Summary
Bu metodoloji, daha hafif bilişsel bozukluk muzdarip eğilimli nüfus grupları hedef karar ağaçları üretir ve hastalığın maliyet-etkin seçici tarama için yararlıdır.
Abstract
Hafif kognitif bozukluk (MCI) yaşlı popülasyonlar arasında demansın ilk belirtisidir ve erken teşhisi yaşlanan toplumlarımızda çok önemlidir. Ortak MCI testleri, gelişigüzel büyük taramanın maliyet-etkin olmayacağını gösteren zaman alıcıdır. Burada, soru tabanlı mci testi ile adayları hızla seçmek için makine öğrenimi tekniklerini kullanan bir protokolü açıklıyoruz. Bu, tarama için gereken kaynak sayısını en aza indirir, çünkü sadece MCI pozitif olan hastalar daha fazla test edilir.
Bu metodoloji, seçici bir tarama karar ağacının tasarımı için başlangıç noktasını oluşturan ilk MCI araştırma çalışmasında uygulanmıştır. İlk çalışmada birçok demografik ve yaşam tarzı değişkenleri yanı sıra hasta ilaçları hakkında ayrıntıları toplandı. Kısa Taşınabilir Zihinsel Durum Anketi (SPMSQ) ve Mini-Mental Durum Muayenesi (MMSE) mci olası olguları tespit etmek için kullanılmıştır. Son olarak, mci riski bireylerin sınıflandırılması için verimli bir süreç tasarlamak için bu yöntemi kullandı. Bu çalışma aynı zamanda, yaşlı popülasyonlar arasında MCI'nin önlenmesi ve erken teşhisinde yararlanılabilen MCI ile ilişkili yaşam tarzıyla ilgili faktörlere ilişkin içgörüler de sağlamaktadır.
Introduction
Nüfus yaşlanma kronik ve dejeneratif hastalıkların yaygınlığını artmaktadır, özellikle dejeneratif demans, hangi 20501 tarafından dünya çapında 131 milyondan fazla kişi etkilemesi bekleniyor. Tüm dejeneratif demanslar arasında, Alzheimer hastalığı (AD) Avrupa'da genel yaygınlığı ile en sık görülür 6.88%2. AD hastalarının sürekli azalan bağımsızlığı nedeniyle, bu grup AD ortaya çıkmaya başlar başlamaz destek almaya başlamalıdır. Bu nedenle, hafif kognitif bozukluk (MCI) gibi AD prodromal bulgularının erken saptanması esastır.
MCI normal yaşlanma ve demans nedeniyle ciddi bozulmaya karşılık gelen bir ara bilişsel gerileme aşaması olarak tanımlanır3. Petersen ve ark.4tarafından yapılan tahminlere göre, MCI prevalansı 65-69 yaş arası kişilerde %8,4 olup, 80 yaş üstü kişilerde %25,2'ye ulaşıyor. MCI, bireylerin özellikle bellek ve dil ile ilgili düşük düzeyli bilişsel becerilerin yürütülmesinde beklenenden daha fazla zorluk yaşamasına neden olur, ancak günlük yaşam faaliyetlerini engellemez.
Tarama tanı ile eş anlamlı değildir; MCI tanısı her zaman klinik bir görev olurken, tarama yöntemleri sadece bir hastanın bu patolojiden muzdarip olma olasılığının daha yüksek olduğunu ve klinik olarak teyit edilmesi gereken iyi kurulmuş bir MCI şüphesi olduğunu bize bildirebilir. Bu nedenle, birincil sağlık çalışanları (doktorlar, eczacılar, hemşireler, vb) dakika içinde uygulanabilir basit tarama yöntemleri (kısa bilişsel testler) durumu yararlanabilir. İdeal olarak, bu objektif bir MCI acı yüksek bir olasılık olan hastaları tanımlamak istiyorsunuz, böylece daha sonra klinik olarak genel veya uzman hekimler tarafından test edilebilir.
MCI'nin erken teşhisinin halk sağlığı bağlamında önemli bir görev haline geldiği göz önüne alındığında, bu çalışma, yaşlı popülasyonların tarama testlerinde MCI'nin hedeflenen tanımlamasında hangi özelliklerin yararlı olduğunu belirlemeyi amaçlamaktadır. Bu gruplar daha ayrıntılı mci için testler birincil sağlık sağlayıcıları tarafından yönetilen test edilecektir. Bu yöntem, hedefiçin popülasyon gruplarını tanımlamak için uygun algoritmaları içeren bir karar ağacı sağlar.
