Summary
이 방법론은 온화한 인식 손상 때문에 손해를 입기 위하여 인구 단을 표적으로 하고 질병의 비용 효과적인 선택적인 검열을 위해 유용하다 는 결정 나무를 생성합니다.
Abstract
경도 인지 장애 (MCI)는 노인 인구 중 치매의 첫 번째 징후이며 조기 발견은 우리의 노화 사회에서 결정적입니다. 일반적인 MCI 시험은 무차별적인 대규모 검열이 비용 효과적이지 않을 수 있도록 시간이 많이 걸립니다. 여기서는 기계 학습 기술을 사용하여 질문 기반 MCI 테스트를 통해 추가 심사를 위한 후보자를 신속하게 선택하는 프로토콜을 설명합니다. 이것은 잠재적으로 MCI 양성인 환자만 추가로 시험되기 때문에 검열을 위해 요구되는 자원의 수를 최소화합니다.
이 방법론은 선택적 선별 결정 트리의 설계를 위한 출발점을 형성한 초기 MCI 연구 연구에서 적용되었습니다. 초기 연구 결과는 환자 약물에 관하여 많은 인구 통계학 및 생활양식 변수 및 세부사항을 집합했습니다. 짧은 휴대용 정신 상태 설문지 (SPMSQ) 및 미니 정신 상태 검사 (MMSE) MCI의 가능한 경우를 감지 하는 데 사용 되었다. 마지막으로, 우리는 MCI의 위험에 개인을 분류하기위한 효율적인 프로세스를 설계하기 위해이 방법을 사용했다. 이 작품은 또한 노인 인구 중 MCI의 예방 및 조기 발견에 활용 될 수있는 MCI와 관련된 라이프 스타일 관련 요인에 대한 통찰력을 제공합니다.
Introduction
인구 고령화는 2050년까지 전 세계적으로 1억 3,100만 명 이상에게 영향을 미칠 것으로 예상되는 만성 및퇴행성 질환, 특히 퇴행성 치매의 유병률을 증가시키고 있다 1. 모든 퇴행성 치매 중에서, 알츠하이머병(AD)은 유럽에서 6.88%2의전반적인 유병률을 가진 가장 흔한 질환이다. AD 환자의 계속 감소하는 독립성 때문에, 이 단은 AD가 명시하기 시작하자마자 지원을 수신하기 시작해야 합니다. 따라서 경도 인지 장애(MCI)와 같은 AD의 프로드로말 징후를 조기에 발견하는 것이 필수적입니다.
MCI는 치매로 인한 정상적인 노화 및 심한 악화에 대응하는 중간 인지 기능 저하 단계로 정의된다3. Petersen 등4에의해 추정에 따르면, MCI의 보급은 65-69 세 사람들 중 8.4%이고 80 세 이상 사람들을 위해 25.2%에 도달합니다. MCI는 낮은 수준의 인지 능력, 특히 기억력과 언어와 관련된 능력을 실행하여 예상보다 더 많은 어려움을 겪고 있지만 일상 생활의 활동을 방해하지는 않습니다.
검열은 진단과 동의어가 아닙니다; MCI의 진단은 항상 임상 업무일 것이지만, 선별 방법은 환자가이 병리학으로 고통받을 확률이 높고 임상적으로 확인되어야하는 MCI의 잘 설립 된 의심이 있음을 알려줄 수 있습니다. 따라서, 1 차 적인 헬스케어 노동자 (닥터, 약사, 간호원 등)는 분에서 적용될 수 있는 간단한 검열 방법 (간단한 인식 시험)의 가용성에서 유익할 수 있었습니다. 이상적으로, 이들은 객관적으로 MCI를 겪기의 높은 확률을 가진 환자를 그 때 일반 또는 전문화한 의사에 의해 임상으로 시험될 수 있다 그래야 확인할 것입니다.
MCI의 조기 발견이 공중 위생의 맥락에서 필수적인 업무가 되고 있다는 것을 감안할 때, 이 일은 노인 인구의 선별 시험에서 MCI의 표적 식별에 유용한 특성을 확인하는 것을 목표로 했습니다. 이 단은 그 때 1 차적인 헬스케어 공급자에 의해 관리된 시험에서 MCI를 위해 더 철저하게 시험될 것입니다. 이 방법론은 대상집단 그룹을 식별하기 위한 적절한 알고리즘을 가진 의사 결정 트리를 제공합니다.
