MemTrax 和機器學習建模在輕度認知障礙分類中的效用

研究文章

作者:Bergeron, Michael F. | Landset,薩拉 | 周賢波 | 丁濤 | Khoshgoftaar, Taghi M. | 趙峰 | 杜波 | 陳新傑 | 王軒 | 鐘連美 | 劉曉磊| 阿什福德,J.韋森

DOI:10.3233/JAD-191340

期刊:期刊 阿爾茨海默氏病,第一卷 77,沒有。 4,pp.1545-1558,2020

抽象

背景:

廣泛的發病率和流行率 阿爾茨海默氏病 和輕度認知障礙 (MCI) 促使人們緊急呼籲進行研究以驗證早期檢測認知篩查和評估。

目的:

我們的主要研究目的是確定選定的 MemTrax 性能指標以及相關的人口統計和健康狀況特徵是否可以有效地用於使用機器學習開發的預測模型,以對認知健康(正常與 MCI)進行分類,如 蒙特利爾認知評估 (民政部)。

方法:

我們對從兩個國家招募的 259 名神經病學、記憶診所和內科成年患者進行了橫斷面研究。 中國的醫院. 每位患者均獲得中文 MoCA 並自行管理 MemTrax 在線情景連續識別 在線記憶測試 在同一天。 使用具有 10 倍交叉驗證的機器學習構建預測分類模型,並使用接收器操作特徵曲線下面積 (AUC) 測量模型性能。 使用兩個 MemTrax 性能指標(正確百分比、響應時間)以及八種常見的人口統計和個人歷史特徵來構建模型。

結果:

比較 MoCA 分數和閾值的選定組合的學習器,樸素貝葉斯通常是表現最好的學習器,總體分類性能為 0.9093。 此外,在排名前三的學習者中,與使用所有 0.9119 個常見特徵 (10) 相比,僅使用排名靠前的四個特徵 (0.8999) 的基於 MemTrax 的分類性能總體上要優越。

結論:

MemTrax 性能可以有效地用於機器學習分類預測模型 用於檢測早期認知障礙的篩查應用.

簡介

公認的(儘管診斷不足)廣泛的發病率和流行率以及平行升級的醫療、社會和公眾 健康 阿爾茨海默病 (AD) 和輕度認知障礙 (MCI) 的成本和負擔對所有利益相關者來說都越來越緊張 [1, 2]。 這種令人痛心和蓬勃發展的情況促使人們緊急呼籲進行研究以驗證 早期發現 認知篩查和評估工具,用於不同地區和人群的老年患者在個人和臨床環境中的常規實用性 [3]。 這些儀器還必須提供將信息結果無縫轉換為電子健康記錄的功能。 這些好處將通過告知患者並協助醫生更早地識別重大變化來實現,從而能夠更迅速和及時地分層、實施和跟踪適當的個性化和更具成本效益的治療和患者護理。 認知能力下降 [3, 4]。

計算機化的 MemTrax 工具(https://memtrax.com) 是一種簡單而簡短的連續識別評估,可以在線自行管理,以測量具有挑戰性的定時情景記憶性能,其中用戶對重複圖像而不是初始演示做出反應 [5, 6]。 最近的研究和由此產生的實際意義開始逐步並共同證明 MemTrax 在早期 AD 和 MCI 篩查中的臨床療效 [5–7]。 然而,臨床效用與現有的直接比較 認知健康 評估和常規標準有必要為專業觀點提供信息,並證實 MemTrax 在早期檢測和診斷支持中的實用性。 范德胡克等人。 [8] 將選定的 MemTrax 績效指標(反應速度和正確百分比)與蒙特利爾確定的認知狀態進行了比較 認知評估 (民政部)。 然而,這項研究僅限於將這些績效指標與認知狀態的表徵(由 MoCA 確定)相關聯,並定義相對范圍和截止值。 因此,為了擴大這項調查並提高分類性能和功效,我們的主要研究問題是:

  • 個人選擇的 MemTrax 績效指標以及相關的人口統計和健康狀況 輪廓 在用機器學習開發的預測模型中有效地利用特徵來對認知健康進行二分法分類(正常與 MCI),正如一個人的 MoCA 分數所示?

其次,我們想知道:

  • 包括相同的功能,基於 MemTrax 性能的機器學習模型能否有效地應用於患者,以預測由獨立臨床診斷確定的選定認知障礙類別中的嚴重程度(輕度與重度)?

人工智能和機器學習在篩查/檢測中的出現和不斷發展的實際應用已經展示了明顯的實際優勢,預測模型有效地指導臨床醫生對認知/大腦健康和患者管理進行具有挑戰性的評估。 在我們的研究中,我們在 MCI 分類建模和認知障礙嚴重程度鑑別方面選擇了類似的方法,這已通過代表中國兩家醫院選定的自願住院患者和門診患者的三個數據集的臨床診斷得到證實。 使用機器學習預測建模,我們從各種數據集/學習器組合中識別出表現最好的學習器,並對這些特徵進行排序,以指導我們定義最臨床實用的模型應用程序。

我們的假設是,經過驗證的基於 MemTrax 的模型可用於根據 MoCA 總分閾值標準對認知健康進行二分法(正常或 MCI)分類,並且類似的 MemTrax 預測模型可有效用於區分選定類別的嚴重程度臨床診斷 認知障礙. 展示預期結果將有助於支持 MemTrax 作為認知衰退和認知障礙分類的早期檢測篩查的功效。 與行業聲稱的標准進行有利的比較,再加上更容易和更快速的實用性,將有助於臨床醫生採用這種簡單、可靠且易於使用的工具作為檢測早期(包括前驅)階段認知缺陷的初始篩選。 因此,這種方法和實用性可以促進更及時和更好分層的患者護理和乾預。 這些具有前瞻性的見解和改進的指標和模型也可能有助於減輕或阻止癡呆症的進展,包括 AD 和 AD 相關的癡呆症 (ADRD)。

材料和方法

研究人口

2018 年 2019 月至 5 年 21 月,對從中國兩家醫院招募的患者進行了橫斷面研究。 MemTrax [XNUMX] 對 XNUMX 歲及以上個人的管理以及這些數據的收集和分析得到審查和批准,並根據道德標准進行管理 人的 斯坦福大學主題保護委員會。 MemTrax 和該總體研究的所有其他測試均根據 1975 年的赫爾辛基宣言進行,並經中國雲南昆明的昆明醫科大學第一附屬醫院機構審查委員會批准。 每個用戶都被提供了一個 知情同意 閱讀/審查表格,然後自願同意參與。

參與者是從燕化醫院神經科診所的門診病人(YH 子數據集)和 昆明醫學院第一附屬醫院記憶門診 中國北京的大學(XL 子數據集)。 參與者還從昆明醫科大學第一附屬醫院的神經內科(XL 子數據集)和內科(KM 子數據集)住院患者中招募。 納入標準包括 1) 至少 21 歲的男性和女性,2) 會說中文(普通話)的能力,以及 3) 理解口頭和書面說明的能力。 排除標準是視力和運動障礙妨礙參與者完成 MemTrax測試,以及無法理解具體的測試說明。

