Summary
Эта методология производит деревья решений, которые ориентированы на группы населения, более склонные к страданиям от легких когнитивных нарушений и полезны для экономически эффективного селективного скрининга заболевания.
Abstract
Мягкие когнитивные нарушения (MCI) является первым признаком деменции среди пожилых людей и его раннее обнаружение имеет решающее значение в наших обществах старения. Общие тесты MCI отнимают много времени, так что неизбирательный массовый скрининг не будет экономически эффективным. Здесь мы описываем протокол, который использует методы машинного обучения для быстрого отбора кандидатов для дальнейшего отбора с помощью теста MCI на основе вопросов. Это сводит к минимуму количество ресурсов, необходимых для скрининга, потому что только пациенты, которые потенциально MCI положительные проходят тестирование дальше.
Эта методология была применена в первоначальном исследовании MCI, которое сформировало отправную точку для разработки селективного дерева решений скрининга. Первоначальное исследование собрало много демографических и переменных образа жизни, а также подробную информацию о лекарствах пациентов. Для выявления возможных случаев MCI использовались краткий портативный вопросник о психическом состоянии (СПбМТС) и Мини-Ментальный государственный экзамен (MMSE). Наконец, мы использовали этот метод для разработки эффективного процесса классификации лиц, подверженных риску MCI. Эта работа также дает представление о факторах, связанных с образом жизни, связанных с MCI, которые могут быть использованы в профилактике и раннем выявлении MCI среди пожилых людей.
Introduction
Старение населения увеличивает распространенность хронических и дегенеративных заболеваний, особенно дегенеративных деменций, которые, как ожидается, затронут более 131 миллиона человек во всем мире к 2050 году1. Среди всех дегенеративных деменций, болезнь Альцгеймера (AD) является наиболее распространенным с общей распространенностью в Европе 6,88%2. Из-за постоянно снижающейся независимости aD пациентов, эта группа должна начать получать поддержку, как только АД начинает проявляться. Таким образом, раннее выявление продромальных признаков АД, таких как умеренные когнитивные нарушения (MCI), имеет важное значение.
MCI определяется как промежуточная стадия когнитивного спада, соответствующая нормальному старению и сильному ухудшению из-за деменции3. По оценкам Petersen et al.4,распространенность MCI составляет 8,4% среди людей в возрасте 65-69 лет и достигает 25,2% для людей старше 80 лет. MCI приводит к тому, что люди испытывают больше трудностей, чем ожидалось, при выполнении когнитивных навыков низкого уровня, особенно связанных с памятью и языком, но не вмешиваются в повседневную жизнь.
Скрининг не является синонимом диагностики; диагноз MCI всегда будет клинической задачей, в то время как методы скрининга могут только сообщить нам, что пациент имеет более высокую вероятность страдания от этой патологии и что есть обоснованные подозрения MCI, которые должны быть подтверждены клинически. Таким образом, работники первичной медико-санитарной помощи (врачи, фармацевты, медсестры и т.д.) могли бы извлечь выгоду из наличия простых методов скрининга (краткие когнитивные тесты), которые могут быть применены в считанные минуты. В идеале, они будут объективно идентифицировать пациентов с высокой вероятностью страдания MCI, так что они могут быть клинически протестированы общими или специализированными врачами.
С учетом того, что раннее выявление МСИ становится важной задачей в контексте общественного здравоохранения, эта работа направлена на выявление характеристик, которые полезны при целенаправленной идентификации МКИ в скрининговых тестах пожилых людей. Затем эти группы будут более тщательно протестированы на MCI в тестах, проводимых поставщиками первичной медико-санитарной помощи. Эта методология предоставляет дереву решений соответствующие алгоритмы для определения групп населения для целевого.
Среди этих характеристик возраст является одним из наиболее последовательных факторов, связанных с развитием этой патологии. Другие соответствующие характеристики связаны с демографией или образом жизни5. Среди последних, некоторые исследования определили продолжительность дневного или ночного сна в качестве фактора риска, который может привести к диагностике MCI5,6,7,8,9. Длительное потребление таких препаратов, как бензодиазепины, потребляется примерно 20%-25% пожилых людей10,11, также может повлиять на часы сна и развитие MCI12,13. Действительно, длительное лечение хронических заболеваний может быть важным и полезным в предварительном отборе лиц с высоким риском заболевания MCI.
