Summary
وتنتج هذه المنهجية أشجار القرارات التي تستهدف الفئات السكانية الأكثر عرضه للمعاناة من العاات الادراكيه الخفيفة ، وهي مفيده للفحص الانتقائي الفعال من حيث التكلفة للمرض.
Abstract
الضعف المعرفي الخفيف (MCI) هو أول علامة علي الخرف بين السكان المسنين والكشف المبكر لها أمر حاسم في مجتمعاتنا الشيخوخة. وتستهلك اختبارات MCI المشتركة وقتا طويلا بحيث لا يكون الفحص العشوائي الشامل فعالا من حيث التكلفة. هنا ، نقوم بوصف بروتوكول يستخدم تقنيات التعلم الألى لاختيار المرشحين بسرعة لمزيد من الفحص عن طريق اختبار MCI القائم علي الاسئله. وهذا يقلل من عدد الموارد المطلوبة للفحص لأنه فقط المرضي الذين يحتمل ان تكون ايجابيه MCI يتم اختبارها أكثر.
وقد طبقت هذه المنهجية في دراسة بحثيه أوليه بشان التدقيق الداخلي شكلت نقطه الانطلاق لتصميم شجره قرارات انتقائية للفحص. جمعت الدراسة الاوليه العديد من المتغيرات الديموغرافية ونمط الحياة ، فضلا عن تفاصيل حول ادويه المريض. تم استخدام استبيان الحالة العقلية القصيرة المحمولة (spmsq) وفحص الحالة الذهنية المصغرة (mmse) للكشف عن الحالات المحتملة ل MCI. وأخيرا ، استخدمنا هذه الطريقة لتصميم عمليه فعاله لتصنيف الافراد المعرضين لخطر MCI. ويقدم هذا العمل أيضا رؤى حول العوامل ذات الصلة بنمط الحياة المرتبطة ب MCI التي يمكن الاستفادة منها في الوقاية والكشف المبكر عن MCI بين السكان المسنين.
Introduction
الشيخوخة السكانية تزيد من انتشار الامراض المزمنة والتنكسية ، وخاصه الخرف التنكسية ، والتي من المتوقع ان تؤثر علي أكثر من 131,000,000 شخص في جميع انحاء العالم من قبل 20501. من بين جميع الخرف التنكسية ، مرض الزهايمر (AD) هو الأكثر شيوعا مع انتشار عام في أوروبا من 6.88 ٪2. ونظرا للاستقلال المستمر لمرضي AD ، يجب ان تبدا هذه المجموعة في تلقي الدعم بمجرد بدء الإعلان عن البيانات. ولذلك ، فان الاكتشاف المبكر لعلامات الإعلان الاوليه ، مثل الضعف المعرفي الخفيف (MCI) ، أمر ضروري.
يتم تعريف MCI كمرحله التدهور المعرفي المتوسطة المقابلة للشيخوخة العادية والتدهور الشديد بسبب الخرف3. وفقا لتقديرات بيترسن وآخرون4، وانتشار MCI هو 8.4 ٪ بين الناس الذين تتراوح أعمارهم بين 65-69 سنه وتصل إلى 25.2 ٪ لأولئك الذين تتراوح أعمارهم بين 80 سنه. نتائج MCI في الافراد الذين يعانون من صعوبات أكثر مما كان متوقعا في تنفيذ المهارات المعرفية منخفضه المستوي ، وخاصه تلك المتعلقة بالذاكرة واللغة ، ولكن لا تتداخل مع أنشطه الحياة اليومية.
الفحص ليس مرادفا للتشخيص. تشخيص MCI سيكون دائما مهمة سريريه في حين ان طرق الفحص يمكن ان تبلغنا فقط ان المريض لديه احتمال اعلي من المعاناة من هذا المرض وان هناك اشتباه في الأساس من MCI التي ينبغي تاكيدها سريريا. التالي ، يمكن للعاملين في الرعاية الصحية الاوليه (الأطباء والصيادلة والممرضين وغيرهم) الاستفادة من توافر طرق الفحص البسيطة (الاختبارات المعرفية القصيرة) التي يمكن تطبيقها في دقائق. ومن الناحية المثالية ، فان هذه من شانها ان تحدد بشكل موضوعي المرضي الذين يعانون من احتمال كبير للمعاناة MCI بحيث يمكن بعد ذلك ان يتم اختبارها سريريا من قبل الأطباء العامة أو المتخصصة.
النظر إلى ان الكشف المبكر عن MCI أصبح مهمة أساسيه في سياق الصحة العامة ، يهدف هذا العمل إلى تحديد الخصائص التي هي مفيده في تحديد المستهدفة لل MCI في اختبارات الفرز للسكان المسنين. سيتم بعد ذلك اختبار هذه المجموعات بشكل أكثر دقه من أجل MCI في الاختبارات التي يديرها مقدمو الرعاية الصحية الاوليه. وتوفر هذه المنهجية شجره قرارات مع الخوارزميات المناسبة لتحديد فئات السكان المستهدفة.
