Summary
Denna metod producerar beslutsträd som riktar sig till befolkningsgrupper mer benägna att lida av mild kognitiv svikt och är användbara för kostnadseffektiv selektiv screening av sjukdomen.
Abstract
Mild kognitiv svikt (MCI) är det första tecknet på demens bland äldre populationer och dess tidiga upptäckt är avgörande i våra åldrande samhällen. Vanliga MCI-tester är tidskrävande så att urskillningslösa massiva screening inte skulle vara kostnadseffektiva. Här beskriver vi ett protokoll som använder maskininlärningstekniker för att snabbt välja kandidater för ytterligare screening via ett frågebaserat MCI-test. Detta minimerar antalet resurser som krävs för screening eftersom endast patienter som är potentiellt MCI-positiva testas ytterligare.
Denna metod tillämpades i en första MCI-forskningsstudie som utgjorde utgångspunkten för utformningen av ett selektivt screening beslutsträd. Den första studien samlade in många demografiska och livsstils variabler samt information om patient mediciner. Den korta bärbara mental status enkät (spmsq) och mini-mental State examination (MMSE) användes för att upptäcka möjliga fall av MCI. Slutligen använde vi denna metod för att utforma en effektiv process för att klassificera individer med risk för MCI. Detta arbete ger också insikter om livsstilsrelaterade faktorer förknippade med MCI som kan utnyttjas för att förebygga och tidigt upptäcka MCI bland äldre populationer.
Introduction
Befolkningens åldrande ökar prevalensen av kroniska och degenerativa sjukdomar, särskilt degenerativa demenser, som förväntas drabba mer än 131 000 000 personer över hela världen med 20501. Bland alla degenerativa demenssjukdomar, Alzheimers sjukdom (AD) är den vanligaste med en övergripande prevalens i Europa av 6,88%2. På grund av den ständigt minskande oberoende av AD-patienter, bör denna grupp börja få stöd så snart annonsen börjar manifesteras. Därför är tidig upptäckt av prodromala tecken på AD, såsom mild kognitiv svikt (MCI), viktigt.
MCI definieras som ett mellanliggande kognitiv nedgångs stadium som motsvarar normalt åldrande och allvarlig försämring på grund av demens3. Enligt uppskattningar av Petersen et al.4är prevalensen av MCI 8,4% bland personer i åldern 65-69 år och når 25,2% för dem som är äldre än 80 år. MCI resulterar i att individer upplever fler svårigheter än väntat i utförandet av lågnivå kognitiva färdigheter, särskilt de som rör minne och språk, men inte stör verksamheten i det dagliga livet.
Screening är inte synonymt med diagnos; diagnosen av MCI kommer alltid att vara en klinisk uppgift medan screeningmetoder endast kan informera oss om att en patient har en högre sannolikhet att drabbas av denna patologi och att det finns en välgrundad misstanke om MCI som bör bekräftas kliniskt. Därför kan primärvården (läkare, farmaceuter, sjuksköterskor, etc.) dra nytta av tillgången till enkla screeningmetoder (korta kognitiva test) som kan tillämpas på några minuter. Helst skulle dessa objektivt identifiera patienter med hög sannolikhet att drabbas av en MCI så att de sedan kan testas kliniskt av allmän eller specialiserad läkare.
Med tanke på att den tidiga upptäckten av MCI håller på att bli en viktig uppgift inom ramen för folkhälsan syftade detta arbete till att fastställa vilka egenskaper som är användbara i den riktade identifieringen av MCI i screeningtest av äldre populationer. Dessa grupper skulle sedan testas noggrannare för MCI i tester som administreras av primärvårdgivarna. Den här metoden ger ett beslutsträd med lämpliga algoritmer för att identifiera de befolkningsgrupper som ska riktas.
Bland dessa egenskaper, ålder är en av de mest konsekventa faktorerna i samband med utvecklingen av denna patologi. Andra relevanta egenskaper är relaterade till demografi eller livsstil5. Bland de senare, vissa studier har identifierat varaktigheten av dagtid eller nattsömn som en riskfaktor som kan leda till diagnos av MCI5,6,7,8,9. Långvarig konsumtion av mediciner såsom bensodiazepiner, som konsumeras av uppskattningsvis 20%-25% av äldre vuxna10,11, kan också påverka sömn timmar och utvecklingen av MCI12,13. Långvarig behandling för kroniska sjukdomar kan faktiskt vara viktiga egenskaper som är användbara vid förhandsurvalet av individer med hög risk att drabbas av MCI.
