Summary
Deze methodologie produceert beslissingsstructuren die gericht zijn op bevolkingsgroepen die gevoeliger zijn voor het lijden van milde cognitieve stoornissen en die nuttig zijn voor een kosteneffectieve selectieve screening van de ziekte.
Abstract
Milde cognitieve stoornissen (MCI) is het eerste teken van dementie bij oudere populaties en zijn vroegtijdige opsporing is cruciaal in onze verouderende samenlevingen. Gemeenschappelijke MCI-tests zijn tijdrovend, zodat willekeurige massale screening niet rendabel zou zijn. Hier beschrijven we een protocol dat gebruikmaakt van machine learning-technieken om snel kandidaten te selecteren voor verdere screening via een op vragen gebaseerde MCI-test. Dit minimaliseert het aantal benodigde middelen voor screening, omdat alleen patiënten die potentieel MCI-positief zijn, verder worden getest.
Deze methodologie werd toegepast in een eerste MCI-onderzoek dat het uitgangspunt vormde voor het ontwerp van een selectieve screening beslissingsstructuur. De eerste studie verzamelde veel demografische en lifestyle variabelen, evenals details over patiënt medicijnen. De korte draagbare mentale status vragenlijst (spmsq) en het mini-mental state onderzoek (mmse) werden gebruikt om mogelijke gevallen van MCI op te sporen. Ten slotte gebruikten we deze methode om een efficiënt proces te ontwerpen voor het classificeren van individuen met risico op MCI. Dit werk biedt ook inzicht in Lifestyle-gerelateerde factoren die verband houden met MCI die kunnen worden ingezet bij de preventie en vroegtijdige opsporing van MCI onder oudere populaties.
Introduction
Bevolking veroudering is het verhogen van de prevalentie van chronische en degeneratieve ziekten, vooral degeneratieve dementia, die naar verwachting meer dan 131.000.000 mensenwereld wijd door 20501treffen. Onder alle degeneratieve dementie, de ziekte van Alzheimer (AD) is de meest voorkomende met een algemene prevalentie in Europa van 6,88%2. Vanwege de steeds dalende onafhankelijkheid van AD-patiënten, moet deze groep steun krijgen zodra de advertentie begint te manifesteren. Daarom is de vroegtijdige opsporing van prodromale tekenen van AD, zoals milde cognitieve stoornissen (MCI), essentieel.
MCI is gedefinieerd als een tussenliggende cognitieve daling stadium overeenkomend met normale veroudering en ernstige verslechtering als gevolg van dementie3. Volgens schattingen van Petersen et al.4is de prevalentie van mci 8,4% onder mensen van 65-69 jaar en bereikt 25,2% voor degenen ouder dan 80 jaar. MCI resultaten in individuen ervaren meer moeilijkheden dan verwacht in de uitvoering van laag niveau cognitieve vaardigheden, vooral die met betrekking tot geheugen en taal, maar interfereert niet met de activiteiten van het dagelijks leven.
Screening is geen synoniem voor diagnose; de diagnose van MCI zal altijd een klinische taak zijn, terwijl screeningsmethoden ons alleen kunnen laten weten dat een patiënt een grotere kans heeft om aan deze pathologie te lijden en dat er een gegrond vermoeden van MCI bestaat dat klinisch moet worden bevestigd. Daarom kunnen eerstelijns gezondheidszorgmedewerkers (artsen, apothekers, verpleegkundigen, enz.) profiteren van de beschikbaarheid van eenvoudige screeningsmethoden (korte cognitieve tests) die in minuten kunnen worden toegepast. Idealiter zouden deze patiënten objectief identificeren met een hoge waarschijnlijkheid van het lijden van een MCI, zodat ze vervolgens klinisch kunnen worden getest door algemene of gespecialiseerde artsen.
Aangezien de vroegtijdige opsporing van MCI in het kader van de volksgezondheid een essentiële taak wordt, heeft dit werk tot doel te bepalen welke kenmerken nuttig zijn bij de gerichte identificatie van MCI bij screeningstests van oudere populaties. Deze groepen zouden dan grondiger worden getest op MCI in tests die worden beheerd door aanbieders van primaire gezondheidszorg. Deze methodologie biedt een beslissingsstructuur met de juiste algoritmen voor het identificeren van de bevolkingsgroepen om te targeten.