من بين هذه الخصائص, العمر هو واحد من العوامل الأكثر اتساقا المرتبطة بتطور هذا المرض. وترتبط الخصائص الأخرى ذات الصلة بالتركيبة السكانية أو نمط الحياة5. ومن بين هذه الاخيره ، حددت بعض الدراسات مده النوم النهاري أو الليلي كعامل خطر يمكن ان يؤدي إلى تشخيص MCI5،6،7،8،9. استهلاك لفترات طويلة من الادويه مثل البنزوديازيبينات ، التي يستهلكها ما يقدر بنسبه 20 ٪-25 ٪ من كبار السن10،11، ويمكن أيضا التاثير علي ساعات النوم وتطوير MCI12،13. في الواقع ، قد تكون العلاجات المطولة للامراض المزمنة ميزات هامه مفيده في الاختيار المسبق للافراد الذين يعانون من مخاطر عاليه من المعاناة من MCI.
هنا ، قمنا بتطوير النماذج القائمة علي البيانات التي تستخدم خوارزميات التعلم الألى ، شجره القرار ، وأداه التنبؤيه لزيادة كفاءه منهجيه للكشف عن MCI من خلال التمييز الخصائص التي تلعب دورا هاما في وقت مبكر كشف MCI. وقد أنتجت شجره القرارات الناتجة هنا باستخدام مجموعه محدده من المرضي الاسبان الذين يستخدمون صيدليات المجتمع. غير ان هذه الطريقة ستكون مفيده أيضا بين السكان الآخرين الذين لهم خصائص مختلفه.
وقد اكتمل هذا العمل بالتعاون مع الرعاية الصحية الاوليه والأطباء المتخصصين. كانت الصيدليات المجتمعية مثاليه لاختبار هذه الخوارزميه لأنها قريبه من المرضي ، ولها ساعات عمل طويلة ، وكثيرا ما تتم زيارتها واستشارتها. خرف التنكسية هي الظروف المعقدة التي ليست دائما مفهومه جيدا من قبل مقدمي الرعاية الصحية الاوليه14. التالي ، فان الانخراط في العملية سيزيد من الوعي بالأشخاص الذين يعانون من الخرف العامة.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
وقد نشرت المنهجية المطبقة في هذه الدراسة في السابق5 في العمل الذي تم القيام به في جامعه Ceu Cardenal هيريرا مع صيدليات المجتمع في منطقه فالنسيا (اسبانيا) المرتبطة بالجمعية الاسبانيه للاسره والمجتمع الصيدلة (sefac). وقد استعرضت هذه الدراسة الحالية ووافقت عليها لجنه أخلاقيات البحوث في جامعه CEU Cardenal هيريرا (الموافقة رقم. CEI11/001) في آذار/مارس 2011. وقد اعطي جميع الافراد المشاركين في الدراسة موافقتهم الخطية المستنيرة علي المشاركة وفقا لإعلان هلسنكي.
1. اختيار العوامل المرتبطة بالضعف المعرفي الخفيف
- البحث عن المصطلحات المتعلقة MCI للاستخدام في الفرز كوكرين مراجعات منهجيه (علي سبيل المثال ، الاعاقه المعرفية ، والخرف ، وعوامل الخطر ، وما إلى ذلك).
- البحث عن المصطلحات التي هناك بعض الادله علي وجود علاقة مع التدهور المعرفي أو الخرف المنشورة في قاعده البيانات PubMed; وتشمل هذه العوامل الديمغرافية (الجنس والسن والمستوي التعليمي والوضع الاقتصادي) ، والعوامل الاجتماعية (الانشطه المعرفية والاجتماعية) ، والامراض المزمنة (الكوليسترول ، والاكتئاب ، وارتفاع ضغط الدم ، والسكري ، والسمنة) ، وسلوكيات نمط الحياة (الكحول الاستهلاك ، وعاده التدخين ، والنظام الغذائي ، والنشاط البدني ، وساعات النوم).
- حساب نسبه الاحتمالات للمتغيرات النوعية أو حجم تاثير كوهين d للمتغيرات الكمية15. حدد المتغيرات ذات احجام تاثير أكبر للتدهور المعرفي أو الخرف لاستخدامها في اعداد استبيان.
2-تصميم الاستبيانات
- تصميم استبيان لجمع المعلومات حول المتغيرات المحددة ، وفقا للمبادئ التوجيهية التي قدمها Nardi16. علي سبيل المثال ، المتغيرات المستخدمة في Climent et al.5 كانت الديموغرافية (العمر والوزن والطول [تقاس بإجراءات موحده باستخدام مقاييس معايره و ستاديوميتيرس] ، والجنس ، ومستوي التعليم ، ونوع العمل) ، ونمط الحياة (التمارين الرياضية ، والقراءة ، والوقت المستغرق في النوم بين عشيه وضحيها ، والغاز ، وألعاب ، الاضافه إلى ذلك ، تسجيل وجود أو غياب الاكتئاب ، والتي غالبا ما ترتبط بالتدهور المعرفي.
