Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

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

7.2K wyświetleń

⸱

DOI:

10.3791/59649

⸱

11 stycznia 2020

 ,  ,  ,  , 
1Embedded Systems and Artificial Intelligence Group, Universidad CEU Cardenal Herrera, 2Community Pharmacist, 3Department of Pharmacy, Universidad CEU Cardenal Herrera

W tym artykule

Podsumowanie

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.

Streszczenie

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.

Wprowadzenie

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 MCI5,6,7,8,9. Długotrwałe spożywanie leków, takich jak benzodiazepiny, spożywane przez około 20%-25% osób starszych10,11, może również wpływać na godziny snu i rozwój MCI12,13. 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.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Metodologia zastosowana w niniejszym badaniu została wcześniej opublikowana5 w pracy zrealizowanej na Uniwersytecie CEU Cardenal Herrera we współpracy z aptekami ogólnodostępnymi w regionie Walencji (Hiszpania) stowarzyszonymi z Hiszpańskim Towarzystwem Farmacji Rodzinnej i Społecznej (SEFAC). Niniejsze badanie zostało przeanalizowane i zatwierdzone przez Komisję Etyki Badań na Universidad CEU Cardenal Herrera (numer zatwierdzenia CEI11/001) w marcu 2011 roku. Wszystkie osoby biorące udział w badaniu wyraziły pisemną świadomą zgodę na uczestnictwo zgodnie z Deklaracją Helsińską.

1. Wybór czynników powiązanych z łagodnymi zaburzeniami poznawczymi

  1. Wyszukaj terminy związane z MCI do wykorzystania w przeglądzie systematycznym Cochrane (np. cognitive impairment, dementia, risk factors itp.).
  2. Wyszukaj w bazie danych PubMed terminy, dla których istnieją dowody na związek z pogorszeniem funkcji poznawczych lub otępieniem; obejmują one czynniki demograficzne (płeć, wiek, poziom wykształcenia i status ekonomiczny), czynniki społeczne (aktywność poznawcza i społeczna), patologie przewlekłe (cholesterol, depresja, nadciśnienie tętnicze, cukrzyca i otyłość) oraz nawyki związane ze stylem życia (spożycie alkoholu, palenie tytoniu, dieta, aktywność fizyczna i liczba godzin snu).
  3. Oblicz iloraz szans (odds ratio) dla zmiennych jakościowych lub wielkość efektu d Cohena dla zmiennych ilościowych15. Wybierz zmienne o większej wielkości efektu w odniesieniu do pogorszenia funkcji poznawczych lub otępienia w celu opracowania kwestionariusza.

2. Projekt kwestionariuszy

  1. Opracuj kwestionariusz w celu zebrania informacji na temat wybranych zmiennych, zgodnie z wytycznymi podanymi przez Nardi16. Przykładowo, zmienne użyte przez Climent i wsp.5 obejmowały dane demograficzne (wiek, masa ciała i wzrost [zmierzone zgodnie ze zstandaryzowanymi procedurami przy użyciu skalibrowanych wag i stadiometrów], płeć, poziom wykształcenia oraz rodzaj zatrudnienia), styl życia (aktywność fizyczna, czytanie, czas snu w nocy i w ciągu dnia, rozwiązywanie krzyżówek, gry, czas spędzany przed telewizorem oraz spożycie tytoniu i alkoholu) oraz schorzenia przewlekłe (nadciśnienie tętnicze, hiperlipidemia i cukrzyca). Dodatkowo odnotuj obecność lub brak depresji, która jest często powiązana z pogorszeniem funkcji poznawczych.
  2. Opracuj kartę monitorowania farmakoterapii, aby odnotować wszystkie leki przyjmowane przez uczestników w czasie wywiadu, analogicznie do badania Climent i wsp.5, w którym do opracowania tej karty wykorzystano metodę Dadera17.