Onder deze kenmerken, leeftijd is een van de meest consistente factoren in verband met de ontwikkeling van deze pathologie. Andere relevante kenmerken zijn gerelateerd aan demografische gegevens of lifestyle5. Onder de laatste, sommige studies hebben geïdentificeerd de duur van de dag of nacht slaap als een risicofactor die kan leiden tot de diagnose van MCI5,6,7,8,9. De langdurige consumptie van medicijnen zoals benzodiazepinen, verbruikt door een geschatte 20%-25% van de oudere volwassenen10,11, kan ook invloed hebben op de slaap uren en de ontwikkeling van MCI12,13. Inderdaad, langdurige behandelingen voor chronische ziekten kunnen belangrijke kenmerken zijn nuttig in de pre-selectie van individuen met een hoog risico van lijden aan MCI.
Hier ontwikkelden we op gegevens gebaseerde modellen die gebruikmaken van automatische leeralgoritmen, een beslissingsstructuur en een voorspellend instrument om de efficiëntie van de methodologie voor het opsporen van MCI te vergroten door te discrimineren welke kenmerken een belangrijke rol spelen in de vroege detectie van MCI. De resulterende beslissingsstructuur die hier werd gepresenteerd, werd geproduceerd met behulp van een specifiek cohort van Spaanse patiënten die gebruik maken van communautaire apotheken. Deze methode zou echter ook nuttig zijn onder andere populaties met verschillende kenmerken.
Dit werk werd voltooid in samenwerking met primaire gezondheidszorg en gespecialiseerde artsen. Communautaire apotheken waren ideaal voor het testen van dit algoritme omdat ze dicht bij patiënten, hebben lange openingstijden, en worden vaak bezocht en geraadpleegd. Degeneratieve dementia zijn complexe aandoeningen die niet altijd goed begrepen worden door eerstelijnszorg verstrekkers14. Daarom, betrokken raken bij het proces zal het bewustzijn van mensen die lijden aan MCI en dementia te verhogen.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
De methodologie die in dit onderzoek wordt toegepast, is eerder gepubliceerd5 in werkzaamheden uitgevoerd aan de Universiteit CEU Cardenal Herrera samen met de Gemeenschap apotheken in de regio van Valencia (Spanje) in verband met de Spaanse vereniging van familie en Gemeenschap apotheek (sefac). Deze huidige studie werd beoordeeld en goedgekeurd door de onderzoekscommissie ethiek op de Universidad CEU Cardenal Herrera (approval No. CEI11/001) in maart 2011. Alle personen die bij de studie betrokken waren, gaven hun schriftelijke toestemming voor deelname overeenkomstig de verklaring van Helsinki.
1. selectie van factoren die gepaard zijn met milde cognitieve stoornissen
- Zoeken naar termen die verband houden met MCI voor gebruik in het screenen van Cochrane systematische beoordelingen (bijv. cognitieve stoornissen, dementie, risicofactoren, enz.).
- Zoek naar termen waarvoor er enig bewijs van een relatie met cognitieve achteruitgang of dementie gepubliceerd in de PubMed database; Deze omvatten demografische factoren (geslacht, leeftijd, opleidingsniveau en economische status), sociale factoren (cognitieve en sociale activiteiten), chronische pathologieën (cholesterol, depressie, hypertensie, diabetes en obesitas), en leefstijl gedrag (alcohol consumptie, roken gewoonte, dieet, lichamelijke activiteit, en slaap uren).
- Bereken de odds ratio voor kwalitatieve variabelen of de d-effect grootte van Cohen voor kwantitatieve variabelen15. Selecteer de variabelen met grotere effect grootten voor cognitieve achteruitgang of dementie voor gebruik bij het uitwerken van een vragenlijst.
2. ontwerp van de vragenlijsten
- Ontwerp een vragenlijst om informatie over de geselecteerde variabelen te verzamelen, volgens de richtlijnen van Nardi16. Bijvoorbeeld, de variabelen gebruikt in Climent et al.5 waren demografische (leeftijd, gewicht, en hoogte [gemeten met gestandaardiseerde procedures met behulp van gekalibreerde weegschalen en stadiometers], geslacht, opleidingsniveau, en werkgelegenheid type), levensstijl (lichamelijke oefening, lezen, tijd doorgebracht slapen 's nachts en overdag, puzzels, games, TV consumptie tijd, en tabak en alcoholgebruik), en chronische pathologieën (hypertensie, hyperlipidemie, en diabetes). Bovendien, noteer de aanwezigheid of afwezigheid van depressie, die vaak geassocieerd met cognitieve achteruitgang.
