Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

גישת למידה ממוחשבת לעיצוב הקרנה סלקטיבית יעילה של ליקוי קוגניטיבי מתון

Published: January 11, 2020 doi: 10.3791/59649
Automatic Translation
1, 2, 3, 3, 1
1Embedded Systems and Artificial Intelligence Group, Universidad CEU Cardenal Herrera, 2Community Pharmacist, 3Department of Pharmacy, Universidad CEU Cardenal Herrera

Summary

מתודולוגיה זו מייצרת עצי החלטה שיעד קבוצות אוכלוסיה נוטה יותר לסבול מליקוי קוגניטיבי מתון ושימושיים להקרנה סלקטיבית חסכונית של המחלה.

Abstract

ליקוי קוגניטיבי מתון (MCI) הוא הסימן הראשון של דמנציה בקרב אוכלוסיות קשישים הגילוי המוקדם שלה הוא קריטי בחברות ההזדקנות שלנו. בדיקות MCI נפוצות כגון הקרנה מסיבית שלא הבחנה לא תהיה חסכונית. כאן, אנו מתארים פרוטוקול המשתמשת בטכניקות למידה ממוחשבת כדי לבחור מועמדים במהירות להקרנה נוספת באמצעות מבחן MCI המבוסס על שאלה. פעולה זו מקטינה את מספר המשאבים הדרושים להקרנה משום שרק חולים העלולים להיות בעלי הפוטנציאל של MCI חיוביים.

מתודולוגיה זו הוחלה במחקר ראשוני של מחקר MCI שיצר את נקודת ההתחלה לעיצוב עץ החלטה סלקטיבי של ההקרנה. המחקר הראשוני שנאסף משתנים דמוגרפיים וסגנון חיים רבים, כמו גם פרטים על תרופות החולה. שאלון למצב נפשי נייד קצר (spmsq) ובדיקת המצב המיני-מנטלית (mmse) שימשו לזיהוי מקרים אפשריים של MCI. לבסוף, השתמשנו בשיטה זו כדי לעצב תהליך יעיל לסיווג אנשים בסיכון של MCI. עבודה זו מספקת גם תובנות לגורמים הקשורים לסגנון חיים הקשורים ל-MCI שניתן למונף במניעה ובגילוי מוקדם של MCI בקרב אוכלוסיות מבוגרות.

Introduction

הזדקנות האוכלוסייה מגבירה את השכיחות של מחלות כרוניות וניווניות, במיוחד ניוון ניווניות, אשר צפויים להשפיע על יותר מ 131,000,000 אנשים ברחבי העולם על ידי 20501. בין כל מחלת הניווניות, אלצהיימר (AD) הוא הנפוץ ביותר עם שכיחות כוללת באירופה של 6.88%2. בשל העצמאות הפוחתת אי-פעם של חולי AD, קבוצה זו צריכה להתחיל לקבל תמיכה ברגע שAD מתחיל להתבטא. לכן, הגילוי המוקדם של סימני הפרודרואל של AD, כגון ליקוי קוגניטיבי מתון (MCI), הוא חיוני.

MCI מוגדר כשלב הידרדרות קוגניטיבית ביניים המתאים הזדקנות נורמלית הידרדרות חמורה עקב דמנציה3. על פי האומדנים על ידי פיטרסון ואח '4, השכיחות של MCI היא 8.4% בקרב אנשים בגילאי 65-69 שנים ומגיע 25.2% עבור אלה בגילאי מעל 80 שנים. ה-MCI גורם לאנשים החווים קשיים רבים יותר מהצפוי בביצוע מיומנויות קוגניטיביות ברמה נמוכה, במיוחד אלה הקשורים לזיכרון ולשפה, אך אינה מפריעה לפעילויות של החיים היומיומיים.

הקרנה אינה מילה נרדפת לאבחנה; האבחנה של MCI תמיד תהיה משימה קלינית בעוד שיטות ההקרנה יכול רק ליידע אותנו כי למטופל יש סבירות גבוהה יותר של סבל מפתולוגיה זו וכי יש חשד מבוסס על MCI כי יש לאשר מבחינה קלינית. מכאן, עובדי הבריאות העיקריים (רופאים, רוקחים, אחיות, וכו ') יכול ליהנות מזמינות של שיטות הקרנה פשוטה (בדיקות קוגניטיביות קצרות) כי ניתן להחיל בתוך דקות. באופן אידיאלי, אלה יהיה באובייקטיביות לזהות חולים עם הסתברות גבוהה של סבל MCI, כך שהם יוכלו להיבדק קלינית על ידי רופאים כלליים או מיוחדים.

