָרשטעלונג קענען זיין באַטראַכט. און צו מיטטיילן פאַכמאַן פּערספּעקטיוו און מוטיקן פּראַקטיש קליניש נוצן, עס איז ערשטער ימפּעראַטיוו צו באַווייַזן פאַרגלייַך צו אַ געגרינדעט קאַגניטיוו געזונט אַססעססמענט פּראָבע, כאָטש די לעצטע קען זיין רעקאַגנייזאַבאַל קאַנסטריינד דורך קאַמבערסאַם טעסטינג לאַדזשיסטיקס, בילדונג און שפּראַך דיטערראַנץ, און קולטור ינפלואַנסיז [26] . אין דעם אַכטונג, די גינציק פאַרגלייַך פון MemTrax אין קליניש עפיקאַסי צו MoCA וואָס איז קאַמאַנלי פּריפּאָרטיד ווי אַ ינדאַסטרי סטאַנדאַרט איז באַטייַטיק, ספּעציעל ווען ווייינג די גרעסערע יז פון נוצן און פּאַציענט אַקסעפּטאַנס פון MemTrax.
פריער עקספּלעריישאַן קאַמפּערינג MemTrax צו MoCA כיילייץ די סייכל און פּרילימאַנערי זאָגן וואָס באַרעכטיקן אונדזער מאָדעלינג ויספאָרשונג [8]. אָבער, דעם פריערדיקן פאַרגלייַך בלויז פארבונדן די צוויי שליסל MemTrax פאָרשטעלונג מעטריקס וואָס מיר יגזאַמאַנד מיט קאַגניטיוו סטאַטוס ווי באשלאסן דורך מאָקאַ און דיפיינד ריספּעקטיוו ריינדזשאַז און קאַטאָף וואַלועס. מיר דיפּאַנד די קליניש נוצן אַסעסמאַנט פון MemTrax דורך ויספאָרשן אַ פּרידיקטיוו מאָדעלינג-באזירט צוגאַנג וואָס וואָלט צושטעלן אַ מער ינדיווידזשואַליזעד באַטראַכטונג פון אנדערע פּאַטענטשאַלי באַטייַטיק פּאַציענט-ספּעציפיש פּאַראַמעטערס. אין קאַנטראַסט צו אנדערע, מיר האָבן נישט געפֿינען אַ מייַלע אין מאָדעל פאָרשטעלונג ניצן אַ בילדונג קערעקשאַן (אַדזשאַסטמאַנט) צו די מאָקאַ כעזשבן אָדער אין וועריינג די קאַגניטיוו געזונט דיסקרימאַנייטינג מאָקאַ געמיינזאַם כעזשבן שוועל פון די ערידזשנאַלי רעקאַמענדיד 26 צו 23 [12, 15]. אין פאַקט, די קלאַסאַפאַקיישאַן פאָרשטעלונג מייַלע פייווערד מיט די אַנאַדזשוסטעד מאָקאַ כעזשבן און די העכער שוועל.
שליסל פונקטן אין קליניש פיר
מאַשין לערנען איז אָפט בעסטער געניצט און מערסט עפעקטיוו אין פּרידיקטיוו מאָדעלינג ווען די דאַטן זענען ברייט און מאַלטי-דימענשאַנאַל, דאָס איז, ווען עס זענען פילע אַבזערוויישאַנז און אַ קאַנקאַמיטאַנט ברייט קייט פון הויך-ווערט (קאַנטריביוטינג) אַטריביוץ. אָבער, מיט די קראַנט דאַטן, די פילטערד מאָדעלס מיט בלויז פיר סעלעקטעד פֿעיִקייטן האָבן דורכגעקאָכט בעסער ווי די וואָס נוצן אַלע 10 פּראָסט פֿעיִקייטן. דאָס סאַגדזשעסץ אַז אונדזער געמיינזאַם שפּיטאָל דאַטאַסעט האט נישט די מערסט קליניקאַלי צונעמען (הויך ווערט) פֿעיִקייטן צו אָפּטימאַללי קלאַסיפיצירן די פּאַטיענץ אין דעם וועג. פונדעסטוועגן, די פאַנגקשאַנאַליטי טראָפּ אויף די הויפּט MemTrax פאָרשטעלונג מעטריקס - MTx-% C און MTx-RT - שטיצט שטארק בויען קאַגניטיוו דעפיציט זיפּונג מאָדעלס אין דער פרי בינע אַרום דעם פּראָבע וואָס איז פּשוט, גרינג צו פירן, נידעריק-פּרייַז און אַפּטלי ריווילינג וועגן דעם פּראָבע. זכּרון פאָרשטעלונג, אין מינדסטער רעכט איצט ווי אַן ערשט פאַרשטעלן פֿאַר אַ ביינערי קלאַסאַפאַקיישאַן פון קאַגניטיוו געזונט סטאַטוס. געגעבן די טאָמיד-מאָונטינג שפּאַנונג אויף פּראַוויידערז און כעלטקער סיסטעמען, פּאַציענט זיפּונג פּראַסעסאַז און קליניש אַפּלאַקיישאַנז זאָל זיין פּאַסיק דעוועלאָפּעד מיט אַ טראָפּ אויף קאַלעקטינג, טראַקינג און מאָדעלינג די פּאַציענט קעראַקטעריסטיקס און פּרובירן מעטריקס וואָס זענען מערסט נוציק, אַדוואַנטיידזשאַס און פּראָווען עפעקטיוו אין דיאַגנאָסטיק. און פּאַציענט פאַרוואַלטונג שטיצן.
מיט די צוויי הויפּט MemTrax מעטריקס זייַנען צענטראלע אין MCI קלאַסאַפאַקיישאַן, אונדזער העכסט-פּערפאָרמינג לערנער (נאַיוו בייעס) האט אַ זייער הויך פּרידיקטיוו פאָרשטעלונג אין רובֿ מאָדעלס (AUC איבער 0.90) מיט אַ אמת-positive צו פאַלש-positive פאַרהעלטעניש נאָענט אָדער עפּעס יקסידינג 4 : 1. א איבערזעצונג קליניש אַפּלאַקיישאַן ניצן דעם לערנער וואָלט אַזוי כאַפּן (רעכט קלאַסיפיצירן) ביי ווייַט רובֿ פון יענע מיט אַ קאַגניטיוו דעפיציט, בשעת מינאַמייזינג די קאָס פֿאַרבונדן מיט מיסטייקאַלי קלאַסאַפייינג עמעצער מיט נאָרמאַל קאַגניטיוו געזונט ווי אַ קאַגניטיוו דעפיציט (פאַלש positive) אָדער פעלנדיק אַז קלאַסאַפאַקיישאַן אין די וואס האָבן אַ קאַגניטיוו דעפיציט (פאַלש נעגאַטיוו). איינער פון די סינעריאָוז פון מיס קלאַסאַפאַקיישאַן קען אָנטאָן אַ יבעריק סייקאָו-געזעלשאַפטלעך מאַסע צו די פּאַציענט און קערידזשערז.
