Name: Un enfoque de aprendizaje automático para diseñar un examen selectivo eficiente del deterioro cognitivo leve (Video) | JoVE Journal
Uploaded: 2020-01-11T12:00:00.000+00:00
Duration: 12 min 18 s
Description: Aprende a diseñar un cribado rentable del deterioro cognitivo leve mediante árboles de decisión y aprendizaje automático. Este método mejora la detección temprana en población mayor de 65 años.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Este trabajo fue posible gracias al apoyo de la Fundación Know Alzheimer y la ayuda del servicio de producción multimedia de la Universidad CEU Cardenal Herrera, especialmente Enrique Giner. Nos gustaría reconocer el trabajo de todas las farmacias participantes (SEFAC), y de los médicos colaboradores de la Sociedad de Médicos de Atención Primaria (SEMERGEN) y de la Sociedad de Neurología (SVN) que ayudaron con los diagnósticos de MCI, especialmente Vicente Gassull, Rafael Sánchez, y Jordi Pérez. Por último, damos las gracias a todos los que aceptaron participar en este estudio.

La metodología aplicada en este estudio se ha publicado previamente5 en trabajos realizados en la Universidad CEU Cardenal Herrera junto con farmacias comunitarias de la Región Valenciana (España) asociadas a la Sociedad Española de Farmacia Familiar y Comunitaria (SEFAC). Este estudio actual fue revisado y aprobado por el Comité de Etica de Investigación de la Universidad CEU Cardenal Herrera (aprobación no. CEI11/001) en marzo de 2011. Todas las personas involucradas en el estudio dieron su consentimiento informado por escrito a la participación de conformidad con la Declaración de Helsinki.
1. Selección de factores asociados con deterioro cognitivo leve
<ol><li>Buscar términos relacionados con MCI para su uso en la detección de revisiones sistemáticas de Cochrane (por ejemplo, deterioro cognitivo, demencia, factores de riesgo, etc.).</li>
	<li>Búsqueda de términos para los cuales hay alguna evidencia de una relación con el deterioro cognitivo o demencia publicado en la base de datos PubMed; estos incluyen factores demográficos (sexo, edad, nivel educativo y estado económico), factores sociales (actividades cognitivas y sociales), patologías crónicas (colesterol, depresión, hipertensión, diabetes y obesidad), y comportamientos de estilo de vida (alcohol hábito de fumar, dieta, actividad física y horas de sueño).</li>
	<li>Calcular la relación de probabilidades para las variables cualitativas o el tamaño del efecto d de Cohen para las variables cuantitativas15. Seleccione las variables con tamaños de efecto más grandes para el deterioro cognitivo o la demencia para su uso en la elaboración de un cuestionario.</li>
</ol>2. Diseño de los cuestionarios
<ol><li>Diseñar un cuestionario para recopilar información sobre las variables seleccionadas, siguiendo las directrices proporcionadas por Nardi16. Por ejemplo, las variables utilizadas en Climent et al.5 fueron demográficas (edad, peso y altura [medidas con procedimientos estandarizados utilizando escalas calibradas y estadómetros], sexo, nivel educativo y tipo de empleo), estilo de vida (ejercicio físico, lectura, tiempo pasado durmiendo durante la noche y durante el día, rompecabezas, juegos, tiempo de consumo de TV y consumo de tabaco y alcohol), y patologías crónicas (hipertensión, hiperlipidemia y diabetes). Además, registre la presencia o ausencia de depresión, que con frecuencia se asocia con el deterioro cognitivo.</li>
	<li>Diseñar una hoja de seguimiento de farmacoterapia para informar de todos los medicamentos consumidos por los participantes en el momento de la entrevista, como en Climent et al.5, que utilizó el método17 de Dader para diseñar esta hoja.</li>
</ol>3. Selección de pruebas para la detección de MCI
<ol><li>Determinar todas las pruebas utilizadas para detectar la ICM que podrían ser administradas por los trabajadores de la atención primaria de la salud (por ejemplo, farmacéuticos). Rechazar cualquier prueba que deba ser administrada por un especialista. Algunas de las pruebas que cumplen estas condiciones son el Cuestionario de Estado Mental Portátil Corto (SPMSQ)18, Mini Mental State Examination (MMSE)19, Memory Impairment Screen (MIS)20, Picture Memory Impairment Screen (PMIS)21, Montreal Cognitive Assessment (MoCA)22, Saint Louis University Mental Status (SLUMS)23, y Quick Mild Cognitive Impairment (QMci)24. Una revisión exhaustiva de cada prueba de MCI está disponible en Cullen et al.25.</li>
	<li>Buscar una buena estimación de las sensibilidades y especificidades de las pruebas en la literatura científica.</li>
	<li>Calcule el tiempo necesario para administrar estas pruebas a individuos sanos.</li>
	<li>Considere las características básicas del paciente requeridas para la realización de estas pruebas. Por ejemplo, puede ser necesario un nivel de educación mínimo porque muchas pruebas de MCI no son adecuadas para los participantes analfabetos. Por lo general, se aplica un conjunto de pruebas de detección de ICM para aumentar la sensibilidad; sin embargo, el número mínimo de pruebas debe ser administrado rápidamente por los farmacéuticos si el cribado selectivo final está destinado a una población grande. 5evaluaron el MCI utilizando las pruebas MMSE y SPMSQ, siendo este último adecuado para el gran número de personas que vivieron la guerra civil española que son analfabetas.<ol>
<li>Utilizar una variante del SPMSQ por Pfeiffer18 fue validado en español por Martínez de la Iglesia26. Esta prueba tiene una puntuación máxima de 10 y el punto de corte para establecer el deterioro cognitivo es de 3 o más errores (4 o más para personas analfabetas). Esta prueba tarda entre 8 y 10 minutos en completarse.</li>
		<li>Utiliza una versión NORMACODERM de la MMSE validada para hablantes de español por Blesa27 adaptando la versión original de Folstein19. Esta prueba de detección tiene una puntuación máxima de 30 y se corrige de acuerdo con los años de escolaridad de los pacientes y las edades. Los participantes que puntúen menos o igual que 24 se consideran casos de MCI. El MMSE es una medida de la función cognitiva general e incluye orientación al tiempo y al lugar, lenguaje escrito y hablado, capacidad de atención, cálculo y memoria. Se administró a todos los participantes en este estudio porque es una prueba muy corta que tarda sólo unos 5 minutos en completarse.</li>
	</ol>
</li>
</ol>4. Reclutamiento de temas
<ol><li>Encuentre farmacéuticos dispuestos a reclutar personas no institucionalizadas para formar la población del estudio. El estudio mencionado por Climent et al.5 incluyó a personas de 65 años o más que fueron regularmente a la farmacia y que aceptaron participar en este estudio. Excluir a los pacientes con cualquier dificultad para realizar estas pruebas de evaluación (por ejemplo, debido a la ceguera, sordera, etc.) o que ya estaban siendo tratados para la demencia.</li>
	<li>Proporcionar a los farmacéuticos participantes formularios de consentimiento informado, que deben ser completados por cada persona que participe en el estudio. Este formulario de consentimiento especifica el título de la investigación, los objetivos del proyecto, una explicación comprensible de todos los procedimientos en los que el participante participaría, la ausencia de riesgos específicos, la confidencialidad de todos los datos recogidos y la derecho a retirarse del estudio por cualquier motivo en cualquier momento.</li>
	<li>Capacitar a los farmacéuticos para administrar entrevistas personales estructuradas a los participantes, que deben durar aproximadamente media hora por persona. Recopilar datos durante 1 año y enviar todos los formularios a los investigadores responsables de la protección de datos en el estudio. Posteriormente seguimiento con los pacientes durante 3 meses.</li>
	<li>Indique a los farmacéuticos cómo identificar un caso probable de MCI utilizando pruebas de McI. Sobre la base de Climent et al.5 utilizamos puntuaciones SPMSQ de 4 o más puntos (para participantes analfabetos) o 3 o más puntos para los otros participantes y se utilizaron puntuaciones de 24 puntos o menos en la prueba MMSE corregida.</li>
	<li>Instruir a los farmacéuticos cómo derivar los casos de McI a un especialista médico (un neurólogo) para su diagnóstico clínico, el último paso en el diagrama de flujo utilizado en este estudio de investigación(Figura 1).</li>
</ol><img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/59649/59649fig1.jpg"> Figura 1: Diagrama de flujo del estudio de investigación y el cribado selectivo propuesto. El lado izquierdo representa el estudio inicial cuyos datos fueron analizados con técnicas de aprendizaje automático para proponer el cribado selectivo para la detección temprana de MCI que se muestra en el panel derecho. Esta cifra fue modificada desde Climent34. <a href="https://www.jove.com/files/ftp_upload/59649/59649fig1large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
5. Formación de investigadores farmacéuticos
<ol><li>Póngase en contacto con especialistas para organizar sesiones de formación de los farmacéuticos participantes en conocimientos básicos relacionados con el deterioro cognitivo y en la gestión de sus herramientas de cribado, por ejemplo, el SPMSQ y MMSE.</li>