中文版 MemTrax

在線 MemTrax 測試平台已翻譯 譯成中文(網址:https://www.memtrax.com.cn)並進一步適應通過微信(深圳騰訊計算機系統有限公司,中國廣東深圳)進行自我管理。 數據存儲在位於中國的雲服務器(阿里雲)上,由 SJN Biomed LTD(中國雲南昆明)從阿里巴巴(阿里巴巴科技有限公司,中國浙江杭州)獲得許可。 關於 MemTrax 的具體細節和此處使用的測試有效性標準已在之前進行了描述 [6]。 該測試是免費提供給患者的。

學習程序

對於住院和門診患者,一般紙質問卷收集人口統計和個人信息,如年齡、性別、受教育年限、職業、 有單獨居住的 或與家人一起,病史由研究小組的一名成員管理。 完成問卷後,進行 MoCA [12] 和 MemTrax 測試(首先進行 MoCA),測試之間的間隔不超過 20 分鐘。 MemTrax 正確百分比 (MTx-% C)、平均響應時間 (MTx-RT) 以及測試的日期和時間由研究團隊的一名成員為每位測試的參與者記錄在紙上。 完成的問捲和 MoCA 的結果由管理測試的研究人員上傳到 Excel 電子表格中,並在保存 Excel 文件以供分析之前由同事驗證。

MemTrax測試

MemTrax 在線測試包括以特定的偽隨機順序顯示的 50 張圖像(25 張獨特的和 25 次重複的;5 組常見場景或對象的 5 張圖像)。 參與者將(根據說明)觸摸屏幕上的“開始”按鈕以開始測試並開始查看圖像系列,並在出現重複圖片時盡快再次觸摸屏幕上的圖像。 每個圖像出現 3 秒或直到屏幕上的圖像被觸摸,這促使立即呈現下一張圖片。 使用本地設備的內部時鐘,每個圖像的 MTx-RT 由從圖像呈現到參與者觸摸屏幕以響應指示將圖像識別為已經顯示的圖像所經過的時間確定在測試期間。 對每張圖像都記錄了 MTx-RT,記錄了完整的 3 秒,表示沒有響應。 計算 MTx-% C 以指示用戶正確響應的重複和初始圖像的百分比(真陽性 + 真陰性除以 50)。 MemTrax 管理和實施、數據縮減、無效或“無響應”數據以及主要數據分析的其他細節在其他地方進行了描述 [6]。

詳細解釋了 MemTrax 測試,並向醫院環境中的參與者提供了實踐測試(具有測試中用於記錄結果的圖像以外的獨特圖像)。 YH 和 KM 子數據集的參與者在加載了微信應用程序的智能手機上進行了 MemTrax 測試; 而有限數量的 XL 子數據集患者使用 iPad,其餘患者使用智能手機。 所有參與者都接受了 MemTrax 測試,研究人員在不引人注意的情況下進行觀察。

蒙特利爾認知評估

北京版的中文 MoCA (MoCA-BC) [13] 由訓練有素的研究人員根據官方測試說明進行管理和評分。 適當地,MoCA-BC 已被證明是可靠的 認知測驗 對中國老年人的所有教育水平進行篩查 [14]。 根據各個參與者的認知能力,每項測試大約需要 10 到 30 分鐘。

MoCA 分類建模

共有 29 個可用功能,包括兩個 MemTrax 測試性能指標和 27 個與人口統計和健康相關的特徵 每個參與者的信息。 每個患者的 MoCA 綜合測試分數被用作 認知篩查 “基準”來訓練我們的預測模型。 因此,由於 MoCA 用於創建類標籤,我們不能將總得分(或任何 MoCA 子集得分)用作獨立特徵。 我們進行了初步實驗,我們分別對原始的三個醫院/診所子數據集進行建模(對 MoCA 定義的認知健康進行分類),然後使用所有特徵進行組合。 然而,在代表三個子數據集的四個診所中,並未收集到所有相同的數據元素; 因此,我們在組合數據集中的許多特徵(使用所有特徵時)具有很高的缺失值發生率。 然後,我們使用僅使用共同特徵的組合數據集構建模型,從而提高分類性能。 這可能是由於通過組合三個患者子數據集來處理更多實例,並且沒有具有過度流行的缺失值的特徵(組合數據集中只有一個特徵,工作類型,有任何缺失值,影響僅三個患者實例),因為僅包括在所有三個站點記錄的共同特徵。 值得注意的是,對於最終未包含在組合數據集中的每個特徵,我們沒有具體的拒絕標準。 然而,在我們初步的組合數據集建模中,我們首先使用了三個獨立患者子數據集中的所有特徵。 這廣泛導致模型性能明顯低於每個單獨子數據集的初始初步建模。 此外,雖然使用所有特徵構建的模型的分類性能令人鼓舞,但在所有學習器和分類方案中,僅使用共同特徵時,性能提高了兩倍。 事實上,在最終成為我們最好的學習者中,除了一個模型之外,所有模型都在消除不常見的特徵後得到了改進。

最終的聚合數據集(YH、XL 和 KM 組合)包括 259 個實例,每個實例代表一個參加 MemTrax 和 MoCA 測試的唯一參與者。 有 10 個共享的獨立特徵: MemTrax 性能指標:MTx-% C 和平均 MTx-RT; 人口統計和病史信息:年齡、性別、受教育年限、工作類型(藍領/白領)、社會支持(考生是獨居還是與家人一起生活)以及用戶是否有糖尿病、高脂血症或腦外傷史。 兩個額外的指標,MoCA 總分和針對教育年限調整的 MoCA 總分 [12],分別用於開發相關分類標籤,從而創建了兩個不同的建模方案以應用於我們的組合數據集。 對於 MoCA 評分的每個版本(調整和未調整),再次使用兩個不同的標準閾值對數據進行單獨建模以進行二元分類 - 最初推薦的一個 [12] 和其他人使用和推廣的替代值 [8, 15]。 在替代閾值分類方案中,如果患者在 MoCA 測試中得分≥23,則認為其認知健康正常,如果得分為 22 或更低,則認為患者俱有 MCI; 而在最初推薦的分類格式中,患者必須在 MoCA 上得分 26 或更高才能被標記為具有正常的認知健康。

用於 MoCA 分類建模的過濾數據

我們使用四種常用的特徵排序技術進一步檢查了 MoCA 分類:卡方、增益比、信息增益和對稱不確定性。 對於臨時的觀點,我們使用我們的四種建模方案中的每一種將排名器應用於整個組合數據集。 所有排名者都同意相同的頂級特徵,即年齡、受教育年限以及 MemTrax 績效指標(MTx-% C,平均 MTx-RT)。 然後,我們使用每種特徵選擇技術重建模型,僅在前四個特徵上訓練模型(參見 功能選擇 下面)。