- تصميم ورقه متابعه العلاج الدوائي للإبلاغ عن جميع الادويه التي يستهلكها المشاركون في وقت المقابلة ، كما هو الأمر في Climent et al.5، والتي استخدمت أسلوب dader17 لتصميم هذه الورقة.
3. اختيار الاختبارات لفحص MCI
- تحديد جميع الاختبارات المستخدمة لفحص MCI التي يمكن ان تدار من قبل العاملين في مجال الرعاية الصحية الاوليه (علي سبيل المثال ، الصيادلة). رفض اي اختبارات يجب ان تدار من قبل اخصائي. بعض الاختبارات التي تستوفي هذه الشروط هي القصيرة المحمولة الحالة العقلية الاستبيان (spmsq)18، مصغره فحص الحالة العقلية (Mmse)19، شاشه ضعف الذاكرة (MIS)20، صوره ضعف الذاكرة الشاشة (pmis)21، مونتريال التقييم المعرفي (moca)22، جامعه سانت لويس الوضع العقلي (الاحياء الفقيرة)23، والضعف الإدراكي السريع خفيفه (qmci)24. وهناك استعراض شامل لكل اختبار MCI متاح في كولين وآخرون25.
- البحث عن تقدير جيد لحساسيات الاختبار وخصوصيتاته في الأدبيات العلمية.
- تقدير الوقت اللازم لأداره هذه الاختبارات للافراد الأصحاء.
- النظر في خصائص المريض الاساسيه المطلوبة لاستكمال هذه الاختبارات. علي سبيل المثال ، قد يكون الحد الأدنى لمستوي التعليم ضروريا لان العديد من اختبارات MCI غير مناسبه للمشاركين الأميين. يتم عاده تطبيق مجموعه من اختبارات الفحص MCI لزيادة الحساسية; ومع ذلك ، يجب ان تدار الحد الأدنى من الاختبارات بسرعة من قبل الصيادلة إذا كان الفحص الانتقائي النهائي هو المقصود لعدد كبير من السكان. وقامت climent et al.5 بتقييم MCI باستخدام اختبارات MMSE و SPMSQ ، وكانت هذه الاخيره مناسبه للعدد الكبير من الافراد الذين عاشوا خلال الحرب الاهليه الاسبانيه الأميين.
- استخدام البديل من SPMSQ بواسطة فايفر18 تم التحقق من صحتها باللغة الاسبانيه مارتينيز دي لا ايجلزيا26. هذا الاختبار لديه درجه قصوى من 10 ونقطه التوقف لتحديد العجز المعرفي هو 3 أو أكثر من الأخطاء (4 أو أكثر للافراد الأميين). يستغرق إكمال هذا الاختبار ما بين 8 و 10 دقائق.
- استخدام إصدار NORMACODERM من MMSE التحقق من صحة للمتحدثين الاسبانيه بواسطة Blesa27 عن طريق تكييف النسخة الاصليه من قبل folstein19. ويبلغ الحد الأقصى لاختبار الفحص 30 ويتم تصحيحه وفقا لسنوات المرضي من الدراسة والاعمار. المشاركون الذين يسجلون اقل من أو يساوي 24 يعتبرون حالات MCI. و MMSE هو مقياس للوظيفة المعرفية العامة ويشمل التوجه إلى الزمان والمكان ، واللغة المكتوبة والمنطوقة ، ومدي الاهتمام ، والحساب ، والذاكرة. وكان يدار لجميع المشاركين في هذه الدراسة لأنه هو اختبار قصير جدا الذي يستغرق سوي حوالي 5 دقائق لإكمال.
4-التوظيف الخاضع للتعيين
- البحث عن الصيادلة الراغبين في توظيف الأشخاص غير المؤسسين لتشكيل الدراسة السكانية. وشملت الدراسة المذكورة من قبل Climent et al.5 الناس الذين تتراوح أعمارهم بين 65 سنه أو أكثر الذي ذهب بانتظام إلى الصيدلية والذين وافقوا علي المشاركة في هذه الدراسة. استبعاد المرضي الذين يعانون من اي صعوبة في اجراء هذه الاختبارات التقييم (علي سبيل المثال ، بسبب العمي ، والصمم ، وما إلى ذلك) أو الذي كان يعالج بالفعل من الخرف.