이러한 특성 중 나이는이 병리학의 발달과 관련된 가장 일관된 요인 중 하나입니다. 기타 관련 특성은 인구 통계학적 특성 또는 라이프스타일과 관련이있습니다 5. 후자 중, 일부 연구는 MCI의 진단으로 이어질 수있는 위험 요소로 주간 또는 야간 수면의 기간을 확인5,6,7,8,9. 벤조디아제핀과 같은 약물의 장기간 섭취는 노인10,11의약 20 %-25 %가 소비되며 수면 시간과 MCI12,13의발달에도 영향을 미칠 수 있습니다. 실제로, 만성 질환에 대한 장기간 치료는 MCI로 고통의 높은 위험을 가진 개인의 사전 선택에 유용한 중요한 기능이 될 수 있습니다.
여기서는 자동 학습 알고리즘, 의사 결정 트리 및 예측 도구를 사용하여 초기에 중요한 역할을 하는 특성을 차별하여 MCI 를 감지하는 방법론의 효율성을 높이는 데이터 기반 모델을 개발했습니다. MCI를 감지할 수 있습니다. 여기에 제시 된 결과 의사 결정 트리는 지역 사회 약국을 사용하여 스페인 환자의 특정 코호트를 사용하여 생산되었다. 그러나 이 방법은 특성이 다른 다른 채우기 에서도 유용합니다.
이 작품은 1 차적인 헬스케어 및 전문화한 닥터와 협력하여 완료되었습니다. 지역 사회 약국은 환자와 가깝고, 영업 시간이 길며, 자주 방문하고 상담하기 때문에이 알고리즘을 테스트하는 데 이상적입니다. 퇴행성 치매는 1차 의료제공자가 항상 잘 이해하지 못하는 복잡한상태이다(14). 따라서, 이 과정에 관여하게 되면 MCI와 치매로 고통받는 사람들의 인식을 높일 수 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
이 연구결과에 적용된 방법론은 이전에 발렌시아(스페인) 지역 사회 약국과 함께 대학 CEU 카르데날 헤레라에서 수행된 5개의 연구에 발표되었습니다(SEFAC). 이 현재 연구는 검토 및 Universidad CEU 카르데날 헤레라에서 연구 윤리위원회에 의해 승인되었다 (승인 번호. CEI1/001) 2011년 3월. 연구에 참여한 모든 개인은 헬싱키 선언에 따라 참여에 대한 서면 동의를 했다.
1. 경도 인지 장애와 관련된 요인의 선택
- Cochrane 체계적인 검토 (예 : 인지 장애, 치매, 위험 요소 등)를 선별하는 데 사용할 MCI와 관련된 용어를 검색하십시오.
- PubMed 데이터베이스에 게시 된 인지 저하 또는 치매와의 관계에 대한 몇 가지 증거가있는 용어를 검색하십시오. 여기에는 인구 통계학적 요인(성별, 연령, 교육 수준 및 경제 상태), 사회적 요인(인지 및 사회 활동), 만성 병리학(콜레스테롤, 우울증, 고혈압, 당뇨병 및 비만), 라이프스타일 행동(알코올) 등이 포함됩니다. 소비, 흡연 습관, 다이어트, 신체 활동 및 수면 시간).
- 정성적 변수에 대한 배당률 또는 정량 변수에 대한 Cohen의 d 효과 크기를계산합니다 15. 설문지를 정교하게 작성할 때 사용할 인지 기능 저하 또는 치매에 대한 효과 크기가 큰 변수를 선택합니다.
2. 설문지 의설계
- Nardi16에서제공하는 지침에 따라 선택한 변수에 대한 정보를 수집하기 위해 설문지를 디자인합니다. 예를 들어, Climent 등5에 사용되는 변수는 인구 통계학적(나이, 체중 및 높이[교정된 비늘 및 stadiometer를 사용하여 표준화된 절차로 측정됨),성별, 교육 수준 및 고용 유형), 라이프스타일(신체 운동, 독서, 하룻밤 동안 잠자는 시간, 퍼즐, 게임, TV 소비 시간, 담배 및 알코올 소비), 만성 병리학(고혈압, 당뇨병) 및 만성 병리학(hyperlipii)이었습니다. 또한, 자주 인지 저하와 관련 된 우울증의 존재 또는 부재를 기록.
- 이 시트를 디자인하기 위해 Dader의 방법17을 사용한 Climent 등5에서와같이 면접 당시 참가자가 소비한 모든 약물을 보고하기 위해 약리 치료 후속 시트를 디자인하십시오.