Bu özellikler arasında yaş, bu patolojinin gelişimi ile ilişkili en tutarlı faktörlerden biridir. Diğer ilgili özellikleri demografik veya yaşam tarzı ile ilgili5. Ikincisi arasında, bazı çalışmalar MCI tanısıyol açabilir bir risk faktörü olarak gündüz veya gece uyku süresi tespit etmiş5,6,7,8,9. Benzodiazepinler gibi ilaçların uzun süreli tüketimi, yaşlı yetişkinlerin tahmini tarafından tüketilen 20%-25%10,11, ayrıca uyku saatleri ve MCI gelişimini etkileyebilir12,13. Gerçekten de, kronik hastalıklar için uzun süreli tedaviler MCI muzdarip yüksek riski olan bireylerin ön seçiminde yararlı önemli özellikler olabilir.
Burada, otomatik öğrenme algoritmaları, bir karar ağacı ve mci algılama metodolojisinin etkinliğini artırmak için bir tahmin aracı kullanan veri tabanlı modeller geliştirdik. MCI tespiti. Burada sunulan karar ağacı topluluk eczaneler kullanılarak İspanyol hastaların belirli bir kohort kullanılarak üretildi. Ancak, bu yöntem aynı zamanda farklı özelliklere sahip diğer popülasyonlar arasında yararlı olacaktır.
Bu çalışma, birinci basamak sağlık ve uzman tıp doktorları ile işbirliği içinde tamamlanmıştır. Topluluk eczaneler hastalara yakın, uzun çalışma saatleri var ve sık sık ziyaret ve istişare çünkü bu algoritmayı test etmek için idealdir. Dejeneratif demanslar her zaman iyi birincil sağlık sağlayıcıları14tarafından anlaşılamamıştır karmaşık koşullardır. Bu nedenle, sürece dahil olmak MCI ve demans muzdarip insanların bilincini artıracaktır.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Bu çalışmada uygulanan metodoloji daha önce Valencia (İspanya) Aile ve Toplum Eczacılığı (SEFAC) ile ilişkili bölgedeki topluluk eczaneleri ile birlikte University CEU Cardenal Herrera'da yürütülen çalışmalarda5 yayınlanmıştır. Bu çalışma, Universidad CEU Cardenal Herrera'daki Araştırma Etik Komitesi tarafından gözden geçirildi ve onaylandı (onay no. CEI11/001) Mart 2011'de. Çalışmaya katılan tüm bireyler Helsinki Bildirgesi uyarınca katılım için yazılı bilgilendirilmiş onay verdi.
1. Hafif kognitif bozuklukla ilişkili faktörlerin seçimi
- Cochrane Sistematik İncelemelerin (örn. bilişsel bozukluk, demans, risk faktörleri, vb.) taranmasında kullanılmak üzere MCI ile ilgili terimleri arayın.
- PubMed veritabanında yayınlanan bilişsel bozulma veya demans ile bir ilişki bazı kanıtlar olduğu terimler için arama; bunlar arasında demografik faktörler (cinsiyet, yaş, eğitim düzeyi ve ekonomik durum), sosyal faktörler (bilişsel ve sosyal faaliyetler), kronik patolojiler (kolesterol, depresyon, hipertansiyon, diyabet ve obezite) ve yaşam tarzı davranışları (alkol tüketim, sigara alışkanlığı, diyet, fiziksel aktivite ve uyku saatleri).
- Nitel değişkenlerin oran oranını veya nicel değişkenler için Cohen'in d efekti boyutunu hesaplayın15. Bir anket ayrıntılı olarak kullanmak için bilişsel bozulma veya demans için daha büyük etki boyutları ile değişkenleri seçin.
2. Anketlerin tasarımı
- Nardi16tarafından sağlanan yönergeleri izleyerek, seçilen değişkenler hakkında bilgi toplamak için bir anket tasarlayın. Örneğin, Climent ve ark.5'te kullanılan değişkenler demografik (yaş, kilo ve boy [kalibre edilmiş ölçekler ve stadiometreler kullanılarak standartlaştırılmış prosedürlerle ölçülür], cinsiyet, eğitim düzeyi ve istihdam tipi), yaşam tarzı (fiziksel egzersiz, okuma, gece ve gündüz uyku için harcanan zaman, bulmacalar, oyunlar, TV tüketim süresi ve tütün ve alkol tüketimi) ve kronik patolojiler (hipertansiyon, hiperlipidemi ve diyabet). Buna ek olarak, varlığı veya depresyon yokluğu kaydedin, hangi sık bilişsel bozulma ile ilişkilidir.