Här har vi utvecklat data-baserade modeller som använder automatiska inlärningsalgoritmer, ett beslutsträd och ett prediktivt verktyg för att effektivisera metodiken för att upptäcka MCI genom att diskriminera vilka egenskaper som spelar en viktig roll i den tidiga detektering av MCI. Det resulterande beslutsträdet som presenterades här producerades med hjälp av en särskild kohort av spanska patienter som använder gemenskaps apotek. Men denna metod skulle också vara användbar bland andra populationer med olika egenskaper.
Detta arbete slutfördes i samarbete med primärvården och specialiserade läkare. Community apotek var idealiska för att testa denna algoritm eftersom de är nära till patienter, har långa öppettider, och ofta besöks och konsulteras. Degenerativa demenssjukdomar är komplexa förhållanden som inte alltid är väl förstådda med primärvårdgivarna14. Att engagera sig i processen kommer därför att öka medvetenheten hos personer som lider av MCI och demenssjukdomar.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Den metod som tillämpats i denna studie har tidigare publicerats5 i arbete som utförts vid universitetet CEU Cardenal Herrera tillsammans med gemenskapens apotek i regionen Valencia (Spanien) i samband med det spanska sällskapet för familje-och gemenskaps apotek (sefac). Denna aktuella studie granskades och godkändes av forskningsetik kommittén vid Universidad CEU Cardenal Herrera (godkännande nr. CEI11/001) i mars 2011. Alla personer som deltar i studien gav sitt skriftliga informerade samtycke till deltagande i enlighet med Helsingforsdeklarationen.
1. Val av faktorer förknippade med mild kognitiv svikt
- Sök efter termer som är relaterade till MCI för användning vid systematiska granskningar av Cochrane (t. ex. kognitiv svikt, demens, riskfaktorer, etc.).
- Sök efter villkor för vilka det finns vissa belägg för en relation med kognitiv försämring eller demens Publicerad i PubMed-databasen; Dessa inkluderar demografiska faktorer (kön, ålder, utbildningsnivå och ekonomisk status), sociala faktorer (kognitiva och sociala aktiviteter), kroniska sjukdomar (kolesterol, depression, hypertoni, diabetes och fetma) och livsstils beteenden (alkohol konsumtion, rökning vana, kost, fysisk aktivitet, och sömn timmar).
- Beräkna oddskvot för kvalitativa variabler eller Cohens d effekt storlek för kvantitativa variabler15. Välj variabler med större effekt storlekar för kognitiv försämring eller demens för användning vid utarbetandet av ett frågeformulär.
2. utformning av frågeformulären
- Designa en enkät för att samla in information om de valda variablerna, enligt riktlinjerna från Nardi16. Till exempel var de variabler som används i Climent et al.5 demografiska (ålder, vikt och höjd [mätt med standardiserade procedurer med hjälp av kalibrerade skalor och stadiometrar], kön, utbildningsnivå, och anställningstyp), livsstil (fysisk träning, Läsning, tid att sova över natten och under dagen, pussel, spel, TV konsumtion tid, och tobak och alkoholkonsumtion), och kroniska sjukdomar (hypertoni, hyperlipidemi, och diabetes). Dessutom, registrera närvaron eller frånvaron av depression, som ofta förknippas med kognitiv försämring.
- Designa en farmakoterapi uppföljnings blad att rapportera alla läkemedel som konsumeras av deltagarna vid tidpunkten för intervjun, som i Climent et al.5, som använde dader metod17 för att utforma detta blad.
3. Val av test för MCI-screening
- Bestäm alla tester som används för att screena för MCI som kan administreras av primärvård personal (t. ex. farmaceuter). Avvisa alla tester som måste administreras av en specialist. Några av de tester som uppfyller dessa villkor är den korta bärbara mental State enkät (spmsq)18, mini mental State examination (MMSE)19, minnesförsämring Screen (MIS)20, bild minnesförsämring Screen (PMIS)21, Montreal kognitiv bedömning (MOCA)22, Saint Louis University mental status (slummen)23, och snabb mild kognitiv svikt (qmci)24. En uttömmande genomgång av varje MCI-test finns i Cullen et al.25.
- Sök efter en bra uppskattning av test känsligheter och särdrag i den vetenskapliga litteraturen.
- Uppskatta den tid som krävs för att administrera dessa tester till friska individer.
- Beakta de grundläggande patient egenskaper som krävs för slutförandet av dessa tester. Till exempel kan en miniminivå för utbildning vara nödvändig eftersom många MCI-tester inte lämpar sig för analfaber deltagare. En uppsättning MCI-screeningtester används vanligtvis för att öka känsligheten. det minsta antalet tester måste dock snabbt administreras av farmaceuter om den slutliga selektiva screeningen är avsedd för en stor population. Climent et al.5 utvärderade MCI med hjälp av MMSE-och SPMSQ-testerna, där de senare var lämpliga för det stora antalet individer som levde genom det spanska inbördeskriget som är analfabet.