MoCA 評分分類建模方案的最終八種變體如表 1 所示。

表格1

用於 MoCA 分類的建模方案變體摘要(正常 認知健康 與 MCI)

建模方案正常認知健康(負類)MCI(正類)
Adjusted-23 未過濾/過濾101(39.0%)158(61.0%)
Adjusted-26 未過濾/過濾49(18.9%)210(81.1%)
Unadjusted-23 未過濾/過濾92(35.5%)167(64.5%)
Unadjusted-26 未過濾/過濾42(16.2%)217(83.8%)

每個類別中總患者的相應數量和百分比通過調整教育分數(調整或未調整)和分類閾值(23 或 26)來區分,適用於兩個特徵集(未過濾和過濾)。

基於 MemTrax 的臨床評估模型

在我們的三個原始子數據集(YH、XL、KM)中,只有 XL 子數據集患者在臨床上被獨立診斷為認知障礙(即,他們各自的 MoCA 評分未用於建立正常與受損的分類)。 具體來說,XL 患者被診斷為 阿爾茨海默病測試 (AD) 或血管性癡呆 (VaD)。 在這些主要診斷類別中的每一個中,都進一步指定了 MCI。 MCI、癡呆、血管神經認知障礙和 AD 引起的神經認知障礙的診斷基於《精神疾病診斷和統計手冊:DSM-5》[16] 中概述的特定和獨特的診斷標準。 考慮到這些精細診斷,兩個分類建模方案分別應用於 XL 子數據集,以區分每個主要診斷類別的嚴重程度(損傷程度)。 這些診斷建模方案(AD 和 VaD)中使用的數據包括人口統計和患者病史信息,以及 MemTrax 性能(MTx-% C,平均 MTx-RT)。 如果指定為 MCI,則每個診斷都標記為輕度; 否則,它被認為是嚴重的。 我們最初考慮將 MoCA 評分納入診斷模型(輕度與重度); 但我們確定這會破壞我們二級預測建模方案的目的。 在這裡,學習者將使用提供者隨時可用的其他患者特徵和更簡單的 MemTrax 測試(代替 MoCA)的性能指標進行培訓,以對照參考“黃金標準”,即獨立臨床診斷。 AD 診斷數據集中有 69 個實例,VaD 有 76 個實例(表 2)。 在這兩個數據集中,有 12 個獨立的特徵。 除了 MoCA 評分分類中包含的 10 項特徵外,患者病史還包括有關高血壓和中風病史的信息。

表格2

用於診斷嚴重性分類的建模方案變化摘要(輕度與重度)

建模方案輕度(負級)重度(陽性等級)
MCI-AD 與 AD12(17.4%)57(82.6%)
MCI-VaD 與 VaD38(50.0%)38(50.0%)

每個類別中總患者的相應數量和百分比根據主要診斷類別(AD 或 VaD)進行區分。

統計

使用 Python 編程語言(版本 2.7.1)[17] 比較每個模型分類策略(以預測 MoCA 認知健康和診斷嚴重程度)的子數據集之間的參與者特徵和其他數值特徵。 模型性能差異最初是使用具有 95% 置信區間的單因素或雙因素(視情況而定)方差分析和 Tukey 誠實顯著差異 (HSD) 檢驗來確定的,以比較性能平均值。 這種對模型性能差異的檢查是使用 Python 和 R(版本 3.5.1)[18] 的組合進行的。 我們採用這種(儘管可以說不是最佳的)方法只是作為一種啟發式的幫助 早期 用於預測潛在臨床應用的初始模型性能比較。 然後,我們利用使用後驗分佈的貝葉斯符號秩檢驗來確定模型性能差異的概率 [19]。 對於這些分析,我們使用區間 –0.01, 0.01,表示如果兩組的性能差異小於 0.01,則認為它們相同(在實際等效區域內),否則它們不同(一組優於另一個)。 為了執行分類器的貝葉斯比較併計算這些概率,我們使用了適用於 Python 1.0.2 的 baycomp 庫(版本 3.6.4)。

預測建模

我們使用我們建模方案的十個總變體建立了預測模型,以預測(分類)每個患者的 MoCA 測試的結果或臨床診斷的嚴重性。 所有學習者都被應用,模型是使用開源軟件平台 Weka [20] 構建的。 對於我們的初步分析,我們使用了 10 種常用的學習算法:5-最近鄰、兩個版本的 C4.5 決策樹、邏輯回歸、多層感知器、樸素貝葉斯、兩個版本的隨機森林、徑向基函數網絡和支持向量機器。 這些算法的關鍵屬性和對比已在其他地方進行了描述[21](參見各自的附錄)。 選擇這些是因為它們代表了各種不同類型的學習者,並且因為我們在之前對類似數據的分析中證明了使用它們是成功的。 超參數設置是從我們之前的研究中選擇的,表明它們對各種不同的數據都具有魯棒性 [22]。 根據我們使用相同組合數據集的初步分析結果,這些數據集具有隨後在完整分析中使用的共同特徵,我們確定了三個在所有分類中提供始終如一的強大性能的學習器:邏輯回歸、樸素貝葉斯和支持向量機。

交叉驗證和模型性能指標

對於所有預測建模(包括初步分析),每個模型均使用 10 倍交叉驗證構建,並使用接收器操作特徵曲線下面積 (AUC) 測量模型性能。 交叉驗證首先將 10 個建模方案數據集中的每一個隨機分成 10 個相等的段(折疊),使用其中的 10 個段來訓練模型,其餘段用於測試。 這個過程重複了 10 次,在每次迭代中使用不同的段作為測試集。 然後將結果結合起來計算最終模型的結果/性能。 對於每個學習器/數據集組合,整個過程重複 6,600 次,每次對數據進行不同的拆分。 最後一步減少了偏差,確保了可複制性,並有助於確定整體模型性能。 總共(對於 MoCA 評分和診斷嚴重性分類方案相結合),建立了 1,800 個模型。 這包括 6 個未過濾模型(應用於數據集的 3 個建模方案×10 個學習器×10 個運行×1,800 個折疊 = 4,800 個模型)和 4 個過濾模型(應用於數據集的 3 個建模方案×4 個學習器×10 個特徵選擇技術×10 個運行× 4,800 折 = XNUMX 個模型)。

功能選擇

對於過濾後的模型,在交叉驗證中執行特徵選擇(使用四種特徵排序方法)。 對於 10 個折疊中的每一個,由於數據集的不同 10% 是測試數據,因此僅使用每個訓練數據集的前四個選定特徵(即其他 90 個折疊,或整個數據集的剩餘 XNUMX%)構建模型。 我們無法確認每個模型中使用了哪四個特徵,因為我們使用的建模平台 (Weka) 中沒有存儲或提供這些信息。 然而,考慮到我們在將排序器應用於整個組合數據集時初始選擇的頂級特徵的一致性以及隨後的建模性能相似性,這些相同的特徵(年齡、受教育年限、MTx-% C 和平均 MTx-RT ) 可能是在交叉驗證過程中與特徵選擇同時使用的最流行的前四個。