אין די פּרילימאַנערי און פול אַנאַליזעס מיר געוויינט אַלע צען לערנערז אין יעדער מאָדעלינג סכעמע, מיר פאָוקיסט אונדזער רעזולטאַטן אויף די דריי קלאַססיפיערס וואָס ווייַזן די מערסט קאָנסיסטענט שטאַרק פאָרשטעלונג. דאָס איז אויך געווען צו הויכפּונקט, באזירט אויף די דאַטן, די לערנערז וואָס וואָלט אַנטיסאַפּייטידלי דורכפירן פאַרלאָזלעך אויף אַ הויך מדרגה אין אַ פּראַקטיש קליניש אַפּלאַקיישאַן אין דיטערמאַנינג קאַגניטיוו סטאַטוס קלאַסאַפאַקיישאַן. דערצו, ווייַל די לערנען איז געווען בדעה ווי אַ ינטראַדאַקטערי ויספאָרשונג אין די נוצן פון מאַשין לערנען אויף קאַגניטיוו זיפּונג און די בייַצייַטיק קליניש טשאַלאַנדזשיז, מיר האָבן באַשלאָסן צו האַלטן די לערנען טעקניקס פּשוט און גענעראַליזעד, מיט מינימאַל פּאַראַמעטער טונינג. מיר אָפּשאַצן אַז דעם צוגאַנג קען האָבן לימיטעד די פּאָטענציעל פֿאַר מער שמאָל דיפיינד פּאַציענט-ספּעציפיש פּרידיקטיוו קייפּאַבילאַטיז. פּונקט אַזוי, כאָטש טריינינג די מאָדעלס ניצן בלויז די שפּיץ פֿעיִקייטן (פילטערד צוגאַנג) ינפאָרמז אונדז ווייַטער וועגן די דאַטן (ספּעציפיש צו די שאָרטקאָמינגס אין געזאמלט דאַטן און כיילייטינג די ווערט אין אָפּטימיזינג טייַער קליניש צייט און רעסורסן), מיר דערקענען אַז עס איז צו פרי צו שמאָל. דער פאַרנעם פון די מאָדעלס און, דעריבער, אַלע (און אנדערע פֿעיִקייטן) זאָל זיין קאַנסידערד מיט צוקונפֿט פאָרשונג ביז מיר האָבן אַ מער דעפיניטיווע פּראָפיל פון בילכערקייַט פֿעיִקייטן וואָס וואָלט זיין אָנווענדלעך צו די ברייט באַפעלקערונג. אזוי, מיר אויך דערקענען אַז מער ינקלוסיוו און ברייט רעפּריזענאַטיוו דאַטן און אַפּטאַמאַזיישאַן פון די און אנדערע מאָדעלס וואָלט זיין נויטיק איידער ינטאַגרייטינג זיי אין אַן עפעקטיוו קליניש אַפּלאַקיישאַן, ספּעציעל צו אַקאַמאַדייט קאָמאָרבידאַטיז וואָס ווירקן קאַגניטיוו פאָרשטעלונג וואָס וואָלט זיין קאַנסידערד אין ווייַטער קליניש אפשאצונג.
די נוצן פון MemTrax איז געווען ווייַטער עדיפיעד דורך די מאָדעלינג פון קרענק שטרענגקייַט באזירט אויף באַזונדער קליניש דיאַגנאָסיס. א בעסער קוילעלדיק קלאַסאַפאַקיישאַן פאָרשטעלונג אין פּרידיקטינג שטרענגקייַט פון וואַד (קאַמפּערד צו אַד) איז נישט חידוש, ווייַל די פּאַציענט פּראָפיל פֿעיִקייטן אין די מאָדעלס ספּעציפיש צו וואַסקיאַלער געזונט און מאַך ריזיקירן, הייסט, כייפּערטענשאַן, כייפּערליפּידעמיאַ, צוקערקרענק, און (פון קורס) מאַך געשיכטע. כאָטש עס וואָלט האָבן געווען מער דיזייעראַבאַל און פּאַסיק צו האָבן די זעלבע קליניש אַסעסמאַנט געפירט אויף מאַטשט פּאַטיענץ מיט נאָרמאַל קאַגניטיוו געזונט צו באַן די לערנערז מיט די מער ינקלוסיוו דאַטן. דאָס איז ספּעציעל געראַנטיד, ווייַל MemTrax איז בדעה צו זיין געוויינט בפֿרט פֿאַר פרי בינע דיטעקשאַן פון אַ קאַגניטיוו דעפיציט און סאַבסאַקוואַנט טראַקינג פון יחיד ענדערונגען. עס איז אויך גלייבלעך אַז די מער דיזייראַבאַל פאַרשפּרייטונג פון דאַטן אין די VaD דאַטאַסעט קאַנטריביוטיד טייל צו די קאַמפּעראַטיוולי בעסער מאָדעלינג פאָרשטעלונג. די VaD דאַטאַבייס איז געזונט-באַלאַנסט צווישן די צוויי קלאסן, כאָטש די AD דאַטאַסעט מיט פיל ווייניקערע MCI פּאַטיענץ איז נישט. ספּעציעל אין קליין דאַטאַסעץ, אפילו אַ ביסל נאָך ינסטאַנסיז קענען מאַכן אַ מעזשעראַבאַל חילוק. ביידע פּערספּעקטיווז זענען גלייַך אַרגומענטן אַנדערלייינג די דיפעראַנסיז אין קרענק שטרענגקייַט מאָדעלינג פאָרשטעלונג. אָבער, פּראַפּאָרשאַנאַטלי אַטריביאַטאַד ימפּרוווד פאָרשטעלונג צו דאַטאַסעט נומעריקאַל קעראַקטעריסטיקס אָדער די טאָכיק פֿעיִקייטן ספּעציפיש צו די קליניש פּרעזענטירונג אונטער באַטראַכטונג איז צו פרי. פונדעסטוועגן, דער ראָמאַן דעמאַנסטרייטיד די נוצן פון אַ MemTrax פּרידיקטיוו קלאַסאַפאַקיישאַן מאָדעל אין דער ראָלע פון קליניש דיאַגנאָסטיק שטיצן גיט ווערטפול פּערספּעקטיוו און באַשטעטיקן די יאָג פֿאַר נאָך דורכקוק מיט פּאַטיענץ איבער די קאַנטיניויישאַן פון MCI.