3. Wybór testów do przesiewowego badania MCI

  1. Określ wszystkie testy przesiewowe w kierunku MCI, które mogą być przeprowadzane przez pracowników podstawowej opieki zdrowotnej (np. farmaceutów). Odrzuć wszelkie testy, które muszą być przeprowadzane przez specjalistę. Do testów spełniających te warunki należą Short Portable Mental State Questionnaire (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 oraz Quick Mild Cognitive Impairment (Qmci)24. Wyczerpujący przegląd każdego testu MCI dostępny jest w pracy Cullen et al.25.
  2. Wyszukaj w literaturze naukowej wiarygodne szacunki czułości i swoistości tych testów.
  3. Oszacuj czas wymagany do przeprowadzenia tych testów u zdrowych osób.
  4. Uwzględnij podstawowe cechy pacjentów wymagane do wykonania tych testów. Na przykład niezbędny może być minimalny poziom wykształcenia, ponieważ wiele testów MCI nie nadaje się dla uczestników niepiśmiennych. Zazwyczaj stosuje się zestaw testów przesiewowych MCI w celu zwiększenia czułości; jednak, jeśli końcowy selektywny przesiew jest przeznaczony dla dużej populacji, farmaceuci muszą być w stanie szybko przeprowadzić minimalną liczbę testów. Climent et al.5 oceniali MCI za pomocą testów MMSE i SPMSQ, przy czym ten drugi był odpowiedni dla dużej liczby osób niepiśmiennych, które przeżyły hiszpańską wojnę domową.
    1. Zastosuj wariant SPMSQ według Pfeiffera18, który został zwalidowany w języku hiszpańskim przez Martínez de la Iglesia26. Test ten ma maksymalną punktację 10, a punktem odcięcia dla stwierdzenia upośledzenia poznawczego jest 3 lub więcej błędów (4 lub więcej w przypadku osób niepiśmiennych). Wykonanie tego testu zajmuje od 8 do 10 minut.
    2. Zastosuj wersję NORMACODERM testu MMSE zwalidowaną dla osób hiszpańskojęzycznych przez Blesę27 poprzez adaptację oryginalnej wersji Folsteina19. Ten test przesiewowy ma maksymalną punktację 30 i jest korygowany w zależności od wieku oraz liczby lat edukacji pacjentów. Uczestników, którzy uzyskali wynik mniejszy lub równy 24, uznaje się za przypadki MCI. MMSE jest miarą ogólnych funkcji poznawczych i obejmuje orientację w czasie i miejscu, język pisany i mówiony, czas koncentracji, obliczenia oraz pamięć. Został on przeprowadzony u wszystkich uczestników niniejszego badania, ponieważ jest to bardzo krótki test, którego wykonanie zajmuje jedynie około 5 minut.

4. Rekrutacja uczestników

  1. Znaleźć farmaceutów chętnych do rekrutacji osób niebędących w placówkach opiekuńczych w celu utworzenia populacji badawczej. Wspomniane badanie przeprowadzone przez Climent i wsp.5 objęło osoby w wieku 65 lat lub więcej, które regularnie odwiedzały aptekę i zgodziły się wziąć udział w badaniu. Wykluczyć pacjentów z wszelkimi trudnościami w przeprowadzeniu testów oceniających (np. z powodu ślepoty, głuchoty itp.) lub osoby, które były już leczone z powodu otępienia.
  2. Przekazać uczestniczącym farmaceutom formularze świadomej zgody, które muszą zostać wypełnione przez każdą osobę biorącą udział w badaniu. Formularz zgody ten określa tytuł badania, cele projektu, zrozumiałe wyjaśnienie wszystkich procedur, w których uczestnik będzie brał udział, brak specyficznych ryzyk, poufność wszystkich zebranych danych oraz prawo do wycofania się z badania z dowolnego powodu w dowolnym momencie.
  3. Przeszkolić farmaceutów w przeprowadzaniu ustrukturyzowanych wywiadów osobistych z uczestnikami, które powinny trwać około pół godziny na osobę. Gromadzić dane przez 1 rok i przesłać wszystkie formularze do badaczy odpowiedzialnych za ochronę danych w badaniu. Następnie przeprowadzić obserwację pacjentów przez 3 miesiące.
  4. Poinstruować farmaceutów, jak zidentyfikować prawdopodobny przypadek MCI za pomocą testów MCI. W oparciu o Climent i wsp.5 zastosowano wyniki SPMSQ wynoszące 4 punkty lub więcej (dla uczestników niepiśmiennych) lub 3 punkty lub więcej dla pozostałych uczestników oraz wyniki wynoszące 24 punkty lub mniej w skorygowanym teście MMSE.
  5. Poinstruować farmaceutów, jak kierować przypadki MCI do specjalisty medycznego (neurologa) w celu postawienia diagnozy klinicznej – jest to ostatni krok w schemacie blokowym zastosowanym w ninzym badaniu (Rycina 1).

figure-protocol-1
Rysunek 1: Schemat blokowy badania naukowego oraz proponowanego przesiewu selektywnego. Lewa strona przedstawia badanie wstępne, którego dane zostały przeanalizowane za pomocą technik uczenia maszynowego w celu zaproponowania selektywnego przesiewu do wczesnego wykrywania MCI, przedstawionego w panelu prawym. Rysunek zmodyfikowano na podstawie pracy Climent34. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