Здесь мы разработали модели на основе данных, которые используют автоматические алгоритмы обучения, дерево решений и прогностический инструмент для повышения эффективности методологии обнаружения MCI путем дискриминации, какие характеристики играют важную роль в начале обнаружение MCI. В результате дерево решений, представленных здесь был произведен с использованием конкретной когорты испанских пациентов с использованием общинных аптек. Однако этот метод был бы также полезен среди других групп населения с различными характеристиками.
Эта работа была завершена в сотрудничестве с первичной медико-санитарной помощи и специализированных врачей. Общественные аптеки были идеальными для тестирования этого алгоритма, потому что они близки к пациентам, имеют долгие часы работы, и часто посещаются и консультируются. Дегенеративное слабоумие являются сложными состояниями, которые не всегда хорошо понимают поставщики первичной медико-санитарной помощи14. Таким образом, участие в этом процессе будет повышать осведомленность людей, страдающих от MCI и слабоумия.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Методология, применяемая в этом исследовании, была ранее опубликована5 в работе, проведенной в университете CEU Cardenal Herrera совместно с общинными аптеками в регионе Валенсия (Испания), связанных с Испанским обществом семьи и общинной фармации (SEFAC). Это текущее исследование было рассмотрено и одобрено Комитетом по этике исследований в Университете CEU Cardenal Herrera (утверждение нет. CEI11/001) в марте 2011 года. Все лица, участвующие в исследовании, дали свое письменное информированное согласие на участие в соответствии с Хельсинкской декларацией.
1. Выбор факторов, связанных с умеренными когнитивными нарушениями
- Поиск терминов, связанных с MCI для использования в скрининге Кокрановский систематических обзоров (например, когнитивные нарушения, слабоумие, факторы риска и т.д.).
- Поиск терминов, для которых имеются некоторые свидетельства связи с когнитивным ухудшением или деменцией, опубликованные в базе данных PubMed; к ним относятся демографические факторы (пол, возраст, уровень образования и экономическое положение), социальные факторы (когнитивная и социальная деятельность), хронические патологии (холестерин, депрессия, гипертония, диабет и ожирение), а также поведение (алкоголь) потребления, привычки к курению, диете, физической активности и часов сна).
- Рассчитайте коэффициент коэффициента для качественных переменных или размер эффекта Коэна для количественных переменных15. Выберите переменные с большими размерами эффекта для когнитивного ухудшения или деменции для использования в разработке вопросника.
2. Разработка вопросников
- Разработать вопросник для сбора информации об выбранных переменных, в соответствии с руководящими принципами, предоставленными Nardi16. Например, переменные, используемые в Climent et al.5, были демографическими (возраст, вес и рост (измеренные со стандартизированными процедурами с использованием калиброванных шкал и стадиометры), секс, уровень образования и тип занятости), образ жизни (физические упражнения, чтение, время, проведенное на ночь и в течение дня, головоломки, игры, время потребления телевизора, и потребление табака и алкоголя), а также хронические патологии (гипертония, гипертипедия). Кроме того, фиксируют наличие или отсутствие депрессии, которая часто связана с ухудшением когнитивных функций.
- Дизайн фармакотерапии последующей лист, чтобы сообщить все препараты, потребляемые участниками во время интервью, как и в Climent et al.5, который использовал метод Дадера17 для разработки этого листа.
3. Выбор тестов для скрининга MCI
- Определите все тесты, используемые для проверки MCI, которые могут проводиться работниками первичной медико-санитарной помощи (например, фармацевтами). Отклоните любые тесты, которые должны проводиться специалистом. Некоторые из тестов, которые выполняют эти условия являются короткие портативные психического состояния вопросник (SPMS)18, Мини психического государственного экзамена (MMSE)19, Память Нарушения экрана (MIS)20, Экран нарушения памяти изображения (PMIS)21, Монреаль когнитивной оценки (MoCA)22, Сент-Луис университет психического статуса (SLUMS)23, и быстрый мягкий когнитивных нарушений ()24. Исчерпывающий обзор каждого теста MCI доступен в Каллен и др.25.