בהתחשב בכך גילוי מוקדם של MCI הוא הופך משימה חיונית בתוך ההקשר של בריאות הציבור, עבודה זו נועדה לזהות אילו מאפיינים שימושיים בזיהוי ייעודי של MCI בבדיקות בדיקות של אוכלוסיות מבוגרות. קבוצות אלה ייבדקו באופן יסודי יותר עבור MCI בבדיקות שמנוהלות על-ידי ספקי הבריאות הראשיים. מתודולוגיה זו מספקת עץ החלטה עם האלגוריתמים המתאימים לזיהוי קבוצות האוכלוסייה למטרה.

בין המאפיינים הללו, גיל הוא אחד הגורמים העקביים ביותר הקשורים להתפתחות של פתולוגיה זו. מאפיינים רלוונטיים אחרים קשורים לדמוגרפיה או לסגנון חיים5. בין היתר, מחקרים מסוימים זיהו את משך שינה ביום או בלילה כגורם סיכון שיכול להוביל לאבחון של MCI5,6,7,8,9. הצריכה הממושכת של תרופות כגון בנזודיאזפינים, נצרך על ידי מוערך 20%-25% מהמבוגרים10,11, יכול גם להשפיע על שעות השינה ואת ההתפתחות של MCI12,13. אכן, טיפולים ממושכים עבור מחלות כרוניות עשויות להיות תכונות חשובות שימושיות בבחירת מראש של אנשים עם סיכון גבוה של סבל מ-MCI.

כאן, פיתחנו מודלים מבוססי נתונים המשתמשים באלגוריתמים למידה אוטומטית, עץ החלטה, וכלי ניבוי כדי להגביר את יעילות המתודולוגיה לגילוי MCI על-ידי הפלה המאפיינים המלאים תפקיד חשוב בתחילת זיהוי של MCI. עץ ההחלטה הנובעת המוצגת כאן הופק באמצעות קבוצה מסוימת של חולים ספרדיים באמצעות בתי מרקחת קהילתיים. עם זאת, שיטה זו תהיה שימושית גם בקרב אוכלוסיות אחרות עם מאפיינים שונים.

עבודה זו הושלמה בשיתוף פעולה עם הרפואה העיקרית ורופאים מיוחדים. בתי מרקחת קהילתיים היו אידיאליים לבדיקת אלגוריתם זה מכיוון שהם קרובים לחולים, יש להם שעות פתיחה ארוכות, ולעתים קרובות הם ביקרו והתייעצו. מחלות ניווניות הן תנאים מורכבים אשר לא תמיד הבינו היטב על ידי ספקי הבריאות העיקריים14. לכן, להיות מעורב בתהליך יעלה את המודעות של אנשים הסובלים MCI ו dementias.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

המתודולוגיה שהוחלה במחקר זה פורסמו בעבר5 בעבודה שבוצעו באוניברסיטת Ceu Cardenal הררה יחד עם בתי מרקחת קהילתיים באזור של ולנסיה (ספרד) הקשורים החברה הספרדית של משפחה בית מרקחת (SEFAC). המחקר הנוכחי נבדק ואושר על-ידי ועדת האתיקה של המחקר באוניברסידנאד קרדאל הררה (אישור לא. CEI11/001) במרץ 2011. כל האנשים המעורבים במחקר נתנו הסכמה מושכלת בכתב שלהם להשתתפות בהתאם להכרזת הלסינקי.

1. מבחר גורמים הקשורים לליקוי קוגניטיבי מתון

  1. חפש תנאים הקשורים ל-MCI לשימוש בהקרנה ביקורות שיטתית (לדוגמה, ליקוי קוגניטיבי, דמנציה, גורמי סיכון וכו ').
  2. חפש תנאים שבהם יש כמה עדויות לקשר עם הידרדרות קוגניטיבית או דמנציה שפורסמו במאגר המידע; אלה כוללים גורמים דמוגרפיים (מין, גיל, רמת השכלה ומעמד כלכלי), גורמים חברתיים (פעילות קוגניטיבית וחברתית), פתווגיות כרוניות (כולסטרול, דיכאון, יתר לחץ דם, סוכרת והשמנה), והתנהגויות אורח חיים (אלכוהול צריכת, עישון הרגל, דיאטה, פעילות גופנית, שעות השינה).
  3. חישוב יחס הסיכויים למשתנים איכותיים או לגודל האפקט התלת-ממדי של כהן עבור משתנים כמותיים15. בחר את המשתנים עם גדלי אפקט גדול יותר עבור הידרדרות קוגניטיבית או דמנציה לשימוש בפירוט שאלון.

