Podejście oparte na uczeniu maszynowym do projektowania skutecznych selektywnych badań przesiewowych w kierunku łagodnych zaburzeń poznawczych

Summary

Ta metodologia tworzy drzewa decyzyjne, które są skierowane do grup populacji bardziej podatnych na łagodne zaburzenia poznawcze i są przydatne do efektywnych kosztowo selektywnych badań przesiewowych choroby.

Abstract

Łagodne upośledzenie funkcji poznawczych (MCI) jest pierwszą oznaką demencji wśród starszych populacji, a jego wczesne wykrycie jest kluczowe w naszych starzejących się społeczeństwach. Typowe testy MCI są czasochłonne, więc masowe badania przesiewowe nie byłyby opłacalne. W tym miejscu opisujemy protokół, który wykorzystuje techniki uczenia maszynowego do szybkiej selekcji kandydatów do dalszego badania przesiewowego za pomocą testu MCI opartego na pytaniach. Minimalizuje to liczbę zasobów wymaganych do badań przesiewowych, ponieważ tylko pacjenci, którzy są potencjalnie dodatni w MCI, są dalej badani.

Ta metodologia została zastosowana w początkowym badaniu MCI, które stanowiło punkt wyjścia do zaprojektowania selektywnego drzewa decyzyjnego selekcji. We wstępnym badaniu zebrano wiele zmiennych demograficznych i dotyczących stylu życia, a także szczegóły dotyczące leków przyjmowanych przez pacjentów. Krótki Przenośny Kwestionariusz Stanu Psychicznego (SPMSQ) oraz Mini-Badanie Stanu Psychicznego (MMSE) zostały wykorzystane do wykrycia możliwych przypadków MCI. Na koniec wykorzystaliśmy tę metodę do zaprojektowania skutecznego procesu klasyfikacji osób zagrożonych MCI. Praca ta dostarcza również informacji na temat czynników związanych ze stylem życia związanych z MCI, które można wykorzystać w zapobieganiu i wczesnym wykrywaniu MCI wśród populacji starszych.

Introduction

Starzenie się populacji zwiększa częstość występowania chorób przewlekłych i zwyrodnieniowych, zwłaszcza demencji zwyrodnieniowych, które mają dotknąć ponad 131 milionów ludzi na całym świecie do 2050 roku¹. Spośród wszystkich demencji zwyrodnieniowych najczęściej występuje choroba Alzheimera (AD), której ogólna częstość występowania w Europie wynosi 6,88%². Ze względu na stale zmniejszającą się samodzielność pacjentów z chorobą Alzheimera, grupa ta powinna zacząć otrzymywać wsparcie, gdy tylko choroba Alzheimera zacznie się objawiać. Dlatego niezbędne jest wczesne wykrycie prodromalnych objawów choroby Alzheimera, takich jak łagodne zaburzenia poznawcze (MCI).

MCI jest zdefiniowany jako pośredni etap spadku funkcji poznawczych odpowiadający normalnemu starzeniu się i poważnemu pogorszeniu z powodu demencji³. Według szacunków Petersena i wsp.⁴, częstość występowania MCI wynosi 8,4% wśród osób w wieku 65-69 lat i sięga 25,2% u osób w wieku powyżej 80 lat. MCI powoduje, że osoby doświadczają więcej trudności niż oczekiwano w realizacji umiejętności poznawczych na niskim poziomie, zwłaszcza tych związanych z pamięcią i językiem, ale nie przeszkadza w czynnościach życia codziennego.

Badanie przesiewowe nie jest równoznaczne z diagnozą; diagnoza MCI zawsze będzie zadaniem klinicznym, podczas gdy metody przesiewowe mogą nas tylko poinformować, że pacjent ma większe prawdopodobieństwo wystąpienia tej patologii i że istnieje uzasadnione podejrzenie MCI, które powinno być potwierdzone klinicznie. W związku z tym pracownicy podstawowej opieki zdrowotnej (lekarze, farmaceuci, pielęgniarki itp.) mogą skorzystać z dostępności prostych metod badań przesiewowych (krótkich testów poznawczych), które można zastosować w ciągu kilku minut. Idealnie byłoby, gdyby obiektywnie identyfikowały one pacjentów z wysokim prawdopodobieństwem wystąpienia MCI, tak aby mogli oni zostać przebadani klinicznie przez lekarzy ogólnych lub wyspecjalizowanych.

Biorąc pod uwagę, że wczesne wykrywanie MCI staje się kluczowym zadaniem w kontekście zdrowia publicznego, ta praca miała na celu określenie, które cechy są przydatne w ukierunkowanej identyfikacji MCI w testach przesiewowych populacji osób starszych. Grupy te byłyby następnie dokładniej badane pod kątem MCI w testach przeprowadzanych przez świadczeniodawców podstawowej opieki zdrowotnej. Metodologia ta zapewnia drzewo decyzyjne z odpowiednimi algorytmami do identyfikacji grup populacji, do których należy kierować reklamy.

Wśród tych cech, wiek jest jednym z najbardziej konsekwentnych czynników związanych z rozwojem tej patologii. Inne istotne cechy są związane z demografią lub stylem życia⁵. Wśród tych ostatnich niektóre badania zidentyfikowały czas trwania snu w ciągu dnia lub nocy jako czynnik ryzyka, który może prowadzić do diagnozy MCI^5,6,7,8,9. Długotrwałe spożywanie leków, takich jak benzodiazepiny, spożywane przez około 20%-25% osób starszych^10,11, może również wpływać na godziny snu i rozwój MCI^12,13. Rzeczywiście, przedłużone leczenie chorób przewlekłych może być ważnymi cechami przydatnymi we wstępnej selekcji osób z wysokim ryzykiem zachorowania na MCI.

Tutaj opracowaliśmy modele oparte na danych, które wykorzystują algorytmy automatycznego uczenia się, drzewo decyzyjne i narzędzie predykcyjne, aby zwiększyć skuteczność metodologii wykrywania MCI poprzez rozróżnienie, które cechy odgrywają ważną rolę we wczesnym wykrywaniu MCI. Przedstawione tutaj drzewo decyzyjne zostało opracowane przy użyciu określonej kohorty hiszpańskich pacjentów korzystających z aptek lokalnych. Jednak metoda ta byłaby również przydatna w przypadku innych populacji o różnych cechach.

Ta praca została wykonana we współpracy z podstawową opieką zdrowotną i wyspecjalizowanymi lekarzami. Apteki lokalne były idealne do testowania tego algorytmu, ponieważ znajdują się blisko pacjentów, mają długie godziny otwarcia i są często odwiedzane i konsultowane. Demencje zwyrodnieniowe to złożone schorzenia, które nie zawsze są dobrze rozumiane przez lekarzy podstawowej opieki zdrowotnej¹⁴. Dlatego zaangażowanie się w ten proces zwiększy świadomość osób cierpiących na MCI i demencję.

Protocol

Metodologia zastosowana w tym badaniu została wcześniej opublikowana⁵ w pracy przeprowadzonej na Uniwersytecie CEU Cardenal Herrera wraz z aptekami lokalnymi w regionie Walencji (Hiszpania) związanymi z Hiszpańskim Towarzystwem Farmacji Rodzinnej i Społecznej (SEFAC). Niniejsze badanie zostało ocenione i zatwierdzone przez Komitet ds. Etyki Badań Naukowych na Uniwersytecie CEU Cardenal Herrera (nr zatwierdzenia. CEI11/001) w marcu 2011 r. Wszystkie osoby biorące udział w badaniu wyraziły pisemną świadomą zgodę na udział zgodnie z Deklaracją Helsińską.

1. Wybór czynników związanych z łagodnym upośledzeniem poznawczym

1. Wyszukaj terminy związane z MCI do wykorzystania w badaniach przesiewowych przeglądów systematycznych Cochrane (np. upośledzenie funkcji poznawczych, demencja, czynniki ryzyka itp.).
2. Wyszukaj hasła, dla których istnieją dowody na związek z pogorszeniem funkcji poznawczych lub demencją opublikowaną w bazie danych PubMed; należą do nich czynniki demograficzne (płeć, wiek, poziom wykształcenia i status ekonomiczny), czynniki społeczne (działania poznawcze i społeczne), przewlekłe patologie (cholesterol, depresja, nadciśnienie, cukrzyca i otyłość) oraz zachowania związane ze stylem życia (spożywanie alkoholu, nałóg palenia tytoniu, dieta, aktywność fizyczna, i godzin snu).
3. Oblicz iloraz szans dla zmiennych jakościowych lub wielkość efektu d Cohena dla zmiennych ilościowych¹⁵. Wybierz zmienne o większych rozmiarach efektu dla pogorszenia funkcji poznawczych lub demencji do wykorzystania przy opracowywaniu kwestionariusza.

2. Wygląd kwestionariuszy

1. Zaprojektuj kwestionariusz do zbierania informacji o wybranych zmiennych, postępując zgodnie z wytycznymi dostarczonymi przez Nardi¹⁶. Na przykład zmienne użyte w Climent et al.⁵ dotyczyły danych demograficznych (wiek, waga i wzrost [mierzone za pomocą standardowych procedur przy użyciu skalibrowanych skal i stadiometrów], płci, poziomu wykształcenia i rodzaju zatrudnienia), stylu życia (ćwiczenia fizyczne, czytanie, czas spędzany na spaniu w nocy i w ciągu dnia, łamigłówki, gry, czas korzystania z telewizji oraz palenie tytoniu i alkoholu) oraz przewlekłe patologie (nadciśnienie, hiperlipidemia i cukrzyca). Ponadto rejestruj obecność lub brak depresji, która często wiąże się z pogorszeniem funkcji poznawczych.
2. Zaprojektuj arkusz kontrolny farmakoterapii, aby zgłosić wszystkie leki spożywane przez uczestników w czasie wywiadu, tak jak w Climent et al.⁵, w którym użyto metody Dadera¹⁷ do zaprojektowania tego arkusza.

3. Wybór testów do badania przesiewowego MCI

1. Określ wszystkie testy stosowane do badań przesiewowych w kierunku MCI, które mogą być wykonywane przez pracowników podstawowej opieki zdrowotnej (np. farmaceutów). Odrzuć wszelkie testy, które muszą być wykonane przez specjalistę. Niektóre z testów, które spełniają te warunki, to Krótki Przenośny Kwestionariusz Stanu Psychicznego (SPMSQ)¹⁸, Mini Mental State Examination (MMSE)¹⁹, Ekran Upośledzenia Pamięci (MIS)²⁰, Ekran Upośledzenia Pamięci Obrazowej (PMIS)²¹, Montrealska Ocena Poznawcza (MoCA)²², Stan Psychiczny Uniwersytetu Saint Louis (SLUMS)²³, oraz Szybkie łagodne upośledzenie funkcji poznawczych (Qmci)²⁴. Wyczerpujący przegląd każdego testu MCI jest dostępny w Cullen et al.²⁵.
2. Proszę poszukać dobrego oszacowania czułości i swoistości testu w literaturze naukowej.
3. Oszacuj czas potrzebny na przeprowadzenie tych testów u zdrowych osób.
4. Weź pod uwagę podstawowe cechy pacjenta wymagane do wykonania tych testów. Na przykład minimalny poziom wykształcenia może być konieczny, ponieważ wiele testów MCI nie jest odpowiednich dla niepiśmiennych uczestników. Zestaw testów przesiewowych MCI jest zwykle stosowany w celu zwiększenia czułości; Farmaceuci muszą jednak szybko przeprowadzić minimalną liczbę testów, jeśli końcowe selektywne badanie przesiewowe jest przeznaczone dla dużej populacji. Climent et al.⁵ ocenili MCI za pomocą testów MMSE i SPMSQ, przy czym ten ostatni jest odpowiedni dla dużej liczby osób, które przeżyły wojnę domową w Hiszpanii, a które są analfabetami.
   1. Użyj wariantu SPMSQ firmy Pfeiffer¹⁸ został zweryfikowany w języku hiszpańskim przez Martínez de la Iglesia²⁶. Ten test ma maksymalny wynik 10, a punkt odcięcia dla ustalenia upośledzenia funkcji poznawczych wynosi 3 lub więcej błędów (4 lub więcej dla osób niepiśmiennych). Ten test trwa od 8 do 10 minut.
   2. Użyj wersji MMSE NORMACODERM zatwierdzonej dla osób mówiących po hiszpańsku przez Blesa²⁷, dostosowując oryginalną wersję przez Folstein¹⁹. Ten test przesiewowy ma maksymalny wynik 30 punktów i jest korygowany w zależności od lat nauki szkolnej i wieku pacjentów. Uczestnicy, którzy uzyskają mniej lub równe 24 punkty, są traktowani jako przypadki MCI. MMSE jest miarą ogólnych funkcji poznawczych i obejmuje orientację w czasie i miejscu, język pisany i mówiony, koncentrację uwagi, obliczenia i pamięć. Został on podany wszystkim uczestnikom tego badania, ponieważ jest to bardzo krótki test, którego wykonanie zajmuje tylko około 5 minut.

4. Rekrutacja podmiotu

1. Znajdź farmaceutów chętnych do rekrutacji osób niezinstytucjonalizowanych do populacji badanej. Wspomniane badanie przeprowadzone przez Climent et al.⁵ obejmowało osoby w wieku 65 lat lub więcej, które regularnie chodziły do apteki i które zgodziły się wziąć udział w tym badaniu. Należy wykluczyć pacjentów, którzy mają jakiekolwiek trudności z wykonaniem tych testów ewaluacyjnych (np. z powodu ślepoty, głuchoty itp.) lub którzy byli już leczeni z powodu demencji.
2. Przekaż farmaceutom uczestniczącym w badaniu formularze świadomej zgody, które muszą zostać wypełnione przez każdą osobę biorącą udział w badaniu. Formularz zgody określa tytuł badania, cele projektu, zrozumiałe wyjaśnienie wszystkich procedur, w których uczestnik miałby wziąć udział, brak szczególnych zagrożeń, poufność wszystkich zebranych danych oraz prawo do wycofania się z badania z dowolnego powodu w dowolnym momencie.
3. Przeszkolić farmaceutów w zakresie przeprowadzania ustrukturyzowanych wywiadów osobistych z uczestnikami, które powinny trwać około pół godziny na osobę. Zbieraj dane przez 1 rok i wyślij wszystkie formularze do badaczy odpowiedzialnych za ochronę danych w badaniu. Następnie obserwacja z pacjentami przez 3 miesiące.
4. Poinstruuj farmaceutów, jak zidentyfikować prawdopodobny przypadek MCI za pomocą testów MCI. Na podstawie Climent et al.⁵ użyliśmy wyników SPMSQ wynoszących 4 lub więcej punktów (dla niepiśmiennych uczestników) lub 3 lub więcej punktów dla pozostałych uczestników, a wyniki 24 punktów lub mniej zostały użyte w poprawionym teście MMSE.
5. Poinstruuj farmaceutów, jak kierować przypadki MCI do lekarza specjalisty (neurologa) w celu postawienia diagnozy klinicznej - ostatni krok w schemacie blokowym użytym w tym badaniu (Rysunek 1).

Rysunek 1: Schemat blokowy badania naukowego i proponowanego selektywnego badania przesiewowego. Lewa strona reprezentuje wstępne badanie, którego dane zostały przeanalizowane za pomocą technik uczenia maszynowego w celu zaproponowania selektywnego badania przesiewowego w celu wczesnego wykrycia MCI pokazanego w prawym panelu. Ten rysunek został zmodyfikowany z Climent³⁴. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

5. Szkolenie dla badaczy farmaceutycznych

1. Skontaktuj się ze specjalistami w celu zorganizowania sesji szkoleniowych dla farmaceutów uczestniczących w programie w zakresie podstawowej wiedzy związanej z zaburzeniami poznawczymi oraz w zakresie zarządzania narzędziami do badań przesiewowych, na przykład SPMSQ i MMSE.
2. Upewnij się, że farmaceuci uczestniczący w programie są świadomi procedur, protokołu gromadzenia danych i wszystkich możliwych kwestii związanych z ochroną danych. Poinformuj ich, że projekt został zatwierdzony przez Komisję Etyki Badań Naukowych oraz o znaczeniu formularza zgody zgodnie z Deklaracją Helsińską.
   UWAGA: Aby przeprowadzić badanie opisane przez Climent et al.⁵, odbyły się warsztaty w Oficjalnym Kolegium Farmaceutów i Uniwersytecie Cardenal-Herrera CEU (UCH-CEU), które obejmowały następujące tematy: MCI i demencja; podejścia diagnostyczne do MCI i leczenia SPMQP i MMSE (prowadzone przez Oddział Neurologii w Szpitalu La Plana w Castellón); prezentacja projektu i wyjaśnienie metodologii przez starszych badaczy farmaceutów środowiskowych; oraz edukacja zdrowotna i trening poznawczy przez naukowców z Wydziału Farmacji Uniwersytetu UCH-CEU.

6. Projekt badania

1. Oblicz wielkość próby, aby ocenić wykonalność projektu. Ponieważ było to badanie obserwacyjne, większa próba pozwoli na opracowanie skuteczniejszych narzędzi. Istnieją dwa sposoby określenia wielkości próby: jeden opiera się na oszacowaniu rozpowszechnienia, a drugi jest bardziej precyzyjny, biorąc pod uwagę wielkość efektu.
   1. Oblicz dokładne oszacowanie częstości występowania choroby w populacji
      
      
      
      gdzie α jest poziomem istotności, p₀ jest początkowym oszacowaniem, a błąd jest maksymalnym błędem oczekiwanym przy poziomie ufności 100(1–α)%.
   2. Zgodnie z wielkościami efektów znalezionymi w literaturze dla każdego czynnika, użyj narzędzi takich jak pakiet pwr w R, aby oszacować, ile mocy jest potrzebne do wykrycia różnic^15,28.
      UWAGA: Na przykład w naszym badaniu⁵ zaprojektowaliśmy pierwszą propozycję z błędem 3% przy 95% ufności i wstępnym oszacowaniem częstości występowania MCI na poziomie 15% w populacji w wieku 65 lat lub starszym, co dało szacunkową wymaganą wielkość próby 541 osób.

7. Interdyscyplinarna sieć komunikacyjna, farmaceuci, lekarze podstawowej opieki zdrowotnej i specjaliści

1. Zaprojektuj listy, aby przekazać informacje o projekcie zaangażowanym ośrodkom opieki zdrowotnej.
2. Wyjaśnij farmaceutom uczestniczącym w badaniu, w jaki sposób poinformować przydzielonych im lekarzy o wynikach badań przesiewowych, wysyłając list do przychodni podstawowej opieki zdrowotnej.
3. Wysyłać pisemne komunikaty do koordynatorów medycznych ośrodków opieki zdrowotnej związanych z aptekami uczestniczącymi w programie oraz do Oddziałów Neurologii szpitali, do których są przydzieleni.
4. Skontaktuj się z neurologami uczestniczącymi w programie, aby dowiedzieć się, jaka jest ostateczna diagnoza każdego pacjenta uzyskana dzięki konkretnym testom przeprowadzonym przez wyspecjalizowanych pracowników służby zdrowia. Wcześniej świadczeniodawcy podstawowej opieki zdrowotnej powinni przeprowadzić następujący protokół, zgodnie z podsumowaniem wytycznych klinicznych (Rysunek 2).

Rysunek 2: Protokół działań w ramach podstawowej opieki zdrowotnej. Przykład działań podstawowej opieki zdrowotnej, które należy rozważyć w celu wczesnego wykrycia MCI, zanim pacjent zostanie skierowany na diagnostykę lekarską przez specjalistów. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

8. Analiza statystyczna i wstępne przetwarzanie

UWAGA: Przed zastosowaniem technik uczenia maszynowego wymagany jest etap przygotowawczy, aby przekształcić oryginalne dane w nowy zestaw danych zgodnie z ostatecznym celem badania i procedurami, które należy zastosować. W przypadku tej transformacji należy wziąć pod uwagę kilka rzeczy, w tym charakterystykę algorytmów. Dzieje się tak, ponieważ niektóre z nich są wrażliwe na brak zmienności lub udostępnianie informacji między kolumnami, chociaż algorytmy używane do generowania drzew decyzyjnych są szczególnie odporne na te problemy. Ta początkowa faza ma na celu kategoryzację zmiennych jakościowych i zebranie wartości z wystarczającą liczbą przypadków dla każdej zmiennej. Aby badania przesiewowe były skuteczne, ważne jest, aby wybrać zmienne, których akwizycja okazała się łatwa i dokładna. Uczestnicy są wybierani na podstawie krótkiego wywiadu, w którym użyte algorytmy zostały ograniczone do modelu białej skrzynki, co ułatwia sprawdzenie kryteriów stosowanych do podjęcia decyzji, czy dana osoba powinna przystąpić do testu. Sugerujemy użycie pakietu rpart²⁹ w oprogramowaniu R dla tych algorytmów i zaimplementowanie partycjonowania rekurencyjnego.

1. Zbierz wszystkie formularze z aptek uczestniczących w programie i przekształć je w tabelę, w której każda kolumna jest zmienną, a każda osoba uczestnicząca w programie jest wierszem.
2. Każdemu uczestnikowi przypisz numer identyfikacyjny. Zapisz numer identyfikacyjny i informacje kontaktowe w innym dokumencie, aby nie były używane przez algorytm uczenia maszynowego.
3. Wygeneruj zmienne, aby sklasyfikować, czy każdy lek przyjmowany przez pacjenta odpowiada drugiemu lub trzeciemu kodowi poziomu ATC³⁰ (Anatomical Therapeutic Chemical), zgodnie z głównymi składnikami aktywnymi w arkuszu kontrolnym farmakoterapii.
4. Wykonaj wstępną analizę opisową.
   1. Dla każdej zmiennej porządkowej wybierz odpowiedni kontrast dla zmiennej. W przypadku zmiennych jakościowych wybierz wartość traktowaną jako linia bazowa.
   2. W przypadku zmiennych jakościowych oblicz jednowymiarową regresję logistyczną ze zmienną odpowiedzi do badania przesiewowego MCI. Przeanalizuj wynik regresji za pomocą tabeli kontyngencji, wartości p, ilorazu szans próby i 95% przedziału ufności ilorazu szans.
   3. W przypadku zmiennych ilościowych należy obliczyć średnią, odchylenie standardowe, współczynnik regresji logistycznej oraz 95% przedział ufności ich współczynników.
5. Odrzucaj zmienne z brakującymi (niedostępnymi) wartościami, biorąc pod uwagę, że te zmienne są trudne do dokładnego zebrania.
6. Wybieraj tylko te zmienne, dla których istnieje co najmniej jedna kategoria istotna statystycznie (α < 0,01) zgodnie z analizą regresji logistycznej. Wynikiem tego kroku jest zmniejszony zestaw danych w porównaniu z początkowym.

9. Algorytmy do tworzenia drzewa decyzyjnego

UWAGA: Algorytmy uczenia maszynowego muszą być odpowiednio sparametryzowane, aby przewidzieć, które osoby mogą mieć pozytywny wynik testu MCI. Jednym z głównych problemów podczas badań przesiewowych pod kątem choroby jest to, że oczekuje się, że pierwotne dane będą niezrównoważone (tj. niewiele pozytywnych przypadków w porównaniu z negatywnymi). Aby uzyskać modele ze zrównoważonymi danymi, użyliśmy techniki zwanej próbkowaniem w dół lub próbkowaniem losowym, aby wyrównać częstotliwość z częstotliwością najniższej klasy częstotliwości³¹. Skuteczne badania przesiewowe wymagają również maksymalnego zmniejszenia liczby wyników fałszywie ujemnych (tj. zwiększenia czułości selekcji uczestników cierpiących na MCI). Jedną z technik stosowanych w celu osiągnięcia większej czułości jest wprowadzenie kar w obliczaniu wskaźnika zanieczyszczeń Giniego (tj. indeksu używanego przez algorytm do wyboru najlepszego podziału dla drzewa decyzyjnego)³².

1. Wygeneruj zestaw danych treningowych i testowych zawierający odpowiednio 80% i 20% całego zestawu danych, używając funkcji createDataPartition w bibliotece karetki³³.
2. Zastosuj algorytmy używane do generowania drzew decyzyjnych do zestawu danych treningowych. Użyj funkcji train again w bibliotece daszków³³. Poniższe kroki to różne parametry funkcji; Na przykład drzewo użyte w tym artykule zostało wygenerowane za pomocą rpart²⁹ (method = "rpart"), ale dostępne są inne algorytmy.
   1. Wybierz metodę próbkowania "próbkowanie w dół" i wprowadź parametr próbkowania = "w dół" do karetki.
   2. Ustaw prawdopodobieństwa a priori dla obu klas.
   3. Przedstaw matrycę strat z zastosowanymi karami za wskaźnik zanieczyszczeń Giniego, aby skupić się na rosnącej czułości.
   4. Dla każdego parametru w algorytmie wybierz odpowiednią siatkę wartości.
   5. Użyj oszacowania krzyżowej walidacji wartości krzywej operacyjnej odbiornika (ROC), aby wybrać najlepsze modele w siatce parametrów.
3. Oblicz macierz pomyłek i pole pod krzywą ROC (AUC) dla przewidywania zestawu testowego, aby ocenić rzeczywistą wydajność modelu.

Results

Uczestniczące apteki zebrały dane od 728 użytkowników i zebrały zmienne demograficzne oprócz leków przepisanych uczestnikom. Dla wszystkich zmiennych przeprowadzono jednowymiarową regresję logistyczną³⁴; wykresy słupkowe błędów pokazane na Rysunek 3 i Rysunek 4 są wygodnymi graficznymi reprezentacjami przedziału ufności ilorazu szans (dla zmiennych jakościowych) i przedziału ufności współczynnika regresji logistyczn...

Discussion

Po wyszukaniu terminów związanych z MCI w badaniach Cochrane w bazie danych PubMed, stworzono specjalny kwestionariusz dla tego badania, w którym wykorzystano najbardziej oczywiste zmienne o udowodnionym związku z MCI. Zarejestrowano również czynniki demograficzne, styl życia i czynniki społeczne, a także farmakoterapię pacjenta i niektóre istotne patologie. Dodatkowo wybrano również testy SPMSQ oraz MMSE MCI. Co ważne, poziom wykształcenia uczestników nie miał wpływu na SPMSQ. Farmaceuci zostali przeszkoleni w zakresie ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
daszek	Max Kuhn		R pakiet
rpart	Terry Therneau, Beth Atkinson, Brian Ripley		R pakiet
SPMSQ w języku hiszpańskim	Farmaceuticoscomunitarios.org		http://farmaceuticoscomunitarios.org/anexos/vol11_n1/ANEXO1.pdf
SPMSQ po polsku	geriatrics.stanford.edu		https://geriatrics.stanford.edu/culturemed/overview/assessment/assessment_toolkit/spmsq.html
MMSE po hiszpańsku	Farmaceuticoscomunitarios.org		http://farmaceuticoscomunitarios.org/anexos/vol11_n1/ANEXO2.pdf
MMSE w języku angielskim	oxfordmedicaleducation.com		http://www.oxfordmedicaleducation.com/ geriatria/mini-badanie-stanu-psychicznego-mmse/