- Поиск хорошей оценки чувствительности и особенностей теста в научной литературе.
- Оцените время, необходимое для проведения этих тестов здоровым людям.
- Рассмотрим основные характеристики пациента, необходимые для завершения этих тестов. Например, минимальный уровень образования может быть необходим, потому что многие тесты MCI не подходят для неграмотных участников. Набор скрининговых тестов MCI обычно применяется для повышения чувствительности; однако минимальное количество тестов должно быть быстро проведено фармацевтами, если окончательный селективный скрининг предназначен для большого числа населения. Climent et al.5 оценивали MCI с помощью тестов MMSE и SPMS, причем последние подходят для большого числа лиц, переживших гражданскую войну в Испании, которые неграмотны.
- Использование варианта SPMS по Пфайффер18 был проверен на испанском языке Мартинес де ла Иглесия26. Этот тест имеет максимальный балл 10 и точка отсечения для установления когнитивных нарушений составляет 3 или более ошибок (4 или более для неграмотных лиц). Этот тест занимает от 8 до 10 минут.
- Используйте версию NORMACODERM MMSE, проверенную для испаноговорящих Blesa27, адаптируя оригинальную версию Folstein19. Этот скрининг-тест имеет максимальный балл 30 и исправляется в соответствии с годами обучения пациентов и возрастом. Участники, которые набрали меньше или равны 24, рассматриваются в качестве случаев MCI. MMSE является мерой общей когнитивной функции и включает в себя ориентацию на время и место, письменный и разговорный язык, концентрацию внимания, расчет и память. Он был введен для всех участников этого исследования, потому что это очень короткий тест, который занимает всего около 5 минут.
4. Тема набора
- Найти фармацевтов готовы набирать неинституционализированных людей для формирования исследования населения. В упомянутом исследовании, проведенном Climent et al.5, входили люди в возрасте 65 лет и более, которые регулярно посещали аптеку и согласились принять участие в этом исследовании. Исключите пациентов с любыми трудностями при выполнении этих оценочных тестов (например, из-за слепоты, глухоты и т.д.) или которые уже лечились от деменции.
- Предоставьте участвующим фармацевтам информированные формы согласия, которые должны быть заполнены каждым человеком, принимающим участие в исследовании. В этой форме согласия указывается название исследования, цели проекта, понятное объяснение всех процедур, в которые будет участвовать участник, отсутствие конкретных рисков, конфиденциальность всех собранных данных и право выйти из исследования по любой причине в любое время.
- Обучить фармацевтов управлять структурированных личных интервью с участниками, которые должны длиться около получаса на человека. Собирайте данные за 1 год и отправьте все формы исследователям, ответственным за защиту данных в исследовании. После этого наблюдение с пациентами в течение 3 месяцев.
- Проинструктируйте фармацевтов, как определить вероятный случай MCI с помощью тестов MCI. На основе Climent et al.5 мы использовали баллы SPMS в 4 или более баллов (для неграмотных участников) или 3 или более баллов для других участников, и в исправленном тесте MMSE были использованы баллы в 24 балла или меньше.
- Проинструктируйте фармацевтов, как передать случаи MCI медицинскому специалисту (неврологу) для их клинической диагностики - последний шаг в диаграмме потока, используемой в этом исследовании(Рисунок 1).
Рисунок 1: Flowchart исследования и предлагаемого селективного скрининга. Левая сторона представляет собой первоначальное исследование, данные которого были проанализированы с помощью машинного обучения методы предложить селективного скрининга для раннего обнаружения MCI показано в правой панели. Эта цифра была изменена с Climent34. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
5. Обучение фармацевта-исследователя
- Обратитесь к специалистам для организации занятий для обучения участвующих фармацевтов базовым знаниям, связанным с когнитивными нарушениями и управлению инструментами скрининга, например, SPMS и MMSE.