	<li>Asegúrese de que los farmacéuticos participantes conozcan los procedimientos, el protocolo de recopilación de datos y todas las posibles cuestiones relacionadas con la protección de datos. Informarles de que el proyecto fue aprobado por un Comité de ética de la investigación y de la importancia del formulario de consentimiento de acuerdo con la Declaración de Helsinki. NOTA: Para realizar el estudio descrito por Climent et al.5, se celebraron talleres en el Colegio Oficial de Farmacéuticos y la Universidad Cardenal-Herrera CEU (UCH-CEU), y se cubrieron lo siguiente: MCI y demencia; enfoques diagnósticos de MCI y gestión del SPMQP y MMSE (impartido por el Servicio de Neurología del Hospital La Plana de Castellón); presentación del proyecto y explicación de la metodología por investigadores farmacéuticos de la comunidad superior; y la educación sanitaria y la formación cognitiva por parte de investigadores del Departamento de Farmacia de la Universidad UCH-CEU.</li>
</ol>6. Diseño del estudio
<ol><li>Calcule un tamaño de muestra para evaluar la viabilidad del proyecto. Debido a que se trataba de un estudio observacional, una muestra más grande producirá herramientas más eficaces. Hay dos maneras de determinar el tamaño de la muestra: una se basa en la estimación de la prevalencia y la otra es más precisa, teniendo en cuenta los tamaños de los efectos.<ol>
<li>Calcular una estimación precisa de la prevalencia de la condición en la población <img src="/files/ftp_upload/59649/59649eq1.jpg"> donde el valor de á es el nivel de significancia, p0 es la estimación inicial y el error es el error máximo esperado con una confianza del 100(1 - ) %.</li>
		<li>De acuerdo con los tamaños de efecto que se encuentran en la literatura para cada factor, utilice herramientas como el paquete pwr en R para estimar cuánta potencia se requiere para detectar diferencias15,28. NOTA: Por ejemplo, en nuestro estudio5 diseñamos la primera propuesta con un error del 3% al 95% de confianza y una estimación inicial de la prevalencia de ICM al 15% en la población de 65 años o más, lo que resulta en un tamaño estimado de la muestra requerida de 541 individuos.</li>
	</ol>
</li>
</ol>7. Red de comunicación interdisciplinaria, farmacéuticos, médicos de atención primaria y especialistas
<ol><li>Diseñar cartas para comunicar información sobre el proyecto a los centros de salud involucrados.</li>
	<li>Explicar a los farmacéuticos participantes cómo informar a sus médicos asignados sobre los resultados de los exámenes a través de una carta al centro de atención primaria de salud.</li>
	<li>Enviar comunicaciones escritas a los coordinadores médicos de los centros de salud relacionados con las farmacias participantes y a los Servicios de Neurología de los hospitales a los que están asignados.</li>
	<li>Póngase en contacto con los neurólogos participantes para conocer el diagnóstico definitivo de cada paciente obtenido a través de pruebas específicas realizadas por proveedores de atención médica especializados. Antes de esto, los proveedores de atención primaria de salud deben llevar a cabo el siguiente protocolo, según lo resumido por las directrices clínicas(Figura 2).</li>
</ol><img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/59649/59649fig2.jpg"> Figura 2: Protocolo para la acción de la atención primaria de la salud. Un ejemplo de las acciones de atención primaria que deben considerarse para la detección temprana de LA ICM antes de que el paciente sea referido para un diagnóstico médico por especialistas. <a href="https://www.jove.com/files/ftp_upload/59649/59649fig2large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
8. Análisis estadístico y preprocesamiento
NOTA: Antes de aplicar las técnicas de aprendizaje automático, se requiere un paso preparatorio para transformar los datos originales en un nuevo conjunto de datos de acuerdo con el objetivo final del estudio y los procedimientos que se van a aplicar. Para esta transformación, se deben tener en cuenta varias cosas, incluidas las características de los algoritmos. Esto se debe a que algunos de ellos son sensibles a la falta de variabilidad o el intercambio de información entre columnas, aunque los algoritmos utilizados para generar árboles de decisión son particularmente robustos contra estos problemas. Esta fase inicial tiene como objetivo categorizar variables cualitativas y recopilar valores con suficientes casos para cada variable. Para un cribado eficiente es importante elegir variables cuya adquisición ha demostrado ser fácil y precisa. Los participantes son seleccionados por una breve entrevista en la que los algoritmos utilizados estaban restringidos a un modelo de caja blanca, lo que facilita la comprobación de los criterios utilizados para decidir si la persona debe tomar la prueba. Sugerimos usar el paquete rpart29 en el software R para estos algoritmos, e implementar particiones recursivas.
<ol><li>Recoger todos los formularios de las farmacias participantes y convertirlos en una tabla en la que cada columna es una variable y cada individuo participante es una fila.</li>
	<li>Asigne un número de identificación a cada participante. Guarde el número de identificación y la información de contacto en un documento diferente para que no lo utilice el algoritmo de aprendizaje automático.</li>
	<li>Generar variables para clasificar si cada medicamento que toma el paciente corresponde al segundo o tercer códigos de nivel ATC30 (Químico Terapéutico Anatómico), de acuerdo con los ingredientes principales activos en la hoja de seguimiento de farmacoterapia.</li>
	<li>Realice un análisis descriptivo inicial.<ol>
<li>Para cada variable ordinal, elija un contraste adecuado para la variable. Para variables categóricas, seleccione el valor considerado como línea base.</li>
		<li>Para variables categóricas, calcule una regresión logística univariada con una variable de respuesta para la detección de MCI. Analice el resultado de la regresión con una tabla de contingencia, el valor p,la relación de cuotas de muestra y el intervalo de confianza del 95% de la relación de probabilidades.</li>
		<li>Para las variables cuantitativas, calcule la media, la desviación estándar, el coeficiente de regresión logística y el intervalo de confianza del 95% de sus coeficientes.</li>
	</ol>
</li>
	<li>Rechazar variables con valores faltantes (no disponibles), teniendo en cuenta que estas variables son difíciles de recopilar con precisión.</li>
	<li>Seleccione solo las variables para las que haya al menos una categoría estadísticamente significativa( ?lt; 0.01) de acuerdo con el análisis de regresión logística. El resultado de este paso produce un conjunto de datos reducido en comparación con el inicial.</li>
</ol>9. Algoritmos para crear un árbol de decisión
NOTA: Los algoritmos de aprendizaje automático deben estar correctamente parametrizados para predecir qué individuos es probable que tengan un resultado positivo de la prueba de MCI. Uno de los principales problemas durante la detección de una condición es que se espera que los datos originales estén desequilibrados (es decir, pocos casos positivos en comparación con los negativos). Para obtener modelos con datos equilibrados utilizamos una técnica llamada down-sampling, o muestreo aleatorio, para igualar la frecuencia con la de la clase de frecuencia más baja31. El cribado eficiente también requiere reducir el número de falsos negativos tanto como sea posible (es decir, aumentar la sensibilidad de la selección de participantes que sufren de MCI). Una de las técnicas utilizadas para lograr una mayor sensibilidad es la introducción de sanciones en el cálculo del índice de impurezade Gini (es decir, el índice utilizado por el algoritmo para seleccionar la mejor división para el árbol de decisión)32.
<ol><li>Genere un conjunto de datos de entrenamiento y prueba con el 80% y el 20% de todo el conjunto de datos, respectivamente, utilizando la función createDataPartition en la biblioteca de intercalación33.</li>
	<li>Aplique los algoritmos utilizados para generar árboles de decisión al conjunto de datos de entrenamiento. Utilice la función train again en la biblioteca de el programa33. Los siguientes pasos son diferentes parámetros de la función; por ejemplo, el árbol utilizado en este papel se generó con rpart29 (método " rpart"), pero hay otros algoritmos disponibles.<ol>
<li>Seleccione el método de muestreo de "muestreo hacia abajo" e introduzca el parámetro de muestreo "abajo" en el intercalador.</li>
		<li>Establezca las probabilidades anteriores para ambas clases.</li>
		<li>Proporcione una matriz de pérdidas con las penalizaciones del índice de impurezas de Gini aplicadas con el fin de centrarse en la creciente sensibilidad.</li>
		<li>Para cada parámetro del algoritmo, elija una cuadrícula de valores adecuada.</li>
		<li>Utilice una estimación de validación cruzada de los valores de la curva de funcionamiento del receptor (ROC) para seleccionar los mejores modelos dentro de la cuadrícula de parámetros.</li>
	</ol>
</li>
	<li>Calcule una matriz de confusión y el área bajo la curva ROC (AUC) para la predicción del conjunto de pruebas para evaluar el verdadero rendimiento del modelo.</li>
</ol>