- Bu sayfayı tasarlamak için Dader'in17 yöntemini kullanan Climent vd.5'teolduğu gibi, görüşme sırasında katılımcılar tarafından tüketilen tüm ilaçları rapor etmek için bir farmakoterapi takip sayfası tasarlayın.
3. MCI taraması için testlerin seçimi
- Birincil sağlık çalışanları (örn. eczacılar) tarafından uygulanabilecek MCI'yi taramak için kullanılan tüm testleri belirleyin. Bir uzman tarafından uygulanması gereken testleri reddedin. Bu koşulları yerine getiren testlerin bazıları Kısa Taşınabilir Zihinsel Durum Anketi (SPMSQ)18, Mini Zihinsel Durum Muayenesi (MMSE)19, Bellek Bozukluğu Ekran (MIS)20, Resim Hafıza Bozukluğu Ekran (PMIS)21, Montreal Bilişsel Değerlendirme (MoCA)22, Saint Louis Üniversitesi Zihinsel Durum (SLUMS)23, ve Hızlı Hafif Bilişsel Bozukluk (Qmci)24. Her MCI testinin kapsamlı bir incelemesi Cullen ve ark.25'temevcuttur.
- Bilimsel literatürde test hassasiyetleri ve özellikleri iyi bir tahmin arayın.
- Sağlıklı bireylere bu testleri yönetmek için gereken süreyi tahmin edin.
- Bu testlerin tamamlanması için gerekli temel hasta özelliklerini göz önünde bulundurun. Örneğin, birçok MCI testi okuma yazma bilmeyen katılımcılar için uygun olmadığından, minimum eğitim düzeyi gerekli olabilir. McI tarama testleri bir dizi genellikle duyarlılığı artırmak için uygulanır; ancak, son seçici tarama büyük bir nüfus için tasarlanmıştır eğer testlerin minimum sayıda hızlı bir şekilde eczacılar tarafından uygulanmalıdır. Climent ve ark.5 MMSE ve SPMSQ testleri kullanarak MCI değerlendirildi, ikincisi okuma yazma bilmeyen İspanyol iç savaşı yaşamış bireylerin çok sayıda için uygun olan.
- Pfeiffer18 tarafından SPMSQ bir varyantı kullanın Martínez de la Iglesia26tarafından İspanyolca doğrulandı. Bu test in maksimum puanı 10'dur ve bilişsel bozukluk oluşturmak için kesme noktası 3 veya daha fazla hatadır (okuma yazma bilmeyen bireyler için 4 veya daha fazla). Bu testin tamamlanması 8 ila 10 dakika sürer.
- Folstein19tarafından orijinal sürümünü uyarlayarak Blesa27 tarafından İspanyolca konuşanlar için doğrulanmış MMSE bir NORMACODERM sürümünü kullanın. Bu tarama testi en fazla 30 puana sahiptir ve hastaların eğitim yıllarına ve yaşlarına göre düzeltilir. 24'ten az veya eşit puan alan katılımcılar MCI vakası olarak kabul edilir. MMSE genel bilişsel fonksiyonun bir ölçüsüdür ve zaman ve yere yönlendirme, yazılı ve sözlü dil, dikkat süresi, hesaplama ve bellek içerir. Bu çalışmada tüm katılımcılara uygulandı çünkü tamamlanması sadece yaklaşık 5 dakika sürer çok kısa bir testtir.
4. Konu alımı
- Çalışma nüfusunu oluşturmak için kurumsallaşmayan kişileri işe almak isteyen eczacılar bulun. Climent ve ark.5 tarafından söz konusu çalışma, düzenli olarak eczaneye giden ve bu çalışmaya katılmayı kabul eden 65 yaş ve üzeri kişileri içeriyordu. Bu değerlendirme testlerini yapmakta güçlük çeken (örneğin, körlük, sağırlık vb.) veya demans tedavisi gören hastaları hariç tinleyin.