- Använd en variant av SPMSQ av Pfeiffer18 validerades på spanska av Martínez de La Iglesia26. Detta test har en maximal poäng på 10 och brytpunkten för att fastställa kognitiv svikt är 3 eller fler fel (4 eller mer för analfaber individer). Det här testet tar mellan 8 och 10 minuter att slutföra.
- Använd en NORMACODERM version av MMSE validerad för spansktalande av Blesa27 genom att anpassa den ursprungliga versionen av folstein19. Detta screeningtest har en maximal poäng på 30 och korrigeras enligt patienternas år av skolgång och åldrar. Deltagare som får mindre än eller lika med 24 räknas som MCI-fall. MMSE är ett mått på allmän kognitiv funktion och inkluderar orientering till tid och plats, skriftligt och talat språk, koncentrationsförmåga, beräkning och minne. Det administrerades till alla deltagare i denna studie eftersom det är en mycket kort test som tar bara cirka 5 minuter att slutföra.
4. ämne rekrytering
- Hitta farmaceuter villiga att rekrytera icke-institutionaliserade människor att bilda studiepopulationen. Den nämnda studien av Climent et al.5 inkluderade personer i åldern 65 år eller mer som gick regelbundet till apoteket och som gått med på att delta i denna studie. Utesluta patienter som har svårigheter att utföra dessa utvärderingstester (t. ex. på grund av blindhet, dövhet, etc.) eller som redan behandlats för demens.
- Förse de deltagande farmaceuter med informerade samtycke blanketter, som måste fyllas i av varje individ som deltar i studien. Detta samtyckesformulär specificerar titeln på forskningen, projektets mål, en begriplig förklaring av alla de förfaranden som deltagaren skulle delta i, avsaknaden av särskilda risker, sekretessen för alla insamlade data och rätten att när som helst dra sig ur studien av någon anledning.
- Utbilda farmaceuter att administrera strukturerade personliga intervjuer till deltagarna, som bör pågå ungefär en halvtimme per person. Samla in data för 1 år och skicka alla blanketter till de forskare som ansvarar för dataskydd i studien. Därefter följas upp med patienterna i 3 månader.
- Instruera farmaceuter hur man identifierar ett troligt MCI-fall med MCI-tester. Baserat på Climent et al.5 vi använde SPMSQ betyg på 4 eller fler poäng (för analfabet deltagare) eller 3 eller fler poäng för de andra deltagarna och betyg på 24 poäng eller mindre användes i den korrigerade MMSE test.
- Instruera farmaceuter hur man remiterar MCI-fall till en medicinsk specialist (en neurolog) för sin kliniska diagnos-det sista steget i det flödesschema som används i denna forskningsstudie (figur 1).
Figur 1: flödesschemat för forskningsstudien och den föreslagna selektiva screeningen. Den vänstra sidan representerar den första studien vars data analyserades med maskininlärningsteknik för att föreslå selektiv screening för tidig upptäckt av MCI som visas i den högra panelen. Denna siffra ändrades från Climent34. Vänligen klicka här för att se en större version av denna siffra.
5. forskarutbildning för farmaceut
- Kontakta specialister för att organisera sessioner för utbildning av de deltagande farmaceuter i grundläggande kunskaper i samband med kognitiv svikt och hantera dess screening verktyg, till exempel SPMSQ och MMSE.
- Se till att de deltagande farmaceuter är medvetna om förfaranden, datainsamlingsprotokoll och alla möjliga frågor som rör dataskydd. Informera dem om att projektet godkändes av en forskningsetisk kommitté och om vikten av samtyckesblanketten enligt Helsingforsdeklarationen.
Anmärkning: för att genomföra den studie som beskrivs av Climent et al.5hölls workshops vid den officiella College of farmaceuter och Cardenal-Herrera CEU University (UCH-CEU), och omfattade följande: MCI och demens; diagnostiska tillvägagångssätt för MCI och förvaltning av SPMQP och MMSE (undervisas av neurology service vid La plana Hospital i Castellón); projekt presentation och förklaring av metodiken av ledande forskare inom farmaceut; och hälsoutbildning och kognitiv utbildning av forskare från Institutionen för farmaci vid UCH-CEU University.
6. studiens utformning
- Beräkna en urvalsstorlek för att bedöma projektets genomförbarhet. Eftersom detta var en observationsstudie, ett större urval kommer att producera mer effektiva verktyg. Det finns två sätt att bestämma urvalsstorlek: en är baserad på uppskattningen av prevalensen och den andra är mer exakt, med hänsyn till effekt storlekar.