2. עיצוב השאלונים

  1. עצב שאלון לאיסוף מידע אודות המשתנים שנבחרו, בעקבות ההנחיות שסופקו על-ידי Nardi16. למשל, המשתנים המשמשים בקלינט ואח '5 היו דמוגרפים (גיל, משקל וגובה [נמדד עם הליכים סטנדרטיים באמצעות סולמות מכויל וסטדימטרים], מין, רמת ההשכלה וסוג התעסוקה), סגנון חיים (פעילות גופנית, קריאה, זמן המושקע בשינה לילה ובמהלך היום, פאזלים, משחקים, זמן צריכת הטלוויזיה וצריכת הטבק והאלכוהול), ופתווגיות כרוניות (יתר לחץ דם בנוסף, להקליט את הנוכחות או העדר של דיכאון, אשר מקושרת לעתים קרובות עם הידרדרות קוגניטיבית.
  2. עיצוב גיליון מעקב תרופתי כדי לדווח על כל התרופות הנצרכת על ידי המשתתפים בזמן הראיון, כמו Climent ואח '5, אשר השתמשו בשיטה של אבא17 כדי לעצב דף זה.

3. מבחר בדיקות עבור הקרנת MCI

  1. קבע את כל הבדיקות המשמשות למסך עבור MCI שניתן לנהל באמצעות עובדי הבריאות הראשיים (למשל, רוקחים). דחה את כל המבחנים שיש לנהל מומחה. חלק מהבדיקות הממלאות תנאים אלה הם שאלון המצב המנטלי הנייד הקצר (spmsq)18, מיני בדיקת המצב המנטלי (mmse)19, זיכרון ליקוי מסך (MIS)20, תמונה ליקוי זיכרון המסך (pmis)21, מונטריאול הערכה קוגניטיבית (moca)22, אוניברסיטת סנט לואיס מעמד נפשי (שעוני החוץ)23, וליקוי קוגניטיבי מהיר מתון (qmci)24. סקירה ממצה של כל מבחן MCI זמינה ב-קולן et al.25.
  2. חפש הערכה טובה של רגישויות הבדיקה והמינים בספרות המדעית.
  3. הערכת הזמן הנדרש לניהול בדיקות אלה לאנשים בריאים.
  4. קחו בחשבון את מאפייני החולה הבסיסיים הנדרשים להשלמת בדיקות אלה. לדוגמה, רמת השכלה מינימלית עשויה להיות הכרחית מאחר שבחינות רבות של MCI אינן מתאימות למשתתפים באנאלפבתים. ערכה של בדיקות MCI מוחלת בדרך כלל כדי להגביר את הרגישות; עם זאת, המספר המינימלי של בדיקות צריך להיות מנוהל במהירות על ידי רוקחים אם ההקרנה סלקטיבית הסופי מיועדת לאוכלוסיה גדולה. Climent ואח '5 העריכו MCI באמצעות המבחנים mmse ו SPMSQ, עם האחרון מתאים למספר גדול של אנשים שחיו דרך מלחמת האזרחים הספרדית אשר אנאלפביתים.
    1. השתמש בווריאציה של ה-SPMSQ על ידי פייפר18 בספרדית על ידי מרטיז דה לה איגלסיה26. בדיקה זו יש ציון מרבי של 10 ואת נקודת החיתוך לצורך הקמת ליקוי קוגניטיבי הוא 3 או יותר שגיאות (4 או יותר עבור אנשים אנאלפביתים). הבדיקה נמשכת בין 8 ל -10 דקות להשלמת הפעולה.
    2. השתמש בגירסת ה-NORMACODERM עור של MMSE מאומת עבור דוברי ספרדית על ידי Blesa27 על ידי התאמת הגרסה המקורית על ידי folstein19. זה מבחן ההקרנה יש ציון מירבי של 30 והוא תוקן על פי שנות המטופלים של הלימודים והגילאים. משתתפים שציון פחות או שווה ל -24 נחשבים למקרי MCI. ה-MMSE הוא מדד לתפקוד קוגניטיבי כללי וכולל כיוון לזמן ולמקום, שפה כתובה ומדוברת, טווח תשומת לב, חישוב וזיכרון. זה היה מנוהל לכל המשתתפים במחקר זה כי זה מבחן קצר מאוד אשר לוקח רק 5 דקות להשלים.

