Summary

Un enfoque de aprendizaje automático para diseñar un examen selectivo eficiente del deterioro cognitivo leve

Published: January 11, 2020
doi:

Summary

Esta metodología produce árboles de decisión que se dirigen a grupos de población más propensos a sufrir de deterioro cognitivo leve y son útiles para la detección selectiva rentable de la enfermedad.

Abstract

El deterioro cognitivo leve (MCI) es el primer signo de demencia entre las poblaciones de edad avanzada y su detección temprana es crucial en nuestras sociedades envejecidas. Las pruebas comunes de MCI consumen mucho tiempo, de manera que el cribado masivo indiscriminado no sería rentable. Aquí, describimos un protocolo que utiliza técnicas de aprendizaje automático para seleccionar rápidamente candidatos para su posterior selección a través de una prueba de MCI basada en preguntas. Esto minimiza el número de recursos necesarios para el cribado porque solo los pacientes que son potencialmente positivos para la ICM se prueban más a fondo.

Esta metodología se aplicó en un estudio inicial de investigación de MCI que formó el punto de partida para el diseño de un árbol de decisión de cribado selectivo. El estudio inicial recopiló muchas variables demográficas y de estilo de vida, así como detalles sobre los medicamentos para pacientes. El Cuestionario de Estado Mental Portátil Corto (SPMSQ) y el Examen de Estado Mini-Mental (MMSE) se utilizaron para detectar posibles casos de MCI. Por último, utilizamos este método para diseñar un proceso eficiente para clasificar a las personas en riesgo de MCI. Este trabajo también proporciona información sobre los factores relacionados con el estilo de vida asociados con la ICM que podrían aprovecharse en la prevención y detección temprana de ICM entre las poblaciones de edad avanzada.

Introduction

El envejecimiento de la población está aumentando la prevalencia de enfermedades crónicas y degenerativas, especialmente demencias degenerativas, que se espera que afecten a más de 131 millones de personas en todo el mundo para 20501. Entre todas las demencias degenerativas, la enfermedad de Alzheimer es la más común con una prevalencia general en Europa del 6,88%2. Debido a la independencia cada vez más en declive de los pacientes con AD, este grupo debe comenzar a recibir apoyo tan pronto como ad comienza a manifestarse. Por lo tanto, la detección temprana de signos prodrómicos de AD, como deterioro cognitivo leve (MCI), es esencial.

LA ICM se define como una etapa de deterioro cognitivo intermedio correspondiente al envejecimiento normal y al deterioro grave debido a la demencia3. Según estimaciones de Petersen et al.4, la prevalencia de IMC es del 8,4% entre las personas de 65 a 69 años y alcanza el 25,2% para las mayores de 80 años. MCI resulta en individuos experimentando más dificultades de lo esperado en la ejecución de habilidades cognitivas de bajo nivel, especialmente aquellos relacionados con la memoria y el lenguaje, pero no interfiere con las actividades de la vida diaria.

La detección no es sinónimo de diagnóstico; el diagnóstico de ICM siempre será una tarea clínica, mientras que los métodos de cribado sólo pueden informarnos que un paciente tiene una mayor probabilidad de sufrir esta patología y que hay una sospecha fundada de ICM que debe confirmarse clínicamente. Por lo tanto, los trabajadores de la atención primaria (médicos, farmacéuticos, enfermeros, etc.) podrían beneficiarse de la disponibilidad de métodos de cribado simples (breves pruebas cognitivas) que se pueden aplicar en cuestión de minutos. Idealmente, estos identificarían objetivamente a los pacientes con una alta probabilidad de sufrir un MCI para que luego puedan ser clínicamente probados por médicos generales o especializados.