3. MCI 스크리닝을 위한 시험 선택
- 1 차적인 헬스케어 노동자 (예를 들면, 약사)에 의해 관리될 수 있는 MCI를 위해 검열하기 위하여 이용된 모든 시험을 결정하십시오. 전문가가 관리해야 하는 모든 검사를 거부합니다. 이러한 조건을 충족하는 시험의 일부는 짧은 휴대용 정신 상태 설문지 (SPMSQ)18, 미니 정신 상태 검사 (MMSE)19, 메모리 장애 화면 (MIS)20, 사진 메모리 장애 화면 (PMIS)21, 몬트리올 인지 평가 (MoCA)22, 세인트 루이스 대학 정신 상태 (SLUMS) 23, 빠른 경도 인지 장애 (Qmcii)24. 각 MCI 테스트의 철저한 검토는 컬렌 외25에서사용할 수 있습니다.
- 과학적 문헌에서 시험 민감도 및 특이성에 대한 좋은 추정을 검색합니다.
- 건강한 개인에게 이러한 테스트를 관리하는 데 필요한 시간을 추정합니다.
- 이러한 검사를 완료하는 데 필요한 기본 환자 특성을 고려하십시오. 예를 들어, 많은 MCI 시험이 문맹 자에게 적합하지 않기 때문에 최소 교육 수준이 필요할 수 있습니다. MCI 선별 검사의 세트는 일반적으로 감도를 증가시키기 위하여 적용됩니다; 그러나, 최종 선택적인 검열이 큰 인구를 위한 것이라면, 시험의 최소 수는 약사에 의해 빨리 관리되어야 합니다. Climent 등.5 는 MMSE 및 SPMSQ 테스트를 사용하여 MCI를 평가했으며, 후자는 문맹인 스페인 내전을 통해 살았던 많은 수의 개인에게 적합합니다.
- 파이퍼18에 의해 SPMSQ의 변형을 사용하여 마르티네즈 드 라 이글레시아26에의해 스페인어로 검증되었다. 이 시험은 최대 점수가 10이고 인지 장애를 확립하기위한 컷 오프 포인트는 3 개 이상의 오류입니다 (문맹인 개인의 경우 4 이상). 이 테스트를 완료하는 데 8~10분이 걸립니다.
- Folstein19에의해 원래 버전을 적응하여 Blesa27에 의해 스페인어 스피커에 대한 검증 MMSE의 NORMACODERM 버전을 사용합니다 . 이 선별 검사는 30의 최대 점수를 가지고 있으며, 학교의 환자의 년과 나이에 따라 수정됩니다. 24점 이하의 참가자는 MCI 케이스로 간주됩니다. MMSE는 일반적인 인지 기능의 척도이며 시간과 장소에 대한 오리엔테이션, 서면 및 음성 언어, 주의 집중 기간, 계산 및 기억을 포함합니다. 그것은 완료 하는 데 약 5 분 걸리는 매우 짧은 테스트 이기 때문에이 연구에서 모든 참가자에 게 관리 되었다.
4. 과목 모집
- 연구 인구를 형성하기 위해 비 제도화 된 사람들을 모집하고자하는 약사를 찾으십시오. Climent 등5에 의해 언급 된 연구는 약국에 정기적으로 가서이 연구에 참여하기로 동의 한 65 세 이상의 사람들을 포함했다. 이러한 평가 테스트 수행에 어려움이 있거나(예: 실명, 청각 장애 등) 또는 이미 치매 치료를 받고 있는 환자를 제외하십시오.
- 연구에 참여하는 모든 개인이 완료해야 하는 정보에 입각한 동의서를 참여 약사에게 제공하십시오. 이 동의서에는 연구의 제목, 프로젝트의 목적, 참가자가 참여할 모든 절차에 대한 이해할 수 있는 설명, 특정 위험이 없는 경우, 수집된 모든 데이터의 기밀성 및 언제든지 어떤 이유로든 연구를 철회할 권리가 있습니다.
- 참가자에게 구조화 된 개인 인터뷰를 관리하도록 약사를 훈련, 이는 1 인당 약 반 시간을 지속한다. 1 년 동안 데이터를 수집하고 연구에서 데이터 보호를 담당하는 연구원에게 모든 양식을 보냅니다. 이어서 3 개월 동안 환자와 후속 조치를 취합니다.
- MCI 테스트를 사용하여 가능한 MCI 사례를 식별하는 방법을 약사에게 지시하십시오. Climent 외5에 기초하여 우리는 SPMSQ 점수 4 점 이상 (문맹 참가자의 경우) 또는 다른 참가자에 대한 3 점 이상을 사용하고 24 점 이하의 점수는 수정 된 MMSE 시험에서 사용되었다.
- MCI 사례를 임상 진단을 위해 의학 전문의(신경과 전문의)에게 참조하는 방법을 약사에게 지시하는 것은 이 연구에서 사용된 플로우 차트의 마지막 단계입니다(그림1).