די ימפּלאַמענטיישאַן און דעמאַנסטרייטיד נוצן פון MemTrax און די מאָדעלס אין טשיינאַ, ווו די שפּראַך און קולטור זענען דראַסטיקלי אַנדערש פון אנדערע רעגיאָנס פון געגרינדעט נוצן (למשל, פֿראַנקרייַך, נעטהערלאַנדס און פאַרייניקטע שטאַטן) [7, 8, 27], ווייַטער אַנדערקאָרז די פּאָטענציעל. פֿאַר וויידספּרעד גלאבאלע אַקסעפּטאַנס און קליניש ווערט פון אַ MemTrax-באזירט פּלאַטפאָרמע. דאָס איז אַ דעמאַנסטראַבאַל ביישפּיל אין שטרעבונג צו כאַרמאַניזיישאַן פון דאַטן און דעוועלאָפּינג פּראַקטיש אינטערנאַציאָנאַלע נאָרמז און מאָדעלינג רעסורסן פֿאַר קאַגניטיוו זיפּונג וואָס זענען סטאַנדערדייזד און לייכט צוגעפאסט פֿאַר נוצן ווערלדווייד.
ווייַטער סטעפּס אין קאַגניטיוו אַראָפּגיין מאָדעלינג און אַפּלאַקיישאַן
קאַגניטיוו דיספאַנגקשאַן אין אַד טאַקע אַקערז אויף אַ קאַנטיניויישאַן, נישט אין דיסקרעטע סטאַגעס אָדער סטעפּס [28, 29]. אָבער, אין דער פרי פאַסע, אונדזער ציל איז געווען צו ערשטער פאַרלייגן אונדזער פיייקייט צו בויען אַ מאָדעל ינקאָרפּערייטינג מעמטראַקס וואָס קענען פונדאַמענטאַלי אונטערשיידן "נאָרמאַל" פון "ניט נאָרמאַל". מער ינקלוסיוו עמפּיריקאַל דאַטן (למשל, מאַרך ימידזשינג, גענעטיק פֿעיִקייטן, ביאָמאַרקערס, קאָמאָרבידאַטיז און פאַנגקשאַנאַל מאַרקערס פון קאָמפּלעקס אַקטיוויטעטן ריקוויירינג קאַגניטיוו קאָנטראָל) [30] אַריבער וועריד גלאבאלע מקומות, פּאַפּיאַליישאַנז און עלטער גרופּעס צו באַן און אַנטוויקלען מער סאַפיסטאַקייטיד (אַרייַנגערעכנט אַפּטלי ווייטיד אַנסאַמבאַל) מאַשין לערנען מאָדעלס וועט שטיצן אַ גרעסערע גראַד פון ענכאַנסט קלאַסאַפאַקיישאַן, דאָס איז די קאַפּאַציטעט צו קאַטאַגערייז גרופּעס פון פּאַטיענץ מיט MCI אין קלענערער און מער דעפיניטיווע סאַבסעץ צוזאמען די קאַנטיניויישאַן פון קאַגניטיוו אַראָפּגיין. דערצו, קאַנקאַמיטאַנט קליניש דיאַגנאָסיז פֿאַר מענטשן אין רעגיאָנאַל דייווערס פּאַציענט פּאַפּיאַליישאַנז זענען יקערדיק פֿאַר יפעקטיוולי באַן די מער ינקלוסיוו און פּרידיקטאַבלי געזונט מאָדעלס. דאָס וועט פאַסילאַטייט מער ספּעציפיש סטראַטאַפייד פאַל פאַרוואַלטונג פֿאַר יענע מיט ענלעך באַקגראַונדז, ינפלואַנסיז און מער שמאָל דיפיינד כאַראַקטעריסטיש קאַגניטיוו פּראָופיילז און אַזוי אַפּטאַמייז קליניש באַשלוס שטיצן און פּאַציענט זאָרגן.
פיל פון די באַטייַטיק קליניש פאָרשונג צו-טאָג האט גערעדט פּאַטיענץ מיט לפּחות מילד דימענשיאַ; און, אין פיר, צו אָפט פּאַציענט ינטערווענטיאָן איז פּרוווד בלויז אין אַוואַנסירטע סטאַגעס. אָבער, ווייַל קאַגניטיוו אַראָפּגיין הייבט זיך לאַנג איידער קליניש קרייטיריאַ פֿאַר דימענשיאַ זענען באגעגנט, אַ יפעקטיוולי געווענדט MemTrax-באזירט פרי פאַרשטעלן קען מוטיקן צונעמען בילדונג פון מענטשן וועגן די קרענק און זייַן פּראַגרעשאַנז און פּינטלעך פריער און מער בייַצייַטיק ינטערווענטשאַנז. אזוי, פרי דיטעקשאַן קען שטיצן פּאַסיק ינוואַלוומאַנט ריינדזשינג פון געניטונג, דיעטע, עמאָציאָנעל שטיצן, און ימפּרוווד סאָושאַליזיישאַן צו פאַרמאַקאַלאַדזשיקאַל ינטערווענטיאָן און פאַרשטאַרקן פּאַציענט-פֿאַרבונדענע ענדערונגען אין נאַטור און מערקונג אַז יחיד אָדער אין געמיינזאַם קען פאַרמינערן אָדער פּאַטענטשאַלי האַלטן דימענשיאַ פּראַגרעשאַן [31, 32] . דערצו, מיט עפעקטיוו פרי זיפּונג, מענטשן און זייער פאַמיליעס קען זיין פּראַמפּטיד צו באַטראַכטן קליניש טריאַלס אָדער באַקומען קאַונסלינג און אנדערע סאציאל סערוויסעס שטיצן צו העלפֿן דערקלערן עקספּעקטיישאַנז און ינטענטשאַנז און פירן טעגלעך טאַסקס. ווייַטער וואַלאַדיישאַן און וויידספּרעד פּראַקטיש נוצן אין די וועגן קען זיין ינסטרומענטאַל אין מיטאַגייטינג אָדער סטאָפּפּינג די פּראַגרעשאַן פון MCI, AD און ADRD פֿאַר פילע מענטשן.