Dado que la detección precoz de la ICM se está convirtiendo en una tarea esencial en el contexto de la salud pública, este trabajo tenía como objetivo identificar qué características son útiles en la identificación específica de la ICM en las pruebas de detección de poblaciones de edad avanzada. Estos grupos se probarían más a fondo para detectar la ICM en las pruebas administradas por los proveedores de atención primaria de salud. Esta metodología proporciona un árbol de decisiones con los algoritmos adecuados para identificar los grupos de población a los que se va a destinar.

Entre estas características, la edad es uno de los factores más consistentes asociados con el desarrollo de esta patología. Otras características relevantes están relacionadas con la demografía o el estilo de vida5. Entre estos últimos, algunos estudios han identificado la duración del sueño diurno o nocturno como un factor de riesgo que puede conducir al diagnóstico de MCI5,6,7,8,9. El consumo prolongado de medicamentos como las benzodiazepinas, consumidas por un estimado del 20%-25% de los adultos mayores10,11,también puede influir en las horas de sueño y el desarrollo de MCI12,13. De hecho, los tratamientos prolongados para enfermedades crónicas pueden ser características importantes útiles en la preselección de individuos con un alto riesgo de padecer MCI.

Aquí, desarrollamos modelos basados en datos que utilizan algoritmos de aprendizaje automático, un árbol de decisión y una herramienta predictiva para aumentar la eficiencia de la metodología para detectar MCI discriminando qué características juegan un papel importante en los primeros detección de MCI. El árbol de decisión resultante presentado aquí se produjo utilizando una cohorte específica de pacientes españoles utilizando farmacias comunitarias. Sin embargo, este método también sería útil entre otras poblaciones con características diferentes.

Este trabajo se completó en colaboración con médicos especializados y de atención primaria. Las farmacias comunitarias eran ideales para probar este algoritmo porque están cerca de los pacientes, tienen un horario de apertura largo y son visitadas y consultadas con frecuencia. Las demencias degenerativas son condiciones complejas que no siempre son bien comprendidas por los proveedores de atención primaria14. Por lo tanto, involucrarse en el proceso aumentará la conciencia de las personas que sufren de ICM y demencias.

Protocol

La metodología aplicada en este estudio se ha publicado previamente5 en trabajos realizados en la Universidad CEU Cardenal Herrera junto con farmacias comunitarias de la Región Valenciana (España) asociadas a la Sociedad Española de Farmacia Familiar y Comunitaria (SEFAC). Este estudio actual fue revisado y aprobado por el Comité de Etica de Investigación de la Universidad CEU Cardenal Herrera (aprobación no. CEI11/001) en marzo de 2011. Todas las personas involucradas en el estudio dieron …

Representative Results

Las farmacias participantes recopilaron datos de 728 usuarios y recopilaron variables demográficas además de los medicamentos prescritos a los participantes. Se realizó una regresión logística univariada para todas las variables34; los gráficos de barras de error que se muestran en la Figura 3 y la Figura 4 son representaciones gráficas convenientes del intervalo de confianza de la relación de prob…

Discussion

Después de buscar términos asociados con MCI en estudios de Cochrane en la base de datos PubMed, se creó un cuestionario específico para este estudio que utilizó las variables más evidentes con una asociación probada con MCI. También se registraron factores demográficos, de estilo de vida y sociales, así como farmacoterapia del paciente y algunas patologías relevantes. Además, también se seleccionaron las pruebas SPMSQ y MMSE MCI. Es importante destacar que el SPMSQ no se vio afectado por el nivel de escolar…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Este trabajo fue posible gracias al apoyo de la Fundación Know Alzheimer y la ayuda del servicio de producción multimedia de la Universidad CEU Cardenal Herrera, especialmente Enrique Giner. Nos gustaría reconocer el trabajo de todas las farmacias participantes (SEFAC), y de los médicos colaboradores de la Sociedad de Médicos de Atención Primaria (SEMERGEN) y de la Sociedad de Neurología (SVN) que ayudaron con los diagnósticos de MCI, especialmente Vicente Gassull, Rafael Sánchez, y Jordi Pérez. Por último, damos las gracias a todos los que aceptaron participar en este estudio.