- Katılımcı eczacılara, çalışmaya katılan her birey tarafından doldurulması gereken bilgilendirilmiş onay formlarını sağlayın. Bu onay formu, araştırmanın başlığını, projenin amaçlarını, katılımcının katılacağı tüm prosedürlerin anlaşılır bir açıklamasını, belirli risklerin olmamasını, toplanan tüm verilerin gizliliğini ve herhangi bir zamanda herhangi bir nedenle çalışmadan çekilme hakkı.
- Katılımcılara yapılandırılmış kişisel görüşmeler yönetmek için eczacılar eğitmek, kişi başına yaklaşık yarım saat sürmesi gerekir. 1 yıl boyunca veri toplayın ve tüm formları çalışmada veri korumadan sorumlu araştırmacılara gönderin. Daha sonra 3 ay boyunca hastalarla takip.
- Eczacılara MCI testlerini kullanarak olası bir MCI vakasını nasıl tanımlayabınlarını öğretin. Climent ve ark.5'e dayanarak, düzeltilmiş MMSE testinde 4 veya daha fazla puan (okuma yazma bilmeyen katılımcılar için) veya diğer katılımcılar için 3 veya daha fazla puan ve 24 puan veya daha az puan kullandık.
- Eczacılara MCI vakalarını klinik tanıları için bir tıp uzmanına (nörolog) nasıl yönlendireceklerini öğretin-bu araştırma çalışmasında kullanılan akış şemasındaki son adım(Şekil 1).
Şekil 1: Araştırma çalışmasının akış şeması ve önerilen seçici tarama. Sol taraf, sağ panelde gösterilen MCI'ın erken teşhisi için seçici tarama önermek için verileri makine öğrenme teknikleri ile analiz edilen ilk çalışmayı temsil etmektedir. Bu rakam Climent34'tendeğiştirilmiştir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
5. Eczacı araştırmacı eğitimi
- Katılımcı eczacıları bilişsel bozuklukla ilgili temel bilgiler konusunda eğitmek ve tarama araçlarını yönetmek için spmsq ve MMSE gibi oturumları düzenlemek için uzmanlarla iletişime geçin.
- Katılımcı eczacıların prosedürlerden, veri toplama protokolünden ve veri korumayla ilgili tüm olası sorunlardan haberdar olmalarını sağlayın. Projenin bir Araştırma Etik Komitesi tarafından onaylandığını ve Helsinki Bildirgesi'ne göre onay formunun önemini bildirin.
NOT: Climent ve ark.5tarafından açıklanan çalışmayı gerçekleştirmek için, Resmi Eczacılar Koleji'nde ve Cardenal-Herrera CEU Üniversitesi'nde (UCH-CEU) çalıştaylar düzenlendi ve şunlar ele alındı: MCI ve demans; MCI ve SPMQP ve MMSE yönetimi için tanısal yaklaşımlar (Castellón La Plana Hastanesi'nde Nöroloji Servisi tarafından öğretilen); üst düzey topluluk eczacı araştırmacıları tarafından metodolojinin proje sunumu ve açıklaması; uch-CEU Üniversitesi Eczacılık Bölümü araştırmacıları tarafından sağlık eğitimi ve bilişsel eğitim.
6. Çalışma tasarımı
- Projenin fizibilitesini değerlendirmek için bir örneklem boyutunu hesaplayın. Bu gözlemsel bir çalışma olduğu için, daha büyük bir örnek daha etkili araçlar üretecektir. Örneklem boyutunu belirlemenin iki yolu vardır: biri yaygınlık tahminine dayanır ve diğeri etki büyüklükleri dikkate alınarak daha hassastır.
- Popülasyondaki durumun yaygınlığının doğru bir tahminini hesaplama
α'nın anlamlılık düzeyi olduğu durumlarda, p0 ilk tahmindir ve hata %100(1 - α)güven ile beklenen maksimum hatadır. - Her faktör için literatürde bulunan etki boyutlarına göre,15,28farklılıkları tespit etmek için ne kadar güç gerektiğini tahmin etmek için R pwr paketi gibi araçlar kullanın.
NOT: Örneğin,5 no'lu çalışmamızda ilk öneriyi %95 güven ve 65 yaş ve üzeri nüfusta %15'lik MCI yaygınlığının ilk tahmini ile tasarladık ve bu da 541 bireyin tahmini gerekli örneklem büyüklüğüyle sonuçlandı.