- Beräkna en noggrann uppskattning av prevalensen av villkoret i populationen
där α är signifikansnivå, är p0 den initiala uppskattningen och felet är det maximala felet som förväntas med ett 100 (1-α)% förtroende. - Enligt de effekt storlekar som finns i litteraturen för varje faktor, Använd verktyg som PWR -paketet i R för att uppskatta hur mycket kraft som krävs för att upptäcka skillnader15,28.
Notera: till exempel, i vår studie5 utformade vi det första förslaget med ett fel på 3% vid 95% förtroende och en första uppskattning av prevalensen av MCI vid 15% i befolkningen i åldrarna 65 år eller äldre, vilket resulterar i en uppskattad krävs provstorlek på 541 individer.
- Beräkna en noggrann uppskattning av prevalensen av villkoret i populationen
7. tvärvetenskapligt kommunikationsnät, farmaceuter, primärvårds läkare och specialister
- Design brev för att förmedla information om projektet till de berörda vårdcentraler.
- Förklara för deltagande farmaceuter hur de ska informera sina tilldelade läkare om resultaten av visningarna genom ett brev till primärvården Center.
- Skicka skriftlig kommunikation till de medicinska samordnarna för de vårdcentraler som är knutna till de deltagande apoteken och till neurologi tjänsterna på de sjukhus som de är tilldelade till.
- Kontakta deltagande neurologer för att ta reda på varje patients slutgiltiga diagnos som erhållits via specifika tester som utförs av specialiserade vårdgivare. Före detta bör primärvårdgivarna utföra följande protokoll, som sammanfattas i de kliniska riktlinjerna (figur 2).
Figur 2: protokoll för åtgärder inom primärvården. Ett exempel på primärvården åtgärder som bör övervägas för tidig MCI upptäckt innan patienten remitteras för en medicinsk diagnos av specialister. Vänligen klicka här för att se en större version av denna siffra.
8. statistisk analys och förbehandling
Anmärkning: innan maskininlärningstekniker används krävs ett förberedande steg för att omvandla originaldata till en ny datauppsättning enligt det slutgiltiga studie målet och de förfaranden som ska tillämpas. För denna omvandling, flera saker bör övervägas, inklusive egenskaperna hos algoritmerna. Detta beror på att vissa av dem är känsliga för bristande variation eller delning av information över kolumner, även om de algoritmer som används för att generera beslutsträd är särskilt robust mot dessa problem. Den här inledande fasen syftar till att kategorisera kvalitativa variabler och samla in värden med tillräckligt med fall för varje variabel. För effektiv screening är det viktigt att välja variabler vars förvärv har visat sig vara enkelt och korrekt. Deltagarna väljs ut genom en kort intervju där de algoritmer som används var begränsade till en vit-Box-modell, vilket gör det enkelt att kontrollera de kriterier som används för att avgöra om individen ska ta testet. Vi föreslår att du använder paketet rpart29 i R programvara för dessa algoritmer och implementera rekursiva partitionering.
- Samla alla blanketter från de deltagande apoteken och omvandla dem till en tabell där varje kolumn är en variabel och varje deltagande individ är en rad.
- Tilldela varje deltagare ett identifieringsnummer. Spara identifieringsnumret och kontaktinformationen i ett annat dokument så att det inte används av maskininlärningsalgoritmen.
- Generera variabler för att klassificera om varje läkemedel som patienten tar motsvarar andra eller tredje ATC30 (anatomiska terapeutiska kemiska) nivå koder, enligt de aktiva viktigaste ingredienserna på farmakoterapi uppföljnings bladet.
- Utföra en inledande beskrivande analys.
- För varje ordinalvariabel väljer du en lämplig kontrast för variabeln. För kategoriska variabler, Välj det värde som betraktas som baslinje.
- Beräkna en univariat Logistic regression med en svars variabel för screening för MCI för kategoriska variabler. Analysera resultatet av regressionen med en beredskaps tabell, p-värde, samplings odds och 95% konfidensintervall för oddskvoten.
- Beräkna medelvärdet, standardavvikelsen, koefficienten för Logistic regression och 95% konfidensintervall för deras koefficienter för kvantitativa variabler.
- Avvisa variabler med saknade (otillgängliga) värden, med tanke på dessa variabler svårt att exakt samla in.
- Välj endast variabler för vilka det finns minst en statistiskt signifikant kategori (α < 0,01) enligt den logistiska regressionsanalysen. Resultatet av det här steget ger en reducerad datamängd jämfört med den ursprungliga.