- Убедитесь, что участвующие фармацевты осведомлены о процедурах, протоколе сбора данных и всех возможных вопросах, связанных с защитой данных. Сообщите им, что проект был одобрен Комитетом по этике исследований и о важности формы согласия в соответствии с Хельсинкской декларацией.
ПРИМЕЧАНИЕ: Для выполнения исследования, описанного Climent et al.5, семинары были проведены в Официальном колледже фармацевтов и Университете Карденал-Эррера CEU (UCH-CEU), и охватывали следующие: MCI и слабоумие; диагностические подходы к MCI и управлению СпМЗП и MMSE (преподавали в неврологической службе в больнице Ла Плана в Кастельоне); презентация проекта и разъяснение методологии старшими исследователями-фармацевтами сообщества; и санитарно-медико-санитарное просвещение и когнитивная подготовка исследователей из кафедры фармации Университета UCH-CEU.
6. Дизайн исследования
- Рассчитать размер выборки для оценки осуществимости проекта. Поскольку это было обсерватое исследование, более крупный выборка будет производить более эффективные инструменты. Существует два способа определения размера выборки: один основан на оценке распространенности, а другой более точен с учетом размеров эффекта.
- Рассчитать точную оценку распространенности заболевания среди населения
где уровень значимости, p0 - это начальная оценка, а ошибка - это максимальная ошибка, ожидаемая с уверенностью 100(1 - - ) %. - В соответствии с размерами эффекта, найденными в литературе для каждого фактора, используйте такие инструменты, как пакет pwr в R, чтобы оценить, сколько энергии требуется для обнаружения различий15,28.
ПРИМЕЧАНИЕ: Например, в нашем исследовании5 мы разработали первое предложение с ошибкой 3% на 95% доверия и первоначальная оценка распространенности MCI на 15% в возрасте 65 лет и старше, в результате чего, по оценкам, необходимый размер выборки 541 человек.
- Рассчитать точную оценку распространенности заболевания среди населения
7. Междисциплинарная коммуникационная сеть, фармацевты, врачи первичной медико-санитарной помощи и специалисты
- Дизайн письма для передачи информации о проекте в медицинских центрах.
- Объясните участвующим фармацевтам, как информировать назначенных врачей о результатах скринингов через письмо в центр первичной медико-санитарной помощи.
- Отправьте письменные сообщения медицинским координаторам медицинских центров, связанных с участвующими аптеками, и в Неврологические службы больниц, в которые они направлены.
- Обратитесь к неврологам-участникам, чтобы узнать окончательный диагноз каждого пациента, полученный с помощью специальных тестов, проведенных специализированными медицинскими учреждениями. До этого поставщики первичной медико-санитарной помощи должны выполнять следующий протокол, как обобщены клиническими рекомендациями(рисунок 2).
Рисунок 2: Протокол для действий в области первичной медико-санитарной помощи. Пример первичной медико-санитарной помощи, которые должны быть рассмотрены для раннего обнаружения MCI, прежде чем пациент направляется для медицинского диагноза специалистами. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
8. Статистический анализ и предварительная обработка
ПРИМЕЧАНИЕ: Перед применением методов машинного обучения требуется подготовительный шаг для преобразования исходных данных в новый набор данных в соответствии с конечной целью исследования и процедурами, которые должны быть применены. Для этого преобразования следует учитывать несколько вещей, в том числе характеристики алгоритмов. Это объясняется тем, что некоторые из них чувствительны к отсутствию изменчивости или обмена информацией между столбиками, хотя алгоритмы, используемые для генерации деревьев решений, особенно надежны в отношении этих проблем. Этот начальный этап направлен на классификацию качественных переменных и сбор значений с достаточным количеством кейсов для каждой переменной. Для эффективного скрининга важно выбрать переменные, приобретение которых оказалось простым и точным. Участники выбираются путем короткого интервью, в котором используемые алгоритмы были ограничены моделью белого ящика, что позволяет легко проверить критерии, используемые для принятия решения о том, должен ли человек пройти тест. Мы предлагаем использовать пакет Rpart29 в программном обеспечении R для этих алгоритмов и реализацию рекурсивных разделов.