도 1: 연구 결과의 순서도 및 제안된 선택적 검열. 좌측은 오른쪽 패널에 표시된 MCI의 조기 발견을 위한 선택적 스크리닝을 제안하기 위해 기계 학습 기술로 데이터를 분석한 초기 연구를 나타냅니다. 이 그림은 Climent34에서수정되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
5. 약사 연구원 교육
- 전문가에게 연락하여 인지 장애와 관련된 기본 지식에 참여하는 약사를 교육하고 SPMSQ 및 MMSE와 같은 선별 도구를 관리하는 세션을 조직합니다.
- 참여 약사가 절차, 데이터 수집 프로토콜 및 데이터 보호와 관련된 가능한 모든 문제를 알고 있는지 확인합니다. 이 프로젝트는 연구 윤리위원회의 승인을 받았으며 헬싱키 선언에 따른 동의서의 중요성을 알려주십시오.
참고 : Climent 등5에의해 설명 된 연구를 수행하기 위해, 워크샵은 약사의 공식 대학과 카르데날 - 헤레라 CEU 대학에서 개최되었다 (UCH-CEU), 다음을 커버: MCI와 치매; MCI 및 SPMQP 및 MMSE의 관리에 대한 진단 접근법 (카스텔론의 라 플라나 병원에서 신경학 서비스에 의해 가르쳐); 고위 지역 사회 약사 연구원에 의한 방법론의 프로젝트 프리젠 테이션 및 설명; UCH-CEU 대학의 약학과에서 연구원에 의해 건강 교육 및 인지 훈련.
6. 연구 디자인
- 샘플 크기를 계산하여 프로젝트의 타당성을 평가합니다. 이것은 관측 연구이기 때문에, 더 큰 견본은 더 효과적인 공구를 생성할 것입니다. 견본 크기를 결정하는 2개의 쪽이 있습니다: 하나는 보급의 추정에 근거를 두고 있고 다른 하나는 영향 크기를 고려하여 더 정확합니다.
- 인구에 있는 조건의 보급의 정확한 추정을 계산합니다
여기서 α는 유의성 수준이고, p0은 초기 추정이고 오차는 100(1 - α)% 신뢰도로 예상되는 최대 오차이다. - 각 요인에 대한 문헌에서 발견되는 효과 크기에 따라 R의 pwr 패키지와 같은 도구를 사용하여 차이를 감지하는 데 필요한 전력의 양을추정합니다 15,28.
참고: 예를 들어, 우리의연구 5에서 우리는 95% 신뢰에서 3%의 오차와 65 세 이상 인구에 있는 15%에 MCI의 보급의 초기 추정을 가진 첫번째 제안을 디자인했습니다, 541명의 개별의 추정된 필수 표본 크기의 결과로.
- 인구에 있는 조건의 보급의 정확한 추정을 계산합니다
7. 학제간 통신망, 약사, 1차 의료의사, 전문가
- 프로젝트에 대한 정보를 관련 의료 센터에 전달하기 위한 서신을 디자인합니다.
- 참여 약사에게 1 차 적인 헬스케어 센터에 편지를 통해 검열의 결과에 관하여 그들의 할당된 의사에게 알리는 방법을 설명하십시오.
- 참여 약국과 관련된 의료 센터의 의료 코디네이터와 그들이 배정 된 병원의 신경학 서비스에 서면 으로 통신하십시오.
- 전문 의료 제공자가 수행한 특정 검사를 통해 얻은 각 환자의 최종 진단을 알아내기 위해 참여 신경과 전문의에게 연락하십시오. 이 전에, 1 차적인 헬스케어 공급자는 임상 지침에 의해 요약된 대로, 다음 프로토콜을 실행해야 합니다(그림 2).
그림 2: 1차 의료 행동을 위한 프로토콜. 환자가 전문가에 의해 의학 진단을 위해 언급되기 전에 초기 MCI 탐지를 위해 고려되어야 하는 1 차적인 헬스케어 행동의 보기. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
8. 통계분석 및 전처리
참고: 기계 학습 기술을 적용하기 전에 최종 연구 목표및 적용 절차에 따라 원본 데이터를 새 데이터 세트로 변환하기 위한 준비 단계가 필요합니다. 이 변환의 경우 알고리즘의 특성을 포함하여 여러 가지 사항을 고려해야 합니다. 의사 결정 트리를 생성하는 데 사용되는 알고리즘이 이러한 문제에 대해 특히 강력하지만 열 간에 가변성 또는 정보 공유가 부족하여 민감하기 때문입니다. 이 초기 단계는 정성적 변수를 분류하고 각 변수에 대해 충분한 사례로 값을 수집하는 것을 목표로 합니다. 효율적인 스크리닝을 위해 수집이 쉽고 정확하다고 입증된 변수를 선택하는 것이 중요합니다. 참가자는 사용 된 알고리즘이 흰색 상자 모델로 제한된 짧은 인터뷰에 의해 선택되므로 개인이 시험에 응시할지 여부를 결정하는 데 사용되는 기준을 쉽게 확인할 수 있습니다. 이러한 알고리즘에 대 한 Rpart29 패키지를 사용 하 여 재귀 분할을 구현 하는 것이 좋습니다.