Materials

caret Max Kuhn R package
rpart Terry Therneau, Beth Atkinson, Brian Ripley R package
SPMSQ in Spanish Farmaceuticoscomunitarios.org http://farmaceuticoscomunitarios.org/anexos/vol11_n1/ANEXO1.pdf
SPMSQ in English geriatrics.stanford.edu https://geriatrics.stanford.edu/culturemed/overview/assessment/assessment_toolkit/spmsq.html
MMSE in Spanish Farmaceuticoscomunitarios.org http://farmaceuticoscomunitarios.org/anexos/vol11_n1/ANEXO2.pdf
MMSE in English oxfordmedicaleducation.com http://www.oxfordmedicaleducation.com/geriatrics/mini-mental-state-examination-mmse/

References

  1. . World Alzheimer report 2016: improving healthcare for people living with dementia: coverage, quality and costs now and in the future Available from: https://scholar.google.com/scholar.bib?q=info:mEGpcpLHEIMJ:scholar.google.com (2016)
  2. Niu, H., Álvarez-Álvarez, I., Guillén-Grima, F., Aguinaga-Ontoso, I. Prevalence and incidence of Alzheimer’s disease in Europe: A meta-analysis. Neurología (English Edition). 32 (8), 523-532 (2017).
  3. Petersen, R. C., et al. Mild Cognitive Impairment: Clinical Characterization and Outcome. Archives of Neurology. 56 (3), 303 (1999).
  4. Petersen, R. C., et al. Practice guideline update summary: Mild cognitive impairment: Report of the Guideline Development, Dissemination, and Implementation Subcommittee of the American Academy of Neurology. Neurology. 90 (3), 126-135 (2018).
  5. Climent, M. T., Vilaplana, A. M., Arnedo, A., Vilar, J., Moreno-Royo, L. Life styles associated cognitive impairment. Study from the community pharmacy [Estilos de vida asociados a deterioro cognitivo. Estudio preliminar desde la farmacia comunitaria]. Revista de Investigacion Clinica. 65 (6), 500-509 (2013).
  6. Faubel, R., et al. Usual sleep duration and cognitive function in older adults in Spain. Journal of Sleep Research. 18 (4), 427-435 (2009).
  7. Benito-León, J., Louis, E. D., Bermejo-Pareja, F. Cognitive decline in short and long sleepers: A prospective population-based study (NEDICES). Journal of Psychiatric Research. 47 (12), 1998-2003 (2013).
  8. Ramos, A. R., et al. Association between Sleep Duration and the Mini-Mental Score: The Northern Manhattan Study. Journal of Clinical Sleep Medicine. 9 (7), 669 (2013).
  9. Gabelle, A., et al. Excessive Sleepiness and Longer Nighttime in Bed Increase the Risk of Cognitive Decline in Frail Elderly Subjects: The MAPT-Sleep Study. Frontiers in Aging Neuroscience. 9, 312 (2017).
  10. Fernández, M., et al. Prevalence of dementia in the elderly aged above 65 in a district in the Basque Country. Revista de Neurologia. 46 (2), 89-96 (2008).
  11. Velert Vila, J., et al. Suitability of the use of benzodiazepines prescribed by the pharmacist in the elderly. A doctor-pharmacist collaboration study. Atención Primaria. 44 (7), 402-410 (2012).
  12. Ranstam, J., et al. Impaired cognitive function in elderly men exposed to benzodiazepines or other anziolytics. The European Journal of Public Health. 7 (2), 149-152 (1997).
  13. Airagnes, G., Pelissolo, A., Lavallée, M., Flament, M., Limosin, F. Benzodiazepine Misuse in the Elderly: Risk Factors, Consequences, and Management. Current Psychiatry Reports. 18 (10), 89 (2016).