結果

用於預測 MoCA 指示的認知健康(正常與 MCI)和診斷嚴重程度(輕度與重度)的每個模型分類策略的相應數據集的參與者數值特徵(包括 MoCA 分數和 MemTrax 性能指標)如表 3 所示。

表格3

每個模型分類策略的參與者特徵、MoCA 分數和 MemTrax 性能

分類策略年齡教育MoCA 調整MoCA 未調整MTx-%CMTx-RT
當代藝術館類別61.9 歲 (13.1)9.6 歲 (4.6)19.2(6.5)18.4(6.7)74.8%(15.0)1.4 秒 (0.3)
診斷嚴重性65.6 歲 (12.1)8.6 歲 (4.4)16.7(6.2)15.8(6.3)68.3%(13.8)1.5 秒 (0.3)

通過建模分類策略區分的值(平均值,SD)代表用於預測 MoCA 指示的認知健康(MCI 與正常)的組合數據集和僅用於預測診斷嚴重性(輕度與重度)的 XL 子數據集。

對於 MoCA 評分(調整/未調整)和閾值(26/23)的每種組合,存在統計學差異(p = 0.000) 在年齡、教育和 MemTrax 性能(MTx-% C 和 MTx-RT)的每個成對比較(正常認知健康與 MCI)中。 每種組合的相應 MCI 類別中的每個患者子數據集平均年齡約 9 至 15 歲,報告的教育年限減少了約 XNUMX 年,並​​且在這兩個指標上的 MemTrax 性能較差。

使用前三個學習器、邏輯回歸、樸素貝葉斯和支持向量機的 MoCA 分數分類的預測建模性能結果如表 4 所示。這三個是根據所有各種模型中最一致的高絕對學習器性能選擇的應用於所有建模方案的數據集。 對於未過濾的數據集和建模,表 4 中的每個數據值表示基於 AUC 各自平均值的模型性能,這些平均值來自為每個學習器/建模方案組合構建的 100 個模型(10 次運行×10 折),各自最高以粗體表示的執行學習者。 而對於過濾後的數據集建模,表 4 中報告的結果反映了使用每種特徵排序方法(400 種特徵排序方法×4 次運行×10 倍)的每個學習器的 10 個模型的總體平均模型性能。

表格4

對於所有各自的建模方案,三個表現最好的學習者中的每一個的二分 MoCA 分數分類性能(AUC;0.0-1.0)結果

使用的功能集MoCA 評分截止閾值Logistic回歸樸素貝葉斯支持向量機
未過濾(10 個特徵)調整230.88620.89130.8695
260.89710.92210.9161
未調整230.91030.90850.8995
260.88340.91530.8994
過濾(4 個特徵)調整230.89290.89540.8948
260.91880.92470.9201
未調整230.91350.91340.9122
260.91590.92360.9177

利用特徵集、MoCA 分數和 MoCA 分數截止閾值的變化,每種建模方案的最高性能顯示在 無所畏懼 (不一定在統計上不同於所有其他不在 無所畏懼 對應的型號)。

在組合的未過濾數據集中(即使用 23 個共同特徵)比較 MoCA 分數版本和閾值(分別為調整/未調整和 26/10)的所有組合的學習器,樸素貝葉斯通常是表現最好的學習器,總體分類性能為 0.9093。 考慮到前三個學習者,貝葉斯相關符號秩檢驗表明概率 (Pr) 的樸素貝葉斯優於邏輯回歸的比例為 99.9%。 此外,在樸素貝葉斯和支持向量機之間,學習器性能的實際等價概率為 21.0%(因此,樸素貝葉斯有 79.0% 的概率優於支持向量機),再加上支持向量機表現更好的概率為 0.0%,可測量增強了樸素貝葉斯的性能優勢。 對所有學習者/閾值的 MoCA 分數版本的進一步比較表明,使用未調整的 MoCA 分數與調整後的分數相比略有性能優勢(分別為 0.9027 和 0.8971; Pr (未調整 > 調整)= 0.988)。 同樣,所有學習器和 MoCA 分數版本的截止閾值的比較表明,使用 26 作為分類閾值與 23 相比,分類性能優勢較小(分別為 0.9056 和 0.8942; Pr (26 > 23) = 0.999)。 最後,檢查僅使用過濾結果(即僅排名靠前的四個特徵)的模型的分類性能,樸素貝葉斯(0.9143)在所有 MoCA 分數版本/閾值中在數值上是表現最好的學習者。 然而,綜合所有特徵排序技術,所有表現最好的學習者表現相似。 貝葉斯符號秩檢驗顯示每對過濾學習器之間的實際等效概率為 100%。 與未過濾的數據(使用所有 10 個常見特徵)一樣,未調整版本的 MoCA 分數再次具有性能優勢(Pr (未調整 > 調整)= 1.000),以及分類閾值 26 的類似明顯優勢(Pr (26 > 23) = 1.000)。 值得注意的是,在所有 MoCA 分數版本/閾值中,僅使用排名最高的四個特徵的前三個學習者的平均表現超過了任何學習者在未過濾數據上的平均表現。 毫不奇怪,過濾模型(使用排名靠前的四個特徵)的分類性能總體上優於未過濾模型(0.9119)(0.8999),無論將特徵排名方法模型與使用所有 10 個常見模型的相應模型進行比較如何特徵。 對於每種特徵選擇方法,與未過濾模型相比,有 100% 的概率具有性能優勢。

對於考慮進行 AD 診斷嚴重程度分類的患者,組間(MCI-AD 與 AD)的年齡差異(p = 0.004), 教育 (p = 0.028),MoCA 得分調整/未調整 (p = 0.000) 和 MTx-% C (p = 0.008) 具有統計學意義; 而對於 MTx-RT 則不是 (p = 0.097)。 對於那些考慮進行 VaD 診斷嚴重性分類的患者,MoCA 評分調整/未調整的組間(MCI-VaD 與 VaD)差異(p = 0.007) 和 MTx-% C (p = 0.026) 和 MTx-RT (p = 0.001) 具有統計學意義; 而對於年齡(p = 0.511) 和教育 (p = 0.157) 沒有顯著的組間差異。

表 5 顯示了使用先前選擇的三個學習器(邏輯回歸、樸素貝葉斯和支持向量機)對診斷嚴重性分類的預測建模性能結果。而其他檢查的學習器在兩個臨床診斷類別之一中表現出稍強的性能,我們在之前的建模中確定為最有利的三個學習器在兩種新的建模方案中提供了最一致的性能。 比較每個主要診斷類別(AD 和 VaD)的學習器,MCI-VaD 與 VaD 的學習器之間沒有一致的分類性能差異,儘管支持向量機通常表現更突出。 同樣,MCI-AD 與 AD 分類的學習器之間沒有顯著差異,儘管樸素貝葉斯 (NB) 比邏輯回歸 (LR) 具有輕微的性能優勢,並且比支持向量機 (Support Vector Machine) 的複數可以忽略不計,概率為 61.4%和 41.7%。 在這兩個數據集中,支持向量機 (SVM) 具有整體性能優勢,其中 Pr (SVM > LR) = 0.819 和 Pr (SVM > NB) = 0.934。 我們在所有學習者中預測 XL 子數據集中診斷嚴重程度的整體分類性能在 VaD 診斷類別中優於 AD(Pr (VAD > AD) = 0.998)。