- 참여 약국에서 모든 양식을 수집하고 모든 열이 변수이며 모든 참여 개인이 행인 테이블로 변환합니다.
- 각 참가자에게 식별 번호를 할당합니다. 기계 학습 알고리즘에서 사용하지 않도록 식별 번호와 연락처 정보를 다른 문서에 저장합니다.
- 환자가 취하는 각 약물이 약물 요법 후속 시트의 활성 주요 성분에 따라 두 번째 또는 세 번째 ATC30 (해부학 치료 화학) 수준 코드에 해당하는지 여부를 분류하는 변수를 생성합니다.
- 초기 설명 분석을 수행합니다.
- 모든 서수 변수에 대해 변수에 대해 적절한 대비를 선택합니다. 범주형 변수의 경우 기준선으로 간주되는 값을 선택합니다.
- 범주형 변수의 경우 MCI에 대한 스크리닝을 위한 응답 변수를 사용하여 일변량 로지스틱 회귀를 계산합니다. 비상 테이블, p-값, 샘플 배당률 및 배당률의 95% 신뢰 구간으로 회귀 결과를 분석합니다.
- 정량 변수의 경우 평균, 표준 편차, 로지스틱 회귀 계수 및 계수의 95% 신뢰 구간을 계산합니다.
- 이러한 변수를 정확하게 수집하기 어려운 점을 고려하면 누락된(사용할 수 없는) 값이 있는 변수를 거부합니다.
- 로지스틱 회귀 분석에 따라 통계적으로 유의한범주(α < 0.01)가 하나 이상의 변수만 선택합니다. 이 단계의 결과는 초기 데이터 집합에 비해 감소된 데이터 집합을 생성합니다.
9. 의사 결정 트리를 만드는 알고리즘
참고: 기계 학습 알고리즘은 양수 MCI 테스트 결과를 가질 가능성이 있는 개인을 예측하기 위해 적절하게 매개 변수화되어야 합니다. 조건에 대한 선별 하는 동안 주요 문제 중 하나는 원래 데이터가 불균형 될 것으로 예상 된다 (즉, 부정적인 것 들에 비해 몇 가지 긍정적인 경우). 균형 잡힌 데이터로 모델을 얻으려면 다운 샘플링 또는 임의 샘플링이라는 기술을 사용하여 주파수를 가장 낮은 주파수 클래스31과균등화했습니다. 효율적인 스크리닝은 또한 가능한 한 거짓 부정의 수를 줄이려면 (즉, MCI로 고통받는 참가자의 선택의 민감도를 증가). 더 큰 감도를 달성하기 위해 사용되는 기술 중 하나는 지니의 불순물 지수(즉, 결정 트리에 가장 적합한 분할을 선택하는 알고리즘에 의해 사용되는 인덱스)의 계산에 페널티의 도입이다32.
- 전체 데이터 집합의 80%와 20%를 각각 카포트라이브러리(33)의 createDataPartition 함수를 사용하여 학습 및 테스트 데이터 집합을 생성합니다.
- 학습 데이터 집합에 의사 결정 트리를 생성하는 데 사용되는 알고리즘을 적용합니다. 카흐트 라이브러리33에서 열차 를 다시 사용하십시오. 다음 단계는 함수의 다른 매개 변수입니다. 예를 들어 이 백서에 사용된 트리는 rpart29(메서드 = "rpart")로생성되었지만 다른 알고리즘을 사용할 수 있습니다.
- '다운 샘플링' 샘플링 방법을 선택하고 샘플링 = "다운" 매개 변수를 카포트에 소개합니다.
- 두 클래스에 대한 이전 확률을 설정합니다.
- 증가하는 감도에 집중하기 위해 Gini의 불순물 인덱스 페널티가 적용된 손실 매트릭스를 제공합니다.
- 알고리즘의 모든 매개 변수에 대해 적절한 값 그리드를 선택합니다.