4. גיוס נושאים

  1. למצוא רוקחים מוכנים לגייס אנשים לא ממוסד כדי ליצור את אוכלוסיית המחקר. המחקר שהוזכר על ידי Climent ואח '5 כללה אנשים בגילאי 65 שנים או יותר שעברו באופן סדיר לבית המרקחת ומי הסכימו להשתתף במחקר זה. להוציא חולים עם כל קושי בביצוע בדיקות אלה הערכה (למשל, בגלל עיוורון, חירשות, וכו ') או שכבר טופלו לשיטיון.
  2. לספק את הרוקחים המשתתפים עם טפסי הסכמה מושכלות, שיש להשלים על ידי כל פרט הנוטלים חלק במחקר. טופס הסכמה זה מציין את כותרת המחקר, יעדי הפרויקט, הסבר מובן לגבי כל ההליכים שמשתתף השתתף בו, היעדר סיכונים ספציפיים, סודיות כל הנתונים שנאספו וה זכות לסגת מהמחקר מכל סיבה שהיא בכל עת.
  3. להכשיר את הרוקחים לנהל ראיונות אישיים מובנים למשתתפים, שאמורים להימשך כחצי שעה לאדם. לאסוף נתונים עבור 1 שנה ולשלוח את כל הטפסים לחוקרים האחראים על הגנת נתונים במחקר. לאחר מכן מעקב אחר המטופלים במשך 3 חודשים.
  4. למד את הרוקחים כיצד לזהות מקרה כנראה של MCI באמצעות בדיקות MCI. מבוסס על Climent ואח '5 השתמשנו הציונים SPMSQ של 4 או יותר נקודות (עבור משתתפים אנאלפביתים) או 3 או יותר נקודות עבור משתתפים אחרים ועשרות של 24 נקודות או פחות שימשו במבחן mmse המתוקן.
  5. למד רוקחים כיצד להפנות את מקרי MCI למומחה רפואי (נוירולוג) לאבחון הקליני שלהם-השלב האחרון בתרשים הזרימה המשמש במחקר מחקר זה (איור 1).

Figure 1
איור 1: תרשים זרימה של המחקר המחקרי וההקרנה הסלקטיבית המוצעת. הצד השמאלי מייצג את המחקר הראשוני אשר הנתונים נותחו עם טכניקות לימוד מחשב להציע את ההקרנה סלקטיבית לגילוי מוקדם של MCI המוצג בלוח הנכון. הדמות הזאת השתנתה מקלינט34. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

5. הכשרת חוקרים ברוקחים

  1. צור קשר עם מומחים לארגון הפעלות להכשרת הרוקחים המשתתפים בידע בסיסי הקשור לפגיעה קוגניטיבית ובניהול כלי ההקרנה שלה, למשל, SPMSQ ו-MMSE.
  2. ודא שהרוקחים המשתתפים מודעים להליכים, לפרוטוקול איסוף הנתונים וכל הנושאים האפשריים הקשורים להגנה על נתונים. להודיע להם כי הפרויקט אושר על ידי ועדת אתיקה מחקר על החשיבות של טופס ההסכמה על פי הצהרת הלסינקי.
    הערה: כדי לבצע את המחקר המתואר על ידי Climent et al.5, התקיימו סדנאות במכללה הרשמית לרוקחים ובאוניברסיטת קרדנאל-הררה, ומכסה את הבאים: MCI ו דמנציה; גישות אבחון ל-MCI וניהול של SPMQP ו-MMSE (המועברים על ידי שירות נוירולוגיה בבית החולים לה פלנה בקסטיון); מצגת והסבר על המתודולוגיה של חוקרים קהילתיים בכירים; וחינוך בריאותי והכשרה קוגניטיבית של חוקרים מהמחלקה לרוקחות באוניברסיטת האוניברסיטה האקדמית-CEU.

6. עיצוב מחקר

  1. חשב גודל לדוגמה כדי להעריך את הכדאיות של הפרוייקט. בגלל שזה היה מחקר תצפית, מדגם גדול יותר יפיק כלים יעילים יותר. קיימות שתי דרכים לקביעת גודל המדגם: אחד מבוסס על אומדן השכיחות והשני הוא מדויק יותר, לוקח בחשבון את גודל האפקט.
    1. חישוב הערכה מדויקת של השכיחות של התנאי באוכלוסיה



      כאשר α היא רמת המובהקות, p0 היא ההערכה הראשונית והשגיאה היא השגיאה המרבית הצפויה עם 100 (1-α)% ביטחון.
    2. בהתאם לגודל האפקט המצוי בספרות עבור כל גורם, השתמש בכלים כגון חבילת קרת ב-R כדי להעריך את מידת העוצמה הדרושה כדי לזהות את ההבדלים15,28.
      הערה: למשל, במחקר5 שלנו עיצבנו את ההצעה הראשונה עם שגיאה של 3% ב 95% ביטחון והערכה ראשונית של השכיחות של MCI ב 15% באוכלוסייה בגילאי 65 שנים או יותר, וכתוצאה מכך גודל משוער הנדרש של 541 אנשים.

7. רשת תקשורת בין תחומית, רוקחים, רופאי בריאות ומומחים

  1. תכנון מכתבים להעברת מידע אודות הפרויקט למרכזי הבריאות המעורבים.
  2. הסבירו לרוקחים המשתתפים כיצד להודיע לרופאים שהוקצו להם את תוצאות ההקרנות באמצעות מכתב למרכז הרפואי הראשי.
  3. שלחו תקשורת כתובה למתאמים הרפואיים של מרכזי הבריאות הקשורים לבתי המרקחת המשתתפים ולשירותי הנוירולוגיה של בתי החולים אליהם הם מוקצים.
  4. יצירת קשר עם נוירולוגים המשתתפים כדי לגלות את האבחנה הסופית של כל מטופל המתקבל באמצעות בדיקות ספציפיות שבוצעו על ידי ספקי בריאות מיוחדים. לפני כן, ספקי הבריאות הראשיים צריכים לבצע את הפרוטוקול הבא, כפי שסוכם על-ידי ההנחיות הקליניות (איור 2).