- تزويد الصيادلة المشاركين باستمارات الموافقة المستنيرة ، والتي يجب ان يستكملها كل فرد يشارك في الدراسة. وتحدد استمارة الموافقة هذه عنوان البحث ، وأهداف المشروع ، وشرحا مفهوما لجميع الإجراءات التي سيشارك فيها المشارك ، وعدم وجود مخاطر محدده ، وسريه جميع البيانات المجمعة ، الحق في الانسحاب من الدراسة لأي سبب من الأسباب في اي وقت.
- تدريب الصيادلة لأداره المقابلات الشخصية المنظمة للمشاركين ، والتي ينبغي ان تستمر حوالي نصف ساعة للشخص الواحد. جمع البيانات لمده سنه واحده وإرسال جميع النماذج إلى الباحثين المسؤولين عن حماية البيانات في الدراسة. بعد ذلك متابعه مع المرضي لمده 3 أشهر.
- إرشاد الصيادلة كيفيه التعرف علي حاله MCI محتمله باستخدام اختبارات MCI. استنادا إلى Climent et al.5 استخدمنا SPMSQ عشرات من 4 نقاط أو أكثر (للمشاركين الأميين) أو 3 أو أكثر من النقاط للمشاركين الآخرين وعشرات من 24 نقطه أو اقل كانت تستخدم في اختبار mmse المصحح.
- إرشاد الصيادلة حول كيفيه أحاله حالات MCI إلى اخصائي طبي (طبيب أعصاب) لتشخيصهم السريري-الخطوة الاخيره في المخطط الانسيابي المستخدم في هذه الدراسة البحثية (الشكل 1).
الشكل 1: مخطط بياني للدراسة البحثية والفرز الانتقائي المقترح. يمثل الجانب الأيسر الدراسة الاوليه التي تم تحليل بياناتها باستخدام تقنيات التعلم الألى لاقتراح الفحص الانتقائي للكشف المبكر عن MCI الظاهر في اللوحة اليمني. تم تعديل هذا الرقم من Climent34. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.
5. تدريب الباحث الصيدلي
- الاتصال بالمتخصصين لتنظيم دورات لتدريب الصيادلة المشاركين في المعرفة الاساسيه المتعلقة بالاعاقه المعرفية وفي أداره أدوات الفحص ، علي سبيل المثال ، SPMSQ و MMSE.
- التاكد من ان الصيادلة المشاركين علي علم بالإجراءات ، وبروتوكول جمع البيانات ، وجميع القضايا المحتملة المتعلقة بحماية البيانات. إبلاغهم ان المشروع تمت الموافقة عليه من قبل لجنه أخلاقيات البحث واهميه نموذج الموافقة وفقا لإعلان هلسنكي.
ملاحظه: لتنفيذ الدراسة التي وصفتها Climent et al.5، عقدت حلقات عمل في الكلية الرسمية للصيادلة وجامعه كاردينال-هيريرا ceu ، وغطيت ما يلي: MCI والخرف. نهج التشخيص إلى MCI وأداره SPMQP و MMSE (تدرس من قبل دائره الأعصاب في مستشفي لا بلانا في كاستيلون) ؛ عرض المشروع وشرح المنهجية من قبل كبار الباحثين الصيدلي المجتمع; والتثقيف الصحي والتدريب المعرفي من قبل الباحثين من قسم الصيدلة في جامعه أوش-CEU.
6. تصميم الدراسة
- حساب حجم العينة لتقييم جدوى المشروع. لان هذه كانت دراسة المراقبة ، عينه أكبر سوف تنتج أدوات أكثر فعاليه. هناك طريقتان لتحديد حجم العينة: واحد يستند إلى تقدير انتشار والاخر هو أكثر دقه ، مع الأخذ في الاعتبار احجام تاثير.
- حساب تقدير دقيق لمدي انتشار الحالة بين السكان
حيث α هو مستوي الاهميه ، p0 هو التقدير الاولي والخطا هو الحد الأقصى للخطا المتوقع مع 100 (1-α)% الثقة. - وفقا لتاثير الاحجام الموجودة في الأدب لكل عامل ، استخدم أدوات مثل حزمه pwr في R لتقدير مقدار الطاقة المطلوبة للكشف عن الاختلافات15،28.
ملاحظه: علي سبيل المثال ، في دراستنا5 صممنا الاقتراح الأول مع خطا بنسبه 3 ٪ في 95 ٪ الثقة وتقدير اولي لانتشار MCI في 15 ٪ في السكان الذين تتراوح أعمارهم بين 65 سنه أو أكثر ، مما ادي إلى حجم العينة المطلوبة المقدرة من 541 الافراد.
- حساب تقدير دقيق لمدي انتشار الحالة بين السكان
7. شبكه الاتصالات متعددة التخصصات ، الصيادلة ، أطباء الرعاية الصحية الاوليه ، والمتخصصين
- تصميم الرسائل لتوصيل المعلومات حول المشروع إلى مراكز الرعاية الصحية المعنية.