- Popülasyondaki durumun yaygınlığının doğru bir tahminini hesaplama
7. Disiplinlerarası iletişim ağı, eczacılar, birinci basamak sağlık hekimleri ve uzmanlar
- Proje hakkında bilgileri ilgili sağlık merkezlerine iletmek için mektuplar tasarla.
- Katılımcı eczacılara, sağlık merkezine bir mektup la, tarama sonuçları hakkında atanan hekimlere nasıl bilgi verilebislerini açıklayın.
- Katılımcı eczanelerle ilgili sağlık merkezlerinin tıbbi koordinatörlerine ve atandıkları hastanelerin Nöroloji Hizmetleri'ne yazılı iletişim göndermek.
- Uzman sağlık hizmeti sağlayıcıları tarafından yapılan özel testler ile her hastanın kesin tanısını öğrenmek için katılımcı nörologlarla iletişime geçin. Bundan önce, birincil sağlık hizmeti sağlayıcıları klinik kılavuzlar tarafından özetlendiği gibi aşağıdaki protokolü gerçekleştirmelidir(Şekil 2).
Şekil 2: Birincil sağlık eylemi için protokol. Hasta uzmanlar tarafından tıbbi tanı için sevk edilmeden önce erken MCI tespiti için göz önünde bulundurulması gereken birincil sağlık faaliyetlerinin bir örneği. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
8. İstatistiksel analiz ve ön işleme
NOT: Makine öğrenimi tekniklerini uygulamadan önce, orijinal verileri son çalışma amacına ve uygulanacak prosedürlere göre yeni bir veri setine dönüştürmek için bir hazırlık adımı gereklidir. Bu dönüşüm için, algoritmaların özellikleri de dahil olmak üzere birkaç şey göz önünde bulundurulmalıdır. Bunun nedeni, karar ağaçları oluşturmak için kullanılan algoritmalar özellikle bu sorunlara karşı sağlam olsa da, bazılarının sütunlar arasında değişkenlik veya bilgi paylaşımı eksikliğine karşı duyarlı olmasıdır. Bu ilk aşama nitel değişkenleri kategorilere ayırmayı ve her değişken için yeterli durumda değerleri toplamayı amaçlar. Verimli tarama için, edinimi kolay ve doğru olduğu kanıtlanan değişkenleri seçmek önemlidir. Katılımcılar, kullanılan algoritmaların beyaz kutu modeliyle sınırlandırıldığı kısa bir mülakatla seçilir ve bu da bireyin sınava girip sınava katIlamaması gerektiğine karar vermek için kullanılan ölçütleri denetlemeyi kolaylaştırır. Bu algoritmalar için R yazılımındaki rpart29 paketini kullanmanızı ve özyinelemeli bölümleme uygulamanızı öneririz.
- Katılımcı eczanelerden tüm formları toplayın ve bunları her sütunun değişken olduğu ve her katılımcı bireyin bir satır olduğu bir tabloya dönüştürün.
- Her katılımcıya bir kimlik numarası atayın. Makine öğrenme algoritması tarafından kullanılmaması için kimlik numarasını ve iletişim bilgilerini farklı bir belgeye kaydedin.
- Farmakoterapi takip sayfasındaki aktif ana bileşenlere göre, hastanın aldığı her ilacın ikinci veya üçüncü ATC30 (Anatomik Terapötik Kimyasal) seviye kodlarına karşılık gelip gelmediğini sınıflandırmak için değişkenler oluşturun.
- İlk açıklayıcı çözümleme gerçekleştirin.
- Her ordinal değişken için, değişken için yeterli bir kontrast seçin. Kategorik değişkenler için, temel olarak kabul edilen değeri seçin.
- Kategorik değişkenler için, MCI için tarama için bir yanıt değişkeni ile tek değişkenli bir lojistik regresyon hesaplayın. Regresyonun sonucunu bir acil durum tablosu, p-değeri,örnek oran oranı ve oran oranının %95 güven aralığı ile analiz edin.
- Nicel değişkenler için, ortalama, standart sapma, lojistik regresyon katsayısını ve katsayılarının %95 güven aralığını hesaplayın.
- Bu değişkenlerin doğru bir şekilde toplanmasızor olduğunu göz önünde bulundurarak, eksik (kullanılamayan) değerlere sahip değişkenleri reddedin.
- Lojistik regresyon analizine göre yalnızca istatistiksel olarak anlamlı bir kategori(α < 0,01) olan değişkenleri seçin. Bu adımın sonucu, ilk adıma göre daha az veri kümesi üretir.