- Ontwerp een follow-up-Sheet voor farmacotherapie om alle drugs te rapporteren die de deelnemers op het moment van het interview hebben geconsumeerd, zoals in Climent et al.5, dat dader methode17 gebruikte om dit blad te ontwerpen.
3. selectie van tests voor MCI-screening
- Bepaal alle tests die worden gebruikt voor het scherm van MCI die kunnen worden beheerd door primaire gezondheidswerkers (bijv. apothekers). Alle testen afwijzen die door een specialist moeten worden toegediend. Sommige van de tests die voldoen aan deze voorwaarden zijn de korte draagbare mentale staat vragenlijst (spmsq)18, mini mental state onderzoek (Mmse)19, geheugen bijzondere waardevermindering scherm (mis)20, beeldgeheugen impairment scherm (pmis)21, Montreal cognitieve Assessment (MOCA)22, Saint Louis University mentale status (slums)23, en snelle milde cognitieve stoornissen (qmci)24. Een uitputtende beoordeling van elke MCI-test is beschikbaar in Cullen et al.25.
- Zoek naar een goede inschatting van de test gevoeligheden en specifieke kenmerken in de wetenschappelijke literatuur.
- Schat de tijd die nodig is om deze tests aan gezonde individuen te beheren.
- Houd rekening met de basiskenmerken van de patiënt die nodig zijn voor de voltooiing van deze tests. Een minimum opleidingsniveau kan bijvoorbeeld nodig zijn omdat veel MCI-tests niet geschikt zijn voor analfabeet deelnemers. Een reeks MCI-screeningstests wordt meestal toegepast om de gevoeligheid te verhogen; het minimum aantal proeven moet echter snel door apothekers worden toegediend als de uiteindelijke selectieve screening voor een grote populatie is bestemd. Climent et al.5 beoordeelde MCI met behulp van de mmse-en SPMSQ-tests, waarbij de laatstgenoemde geschikt was voor het grote aantal personen dat leefde tijdens de Spaanse burgeroorlog die analfabeet is.
- Gebruik een variant van de SPMSQ door Pfeiffer18 werd gevalideerd in het Spaans door Martínez de la Iglesia26. Deze test heeft een maximale Score van 10 en het cut-off punt voor het vaststellen van cognitieve stoornissen is 3 of meer fouten (4 of meer voor analfabeet individuen). Deze test duurt tussen de 8 en 10 minuten om te voltooien.
- Gebruik een NORMACODERM-versie van de MMSE die is gevalideerd voor Spaanse sprekers door Blesa27 door de originele versie van folstein19aan te passen. Deze screeningstest heeft een maximale Score van 30 en wordt gecorrigeerd volgens de jaren van scholing en leeftijd van de patiënten. Deelnemers die minder dan of gelijk aan 24 scoren, worden beschouwd als MCI-gevallen. De MMSE is een maatstaf voor algemene cognitieve functie en bevat oriëntatie op tijd en plaats, geschreven en gesproken taal, aandachtsspanne, berekening en geheugen. Het werd aan alle deelnemers in deze studie toegediend omdat het een zeer korte test is die slechts ongeveer 5 minuten duurt om te voltooien.
4. rekrutering van het onderwerp
- Vind apothekers die niet-geïnstitutionaliseerde mensen willen rekruteren om de Studiepopulatie te vormen. De genoemde studie door Climent et al.5 omvatte mensen van 65 jaar of ouder die regelmatig naar de apotheek gingen en die ermee instemden deel te nemen aan deze studie. Patiënten met moeilijkheden uitsluiten bij het uitvoeren van deze evaluatie tests (bijv. vanwege blindheid, doofheid, enz.) of die al werden behandeld voor dementie.
- Verstrek de deelnemende apothekers met geïnformeerde toestemmingsformulieren, die moeten worden ingevuld door elke persoon die deelneemt aan de studie. Dit toestemmingsformulier specificeert de titel van het onderzoek, de doelstellingen van het project, een begrijpelijke uitleg van alle procedures waaraan de deelnemer zou deelnemen, het ontbreken van specifieke Risico's, de vertrouwelijkheid van alle verzamelde gegevens en de recht om te allen tijde om welke reden dan ook terug te trekken uit de studie.