9. algoritmer för att skapa ett beslutsträd
Maskininlärningsalgoritmer måste vara korrekt parametriserade för att förutsäga vilka personer som sannolikt har ett positivt MCI-testresultat. En av de största problemen under screening för ett villkor är att de ursprungliga uppgifterna förväntas vara obalanserad (dvs., få positiva fall jämfört med de negativa). För att få modeller med balanserade data använde vi en teknik som kallas nedsampling, eller slumpmässig provtagning, för att utjämna frekvensen med den lägsta frekvens klassen31. Effektiv screening kräver också att antalet falska negativ minskas så mycket som möjligt (dvs. att öka känsligheten för urvalet av deltagare som lider av MCI). En av de tekniker som används för att uppnå en större känslighet är införandet av påföljder i beräkningen av Gini: s förorenings index (dvs. det index som används av algoritmen för att välja den bästa uppdelningen för beslutsträdet)32.
- Generera en tränings-och testdata uppsättning med 80% och 20% av hela datauppsättningen, respektive med hjälp av funktionen createdatapartition i cirkumflex-biblioteket33.
- Använd de algoritmer som används för att generera beslutsträd till datauppsättningen för utbildning. Använd funktionen träna igen i cirkumflex-biblioteket33. Följande steg är olika parametrar för funktionen; trädet som används i det här dokumentet har till exempel genererats med rpart29 (Method = "rpart"), men det finns andra algoritmer.
- Välj provtagningsmetoden "ned sampling" och introducera parametern sampling = "ned" i cirkumflex.
- Ställ in de tidigare sannolikheterna för båda klasserna.
- Ge en förlust matris med Gini: s förorenings index sanktioner tillämpas för att fokusera på den ökande känsligheten.
- Välj ett lämpligt värde rutnät för varje parameter i algoritmen.
- Använd en kors validerings uppskattning av ROC-värdena (receiver Operating Curve) för att välja de bästa modellerna i parameter rutnätet.
- Beräkna en förvirring matris och området under ROC kurvan (AUC) för testuppsättning förutsägelse att bedöma modellens verkliga prestanda.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
De deltagande apoteken samlade in data från 728 användare och insamlade demografiska variabler utöver de läkemedel som ordinerats till deltagarna. En univariat Logistic regression utfördes för alla variabler34; de fel stapeldiagram som visas i figur 3 och figur 4 är praktiska grafiska representationer av konfidensintervallet för oddskvoten (för kvalitativa variabler) och konfidensintervallet för koefficienten för Logistic regression (för kvantitativa variabler). Variabler med p-värden som överstiger 0,01 (kön, ålder, utbildningsnivå, Läs vana, tid som tillbringas med sömn, depression och minnesbesvär) valdes och användes för att generera en vit-Box-modell baserad på ett beslutsträd. Detta beslutsträd genererades med hjälp av en utbildning datauppsättning bestående av 583 individer som indata och validerats med en testuppsättning av en kohort av 145 deltagare.
Efter att ha använt cirkumflex33 biblioteket i R, det resulterande trädet tilldelas en sannolikhet att drabbas av MCI till varje individ beroende på deras sista nod i trädet (avbildad i figur 5) samt deras svar på några frågor. För att utvärdera prognosförmågan hos dessa sannolikheter utfördes en ROC-analys av testuppsättningen (figur 6). dess AUC var 0,763 och dess 95% konfidensintervall var (0,6624, 0,8632). Förutom sannolikheter, trädet visas i figur 5 också använt mycket enkla frågor om hur länge personen sover och hur ofta de läser, att rekommendera (med en känslighet på 0,76 och specificitet 0,70) om patienter bör ta MCI tester.
Genom att använda detta beslutsträd och en kort intervju för att välja användare i riskzonen för MCI kunde vi avsevärt minska antalet patienter som krävde MCI-tester (administrationen är ganska tidskrävande). Denna minskning kan uppskattas genom att använda data i testuppsättningen och tolka förvirrings matrisen för de observerade och förväntade klasserna som visas i tabell 1. I detta arbete identifierades 55 av 145 deltagare i testuppsättningen av beslutsträdet för ytterligare MCI-testning (vilket motsvarade en minskning på 62% av de användare som tog proven) samtidigt som de flesta av individerna (19 av 25) som var positiva för MCI valdes.
Bild 3: exempel på de variabler som valts under förbehandling. Ett 99% konfidensintervall för oddskvoten beräknades och representeras som en felstapel. Basvärdet för Logistic regression anges under namnet på variabeln överst i varje panel. För varje variabelvärde representerar en felstapel konfidensintervallet för oddskvoten för att ta det värdet jämfört med basvärdet. Eftersom de variabler som används för att generera trädet valdes, inkluderar konfidensintervallen inte värdet 0 för vissa värden eftersom dessa visade signifikanta skillnader. Skalan på den vertikala axeln är logaritmisk för att hjälpa till i jämförelser mellan grupper. Vänligen klicka här för att se en större version av denna siffra.