表格5

對於兩個各自的建模方案,三個表現最好的學習者中的每一個的二分臨床診斷嚴重性分類性能(AUC;0.0-1.0)結果

建模方案Logistic回歸樸素貝葉斯支持向量機
MCI-AD 與 AD0.74650.78100.7443
MCI-VaD 與 VaD0.80330.80440.8338

每個建模方案的最高性能顯示在 無所畏懼 (不一定在統計上不同於其他不在 無所畏懼).

討論

及早發現認知健康的變化非常重要 在個人健康管理和公共衛生等方面的實用性。 事實上,它也是全世界患者臨床環境中的一個高度優先事項。 共同的目標是提醒患者、護理人員和提供者,並為那些開始經歷認知衰退的人提早進行適當且具有成本效益的治療和縱向護理。 合併我們的三個醫院/診所數據子集,我們確定了三個特別受歡迎的學習者(其中一個顯著突出 - 樸素貝葉斯)來建立預測模型 可以可靠地對認知健康狀態進行分類的 MemTrax 性能指標 二分法(正常認知健康或 MCI),如 MoCA 總分所示。 值得注意的是,當我們的模型僅使用主要包含這些 MemTrax 性能指標的排名靠前的四個特徵時,所有三個學習器的整體分類性能都有所提高。 此外,我們揭示了在診斷支持分類建模方案中利用相同的學習者和 MemTrax 性能指標來區分兩類癡呆診斷的嚴重程度的證實潛力:AD 和 VaD。

內存測試 是 AD 早期檢測的核心 [23、24]。 因此,MemTrax 是一個可接受的、引人入勝且易於實施的在線 情景記憶篩選試驗 在一般人群中 [6]。 這種持續執行任務的識別準確性和響應時間在識別與學習、記憶和認知相關的神經可塑性過程中的早期和不斷發展的惡化以及隨之而來的缺陷方面尤其具有啟發性。 也就是說,這裡的模型主要基於 MemTrax 性能指標,對這些模型很敏感,並且更有可能很容易地以最小的成本揭示在更實質性功能喪失之前的無症狀過渡階段的生物神經病理學缺陷 [25]。 阿什福德等。 仔細檢查了自己參與 MemTrax [6] 的在線用戶的識別記憶準確性和響應時間的模式和行為。 考慮到這些分佈對於優化建模和開發有效且有效的患者護理應用程序至關重要,因此定義臨床適用的識別和響應時間配置文件對於為臨床和研究實用程序建立有價值的基礎參考至關重要。 MemTrax 在早期認知障礙 AD 篩查和鑑別診斷支持中的實用價值需要在臨床環境中進行更仔細的檢查,在臨床環境中可以考慮影響測試性能的合併症和認知、感覺和運動能力。 為了提供專業觀點並鼓勵實際臨床應用,首先必須證明與已建立的認知健康評估測試的比較,即使後者可能明顯受到繁瑣的測試後勤、教育和語言威懾以及文化影響的限制 [26] . 在這方面,MemTrax 在臨床療效方面與通常被稱為行業標準的 MoCA 的有利比較意義重大,尤其是在權衡 MemTrax 的更易用性和患者接受度時。

先前將 MemTrax 與 MoCA 進行比較的探索突出了我們建模調查的基本原理和初步證據 [8]。 然而,這種先前的比較僅將我們檢查的兩個關鍵 MemTrax 性能指標與 MoCA 確定的認知狀態相關聯,並定義了各自的範圍和截止值。 我們通過探索基於預測模型的方法加深了 MemTrax 的臨床效用評估,該方法將提供對其他可能相關的患者特定參數的更加個性化的考慮。 與其他人相比,我們沒有發現使用 MoCA 分數的教育校正(調整)或改變認知健康區分 MoCA 總分閾值從最初推薦的 26 到 23 [12, 15] 在模型性能方面的優勢。 事實上,使用未調整的 MoCA 分數和更高的閾值有利於分類性能優勢。

臨床實踐要點

當數據廣泛且多維時,機器學習通常在預測建模中得到最好的利用和最有效,也就是說,當有大量的觀察和伴隨的大量高價值(貢獻)屬性時。 然而,根據這些當前數據,只有四個選擇特徵的過濾模型比使用所有 10 個常見特徵的模型表現更好。 這表明我們的綜合醫院數據集沒有最適合臨床(高價值)的特徵來以這種方式對患者進行最佳分類。 儘管如此,特徵排名強調關鍵的 MemTrax 性能指標——MTx-% C 和 MTx-RT——強烈支持圍繞該測試構建早期認知缺陷篩查模型,該模型簡單、易於管理、成本低且恰當地揭示了記憶表現,至少現在作為認知健康狀態二元分類的初始篩選。 鑑於對提供者和醫療保健系統的壓力越來越大,應適當開發患者篩查流程和臨床應用,重點是收集、跟踪和建模那些在診斷中最有用、最有利和被證明有效的患者特徵和測試指標和患者管理支持。

由於兩個關鍵的 MemTrax 指標是 MCI 分類的核心,我們表現最好的學習器(樸素貝葉斯)在大多數模型中具有非常高的預測性能(AUC 超過 0.90),真陽性與假陽性的比率接近或略高於 4 : 1. 因此,使用此學習器的轉化臨床應用程序將捕獲(正確分類)大多數有認知缺陷的人,同時最大限度地減少與錯誤地將具有正常認知健康的人分類為具有認知缺陷(假陽性)或在那些確實有認知缺陷(假陰性)的人中缺少該分類。 這些錯誤分類的任何一種情況都可能給患者和護理人員帶來過度的社會心理負擔。

雖然在初步和全面分析中,我們在每個建模方案中使用了所有十個學習器,但我們將結果集中在表現出最一致的強性能的三個分類器上。 這也是為了強調,基於這些數據,學習者在確定認知狀態分類的實際臨床應用中預期會在高水平上可靠地執行。 此外,由於本研究旨在對機器學習在認知篩查和這些及時的臨床挑戰中的效用進行介紹性調查,因此我們決定保持學習技術的簡單性和通用性,並儘量減少參數調整。 我們讚賞這種方法可能限制了更狹義的患者特異性預測能力的潛力。 同樣,雖然只使用最重要的特徵(過濾方法)訓練模型可以讓我們進一步了解這些數據(具體到收集的數據中的缺點並突出優化寶貴的臨床時間和資源的價值),但我們認識到現在縮小範圍還為時過早模型的範圍,因此,所有(和其他特徵)都應該在未來的研究中考慮,直到我們對適用於廣大人群的優先特徵有更明確的描述。 因此,我們也充分認識到,在將這些模型和其他模型整合到有效的臨床應用之前,需要更具包容性和廣泛代表性的數據和優化,特別是為了適應影響認知表現的合併症,這些合併症需要在進一步的臨床評估中考慮。