טאקע, די נידעריק סוף פון די פּאַציענט עלטער קייט אין אונדזער לערנען איז נישט פאָרשטעלן די באַפעלקערונג פון טראדיציאנעלן דייַגע מיט אַד. פונדעסטוועגן, די דורכשניטלעך עלטער פֿאַר יעדער גרופּע געניצט אין די קלאַסאַפאַקיישאַן מאָדעלינג סקימז באזירט אויף די מאָקאַ כעזשבן / שוועל און שטרענגקייַט פון דיאַגנאָסיס (טאַבלע 3) אַנדערקאָרז אַז אַ קלאָר מערהייט (איבער 80%) איז אין מינדסטער 50 יאָר אַלט. דער פאַרשפּרייטונג איז אַזוי זייער צונעמען פֿאַר גענעראַליזיישאַן, שטיצן די נוצן פון די מאָדעלס אין די באַפעלקערונג קעראַקטערייזינג די טיפּיקלי אַפעקטאַד דורך פרי אָנסעט און בערדזשאַנינג נעוראָקאָגניטיווע קראַנקייַט רעכט צו אַד און וואַד. אויך, פריש זאָגן און פּערספּעקטיוו דרוק די דערקענט סיבות (למשל כייפּערטענשאַן, אַביסאַטי, צוקערקרענק און סמאָוקינג) פּאַטענטשאַלי קאַנטריביוטינג צו העכער פרי. וואַסקיאַלער ריזיקירן סקאָרז פֿאַר דערוואַקסן און מידלייף און סאַטאַל סאַטאַל וואַסקיאַלער מאַרך שאָדן וואָס אַנטוויקלען ינסידיאַסלי מיט קענטיק יפעקץ אפילו אין יונג אַדאַלץ [33-35]. אַקקאָרדינגלי, די מערסט אָפּטימאַל ערשט זיפּונג געלעגנהייט פֿאַר דיטעקטינג פרי בינע קאַגניטיוו דעפיסיץ און ינישיייטינג עפעקטיוו פאַרהיטונג און ינטערווענטיאָן סטראַטעגיעס אין הצלחה אַדרעסינג דימענשיאַ וועט אַרויסקומען פון יגזאַמאַנד קאַנטריביוטינג סיבות און אַנטיסידענט ינדאַקייטערז איבער די עלטער ספּעקטרום, אַרייַנגערעכנט פרי אַדאַלטכוד און פּאַטענטשאַלי אפילו קינדשאַפט (באַמערקן די שייכות פון גענעטיק סיבות אַזאַ ווי אַפּאָליפּאָפּראָטעין E פֿון פרי דזשעסטיישאַן).
אין פיר, גילטיק קליניש דיאַגנאָסיז און טייַער פּראָוסידזשערז פֿאַר אַוואַנסירטע ימידזשינג, גענעטיק פּראָפילינג און מעסטן פּראַמאַסינג ביאָמאַרקערס זענען נישט שטענדיק בנימצא אָדער אפילו פיזאַבאַל פֿאַר פילע פּראַוויידערז. אזוי, אין פילע ינסטאַנסיז, ערשט קוילעלדיק קאַגניטיוו געזונט סטאַטוס קלאַסאַפאַקיישאַן קען זיין דערייווד פון מאָדעלס ניצן אנדערע פּשוט מעטריקס צוגעשטעלט דורך דער פּאַציענט (למשל, זיך-רעפּאָרטעד זכּרון פּראָבלעמס, קראַנט מעדאַקיישאַנז און לימיטיישאַנז פון רוטין טעטיקייט) און פּראָסט דעמאָגראַפיק פֿעיִקייטן [7]. רעגיסטריז אַזאַ ווי די אוניווערסיטעט פון קאַליפאָרניאַ מאַרך געזונט רעגיסטרי (https://www.brainhealthregistry.org/) [27] און אנדערע מיט אַ טאָכיק גרעסערע ברייט פון זיך-רעפּאָרטעד סימפּטאָמס, קוואַליטאַטיווע מיטלען (למשל, שלאָפן און יעדער טאָג דערקענונג), מעדאַקיישאַנז, געזונט סטאַטוס און געשיכטע, און מער דיטיילד דעמאָגראַפיקס וועט זיין ינסטרומענטאַל אין דעוועלאָפּינג און וואַלאַדייטינג די פּראַקטיש אַפּלאַקיישאַן פון די מער פּרימיטיוו מאָדעלס אין דער קליניק. דערצו, אַ פּראָבע אַזאַ ווי MemTrax, וואָס האט דעמאַנסטרייטיד נוצן אין אַססעסס זיקאָרן פונקציע, קען טאַקע צושטעלן אַ סאַבסטאַנשאַלי בעסער אָפּשאַצונג פון אַד פּאַטאַלאַדזשי ווי בייאַלאַדזשיקאַל מאַרקערס. געגעבן אַז די האַרץ שטריך פון אַד פּאַטאַלאַדזשי איז דיסראַפּשאַן פון נעוראָפּלאַסטיסאַטי און אַ אָוווערוועלמינגלי קאָמפּלעקס אָנווער פון סינאַפּסעס, וואָס איז באַשייַמפּערלעך ווי עפּיזאָד. זיקאָרן דיספאַנגקשאַן, אַ מאָס וואָס אַססעסס עפּיזאָד זיקאָרן קען אין פאַקט צושטעלן אַ בעסער אָפּשאַצונג פון אַד פּאַטאַלאַדזשיקאַל מאַסע ווי בייאַלאַדזשיקאַל מאַרקערס אין די לעבעדיק פּאַציענט [36].
מיט אַלע פּרידיקטיוו מאָדעלס - צי קאַמפּלאַמענטיד דורך קאָמפּלעקס און ינקלוסיוו דאַטן פון מאָדערן טעכנאָלאָגיע און ראַפינירט קליניש ינסייץ אַריבער קייפל דאָומיינז אָדער די לימיטעד צו מער יקערדיק און גרינג בנימצא אינפֿאָרמאַציע כאַראַקטעריסטיש פון יגזיסטינג פּאַציענט פּראָופיילז - די דערקענט מייַלע פון קינסטלעך סייכל און מאַשין לערנען איז אַז די ריזאַלטינג מאָדעלס קענען סינטאַסייז און ינדוקטיוולי "לערנען" פֿון באַטייַטיק נייַע דאַטן און פּערספּעקטיוו צוגעשטעלט דורך אָנגאָינג אַפּלאַקיישאַן יוטאַלאַזיישאַן. נאָך פּראַקטיש טעכנאָלאָגיע אַריבערפירן, ווי די מאָדעלס דאָ (און צו זיין דעוועלאָפּעד) זענען געווענדט און ענריטשט מיט מער קאַסעס און פּערטינאַנט דאַטן (אַרייַנגערעכנט פּאַטיענץ מיט קאָמאָרבידאַטיז וואָס קען זיין פאָרשטעלן מיט די ווייַטערדיק קאַגניטיוו אַראָפּגיין), פּראָגנאָז פאָרשטעלונג און קאַגניטיוו געזונט קלאַסאַפאַקיישאַן וועט זיין מער געזונט, ריזאַלטינג אין מער עפעקטיוו קליניש באַשלוס שטיצן נוצן. די עוואָלוציע וועט זיין מער גאָר און פּראַקטאַקלי איינגעזען מיט עמבעדדינג MemTrax אין מנהג (טאַרגעטעד צו די בנימצא קייפּאַבילאַטיז) פּלאַטפאָרמס וואָס כעלטקער פּראַוויידערז קענען נוצן אין פאַקטיש-צייט אין דער קליניק.