<ol><li>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).</li>
<li>Niu, H., Álvarez-Álvarez, I., Guillén-Grima, F., Aguinaga-Ontoso, I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prevalence+and+incidence+of+Alzheimer%27s+disease+in+Europe%3A+A+meta-analysis%5BTitle%5D)+AND+%22Neurolog%C3%ADa+%28English+Edition%29%22%5BJournal%5D)">Prevalence and incidence of Alzheimer's disease in Europe: A meta-analysis.</a> Neurología (English Edition). 32 (8), 523-532 (2017).</li>
<li>Petersen, R. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mild+Cognitive+Impairment%3A+Clinical+Characterization+and+Outcome%5BTitle%5D)+AND+%22Archives+of+Neurology%22%5BJournal%5D)">Mild Cognitive Impairment: Clinical Characterization and Outcome.</a> Archives of Neurology. 56 (3), 303(1999).</li>
<li>Petersen, R. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Practice+guideline+update+summary%3A+Mild+cognitive+impairment%3A+Report+of+the+Guideline+Development%2C+Dissemination%2C+and+Implementation+Subcommittee+of+the+American+Academy+of+Neurology%5BTitle%5D)+AND+%22Neurology%22%5BJournal%5D)">Practice guideline update summary: Mild cognitive impairment: Report of the Guideline Development, Dissemination, and Implementation Subcommittee of the American Academy of Neurology.</a> Neurology. 90 (3), 126-135 (2018).</li>
<li>Climent, M. T., Vilaplana, A. M., Arnedo, A., Vilar, J., Moreno-Royo, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Life+styles+associated+cognitive+impairment.+Study+from+the+community+pharmacy+%5BEstilos+de+vida+asociados+a+deterioro+cognitivo.+Estudio+preliminar+desde+la+farmacia+comunitaria%5D%5BTitle%5D)+AND+%22Revista+de+Investigacion+Clinica%22%5BJournal%5D)">Life styles associated cognitive impairment. Study from the community pharmacy [Estilos de vida asociados a deterioro cognitivo. Estudio preliminar desde la farmacia comunitaria].</a> Revista de Investigacion Clinica. 65 (6), 500-509 (2013).</li>
<li>Faubel, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Usual+sleep+duration+and+cognitive+function+in+older+adults+in+Spain%5BTitle%5D)+AND+%22Journal+of+Sleep+Research%22%5BJournal%5D)">Usual sleep duration and cognitive function in older adults in Spain.</a> Journal of Sleep Research. 18 (4), 427-435 (2009).</li>
<li>Benito-León, J., Louis, E. D., Bermejo-Pareja, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cognitive+decline+in+short+and+long+sleepers%3A+A+prospective+population-based+study+%28NEDICES%29%5BTitle%5D)+AND+%22Journal+of+Psychiatric+Research%22%5BJournal%5D)">Cognitive decline in short and long sleepers: A prospective population-based study (NEDICES).</a> Journal of Psychiatric Research. 47 (12), 1998-2003 (2013).</li>
<li>Ramos, A. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Association+between+Sleep+Duration+and+the+Mini-Mental+Score%3A+The+Northern+Manhattan+Study%5BTitle%5D)+AND+%22Journal+of+Clinical+Sleep+Medicine%22%5BJournal%5D)">Association between Sleep Duration and the Mini-Mental Score: The Northern Manhattan Study.</a> Journal of Clinical Sleep Medicine. 9 (7), 669(2013).</li>
<li>Gabelle, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Excessive+Sleepiness+and+Longer+Nighttime+in+Bed+Increase+the+Risk+of+Cognitive+Decline+in+Frail+Elderly+Subjects%3A+The+MAPT-Sleep+Study%5BTitle%5D)+AND+%22Frontiers+in+Aging+Neuroscience%22%5BJournal%5D)">Excessive Sleepiness and Longer Nighttime in Bed Increase the Risk of Cognitive Decline in Frail Elderly Subjects: The MAPT-Sleep Study.</a> Frontiers in Aging Neuroscience. 9, 312(2017).</li>
<li>Fernández, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prevalence+of+dementia+in+the+elderly+aged+above+65+in+a+district+in+the+Basque+Country%5BTitle%5D)+AND+%22Revista+de+Neurologia%22%5BJournal%5D)">Prevalence of dementia in the elderly aged above 65 in a district in the Basque Country.</a> Revista de Neurologia. 46 (2), 89-96 (2008).</li>
<li>Velert Vila, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Suitability+of+the+use+of+benzodiazepines+prescribed+by+the+pharmacist+in+the+elderly.+A+doctor-pharmacist+collaboration+study%5BTitle%5D)+AND+%22Atenci%C3%B3n+Primaria%22%5BJournal%5D)">Suitability of the use of benzodiazepines prescribed by the pharmacist in the elderly. A doctor-pharmacist collaboration study.</a> Atención Primaria. 44 (7), 402-410 (2012).</li>
<li>Ranstam, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Impaired+cognitive+function+in+elderly+men+exposed+to+benzodiazepines+or+other+anziolytics%5BTitle%5D)+AND+%22The+European+Journal+of+Public+Health%22%5BJournal%5D)">Impaired cognitive function in elderly men exposed to benzodiazepines or other anziolytics.</a> The European Journal of Public Health. 7 (2), 149-152 (1997).</li>
<li>Airagnes, G., Pelissolo, A., Lavallée, M., Flament, M., Limosin, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Benzodiazepine+Misuse+in+the+Elderly%3A+Risk+Factors%2C+Consequences%2C+and+Management%5BTitle%5D)+AND+%22Current+Psychiatry+Reports%22%5BJournal%5D)">Benzodiazepine Misuse in the Elderly: Risk Factors, Consequences, and Management.</a> Current Psychiatry Reports. 18 (10), 89(2016).</li>
<li>Alacreu, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Importance+of+Increasing+Modifiable+Risk+Factors+Knowledge+on+Alzheimer%27s+Disease+Among+Community+Pharmacists+and+General+Practitioners+in+Spain%5BTitle%5D)+AND+%22Frontiers+in+Pharmacology%22%5BJournal%5D)">Importance of Increasing Modifiable Risk Factors Knowledge on Alzheimer's Disease Among Community Pharmacists and General Practitioners in Spain.</a> Frontiers in Pharmacology. 10, 860(2019).</li>
<li>Cohen, J. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aCohen%2C+J+%22Statistical+Power+Analysis+for+the+Behavioral+Sciences%22">Statistical Power Analysis for the Behavioral Sciences</a>. , Routledge. (2013).</li>
<li>Nardi, P. M. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aNardi%2C+PM+%22Doing+Survey+Research%3A+A+Guide+To+Quantitative+Methods%22">Doing Survey Research: A Guide To Quantitative Methods</a>. , Routledge. (2018).</li>