- 수신기 작동 곡선(ROC) 값의 교차 유효성 검사 추정을 사용하여 매개 변수 그리드 내에서 최상의 모델을 선택합니다.
- 모델의 실제 성능을 평가하기 위해 테스트 세트 예측에 대한 ROC 곡선(AUC) 아래의 혼동 행렬과 영역을 계산합니다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
참여 약국은 728명의 사용자로부터 데이터를 수집하고 참가자에게 처방된 약물 외에도 인구 통계학적 변수를 수집했습니다. 모든변수(34)에대해 일변량 로지스틱 회귀를 수행하였습니다. 그림 3과 그림 4에 표시된 오차 막대 그래프는 배당률의 신뢰 구간(정성적 변수의 경우)과 로지스틱 회귀 계수의 신뢰 구간(정량적 변수)의 편리한 그래픽 표현입니다. p-값이0.01을 초과하는 변수(성별, 연령, 교육 수준, 독서 습관, 수면 시간, 우울증 및 기억 불만)를 선택하여 의사 결정 트리를 기반으로 흰색 상자 모델을 생성하는 데 사용되었습니다. 이 의사 결정 트리는 583명의 개인을 입력으로 구성된 교육 데이터 세트를 사용하여 생성되었으며 145명의 참가자로 구성된 코호트의 테스트 세트로 검증되었습니다.
R에서 caret33 라이브러리를 사용한 후, 결과 트리는 트리의 최종 노드(그림 5에설명)와 몇 가지 질문에 대한 답변에 따라 각 개인에게 MCI를 겪을 확률을 할당했습니다. 이러한 확률의 예측 능력을 평가하기 위해, 시험 세트의 ROC 분석을 수행했다(도6); AUC는 0.763이고 95% 신뢰구간은 (0.6624, 0.8632)이었다. 확률 이외에, 그림 5에 표시된 나무는 또한 환자가 MCI 시험을 취해야 하는지 (0.76의 감도 및 0.70의 특이성) 추천하기 위하여 사람이 얼마나 오래 자고 얼마나 자주 읽는지에 관하여 아주 간단한 질문을 이용했습니다.
MCI의 위험한 상태에 사용자를 선택하기 위하여 이 결정 트리 및 짧은 인터뷰를 사용하여 우리는 MCI 시험을 요구하는 환자의 수를 현저하게 감소시킬 수 있었습니다 (행정은 아주 시간 소모적입니다). 이러한 감소는 테스트 세트의 데이터를 사용하고 표 1에도시된 관찰 및 예측 클래스의 혼동 행렬을 해석하여 추정할 수 있습니다. 이 작업에서, 55 밖으로 145 테스트 세트에 참가자 추가 MCI 테스트에 대 한 결정 트리에 의해 확인 되었다, (의 감소를 나타내는 62% 테스트를 복용 하는 사용자의) 또한 개인의 대부분을 선택 하는 동안 (19 밖으로 25) MCI에 대 한 긍정적인.
그림 3: 전처리 중에 선택한 변수의 예입니다. 배당률의 99% 신뢰 구간을 계산하고 오차 막대로 표시됩니다. 로지스틱 회귀에 대한 기본 값은 모든 패널 의 맨 위에 있는 변수 이름 아래에 표시됩니다. 변수의 모든 값에 대해 오류 막대는 해당 값을 취하는 것과 기본 값을 취하는 확률 비율의 신뢰 구간을 나타냅니다. 트리를 생성하는 데 사용되는 변수가 선택되었기 때문에 신뢰 구간에는 일부 값에 대한 값 0이 포함되지 않으므로 상당한 차이가 나타났습니다. 세로 축의 배율은 그룹 간 비교에 도움이 되는 로그학입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4: 전처리 중에 선택되지 않은 변수의 예입니다. 배당률의 99% 신뢰 구간이 계산되었으며 오차 막대로 표시됩니다. 로지스틱 회귀에 대한 기본 값은 모든 패널 의 맨 위에 있는 변수 이름 아래에 표시됩니다. 변수의 모든 값에 대해 오류 막대는 해당 값을 취하는 것과 기본 값을 취하는 확률 비율의 신뢰 구간을 나타냅니다. 이전 그림과 달리 선택한 변수의 모든 신뢰도 간격에는 트리를 생성하기 위해 유의한 차이가 포함되지 않았기 때문에 값 0이 포함됩니다. 세로 축의 배율은 그룹 간 비교를 돕기 위해 로그학입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 5: 약국 사용자 선택을 위한 제안된 파티션 트리. 