9. Algoritmalar bir karar ağacı oluşturmak için
NOT: Makine öğrenme algoritmaları, hangi bireylerin mci testi sonucunun pozitif olduğunu tahmin etmek için düzgün bir şekilde parametreye getirilmelidir. Bir durum için tarama sırasında ana sorunlardan biri orijinal veri dengesiz olması bekleniyor (yani, negatif olanlara göre birkaç olumlu olgu). Dengeli veri ile modeller elde etmek için biz aşağı örnekleme veya rasgele örnekleme denilen bir teknik kullanılan, en düşük frekans sınıf31ile frekans eşitlemek için . Verimli tarama da mümkün olduğunca yanlış negatiflerin sayısını azaltmayı gerektirir (yani, MCI muzdarip katılımcıların seçiminin duyarlılığını artırmak). Daha fazla duyarlılık elde etmek için kullanılan tekniklerden biri Gini'nin safsızlık endeksinin (yani, karar ağacı için en iyi bölmeyi seçmek için algoritma tarafından kullanılan indeks)32'ninhesaplanmasında cezaların getirilmesidir.
- Sırasıyla, caret kitaplığındaki createDataPartition işlevini kullanarak tüm veri kümesinin %80'i ve %20'si ile bir eğitim ve test veri seti oluşturun33.
- Karar ağaçları oluşturmak için kullanılan algoritmaları eğitim veri kümesine uygulayın. Caret kitaplığı33 tren tekrar fonksiyonu kullanın. Aşağıdaki adımlar işlevin farklı parametreleridir; örneğin, bu yazıda kullanılan ağaç rpart29 (yöntem = "rpart") ile oluşturulmuştur, ancak diğer algoritmalar mevcuttur.
- 'Aşağı örnekleme' örnekleme yöntemini seçin ve örnekleme = "aşağı" parametresini bakıma tanıtılın.
- Her iki sınıf için önceki olasılıkları ayarlayın.
- Artan hassasiyete odaklanmak için Gini'nin kirlilik indeksi cezaları ile bir kayıp matrisi sağlayın.
- Algoritmadaki her parametre için uygun bir değerler tablosu seçin.
- Parametre ızgarası içindeki en iyi modelleri seçmek için alıcı işletim eğrisi (ROC) değerlerinin çapraz doğrulama tahminini kullanın.
- Modelin gerçek performansını değerlendirmek için test kümesi tahmini için bir karışıklık matrisi ve ROC eğrisi (AUC) altındaki alanı hesaplayın.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Katılımcı eczaneler 728 kullanıcıdan veri toplamış ve katılımcılara reçete edilen ilaçlara ek olarak demografik değişkenler toplanmıştır. Tüm değişkenler için tek değişkenli lojistik regresyon yapıldı34; Şekil 3 ve Şekil 4'te gösterilen hata çubuğu grafikleri, oran oranının güven aralığının (nitel değişkenler için) ve lojistik regresyon katsayısının güven aralığının (nicel değişkenler için) uygun grafik gösterimleridir. 0.01'i aşan p-değerleriolan değişkenler (cinsiyet, yaş, eğitim düzeyi, okuma alışkanlığı, uyku, depresyon ve hafıza şikayetleri) seçilerek karar ağacına dayalı beyaz kutu modeli oluşturmak için kullanılmıştır. Bu karar ağacı, 583 bireyden oluşan bir eğitim veri seti kullanılarak oluşturulmuş ve 145 katılımcıdan oluşan bir test kümesi ile doğrulanmış.
R'deki caret33 kitaplığını kullandıktan sonra, ortaya çıkan ağaç, ağaçtaki son düğümlerine (Şekil 5'tegösterilmiştir) ve birkaç soruya verdikleri yanıtlara bağlı olarak her bireye MCI acı çekme olasılığı atadı. Bu olasılıkların tahmin yeteneğini değerlendirmek için, test kümesinin ROC analizi yapılmıştır (Şekil 6); onun AUC 0,763 ve% 95 güven aralığı (0,6624, 0,8632) idi. Olasılıklara ek olarak, Şekil 5'te gösterilen ağaç, hastanın ne kadar uyuduğu ve ne sıklıkta okuduğu, hastaların MCI testlerini alıp almaması gerektiği (0,76 hassasiyeti ve 0,70 özgüllüğü ile) önermek için çok basit sorular da kullanmuştur.