<li>Sabater Hernández, D., Silva Castro, M. M., Faus Dáder, M. J. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSabater+Hern%C3%A1ndez%2C+D+%22M%C3%A9todo+D%C3%A1der%3A+gu%C3%ADa+de+seguimiento+farmacoterap%C3%A9utico%22">Método Dáder: guía de seguimiento farmacoterapéutico</a>. , Grupo de Investigación en Atención Farmacéutica (GIAF): Grupo de Investigación en Atención Farmacéutica (CTS-131). Universidad de Granada. (2017).</li>
<li>Pfeiffer, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Short+Portable+Mental+Status+Questionnaire+for+the+Assessment+of+Organic+Brain+Deficit+in+Elderly+Patients%5BTitle%5D)+AND+%22Journal+of+the+American+Geriatrics+Society%22%5BJournal%5D)">A Short Portable Mental Status Questionnaire for the Assessment of Organic Brain Deficit in Elderly Patients.</a> Journal of the American Geriatrics Society. 23 (10), 433-441 (1975).</li>
<li>Folstein, M. F., Folstein, S. E., McHugh, P. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((%22Mini-mental+state.%22+A+practical+method+for+grading+the+cognitive+state+of+patients+for+the+clinician%5BTitle%5D)+AND+%22Journal+of+Psychiatric+Research%22%5BJournal%5D)">"Mini-mental state." A practical method for grading the cognitive state of patients for the clinician.</a> Journal of Psychiatric Research. 12 (3), 189-198 (1975).</li>
<li>Buschke, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Screening+for+dementia+with+the+memory+impairment+screen%5BTitle%5D)+AND+%22Neurology%22%5BJournal%5D)">Screening for dementia with the memory impairment screen.</a> Neurology. 52 (2), 231-238 (1999).</li>
<li>Verghese, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Picture-based+memory+impairment+screen+for+dementia%5BTitle%5D)+AND+%22Journal+of+the+American+Geriatrics+Society%22%5BJournal%5D)">Picture-based memory impairment screen for dementia.</a> Journal of the American Geriatrics Society. 60 (11), 2116-2120 (2012).</li>
<li>Nasreddine, Z. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Montreal+Cognitive+Assessment%2C+MoCA%3A+A+Brief+Screening+Tool+For+Mild+Cognitive+Impairment%5BTitle%5D)+AND+%22Journal+of+the+American+Geriatrics+Society%22%5BJournal%5D)">The Montreal Cognitive Assessment, MoCA: A Brief Screening Tool For Mild Cognitive Impairment.</a> Journal of the American Geriatrics Society. 53 (4), 695-699 (2005).</li>
<li>Kaya, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Saint+Louis+University+Mental+Status+Examination+Is+Better+than+the+Mini-Mental+State+Examination+to+Determine+the+Cognitive+Impairment+in+Turkish+Elderly+People%5BTitle%5D)+AND+%22Journal+of+the+American+Medical+Directors+Association%22%5BJournal%5D)">The Saint Louis University Mental Status Examination Is Better than the Mini-Mental State Examination to Determine the Cognitive Impairment in Turkish Elderly People.</a> Journal of the American Medical Directors Association. 17 (4), e11-e15 (2016).</li>
<li>O'Caoimh, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comparison+of+the+quick+mild+cognitive+impairment+%28Qmci%29+screen+and+the+SMMSE+in+screening+for+mild+cognitive+impairment%5BTitle%5D)+AND+%22Age+and+Ageing%22%5BJournal%5D)">Comparison of the quick mild cognitive impairment (Qmci) screen and the SMMSE in screening for mild cognitive impairment.</a> Age and Ageing. 41 (5), 624-629 (2012).</li>
<li>Cullen, B., ONeill, B., Evans, J. J., Coen, R. F., Lawlor, B. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+of+screening+tests+for+cognitive+impairment%5BTitle%5D)+AND+%22Journal+of+Neurology%2C+Neurosurgery+%26+Psychiatry%22%5BJournal%5D)">A review of screening tests for cognitive impairment.</a> Journal of Neurology, Neurosurgery & Psychiatry. 78 (8), 790-799 (2007).</li>
<li>Martínez de la Iglesia, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Adaptaci%C3%B3n+y+validaci%C3%B3n+al+castellano+del+cuestionario+de+Pfeiffer+%28SPMSQ%29+para+detectar+la+existencia+de+deterioro+cognitivo+en+personas+mayores+e+65+a%C3%B1os%5BTitle%5D)+AND+%22Medicina+Cl%C3%ADnica%22%5BJournal%5D)">Adaptación y validación al castellano del cuestionario de Pfeiffer (SPMSQ) para detectar la existencia de deterioro cognitivo en personas mayores e 65 años.</a> Medicina Clínica. 117 (4), 129-134 (2001).</li>
<li>Blesa, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clinical+validity+of+the+%27mini-mental+state%27+for+Spanish+speaking+communities%5BTitle%5D)+AND+%22Neuropsychologia%22%5BJournal%5D)">Clinical validity of the 'mini-mental state' for Spanish speaking communities.</a> Neuropsychologia. 39 (11), 1150-1157 (2001).</li>
<li>Champely, S., Ekstrom, C., et al. pwr: Basic Functions for Power Analysis. , https://cran.r-project.org/web/packages/pwr/index.html (2018).</li>
<li>Therneau, T., Atkinson, B., Ripley, B. rpart: Recursive Partitioning and Regression Trees. , https://cran.r-project.org/web/packages/rpart (2018).</li>
<li>WHO Collaborating Centre for Drugs Statistics Methodology. ATC/DDD Index. , https://www.whocc.no/atc_ddd_index (2018).</li>
<li>Kuhn, M., Johnson, K. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKuhn%2C+M+%22Applied+Predictive+Modeling%22">Applied Predictive Modeling</a>. 26, Springer New York. New York, NY. (2013).</li>
<li>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).</li>
<li>Kuhn, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Building+Predictive+Models+in+R+Using+the+caret+Package%5BTitle%5D)+AND+%22Journal+of+Statistical+Software%22%5BJournal%5D)">Building Predictive Models in R Using the caret Package.</a> Journal of Statistical Software. 28 (5), 1-26 (2008).</li>
<li>Climent, M. T., Pardo, J., Muñoz-Almaraz, F. J., Guerrero, M. D., Moreno, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Decision+Tree+for+Early+Detection+of+Cognitive+Impairment+by+Community+Pharmacists%5BTitle%5D)+AND+%22Frontiers+in+Pharmacology%22%5BJournal%5D)">Decision Tree for Early Detection of Cognitive Impairment by Community Pharmacists.</a> Frontiers in Pharmacology. 9, 1-12 (2018).</li>
</ol>