ימפּעראַטיוו צו די וואַלאַדיישאַן און נוצן פון די MemTrax מאָדעל פֿאַר דיאַגנאָסטיק שטיצן און פּאַציענט זאָרגן זענען העכסט געזוכט מינינגפאַל לאַנדזשאַטודאַנאַל דאַטן. דורך אַבזערווינג און רעקאָרדינג די קאַנקאַמיטאַנט ענדערונגען (אויב עס זענען) אין קליניש סטאַטוס אין אַ טויגן קייט פון נאָרמאַל דורך MCI אין דער פרי-בינע, די מאָדעלס פֿאַר צונעמען אָנגאָינג אַסעסמאַנט און קלאַסאַפאַקיישאַן קענען זיין טריינד און מאַדאַפייד ווי פּאַטיענץ עלטער און באהאנדלט. דאָס איז, ריפּיטיד נוצן קענען אַרוישעלפן מיט לאַנדזשאַטודאַנאַל טראַקינג פון מילד קאַגניטיוו ענדערונגען, ינטערווענטיאָן יפעקטיוונאַס און מיינטיינינג ינפאָרמד סטראַטאַפייד זאָרג. דער צוגאַנג איז מער ענג מיט קליניש פיר און פּאַציענט און פאַל פאַרוואַלטונג.
לימיטאַטיאָנס
מיר אָפּשאַצן די אַרויסרופן און ווערט אין קאַלעקטינג ריין קליניש דאַטן אין אַ קאַנטראָולד קליניק / שפּיטאָל באַשטעטיקן. פונדעסטוועגן, עס וואָלט האָבן געשטארקט אונדזער מאָדעלינג אויב אונדזער דאַטאַסעץ ינקלודעד מער פּאַטיענץ מיט פּראָסט פֿעיִקייטן. דערצו, ספּעציעל פֿאַר אונדזער דיאַגנאָסיס מאָדעלינג, עס וואָלט האָבן געווען מער דיזייעראַבאַל און פּאַסן צו האָבן די זעלבע קליניש אַסעסמאַנט געפירט אויף מאַטשט פּאַטיענץ מיט נאָרמאַל קאַגניטיוו געזונט צו באַן די לערנערז. און ווי אונטערגעשטראכן דורך די העכער קלאַסאַפאַקיישאַן פאָרשטעלונג ניצן די פילטערד דאַטאַסעט (בלויז די שפּיץ-ראַנגקט פיר פֿעיִקייטן), מער אַלגעמיין און קאַגניטיוו געזונט מיטלען / ינדאַקייטערז וואָלט מסתּמא האָבן ימפּרוווד מאָדעלינג פאָרשטעלונג מיט אַ גרעסערע נומער פון פּראָסט פֿעיִקייטן אין אַלע פּאַטיענץ.
עטלעכע פּאַרטיסאַפּאַנץ קען האָבן קאַנקאַמיטאַנטלי יקספּיריאַנסט אנדערע ילנאַסיז וואָס קען האָבן פּראַמפּטיד טראַנזאַטאָרי אָדער כראָניש קאַגניטיוו דיפישאַנסיז. אַחוץ די XL סאַב-דאַטאַסעט, וווּ די פּאַטיענץ זענען דיאַגנאָסטיקלי קלאַסאַפייד ווי AD אָדער VaD, קאָמאָרבידאַטי דאַטן זענען נישט געזאמלט / רעפּאָרטעד אין די YH פּאַציענט בעקן, און די פּרידאַמאַנאַנט קאָמאָרבידאַטי ביי ווייַט אין די KM סאַב-דאַטאַסעט איז געווען צוקערקרענק. עס איז אַרגיואַבאַל, אָבער, אַז אַרייַנגערעכנט פּאַטיענץ אין אונדזער מאָדעלינג סקימז מיט קאָמאָרבידאַטיז וואָס קען אָנמאַכן אָדער פאַרשטאַרקן אַ מדרגה פון קאַגניטיוו דיפישאַנסי און אַ קאָנסעקווענט נידעריקער MemTrax פאָרשטעלונג וואָלט זיין מער רעפּריזענאַטיוו פון די פאַקטיש-וועלט טאַרגעטעד פּאַציענט באַפעלקערונג פֿאַר דעם מער גענעראַליזעד פרי קאַגניטיוו זיפּונג. און מאָדעלינג צוגאַנג. פאָרויס, פּינטלעך דיאַגנאָסיס פון קאָמאָרבידאַטיז פּאַטענטשאַלי אַפעקטינג קאַגניטיוו פאָרשטעלונג איז ברייט וווילטויק פֿאַר אָפּטימיזינג די מאָדעלס און ריזאַלטינג פּאַציענט זאָרגן אַפּלאַקיישאַנז.
לעסאָף, די YH און KM סאַב-דאַטאַסעט פּאַטיענץ געוויינט אַ סמאַרטפאָנע צו נעמען די MemTrax פּראָבע, כאָטש אַ לימיטעד נומער פון די XL סאַב-דאַטאַסעט פּאַטיענץ געוויינט אַ יפּאַד און די מנוחה געוויינט אַ סמאַרטפאָנע. דאָס קען האָבן ינטראָודוסט אַ מינערווערטיק מיטל-פֿאַרבונדענע חילוק אין MemTrax פאָרשטעלונג פֿאַר די מאָקאַ קלאַסאַפאַקיישאַן מאָדעלינג. אָבער, דיפעראַנסיז (אויב קיין) אין MTx-RT, למשל, צווישן דעוויסעס וואָלט מסתּמא זיין נעגלאַדזשאַבאַל, ספּעציעל מיט יעדער באַטייליקטער איז געגעבן אַ "פיר" פּראָבע נאָר איידער די רעקאָרדעד פּרובירן פאָרשטעלונג. פונדעסטוועגן, די נוצן פון די צוויי כאַנדכעלד דעוויסעס פּאַטענטשאַלי קאַמפּראַמייזיז דירעקט פאַרגלייַך צו און / אָדער ינטאַגריישאַן מיט אנדערע MemTrax רעזולטאַטן, ווו יוזערז ריספּאַנד צו איבערחזרן בילדער דורך רירנדיק די ספּאַסעבאַר אויף אַ קאָמפּיוטער קלאַוויאַטור.