McI riski altındaki kullanıcıları seçmek için bu karar ağacını ve kısa mülakatı kullanarak MCI testi gerektiren hasta sayısını önemli ölçüde azaltmayı başardık (yönetim oldukça zaman alır). Bu azalma, test kümesindeki veriler kullanılarak ve Tablo 1'degösterilen gözlenen ve tahmin edilen sınıfların karışıklık matrisinin yorumlanmasıyla tahmin edilebilir. Bu çalışmada, test setindeki 145 katılımcıdan 55'i daha fazla MCI testi için karar ağacı tarafından belirlendi ( test yapan kullanıcıların %62'sinin azaltılmasını temsil eden) ve aynı zamanda MCI pozitif olan bireylerin çoğunu (25 kişiden 19'u) seçti.
Şekil 3: Ön işleme sırasında seçilen değişkenlerin örneği. Oran oranının %99 güven aralığı hesaplandı ve hata çubuğu olarak temsil edildi. Lojistik regresyon için temel değer, her panelin üstündeki değişkenin adının altında gösterilir. Değişkenin her değeri için bir hata çubuğu, bu değeri alarak taban değeri alma oran oranının güven aralığını temsil eder. Ağacı oluşturmak için kullanılan değişkenler seçildiğinden, güven aralıkları bazı değerler için 0 değerini içermez, çünkü bunlar önemli farklar gösterir. Dikey eksenin ölçeği, gruplar arasında karşılaştırmalara yardımcı olmak için logaritmiktir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 4: Ön işleme sırasında seçili olmayan değişkenler örneği. Oran oranının %99 Güven Aralığı hesaplandı ve bir hata çubuğuyla temsil edildi. Lojistik regresyon için temel değer, her panelin üstündeki değişkenin adının altında gösterilir. Değişkenin her değeri için bir hata çubuğu, bu değeri alarak taban değeri alma oran oranının güven aralığını temsil eder. Önceki şeklin aksine, seçilen değişkenlerin tüm güven aralıkları, ağacı oluşturmak için önemli bir fark bulunmadığından, 0 değerini içerir. Dikey eksenin ölçeği, gruplar arasında karşılaştırmaya yardımcı olmak için logaritmiktir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 5: Eczane kullanıcılarının seçimi için önerilen bölüm ağacı. Aşağıdaki ağaç, 65 yaş ın üzerindeki bireyler için MCI testleri için seçim algoritmasını gösterir. Kutunun üst kısmındaki metin MCI tarama testleri alarak önerisi karşılık gelir, aşağıdaki iki sayı negatif veya pozitif MCI test sonucu tahmini olasılık, sırasıyla vardır. Kutunun altındaki değer, eğitim kümesinde bu özelliklere sahip bireylerin yüzdesidir. Kutunun rengi ne kadar sıcaksa, MCI testleri pozitif olur. Üst düğüm, katılımcının bellek şikayeti olup olmadığı sorusuna karşılık gelir. Bireyin hafıza şikayeti yoksa, ağaç sol dala götürür ve takip eden sorular bireyin cinsiyeti hakkında sorar; bir bellek şikayeti olan hastalara günde ne kadar uyudukları sorulur. Bu rakam Climent34'tendeğiştirilmiştir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 6: Bölme ağacı için alıcı çalışma eğrileri ve test kümesindeki son kararın hassasiyeti ve özgüllüğü. Grafik, test kümesinde bölüm ağacı algoritması tarafından atanan olasılıkların ROC eğrisini temsil eder. Kırmızı yüzey AUC'ye karşılık gelir ve eğrideki mavi nokta ağaç tarafından yapılan son tavsiyenin hassasiyetini ve özgüllüğünü gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
| Başvuru | |||
| № | Evet | ||
| Tahmin | № | 84 | 6 |
| Evet | 36 | 19 | |
Tablo 1: Karışıklık matrisi. Önerilen modeli doğrulamak için kullanılan test kümesinde öngörülen ve gözlenen değerlerin kafakarışıklığı matrisi.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
PubMed veritabanında Cochrane çalışmalarında MCI ile ilişkili terimleri araştırdıktan sonra, MCI ile kanıtlanmış bir ilişki ile en belirgin değişkenleri kullanan bu çalışma için özel bir anket oluşturuldu. Demografik, yaşam tarzı ve sosyal faktörlerin yanı sıra hastanın farmakoterapisi ve bazı ilgili patolojiler de kaydedildi. Ayrıca, SPMSQ ve MMSE MCI testleri de seçildi. Daha da önemlisi, SPMSQ katılımcıların eğitim seviyesinden etkilenmedi. Eczacılar bu çalışmayı yönetmek için eğitildi ler ve birincil ve özel bakım ile iletişim bu çalışmayı bildiren mektuplar la güvence altına alındı. Sadece özel sağlık hizmeti sağlayıcıları, bu testler sonucunda MCI'den şüpheleniliyorsa kesin olarak tanı koyabiliyordu.