Bild 4: exempel på icke-valda variabler under förbehandling. Ett 99% konfidensintervall för oddskvoten beräknades och representeras med en felstapel. Basvärdet för Logistic regression anges under namnet på variabeln överst i varje panel. För varje variabelvärde representerar en felstapel konfidensintervallet för oddskvoten för att ta det värdet jämfört med basvärdet. I motsats till föregående siffra inkluderar alla konfidensintervall för de valda variablerna värdet 0, eftersom inga signifikanta skillnader konstaterades inkluderas för att generera trädet. Skalan för den lodräta axeln är logaritmisk för att hjälpa till att jämföra olika grupper. Vänligen klicka här för att se en större version av denna siffra.
Figur 5: föreslagen partitionsträd för val av apoteks användare. Följande träd visar urvals algoritmen för MCI-tester för individer över 65 år. Texten överst i rutan motsvarar rekommendationen att ta MCI-screeningtesterna, de två siffrorna nedan är den uppskattade sannolikheten för ett negativt eller positivt MCI-testresultat. Värdet längst ned i rutan är andelen personer med dessa egenskaper i utbildnings uppsättningen. Den varmare färgen på lådan, desto mer sannolikt MCI testerna var positiva. Den översta noden motsvarar frågan om huruvida deltagaren har ett minnes klagomål. Om individen inte har ett minnes klagomål, leder trädet till den vänstra grenen och de påföljande frågorna frågar om individens kön; patienter med ett minnes klagomål tillfrågas om hur länge de sover per dag. Denna siffra ändrades från Climent34. Vänligen klicka här för att se en större version av denna siffra.
Figur 6: mottagarens rörelsekurvor för partitionsträdet och känsligheten och specificiteten hos det slutgiltiga beslutet i testuppsättningen. Diagrammet representerar ROC-kurvan för sannolikheter som tilldelats av partitionsträdealgoritmen i testuppsättningen. Den röda ytan motsvarar AUC och den blå punkten på kurvan visar känsligheten och specificiteten hos den slutliga rekommendationen som gjorts av trädet. Vänligen klicka här för att se en större version av denna siffra.
| Referens | |||
| Nej | Ja | ||
| Prognos | Nej | 84 | 6 |
| Ja | 36 | 19 | |
Tabell 1: förvirring matris. Förvirring matris av de förväntade och observerade värdena i testuppsättningen som användes för att validera den föreslagna modellen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Efter att ha sökt termer i samband med MCI i Cochrane-studier i databasen PubMed skapades ett specifikt frågeformulär för denna studie som använde de mest uppenbara variablerna med en beprövad koppling till MCI. Demografiska, livsstilsrelaterade och sociala faktorer samt patientens farmakoterapi och vissa relevanta patologier registrerades också. Dessutom valdes även SPMSQ-och MMSE MCI-testerna. Viktigare var att SPMSQ inte påverkades av deltagarnas nivå av skolgång. Farmaceuter utbildades för att administrera denna studie, och kommunikationen med primär och specialiserad omsorg säkrades via märker att informera dem av detta arbete. Endast specialiserade vårdgivare kan slutgiltigt göra en diagnos om MCI misstänks vara ett resultat av dessa tester.
Sammanfattningsvis, i denna studie screening vi för MCI bland en population med en låg prevalens av villkoret (17%). Vi utformade en uppsättning urvalskriterier för användning med maskininlärningsteknik, vilket ökade andelen MCI-positiva upp till mer än 30% bland de utvalda användarna. Därför bidrar dessa verktyg till att öka screening effektiviteten och avsevärt minska kostnaderna för Mass screening bland den befolkningsgrupp som valts ut av beslutsträdet.
En begränsning av den här metoden är att beslutsträdet kan bli ogiltigt i den här specifika kohorten när populationen ändras och därmed sannolikt kommer att kräva periodiska uppdateringar. Till exempel, många individer i denna population var analfaben, men antalet analfaber individer som är äldre än 65 år kommer att minska i framtiden. Dessa demografiska förändringar kommer att påverka variablerna relaterade till läsning och kommer att kräva framtida omkalibrering av beslutsträdet.
Anmärkningsvärt, denna data-driven modell som information om de viktigaste variablerna (bland hundratals) i byggandet av en kortfattad men informativ och effektiv modell. Att konstruera ett beslutsträd ger insikt i de bästa variablerna att fokusera på och är både ett kostnadseffektivt sätt att hjälpa till att välja personer för vilka ytterligare MCI-testning rekommenderas och främjar vår kunskap om dessa populationer i detta sammanhang.
För att öka den framtida procentuella detektions graden för MCI kommer vi att kräva nya kostnadseffektiva tekniker som kan garantera ökad effektivitet. Detta protokoll är tidskrävande och svårt för farmaceuter att integreras i deras dagliga arbete. Således kan andra tester som MoCA22 eller slum23 (båda med tillräcklig känslighet och specificitet) övervägas för att snabbt upptäcka MCI i framtiden.