שליסל ווייזט אויף MemTrax פּרידיקטיוו מאָדעלינג נוצן
- • אונדזער העכסט-פּערפאָרמינג פּרידיקטיוו מאָדעלס וואָס אַרומנעמען אויסגעקליבן מעמטראַקס פאָרשטעלונג מעטריקס קען פאַרלאָזלעך קלאַסיפיצירן קאַגניטיוו געזונט סטאַטוס (נאָרמאַל קאַגניטיוו געזונט אָדער MCI) ווי וואָלט זיין אנגעוויזן דורך די וויידלי דערקענט מאָקאַ פּראָבע.
- • די רעזולטאַטן שטיצן ינטאַגריישאַן פון אויסגעקליבן מעמטראַקס פאָרשטעלונג מעטריקס אין אַ קלאַסאַפאַקיישאַן פּרידיקטיוו מאָדעל זיפּונג אַפּלאַקיישאַן פֿאַר פרי בינע קאַגניטיוו ימפּערמאַנט.
- • אונדזער קלאַסאַפאַקיישאַן מאָדעלינג אויך אנטפלעקט די פּאָטענציעל פֿאַר ניצן MemTrax פאָרשטעלונג אין אַפּלאַקיישאַנז פֿאַר דיסטינגגווישינג שטרענגקייַט פון דימענשיאַ דיאַגנאָסיס.
די ראָמאַן פיינדינגז פאַרלייגן דעפיניטיווע זאָגן וואָס שטיצן די נוצן פון מאַשין לערנען אין בנין ימפּרוווד געזונט מעמטראַקס-באזירט קלאַסאַפאַקיישאַן מאָדעלס פֿאַר דיאַגנאָסטיק שטיצן אין עפעקטיוו קליניש פאַל פאַרוואַלטונג און פּאַציענט זאָרגן פֿאַר מענטשן וואָס דערפאַרונג קאַגניטיוו ימפּערמאַנט.
אַקקנאָוולעדגמענץ
מיר דערקענען די אַרבעט פון J. Wesson Ashford, Curtis B. Ashford, און קאָלעגעס פֿאַר דעוועלאָפּינג און וואַלאַדייטינג די אָנליין קעסיידערדיק דערקענונג אַרבעט און געצייַג (מעמטראַקס) געניצט דאָ און מיר זענען דאַנקבאַר צו די פילע פּאַטיענץ מיט דימענשיאַ וואָס קאַנטריביוטיד צו די קריטיש יסוד פאָרשונג. . מיר אויך דאַנקען Xianbo Zhou און זיין קאָלעגעס אין SJN Biomed LTD, זיין קאָלעגעס און מיטאַרבעטער אין די האָספּיטאַלס / קליניקס זייטלעך, ספּעציעל דר. מ. לואָ און מ. זשאָנג, וואָס האָבן געהאָלפֿן מיט ראַקרוטמאַנט פון פּאַרטיסאַפּאַנץ, סקעדזשולינג טעסץ, און קאַלעקטינג, רעקאָרדינג און פראָנט-ענד אָנפירונג די דאַטן, און די פרייַוויליקער פּאַרטיסאַפּאַנץ וואָס האָבן דאָונייטיד זייער ווערטפול צייט און געמאכט די היסכייַוועס צו נעמען די טעסץ און צושטעלן די וואַליוד דאַטן פֿאַר אונדז צו אָפּשאַצן אין דעם לערנען. דאס לערנען איז געווען געשטיצט אין טייל דורך די MD Scientific Research פּראָגראַם פון קונמינג מעדיקאַל אוניווערסיטעט (גראַנט נומ 2017BS028 צו קסל) און די פאָרשונג פּראָגראַם פון יוננאַן וויסנשאַפֿט און טעכנאָלאָגיע דעפּאַרטמענט (גראַנט נומ 2019FE001 (-222) צו קסל).
J. Wesson Ashford האט פיילד אַ פּאַטענט אַפּלאַקיישאַן פֿאַר די נוצן פון די ספּעציפיש קעסיידערדיק דערקענונג פּאַראַדיגם דיסקרייבד אין דעם פּאַפּיר פֿאַר אַלגעמיין טעסטינג פון זכּרון.
MemTrax, LLC איז אַ פירמע אָונד דורך Curtis Ashford, און די פירמע איז אָנפירונג די זכּרון טעסטינג סיסטעם דיסקרייבד אין דעם אַרטיקל.
אַנטפּלעקונג פון מחברים בנימצא אָנליין (https://www.j-alz.com/manuscript-disclosures/19-1340r2).