- شرح للمشاركين الصيادلة كيفيه إبلاغ الأطباء المعينين عن نتائج العروض من خلال رسالة إلى مركز الرعاية الصحية الاوليه.
- إرسال رسائل خطيه إلى المنسقين الطبيين لمراكز الرعاية الصحية المتعلقة بالصيدليات المشاركة وخدمات طب الأعصاب في المستشفيات التي يتم تعيينهم فيها.
- اتصل بأطباء الأعصاب المشاركين لمعرفه التشخيص النهائي للمريض الذي يتم الحصول عليه من خلال اختبارات محدده يقوم بها مقدمو الرعاية الصحية المتخصصون. وقبل ذلك ، ينبغي لمقدمي الرعاية الصحية الاوليه تنفيذ البروتوكول التالي ، علي النحو الموجز في المبادئ التوجيهية السريرية (الشكل 2).
الشكل 2: بروتوكول إجراءات الرعاية الصحية الاوليه. مثال علي إجراءات الرعاية الصحية الاوليه التي ينبغي النظر فيها للكشف المبكر عن MCI قبل أحاله المريض للتشخيص الطبي من قبل المتخصصين. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.
8-التحليل الإحصائي والتجهيز المسبق
ملاحظه: قبل تطبيق تقنيات التعلم الألى ، يلزم اتخاذ خطوه تحضيريه لتحويل البيانات الاصليه إلى مجموعه بيانات جديده وفقا لهدف الدراسة النهائي والإجراءات التي يتعين تطبيقها. لهذا التحول ، ينبغي النظر في عده أمور ، بما في ذلك خصائص الخوارزميات. وذلك لان بعضها حساس لعدم التنوع أو تبادل المعلومات عبر الاعمده ، علي الرغم من ان الخوارزميات المستخدمة لتوليد أشجار القرارات قويه بشكل خاص ضد هذه المشاكل. تهدف هذه المرحلة الاوليه إلى تصنيف المتغيرات النوعية وجمع القيم مع الحالات الكافية لكل متغير. للفحص الفعال من المهم اختيار المتغيرات التي ثبت ان حيازتها سهله ودقيقه. يتم اختيار المشاركين من خلال مقابله قصيرة حيث تم تقييد الخوارزميات المستخدمة في نموذج المربع الأبيض ، مما يجعل من السهل التحقق من المعايير المستخدمة لتحديد ما إذا كان يجب علي الفرد ان ياخذ الاختبار. نقترح استخدام حزمه ربارت29 في برنامج R لهذه الخوارزميات ، وتنفيذ تقسيم العوديه.
- جمع جميع النماذج من الصيدليات المشاركة وتحويلها إلى جدول فيه كل عمود هو متغير وكل فرد المشاركة هو صف.
- تعيين رقم تعريف لكل مشارك. احفظ رقم التعريف ومعلومات جهة الاتصال في مستند مختلف بحيث لا يتم استخدامه من قبل خوارزميه التعلم الألى.
- توليد المتغيرات لتصنيف ما إذا كان كل دواء ياخذ المريض يتوافق مع الثانية أو الثالثة ATC30 (الكيميائية العلاجية التشريحية) رموز مستوي ، وفقا للمكونات الرئيسية النشطة علي ورقه متابعه العلاج الدوائي.
- قم باجراء تحليل وصفي اولي.
- لكل متغير ترتيبي ، اختر تباينا مناسبا للمتغير. بالنسبة للمتغيرات القطعية ، حدد القيمة التي تعتبر الأساس.
- بالنسبة للمتغيرات القطعية ، احسب الانحدار اللوجستي أحادي المتغيرات مع متغير استجابه للفحص ل MCI. تحليل نتيجة الانحدار مع جدول الطوارئ ، والقيمة p، ونسبه الاحتمالات العينة ، والفاصل الزمني للثقة 95 ٪ من نسبه الاحتمالات.
- بالنسبة للمتغيرات الكمية ، احسب المتوسط ، الانحراف المعياري ، معامل الانحدار اللوجستي ، وفاصل الثقة 95% لمعاملاتهم.
- رفض المتغيرات التي تحتوي علي قيم مفقوده (غير متوفرة) ، مع الأخذ في الاعتبار هذه المتغيرات من الصعب جمعها بدقه.
- حدد فقط المتغيرات التي توجد علي الأقل فئة هامه من الناحية الاحصائيه (α < 0.01) وفقا لتحليل الانحدار اللوجستي. وتنتج نتيجة هذه الخطوة مجموعه بيانات مخفضه مقارنه بالعدد الاولي.