Los autores no tienen nada que revelar.

Después de buscar términos asociados con MCI en estudios de Cochrane en la base de datos PubMed, se creó un cuestionario específico para este estudio que utilizó las variables más evidentes con una asociación probada con MCI. También se registraron factores demográficos, de estilo de vida y sociales, así como farmacoterapia del paciente y algunas patologías relevantes. Además, también se seleccionaron las pruebas SPMSQ y MMSE MCI. Es importante destacar que el SPMSQ no se vio afectado por el nivel de escolarización de lo...

El envejecimiento de la población está aumentando la prevalencia de enfermedades crónicas y degenerativas, especialmente demencias degenerativas, que se espera que afecten a más de 131 millones de personas en todo el mundo para 20501. Entre todas las demencias degenerativas, la enfermedad de Alzheimer es la más común con una prevalencia general en Europa del 6,88%2. Debido a la independencia cada vez más en declive de los pacientes con AD, este grupo debe comenzar a recibir apoyo tan pronto como ad comienza a manifestarse. Por lo tanto, la detección temprana de signos prodrómicos de AD, como deterioro cognitivo leve (MCI), es esencial.
LA ICM se define como una etapa de deterioro cognitivo intermedio correspondiente al envejecimiento normal y al deterioro grave debido a la demencia3. Según estimaciones de Petersen et al.4, la prevalencia de IMC es del 8,4% entre las personas de 65 a 69 años y alcanza el 25,2% para las mayores de 80 años. MCI resulta en individuos experimentando más dificultades de lo esperado en la ejecución de habilidades cognitivas de bajo nivel, especialmente aquellos relacionados con la memoria y el lenguaje, pero no interfiere con las actividades de la vida diaria.
La detección no es sinónimo de diagnóstico; el diagnóstico de ICM siempre será una tarea clínica, mientras que los métodos de cribado sólo pueden informarnos que un paciente tiene una mayor probabilidad de sufrir esta patología y que hay una sospecha fundada de ICM que debe confirmarse clínicamente. Por lo tanto, los trabajadores de la atención primaria (médicos, farmacéuticos, enfermeros, etc.) podrían beneficiarse de la disponibilidad de métodos de cribado simples (breves pruebas cognitivas) que se pueden aplicar en cuestión de minutos. Idealmente, estos identificarían objetivamente a los pacientes con una alta probabilidad de sufrir un MCI para que luego puedan ser clínicamente probados por médicos generales o especializados.
Dado que la detección precoz de la ICM se está convirtiendo en una tarea esencial en el contexto de la salud pública, este trabajo tenía como objetivo identificar qué características son útiles en la identificación específica de la ICM en las pruebas de detección de poblaciones de edad avanzada. Estos grupos se probarían más a fondo para detectar la ICM en las pruebas administradas por los proveedores de atención primaria de salud. Esta metodología proporciona un árbol de decisiones con los algoritmos adecuados para identificar los grupos de población a los que se va a destinar.
Entre estas características, la edad es uno de los factores más consistentes asociados con el desarrollo de esta patología. Otras características relevantes están relacionadas con la demografía o el estilo de vida5. Entre estos últimos, algunos estudios han identificado la duración del sueño diurno o nocturno como un factor de riesgo que puede conducir al diagnóstico de MCI5,6,7,8,9. El consumo prolongado de medicamentos como las benzodiazepinas, consumidas por un estimado del 20%-25% de los adultos mayores10,11,también puede influir en las horas de sueño y el desarrollo de MCI12,13. De hecho, los tratamientos prolongados para enfermedades crónicas pueden ser características importantes útiles en la preselección de individuos con un alto riesgo de padecer MCI.
Aquí, desarrollamos modelos basados en datos que utilizan algoritmos de aprendizaje automático, un árbol de decisión y una herramienta predictiva para aumentar la eficiencia de la metodología para detectar MCI discriminando qué características juegan un papel importante en los primeros detección de MCI. El árbol de decisión resultante presentado aquí se produjo utilizando una cohorte específica de pacientes españoles utilizando farmacias comunitarias. Sin embargo, este método también sería útil entre otras poblaciones con características diferentes.
Este trabajo se completó en colaboración con médicos especializados y de atención primaria. Las farmacias comunitarias eran ideales para probar este algoritmo porque están cerca de los pacientes, tienen un horario de apertura largo y son visitadas y consultadas con frecuencia. Las demencias degenerativas son condiciones complejas que no siempre son bien comprendidas por los proveedores de atención primaria14. Por lo tanto, involucrarse en el proceso aumentará la conciencia de las personas que sufren de ICM y demencias.