基於單獨臨床診斷的疾病嚴重程度建模進一步完善了 MemTrax 的實用程序。 預測 VaD 嚴重程度(與 AD 相比)的整體分類性能更好 考慮到特定於血管健康的模型中的患者概況特徵,這令人驚訝 和中風風險,即高血壓、高脂血症、糖尿病和(當然)中風史。 儘管對具有正常認知健康的匹配患者進行相同的臨床評估以用這些更具包容性的數據培訓學習者會更可取和合適。 這是特別有必要的,因為 MemTrax 主要用於認知缺陷的早期檢測和隨後的個體變化跟踪。 同樣合理的是,VaD 數據集中更理想的數據分佈部分地有助於相對更好的建模性能。 VaD 數據集在兩個類別之間取得了很好的平衡,而 MCI 患者少得多的 AD 數據集則不然。 特別是在小型數據集中,即使是一些額外的實例也可以產生可衡量的差異。 這兩種觀點都是疾病嚴重程度建模性能差異的合理論據。 然而,將改進的性能按比例歸因於數據集的數字特徵或特定於正在考慮的臨床表現的固有特徵還為時過早。 儘管如此,這部小說展示了 MemTrax 預測分類模型在臨床診斷支持中的作用,提供了有價值的觀點,並肯定了對 MCI 連續體患者進行額外檢查的追求。

MemTrax 和這些模型在中國的實施和展示效用,中國的語言和文化與其他已建立效用的地區(例如,法國、荷蘭和美國)大不相同 [7, 8, 27],進一步強調了潛力為基於 MemTrax 的平台在全球範圍內的廣泛接受和臨床價值。 這是努力實現數據協調和為認知篩查開發實用的國際規範和建模資源的一個可證明的例子,這些資源已標準化並易於在全球範圍內使用。

認知衰退建模和應用的下一步

AD 中的認知功能障礙確實發生在一個連續體上,而不是在離散的階段或步驟中發生 [28、29]。 然而,在這個早期階段,我們的目標是首先建立我們構建包含 MemTrax 的模型的能力,該模型可以從根本上區分“正常”和“不正常”。 更具包容性的經驗數據(例如,腦成像、遺傳特徵、生物標誌物、合併症和復雜疾病的功能標誌物) 需要認知的活動 控制)[30] 在不同的全球區域、人口和年齡組中訓練和開發更複雜的(包括適當加權的集成)機器學習模型將支持更大程度的增強分類,即對具有以下特徵的患者群體進行分類的能力MCI 沿著認知衰退連續體分為更小和更明確的子集。 此外,針對不同地區患者群體的個體進行伴隨臨床診斷對於 有效訓練 這些更具包容性和可預見性的穩健模型。 這將有助於對具有相似背景、影響和更狹義定義的特徵認知概況的人進行更具體的分層病例管理,從而優化臨床決策支持和患者護理。

迄今為止,許多相關的臨床研究都針對至少患有輕度癡呆症的患者; 而且,在實踐中,患者乾預往往只是在晚期才嘗試。 然而,由於認知能力下降早在滿足癡呆臨床標準之前就開始了,因此有效應用基於 MemTrax 的早期篩查可以鼓勵對個人進行有關疾病及其進展的適當教育,並促使更早、更及時的干預。 因此,早期檢測可以支持適當的參與,從運動、飲食、情感支持和改善社交到藥物干預,並加強與患者相關的行為和感知改變,這些改變單獨或共同可以減輕或可能阻止癡呆進展 [31, 32] . 此外,與有效 早期篩查,可能會提示個人及其家人考慮進行臨床試驗或獲得諮詢和其他社會服務支持,以幫助澄清期望和意圖並管理日常任務​​。 這些方法的進一步驗證和廣泛的實用性可能有助於減輕或阻止許多人 MCI、AD 和 ADRD 的進展。

事實上,我們研究中患者年齡範圍的低端並不代表傳統上關注 AD 的人群。 儘管如此,基於 MoCA 評分/閾值和診斷嚴重程度(表 3)的分類建模方案中使用的每個組的平均年齡強調了絕大多數(超過 80%)至少 50 歲。 因此,這種分佈非常適合泛化,支持這些模型在表徵那些通常受 早發 以及由 AD 和 VaD 引起的迅速發展的神經認知疾病。 此外,最近的證據和觀點強調了那些公認的因素(例如,高血壓、肥胖、糖尿病和吸煙)可能導致早期高 成人和中年血管風險評分以及隨之而來的微妙血管性腦損傷,即使在年輕人中也有明顯的影響 成人 [33-35]。 因此,早期檢測的最佳初始篩查機會 分階段認知缺陷並啟動有效的預防和乾預策略以成功解決癡呆症 將從檢查整個年齡段的促成因素和先行指標中得出,包括成年早期甚至可能是兒童(注意遺傳因素的相關性,例如妊娠早期的載脂蛋白 E)。

在實踐中,對於許多提供者而言,用於高級成像、基因分析和測量有前途的生物標誌物的有效臨床診斷和昂貴的程序並不總是容易獲得,甚至是不可行的。 因此,在許多情況下,可能必須使用患者提供的其他簡單指標(例如,自我報告的 內存問題、目前的藥物治療和日常活動限制)和常見的人口統計學特徵 [7]。 加州大學等註冊處 腦健康 登記處 (https://www.brainhealthregistry.org/) [27] 和其他具有固有的更大範圍的自我報告症狀、定性測量(例如,睡眠和日常認知)、藥物、健康狀況和病史,以及更詳細的人口統計數據將有助於開發和驗證這些更原始模型在臨床中的實際應用。 此外,諸如 MemTrax 之類的測試已證明在評估記憶功能方面的實用性,實際上可能比生物標誌物提供更好的 AD 病理學估計。 鑑於 AD 病理學的核心特徵是神經可塑性的破壞和極其複雜的突觸喪失,表現為偶發性 記憶功能障礙,一種評估情景記憶的措施實際上可能 與活體患者的生物標誌物相比,它可以更好地估計 AD 病理負擔 [36]。

借助所有預測模型——無論是由來自最先進技術的複雜和包容性數據和跨多個領域的精細臨床洞察力補充,還是僅限於現有患者資料的更基本和更容易獲得的信息特徵——人工智能的公認優勢機器學習是生成的模型可以綜合和歸納“學習”相關的新數據和持續應用程序利用提供的視角。 在實際技術轉移之後,隨著此處(和待開發)模型的應用和豐富,包含更多病例和相關數據(包括可能出現認知能力下降的合併症患者),預測性能和認知健康分類將更加穩健,導致更有效的臨床決策支持效用。 通過將 MemTrax 嵌入到醫療保健提供者可以在診所實時使用的定制(針對可用功能)平台中,這種演變將更加全面和實際地實現。