9. خوارزميات لإنشاء شجره القرار
ملاحظه: خوارزميات التعلم الألى يجب ان تكون معلمات بشكل صحيح للتنبؤ الافراد الذين من المحتمل ان يكون نتيجة اختبار MCI موجبه. واحده من المشاكل الرئيسية في حين فحص لشرط هو ان البيانات الاصليه من المتوقع ان تكون غير متوازنة (اي ، عدد قليل من الحالات الايجابيه مقارنه بالسلبيات). للحصول علي نماذج مع بيانات متوازنة استخدمنا تقنيه تسمي أسفل-أخذ العينات ، أو أخذ عينات عشوائية ، لمعادله التردد مع ان من فئة الترددات الدنيا31. كما يتطلب الفحص الفعال تقليل عدد السلبيات الزائفة قدر الإمكان (اي زيادة حساسية اختيار المشاركين الذين يعانون من MCI). واحده من التقنيات المستخدمة لتحقيق حساسية أكبر هو إدخال العقوبات في حساب مؤشر الشوائب جيني (اي المؤشر المستخدم من قبل الخوارزميه لاختيار أفضل تقسيم لشجره القرار)32.
- إنشاء تدريب واختبار مجموعه البيانات مع 80% و 20% من مجموعه البيانات بالبالكامل ، علي التوالي باستخدام الدالة كريتيايداتابارتيتيون في مكتبه الإقحام33.
- تطبيق الخوارزميات المستخدمة لإنشاء أشجار القرار إلى مجموعه بيانات التدريب. استخدام القطار مره أخرى الدالة في مكتبه الإقحام33. الخطوات التالية هي معلمات مختلفه من الدالة; علي سبيل المثال ، تم إنشاء الشجرة المستخدمة في هذه الورقة مع ربارت29 (أسلوب = "ربارت") ، ولكن خوارزميات أخرى متوفرة.
- حدد أسلوب أخذ العينات ' لأسفل أخذ العينات ' واعرض عينه = "أسفل" المعلمة في علامة الإقحام.
- تعيين الاحتمالات السابقة لكلا الفئتين.
- (ب) تقديم مصفوفة خسائر بالجزاءات المطبقة في مؤشر جيني لقياس الشوائب من أجل التركيز علي الحساسية المتزايدة.
- لكل معلمه في الخوارزميه ، اختر شبكه مناسبه من القيم.
- استخدم تقدير التحقق من الصحة التبادلية لقيم منحني التشغيل المتلقي (ROC) لتحديد أفضل النماذج داخل شبكه المعلمة.
- احسب مصفوفة الارتباك والمنطقة الواقعة تحت منحني ROC (اوك) للتنبؤ بمجموعه الاختبار لتقييم الأداء الحقيقي للنموذج.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
جمعت الصيدليات المشاركة بيانات من 728 مستخدم وجمعت المتغيرات الديموغرافية بالاضافه إلى الادويه الموصوفة للمشاركين. تم اجراء الانحدار اللوجستي الأحادي المتغير لكافة المتغيرات34; الرسوم البيانية لشريط الخطا المبينة في الشكل 3 والشكل 4 هي تمثيلات رسوميه مريحه لفاصل الثقة في نسبه الاحتمالات (للمتغيرات النوعية) وفاصل الثقة لمعامل الانحدار اللوجستي (للمتغيرات الكمية). تم اختيار المتغيرات ذات القيم pالتي تتجاوز 0.01 (الجنس ، العمر ، مستوي التعليم ، عاده القراءة ، الوقت المستغرق في النوم ، الاكتئاب ، وشكاوى الذاكرة) واستخدامها لتوليد نموذج المربع الأبيض استنادا إلى شجره القرار. تم إنشاء شجره القرار هذه باستخدام مجموعه بيانات التدريب التي تضم 583 فرد كمدخل وتم التحقق من صحتها من خلال مجموعه اختباريه مؤلفه من 145 مشاركا.
بعد استخدام الإقحام33 مكتبه في R ، الشجرة الناتجة تعيين احتمال المعاناة MCI لكل فرد اعتمادا علي عقده النهائي في الشجرة (يصور في الشكل 5) ، فضلا عن إجاباتهم علي بعض الاسئله. ولتقييم قدره التنبؤ بهذه الاحتمالات ، اجري تحليل لمجموعه الاختبارات (ROC) (الشكل 6) ؛ ه [اوك] كان 0.763 وكان ه [95%] ثقة فتره كان (0.6624, 0.8632). بالاضافه إلى الاحتمالات ، فان الشجرة المبينة في الشكل 5 تستخدم أيضا اسئله بسيطه جدا حول المدة التي ينام فيها الشخص وعدد مرات قراءتها ، للتوصية (مع حساسية 0.76 وخصوصية 0.70) ما إذا كان المرضي يجب ان ياخذوا اختبارات MCI.