באַווייַזן
| [קסנומקס] אַלזשעימער ס אַססאָסיאַטיאָן (2016) 2016 אַלזשעימער ס קרענק Facts און פיגיערז. אַלזשעימער דעמענט 12, 459-509. | |
| [2] Gresenz CR, Mitchell JM, Marrone J, Federoff HJ (2019) ווירקונג פון פרי-בינע אַלזשעימער ס קרענק אויף הויזגעזינד פינאַנציעל אַוטקאַמז. געזונט עקאָן 29, 18-29. | |
| [קסנומקס] | 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) קוואַליטי פֿאַרבעסערונג אין נעוראָלאָגי: מילד קאַגניטיוו ימפּערמאַנט קוואַליטעט מעזשערמאַנט שטעלן. נעוראָלאָגי 93, 705-713. |
| [4] Tong T, Thokala P, McMillan B, Ghosh R, Brazier J (2017) קאָסט יפעקטיוונאַס פון ניצן קאַגניטיוו זיפּונג טעסץ פֿאַר דיטעקטינג דימענשיאַ און מילד קאַגניטיוו ימפּערמאַנט אין ערשטיק זאָרג. ינט J Geriatr Psychiatry 32, 1392-1400. | |
| [5] Ashford JW, Gere E, Bayley PJ (2011) מעסטן זכּרון אין גרויס גרופּע סעטטינגס ניצן אַ קעסיידערדיק דערקענונג פּרובירן. J Alzheimers Dis 27, 885-895. | |
| [קסנומקס] | Ashford JW, Tarpin-Bernard F, Ashford CB, Ashford MT (2019) א קאַמפּיוטערייזד קעסיידערדיק דערקענונג אַרבעט פֿאַר מעזשערמאַנט פון עפּיזאָדיק זכּרון. J Alzheimers Dis 69, 385-399. |
| [קסנומקס] | Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019). J Alzheimers Dis 70, 277-286. |
| [8] Van der Hoek MD, Nieuwenhuizen A, Keijer J, Ashford JW (2019) MemTrax פּרובירן קאַמפּערד מיט די מאָנטרעאַל קאַגניטיוו אַססעססמענט אָפּשאַצונג פון מילד קאַגניטיוו ימפּערמאַנט. J Alzheimers Dis 67, 1045-1054. | |
| [קסנומקס] | Falcone M, Yadav N, Poellabauer C, Flynn P (2013) ניצן אפגעזונדערט וואַואַל סאָונדס פֿאַר קלאַסאַפאַקיישאַן פון מילד טראַוומאַטיש מאַרך שאָדן. אין 2013 IEEE אינטערנאציאנאלע קאָנפערענסע אויף אַקוסטיקס, ספּיטש און סיגנאַל פּראַסעסינג, וואַנקאָוווער, בק, פּפּ. 7577-7581. |
| [קסנומקס] | Dabek F, Caban JJ (2015) לעווערידזשינג גרויס דאַטן צו מאָדעל די ליקעליהאָאָד פון דעוועלאָפּינג פסיכאלאגישן טנאָים נאָך אַ קאַנקאַשאַן. Procedia Comput Sci 53, 265-273. |
| [קסנומקס] | Climent MT, Pardo J, Munoz-Almaraz FJ, Guerrero MD, Moreno L (2018) באַשלוס בוים פֿאַר פרי דיטעקשאַן פון קאַגניטיוו ימפּערמאַנט דורך קהל פאַרמאַסיס. פראנט פארמאקאל 9 , 1232 . |
| [קסנומקס] | Nasreddine ZS, Phillips NA, Bedirian V, Charbonneau S, Whitehead V, Collin I, Cummings JL, Chertkow H (2005) די מאָנטרעאַל קאָגניטיווע אַססעססמענט, מאָקאַ: א קורץ זיפּונג געצייַג פֿאַר מילד קאַגניטיוו ימפּערמאַנט. J Am Geriatr Soc 53, 695-699. |
| [קסנומקס] | Yu J, Li J, Huang X (2012) די בעידזשינג ווערסיע פון די מאָנטרעאַל קאַגניטיוו אַסעסמאַנט ווי אַ קורץ זיפּונג געצייַג פֿאַר מילד קאַגניטיוו ימפּערמאַנט: א קהל-באזירט לערנען. BMC פּסיכיאַטריע 12 , 156 . |
| [קסנומקס] | Chen KL, Xu Y, Chu AQ, Ding D, Liang XN, Nasreddine ZS, Dong Q, Hong Z, Zhao QH, Guo QH (2016) וואַלאַדיישאַן פון די כינעזיש ווערסיע פון מאָנטרעאַל קאַגניטיוו אַססעססמענט יקערדיק פֿאַר זיפּונג מילד קאַגניטיוו ימפּערמאַנט. J Am Geriatr Soc 64, E285–E290. |
| [קסנומקס] | Carson N, Leach L, Murphy KJ (2018) א שייַעך-דורכקוק פון מאָנטרעאַל קאָגניטיווע אַססעססמענט (מאָקאַ) קאַטאָף סקאָרז. Int J Geriatr Psychiatry 33, 379-388. |
| [קסנומקס] | אמעריקאנער פּסיטשיאַטריק אַססאָסיאַטיאָן (2013) טאַסק פאָרס דיאַגנאָסטיק און סטאַטיסטיש מאַנואַל פון גייַסטיק דיסאָרדערס: DSM-5 ™, אמעריקאנער פּסיטשיאַטריק פּובלישינג, ינק., וואַשינגטאָן, דק. |
| [קסנומקס] | פּיטהאָן. Python Software Foundation, http://www.python.org, אַקסעסט 15 נאוועמבער 2019. |
| [קסנומקס] | R Core Group, R: א שפּראַך און סוויווע פֿאַר סטאַטיסטיש קאַמפּיוטינג R וויקיפּעדיע פֿאַר סטאַטיסטיש קאַמפּיוטינג, ווין, עסטרייַך. https://www.R-project.org/, 2018, אַקסעסט 15 נאוועמבער 2019. |
| [קסנומקס] | Benavoli A, Corani G, Demšar J, Zaffalon M (2017) צייט פֿאַר אַ ענדערונג: א טוטאָריאַל פֿאַר קאַמפּערינג קייפל קלאַסאַפייערז דורך Bayesian אַנאַליסיס. J Mach Learn Res 18, 1-36. |
| [קסנומקס] | Frank E, Hall MA, Witten IH (2016) די וועקאַ וואָרקבענטש. אין דאַטאַ מינינג: פּראַקטיש מאַשין לערנען מכשירים און טעקניקס, Frank E, Hall MA, Witten IH, Pal CJ, עדס. מאָרגאַן קאָפמאַן https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf |
| [קסנומקס] | Bergeron MF, Landset S, Maugans TA, Williams VB, Collins CL, Wasserman EB, Khoshgoftaar TM (2019). Med Sci Sports Exerc 51, 1362-1371. |
| [קסנומקס] | Van Hulse J, Khoshgoftaar TM, Napolitano A (2007) עקספּערימענטאַל פּערספּעקטיווז אויף לערנען פון ימבאַלאַנסט דאַטן. אין פאַרהאַנדלונג פון די 24 אינטערנאַציאָנאַלע קאָנפֿערענץ אויף מאַשין לערנען, Corvalis, אָרעגאָן, USA, זז 935-942. |