Figure 2
איור 2: פרוטוקול לפעולת הבריאות העיקרית. דוגמה לפעולות הרפואיות העיקריות שאמורות להיחשב לאיתור MCI מוקדם לפני שהמטופל מתייחס לאבחון רפואי של מומחים. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

8. ניתוח סטטיסטי ועיבוד מקדים

הערה: לפני החלת טכניקות למידה ממוחשבת, נדרש צעד הכנה כדי להפוך את הנתונים המקוריים לערכת נתונים חדשה בהתאם למטרת המחקר הסופית ולהחלת ההליכים. לשינוי זה, יש לשקול מספר דברים, כולל מאפייני האלגוריתמים. הסיבה לכך היא שחלק מהם רגישים לחוסר שינויים או לשיתוף מידע באמצעות עמודות, למרות שהאלגוריתמים המשמשים להפקת עצי החלטה חזקים במיוחד כנגד בעיות אלה. שלב ראשוני זה מטרתו לסווג קטגוריות של משתנים איכותיים ולאסוף ערכים עם מספיק מקרים עבור כל משתנה. לסינון יעיל חשוב לבחור משתנים שהרכישה שלהם הוכחה כקלה ומדויקת. המשתתפים נבחרים על ידי ראיון קצר שבו האלגוריתמים המשמשים היו מוגבל למודל של קופסה לבנה, מה שמקל על בדיקת הקריטריונים המשמשים להחלטה אם האדם צריך להיבחן. אנו ממליצים להשתמש בחבילת rpart29 בתוכנה R עבור אלגוריתמים אלה, ויישום למחיצות רקורסיבית.

  1. לאסוף את כל הטפסים מבתי המרקחת המשתתפים ולהמיר אותם לתוך טבלה שבה כל עמודה היא משתנה, כל אדם המשתתף הוא שורה.
  2. הקצה מספר זיהוי לכל משתתף. שמור את מספר הזיהוי ופרטי הקשר במסמך אחר כך שלא ישמש את אלגוריתם לימוד המחשב.
  3. ליצור משתנים כדי לסווג אם כל תרופה המטופל לוקח מקביל השנייה או השלישית האווירית30 (האנטומיה הטיפולית כימית) ברמה קודים, על פי המרכיבים העיקריים פעיל על הטיפול פרמקותרפיה.
  4. בצע ניתוח תיאורי ראשוני.
    1. עבור כל משתנה סודר, בחר בניגודיות נאותה עבור המשתנה. עבור משתנים בקטקטלי, בחר את הערך הנחשב לקו הבסיס.
    2. עבור משתנים בקטדיסטיים, חשב רגרסיה לוגיסטית הכוללת משתנה תגובה להקרנה עבור MCI. לנתח את תוצאת הרגרסיה עם שולחן מגירה, ערך p, יחס הסיכויים למדגם, ואת 95% מרווח ביטחון של יחס הסיכויים.
    3. עבור משתנים כמותיים, לחשב את הממוצע, סטיית התקן, מקדם רגרסיה לוגיסטית, ואת 95% מרווח ביטחון של המקדמים שלהם.
  5. דחה משתנים עם ערכים חסרים (לא זמינים), בהתחשב במשתנים אלה שקשה לאסוף במדויק.
  6. בחר רק משתנים שעבורם יש לפחות קטגוריה משמעותית מבחינה סטטיסטית (α < 0.01) בהתאם לניתוח הרגרסיה הלוגיסטית. תוצאת שלב זה מפיקה ערכת נתונים מופחתת בהשוואה למנה הראשונה.

9. אלגוריתמים ליצירת עץ החלטה

הערה: האלגוריתמים של מחשב-למידה חייבים להיות בעלי פרמטרים כהלכה כדי לנבא אילו אנשים צפויים לקבל תוצאה חיובית של בדיקת MCI. אחת הבעיות העיקריות תוך הקרנה לתנאי הוא כי הנתונים המקוריים צפויים להיות אוזנת (כלומר, מקרים חיוביים מעטים בהשוואה לאלה שליליים). כדי לקבל מודלים עם נתונים מאוזנים השתמשנו בטכניקה המכונה למטה-דגימה, או דגימה אקראית, כדי להשוות את התדר עם זה של הרמה הנמוכה ביותר בתדר31. הקרנה יעילה מחייבת גם הפחתת מספר התשלילים השקרית ככל האפשר (כלומר, הגברת הרגישות של בחירת המשתתפים הסובלים מ-MCI). אחת הטכניקות המשמשות להשגת רגישות גבוהה יותר היא הקדמה של עונשים בחישוב של מדד הטומאה של ג'יני (כלומר, המדד המשמש את האלגוריתם כדי לבחור את הפיצול הטוב ביותר עבור עץ ההחלטה)32.