用於診斷支持和患者護理的 MemTrax 模型的驗證和實用性勢在必行的是備受追捧的有意義的縱向數據。 通過觀察和記錄在足夠的正常範圍內到早期 MCI 的臨床狀態的伴隨變化(如果有的話),可以隨著患者年齡和接受治療而訓練和修改用於適當持續評估和分類的模型。 也就是說,重複效用可以幫助縱向跟踪輕度認知變化、干預效果和維持知情的分層護理。 這種方法更符合臨床實踐以及患者和病例管理。

限制

我們讚賞在受控診所/醫院環境中收集乾淨的臨床數據的挑戰和價值。 儘管如此,如果我們的數據集包含更多具有共同特徵的患者,它會加強我們的建模。 此外,具體到我們的診斷模型,對具有正常認知健康的匹配患者進行相同的臨床評估來培訓學習者會更可取和合適。 正如使用過濾後的數據集(僅排名靠前的四個特徵)的更高分類性能所強調的那樣,更通用和 認知健康措施/指標可能會有所改善 使用更多的所有患者的共同特徵對性能進行建模。

某些參與者可能同時經歷了其他可能導致暫時或慢性認知缺陷的疾病。 除了將患者診斷為患有 AD 或 VaD 的 XL 子數據集外,未在 YH 患者庫中收集/報告合併症數據,並且迄今為止在 KM 子數據集中報告的主要合併症是糖尿病。 然而,有爭議的是,在我們的建模方案中包括合併症的患者,這些合併症可能會促使或加劇一定程度的認知缺陷並因此降低 MemTrax 性能,這將更能代表現實世界的目標患者群體,以進行這種更普遍的早期認知篩查和建模方法。 展望未來,對可能影響認知能力的合併症的準確診斷對於優化模型和由此產生的患者護理應用程序具有廣泛的益處。

最後,YH 和 KM 子數據集患者使用智能手機進行 MemTrax 測試,而少數 XL 子數據集患者使用 iPad,其餘患者使用智能手機。 這可能會在 MoCA 分類建模的 MemTrax 性能中引入與設備相關的微小差異。 但是,MTx-RT 中的差異(如果有)(例如,設備之間的差異)可能可以忽略不計,尤其是在每個參與者在記錄測試性能之前進行“實踐”測試時。 然而,這兩種手持設備的實用性可能會損害與其他 MemTrax 結果的直接比較和/或集成,其中用戶通過觸摸計算機鍵盤上的空格鍵來響應重複圖片。

MemTrax 預測建模實用程序的要點

  • • 我們表現最佳的預測模型包含選定的 MemTrax 性能指標,可以可靠地對認知健康狀態(正常認知健康或 MCI)進行分類,正如廣泛認可的 MoCA 測試所表明的那樣。
  • • 這些結果支持將選定的 MemTrax 性能指標集成到用於早期認知障礙的分類預測模型篩選應用程序中。
  • • 我們的分類模型還揭示了在區分癡呆診斷嚴重程度的應用中利用 MemTrax 性能的潛力。

這些新發現建立了明確的證據,支持機器學習在構建增強的基於 MemTrax 的強大分類模型中的效用,為認知障礙患者的有效臨床病例管理和患者護理提供診斷支持。

致謝

我們認可 J. Wesson Ashford、Curtis B. Ashford 及其同事在開發和驗證此處使用的在線連續識別任務和工具 (MemTrax) 方面所做的工作,我們感謝為關鍵基礎研究做出貢獻的眾多癡呆症患者. 我們還感謝周賢波和他在 SJN Biomed LTD 的同事,他在醫院/診所的同事和合作者,尤其是 Drs。 M. Luo 和 M. Zhong,他們幫助招募參與者、安排測試、收集、記錄和前端管理數據,以及貢獻寶貴時間並承諾參加測試和提供的志願者參與者我們在這項研究中評估的有價值的數據。 這個 研究得到了醫學博士科學研究的部分支持 昆明醫科大學項目(XL 號 2017BS028)和雲南省科技廳科研計劃(XL 號 2019FE001 (-222))。