- Соберите все формы из участвующих аптек и преобразуйте их в таблицу, в которой каждый столбец является переменной, а каждый участник - рядом.
- Присвоите идентификационный номер каждому участнику. Сохраните идентификационный номер и контактную информацию в другом документе, чтобы он не использовался алгоритмом машинного обучения.
- Создание переменных для классификации ли каждый препарат пациент принимает соответствует второй или третий УВД30 (анатомические терапевтические химические) коды уровня, в соответствии с активными основными ингредиентами на фармакотерапии последующего листа.
- Выполните первоначальный описательный анализ.
- Для каждой обданной переменной выберите адекватный контраст для переменной. Для категориальных переменных выберите значение, рассматриваемое в качестве базового.
- Для категориальных переменных вычислите неиварную логистическую регрессию с переменной реакции для скрининга для MCI. Проанализируйте результат регрессии с таблицей на случай непредвиденных обстоятельств, значениеp,коэффициент коэффициента выборки и 95% доверительный интервал соотношения коэффициентов.
- Для количественных переменных вычислите среднее, стандартное отклонение, коэффициент логистической регрессии и 95% доверительный интервал их коэффициентов.
- Отклонить переменные с отсутствующими (недоступными) значениями, учитывая, что эти переменные трудно точно собирать.
- Выберите только переменные, для которых существует по крайней мере одна статистически значимая категория(зlt; 0.01) в соответствии с анализом логистической регрессии. Результат этого шага приводит к уменьшению набора данных по сравнению с первоначальным.
9. Алгоритмы для создания дерева решений
ПРИМЕЧАНИЕ: Алгоритмы машинного обучения должны быть должным образом параметром, чтобы предсказать, какие люди могут иметь положительный результат теста MCI. Одна из основных проблем при скрининге на состояние заключается в том, что первоначальные данные, как ожидается, будут несбалансированными (т.е. несколько положительных случаев по сравнению с отрицательными). Для получения моделей со сбалансированными данными мы использовали метод, называемый вниз выборки, или случайные выборки, чтобы уравнять частоту с самой низкой частоты класса31. Эффективный скрининг также требует максимального сокращения количества ложных негативов (т.е. повышения чувствительности отбора участников, страдающих от MCI). Одним из методов, используемых для достижения большей чувствительности является введение штрафов при расчете индекса примеси Джини (т.е. индекса, используемого алгоритмом для выбора лучшего раздела для дерева решений)32.
- Создайте набор обучающих и тестовых данных с 80% и 20% всего набора данных, соответственно, используя функцию createDataPartition в библиотеке caret33.
- Примените алгоритмы, используемые для генерации деревьев решений, к набору обучаемых данных. Используйте поезд снова функции в библиотеке caret33. Следующие шаги являются различными параметрами функции; например, дерево, используемое в этой работе, было сгенерировано rpart29 (метод и "rpart"),но доступны другие алгоритмы.
- Выберите метод выборки «вниз» и введите параметр выборки «вниз» в карету.
- Установите предыдущие вероятности для обоих классов.
- Предоставьте матрицу потерь с штрафами индекса примесей Джини, применяемыми для того, чтобы сосредоточиться на растущей чувствительности.
- Для каждого параметра в алгоритме выберите соответствующую сетку значений.
- Используйте перекрестную оценку кривой работы приемника (ROC) для выбора лучших моделей в сетке параметров.
- Рассчитайте матрицу путаницы и область в соответствии с кривой ROC (AUC) для прогнозирования тестового набора для оценки истинной производительности модели.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Участвующие аптеки собрали данные от 728 пользователей и собрали демографические переменные в дополнение к лекарствам, предписанным участникам. Для всех переменных34была проведена неиварная логистическая регрессия; графики панели ошибок, показанные на рисунке 3 и рисунке 4, являются удобными графическими представлениями доверительного интервала коэффициента коэффициента (для качественных переменных) и доверительного интервала коэффициента логистической регрессии (для количественных переменных). Были выбраны и использованы переменные с значениямир-значения, превышающими 0,01 (пол, возраст, уровень образования, привычка к чтению, время, проведенное в сне, депрессия и жалобы на память), были выбраны и использованы для создания модели белого ящика, основанной на дереве решений. Это дерево решений было создано с помощью набора обучающих данных, состоящий из 583 человек в качестве ввода, и было проверено с помощью тестового набора из 145 участников.