  1. צור ערכת נתונים של הדרכה ובדיקה עם 80% ו-20% מערכת הנתונים כולה, בהתאמה באמצעות הפונקציה Createdatapartition בספרייה ^33.
  2. החל את האלגוריתמים המשמשים להפקת עצי החלטה לערכת נתוני ההדרכה. השתמש שוב ברכבת בפונקציה בספריית ^33. השלבים הבאים הם פרמטרים שונים של הפונקציה; למשל, העץ המשמש בנייר זה נוצר עם rpart29 (שיטה = "rpart"), אבל אלגוריתמים אחרים זמינים.
    1. בחרו בשיטת הדגימה ' למטה ' והציגו את הפרמטר ' דגימה = ' למטה ' לתוך ^.
    2. קבע את הסבירות המוקדמת עבור שתי המחלקות.
    3. לספק מטריצה הפסד עם העונשים של הטומאה של ג'יני להחיל על מנת להתמקד ברגישות הגוברת.
    4. עבור כל פרמטר באלגוריתם, בחר רשת ערכים מתאימה.
    5. השתמש בהערכת אימות מחוצה של ערכי עקומת ההפעלה של המקלט (ROC) כדי לבחור את המודלים הטובים ביותר בתוך רשת הפרמטרים.
  3. חישוב מטריצת בלבול והאזור שמתחת לעקומת ROC (אוק) עבור חיזוי ערכת הבדיקה כדי להעריך את הביצועים האמיתיים של המודל.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

בתי המרקחת המשתתפים אספו נתונים מ728 משתמשים ואספו משתנים דמוגרפיים בנוסף לתרופות שנקבעו למשתתפים. רגרסיה לוגיסטית מועלת בוצעה עבור כל המשתנים34; תרשימי שורת השגיאה המוצגים באיור 3 ובאיור 4 הם ייצוגים גרפיים נוחים של מרווח הביטחון של יחס הסיכויים (עבור משתנים איכותיים) ומרווח הביטחון של מקדם הרגרסיה הלוגיסטית (למשתנים כמותיים). משתנים עם ערכי pהחורגים 0.01 (מין, גיל, רמת השכלה, קריאת הרגל, הזמן המושקע בשינה, דיכאון ותלונות הזיכרון) נבחרו והשתמשו כדי ליצור דגם של קופסה לבנה המבוססת על עץ החלטה. עץ החלטה זה נוצר באמצעות ערכת נתונים הכשרה המורכבת 583 אנשים כקלט ואומת עם ערכת בדיקה של קבוצה של 145 משתתפים.

לאחר שימוש בספריה33 ^ ב-R, עץ התוצאה הקצה את ההסתברות לסבל של MCI לכל אדם בהתאם לצומת הסופי בעץ (המתואר באיור 5), כמו גם את תשובותיהם למספר שאלות. כדי להעריך את יכולת החיזוי של הסתברות אלה, ניתוח ROC של ערכת המבחן בוצע (איור 6); ב-x שלה היה 0.763 ומרווח הביטחון שלה 95% היה (0.6624, 0.8632). בנוסף לסבירות, העץ המוצג באיור 5 משמש גם שאלות פשוטות מאוד על כמה זמן האדם ישן ובאיזו תדירות הם קוראים, כדי להמליץ (עם רגישות של 0.76 וספציפיות של 0.70) אם המטופלים צריכים לקחת את בדיקות MCI.

באמצעות עץ החלטה זה וראיון קצר כדי לבחור משתמשים בסיכון של MCI היינו מסוגלים להפחית באופן משמעותי את מספר המטופלים הדורשים בדיקות MCI (הניהול הוא די זמן רב). הפחתה זו יכולה להיות מוערכת על-ידי שימוש בנתונים בערכת הבדיקה ופענוח מטריצת הבלבול של השיעורים הנצפים והחזויים המוצגים בטבלה 1. בעבודה זו, 55 מתוך 145 משתתפים בערכת המבחן זוהו על ידי עץ ההחלטה עבור בדיקות MCI נוספות, (המייצג הפחתה של 62% של משתמשים לוקחים את המבחנים) תוך כדי לבחור גם את רוב האנשים (19 מתוך 25) שהיו חיוביים עבור MCI.