Sonuç olarak, bu çalışmada, durumun düşük prevalansı olan bir popülasyon (%17) arasında MCI taraması yaptık. Seçilen kullanıcılar arasında MCI pozitiflerinin yüzdesini %30'dan fazla artıran makine öğrenimi teknikleri ile kullanım için bir dizi seçim kriteri tasarladık. Sonuç olarak, bu araçlar tarama verimliliğini artırmaya ve karar ağacı tarafından seçilen nüfus grubu arasında toplu tarama maliyetini önemli ölçüde azaltmaya yardımcı olur.
Bu yöntemin bir sınırlama, karar ağacı nın bu özel kohortta nüfus değiştikçe geçersiz hale gelebileceği ve bu nedenle, büyük olasılıkla periyodik güncellemeler gerektireceğidir. Örneğin, bu popülasyondaki pek çok kişi okuma yazma bilmiyor, ancak 65 yaş ın üzerindeki okuma yazma bilmeyen lerin sayısı gelecekte azalacaktır. Bu demografik değişiklikler okumayla ilgili değişkenleri etkileyecek ve karar ağacının gelecekte yeniden kalibrasyonını gerektirecektir.
Dikkat çekici bir şekilde, bu veri odaklı model, özlü ama bilgilendirici ve verimli bir modelin yapımında en önemli değişkenler (yüzlerce kişiden) hakkında bilgi sağlamıştır. Bir karar ağacı oluşturmak odaklanmak için en iyi değişkenler hakkında fikir sağlar ve hem daha fazla MCI testi tavsiye edilir ve bu bağlamda bu popülasyonlar hakkındaki bilgimizi ilerletmek için insanların seçilmesine yardımcı olmak için uygun maliyetli bir yoldur.
MCI gelecekteki yüzde algılama oranını artırmak için, artan etkinliğini garanti edebilir yeni maliyet-etkin teknikler gerektirir. Bu protokol zaman alıcıdır ve eczacıların günlük işlerine entegre olmaları zordur. Böylece, MoCA22 veya SLUMS23 (hem yeterli duyarlılık ve özgüllük ile) gibi diğer testler gelecekte MCI hızlı tespiti için düşünülebilir.
Özgüllük ve test süresi arasındaki dengenin sistematik bir şekilde değerlendirilmesi, tarama için kullanılan MCI testlerinin kümesinin etkinliğini artırmalıdır. Ayrıca, çalışmada yer alan ilgili nicel değişkenler, verimli bir kesim seçilebilsin diye geniş bir yelpazeye sahip olmalıdır; dar bir aralık erken teşhis ten nüfusun büyük bir kısmını dışlar. Örneğin, işe alım kriterleri (65 yaş üstü) çok muhafazakar olduğu için, yaş değişkeni (MCI tanılarında her zaman önemli bir kriter olarak kabul edilir) bu karar ağacında ilgili olarak kabul edilmedi; genç bireylerin gelecekteki bir çalışmaya dahil edilmesi, MCI taramasının başlatılması için en uygun yaşın hesaplanmasına olanak sağlayacaktır.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Yazarların açıklayacak bir şeyi yok.
Acknowledgments
Bu çalışma, Know Alzheimer Vakfı'nın desteği ve Universidad CEU Cardenal Herrera, özellikle Enrique Giner'deki multimedya üretim hizmetinin yardımıyla mümkün kılındı. McI tanılarıbaşta Vicente Gassull, Rafael Rafael olmak üzere tüm katılımcı eczanelerin (SEFAC) ve Birinci Basamak Doktorları Derneği (SEMERGEN) ve Nöroloji Derneği'nden (SVN) çalışan doktorların çalışmalarını tanımak istiyoruz. Sánchez ve Jordi Pérez. Son olarak, bu çalışmada yer almayı kabul eden herkese teşekkür ederiz.
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).