En systematisk utvärdering av avvägningarna mellan specificitet och testvaraktighet bör förbättra effektiviteten hos den uppsättning MCI-tester som används för screening. Dessutom bör relevanta kvantitativa variabler som ingår i studien ha ett brett spektrum så att en effektiv cut-off kan väljas för dem; ett smalt spänner skulle uteslutar en stor del av befolkningen från tidig sortupptäckt. Exempelvis ansågs ålders variabeln (som alltid anses vara ett viktigt kriterium i MCI-diagnoser) inte relevant i detta beslutsträd, eftersom rekryterings kriterierna (ålder över 65 år) var alltför konservativ. inkludering av yngre individer i en framtida studie skulle göra det möjligt att beräkna den optimala åldern för att starta MCI-screening.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna har inget att avslöja.
Acknowledgments
Detta arbete möjliggjordes genom stöd av know Alzheimerstiftelsen och hjälp från multimedia produktionstjänst vid Universidad CEU Cardenal Herrera, särskilt Enrique Giner. Vi skulle vilja erkänna arbetet för alla de deltagande apoteken (SEFAC), och de samverkande läkarna från sällskapet för primärvården läkare (SEMERGEN) och neurologi Society (SVN) som hjälpte till med MCI-diagnoser, särskilt Vicente Gassull, Rafael Sánchez och Jordi Pérez. Slutligen tackar vi alla som gick med på att delta i denna studie.
Materials
| Name | Company | Catalog Number | Comments |
| caret | Max Kuhn | R package | |
| rpart | Terry Therneau, Beth Atkinson, Brian Ripley | R package | |
| SPMSQ in Spanish | Farmaceuticoscomunitarios.org | http://farmaceuticoscomunitarios.org/anexos/vol11_n1/ANEXO1.pdf | |
| SPMSQ in English | geriatrics.stanford.edu | https://geriatrics.stanford.edu/culturemed/overview/assessment/assessment_toolkit/spmsq.html | |
| MMSE in Spanish | Farmaceuticoscomunitarios.org | http://farmaceuticoscomunitarios.org/anexos/vol11_n1/ANEXO2.pdf | |
| MMSE in English | oxfordmedicaleducation.com | http://www.oxfordmedicaleducation.com/geriatrics/mini-mental-state-examination-mmse/ |
References
- Prince, M., Comas-Herrera, A., Knapp, M., Guerchet, M., Karagiannidou, M. World Alzheimer report 2016: improving healthcare for people living with dementia: coverage, quality and costs now and in the future. , Alzheimer's Disease International (ADI). https://scholar.google.com/scholar.bib?q=info:mEGpcpLHEIMJ:scholar.google.com (2016).
- Niu, H., Álvarez-Álvarez, I., Guillén-Grima, F., Aguinaga-Ontoso, I. Prevalence and incidence of Alzheimer's disease in Europe: A meta-analysis. Neurología (English Edition). 32 (8), 523-532 (2017).
- Petersen, R. C., et al. Mild Cognitive Impairment: Clinical Characterization and Outcome. Archives of Neurology. 56 (3), 303 (1999).
- Petersen, R. C., et al. Practice guideline update summary: Mild cognitive impairment: Report of the Guideline Development, Dissemination, and Implementation Subcommittee of the American Academy of Neurology. Neurology. 90 (3), 126-135 (2018).
- Climent, M. T., Vilaplana, A. M., Arnedo, A., Vilar, J., Moreno-Royo, L. Life styles associated cognitive impairment. Study from the community pharmacy [Estilos de vida asociados a deterioro cognitivo. Estudio preliminar desde la farmacia comunitaria]. Revista de Investigacion Clinica. 65 (6), 500-509 (2013).
- Faubel, R., et al. Usual sleep duration and cognitive function in older adults in Spain. Journal of Sleep Research. 18 (4), 427-435 (2009).
- Benito-León, J., Louis, E. D., Bermejo-Pareja, F. Cognitive decline in short and long sleepers: A prospective population-based study (NEDICES). Journal of Psychiatric Research. 47 (12), 1998-2003 (2013).
- Ramos, A. R., et al. Association between Sleep Duration and the Mini-Mental Score: The Northern Manhattan Study. Journal of Clinical Sleep Medicine. 9 (7), 669 (2013).
- Gabelle, A., et al. Excessive Sleepiness and Longer Nighttime in Bed Increase the Risk of Cognitive Decline in Frail Elderly Subjects: The MAPT-Sleep Study. Frontiers in Aging Neuroscience. 9, 312 (2017).
- Fernández, M., et al. Prevalence of dementia in the elderly aged above 65 in a district in the Basque Country. Revista de Neurologia. 46 (2), 89-96 (2008).