- Train de apothekers om gestructureerde persoonlijke interviews aan de deelnemers te beheren, die ongeveer een half uur per persoon moeten duren. Verzamel gegevens voor 1 jaar en stuur alle formulieren naar de onderzoekers die verantwoordelijk zijn voor gegevensbescherming in de studie. Vervolgens 3 maanden follow-up met de patiënten.
- Instrueer de apothekers hoe ze een waarschijnlijke MCI-casus kunnen identificeren met behulp van MCI-tests. Op basis van Climent et al.5 gebruikten we SPMSQ-scores van 4 of meer punten (voor analfabeet-deelnemers) of 3 of meer punten voor de andere deelnemers en werden scores van 24 punten of minder gebruikt in de gecorrigeerde mmse-test.
- Apothekers instrueren om MCI-cases te verwijzen naar een medisch specialist (een neuroloog) voor hun klinische diagnose-de laatste stap in het stroomdiagram dat in dit onderzoek wordt gebruikt (Figuur 1).
Figuur 1: stroomschema van de onderzoeksstudie en de voorgestelde selectieve screening. De linkerzijde vertegenwoordigt de eerste studie waarvan de gegevens werden geanalyseerd met machine-learning technieken om de selectieve screening voor te stellen voor vroegtijdige detectie van MCI die in het rechter paneel wordt weergegeven. Dit cijfer is gewijzigd van Climent34. Klik hier om een grotere versie van dit cijfer te bekijken.
5. opleiding apotheker onderzoeker
- Neem contact op met specialisten om sessies te organiseren voor het trainen van de deelnemende apothekers in basiskennis met betrekking tot cognitieve stoornissen en bij het beheer van de screening tools, bijvoorbeeld de SPMSQ en MMSE.
- Zorg ervoor dat de deelnemende apothekers op de hoogte zijn van de procedures, het protocol voor gegevensverzameling en alle mogelijke problemen met betrekking tot gegevensbescherming. Hen ervan op de hoogte te stellen dat het project is goedgekeurd door een ethisch comité voor onderzoek en het belang van het toestemmingsformulier volgens de verklaring van Helsinki.
Opmerking: om de studie beschreven door Climent et al.5uit te voeren, werden workshops gehouden op het officiële College van apothekers en de Cardenal-Herrera CEU Universiteit (UCH-CEU), en bestreken het volgende: MCI en dementie; diagnostische benaderingen van MCI en beheer van de SPMQP en MMSE (onderwezen door de neurologie dienst in het la Plana ziekenhuis in Castellón); project presentatie en uitleg van de methodologie door senior Community apotheker onderzoekers; en gezondheidseducatie en cognitieve training door onderzoekers van het departement farmacie aan de UCH-CEU Universiteit.
6. ontwerp van de studie
- Bereken een steekproefgrootte om de haalbaarheid van het project te beoordelen. Omdat dit een Observationele studie was, zal een groter monster effectievere gereedschappen produceren. Er zijn twee manieren om de steekproefgrootte te bepalen: de ene is gebaseerd op de schatting van de prevalentie en de andere is preciezer, rekening houdend met de grootte van het effect.
- Bereken een nauwkeurige schatting van de prevalentie van de aandoening in de populatie
waar α het significantieniveau is, is p0 de initiële schatting en fout is de maximale fout die wordt verwacht met een 100 (1-α)%-betrouwbaarheid. - Volgens de grootte van het effect in de literatuur voor elke factor, gebruik tools zoals het PWR -pakket in R om te schatten hoeveel stroom nodig is om de verschillen te detecteren15,28.
Opmerking: in onze studie5 hebben we bijvoorbeeld het eerste voorstel ontworpen met een fout van 3% bij een betrouwbaarheid van 95% en een initiële schatting van de prevalentie van MCI bij 15% in de populatie van 65 jaar of ouder, resulterend in een geschatte vereiste steekproefgrootte van 541 individuen.
- Bereken een nauwkeurige schatting van de prevalentie van de aandoening in de populatie
7. interdisciplinair communicatienetwerk, apothekers, eerstelijns gezondheidszorg artsen en specialisten
- Ontwerp brieven om informatie over het project aan de betrokken zorgcentra te communiceren.