| [קסנומקס] | Ashford JW, Kolm P, Colliver JA, Bekian C, Hsu LN (1989) אַלזשעימער פּאַציענט אפשאצונג און די מיני-מענטאַל שטאַט: פּונקט כאַראַקטעריסטיש ויסבייג אַנאַליסיס. J Gerontol 44, 139-146. |
| [24] Ashford JW, Jarvik L (1985) אַלזשעימער ס קרענק: טוט נעוראָן פּלאַסטיסיטי פּרידיספּאָוז צו אַקסאָנאַל נעוראָפיבריללאַרי דידזשענעריישאַן? 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. , Rocca WA, Petersen RC (2019) פּרעוואַלאַנס פון בייאַלאַדזשיקלי ווס קליניקאַלי דיפיינד אַלזשעימער ספּעקטרום ענטיטיז ניצן די נאַשאַנאַל אינסטיטוט פֿאַר יידזשינג-Alzheimer ס אַססאָסיאַטיאָן פאָרשונג פריימווערק. JAMA Neurol 76, 1174-1183. | |
| [26] Zhou X, Ashford JW (2019) אַדוואַנסאַז אין זיפּונג ינסטראַמאַנץ פֿאַר אַלזשעימער ס קרענק. יידזשינג מעד 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, Weitch D (2018) מאַרך געזונט רעגיסטרי: אַן אינטערנעץ-באזירט פּלאַטפאָרמע פֿאַר ראַקרוטמאַנט, אַסעסמאַנט און לאַנדזשאַטודאַנאַל מאָניטאָרינג פון פּאַרטיסאַפּאַנץ פֿאַר נעוראָססיענסע שטודיום. אַלזשעימער ס דעמענט 14, 1063-1076. | |
| [28] Ashford JW, Schmitt FA (2001) מאָדעלינג די צייט-קורס פון אַלזשעימער דימענשיאַ. Curr Psychiatry Rep 3, 20-28. | |
| [קסנומקס] | Li X, Wang X, Su L, Hu X, Han Y (2019) סינאָ לאַנדזשאַטודאַנאַל לערנען אויף קאַגניטיוו אַראָפּגיין (SILCODE): פּראָטאָקאָל פֿאַר אַ כינעזיש לאַנדזשאַטודאַנאַל אָבסערוואַטיאָנאַל לערנען צו אַנטוויקלען ריזיקירן פאָרויסזאָגן מאָדעלס פון קאַנווערזשאַן צו מילד קאַגניטיוו ימפּערמאַנט אין מענטשן מיט סאַבדזשעקטיוו קאַגניטיוו ימפּערמאַנט. אַראָפּגיין. BMJ Open 9, e028188. |
| [30] Tarnanas I, Tsolaki A, Wiederhold M, Wiederhold B, Tsolaki M (2015) פינף יאָר ביאָמאַרקער פּראַגרעשאַן וועריאַביליטי פֿאַר אַלזשעימער ס קרענק דימענשיאַ פּראָגנאָז: קענען אַ קאָמפּלעקס ינסטרומענטאַל אַקטיוויטעטן פון טעגלעך לעבעדיק מאַרקער פּלאָמבירן די גאַפּס? אַלזשעימער ס דעמענט (אַמסט) 1, 521-532. | |
| [31] McGurran H, Glenn JM, Madero EN, Bott NT (2019) פאַרהיטונג און באַהאַנדלונג פון אַלזשעימער ס קרענק: בייאַלאַדזשיקאַל מעקאַניזאַמז פון געניטונג. J Alzheimers Dis 69, 311-338. | |
| [32] Mendiola-Precoma J, Berumen LC, Padilla K, Garcia-Alcocer G (2016) טהעראַפּיעס פֿאַר פאַרהיטונג און באַהאַנדלונג פון אַלזשעימער ס קרענק. Biomed Res Int 2016, 2589276. | |
| [קסנומקס] | ליין 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) אַססאָסיאַטיאָנס צווישן וואַסקיאַלער ריזיקירן אין אַדאַלטכוד און מאַרך פּאַטאַלאַדזשי אין שפּעט לעבן: זאָגן פון אַ בריטיש געבורט קאָהאָרט. JAMA Neurol 77, 175-183. |
| [קסנומקס] | Seshadri S (2020) פאַרהיטונג פון דימענשיאַ-טינגקינג ווייַטער פון די עלטער און אַמילאָיד באָקסעס. JAMA Neurol 77, 160-161. |
| [קסנומקס] | Maillard P, Seshadri S, Beiser A, Himali JJ, Au R, Fletcher E, Carmichael O, Wolf PA, DeCarli C (2012). - סעקשאַנאַל לערנען. לאַנסעט נעוראָל 11, 1039-1047. |
| Fink HA, Linskens EJ, Silverman PC, McCarten JR, Hemmy LS, Ouellette JM, Greer NL, Wilt TJ, Butler M (36) אַקיעראַסי פון ביאָמאַרקער טעסטינג פֿאַר נעוראָפּאַטהאָלאָגיקאַללי דיפיינד. אַלזשעימער קרענק אין עלטערע אַדאַלץ מיט דימענשיאַ. אַן ינטערן מעד 172, 669-677. |
אַפילייישאַנז: [אַ] SIVOTEC Analytics, Boca Raton, FL, USA | [ב] דעפּאַרטמענט פון קאָמפּיוטער און עלעקטריקאַל אינזשעניריע און קאָמפּיוטער וויסנשאַפֿט, פלאָרידאַ אַטלאַנטיק אוניווערסיטעט, Boca Raton, FL, USA | [C] סדזשן ביאָמעד לטד, קונמינג, יוננאַן, טשיינאַ | [ד] צענטער פֿאַר אַלזשעימער ס פאָרשונג, וואַשינגטאָן אינסטיטוט פון קליניש פאָרשונג, וואַשינגטאָן, דק, USA | [e] דעפּאַרטמענט פון ריכאַבילאַטיישאַן מעדיסינע, דער ערשטער אַפיליייטאַד האָספּיטאַל פון קונמינג מעדיקאַל אוניווערסיטעט, קונמינג, יוננאַן, טשיינאַ | [f] דעפּאַרטמענט פון נעוראָלאָגי, דעהאָנג מענטשן ס האָספּיטאַל, דעהאָנג, יוננאַן, טשיינאַ | [ג] דעפּאַרטמענט פון נעוראָלאָגי, דער ערשטער אַפיליייטאַד האָספּיטאַל פון קונמינג מעדיקאַל אוניווערסיטעט, וווהואַ דיסטריקט, קונמינג, יוננאַן פּראַווינס, טשיינאַ | [ה] מלחמה-פֿאַרבונדענע קראַנקייַט און ינדזשורי לערנען צענטער, וואַ פּאַלאָ אַלטאָ געזונט קער סיסטעם, פּאַלאָ אַלטאָ, CA, USA | [איך] דעפּאַרטמענט פון פּסיכיאַטריע און בעהאַוויאָראַל ססיענסעס, סטאַנפֿאָרד אוניווערסיטעט שולע פון מעדיסינע, פּאַלאָ אַלטאָ, CA, USA
קאָררעספּאָנדענסע: [*] קאָררעספּאָנדענסע צו: מיכאל עף בערגעראָן, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA. E- פּאָסט: mbergeron@sivotecanalytics.com.; Xiaolei Liu, מד, דעפּאַרטמענט פון נעוראָלאָגי, ערשטער אַפיליייטאַד האָספּיטאַל פון קונמינג מעדיקאַל אוניווערסיטעט, 295 קסיטשאַנג ראָוד, וווהואַ דיסטריקט, קונמינג, יוננאַן פּראַווינס 650032, טשיינאַ. E- בריוו: ring@vip.163.com.
טערמינען: יידזשינג, אַלזשעימער ס קרענק, דימענשיאַ, מאַסע זיפּונג