Figure 3
איור 3: דוגמה של המשתנים שנבחרו במהלך עיבוד מקדים. מרווח ביטחון של 99% מיחס הסיכויים היה מחושב ומיוצג כשורת שגיאות. ערך הבסיס עבור הרגרסיה הלוגיסטית מצוין מתחת לשם המשתנה בראש כל פאנל. עבור כל ערך של המשתנה, מייצג שורת שגיאה את מרווח הביטחון של יחס הסיכויים ללקיחת ערך זה לעומת נטילת ערך הבסיס. מכיוון שהמשתנים ששימשו להפקת העץ נבחרו, מרווחי הביטחון אינם כוללים את הערך 0 עבור ערכים מסוימים כפי שאלה הראו הבדלים משמעותיים. קנה המידה של הציר האנכי הוא לוגריתמי כדי לסייע בהשוואות בין קבוצות. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Figure 4
איור 4: דוגמה למשתנים שאינם נבחרים במהלך עיבוד מקדים. מרווח ביטחון של 99% מיחס הסיכויים היה מחושב ומיוצג באמצעות סרגל שגיאות. ערך הבסיס עבור הרגרסיה הלוגיסטית מצוין מתחת לשם המשתנה בראש כל פאנל. עבור כל ערך של המשתנה, מייצג שורת שגיאה את מרווח הביטחון של יחס הסיכויים ללקיחת ערך זה לעומת נטילת ערך הבסיס. לעומת האיור הקודם, כל מרווחי הביטחון של המשתנים שנבחרו כוללים את הערך 0, מכיוון שלא נמצאו הבדלים משמעותיים כדי ליצור את העץ. קנה המידה של הציר האנכי הוא לוגריתמי כדי לסייע להשוואה בין קבוצות. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Figure 5
איור 5: עץ המחיצה המוצע לבחירת משתמשי בית מרקחת. העץ הבא מציג את אלגוריתם הבחירה עבור בדיקות MCI עבור אנשים בני יותר מ-65 שנים. הטקסט בחלק העליון של התיבה מתאים להמלצה של נקיטת בדיקות הקרנת ה-MCI, שני המספרים להלן הם ההסתברות המשוערת של תוצאת בדיקה שלילית או חיובית של MCI, בהתאמה. הערך בתחתית התיבה הוא אחוז האנשים עם מאפיינים אלה בערכת ההדרכה. ככל שצבע התיבה חם יותר, כך סביר יותר שבדיקות ה-MCI יהיו חיוביות. הצומת העליון מתאים לשאלה אם למשתתף יש תלונות על זיכרון. אם האדם אינו מקבל תלונה על זיכרון, העץ מוביל אל הענף השמאלי והשאלות שלאחר מכן שואלים על המין של האדם; חולים עם תלונה זיכרון שואלים על כמות הזמן שהם ישנים ביום. הדמות הזאת השתנתה מקלינט34. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Figure 6
איור 6: השפופרת מקבלת עקומות עבור עץ המחיצה והרגישות והספציפיות של ההחלטה הסופית בערכת הבדיקה. הגרף מייצג את עקומת ROC של הסתברות של אלגוריתם עץ המחיצה בערכת הבדיקה. המשטח האדום מתאים ל-אוק ולנקודה הכחולה על העקומה מראה את הרגישות והספציפיות של ההמלצה הסופית שנעשתה על ידי העץ. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

פניה
לא כן
חיזוי לא 84 6
כן 36 19

שולחן 1: מטריצת בלבול. מטריצת בלבול של הערכים החזויים והנצפים בערכת הבדיקות ששימשו לאימות המודל המוצע.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

לאחר החיפוש אחר מונחים המשויכים ל-MCI במחקרי קוקרן במאגר המידע, נוצר שאלון מסוים עבור מחקר זה שהשתמש במשתנים הבולטים ביותר עם שיוך מוכח עם MCI. דמולוגיות של המטופל, החיים והגורמים החברתיים, כמו גם הפרמקותרפיה של החולה ומספר פתוגיות רלוונטיות נרשמו אף הם. בנוסף, נבחרו גם בדיקות SPMSQ ו-MMSE MCI. יתרה מזאת, הארגון לא הושפע מרמת הלימודים של המשתתפים. רוקחים הוכשרו לנהל את המחקר הזה ותקשורת עם טיפול ראשוני ומיוחד היה בטוח באמצעות מכתבים ליידע אותם על עבודה זו. רק ספקי בריאות מיוחדים יכול בהחלט לבצע אבחנה אם MCI היה חשד כתוצאה של בדיקות אלה.

לסיכום, במחקר זה הוקרן עבור MCI בקרב אוכלוסיה עם שכיחות נמוכה של המצב (17%). עיצבנו ערכה של קריטריוני בחירה לשימוש עם טכניקות למידה ממוחשבת, שהגדילו את אחוז ה-MCI החיובי עד ליותר מ-30% מבין המשתמשים הנבחרים. כתוצאה מכך, כלים אלה מסייעים בהגברת יעילות ההקרנה ומפחיתים באופן משמעותי את עלות ההקרנה ההמונית בין קבוצת האוכלוסייה שנבחרה על ידי עץ ההחלטה.