- Leg aan deelnemende apothekers uit hoe ze hun toegewezen artsen informeren over de resultaten van de screenings door middel van een brief aan het primaire zorgcentrum.
- Schriftelijke mededelingen sturen naar de medische coördinatoren van de zorgcentra in verband met de deelnemende apotheken en de neurologie diensten van de ziekenhuizen waaraan zij zijn toegewezen.
- Neem contact op met deelnemende neurologen om de definitieve diagnose van elke patiënt te achterhalen, verkregen via specifieke tests uitgevoerd door gespecialiseerde zorgverleners. Daarvoor moeten aanbieders van primaire gezondheidszorg het volgende protocol uitvoeren, zoals samengevat in de klinische richtsnoeren (Figuur 2).
Figuur 2: protocol voor primaire gezondheidszorg actie. Een voorbeeld van primaire gezondheidszorg acties die overwogen moeten worden voor vroegtijdige MCI-detectie voordat de patiënt wordt doorverwezen naar een medische diagnose door specialisten. Klik hier om een grotere versie van dit cijfer te bekijken.
8. statistische analyse en voor verwerking
Opmerking: voordat u machine learning-technieken toepast, is een voorbereidende stap nodig om de oorspronkelijke gegevens te transformeren in een nieuwe gegevensset op basis van de uiteindelijke studie doelstelling en de toegepaste procedures. Voor deze transformatie, verschillende dingen moeten worden overwogen, met inbegrip van de kenmerken van de algoritmen. Dit komt omdat sommige van hen zijn gevoelig voor een gebrek aan variabiliteit of het delen van informatie over kolommen, hoewel de algoritmen die worden gebruikt voor het genereren van beslissingsstructuren bijzonder robuust tegen deze problemen zijn. Deze initiële fase is bedoeld om kwalitatieve variabelen te categoriseren en waarden te verzamelen met voldoende gevallen voor elke variabele. Voor een efficiënte screening is het belangrijk om variabelen te kiezen waarvan de overname is bewezen eenvoudig en nauwkeurig te zijn. Deelnemers worden geselecteerd door een kort interview waarin de gebruikte algoritmen werden beperkt tot een wit-doosmodel, waardoor het gemakkelijk was om de criteria te controleren die werden gebruikt om te bepalen of de persoon de test zou moeten doen. We raden het gebruik van het rpart29 -pakket in R-software voor deze algoritmen en het implementeren van recursieve partitionering.
- Verzamel alle formulieren van de deelnemende apotheken en zet ze om in een tabel waarin elke kolom een variabele is en elke deelnemende persoon een rij is.
- Wijs aan elke deelnemer een identificatienummer toe. Sla het identificatienummer en de contactgegevens op in een ander document, zodat het niet wordt gebruikt door het algoritme voor machine learning.
- Variabelen genereren om te classificeren of elke drug die de patiënt neemt overeenkomt met de tweede of derde ATC30 (anatomische therapeutische chemische) niveau codes, volgens de actieve belangrijkste ingrediënten op de farmacotherapie follow-up Sheet.
- Voer een eerste beschrijvende analyse uit.
- Kies voor elke ordinale variabele een adequaat contrast voor de variabele. Voor Categorische variabelen, selecteert u de waarde die wordt beschouwd als de basislijn.
- Bereken voor Categorische variabelen een univariate Logistic regressie met een responsvariabele voor screening op MCI. Analyseer de uitkomst van de regressie met een nood tabel, de p-waarde, de sample quotering ratio en het 95% betrouwbaarheidsinterval van de quotering ratio.
- Bereken voor kwantitatieve variabelen het gemiddelde, de standaarddeviatie, de coëfficiënt van de logistieke regressie en het 95% betrouwbaarheidsinterval van hun coëfficiënten.
- Wijs variabelen af met ontbrekende (niet-beschikbare) waarden, aangezien deze variabelen moeilijk nauwkeurig kunnen worden verzameld.
- Selecteer alleen variabelen waarvoor er ten minste één statistisch significante categorie (α < 0,01) is volgens de logistieke regressieanalyse. De uitkomst van deze stap resulteert in een gereduceerde gegevensset ten opzichte van de eerste.