다음 트리는 65세 이상의 개인을 위한 MCI 테스트에 대한 선택 알고리즘을 보여 주며, 이 에 대한 선택 알고리즘을 보여 주실 수 있습니다. 상자 의 상단에있는 텍스트는 MCI 선별 시험을 복용의 권고에 해당, 아래의 두 숫자는 각각 음수 또는 양성 MCI 테스트 결과의 추정 확률이다. 상자 맨 아래에 있는 값은 학습 집합에서 이러한 특성을 가진 개인의 백분율입니다. 상자의 색상이 따뜻할수록 MCI 테스트가 양수일 가능성이 높습니다. 최상위 노드는 참가자가 메모리 불만 사항을 가지고 있는지 여부에 대한 질문에 해당합니다. 개인이 메모리 불만이없는 경우, 나무는 왼쪽 지점으로 이어지고 이어지는 질문은 개인의 성별에 대해 묻습니다. 메모리 불만이 있는 환자는 하루에 잠을 자는 시간에 대해 묻습니다. 이 그림은 Climent34에서수정되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 6: 파티션 트리에 대한 수신기 작동 곡선과 테스트 세트의 최종 결정의 민감도 및 특이성. 그래프는 테스트 집합의 파티션 트리 알고리즘에 의해 할당된 확률의 ROC 곡선을 나타냅니다. 빨간색 표면은 AUC에 해당하며 곡선의 파란색 점은 트리가 최종 권장 사항의 민감도와 특이성을 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
| 참조 | |||
| 아니요 | 예 | ||
| 예측 | 아니요 | 84 | 6 |
| 예 | 36 | 19 | |
표 1: 혼동 행렬. 제안된 모델의 유효성을 검사하는 데 사용된 테스트 집합에서 예측되고 관찰된 값의 혼동 행렬입니다.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
PubMed 데이터베이스의 Cochrane 연구에서 MCI와 관련된 용어를 검색한 후 MCI와 의한 입증된 연관성을 가진 가장 분명한 변수를 사용한 이 연구를 위해 특정 설문지가 작성되었습니다. 인구 통계학적, 생활 양식 및 사회적인 요인, 뿐만 아니라 환자의 약리요법 및 몇몇 관련 병리도 기록되었습니다. 또한 SPMSQ 및 MMSE MCI 테스트도 선택되었습니다. 중요한 것은, SPMSQ는 참가자의 교육 수준에 영향을받지 않았습니다. 약사는 이 연구 결과 및 1 차적이고 전문화한 배려와 통신을 관리하기 위하여 훈련되었습니다 이 일을 알리는 편지를 통해 보장되었습니다. MCI가 이 시험 결과로 의심되는 경우에 전문화한 헬스케어 공급자만이 결정적으로 진단을 내릴 수 있었습니다.
결론적으로, 이 연구 결과에서는 조건의 낮은 보급을 가진 인구 중 MCI를 위해 검열했습니다 (17%). 우리는 기계 학습 기술과 함께 사용하기위한 선택 기준 세트를 설계하여 MCI 양성률을 선택한 사용자 중 최대 30 % 이상 증가시킵니다. 따라서 이러한 도구는 선별 효율을 높이고 의사 결정 트리에 의해 선택된 집단 그룹 간의 대량 선별 비용을 실질적으로 줄이는 데 도움이 됩니다.
이 방법의 제한은 인구가 변경됨에 따라 이 특정 코호트에서 의사 결정 트리가 유효하지 않게 될 수 있으므로 주기적인 업데이트가 필요할 수 있다는 것입니다. 예를 들면, 이 인구에 있는 많은 개별은 문맹이었습니다, 그러나 65 년 이상 나이 든 문맹개별의 수는 미래에 감소할 것입니다. 이러한 인구 통계학적 변화는 읽기와 관련된 변수에 영향을 미치며 나중에 의사 결정 트리를 다시 보정해야 합니다.
놀랍게도 이 데이터 기반 모델은 간결하면서도 유익하고 효율적인 모델을 구성할 때 가장 중요한 변수(수백 개 중)에 대한 정보를 제공했습니다. 의사 결정 트리를 구성하면 집중할 수 있는 최상의 변수에 대한 통찰력을 제공하며, 추가 MCI 테스트가 권장되는 사람을 선택하는 데 도움이 되는 비용 효율적인 방법이며 이러한 맥락에서 이러한 모집단에 대한 지식을 더욱 발전시킬 수 있습니다.
MCI의 미래 백분율 검출률을 높이기 위해, 우리는 증가 된 효과를 보장 할 수있는 새로운 비용 효율적인 기술이 필요합니다. 이 프로토콜은 시간이 많이 걸리고 약사가 일상 업무에 통합하기가 어렵습니다. 따라서 MoCA22 또는 SLUMS23과 같은 다른 테스트(적절한 감도 및 특이성 모두)는 향후 MCI의 신속한 검출을 위해 고려될 수 있습니다.
특이성과 시험 기간 사이의 트레이드 오프에 대한 체계적인 평가는 스크리닝에 사용되는 MCI 테스트 세트의 효과를 향상시켜야 합니다. 또한, 연구에 포함된 관련 정량적 변수는 효율적인 컷오프를 선택할 수 있도록 넓은 범위를 가져야 합니다. 좁은 범위는 조기 발견에서 인구의 큰 부분을 제외할 것입니다. 예를 들어, 연령 변수 (항상 MCI 진단에서 중요 한 기준으로 간주 됩니다)는 채용 기준 (65 세 이상)이 너무 보수적 이었기 때문에이 결정 트리에서 관련 된 것으로 간주 되지 않았습니다. 미래 연구결과에 젊은 개별의 포함은 MCI 검열을 시작하기 위한 최적 나이를 계산하는 것을 허용할 것입니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개 할 것이 없다.
Acknowledgments
이 작품은 알 알츠하이머 재단의 지원과 유니버시다드 CEU 카르데날 헤레라, 특히 엔리케 지너의 멀티미디어 제작 서비스의 도움에 의해 가능하게되었다. 우리는 MCI 진단을 도운 모든 참여 약국 (SEFAC) 및 일차 진료 의사 협회 (SEMERGEN) 및 신경학회 (SVN)의 협력 의사들의 작품을 인정하고 싶습니다, 특히 Vicente Gassull, 라파엘 산체스와 조르디 페레스. 마지막으로, 이 연구에 참여하기로 동의한 모든 분들께 감사드립니다.
Materials
| Name | Company | Catalog Number | Comments |
| 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
- Prince, M., Comas-Herrera, A., Knapp, M., Guerchet, M., Karagiannidou, M. World Alzheimer report 2016: improving healthcare for people living with dementia: coverage, quality and costs now and in the future. , Alzheimer's Disease International (ADI). https://scholar.google.com/scholar.bib?q=info:mEGpcpLHEIMJ:scholar.google.com (2016).
- 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).
- Petersen, R. C., et al. Mild Cognitive Impairment: Clinical Characterization and Outcome. Archives of Neurology. 56 (3), 303 (1999).
- 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).
- 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).
- Faubel, R., et al. Usual sleep duration and cognitive function in older adults in Spain. Journal of Sleep Research. 18 (4), 427-435 (2009).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Cohen, J. Statistical Power Analysis for the Behavioral Sciences. , Routledge. (2013).
- Nardi, P. M. Doing Survey Research: A Guide To Quantitative Methods. , Routledge. (2018).
- Sabater Hernández, D., Silva Castro, M. M., Faus Dáder, M. J. Método Dáder: guía de seguimiento farmacoterapéutico. , Grupo de Investigación en Atención Farmacéutica (GIAF): Grupo de Investigación en Atención Farmacéutica (CTS-131). Universidad de Granada. (2017).
- 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).
- 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).
- Buschke, H., et al. Screening for dementia with the memory impairment screen. Neurology. 52 (2), 231-238 (1999).
- Verghese, J., et al. Picture-based memory impairment screen for dementia. Journal of the American Geriatrics Society. 60 (11), 2116-2120 (2012).
- 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).
- 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).
- 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).
- 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).
- 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).
- Blesa, R., et al. Clinical validity of the 'mini-mental state' for Spanish speaking communities. Neuropsychologia. 39 (11), 1150-1157 (2001).
- Champely, S., Ekstrom, C., et al. pwr: Basic Functions for Power Analysis. , https://cran.r-project.org/web/packages/pwr/index.html (2018).
- Therneau, T., Atkinson, B., Ripley, B. rpart: Recursive Partitioning and Regression Trees. , https://cran.r-project.org/web/packages/rpart (2018).
- WHO Collaborating Centre for Drugs Statistics Methodology. ATC/DDD Index. , https://www.whocc.no/atc_ddd_index (2018).
- Kuhn, M., Johnson, K. Applied Predictive Modeling. 26, Springer New York. New York, NY. (2013).
- Therneau, T., Atkinson, E. An introduction to recursive partitioning using the RPART routines. , http://r.789695.n4.nabble.com/attachment/3209029/0/zed.pdf (2019).
- Kuhn, M. Building Predictive Models in R Using the caret Package. Journal of Statistical Software. 28 (5), 1-26 (2008).
- 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).