باستخدام هذا القرار شجره ومقابله قصيرة لاختيار المستخدمين المعرضين للخطر من MCI تمكنا من خفض كبير في عدد المرضي الذين يحتاجون إلى اختبارات MCI (الاداره تستغرق وقتا طويلا جدا). ويمكن تقدير هذا التخفيض باستخدام البيانات الواردة في مجموعه الاختبارات وتفسير مصفوفة الارتباك الخاصة بالفئات الملحوظة والمتوقعة المبينة في الجدول 1. وفي هذا العمل ، حددت شجره القرارات 55 من بين 145 مشاركا في مجموعه الاختبارات لاجراء مزيد من اختبارات MCI ، (وهو ما يمثل انخفاضا بنسبه 62 في المائة من المستخدمين الذين أخذوا الاختبارات) بينما اختاروا أيضا معظم الافراد (19 من أصل 25) كانوا إيجابيين بالنسبة إلى MCI.
الشكل 3: مثال للمتغيرات المحددة اثناء المعالجة المسبقة. تم حساب فاصل الثقة 99% من نسبه الاحتمالات ويتم تمثيله كشريط خطا. يتم الاشاره إلى القيمة الاساسيه للتراجع اللوجستي أسفل اسم المتغير في اعلي كل لوحه. لكل قيمه من المتغير ، يمثل شريط خطا الفاصل الزمني للثقة نسبه الاحتمالات من أخذ هذه القيمة مقابل أخذ القيمة الاساسيه. لأنه تم تحديد المتغيرات المستخدمة لإنشاء الشجرة ، لا تتضمن فواصل الثقة القيمة 0 لبعض القيم كما أظهرت هذه الاختلافات الهامه. مقياس المحور العمودي لوغاريتمي للمساعدة في المقارنات عبر المجموعات. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.
الشكل 4: مثال للمتغيرات غير المحددة اثناء المعالجة المسبقة. تم حساب الفاصل الزمني للثقة 99% من نسبه الاحتمالات ويتم تمثيله بشريط خطا. يتم الاشاره إلى القيمة الاساسيه للتراجع اللوجستي أسفل اسم المتغير في اعلي كل لوحه. لكل قيمه من المتغير ، يمثل شريط خطا الفاصل الزمني للثقة نسبه الاحتمالات من أخذ هذه القيمة مقابل أخذ القيمة الاساسيه. وعلي النقيض من الرقم السابق ، تتضمن كافة فواصل الثقة الخاصة بالمتغيرات المحددة القيمة 0 ، حيث لم يتم العثور علي اختلافات كبيره ليتم تضمينها لإنشاء الشجرة. مقياس المحور العمودي لوغاريتمي للمساعدة في المقارنة بين المجموعات. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.
الشكل 5: شجره التقسيم المقترحة لاختيار مستخدمي الصيدليات. تظهر الشجرة التالية خوارزميه التحديد لاختبارات MCI للافراد الذين تزيد أعمارهم عن 65 سنه. يتوافق النص الموجود في اعلي المربع مع التوصية باجراء اختبارات الفحص MCI ، والرقمان أدناه هما الاحتمال التقديري لنتيجة اختبار MCI سالبه أو موجبه ، علي التوالي. القيمة الموجودة في الجزء السفلي من المربع هي النسبة المئوية للافراد الذين لديهم هذه الخصائص في مجموعه التدريب. الأكثر دفئا لون المربع ، والأرجح ان الاختبارات MCI كانت ايجابيه. تتطابق العقدة العليا مع السؤال حول ما إذا كان لدي المشارك شكوى في الذاكرة ام لا. إذا كان الفرد ليس لديه شكوى الذاكرة, الشجرة يؤدي إلى الفرع الأيسر والاسئله التالية تسال عن الجنس الفرد; وسئل المرضي الذين يعانون من شكوى الذاكرة عن مقدار الوقت الذي ينامون في اليوم الواحد. تم تعديل هذا الرقم من Climent34. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.
الشكل 6: منحنيات تشغيل المستقبل لشجره التقسيم وحساسية وخصوصية القرار النهائي في مجموعه الاختبار. يمثل الرسم البياني منحني ROC للاحتمالات المعينة بواسطة خوارزميه شجره القسم في مجموعه الاختبار. يماثل السطح حمراء إلى ال [اوك] والنقطة زرقاء علي المنحني يبدي الحساسية وخصوصية من التوصية نهائيه يجعل بالشجرة. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.
| مرجع | |||
| لا | نعم | ||
| التنبؤ | لا | 84 | 6 |
| نعم | 36 | 19 | |
الجدول 1: مصفوفة الارتباك. مصفوفة الارتباك للقيم المتوقعة والملاحظة في مجموعه الاختبار التي استخدمت للتحقق من صحة النموذج المقترح.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
بعد البحث عن المصطلحات المرتبطة MCI في دراسات كوكرين في قاعده البيانات PubMed ، تم إنشاء استبيان محدد لهذه الدراسة التي استخدمت المتغيرات الأكثر وضوحا مع ارتباط ثبت مع MCI. كما تم تسجيل العوامل الديموغرافية ، ونمط الحياة ، والاجتماعية ، فضلا عن العلاج الدوائي للمريض وبعض الامراض ذات الصلة. بالاضافه إلى ذلك ، تم أيضا تحديد الاختبارات SPMSQ و MMSE MCI. والاهم من ذلك ان المدرسة لم تتاثر بمستوي المشاركين في التعليم. وتم تدريب الصيادلة علي أداره هذه الدراسة ، وتم ضمان الاتصال بالرعاية الاوليه والمتخصصة عن طريق الرسائل التي تخطرهم بهذا العمل. فقط مقدمي الرعاية الصحية المتخصصة يمكن ان تجعل بشكل نهائي تشخيص إذا كان يشتبه MCI نتيجة لهذه الاختبارات.