מגבלה של שיטה זו היא שעץ ההחלטה עלול להפוך לבלתי תקף בקבוצה מסוימת זו, כאשר השינויים באוכלוסיה ולפיכך, יידרשו ככל הנראה עדכונים תקופתיים. למשל, אנשים רבים באוכלוסייה הזאת היו אנאלפביתים, אבל מספר האנשים האנאלפבתים בגילאי 65 שנים יקטן בעתיד. שינויים דמוגרפיים אלה ישפיעו על המשתנים הקשורים לקריאה ויחייבו כיול עתידי של עץ ההחלטה.

במידה ניכרת, מודל זה מונחה נתונים סיפק מידע על המשתנים החשובים ביותר (מתוך מאות) בבניית מודל תמציתי עדיין אינפורמטיבי ויעיל. בניית עץ החלטה מספקת תובנות לגבי המשתנים הטובים ביותר והיא גם דרך חסכונית לעזור לבחור אנשים עבורם בדיקות MCI נוספות מומלצות ומספקות את הידע שלנו על אוכלוסיות אלה בהקשר זה.

כדי להגדיל את קצב זיהוי האחוזים העתידי של MCI, אנו דורשים טכניקות חדשות חסכוניות שיכולות להבטיח יעילות מוגברת. פרוטוקול זה הוא זמן רב וקשה לרוקחים להשתלב בעבודה היומיומית שלהם. לפיכך, בדיקות אחרות כגון MoCA22 או שעוני השכונות23 (שניהם עם רגישות נאותה וספציפיות) יכול להיחשב עבור מהיר זיהוי של MCI בעתיד.

הערכה שיטתית של הטרייד-אין בין הפירוט למשך הבחינה צריכה לשפר את האפקטיביות של קבוצת בדיקות MCI המשמשות להקרנה. יתרה מזאת, משתנים כמותיים רלוונטיים הכלולים במחקר צריכים להיות מגוון רחב, כך שניתן לבחור לגזור יעיל עבורם; טווח צר לא יכלול חלק גדול מהאוכלוסייה מגילוי מוקדם. לדוגמה, משתנה הגיל (שנחשב תמיד לקריטריונים חשובים באבחנות של MCI) לא נחשב לרלוונטי בעץ החלטה זה משום שקריטריוני הגיוס (גיל מעל 65 שנים) היו שמרנים מדי; הכללה של אנשים צעירים במחקר עתידי תאפשר את הגיל האופטימלי להפעלת הקרנת MCI לחישוב.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

. למחברים אין מה לגלות

Acknowledgments

עבודה זו נעשתה אפשרית על ידי תמיכה של הקרן לאלצהיימר הידע ולעזור משירות ייצור מולטימדיה באוניברסיטה CEU Cardenal הררה, במיוחד אנריקה Giner. היינו רוצים להכיר את העבודה של כל בתי המרקחת המשתתפים (SEFAC), ואת הרופאים שיתוף פעולה מן החברה של רופאים הטיפול הראשי (SEMERGEN) ו נוירולוגיה החברה (SVN) מי עזר עם האבחנות MCI, במיוחד ויסנטה Gassull, רפאל . סנצ'ז, וג'ורדי פרז לבסוף, אנו מודים לכל מי שהסכים לקחת חלק במחקר זה.

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/

DOWNLOAD MATERIALS LIST

References

  1. 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).
  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. , Routledge. (2013).
  16. Nardi, P. M. Doing Survey Research: A Guide To Quantitative Methods. , Routledge. (2018).
  17. 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).
  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. Champely, S., Ekstrom, C., et al. pwr: Basic Functions for Power Analysis. , https://cran.r-project.org/web/packages/pwr/index.html (2018).
  29. Therneau, T., Atkinson, B., Ripley, B. rpart: Recursive Partitioning and Regression Trees. , https://cran.r-project.org/web/packages/rpart (2018).
  30. WHO Collaborating Centre for Drugs Statistics Methodology. ATC/DDD Index. , https://www.whocc.no/atc_ddd_index (2018).
  31. Kuhn, M., Johnson, K. Applied Predictive Modeling. 26, Springer New York. New York, NY. (2013).
  32. 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).
  33. Kuhn, M. Building Predictive Models in R Using the caret Package. Journal of Statistical Software. 28 (5), 1-26 (2008).
  34. 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).

Tags

התנהגות סוגיה 155 תלונה על זיכרון גילוי מוקדם ליקוי קוגניטיבי מתון משך השינה רוקח קהילתי גורמי סיכון עצי החלטה למידה סטטיסטית
גישת למידה ממוחשבת לעיצוב הקרנה סלקטיבית יעילה של ליקוי קוגניטיבי מתון
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Muñoz-Almaraz, F. J., Climent,… More

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).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter