Waiting
Login processing...

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

Behavior

हल्के संज्ञानात्मक हानि की एक कुशल चयनात्मक स्क्रीनिंग डिजाइन करने के लिए एक मशीन लर्निंग दृष्टिकोण

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

यह पद्धति निर्णय पेड़ पैदा करती है जो जनसंख्या समूहों को हल्के संज्ञानात्मक हानि से पीड़ित होने के लिए अधिक प्रवण लक्षित करती है और रोग की लागत प्रभावी चयनात्मक स्क्रीनिंग के लिए उपयोगी होती है।

Abstract

हल्के संज्ञानात्मक हानि (एमसीआई) बुजुर्ग आबादी के बीच पागलपन का पहला संकेत है और इसकी जल्दी पता लगाने हमारे बुढ़ापे समाजों में महत्वपूर्ण है । आम एमसीआई परीक्षण समय लेने वाले ऐसे हैं कि अंधाधुंध बड़े पैमाने पर स्क्रीनिंग लागत प्रभावी नहीं होगी । यहां, हम एक प्रोटोकॉल का वर्णन करते हैं जो प्रश्न-आधारित एमसीआई परीक्षण के माध्यम से आगे की स्क्रीनिंग के लिए उम्मीदवारों का चयन करने के लिए मशीन लर्निंग तकनीकों का उपयोग करता है। यह स्क्रीनिंग के लिए आवश्यक संसाधनों की संख्या को कम करता है क्योंकि केवल वे रोगियों का परीक्षण किया जाता है जो संभावित रूप से एमसीआई सकारात्मक होते हैं, उनका आगे परीक्षण किया जाता है ।

इस पद्धति को एक प्रारंभिक एमसीआई अनुसंधान अध्ययन में लागू किया गया था जिसने चयनात्मक स्क्रीनिंग निर्णय पेड़ के डिजाइन के लिए प्रारंभिक बिंदु का गठन किया था। प्रारंभिक अध्ययन कई जनसांख्यिकीय और जीवन शैली चर के रूप में के रूप में अच्छी तरह से रोगी दवाओं के बारे में विवरण एकत्र किए । एमसीआई के संभावित मामलों का पता लगाने के लिए शॉर्ट पोर्टेबल मेंटल स्टेटस प्रश्नावली (एसपीएमक्यू) और मिनी-मेंटल स्टेट एग्जामिनेशन (एमएमएसई) का इस्तेमाल किया गया । अंत में, हमने एमसीआई के जोखिम वाले व्यक्तियों को वर्गीकृत करने के लिए एक कुशल प्रक्रिया डिजाइन करने के लिए इस विधि का उपयोग किया। यह काम एमसीआई से जुड़े जीवनशैली से संबंधित कारकों में भी अंतर्दृष्टि प्रदान करता है जिन्हें बुजुर्ग आबादी के बीच एमसीआई की रोकथाम और जल्दी पता लगाने में लाभ उठाया जा सकता है।

Introduction

जनसंख्या उम्र बढ़ने से पुरानी और अपक्षयी बीमारियों की व्यापकता बढ़ रही है, विशेष रूप से अपक्षयी डिमेंशिया, जो 20501तक दुनिया भर में 131 मिलियन से अधिक लोगों को प्रभावित करने की उम्मीद कर रहे हैं। सभी अपक्षयी मनोभ्रंश के बीच, अल्जाइमर रोग (विज्ञापन) ६.८८%2के यूरोप में एक समग्र व्यापकता के साथ सबसे आम है । विज्ञापन रोगियों की लगातार घटती स्वतंत्रता के कारण, विज्ञापन प्रकट होने के साथ ही इस समूह को समर्थन मिलना शुरू कर देना चाहिए। इसलिए, हल्के संज्ञानात्मक हानि (एमसीआई) जैसे विज्ञापन के प्रोड्रोमल संकेतों का शीघ्र पता लगाना आवश्यक है।

एमसीआई को सामान्य उम्र बढ़ने और डिमेंशिया3के कारण गंभीर गिरावट के अनुरूप मध्यवर्ती संज्ञानात्मक गिरावट चरण के रूप में परिभाषित किया गया है । पीटरसन एट अल4के अनुमानों के अनुसार, एमसीआई की व्यापकता 65-69 वर्ष की आयु के लोगों के बीच ८.४% है और ८० वर्ष से अधिक आयु वर्ग के लोगों के लिए २५.२% तक पहुंच जाती है । एमसीआई के परिणामस्वरूप कम स्तर के संज्ञानात्मक कौशल के निष्पादन में उम्मीद से अधिक कठिनाइयों का सामना करने वाले व्यक्तियों में, विशेष रूप से स्मृति और भाषा से संबंधित, लेकिन दैनिक जीवन की गतिविधियों में हस्तक्षेप नहीं करता है।

स्क्रीनिंग निदान का पर्याय नहीं है; एमसीआई का निदान हमेशा एक नैदानिक कार्य होगा जबकि स्क्रीनिंग विधियां केवल हमें सूचित कर सकती हैं कि एक रोगी को इस विकृति से पीड़ित होने की अधिक संभावना है और एमसीआई का एक अच्छी तरह से स्थापित संदेह है जिसकी चिकित्सकीय रूप से पुष्टि की जानी चाहिए। इसलिए, प्राथमिक स्वास्थ्य कार्यकर्ता (डॉक्टर, फार्मासिस्ट, नर्स, आदि) सरल स्क्रीनिंग विधियों (संक्षिप्त संज्ञानात्मक परीक्षण) की उपलब्धता से लाभान्वित हो सकते हैं जिन्हें मिनटों में लागू किया जा सकता है। आदर्श रूप में, ये निष्पक्ष रूप से एमसीआई पीड़ित होने की उच्च संभावना वाले रोगियों की पहचान करेंगे ताकि उन्हें सामान्य या विशेष चिकित्सकों द्वारा चिकित्सकीय रूप से परीक्षण किया जा सके।

यह देखते हुए कि एमसीआई का शीघ्र पता लगाना सार्वजनिक स्वास्थ्य के संदर्भ में एक आवश्यक कार्य बनता जा रहा है, इस काम का उद्देश्य यह पहचानना है कि बुजुर्ग आबादी के स्क्रीनिंग परीक्षणों में एमसीआई की लक्षित पहचान में कौन सी विशेषताएं उपयोगी हैं । इन समूहों तो और अधिक अच्छी तरह से प्राथमिक स्वास्थ्य देखभाल प्रदाताओं द्वारा प्रशासित परीक्षणों में एमसीआई के लिए परीक्षण किया जाएगा । यह पद्धति जनसंख्या समूहों को लक्षित करने के लिए उपयुक्त एल्गोरिदम के साथ एक निर्णय पेड़ प्रदान करती है।

इन विशेषताओं में से, उम्र इस विकृति के विकास से जुड़े सबसे सुसंगत कारकों में से एक है। अन्य प्रासंगिक विशेषताएं जनसांख्यिकी या जीवनशैली से संबंधित हैं5। बाद के बीच, कुछ अध्ययनों ने दिन या रात की नींद की अवधि को एक जोखिम कारक के रूप में पहचाना है जो एमसीआई5,6,7,8,9के निदान का कारण बन सकता है। 10,11पुराने वयस्कों के अनुमानित 20% -25% द्वारा खपत होने वाली बेंजोडाइज़ेपिन्स जैसी दवाओं की लंबे समय तक खपत, नींद के घंटों और एमसीआई12,13के विकास को भी प्रभावित कर सकती है। दरअसल, पुराने रोगों के लिए लंबे समय तक उपचार एमसीआई से पीड़ित होने का एक उच्च जोखिम के साथ व्यक्तियों के पूर्व चयन में उपयोगी महत्वपूर्ण विशेषताएं हो सकती हैं ।

यहां, हमने डेटा-आधारित मॉडल विकसित किए जो स्वचालित सीखने एल्गोरिदम, एक निर्णय पेड़ और एमसीआई का पता लगाने के लिए कार्यप्रणाली की दक्षता बढ़ाने के लिए एक भविष्य कहनेवाला उपकरण का उपयोग करते हैं जो विशेषताएं जल्दी में एक महत्वपूर्ण भूमिका निभाते हैं एमसीआई का पता लगाना। परिणामी निर्णय यहां प्रस्तुत पेड़ समुदाय फार्मेसियों का उपयोग कर स्पेनी रोगियों की एक विशिष्ट पलटन का उपयोग कर उत्पादन किया गया था । हालांकि, यह विधि विभिन्न विशेषताओं के साथ अन्य आबादी के बीच भी उपयोगी होगी।

यह काम प्राथमिक स्वास्थ्य देखभाल और विशेष चिकित्सा डॉक्टरों के सहयोग से पूरा किया गया था। सामुदायिक फार्मेसियों इस एल्गोरिदम का परीक्षण करने के लिए आदर्श थे क्योंकि वे रोगियों के करीब हैं, लंबे समय तक खुलने के घंटे हैं, और अक्सर दौरा और परामर्श किया जाता है। अपक्षयी डिमेंशिया जटिल स्थितियां हैं जो प्राथमिक स्वास्थ्य देखभालप्रदाताओंद्वारा हमेशा अच्छी तरह से नहीं समझी जाती हैं । इसलिए इस प्रक्रिया में शामिल होने से एमसीआई और डिमेंशिया से पीड़ित लोगों के बारे में जागरूकता बढ़ेगी।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

इस अध्ययन में लागू पद्धति पहले विश्वविद्यालय सीईयू कार्डेनल हेरेरा में किए गए काम में5 प्रकाशित की गई है, जो स्पेनिश सोसायटी ऑफ फैमिली एंड कम्युनिटी फार्मेसी (एसईएफएसी) से जुड़े वेलेंसिया (स्पेन) के क्षेत्र में सामुदायिक फार्मेसियों के साथ है। इस वर्तमान अध्ययन की समीक्षा की और Universidad CEU Cardenal Herrera (अनुमोदन नहीं) में अनुसंधान नैतिकता समिति द्वारा अनुमोदित किया गया था । मार्च २०११ में CEI11/001) । अध्ययन में शामिल सभी व्यक्तियों ने हेलसिंकी की घोषणा के अनुसार भागीदारी के लिए अपनी लिखित सूचित सहमति दी ।

1. हल्के संज्ञानात्मक हानि से जुड़े कारकों का चयन

  1. स्क्रीनिंग कोचराणे व्यवस्थित समीक्षा (जैसे, संज्ञानात्मक हानि, मनोभ्रंश, जोखिम कारक, आदि) में उपयोग के लिए एमसीआई से संबंधित शब्दों के लिए खोजें।
  2. उन शब्दों की खोज करें जिनके लिए प्यूमेड डेटाबेस में प्रकाशित संज्ञानात्मक गिरावट या डिमेंशिया के साथ संबंध के कुछ सबूत हैं; इनमें जनसांख्यिकीय कारक (सेक्स, आयु, शिक्षा स्तर और आर्थिक स्थिति), सामाजिक कारक (संज्ञानात्मक और सामाजिक गतिविधियां), पुरानी विकृतियां (कोलेस्ट्रॉल, अवसाद, उच्च रक्तचाप, मधुमेह और मोटापा), और जीवन शैली व्यवहार (शराब) शामिल हैं उपभोग, धूम्रपान की आदत, आहार, शारीरिक गतिविधि, और नींद के घंटे)।
  3. मात्रात्मक चर15के लिए गुणात्मक चर या कोहेन के डी प्रभाव आकार के लिए बाधाओं अनुपात की गणना करें । एक प्रश्नावली विस्तार में उपयोग के लिए संज्ञानात्मक गिरावट या मनोभ्रंश के लिए बड़े प्रभाव आकार के साथ चर का चयन करें।

2. प्रश्नावली का डिजाइन

  1. नार्डी16द्वारा प्रदान किए गए दिशा-निर्देशों का पालन करते हुए चयनित चरों के बारे में जानकारी एकत्र करने के लिए एक प्रश्नावली तैयार करें। उदाहरण के लिए, क्लेमेंट एट अल में उपयोग किएजाने वाले चर जनसांख्यिकीय (आयु, वजन, और ऊंचाई [अंशांकित तराजू और स्टेडियोमीटर का उपयोग करके मानकीकृत प्रक्रियाओं के साथ मापा जाता है], सेक्स, शिक्षा स्तर, और रोजगार प्रकार), जीवन शैली (शारीरिक व्यायाम, पढ़ना, समय रात भर और दिन के दौरान, पहेली, खेल, टीवी खपत का समय, और तंबाकू और शराब की खपत), और पुरानी विकृतियों (उच्च रक्तचाप, हाइपरलिपिडेमिया, और मधुमेह) । इसके अलावा, अवसाद की उपस्थिति या अनुपस्थिति को रिकॉर्ड करें, जो अक्सर संज्ञानात्मक गिरावट से जुड़ा होता है।
  2. साक्षात्कार के समय प्रतिभागियों द्वारा खपत की जाने वाली सभी दवाओं की रिपोर्ट करने के लिए एक फार्माकोथेरेपी अनुवर्ती शीट डिजाइन करें, जैसा कि क्लिमेंट एट अल5में है, जिसने इस शीट को डिजाइन करने के लिए दादर की विधि17 का उपयोग किया।

3. एमसीआई स्क्रीनिंग के लिए परीक्षणों का चयन

  1. एमसीआई के लिए स्क्रीन करने के लिए उपयोग किए जाने वाले सभी परीक्षणों का निर्धारण करें जो प्राथमिक स्वास्थ्य देखभाल कर्मियों (जैसे, फार्मासिस्ट) द्वारा प्रशासित किया जा सकता है। किसी भी परीक्षण को अस्वीकार करें जिसे विशेषज्ञ द्वारा प्रशासित किया जाना चाहिए। इन शर्तों को पूरा करने वाले कुछ परीक्षण लघु पोर्टेबल मानसिक राज्य प्रश्नावली (एसपीएमक्यू)18, मिनी मेंटल स्टेट एग्जामिनेशन (एमएमएसई)19, मेमोरी हानि स्क्रीन (एमआईएस)20,पिक्चर मेमोरी हानि स्क्रीन (पीएमआईएस)21,मॉन्ट्रियल संज्ञानात्मक मूल्यांकन (एमओसीए)22, सेंट लुइस विश्वविद्यालय मानसिक स्थिति (मलिन बस्तियां)23,और त्वरित हल्के संज्ञानात्मक हानि (Qmci)24हैं । प्रत्येक एमसीआई परीक्षण की एक विस्तृत समीक्षा Cullen एट अल25में उपलब्ध है ।
  2. वैज्ञानिक साहित्य में परीक्षण संवेदनशीलता और विशिष्टताओं का एक अच्छा अनुमान के लिए खोजें।
  3. स्वस्थ व्यक्तियों को इन परीक्षणों को प्रशासित करने के लिए आवश्यक समय का अनुमान लगाएं।
  4. इन परीक्षणों को पूरा करने के लिए आवश्यक बुनियादी रोगी विशेषताओं पर विचार करें। उदाहरण के लिए, न्यूनतम शिक्षा स्तर आवश्यक हो सकता है क्योंकि कई एमसीआई परीक्षण अनपढ़ प्रतिभागियों के लिए उपयुक्त नहीं हैं। एमसीआई स्क्रीनिंग परीक्षणों का एक सेट आमतौर पर संवेदनशीलता बढ़ाने के लिए लागू किया जाता है; हालांकि, परीक्षणों की न्यूनतम संख्या जल्दी फार्मासिस्ट द्वारा प्रशासित किया जाना चाहिए अगर अंतिम चयनात्मक स्क्रीनिंग एक बड़ी आबादी के लिए करना है । क्लेमेंट एट अल5 ने एमएमएसई और एसपीएमक्यू परीक्षणों का उपयोग करके एमसीआई का आकलन किया, बाद में स्पेनके गृहयुद्ध के माध्यम से रहने वाले व्यक्तियों की बड़ी संख्या के लिए उपयुक्त होने के साथ जो अनपढ़ हैं।
    1. Pfeiffer18 द्वारा एसपीएसक्यू के एक संस्करण का उपयोग मार्टिनेज डी ला इग्लेसिया26द्वारा स्पेनिश में मान्य किया गया था। इस परीक्षण में अधिकतम स्कोर 10 है और संज्ञानात्मक हानि स्थापित करने के लिए कट-ऑफ बिंदु 3 या अधिक त्रुटियां हैं (अनपढ़ व्यक्तियों के लिए 4 या अधिक)। इस टेस्ट को पूरा होने में 8 से 10 मिनट के बीच का समय लगता है।
    2. फोल्स्टीन19द्वारा मूल संस्करण को अनुकूल बनाकर ब्लेसा27 द्वारा स्पेनिश वक्ताओं के लिए मान्य एमएमएसई के नॉर्माकोडर्म संस्करण का उपयोग करें। इस स्क्रीनिंग टेस्ट में अधिकतम स्कोर 30 होता है और इसे मरीजों की साल की पढ़ाई और उम्र के हिसाब से ठीक किया जाता है । 24 से कम या बराबर स्कोर करने वाले प्रतिभागियों को एमसीआई के मामले माने जाते हैं। एमएमएसई सामान्य संज्ञानात्मक कार्य का एक उपाय है और इसमें समय और स्थान, लिखित और बोली जाने वाली भाषा, ध्यान अवधि, गणना और स्मृति के लिए अभिविन्यास शामिल है। यह इस अध्ययन में सभी प्रतिभागियों को प्रशासित किया गया था क्योंकि यह एक बहुत ही कम परीक्षण है जिसे पूरा करने में केवल 5 मिनट लगते हैं।

4. विषय भर्ती

  1. अध्ययन की आबादी बनाने के लिए गैर-संस्थागत लोगों की भर्ती करने के इच्छुक फार्मासिस्टों का पता लगाएं। क्लेमेंट एट अलद्वारा उल्लिखित अध्ययन 5 में ६५ वर्ष या उससे अधिक आयु के लोग शामिल थे जो नियमित रूप से फार्मेसी में गए और जो इस अध्ययन में भाग लेने के लिए सहमत हुए । इन मूल्यांकन परीक्षणों (उदाहरण के लिए, अंधापन, बहरापन, आदि के कारण) या जो पहले से ही पागलपन के लिए इलाज किया जा रहा था प्रदर्शन में किसी भी कठिनाई के साथ रोगियों को बाहर करें ।
  2. भाग लेने वाले फार्मासिस्टों को सूचित सहमति प्रपत्र प्रदान करें, जिन्हें अध्ययन में भाग लेने वाले प्रत्येक व्यक्ति द्वारा पूरा किया जाना चाहिए । यह सहमति फॉर्म अनुसंधान के शीर्षक, परियोजना के उद्देश्यों, सभी प्रक्रियाओं का एक बोधगम्य स्पष्टीकरण निर्दिष्ट करता है जो प्रतिभागी में भाग लेंगे, विशिष्ट जोखिमों का अभाव, सभी एकत्र किए गए डेटा की गोपनीयता, और किसी भी कारण से पढ़ाई से निकालने का अधिकार।
  3. प्रतिभागियों को संरचित व्यक्तिगत साक्षात्कार देने के लिए फार्मासिस्टों को प्रशिक्षित करें, जो प्रति व्यक्ति लगभग आधे घंटे तक चलें। 1 साल के लिए डेटा एकत्र करें और अध्ययन में डेटा संरक्षण के लिए जिम्मेदार शोधकर्ताओं को सभी रूपभेजें। बाद में 3 महीने के लिए रोगियों के साथ अनुवर्ती ।
  4. फार्मासिस्टों को निर्देश दें कि एमसीआई परीक्षणों का उपयोग करके संभावित एमसीआई मामले की पहचान कैसे की जाए। क्लेमेंट एट अल के आधार पर5 हमने 4 या उससे अधिक अंक (अनपढ़ प्रतिभागियों के लिए) या अन्य प्रतिभागियों के लिए 3 या अधिक अंक के SPMSQ स्कोर का उपयोग किया और सही एमएमएसई परीक्षण में 24 अंक या उससे कम अंक का उपयोग किया गया।
  5. फार्मासिस्टों को निर्देश दें कि एमसीआई के मामलों को उनके नैदानिक निदान के लिए एक चिकित्सा विशेषज्ञ (न्यूरोलॉजिस्ट) को कैसे संदर्भित करें- इस शोध अध्ययन में उपयोग किए जाने वाले प्रवाह चार्ट में अंतिम चरण(चित्रा 1)।

Figure 1
चित्रा 1: अनुसंधान अध्ययन और प्रस्तावित चयनात्मक स्क्रीनिंग के फ्लोचार्ट । बाईं ओर प्रारंभिक अध्ययन जिसका डेटा मशीन सीखने तकनीकों के साथ विश्लेषण किया गया सही पैनल में दिखाया एमसीआई के जल्दी पता लगाने के लिए चयनात्मक स्क्रीनिंग का प्रस्ताव का प्रतिनिधित्व करता है । इस आंकड़े को क्लिमेंट34से संशोधित किया गया था . कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

5. फार्मासिस्ट शोधकर्ता प्रशिक्षण

  1. संपर्क विशेषज्ञों संज्ञानात्मक हानि से संबंधित बुनियादी ज्ञान में भाग लेने वाले फार्मासिस्टों के प्रशिक्षण के लिए सत्र आयोजित करने के लिए और इसकी स्क्रीनिंग उपकरणों के प्रबंधन में, उदाहरण के लिए, SPMSQ और MMSE ।
  2. सुनिश्चित करें कि प्रतिभागी फार्मासिस्ट प्रक्रियाओं, डेटा संग्रह प्रोटोकॉल और डेटा संरक्षण से संबंधित सभी संभावित मुद्दों के बारे में जानते हैं। उन्हें सूचित करें कि इस परियोजना को एक अनुसंधान आचार समिति द्वारा अनुमोदित किया गया था और हेलसिंकी की घोषणा के अनुसार सहमति फॉर्म के महत्व का ।
    नोट: क्लेमेंट एट अल5द्वारा वर्णित अध्ययन करने के लिए, कार्यशालाओं फार्मासिस्ट के सरकारी कॉलेज और कार्डेनल-हेरेरा सीयू विश्वविद्यालय (UCH-CEU) में आयोजित किया गया, और निम्नलिखित कवर: एमसीआई और मनोभ्रंश; एसएमपीएमक्यूपी और एमएमएसई के एमसीआई और प्रबंधन के लिए नैदानिक दृष्टिकोण (कास्टेलोन में ला प्लाना अस्पताल में न्यूरोलॉजी सेवा द्वारा सिखाया गया); परियोजना प्रस्तुति और वरिष्ठ समुदाय फार्मासिस्ट शोधकर्ताओं द्वारा कार्यप्रणाली की व्याख्या; और स्वास्थ्य शिक्षा और यूच-सीईयू विश्वविद्यालय में फार्मेसी विभाग के शोधकर्ताओं द्वारा संज्ञानात्मक प्रशिक्षण ।

6. अध्ययन डिजाइन

  1. परियोजना की व्यवहार्यता का आकलन करने के लिए एक नमूना आकार की गणना करें। क्योंकि यह एक अवलोकन अध्ययन था, एक बड़ा नमूना अधिक प्रभावी उपकरण का उत्पादन करेगा । नमूना आकार निर्धारित करने के दो तरीके हैं: एक व्यापकता के अनुमान पर आधारित है और दूसरा प्रभाव आकार को ध्यान में रखते हुए अधिक सटीक है।
    1. जनसंख्या में स्थिति की व्यापकता के सटीक अनुमान की गणना करें



      जहां α महत्व स्तर है, पी0 प्रारंभिक अनुमान है और त्रुटि अधिकतम त्रुटि 100 (1 - α)% विश्वास के साथ अपेक्षित है।
    2. प्रत्येक कारक के लिए साहित्य में पाए जाने वाले प्रभाव आकारों के अनुसार,15,28मतभेदों का पता लगाने के लिए कितनी शक्ति की आवश्यकता है, यह अनुमान लगाने के लिए आर में पीडब्ल्यूआर पैकेज जैसे उपकरणों का उपयोग करें।
      नोट: उदाहरण के लिए, हमारेअध्ययन 5 में हमने 95% विश्वास पर 3% की त्रुटि और 65 वर्ष या उससे अधिक आयु की आबादी में 15% पर एमसीआई की व्यापकता का प्रारंभिक अनुमान के साथ पहला प्रस्ताव तैयार किया, जिसके परिणामस्वरूप 541 व्यक्तियों का अनुमानित आवश्यक नमूना आकार होता है।

7. अंतःविषय संचार नेटवर्क, फार्मासिस्ट, प्राथमिक स्वास्थ्य चिकित्सकों, और विशेषज्ञों

  1. डिजाइन पत्र शामिल स्वास्थ्य केंद्रों के लिए परियोजना के बारे में जानकारी संवाद करने के लिए ।
  2. भाग लेने वाले फार्मासिस्टों को समझाएं कि प्राथमिक स्वास्थ्य केंद्र को एक पत्र के माध्यम से स्क्रीनिंग के परिणामों के बारे में अपने सौंपे गए चिकित्सकों को कैसे सूचित किया जा सके।
  3. भाग लेने वाली फार्मेसियों से संबंधित स्वास्थ्य केंद्रों के चिकित्सा समन्वयकों को लिखित संचार भेजें और उन अस्पतालों की न्यूरोलॉजी सेवाओं को भेजें जिनके लिए उन्हें सौंपा गया है।
  4. विशेष स्वास्थ्य सेवा प्रदाताओं द्वारा किए गए विशिष्ट परीक्षणों के माध्यम से प्राप्त प्रत्येक रोगी के निश्चित निदान का पता लगाने के लिए भाग लेने वाले न्यूरोलॉजिस्ट से संपर्क करें। इससे पहले, प्राथमिक स्वास्थ्य सेवा प्रदाताओं को निम्नलिखित प्रोटोकॉल को पूरा करना चाहिए, जैसा कि नैदानिक दिशानिर्देशों(चित्र ा 2)द्वारा संक्षेप में किया गया है।

Figure 2
चित्रा 2: प्राथमिक स्वास्थ्य देखभाल कार्रवाई के लिए प्रोटोकॉल। प्राथमिक स्वास्थ्य कार्यों का एक उदाहरण है कि जल्दी एमसीआई का पता लगाने के लिए विचार किया जाना चाहिए इससे पहले कि रोगी विशेषज्ञों द्वारा एक चिकित्सा निदान के लिए भेजा जाता है । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

8. सांख्यिकीय विश्लेषण और पूर्वप्रसंस्करण

नोट: मशीन सीखने की तकनीक लागू करने से पहले अंतिम अध्ययन उद्देश्य और लागू की जाने वाली प्रक्रियाओं के अनुसार मूल डेटा को एक नए डेटा सेट में बदलने के लिए एक प्रारंभिक कदम की आवश्यकता होती है। इस बदलाव के लिए, एल्गोरिदम की विशेषताओं सहित कई चीजों पर विचार किया जाना चाहिए। इसका कारण यह है कि उनमें से कुछ परिवर्तनशीलता की कमी या स्तंभों में जानकारी साझा करने के प्रति संवेदनशील हैं, हालांकि निर्णय पेड़ उत्पन्न करने के लिए उपयोग किए जाने वाले एल्गोरिदम इन समस्याओं के खिलाफ विशेष रूप से मजबूत हैं। इस प्रारंभिक चरण का उद्देश्य गुणात्मक चरों को वर्गीकृत करना और प्रत्येक चर के लिए पर्याप्त मामलों के साथ मूल्यों को इकट्ठा करना है। कुशल स्क्रीनिंग के लिए उन चरों का चयन करना महत्वपूर्ण है जिनका अधिग्रहण आसान और सटीक साबित होता है। प्रतिभागियों को एक छोटे साक्षात्कार द्वारा चुना जाता है जिसमें उपयोग किए गए एल्गोरिदम को सफेद बॉक्स मॉडल के लिए विवश किया गया था, जिससे यह तय करने के लिए उपयोग किए जाने वाले मानदंडों की जांच करना आसान हो जाता है कि व्यक्ति को परीक्षण करना चाहिए या नहीं। हम इन एल्गोरिदम के लिए आर सॉफ्टवेयर में आरपार्ट29 पैकेज का उपयोग करने और पुनः सरसरी विभाजन को लागू करने का सुझाव देते हैं।

  1. प्रतिभागी फार्मेसियों से सभी रूपों को एकत्र करें और उन्हें एक तालिका में परिवर्तित करें जिसमें हर स्तंभ एक चर है और हर प्रतिभागी व्यक्ति एक पंक्ति है।
  2. प्रत्येक प्रतिभागी को एक पहचान संख्या आवंटित करें। पहचान संख्या और संपर्क जानकारी को एक अलग दस्तावेज में सहेजें ताकि मशीन लर्निंग एल्गोरिदम द्वारा इसका उपयोग न किया जा सके।
  3. फार्मेकोथेरेपी अनुवर्ती शीट पर सक्रिय प्रमुख अवयवों के अनुसार, प्रत्येक दवा रोगी लेता है, दूसरे या तीसरे एटीसी30 (शारीरिक चिकित्सकीय रसायन) स्तर कोड से मेल खाती है या नहीं, यह वर्गीकृत करने के लिए चर उत्पन्न करें।
  4. एक प्रारंभिक वर्णनात्मक विश्लेषण करें।
    1. हर को-ऑर्डिनेटर वेरिएबल के लिए वेरिएबल के लिए पर्याप्त कंट्रास्ट चुनें। स्पष्ट चर के लिए, आधार रेखा के रूप में माना जाता मूल्य का चयन करें।
    2. स्पष्ट चर के लिए, एमसीआई के लिए स्क्रीनिंग के लिए एक प्रतिक्रिया चर के साथ एक एक univariate रसद प्रतिगमन की गणना करें । एक आकस्मिक तालिका, पी-मूल्य, नमूना बाधाओं अनुपात, और बाधाओं अनुपात के 95% विश्वास अंतराल के साथ प्रतिगमन के परिणाम का विश्लेषण करें।
    3. मात्रात्मक चर के लिए, मतलब, मानक विचलन, रसद प्रतिगमन के गुणांक, और उनके गुणांक के 95% विश्वास अंतराल की गणना करें।
  5. इन चरों को सही ढंग से इकट्ठा करना मुश्किल मानते हुए, लापता (अनुपलब्ध) मूल्यों के साथ चर को अस्वीकार करें।
  6. केवल चर का चयन करें जिसके लिए लॉजिस्टिक प्रतिगमन विश्लेषण के अनुसार कम से कम एक सांख्यिकीय महत्वपूर्ण श्रेणी(α <0.01) है। इस चरण का परिणाम प्रारंभिक की तुलना में कम डेटा सेट का उत्पादन करता है।

9. एल्गोरिदम एक निर्णय पेड़ बनाने के लिए

नोट: मशीन सीखने एल्गोरिदम ठीक से भविष्यवाणी करने के लिए जो व्यक्तियों को एक सकारात्मक एमसीआई परीक्षा परिणाम होने की संभावना है पैरामीटरीकृत किया जाना चाहिए । एक शर्त के लिए स्क्रीनिंग करते समय मुख्य समस्याओं में से एक यह है कि मूल डेटा असंतुलित होने की उम्मीद है (यानी, नकारात्मक लोगों की तुलना में कुछ सकारात्मक मामले)। संतुलित डेटा के साथ मॉडल प्राप्त करने के लिए हमने सबसे कम आवृत्ति वर्ग31के साथ आवृत्ति को बराबर करने के लिए डाउन-सैंपलिंग या यादृच्छिक नमूना नामक तकनीक का उपयोग किया। कुशल स्क्रीनिंग के लिए जितना संभव हो उतना झूठे नकारात्मक की संख्या को कम करने की आवश्यकता होती है (यानी, एमसीआई से पीड़ित प्रतिभागियों के चयन की संवेदनशीलता को बढ़ाना)। अधिक संवेदनशीलता प्राप्त करने के लिए उपयोग की जाने वाली तकनीकों में से एक गिनी के अशुद्धता सूचकांक (यानी, निर्णय पेड़ के लिए सबसे अच्छा विभाजन का चयन करने के लिए एल्गोरिदम द्वारा उपयोग किया जाने वाला सूचकांक)32की गणना में दंड की शुरूआत है।

  1. कैरट लाइब्रेरी33में क्रिएटडाटापार्टिशन फ़ंक्शन का उपयोग करके क्रमशः पूरे डेटा सेट के 80% और 20% के साथ एक प्रशिक्षण और परीक्षण डेटा सेट उत्पन्न करें।
  2. प्रशिक्षण डेटा सेट करने के लिए निर्णय पेड़ उत्पन्न करने के लिए उपयोग किए जाने वाले एल्गोरिदम को लागू करें। कैरट लाइब्रेरी33में फिर से ट्रेन का उपयोग करें। निम्नलिखित कदम कार्य के विभिन्न मापदंड हैं; उदाहरण के लिए, इस पेपर में उपयोग किया जाने वाला पेड़ आरपार्ट29 (विधि = "रपार्ट"के साथ उत्पन्न हुआ था, लेकिन अन्य एल्गोरिदम उपलब्ध हैं।
    1. 'डाउन सैंपलिंग' नमूना विधि का चयन करें और नमूना = "नीचे" पैरामीटर को कैरट में पेश करें।
    2. दोनों वर्गों के लिए पूर्व संभावनाएं निर्धारित करें।
    3. बढ़ती संवेदनशीलता पर ध्यान केंद्रित करने के लिए लागू गिनी के अशुद्धता सूचकांक दंड के साथ एक नुकसान मैट्रिक्स प्रदान करें।
    4. एल्गोरिदम में हर पैरामीटर के लिए, मूल्यों का एक उपयुक्त ग्रिड चुनें।
    5. पैरामीटर ग्रिड के भीतर सर्वश्रेष्ठ मॉडल का चयन करने के लिए रिसीवर ऑपरेटिंग वक्र (आरओसी) मूल्यों के क्रॉस-सत्यापन अनुमान का उपयोग करें।
  3. मॉडल के सही प्रदर्शन का आकलन करने के लिए परीक्षण सेट भविष्यवाणी के लिए आरओसी वक्र (AUC) के तहत एक भ्रम मैट्रिक्स और क्षेत्र की गणना करें।

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

भाग लेने वाली फार्मेसियों ने 728 उपयोगकर्ताओं से डेटा एकत्र किया और प्रतिभागियों को निर्धारित दवाओं के अलावा जनसांख्यिकीय चर एकत्र किए। सभी चर34के लिए एक एक एक हीवेरिएट लॉजिस्टिक प्रतिगमन किया गया था ; चित्रा 3 और चित्रा 4 में दिखाए गए त्रुटि बार ग्राफ बाधाओं अनुपात (गुणात्मक चर के लिए) के विश्वास अंतराल के सुविधाजनक चित्रमय अभ्यावेदन और लॉजिस्टिक प्रतिगमन (मात्रात्मक चर के लिए) के गुणांक के विश्वास अंतराल हैं। पी-मूल्योंके साथ चर 0.01 से अधिक (सेक्स, उम्र, शिक्षा स्तर, पढ़ने की आदत, समय बिताया सो, अवसाद, और स्मृति शिकायत) का चयन किया गया और एक निर्णय पेड़ के आधार पर एक सफेद बॉक्स मॉडल उत्पन्न करने के लिए इस्तेमाल किया गया। यह निर्णय पेड़ एक प्रशिक्षण डेटा सेट का उपयोग करके उत्पन्न किया गया था जिसमें एक इनपुट के रूप में 583 व्यक्ति शामिल थे और 145 प्रतिभागियों के एक पलटन के परीक्षण सेट के साथ मान्य किया गया था।

आर में कैरट33 पुस्तकालय का उपयोग करने के बाद, परिणामी पेड़ ने पेड़ में अपने अंतिम नोड के आधार पर प्रत्येक व्यक्ति को एमसीआई पीड़ित होने की संभावना सौंपी (चित्रा 5में चित्रित) के साथ-साथ कुछ सवालों के जवाब भी दिए। इन संभावनाओं की पूर्वानुमान क्षमता का मूल्यांकन करने के लिए, परीक्षण सेट का एक आरओसी विश्लेषण किया गया था(चित्र6); इसकी एयूसी 0.763 थी और इसका 95% कॉन्फिडेंस इंटरवल (0.6624, 0.8632) था। संभावनाओं के अलावा, चित्रा 5 में दिखाए गए पेड़ ने इस बारे में बहुत सरल प्रश्नों का भी उपयोग किया कि व्यक्ति कितनी देर तक सोता है और कितनी बार वे पढ़ते हैं, सिफारिश करने के लिए (0.76 की संवेदनशीलता और 0.70 की विशिष्टता के साथ) क्या रोगियों को एमसीआई परीक्षण लेना चाहिए।