<table><tbody><tr><td>caret</td><td>Max Kuhn</td><td></td><td>R paquete</td></tr><tr><td>rpart</td><td>Terry Therneau, Beth Atkinson, Brian Ripley</td><td></td><td>R paquete</td></tr><tr><td>SPMSQ en español</td><td>Farmaceuticoscomunitarios.org</td><td></td><td><a href="http://farmaceuticoscomunitarios.org/anexos/vol11_n1/ANEXO1.pdf" target="_blank">http://farmaceuticoscomunitarios.org/anexos/vol11_n1/ANEXO1.pdf</a></td></tr><tr><td>SPMSQ en Inglés</td><td>geriatrics.stanford.edu</td><td></td><td><a href="https://geriatrics.stanford.edu/culturemed/overview/assessment/assessment_toolkit/spmsq.html" target="_blank">https://geriatrics.stanford.edu/culturemed/overview/assessment/assessment_toolkit/spmsq.html</a></td></tr><tr><td>MMSE en español</td><td>Farmaceuticoscomunitarios.org</td><td></td><td><a href="http://farmaceuticoscomunitarios.org/anexos/vol11_n1/ANEXO2.pdf" target="_blank">http://farmaceuticoscomunitarios.org/anexos/vol11_n1/ANEXO2.pdf</a></td></tr><tr><td>MMSE en inglés</td><td>oxfordmedicaleducation.com</td><td></td><td><a href="http://www.oxfordmedicaleducation.com/geriatrics/mini-mental-state-examination-mmse/" target="_blank">http://www.oxfordmedicaleducation.com/ geriatría/mini-examen-del-estado-mental-mmse/</a></td></tr></tbody></table>

un enfoque de aprendizaje automático para diseñar un examen selectivo eficiente del deterioro cognitivo leve

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment

El deterioro cognitivo leve (MCI) es el primer signo de demencia entre las poblaciones de edad avanzada y su detección temprana es crucial en nuestras sociedades envejecidas. Las pruebas comunes de MCI consumen mucho tiempo, de manera que el cribado masivo indiscriminado no sería rentable. Aquí, describimos un protocolo que utiliza técnicas de aprendizaje automático para seleccionar rápidamente candidatos para su posterior selección a través de una prueba de MCI basada en preguntas. Esto minimiza el número de recursos necesarios para el cribado porque solo los pacientes que son potencialmente positivos para la ICM se prueban más a fondo.
Esta metodología se aplicó en un estudio inicial de investigación de MCI que formó el punto de partida para el diseño de un árbol de decisión de cribado selectivo. El estudio inicial recopiló muchas variables demográficas y de estilo de vida, así como detalles sobre los medicamentos para pacientes. El Cuestionario de Estado Mental Portátil Corto (SPMSQ) y el Examen de Estado Mini-Mental (MMSE) se utilizaron para detectar posibles casos de MCI. Por último, utilizamos este método para diseñar un proceso eficiente para clasificar a las personas en riesgo de MCI. Este trabajo también proporciona información sobre los factores relacionados con el estilo de vida asociados con la ICM que podrían aprovecharse en la prevención y detección temprana de ICM entre las poblaciones de edad avanzada.

Las farmacias participantes recopilaron datos de 728 usuarios y recopilaron variables demográficas además de los medicamentos prescritos a los participantes. Se realizó una regresión logística univariada para todas las variables34; los gráficos de barras de error que se muestran en la Figura 3 y la Figura 4 son representaciones gráficas convenientes del intervalo de confianza de la relación de probabilidad...

Esta metodología produce árboles de decisión que se dirigen a grupos de población más propensos a sufrir de deterioro cognitivo leve y son útiles para la detección selectiva rentable de la enfermedad.

Un enfoque de aprendizaje automático para diseñar un examen selectivo eficiente del deterioro cognitivo leve

Mild cognitive impairment (MCI) is the first sign of dementia among elderly populations and its early detection is crucial in our aging societies. Common ...