9. algoritmen om een beslissingsstructuur te maken
Opmerking: machine learning-algoritmen moeten correct worden geparametriseerd om te voorspellen welke personen waarschijnlijk een positief MCI-testresultaat hebben. Een van de belangrijkste problemen bij het screenen van een voorwaarde is dat de oorspronkelijke gegevens naar verwachting onevenwichtig zijn (d.w.z. enkele positieve gevallen in vergelijking met de negatieve). Om modellen met gebalanceerde gegevens te krijgen, gebruikten we een techniek genaamd down-sampling, of willekeurige bemonstering, om de frequentie gelijk te maken aan die van de laagste frequentieklasse31. Efficiënte screening vereist ook het verminderen van het aantal valse negatieven zoveel mogelijk (d.w.z. het verhogen van de gevoeligheid van de selectie van deelnemers die lijden aan MCI). Een van de technieken die worden gebruikt om een grotere gevoeligheid te bereiken, is de invoering van sancties bij de berekening van de onzuiverheid index van Gini (d.w.z. de index die door het algoritme wordt gebruikt om de beste splitsing voor de Beslissingsboom te selecteren)32.
- Genereer een training en test gegevensset met 80% en 20% van de hele gegevensset, respectievelijk met behulp van de functie Createdatapartition in de caret-bibliotheek33.
- De algoritmen die worden gebruikt voor het genereren van beslissingsstructuren toepassen op de set trainingsgegevens. Gebruik de functie opnieuw trainen in de caret-bibliotheek33. De volgende stappen zijn verschillende parameters van de functie; de structuur die in dit document wordt gebruikt, is bijvoorbeeld gegenereerd met rpart29 (Method = "rpart"), maar er zijn andere algoritmen beschikbaar.
- Selecteer de bemonsteringsmethode ' downsampling ' en introduceer de sampling = "down" parameter in het caret-teken.
- Stel de voorgaande waarschijnlijkheden voor beide klassen in.
- Geef een verlies matrix met de Gini onzuiverheid index straffen toegepast om te focussen op de toenemende gevoeligheid.
- Kies voor elke parameter in het algoritme een geschikt raster met waarden.
- Gebruik een schatting van de kruisvalidatie van de waarden van de ontvanger operationele curve (ROC) om de beste modellen in het parameter raster te selecteren.
- Bereken een verwarringsmatrix en het gebied onder de ROC-curve (AUC) voor de voorspelling van de testset om de werkelijke prestaties van het model te beoordelen.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
De deelnemende apotheken verzamelde gegevens van 728 gebruikers en verzamelde demografische variabelen in aanvulling op de medicijnen voorgeschreven aan de deelnemers. Een univariate logistieke regressie werd uitgevoerd voor alle variabelen34; de fout staafgrafieken in Figuur 3 en Figuur 4 zijn handige grafische weergaven van het betrouwbaarheidsinterval van de quotering ratio (voor kwalitatieve variabelen) en het betrouwbaarheidsinterval van de coëfficiënt van de logistieke regressie (voor kwantitatieve variabelen). Variabelen met p-waarden van meer dan 0,01 (geslacht, leeftijd, opleidingsniveau, lees gewoonte, tijd doorgebracht slapen, depressie, en geheugen klachten) werden geselecteerd en gebruikt voor het genereren van een wit-box model op basis van een beslissingsstructuur. Deze beslissingsstructuur werd gegenereerd met behulp van een traininggegevensset bestaande uit 583 individuen als input en werd gevalideerd met een testset van een cohort van 145 deelnemers.
Na het gebruik van de caret33 bibliotheek in R, de resulterende boom toegewezen een kans van lijden MCI aan elk individu afhankelijk van hun uiteindelijke knooppunt in de boom (afgebeeld in afbeelding 5), evenals hun antwoorden op een paar vragen. Om de prognose capaciteit van deze waarschijnlijkheden te evalueren, is een ROC-analyse van de testset uitgevoerd (Figuur 6); de AUC was 0,763 en het 95% betrouwbaarheidsinterval was (0,6624, 0,8632). Naast de waarschijnlijkheden, de boom getoond in Figuur 5 gebruikte ook zeer eenvoudige vragen over hoe lang de persoon slaapt en hoe vaak ze lezen, om aan te bevelen (met een gevoeligheid van 0,76 en specificiteit van 0,70) of patiënten moeten de MCI-tests nemen.