После использования caret33 библиотеки в R, резущий дерево назначено вероятность страдания MCI для каждого человека в зависимости от их окончательного узла на дереве (изображенна на рисунке 5), а также их ответы на несколько вопросов. Для оценки возможности прогнозирования этих вероятностей был проведен анализ ROC тестового набора(рисунок 6); его AUC был 0,763 и его 95% доверительный интервал был (0,6624, 0,8632). В дополнение к вероятности, дерево показано на рисунке 5 также используется очень простые вопросы о том, как долго человек спит и как часто они читают, рекомендовать (с чувствительностью 0,76 и специфичность 0,70) должны ли пациенты должны принимать тесты MCI.
Используя это дерево решений и короткое интервью, чтобы выбрать пользователей, подверженных риску MCI, мы смогли значительно сократить число пациентов, нуждающихся в тестах MCI (администрирование занимает довольно много времени). Это сокращение можно оценить с помощью данных в тестовом наборе и интерпретации матрицы путаницы наблюдаемых и прогнозируемых классов, показанных в таблице 1. В этой работе 55 из 145 участников тестового набора были определены деревом решений для дальнейшего тестирования MCI (что представляет собой сокращение на 62% пользователей, сдающих тесты), а также выбор большинства лиц (19 из 25), которые были положительными для MCI.
Рисунок 3: Пример переменных, выбранных во время предварительной обработки. 99% доверительный интервал коэффициента коэффициента был рассчитан и представлен как бар ошибки. Базовое значение для логистической регрессии указывается ниже названия переменной в верхней части каждой панели. Для каждого значения переменной панель ошибок представляет собой доверительный интервал соотношения коэффициентов, берущем это значение, по сравнению с базовым значением. Поскольку были выбраны переменные, используемые для генерации дерева, интервалы доверия не включают значение 0 для некоторых значений, поскольку они показали значительные различия. Масштаб вертикальной оси является логарифмическим, чтобы помочь в сравнении между группами. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Рисунок 4: Пример невыбранных переменных во время предварительной обработки. Вычислил 99% Доверительный интервал соотношения коэффициентов и представлен баром ошибок. Базовое значение для логистической регрессии указывается ниже названия переменной в верхней части каждой панели. Для каждого значения переменной панель ошибок представляет собой доверительный интервал соотношения коэффициентов, берущем это значение, по сравнению с базовым значением. В отличие от предыдущей цифры, все доверительные интервалы выбранных переменных включают значение 0, так как не было обнаружено существенных различий для создания дерева. Масштаб вертикальной оси является логарифмическим, чтобы помочь в сравнении между группами. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Рисунок 5: Предлагаемое дерево перегородки для выбора пользователей аптеки. Следующее дерево показывает алгоритм отбора для тестов MCI для людей в возрасте старше 65 лет. Текст в верхней части коробки соответствует рекомендации о сдаче скрининговых тестов MCI, два числа ниже являются оценочной вероятностью отрицательного или положительного результата тестирования MCI, соответственно. Значение в нижней части коробки представляет собой процент лиц с этими характеристиками в учебном наборе. Чем теплее цвет коробки, тем больше вероятность того, что тесты MCI были положительными. Верхний узла соответствует вопросу о том, есть ли у участника жалоба на память. Если у человека нет жалобы на память, дерево ведет к левой ветви и последующие вопросы задают о сексе человека; пациентов с жалобой памяти спрашивают о количестве времени, которое они спят в день. Эта цифра была изменена с Climent34. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Рисунок 6: Кривые работы получателя для дерева перегородки и чувствительность и специфика окончательного решения в тестовом наборе. График представляет кривую ROC вероятностей, назначенную алгоритмом дерева разделов в тестовом наборе. Красная поверхность соответствует AUC, а синяя точка кривой показывает чувствительность и специфичность окончательной рекомендации дерева. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
| Ссылки | |||
| Нет | Да | ||
| Прогноз | Нет | 84 | 6 |
| Да | 36 | 19 | |
Таблица 1: Матрица путаницы. Матрица путаницы прогнозируемых и наблюдаемых значений в тестовом наборе, которые использовались для проверки предлагаемой модели.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
После поиска терминов, связанных с MCI в Кокрановских исследованиях в базе данных PubMed, для этого исследования был создан специальный вопросник, в котором использовались наиболее очевидные переменные с доказанной связью с MCI. Были также зарегистрированы демографические, и социальные факторы, а также фармакотерапия пациента и некоторые соответствующие патологии. Кроме того, были отобраны тесты SPMS и MMSE MCI. Важно отметить, что на СПМЗ не повлиял уровень школьного образования участников. Фармацевты прошли подготовку для проведения этого исследования и связи с первичной и специализированной помощи была гарантирована через письма информирования их об этой работе. Только специализированные медицинские работники могут окончательно поставить диагноз, если MCI подозревали в результате этих тестов.