El propósito de este video es describir cómo diseñar un cribado rentable de deterioro cognitivo leve, que implica más dificultades de las esperadas para realizar bajas habilidades cognitivas principalmente relacionadas con la memoria y el lenguaje. Queremos destacar la importancia de este tipo de afección que afecta a los ancianos, y la versatilidad de este procedimiento. Este procedimiento podría adaptarse fácilmente a otras enfermedades, convirtiendo un costoso cribado en uno factible.Busque En Cochrane Systematic Reviews los términos de la condición a la pantalla. Por ejemplo, en nuestro estudio, deterioro cognitivo o demencia"unido a factores de riesgo. La búsqueda en los términos de PubMed presenta algunas pruebas de la relación con el deterioro cognitivo o la demencia.Seleccione las variables con más evidencia de asociación con el deterioro cognitivo o la demencia para elaborar un cuestionario. Una búsqueda exhaustiva que incluye términos como deterioro cognitivo "y factores de riesgo"se llevó a cabo mediante el uso de PubMed y la Cochrane Systematic Reviews. Antes de comenzar el estudio con el propósito de compilar el mayor número de factores que aparecen en la literatura científica.Como posibles características relacionadas con el deterioro cognitivo, específicamente en la base de datos Cochrane, se escuchó para todos los artículos con el término deterioro cognitivo"o demencia, y en los artículos de PubMed con los términos de sexo, nivel educativo, actividades cognitivas, actividad física, diabetes, hipertensión, colesterol, depresión, obesidad, tabaquismo, alcohol, sueño, dieta, y condiciones económicas. En combinación con deterioro cognitivo"o demencia, también. Por lo tanto, se elaboró un cuestionario con las variables en la revisión bibliográfica que presentan alguna evidencia de la relación con el deterioro cognitivo o demencia.Un cuestionario está diseñado con información de las variables asociadas seleccionadas. Para nuestro estudio de rendimiento, las variables elegidas son el estilo de vida demográfico y las patologías crónicas, además de la presencia o ausencia de depresión, que se asocia con frecuencia con el deterioro cognitivo. El consumo de drogas se recogió siguiendo la metodología.El Código Químico Terapéutico Anatómico se utilizó para clasificar los medicamentos. La prueba de detección seleccionada podría ser administrada por personal de salud primaria, como los farmacéuticos. Las características básicas necesarias para realizar la prueba se tenían en cuenta.En particular, para la población de edad avanzada española con gran cantidad de analfabetos que vivieron en la Guerra Civil Española, nuestra propuesta era utilizar el Cuestionario de Estado Mental Portátil Corto de favor y El Examen del Estado Mini-Mental ambos son ampliamente utilizados en la clínica de la memoria, ya que uno de ellos requiere alfabetización. Las personas reclutadas eran pacientes no institucionalizados de 65 años o más que iban regularmente a la farmacia y deseaban participar en el presente estudio. Se excluyen las personas que tuvieron alguna dificultad para realizar la prueba de evaluación o las personas que están en tratamiento para la demencia.Los participantes del estudio se consideran discapacitados cognitivos cuando se cumple al menos uno de los siguientes criterios. Las puntuaciones de datos en el Cuestionario de Estado Mental Portátil Corto son cuatro o más puntos en el caso de participantes analfabetos y tres o más puntos para otros sujetos. Un menor o igual que 24 puntos en la prueba de Examen de Estado Mini-Mental corregido.Los participantes con problemas cognitivos son referidos a un especialista médico, como neurólogo, por su diagnóstico clínico. Los investigadores farmacéuticos están capacitados en conocimientos básicos sobre deterioro cognitivo y en el manejo de herramientas de cribado. Nuestro estudio transversal para detectar deterioro cognitivo y factores potenciales derivados de la sociedad en la población de 65 años o más es el diseño.El tamaño estimado de la muestra para una prevalencia de deterioro cognitivo es de 541 personas, y con un aumento del 10% debido a pérdidas, son 600 personas. Se han diseñado cartas de comunicación entre la red sanitaria informando sobre el proyecto. El diagnóstico definitivo a través de una prueba específica está reservado para la atención especializada, siguiendo el protocolo que se muestra en el diagrama.Este es un paso propietario antes de aplicar técnicas de aprendizaje automático, transformando los datos de acuerdo con la prueba p de los algoritmos que se van a aplicar. Los algoritmos para generar árboles de decisión son cambiar la variabilidad o correlación entre variables. Por lo tanto, el enfoque se centra en categorizar variables.Por ejemplo, generando variables para clasificar si el paciente está tomando o no un medicamento de acuerdo con el segundo y tercer nivel del Código de Clasificación Química Terapéutica Anatómica, dependiendo de la hoja de seguimiento de farmacoterapia. Se realizó un análisis de regresión logística para cada variable para evaluar si es lo suficientemente importante como para incluirse en el conjunto de datos para generar el árbol de decisión. Con el fin de obtener la máxima precisión de la cantidad en el posible deterioro cognitivo, se han ensamblado varias técnicas de aprendizaje automático.Y finalmente, hemos desarrollado un modelo con un 80% de nuestro núcleo y un modelo de árbol basado en nuestro algoritmo de petición recursiva para desarrollar un árbol de decisión para obtener las variables más significativas en un cribado. El algoritmo de aprendizaje automático aplicado al conjunto de datos de entrenamiento, que consta de un 80% de todo el conjunto de datos. La pieza restante se utiliza para estimar la precisión del modelo.Se espera que el conjunto de datos esté en equilibrio y la reducción de muestreo es una de las técnicas para enfrentar este problema. Para la detección, estamos muy interesados en reducir el número de falsos negativos tanto como sea posible. Esto se puede lograr mediante una selección PA superior de la matriz de pérdida.El parámetro óptimo del algoritmo se seleccionó con una validación cruzada. Nuestro estudio transversal se llevó a cabo con 728 participantes no institucionalizados mayores de 65 años. Ciento 27 participantes obtienen resultados positivos en pruebas de deterioro cognitivo leve.Los participantes clasificados como positivos fueron referidos al diagnóstico clínico. Después de realizar el estudio de investigación para estimar el porcentaje de usuarios con deterioro cognitivo leve, se realiza una nueva regresión logística variable con todas las variables con el propósito de seleccionar variables. Para algunas de las variables más significativas, se muestra un intervalo de confianza del 99% de la relación de probabilidades en este gráfico de barras de error.Es una representación intergráfica común para el intervalo de confianza de la relación de probabilidades, donde se utiliza la escala baja para la relación de probabilidades. Todas estas variables cuyo valor p es mayor que 0,01 se seleccionan para generar un modelo de cuadro ancho basado en el árbol de decisión, mientras que muchas otras variables con un valor p más alto no se seleccionaron para generar el modelo. Por ejemplo, para estas variables simples, el intervalo de confianza del 99% de la relación de probabilidades se incluye en el valor uno.Y por lo tanto, el valor p es mayor que 0.01. Después de este preprocesamiento, hemos dividido el conjunto de datos en la prueba de datos de entrenamiento y el conjunto de datos de prueba. El árbol de decisión se genera en el conjunto de datos de entrenamiento como entrada, que consta de 583 individuos, y se valida con el conjunto de pruebas con 145 usuarios.El rendimiento de los algoritmos se ha evaluado mediante el área bajo la curva ROC en el conjunto de pruebas. Después de usar la biblioteca de automóviles en R, para cada usuario, el árbol resultante asignó una probabilidad y una recomendación de si el usuario debe tomar o no la prueba de deterioro cognitivo leve. Dependen del nodo final del árbol.El valor en la parte inferior de la caja es el porcentaje de individuos con estas características en el conjunto de entrenamiento. Cuanto más cálido es el color de la caja, más probable es que sea positivo en pruebas de deterioro cognitivo leve. Preste atención a que el nodo superior corresponde a la cuestión de la ausencia de queja de memoria.Aquí, una respuesta positiva saluda a la rama izquierda, siendo la siguiente pregunta el sexo del usuario, mientras que una respuesta negativa implica ir a la rama derecha y preguntar sobre el tiempo de sueño del usuario por día. Para evaluar la capacidad de fundición completa del árbol de decisión, se muestra la curva ROC. Su área bajo curva ROC es.0.763.La recomendación del árbol acerca de tomar la prueba de deterioro cognitivo leve logró una sensibilidad. de 0,76 y una especificidad de 0,7, representada con un punto azul en la figura. Como resultado, una breve entrevista para seleccionar a los usuarios en riesgo de deterioro cognitivo leve con la herramienta de un árbol de decisión produce significativamente el número de usuarios que toman pruebas de deterioro cognitivo leve, que es bastante lento para el probador.Esta reducción se puede estimar en el conjunto de pruebas, interpretando la matriz de confusión de las clases observadas y predichas. De hecho, 55 de los 145 usuarios del conjunto de pruebas son seleccionados por el árbol de decisión, lo que reduce un 62% de los usuarios que realizan pruebas, mientras que la mayoría de los usuarios que son positivos en deterioro cognitivo leve son seleccionados, a saber, 19 de 25. Como conclusión de este estudio, dado un leve examen de deterioro cognitivo cuya prevalencia es baja, 17%como la considerada para el estudio de investigación, es posible diseñar un conjunto de criterios de selección adecuados mediante técnicas de aprendizaje automático, aumentando el porcentaje de positivo en deterioro cognitivo leve hasta más del 30% entre los usuarios seleccionados.En consecuencia, estas herramientas han pedido ser más eficientes en la detección con una reducción sustancial de los costos. Modelos basados en datos con beneficios para comprender cuál es la información más importante para construir un modelo reducido. La construcción de un árbol de decisión nos da una idea de qué variables debemos poner un enfoque, con el fin de discriminar de una manera rentable a las personas que son o no recomiendan tomar las pruebas de deterioro cognitivo leve.el diseño del protocolo consume mucho tiempo. Debido a eso, algunas otras pruebas se pueden considerar para la detección futura de deterioro cognitivo leve en sólo unos minutos. Además, hemos decidido servir a nuestro estudio de cribado a la edad de 50 años en lugar de 65 como una tarea preventiva con el fin de aumentar la eficacia en la cadena de deterioro cognitivo leve.Los farmacéuticos son uno de los profesionales de la salud más accesibles y visitados regularmente, y pueden desempeñar un papel vital en la detección temprana de deterioro cognitivo leve.