- Velert Vila, J., et al. Suitability of the use of benzodiazepines prescribed by the pharmacist in the elderly. A doctor-pharmacist collaboration study. Atención Primaria. 44 (7), 402-410 (2012).
- Ranstam, J., et al. Impaired cognitive function in elderly men exposed to benzodiazepines or other anziolytics. The European Journal of Public Health. 7 (2), 149-152 (1997).
- Airagnes, G., Pelissolo, A., Lavallée, M., Flament, M., Limosin, F. Benzodiazepine Misuse in the Elderly: Risk Factors, Consequences, and Management. Current Psychiatry Reports. 18 (10), 89 (2016).
- Alacreu, M., et al. Importance of Increasing Modifiable Risk Factors Knowledge on Alzheimer's Disease Among Community Pharmacists and General Practitioners in Spain. Frontiers in Pharmacology. 10, 860 (2019).
- Cohen, J. Statistical Power Analysis for the Behavioral Sciences. , Routledge. (2013).
- Nardi, P. M. Doing Survey Research: A Guide To Quantitative Methods. , Routledge. (2018).
- Sabater Hernández, D., Silva Castro, M. M., Faus Dáder, M. J. Método Dáder: guía de seguimiento farmacoterapéutico. , Grupo de Investigación en Atención Farmacéutica (GIAF): Grupo de Investigación en Atención Farmacéutica (CTS-131). Universidad de Granada. (2017).
- Pfeiffer, E. A Short Portable Mental Status Questionnaire for the Assessment of Organic Brain Deficit in Elderly Patients. Journal of the American Geriatrics Society. 23 (10), 433-441 (1975).
- Folstein, M. F., Folstein, S. E., McHugh, P. R. "Mini-mental state." A practical method for grading the cognitive state of patients for the clinician. Journal of Psychiatric Research. 12 (3), 189-198 (1975).
- Buschke, H., et al. Screening for dementia with the memory impairment screen. Neurology. 52 (2), 231-238 (1999).
- Verghese, J., et al. Picture-based memory impairment screen for dementia. Journal of the American Geriatrics Society. 60 (11), 2116-2120 (2012).
- Nasreddine, Z. S., et al. The Montreal Cognitive Assessment, MoCA: A Brief Screening Tool For Mild Cognitive Impairment. Journal of the American Geriatrics Society. 53 (4), 695-699 (2005).
- Kaya, D., et al. The Saint Louis University Mental Status Examination Is Better than the Mini-Mental State Examination to Determine the Cognitive Impairment in Turkish Elderly People. Journal of the American Medical Directors Association. 17 (4), e11-e15 (2016).
- O'Caoimh, R., et al. Comparison of the quick mild cognitive impairment (Qmci) screen and the SMMSE in screening for mild cognitive impairment. Age and Ageing. 41 (5), 624-629 (2012).
- Cullen, B., ONeill, B., Evans, J. J., Coen, R. F., Lawlor, B. A. A review of screening tests for cognitive impairment. Journal of Neurology, Neurosurgery & Psychiatry. 78 (8), 790-799 (2007).
- Martínez de la Iglesia, J., et al. Adaptación y validación al castellano del cuestionario de Pfeiffer (SPMSQ) para detectar la existencia de deterioro cognitivo en personas mayores e 65 años. Medicina Clínica. 117 (4), 129-134 (2001).
- Blesa, R., et al. Clinical validity of the 'mini-mental state' for Spanish speaking communities. Neuropsychologia. 39 (11), 1150-1157 (2001).
- Champely, S., Ekstrom, C., et al. pwr: Basic Functions for Power Analysis. , https://cran.r-project.org/web/packages/pwr/index.html (2018).
- Therneau, T., Atkinson, B., Ripley, B. rpart: Recursive Partitioning and Regression Trees. , https://cran.r-project.org/web/packages/rpart (2018).
- WHO Collaborating Centre for Drugs Statistics Methodology. ATC/DDD Index. , https://www.whocc.no/atc_ddd_index (2018).
- Kuhn, M., Johnson, K. Applied Predictive Modeling. 26, Springer New York. New York, NY. (2013).
- Therneau, T., Atkinson, E. An introduction to recursive partitioning using the RPART routines. , http://r.789695.n4.nabble.com/attachment/3209029/0/zed.pdf (2019).
- Kuhn, M. Building Predictive Models in R Using the caret Package. Journal of Statistical Software. 28 (5), 1-26 (2008).
- Climent, M. T., Pardo, J., Muñoz-Almaraz, F. J., Guerrero, M. D., Moreno, L. Decision Tree for Early Detection of Cognitive Impairment by Community Pharmacists. Frontiers in Pharmacology. 9, 1-12 (2018).