  14. Alacreu, M., et al. Importance of Increasing Modifiable Risk Factors Knowledge on Alzheimer’s Disease Among Community Pharmacists and General Practitioners in Spain. Frontiers in Pharmacology. 10, 860 (2019).
  15. Cohen, J. . Statistical Power Analysis for the Behavioral Sciences. , (2013).
  16. Nardi, P. M. . Doing Survey Research: A Guide To Quantitative Methods. , (2018).
  17. Sabater Hernández, D., Silva Castro, M. M., Faus Dáder, M. J. . Método Dáder: guía de seguimiento farmacoterapéutico. , (2017).
  18. Pfeiffer, E. A Short Portable Mental Status Questionnaire for the Assessment of Organic Brain Deficit in Elderly Patients. Journal of the American Geriatrics Society. 23 (10), 433-441 (1975).
  19. Folstein, M. F., Folstein, S. E., McHugh, P. R. “Mini-mental state.” A practical method for grading the cognitive state of patients for the clinician. Journal of Psychiatric Research. 12 (3), 189-198 (1975).
  20. Buschke, H., et al. Screening for dementia with the memory impairment screen. Neurology. 52 (2), 231-238 (1999).
  21. Verghese, J., et al. Picture-based memory impairment screen for dementia. Journal of the American Geriatrics Society. 60 (11), 2116-2120 (2012).
  22. Nasreddine, Z. S., et al. The Montreal Cognitive Assessment, MoCA: A Brief Screening Tool For Mild Cognitive Impairment. Journal of the American Geriatrics Society. 53 (4), 695-699 (2005).
  23. Kaya, D., et al. The Saint Louis University Mental Status Examination Is Better than the Mini-Mental State Examination to Determine the Cognitive Impairment in Turkish Elderly People. Journal of the American Medical Directors Association. 17 (4), e11-e15 (2016).
  24. O’Caoimh, R., et al. Comparison of the quick mild cognitive impairment (Qmci) screen and the SMMSE in screening for mild cognitive impairment. Age and Ageing. 41 (5), 624-629 (2012).
  25. Cullen, B., ONeill, B., Evans, J. J., Coen, R. F., Lawlor, B. A. A review of screening tests for cognitive impairment. Journal of Neurology, Neurosurgery & Psychiatry. 78 (8), 790-799 (2007).
  26. Martínez de la Iglesia, J., et al. Adaptación y validación al castellano del cuestionario de Pfeiffer (SPMSQ) para detectar la existencia de deterioro cognitivo en personas mayores e 65 años. Medicina Clínica. 117 (4), 129-134 (2001).
  27. Blesa, R., et al. Clinical validity of the ‘mini-mental state’ for Spanish speaking communities. Neuropsychologia. 39 (11), 1150-1157 (2001).
  28. . pwr: Basic Functions for Power Analysis Available from: https://cran.r-project.org/web/packages/pwr/index.html (2018)
  29. . rpart: Recursive Partitioning and Regression Trees Available from: https://cran.r-project.org/web/packages/rpart (2018)
  30. . ATC/DDD Index Available from: https://www.whocc.no/atc_ddd_index (2018)
  31. Kuhn, M., Johnson, K. . Applied Predictive Modeling. 26, (2013).
  32. Kuhn, M. Building Predictive Models in R Using the caret Package. Journal of Statistical Software. 28 (5), 1-26 (2008).
  33. Climent, M. T., Pardo, J., Muñoz-Almaraz, F. J., Guerrero, M. D., Moreno, L. Decision Tree for Early Detection of Cognitive Impairment by Community Pharmacists. Frontiers in Pharmacology. 9, 1-12 (2018).

Play Video

Cite This Article
Muñoz-Almaraz, F. J., Climent, M. T., Guerrero, M. D., Moreno, L., Pardo, J. A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment. J. Vis. Exp. (155), e59649, doi:10.3791/59649 (2020).

View Video