इस निर्णय के पेड़ और लघु साक्षात्कार का उपयोग करने के लिए एमसीआई के जोखिम में उपयोगकर्ताओं का चयन करें हम काफी एमसीआई परीक्षणकी आवश्यकता रोगियों की संख्या को कम करने में सक्षम थे (प्रशासन काफी समय लेने वाली है) । परीक्षण सेट में डेटा का उपयोग करके और तालिका 1में दिखाए गए और अनुमानित कक्षाओं के भ्रम मैट्रिक्स की व्याख्या करके इस कमी का अनुमान लगाया जा सकता है। इस काम में, परीक्षण सेट में 145 प्रतिभागियों में से 55 को आगे एमसीआई परीक्षण के लिए निर्णय पेड़ द्वारा पहचाना गया था, (परीक्षण लेने वाले उपयोगकर्ताओं के 62% की कमी का प्रतिनिधित्व करता है) जबकि अधिकांश व्यक्तियों (25 में से 19) का चयन भी किया गया जो एमसीआई के लिए सकारात्मक थे।

Figure 3
चित्र3: प्रीप्रोसेसिंग के दौरान चुने गए चर ों का उदाहरण। बाधाओं अनुपात के 99% विश्वास अंतराल की गणना की गई थी और इसे त्रुटि बार के रूप में दर्शाया गया है। लॉजिस्टिक प्रतिगमन के लिए आधार मूल्य हर पैनल के शीर्ष पर चर के नाम के नीचे इंगित किया गया है। चर के हर मूल्य के लिए, एक त्रुटि बार आधार मूल्य लेने बनाम उस मूल्य लेने के बाधाओं अनुपात के विश्वास अंतराल का प्रतिनिधित्व करता है । क्योंकि पेड़ उत्पन्न करने के लिए उपयोग किए जाने वाले चर ों का चयन किया गया था, आत्मविश्वास अंतराल में कुछ मूल्यों के लिए मूल्य 0 शामिल नहीं है क्योंकि इन में महत्वपूर्ण अंतर दिखाई दिया गया था। ऊर्ध्वाधर धुरी का पैमाना समूहों में तुलना में मदद करने के लिए लोगरिथिक है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 4
चित्र4: प्रीप्रोसेसिंग के दौरान गैर-चयनित चर का उदाहरण। बाधाओं अनुपात के 99% विश्वास अंतराल की गणना की गई थी और इसे त्रुटि बार के साथ दर्शाया गया है। लॉजिस्टिक प्रतिगमन के लिए आधार मूल्य हर पैनल के शीर्ष पर चर के नाम के नीचे इंगित किया गया है। चर के हर मूल्य के लिए, एक त्रुटि बार आधार मूल्य लेने बनाम उस मूल्य लेने के बाधाओं अनुपात के विश्वास अंतराल का प्रतिनिधित्व करता है । पिछले आंकड़े के विपरीत, चयनित चर के सभी आत्मविश्वास अंतराल में मूल्य 0 शामिल है, क्योंकि पेड़ को उत्पन्न करने के लिए कोई महत्वपूर्ण अंतर शामिल नहीं पाया गया था। ऊर्ध्वाधर धुरी का पैमाना समूहों में तुलना में मदद करने के लिए लोगरिथिक है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 5
चित्रा 5: फार्मेसी उपयोगकर्ताओं के चयन के लिए प्रस्तावित विभाजन पेड़। निम्नलिखित पेड़ 65 वर्ष से अधिक आयु वर्ग के व्यक्तियों के लिए एमसीआई परीक्षणों के लिए चयन एल्गोरिदम दिखाता है। बॉक्स के शीर्ष पर पाठ एमसीआई स्क्रीनिंग परीक्षण लेने की सिफारिश से मेल खाती है, नीचे दिए गए दो नंबर क्रमशः नकारात्मक या सकारात्मक एमसीआई परीक्षण परिणाम की अनुमानित संभावना हैं। बॉक्स के तल पर मूल्य प्रशिक्षण सेट में इन विशेषताओं के साथ व्यक्तियों का प्रतिशत है । बॉक्स का रंग जितना गर्म होगा, एमसीआई के परीक्षणों के सकारात्मक होने की संभावना उतनी ही अधिक थी। शीर्ष नोड इस बारे में प्रश्न से मेल खाती है कि प्रतिभागी को मेमोरी शिकायत है या नहीं। यदि व्यक्ति को स्मृति शिकायत नहीं है, तो पेड़ बाईं शाखा की ओर जाता है और आगामी प्रश्न व्यक्ति के लिंग के बारे में पूछते हैं; एक स्मृति शिकायत के साथ रोगियों को समय वे प्रति दिन सो की राशि के बारे में पूछा जाता है । इस आंकड़े को क्लिमेंट34से संशोधित किया गया था . कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 6
चित्रा 6: विभाजन के पेड़ और संवेदनशीलता और परीक्षण सेट में अंतिम निर्णय की विशिष्टता के लिए रिसीवर ऑपरेटिंग घटता है। ग्राफ परीक्षण सेट में विभाजन पेड़ एल्गोरिथ्म द्वारा सौंपा संभावनाओं के आरओसी वक्र का प्रतिनिधित्व करता है। लाल सतह AUC से मेल खाती है और वक्र पर नीले बिंदु पेड़ द्वारा की गई अंतिम सिफारिश की संवेदनशीलता और विशिष्टता को दर्शाता है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

संदर्भ
नहीं हाँ
भविष्यवाणी नहीं 84 6
हाँ 36 19

तालिका 1: भ्रम मैट्रिक्स। परीक्षण सेट में भविष्यवाणी और मनाए गए मूल्यों के भ्रम मैट्रिक्स का उपयोग प्रस्तावित मॉडल को मान्य करने के लिए किया गया था।

Subscription Required. Please recommend JoVE to your librarian.