في الختام ، في هذه الدراسة فحصنا ل MCI بين السكان مع انخفاض انتشار الحالة (17 ٪). لقد قمنا بتصميم مجموعه من معايير الاختيار للاستخدام مع تقنيات التعلم الألى ، والتي زادت من النسبة المئوية لإيجابيات MCI إلى أكثر من 30% بين المستخدمين المحددين. التالي ، فان هذه الاداات تساعد علي زيادة كفاءه الفحص وتخفض إلى حد كبير تكلفه الفحص الجماعي بين مجموعه السكان التي تختارها شجره القرارات.
والحد من هذه الطريقة هو ان شجره القرارات قد تصبح غير صالحه في هذه المجموعة المحددة مع تغيرات السكان التالي ، من المحتمل ان تتطلب تحديثات دوريه. فعلي سبيل المثال ، كان العديد من الافراد في هذه الفئة من السكان أميين ، ولكن عدد الافراد الأميين الذين تزيد أعمارهم علي 65 سنه سينخفض في المستقبل. ستؤثر هذه التغيرات الديمغرافية علي المتغيرات المتعلقة بالقراءة ستتطلب أعاده المعايرة في المستقبل لشجره القرار.
ومن اللافت للانتباه ان هذا النموذج القائم علي البيانات قدم معلومات عن أهم المتغيرات (من بين المئات) في بناء نموذج موجز ولكنه زاخر بالمعلومات وفعال. بناء شجره القرارات يوفر نظره ثاقبه علي أفضل المتغيرات للتركيز عليها ، وهو طريقه فعاله من حيث التكلفة للمساعدة في اختيار الأشخاص الذين يتم التوصية بالمزيد من اختبارات MCI الخاصة بهم ويعزز معرفتنا بهؤلاء السكان في هذا السياق.
لزيادة معدل الكشف عن النسبة المئوية المستقبلية لل MCI ، سنحتاج إلى تقنيات جديده فعاله من حيث التكلفة والتي يمكن ان تضمن زيادة الفعالية. وهذا البروتوكول يستغرق وقتا طويلا ويصعب علي الصيادلة الاندماج في عملهم اليومي. التالي ، يمكن النظر في اختبارات أخرى مثل MoCA22 أو الاحياء الفقيرة23 (مع كل من الحساسية الكافية والخصوصية) لسرعه الكشف عن MCI في المستقبل.
ومن شان اجراء تقييم منهجي لعمليه المقايضة بين الخصوصية ومده الاختبار ان يحسن فعاليه مجموعه اختبارات MCI المستخدمة في الفحص. وعلاوة علي ذلك ، ينبغي ان يكون للمتغيرات الكمية ذات الصلة المدرجة في الدراسة نطاق واسع بحيث يمكن اختيار القطع الفعال بالنسبة لها ؛ نطاق ضيق من شانه ان يستبعد جزءا كبيرا من السكان من الكشف المبكر. فعلي سبيل المثال ، لم يعتبر المتغير العمري (الذي يعتبر دائما معيارا هاما في تشخيصات MCI) ذا صله بالموضوع في شجره القرارات هذه لان معايير التوظيف (العمر أكثر من 65 سنه) كانت متحفظة جدا ؛ ادراج الافراد الأصغر سنا في دراسة مستقبليه من شانه ان يسمح بحساب السن الأمثل للبدء في فحص MCI.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
وليس لدي المؤلفين ما يفصحون عنه.
Acknowledgments
وقد تسني هذا العمل بدعم من مؤسسه التعرف علي مرض الزهايمر والمساعدة من خدمه إنتاج الوسائط المتعددة في جامعه CEU Cardenal هيريرا ، وخاصه انريكي جينير. ونود ان نعترف بعمل جميع الصيدليات المشاركة (SEFAC) ، والأطباء المتعاونين من جمعيه أطباء الرعاية الاوليه (SEMERGEN) وجمعيه الأعصاب (SVN) الذين ساعدوا في تشخيص MCI ، وخاصه فيسنتي Gassull ، رافائيل سانشيز ، وجوردي بيريز. وأخيرا ، نشكر جميع الذين وافقوا علي المشاركة في هذه الدراسة.
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).
