一种基于机器学习的轻度认知障碍高效选择性筛查设计方法

本视频旨在介绍如何设计一种经济有效的轻度认知障碍筛查方法。轻度认知障碍主要涉及记忆和语言方面的轻度认知功能下降，其实际操作难度往往超出预期。我们希望强调此类影响老年人群的疾病的重要性，以及本筛查方法的广泛适用性。该方法可轻松调整用于其他疾病的筛查，从而将原本昂贵的筛查转变为切实可行的方案。

针对待筛查的疾病状况，在Cochrane系统综述中检索相关术语。例如，在我们的研究中，将认知障碍或痴呆与风险因素进行组合检索。在PubMed中检索相关术语可提供一些关于其与认知功能下降或痴呆之间关系的证据。

选择那些与认知功能下降或痴呆关联证据较多的变量，以编制问卷。在开始研究之前，为了汇总科学文献中出现的尽可能多的因素，使用 PubMed 和 Cochrane 系统综述数据库进行了全面检索，检索关键词包括“认知障碍”和“危险因素”。

作为可能与认知功能障碍相关的特征，特别是在Cochrane数据库中，检索了所有包含“认知功能障碍”或“痴呆”术语的文章；在PubMed中则检索了包含性别、教育水平、认知活动、体力活动、糖尿病、高血压、胆固醇、抑郁、肥胖、吸烟、饮酒、睡眠、饮食及经济状况等术语的文章，且均与“认知功能障碍”或“痴呆”组合检索。因此，在文献回顾的基础上，针对那些已有一定证据表明与认知衰退或痴呆相关的变量，设计了一份问卷。

问卷设计包含了所选相关变量的信息。在我们的性能研究中，所选择的变量包括人口统计学特征、生活方式、慢性病理状况，以及是否存在抑郁症（抑郁症常与认知功能下降相关）。药物使用情况的收集遵循既定方法学。

采用解剖学治疗学化学编码对药物进行分类。所选用的筛查试验可由初级卫生保健工作人员（如药剂师）实施。在试验中已考虑了执行该测试所需的基本特征。

特别是对于经历过西班牙内战且文盲率较高的西班牙老年群体，我们建议采用《简易便携式精神状态问卷》和《简易精神状态检查》。这两种量表均在记忆门诊中广泛应用，其中一种需要受试者具备读写能力。纳入研究的对象为非机构化管理的、年龄在65岁及以上的患者，他们定期前往药房并自愿参与本研究。无法完成评估测试或正在接受痴呆治疗的个体被排除在外。

当满足以下至少一项标准时，研究参与者被视为认知功能受损。对于文盲参与者，简短便携式精神状态问卷得分达到或超过4分，其他参与者达到或超过3分；校正后的简易精神状态检查（MMSE）测试得分小于或等于24分。

认知功能受损的参与者将被转诊至医学专科医生（如神经科医生）进行临床诊断。药剂师研究人员接受有关认知功能障碍基础知识及筛查工具使用的培训。本研究为横断面研究，旨在检测65岁及以上人群中认知功能障碍及潜在的社会相关因素。

针对认知障碍患病率的估计样本量为541人，考虑到10%的损耗率，样本量增加至600人。已在医疗网络之间设计并发放了沟通函件，以告知该项目的相关信息。通过特定检测进行的最终诊断将由专科医疗根据图示流程进行。

在应用机器学习技术之前，这是一个专有步骤，根据待应用算法的 p 检验对数据进行转换。用于生成决策树的算法旨在改变变量间的变异性或相关性，因此重点在于对变量进行分类。

例如，根据解剖学治疗学及化学分类代码的第二级和第三级，结合药学监护随访表，生成变量以判断患者是否正在服用某种药物。针对每个变量进行逻辑回归分析，以评估其是否具有足够的显著性，从而被纳入数据集用于构建决策树。为了最大程度地提高对可能认知功能下降的预测准确性，已整合了多种机器学习技术。

最后，我们建立了一个模型，该模型使用了80%的核心数据，并基于递归划分算法构建了一个决策树模型，以在筛查中获取最重要的变量。该机器学习算法应用于训练数据集，训练集占整个数据集的80%。剩余部分用于评估模型的准确性。

数据集应保持平衡，而欠采样是解决此问题的技术之一。在筛查中，我们非常关注尽可能减少假阴性数量。这可以通过损失矩阵的高概率选择来实现。

通过交叉验证选择了算法的最优参数。我们的横断面研究纳入了728名年龄超过65岁的非机构化居住参与者，其中127名参与者在轻度认知障碍测试中呈阳性。

被分类为阳性的参与者被转介至临床诊断。在完成用于估算轻度认知障碍使用者比例的研究后，使用所有变量进行了一次新的变量逻辑回归分析，以筛选变量。对于部分更为显著的变量，本误差条图展示了其比值比的99%置信区间。

比值比的置信区间常用对数尺度来表示，其中比值比采用较低的刻度。所有 p 值大于 0.01 的变量被选中，用于基于决策树构建一个宽泛的箱型模型，而许多 p 值更高的变量则未被选中用于模型构建。例如，对于这些普通变量，其比值比的 99% 置信区间包含数值 1。

因此，p 值高于 0.01。经过此预处理后，我们将数据集划分为训练数据集和测试数据集。决策树以包含 583 名个体的训练数据集作为输入生成，并使用包含 145 名用户的测试集进行验证。

通过测试集中的 ROC 曲线下面积评估了算法的性能。在 R 语言中使用 car 包后，针对每位用户，生成的决策树会根据其最终所在的节点，分配一个概率值以及是否应进行轻度认知障碍测试的建议。

方框底部的数值表示训练集中具有这些特征的个体所占的百分比。方框颜色越暖，表示在轻度认知障碍测试中结果为阳性的可能性越高。请注意，顶部节点对应的是“无记忆主诉”这一问题。

此处，若回答为肯定，则进入左侧分支，接下来询问用户性别；若回答为否定，则进入右侧分支，询问用户每天的睡眠时间。为评估决策树的完整分类能力，展示了ROC曲线，其ROC曲线下面积为0.763。

关于进行轻度认知障碍测试的决策树建议，在图中以蓝点表示，其敏感度达到0.76，特异度为0.7。因此，采用决策树工具通过简短访谈来筛选存在轻度认知障碍风险的用户，可显著减少需要进行轻度认知障碍测试的用户数量，从而大幅节省测试人员的时间。

这一减少量可通过测试集进行估计，方法是解读观测类别与预测类别之间的混淆矩阵。实际上，在测试集中，145名用户中有55名被决策树选中，使得接受测试的用户减少了62%，而大多数轻度认知障碍阳性的用户被成功选中，即25名阳性用户中选出了19名。本研究的结论是，针对患病率较低（如本研究设定的17%）的轻度认知障碍筛查，可以通过机器学习技术设计出一组适当的筛选标准，使被选中用户中轻度认知障碍阳性的比例提高至30%以上。

因此，这些工具需要在大幅降低成本的同时提高筛查效率。数据驱动模型有助于理解哪些信息最为关键，从而构建简化模型。构建决策树可帮助我们明确应重点关注哪些变量，以便以具有成本效益的方式区分哪些人需要或不需要接受轻度认知障碍测试。

该方案设计耗时较长。因此，可考虑采用其他一些检测方法，以在几分钟内实现轻度认知障碍的未来检测。此外，为了提高轻度认知障碍防控链条的有效性，我们决定将筛查研究的起始年龄从65岁提前至50岁，作为一项预防性措施。

药师是最容易接触且经常被访问的医疗专业人员之一，他们可以在轻度认知障碍的早期检测中发挥至关重要的作用。