J. Wesson Ashford 已提交專利申請,將本文描述的特定連續識別範式用於一般 內存測試.

MemTrax, LLC 是 Curtis Ashford 旗下的一家公司,該公司管理著 記憶測試 本文所描述的系統。

可在線獲取作者的披露信息 (https://www.j-alz.com/manuscript-disclosures/19-1340r2)。

記憶力測試 癡呆測試 記憶力減退測試 短期記憶力減退測試 公羊測試 頭腦 飲食 各種書籍 認知測試 在線
Curtis Ashford – 認知研究協調員

參考

[1] 阿爾茨海默氏症協會 (2016) 2016 年阿爾茨海默氏病事實 和數字。 阿爾茨海默氏症 12, 459–509。
[2] Gresenz CR , Mitchell JM , Marrone J , Federoff HJ (2019) Effect of early-stage 阿爾茨海默氏病 關於家庭財務結果。 健康經濟學 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) 質量改進神經病學:輕度認知障礙質量測量集。 神經病學 93, 705–713。
[4] Tong T、Thokala P、McMillan B、Ghosh R、Brazier J (2017) 使用成本效益 在初級保健中檢測癡呆和輕度認知障礙的認知篩查測試. Int J Geriatr Psychiatry 32, 1392–1400。
[5] 阿什福德 JW , 基爾 E , 貝利 PJ (2011) 測量內存 在使用連續識別測試的大組設置中。 J Alzheimers Dis 27, 885–895。
[6] Ashford JW , Tarpin-Bernard F , Ashford CB , Ashford MT (2019) 用於情景記憶測量的計算機連續識別任務。 J 阿爾茨海默病 Dis 69, 385–399。
[7] Bergeron MF , Landset S , Tarpin-Bernard F , Ashford CB , Khoshgoftaar TM , Ashford JW (2019) 用於預測認知健康狀態分類的機器學習建模中的情景記憶性能。 阿爾茨海默病雜誌 70, 277–286。
[8] van der Hoek MD , Nieuwenhuizen A , Keijer J , Ashford JW (2019) The MemTrax測試 與輕度認知障礙的蒙特利爾認知評估估計相比。 J Alzheimers Dis 67, 1045–1054。
[9] Falcone M , Yadav N , Poellabauer C , Flynn P (2013) 使用孤立元音對輕度創傷性腦損傷進行分類。 2013 年 IEEE 聲學、語音和信號處理國際會議,溫哥華,不列顛哥倫比亞省,第 7577-7581 頁。
[10] Dabek F , Caban JJ (2015) 利用大數據模擬腦震盪後發展心理狀況的可能性。 Procedia 計算機科學 53, 265–273。
[11] Climent MT , Pardo J , Munoz-Almaraz FJ , Guerrero MD , Moreno L (2018) 社區藥劑師早期發現認知障礙的決策樹。 前藥效學 9, 1232。
[12] Nasreddine ZS,Phillips NA,Bedirian V,Charbonneau S,Whitehead V,Collin I,Cummings JL,Chertkow H (2005) 蒙特利爾認知評估,MoCA:輕度認知障礙的簡要篩查工具。 J Am Geriatr Soc 53, 695–699。
[13] Yu J , Li J , Huang X (2012) 北京版蒙特利爾認知評估作為輕度認知障礙的簡要篩查工具:基於社區的研究。 BMC 精神病學 12, 156。
[14] Chen KL , Xu Y , Chu AQ , Ding D , Liang XN , Nasreddine ZS , Dong Q , Hong Z , Zhao QH , Guo QH (2016) 驗證蒙特利爾認知評估基礎用於篩查輕度認知障礙的中文版。 J Am Geriatr Soc 64,e285–e290。
[15] Carson N , Leach L , Murphy KJ (2018) 重新審視蒙特利爾認知評估 (MoCA) 截止分數。 Int J Geriatr Psychiatry 33, 379–388。
[16] 美國精神病學協會 (2013) 工作組精神障礙診斷和統計手冊:DSM-5™,美國精神病學出版社,華盛頓特區。
[17] Python。 Python 軟件基金會,http://www.python.org,15 年 2019 月 XNUMX 日訪問。
[18] R 核心組,R:統計計算的語言和環境 R 統計計算基金會,奧地利維也納。 https://www.R-project.org/,2018 年,15 年 2019 月 XNUMX 日訪問。
[19] Benavoli A , Corani G , Demšar J , Zaffalon M (2017) Time for a change:通過貝葉斯分析比較多個分類器的教程。 J Mach Learn Res 18, 1-36。
[20] Frank E , Hall MA , Witten IH (2016) WEKA 工作台。 在 數據挖掘:實用的機器學習工具和技術, Frank E, Hall MA, Witten IH, Pal CJ, eds。 摩根考夫曼 https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf
[21] Bergeron MF、Landset S、Maugans TA、Williams VB、Collins CL、Wasserman EB、Khoshgoftaar TM (2019) 機器學習在高中運動腦震盪症狀解決中的建模。 醫學科學運動練習 51, 1362–1371。
[22] Van Hulse J , Khoshgoftaar TM , Napolitano A (2007) 從不平衡數據中學習的實驗觀點。 在 第24屆機器學習國際會議論文集,美國俄勒岡州科瓦利斯,第 935-942 頁。
[23] Ashford JW,Kolm P,Colliver JA,Bekian C,Hsu LN (1989) 阿爾茨海默病患者評估和迷你精神狀態:項目特徵曲線分析。 J Gerontol 44, 139–146。
[24] 阿什福德 JW,賈維克 L (1985) 阿爾茨海默氏病: 神經元可塑性會導致軸突變性神經原纖維變性嗎? 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) 使用國家老年癡呆症研究所的生物學與臨床定義的阿爾茨海默氏症譜系實體的患病率 協會研究 框架。 JAMA Neurol 76, 1174–1183。
[26] Zhou X , Ashford JW (2019) Advances in screening instruments for 阿爾茨海默氏病. 衰老醫學 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) 腦健康 Registry:一個基於互聯網的平台,用於神經科學研究參與者的招募、評估和縱向監測。 阿爾茨海默氏症 14, 1063–1076。
[28] Ashford JW , Schmitt FA (2001) Modeling the time-course of 老年癡呆症. Curr Psychiatry Rep 3, 20–28。
[29] Li X , Wang X , Su L , Hu X , Han Y (2019) Sino Longitudinal Study on Cognitive Decline (SILCODE): 中國縱向觀察研究方案開發主觀認知障礙患者轉變為輕度認知障礙的風險預測模型衰退。 BMJ 公開賽 9,e028188。
[30] Tarnanas I , Tsolaki A , Wiederhold M , Wiederhold B , Tsolaki M (2015) 五年生物標誌物進展變異性 阿爾茨海默病癡呆症 預測:日常生活標記的複雜器樂活動能否填補空白? 阿爾茨海默氏症 (Amst) 1, 521–532。
[31] McGurran H、Glenn JM、Madero EN、Bott NT (2019) 阿爾茨海默病的預防和治療: 運動的生物學機制。 J Alzheimers Dis 69, 311–338。
[32] Mendiola-Precoma J , Berumen LC , Padilla K , Garcia-Alcocer G (2016) Therapies for 阿爾茨海默病的預防和治療. 生物醫學研究國際 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) 成年期血管風險與晚年腦病理學之間的關聯:來自英國出生隊列的證據。 JAMA Neurol 77, 175–183。
[34] Seshadri S (2020) 預防老年癡呆思維和澱粉樣蛋白盒。 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) 在弗雷明漢心臟研究中收縮壓對年輕人白質完整性的影響:交叉截面研究。 柳葉刀神經 11, 1039–1047。
[36] Fink HA、Linskens EJ、Silverman PC、McCarten JR、Hemmy LS、Ouellette JM、Greer NL、Wilt TJ、Butler M(2020)神經病理學定義的生物標誌物測試的準確性 老年癡呆症患者的阿爾茨海默病. 安實習生醫學 172, 669–677。

隸屬關係:[a] SIVOTEC Analytics,美國佛羅里達州博卡拉頓 | [b] 佛羅里達大西洋大學計算機與電氣工程與計算機科學系,美國佛羅里達州博卡拉頓 | [c] SJN Biomed LTD,昆明,雲南,中國 | [d] 中心 阿爾茨海默氏症研究,華盛頓臨床研究所,華盛頓特區,美國 | [e] 昆明醫科大學第一附屬醫院康復醫學科,昆明,雲南,中國 | [f] 中國雲南德宏市德宏市人民醫院神經內科| [g] 中國雲南省昆明市五華區昆明醫科大學第一附屬醫院神經內科| [h] 戰爭相關疾病和傷害研究中心,弗吉尼亞州帕洛阿爾托 健康保健 System,美國加利福尼亞州帕洛阿爾托 | [i] 斯坦福大學醫學院精神病學與行為科學系,美國加利福尼亞州帕洛阿爾托

通訊作者:[*] 通訊作者:Michael F. Bergeron, PhD, FACSM, SIVOTEC Analytics, Boca Raton Innovation Campus, 4800 T-Rex Avenue, Suite 315, Boca Raton, FL 33431, USA。 電子郵件:mbergeron@sivotecanalytics.com。 295 雲南省昆明市五華區西昌路650032號昆明醫科大學第一附屬醫院神經內科劉曉磊醫師郵箱:ring@vip.163.com。

關鍵詞: 老化, 阿爾茨海默氏病, 癡呆症, 大規模篩查