Discussion

प्यूमेड डेटाबेस में कोचराणे अध्ययनों में एमसीआई से जुड़े शब्दों की खोज करने के बाद, इस अध्ययन के लिए एक विशिष्ट प्रश्नावली बनाई गई थी जिसने एमसीआई के साथ एक सिद्ध सहयोग के साथ सबसे स्पष्ट चर का उपयोग किया था। जनसांख्यिकीय, जीवन शैली और सामाजिक कारकों के साथ-साथ रोगी की फार्माकोथेरेपी और कुछ प्रासंगिक विकृतियों को भी दर्ज किया गया था। इसके अतिरिक्त, एसपीएमक्यू और एमएमएसई एमसीआई परीक्षणों का भी चयन किया गया था। महत्वपूर्ण बात यह है कि एसपीएमएसक्यू प्रतिभागियों के स्कूली शिक्षा के स्तर से प्रभावित नहीं हुआ । फार्मासिस्ट ों को प्राथमिक और विशेष देखभाल के साथ इस अध्ययन और संचार को प्रशासित करने के लिए प्रशिक्षित किया गया था, उन्हें इस काम के बारे में सूचित करने वाले पत्रों के माध्यम से आश्वासन दिया गया था। यदि एमसीआई को इन परीक्षणों के परिणामस्वरूप संदेह हुआ तो केवल विशेष स्वास्थ्य सेवा प्रदाता निश्चित रूप से निदान कर सकते हैं।

वास्तव में, इस अध्ययन में हमने स्थिति (17%) की कम व्यापकता के साथ आबादी के बीच एमसीआई की जांच की। हमने मशीन-लर्निंग तकनीकों के साथ उपयोग के लिए चयन मानदंडों का एक सेट तैयार किया है, जिसने चयनित उपयोगकर्ताओं के बीच एमसीआई सकारात्मक का प्रतिशत 30% से अधिक बढ़ा दिया है। नतीजतन, इन उपकरणों की स्क्रीनिंग दक्षता बढ़ाने में मदद और काफी हद तक निर्णय पेड़ द्वारा चयनित जनसंख्या समूह के बीच जन स्क्रीनिंग की लागत को कम ।

इस विधि की एक सीमा यह है कि निर्णय पेड़ इस विशिष्ट पलटन में अमान्य हो सकता है क्योंकि जनसंख्या में परिवर्तन होता है और इस प्रकार, आवधिक अपडेट की आवश्यकता होगी। उदाहरण के लिए, इस आबादी में कई व्यक्ति अनपढ़ थे, लेकिन भविष्य में ६५ वर्ष से अधिक आयु वर्ग के अनपढ़ व्यक्तियों की संख्या में कमी आएगी । ये जनसांख्यिकीय परिवर्तन पढ़ने से संबंधित चर को प्रभावित करेंगे और निर्णय पेड़ के भविष्य के पुनर्मूल्यांकन की आवश्यकता होगी ।

उल्लेखनीय रूप से, इस डेटा-चालित मॉडल ने संक्षिप्त अभी तक जानकारीपूर्ण और कुशल मॉडल के निर्माण में सबसे महत्वपूर्ण चर (सैकड़ों के बीच से) के बारे में जानकारी प्रदान की। एक निर्णय पेड़ का निर्माण सबसे अच्छा चर में अंतर्दृष्टि प्रदान करता है पर ध्यान केंद्रित करने के लिए और दोनों एक लागत प्रभावी तरीका है मदद करने के लिए लोगों का चयन करें जिनके लिए आगे एमसीआई परीक्षण की सिफारिश की है और इस संदर्भ में इन आबादी के हमारे ज्ञान को आगे बढ़ाता है ।

एमसीआई की भविष्य प्रतिशत पता लगाने की दर बढ़ाने के लिए, हमें नई लागत प्रभावी तकनीकों की आवश्यकता होगी जो बढ़ी हुई प्रभावशीलता को आश्वस्त कर सकें । यह प्रोटोकॉल समय लेने वाला है और फार्मासिस्टों के लिए अपने दैनिक कार्य में एकीकृत करना मुश्किल है। इस प्रकार, एमओसीए22 या मलिन बस्तियों23 (पर्याप्त संवेदनशीलता और विशिष्टता दोनों के साथ) जैसे अन्य परीक्षणों पर भविष्य में एमसीआई का पता लगाने के लिए तेजी से विचार किया जा सकता है।

विशिष्टता और परीक्षण अवधि के बीच व्यापार-बंद का एक व्यवस्थित मूल्यांकन स्क्रीनिंग के लिए इस्तेमाल एमसीआई परीक्षणों के सेट की प्रभावशीलता में सुधार करना चाहिए । इसके अलावा, अध्ययन में शामिल प्रासंगिक मात्रात्मक चरों की एक विस्तृत श्रृंखला होनी चाहिए ताकि उनके लिए एक कुशल कट-ऑफ का चयन किया जा सके; एक संकीर्ण सीमा जल्दी पता लगाने से आबादी का एक बड़ा हिस्सा बाहर होगा । उदाहरण के लिए, आयु चर (जिसे हमेशा एमसीआई निदान में एक महत्वपूर्ण मानदंड माना जाता है) को इस निर्णय के पेड़ में प्रासंगिक नहीं माना जाता था क्योंकि भर्ती मानदंड (65 वर्ष से अधिक आयु) बहुत रूढ़िवादी था; भविष्य के अध्ययन में युवा व्यक्तियों को शामिल करने से एमसीआई स्क्रीनिंग शुरू करने के लिए इष्टतम आयु की गणना की जा सकेगी ।

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

लेखकों के पास खुलासा करने के लिए कुछ नहीं है ।

Acknowledgments

यह काम पता अल्जाइमर फाउंडेशन के समर्थन से संभव बनाया गया था और Universidad CEU Cardenal Herrera, विशेष रूप से एनरिक Giner में मल्टीमीडिया उत्पादन सेवा से मदद करते हैं । हम सभी प्रतिभागी फार्मेसियों (SEFAC) के काम को पहचानना चाहते हैं, और सोसाइटी ऑफ प्राइमरी केयर डॉक्टर्स (SEMERGEN) और न्यूरोलॉजी सोसाइटी (एसवीएन) के सहयोगी डॉक्टरों ने एमसीआई के निदान, विशेष रूप से विसेंट गैससुल, राफेल के साथ मदद की सांचेज, और जोर्डी पेरेज। अंत में, हम उन सभी लोगों को धन्यवाद देते हैं जो इस अध्ययन में भाग लेने के लिए सहमत हुए थे ।

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

व्यवहार अंक १५५ स्मृति शिकायत जल्दी पता लगाने हल्के संज्ञानात्मक हानि नींद की अवधि समुदाय फार्मासिस्ट जोखिम कारक निर्णय पेड़ सांख्यिकीय सीखने
हल्के संज्ञानात्मक हानि की एक कुशल चयनात्मक स्क्रीनिंग डिजाइन करने के लिए एक मशीन लर्निंग दृष्टिकोण
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