Met behulp van deze beslissingsstructuur en kort interview om gebruikers te selecteren die risico lopen op MCI, konden we het aantal patiënten dat MCI-tests nodig hadden aanzienlijk verminderen (administratie is behoorlijk tijdrovend). Deze verlaging kan worden geschat door gegevens in de testset te gebruiken en de verwarringsmatrix van de waargenomen en voorspelde klassen in tabel 1te interpreteren. In dit werk werden 55 van de 145 deelnemers aan de testset geïdentificeerd door de beslissingsstructuur voor verdere MCI-tests (wat neerkomt op een afname van 62% van de gebruikers die de tests deden), terwijl ook de meeste personen werden gebruikt (19 van de 25) die positief waren voor MCI.
Afbeelding 3: voorbeeld van de variabelen die tijdens de voor verwerking zijn geselecteerd. Een 99% betrouwbaarheidsinterval van de quotering ratio werd berekend en wordt weergegeven als een foutbalk. De basiswaarde voor de logistieke regressie wordt aangegeven onder de naam van de variabele boven aan elk deelvenster. Voor elke waarde van de variabele vertegenwoordigt een foutbalk het betrouwbaarheidsinterval van de quotering van die waarde te nemen versus het nemen van de basiswaarde. Omdat de variabelen die worden gebruikt voor het genereren van de structuur zijn geselecteerd, bevatten de betrouwbaarheidsintervallen niet de waarde 0 voor sommige waarden, omdat deze aanzienlijke verschillen vertoonden. De schaal van de verticale as is logaritmisch om te helpen bij vergelijkingen tussen groepen. Klik hier om een grotere versie van dit cijfer te bekijken.
Figuur 4: voorbeeld van niet-geselecteerde variabelen tijdens voor verwerking. Een 99% betrouwbaarheids interval van de odds ratio werd berekend en wordt weergegeven met een foutbalk. De basiswaarde voor de logistieke regressie wordt aangegeven onder de naam van de variabele boven aan elk deelvenster. Voor elke waarde van de variabele vertegenwoordigt een foutbalk het betrouwbaarheidsinterval van de quotering van die waarde te nemen versus het nemen van de basiswaarde. In tegenstelling tot de vorige afbeelding bevatten alle betrouwbaarheidsintervallen van de geselecteerde variabelen de waarde 0, omdat er geen significante verschillen zijn gevonden die moeten worden opgenomen om de structuur te genereren. De schaal van de verticale as is logaritmisch om de vergelijking tussen groepen te helpen. Klik hier om een grotere versie van dit cijfer te bekijken.
Figuur 5: voorgestelde partitie boom voor selectie van apotheek gebruikers. De volgende structuur toont het selectiealgoritme voor MCI-tests voor personen ouder dan 65 jaar. De tekst aan de bovenkant van de doos komt overeen met de aanbeveling van het nemen van de MCI screeningtests, de twee getallen hieronder zijn de geschatte waarschijnlijkheid van een negatief of positief MCI testresultaat, respectievelijk. De waarde onderaan het vak is het percentage personen met deze kenmerken in de Trainingsset. Hoe warmer de kleur van de doos, hoe waarschijnlijker de MCI-tests positief waren. Het bovenste knooppunt komt overeen met de vraag of de deelnemer een geheugen klacht heeft. Als het individu geen geheugen klacht heeft, leidt de boom naar de linker tak en de daaropvolgende vragen vragen over het geslacht van de persoon; patiënten met een geheugen klacht worden gevraagd over de hoeveelheid tijd die ze per dag slapen. Dit cijfer is gewijzigd van Climent34. Klik hier om een grotere versie van dit cijfer te bekijken.
Figuur 6: bedienings curves van de ontvanger voor de verdelings boom en gevoeligheid en specificiteit van de uiteindelijke beslissing in de testset. De grafiek vertegenwoordigt de ROC-curve van de waarschijnlijkheden die zijn toegewezen door de partitie-tree-algoritme in de testset. Het rode oppervlak correspondeert met de AUC en het blauwe punt op de curve toont de gevoeligheid en specificiteit van de uiteindelijke aanbeveling van de boom. Klik hier om een grotere versie van dit cijfer te bekijken.