a-machine-learning-approach-to-design-an-efficient-selective

Research

Investigación

JoVE Journal

Behavior

Comportamiento

Este artículo describe el Test de las 4 Montañas (4MT), una prueba dependiente del hipocampo de la memoria espacial alocéntrica de trabajo. El hipocampo se ve afectado en una fase temprana de la enfermedad de Alzheimer (EA) y este artículo describe la metodología de la 4MT y los resultados de las pruebas con pacientes, lo que demuestra el valor de la 4MT en el diagnóstico de la EA previa a la demencia.

El 4 Montañas de prueba: una prueba corta de la memoria espacial con alta sensibilidad para el diagnóstico de pre-demencia Enfermedad de Alzheimer

Se describe aquí un enfoque de detección de comportamiento escalonado que puede usarse para detectar compuestos que exhiben eficacia in vivo en comportamientos motores cognitivos y funcionales en modelos de ratón transgénicos de  beta - amiloidosis y tauopatía. Estos métodos se optimizan para examinar los compuestos para la actividad en tareas de memoria de trabajo y de corto plazo.

Evaluación de la Alternancia Espontánea, el Reconocimiento de Objetos Novelos y la Clasificación de Miembros en Modelos de Ratón Transgénico de la Neuropatología Amiloide-β y Tau

Basado en estado reposo resonancia magnética funcional con análisis de causalidad de Granger, se investigaron las alteraciones en la conectividad funcional dirigida entre la corteza del cíngulo posterior y todo el cerebro en pacientes con enfermedad de Alzheimer (EA), pacientes con deterioro cognitivo leve (MCI) y controles sanos.

Aplicación del análisis de causalidad de Granger de la conexión funcional dirigida en la enfermedad de Alzheimer y deterioro cognitivo leve

Este papel describe un protocolo para la evaluación cognitiva de modelos genéticos de la enfermedad de Alzheimer utilizando el sistema IntelliCage, que es un sistema de monitoreo conductual alto rendimiento automatizado con condicionamiento operante.

Automatizado, ensayo conductual a largo plazo para las funciones cognitivas en múltiples modelos genéticos de la enfermedad de Alzheimer, utilizando IntelliCage

Aquí, presentamos un protocolo diseñado para mostrar cómo los estereotipos de envejecimiento negativo pueden afectar el rendimiento de la memoria de los adultos mayores durante las pruebas cognitivas y cómo reducir este efecto nocivo. Este método puede ayudar a las personas mayores a realizar a un nivel óptimo durante las pruebas tanto en estudios de laboratorio como en entornos clínicos.

Resaltar y reducir el impacto de los estereotipos de envejecimiento negativo durante las pruebas cognitivas de los adultos mayores

Aquí, presentamos un protocolo para evaluar si los varios tipos de lesiones cerebrovasculares silenciosas están asociados diferencialmente a déficits en ciertos dominios cognoscitivos en una cohorte de 398 chinos mayores hipertensos, usando una combinación de pruebas neurofisiológicas y de exploración de la multi-secuencia 3T MRI.

Evaluación del rendimiento cognitivo de pacientes hipertensos con lesiones cerebrovasculares silenciosas

Las escalas de evaluación clínica no son lo suficientemente sensibles a la disfunción cognitiva en pacientes con accidente cerebrovascular de alto funcionamiento. El paradigma de doble tarea presenta ventajas y potencial en la evaluación y entrenamiento cognitivo de la disfunción cognitiva. El estudio aquí propone un paradigma de Stroop de doble tarea para identificar la disfunción cognitiva en pacientes con accidente cerebrovascular de alto funcionamiento.

Paradigma de Stroop de doble tarea para detectar déficits cognitivos en pacientes con accidente cerebrovascular de alto funcionamiento

En este trabajo se presenta un protocolo que investiga la relación entre los síntomas cognitivos y la calidad del sueño en pacientes con trastorno depresivo mayor. Se utilizaron la herramienta integrada con THINC y la polisomnografía para evaluar los síntomas cognitivos y la calidad del sueño.

Asociación entre la calidad del sueño y los síntomas cognitivos en pacientes con trastorno depresivo mayor

Se demuestra cómo una medida objetiva se puede emplear en la goma de la mano paradigma ilusión ampliamente empleado. Esta medida se obtiene mediante la modificación de la tarea congruencia crossmodal bien establecida. Esta tarea permite la investigación de los procesos multisensoriales que son críticos para la modulación de las representaciones del cuerpo como en la mano ilusión de goma.

El Grupo de Congruencia crossmodal como medio para obtener una medida del comportamiento objetivo de la Guía Caucho mano Illusion Paradigm

Pusimos a prueba la capacidad de uso de una aplicación basada en la tableta de ordenador (EmoCogMeter) en la investigación de los efectos de la edad sobre la cognición. Los resultados muestran un declive cognitivo relacionado con la edad, lo que demuestra el uso de nuestra aplicación. Los resultados ponen de manifiesto el gran potencial clínico y práctico de una aplicación basada en tableta para la detección y control de la disfunción cognitiva.

Evaluación de los cambios relacionados con la edad en las funciones cognitivas Uso EmoCogMeter, un Enfoque Basado Novela Tablet-ordenador

Aprende a diseñar un cribado rentable del deterioro cognitivo leve mediante árboles de decisión y aprendizaje automático. Este método mejora la detección temprana en población mayor de 65 años.

Un enfoque de aprendizaje automático para diseñar un examen selectivo eficiente del deterioro cognitivo leve

Explorar más videos