В заключение, в этом исследовании мы скрининг для MCI среди населения с низкой распространенностью этого заболевания (17%). Мы разработали набор критериев отбора для использования с помощью машинного обучения, которые увеличили процент MCI срабатываний до более чем 30% среди выбранных пользователей. Следовательно, эти инструменты помогают повысить эффективность скрининга и существенно снизить стоимость массового скрининга среди группы населения, отобранных деревом принятия решений.
Ограничение этого метода заключается в том, что дерево принятия решений может стать недействительным в этой конкретной когорте по мере изменения численности населения и, таким образом, скорее всего, потребует периодических обновлений. Например, многие люди в этой популяции были неграмотными, однако в будущем число неграмотных лиц в возрасте старше 65 лет будет уменьшаться. Эти демографические изменения повлияют на переменные, связанные с чтением, и потребуют дальнейшей перекалибровки дерева принятия решений.
Примечательно, что эта модель, управляемая данными, предоставила информацию о наиболее важных переменных (из сотен) в построении краткой, но информативной и эффективной модели. Построение дерева решений дает представление о лучших переменных, на которых можно сосредоточиться, и является экономически эффективным способом помочь выбрать людей, для которых рекомендуется дальнейшее тестирование MCI, и способствует нашим знаниям об этих популяциях в этом контексте.
Для увеличения будущего процентного уровня обнаружения MCI, мы потребуем новых экономически эффективных методов, которые могут обеспечить повышенную эффективность. Этот протокол занимает много времени и трудно для фармацевтов, чтобы интегрироваться в свою повседневную работу. Таким образом, другие тесты, такие как MoCA22 или SLUMS23 (как с адекватной чувствительностью и специфичностью), могут быть рассмотрены для быстрого обнаружения MCI в будущем.
Систематическая оценка компромисса между специфичностью и продолжительностью испытаний должна повысить эффективность набора тестов MCI, используемых для скрининга. Кроме того, соответствующие количественные переменные, включенные в исследование, должны иметь широкий диапазон, с тем чтобы для них можно было выбрать эффективное отсечение; узкий диапазон исключил бы значительную часть населения от раннего выявления. Например, возрастная переменная (которая всегда считается важным критерием в диагнозах MCI) не считалась актуальной в этом дереве решений, поскольку критерии набора (возраст старше 65 лет) были слишком консервативными; включение молодых людей в будущее исследование позволит рассчитывать оптимальный возраст для начала скрининга MCI.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Авторам нечего раскрывать.
Acknowledgments
Эта работа стала возможной благодаря поддержке Фонда «Знай Альцгеймер» и помощи мультимедийной службы производства в Университете CEU Cardenal Herrera, особенно Энрике Гинера. Мы хотели бы отметить работу всех участвующих аптек (SEFAC), а также сотрудничающих врачей из Общества врачей первичной медико-санитарной помощи (SEMERGEN) и Неврологического общества (SVN), которые помогли с диагнозами MCI, особенно Висенте Гассулл, Рафаэль Санчес и Хорди Перес. Наконец, мы благодарим всех тех, кто согласился принять участие в этом исследовании.
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).