| Verwijzing | |||
| No | Ja | ||
| Voorspelling | No | 84 | 6 |
| Ja | 36 | 19 | |
Tabel 1: verwarringsmatrix. Verwarringsmatrix van de voorspelde en waargenomen waarden in de testset die werden gebruikt om het voorgestelde model te valideren.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Na het zoeken naar termen in verband met MCI in Cochrane studies in de PubMed database, een specifieke vragenlijst werd gemaakt voor deze studie die de meest evidente variabelen gebruikt met een bewezen associatie met MCI. Demografische, levensstijl en sociale factoren, evenals de Farmacotherapie van de patiënt en een aantal relevante pathologieën werden ook geregistreerd. Bovendien zijn de tests SPMSQ en MMSE MCI ook geselecteerd. Belangrijk is dat de SPMSQ niet werd beïnvloed door het onderwijsniveau van de deelnemers. Apothekers werden opgeleid om deze studie te beheren en de communicatie met primaire en gespecialiseerde zorg werd verzekerd via brieven die hen van dit werk informeren. Alleen gespecialiseerde zorgverleners kunnen definitief een diagnose stellen als MCI werd vermoed als gevolg van deze tests.
Concluderend hebben we in deze studie gescreend op MCI onder een populatie met een lage prevalentie van de aandoening (17%). We ontwierpen een reeks selectiecriteria voor gebruik met machine-learning technieken, waardoor het percentage MCI-positieven tot meer dan 30% steeg bij de geselecteerde gebruikers. Daarom helpen deze tools de screening-efficiëntie te verhogen en de kosten van massa screening aanzienlijk te verlagen tussen de bevolkingsgroep die door de beslissingsstructuur is geselecteerd.
Een beperking van deze methode is dat de beslissingsstructuur in deze specifieke cohort ongeldig kan worden naarmate de populatie verandert en er dus waarschijnlijk periodieke updates nodig zijn. Bijvoorbeeld, veel individuen in deze populatie waren analfabeet, maar het aantal analfabeet individuen ouder dan 65 jaar zal in de toekomst afnemen. Deze demografische veranderingen hebben invloed op de variabelen die verband houden met het lezen en vereisen toekomstige herkalibratie van de beslissingsstructuur.
Opvallend, dit datagedreven model verstrekt informatie over de belangrijkste variabelen (uit honderden) in de bouw van een beknopt maar informatief en efficiënt model. Het opbouwen van een beslissingsstructuur biedt inzicht in de beste variabelen om op te focussen en is zowel een kosteneffectieve manier om mensen te helpen selecteren voor wie verdere MCI-tests worden aanbevolen en bevordert onze kennis van deze populaties in deze context.
Om het toekomstige percentage detectiepercentage van MCI te verhogen, zullen we nieuwe kosteneffectieve technieken nodig hebben die een grotere effectiviteit kunnen garanderen. Dit protocol is tijdrovend en is voor apothekers moeilijk te integreren in hun dagelijks werk. Dus, andere tests zoals de MoCA22 of slums23 (zowel met voldoende gevoeligheid en specificiteit) kunnen worden overwogen voor de snelle detectie van MCI in de toekomst.
Een systematische evaluatie van de afweging tussen specificiteit en testduur moet de doeltreffendheid verbeteren van de reeks MCI-tests die voor screening worden gebruikt. Bovendien moeten relevante kwantitatieve variabelen die in het onderzoek zijn opgenomen, een groot bereik hebben, zodat voor hen een efficiënte cut-off kan worden geselecteerd; een smal bereik zou een groot deel van de populatie uitsluiten van vroegtijdige opsporing. De leeftijds variabele (die altijd wordt beschouwd als een belangrijke criteria in MCI-diagnoses) werd bijvoorbeeld niet relevant geacht in deze beslissingsstructuur omdat de wervings criteria (leeftijd van meer dan 65 jaar) te conservatief waren; opname van jongere individuen in een toekomstige studie zou de optimale leeftijd voor het starten van MCI screening worden berekend.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
De auteurs hebben niets te onthullen.
Acknowledgments
Dit werk werd mogelijk gemaakt door de steun van de know Alzheimer Foundation en hulp van de multimedia productiedienst aan de Universidad CEU Cardenal Herrera, met name Enrique Giner. We willen het werk van alle deelnemende apotheken (SEFAC) en de samenwerkende artsen uit de Society of Primary Care Doctors (SEMERGEN) en Neurology Society (SVN) erkennen die hielpen met de MCI-diagnoses, met name Vicente Gassull, Rafael Sánchez en Jordi Pérez. Tot slot danken wij iedereen die ermee heeft ingestemd deel te nemen aan deze studie.
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).