5. Szkolenie farmaceuty-badacza

  1. Skontaktuj się ze specjalistami w celu zorganizowania sesji szkoleniowych dla uczestniczących farmaceutów z zakresu podstawowej wiedzy na temat zaburzeń poznawczych oraz obsługi narzędzi przesiewowych, takich jak na przykład SPMSQ i MMSE.
  2. Upewnij się, że uczestniczący farmaceuci są zapoznani z procedurami, protokołem gromadzenia danych oraz wszystkimi kwestiami związanymi z ochroną danych. Poinformuj ich, że projekt został zatwierdzony przez Komisję Etyki Badań oraz o znaczeniu formularza zgody zgodnie z Deklaracją Helsińską.
    UWAGA: W celu przeprowadzenia badania opisanego przez Climent i współpracowników5, w Oficjalnej Izbie Farmaceutów oraz na Uniwersytecie Cardenal-Herrera CEU (UCH-CEU) zorganizowano warsztaty, które obejmowały następujące zagadnienia: MCI i otępienie; podejścia diagnostyczne do MCI oraz obsługa SPMQP i MMSE (prowadzone przez Oddział Neurologii w szpitalu La Plana w Castellón); prezentację projektu i wyjaśnienie metodologii przez doświadczonych badaczy będących farmaceutami praktykującymi; oraz edukację zdrowotną i trening poznawczy prowadzone przez badaczy z Katedry Farmacji na Uniwersytecie UCH-CEU.

6. Projekt badania

  1. Oblicz wielkość próby, aby ocenić wykonalność projektu. Ponieważ było to badanie obserwacyjne, większa próba pozwoli na opracowanie bardziej skutecznych narzędzi. Istnieją dwa sposoby określenia wielkości próby: jeden opiera się na szacowaniu rozpowszechnienia, a drugi jest bardziej precyzyjny, gdyż uwzględnia wielkości efektu.
    1. Oblicz dokładne szacunki rozpowszechnienia danej jednostki chorobowej w populacji

      figure-protocol-2

      gdzie α to poziom istotności, p0 to szacunek początkowy, a error to maksymalny błąd oczekiwany przy poziomie ufności 100(1 - α)%.
    2. W oparciu o wielkości efektów znalezione w literaturze dla każdego czynnika, wykorzystaj narzędzia takie jak pakiet pwr w języku R, aby oszacować moc wymaganą do wykrycia różnic15,28.
      UWAGA: Na przykład w naszym badaniu5 opracowaliśmy pierwszą propozycję z błędem 3% przy 95% poziomie ufności i początkowym szacunkiem rozpowszechnienia MCI na poziomie 15% w populacji osób w wieku 65 lat lub starszych, co skutkowało szacowaną wymaganą wielkością próby wynoszącą 541 osób.

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

  1. Przygotować listy w celu przekazania informacji o projekcie do zaangażowanych ośrodków opieki zdrowotnej.
  2. Wyjaśnić uczestniczącym farmaceutom, w jaki sposób informować przypisanych im lekarzy o wynikach przesiewów za pomocą listu do podstawowej placówki opieki zdrowotnej.
  3. Wysłać pisemne powiadomienia do koordynatorów medycznych ośrodków opieki zdrowotnej powiązanych z uczestniczącymi aptekami oraz do oddziałów neurologicznych szpitali, do których są one przypisane.
  4. Skontaktować się z uczestniczącymi neurologami, aby ustalić ostateczną diagnozę każdego pacjenta, uzyskaną w drodze specjalistycznych badań przeprowadzonych przez wyspecjalizowane podmioty opieki zdrowotnej. Przed tym etapem lekarze podstawowej opieki zdrowotnej powinni przeprowadzić następujący protokół, przedstawiony w wytycznych klinicznych (Rysunek 2).

figure-protocol-3
Rycina 2: Protokół działań w ramach podstawowej opieki zdrowotnej. Przykład działań w ramach podstawowej opieki zdrowotnej, które należy rozważyć w celu wczesnego wykrycia MCI przed skierowaniem pacjenta na diagnozę medyczną do specjalistów. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

8. Analiza statystyczna i przetwarzanie wstępne

UWAGA: Przed zastosowaniem technik uczenia maszynowego wymagany jest krok przygotowawczy w celu przekształcenia oryginalnych danych w nowy zbiór danych, zgodnie z końcowym celem badania oraz stosowanymi procedurami. Przy tej transformacji należy wziąć pod uwagę kilka kwestii, w tym charakterystykę algorytmów. Wynika to z faktu, że niektóre z nich są wrażliwe na brak zmienności lub współdzielenie informacji między kolumnami, choć algorytmy służące do generowania drzew decyzyjnych są szczególnie odporne na te problemy. Ta wstępna faza ma na celu kategoryzację zmiennych jakościowych oraz zgrupowanie wartości z wystarczającą liczbą przypadków dla każdej zmiennej. Dla efektywnego przesiewu ważne jest wybranie zmiennych, których pozyskiwanie jest udowodnione jako łatwe i dokładne. Uczestnicy są wybierani na podstawie krótkiego wywiadu, w którym zastosowane algorytmy ograniczono do modelu białej skrzynki (white-box model), co ułatwia weryfikację kryteriów użytych do decyzji o tym, czy dana osoba powinna przystąpić do testu. Sugerujemy użycie pakietu rpart29 w oprogramowaniu R dla tych algorytmów oraz implementację rekurencyjnego podziału.

  1. Zebrać wszystkie formularze z uczestniczących aptek i przekształcić je w tabelę, w której każda kolumna stanowi zmienną, a każdy uczestnik odpowiada jednemu wierszowi.
  2. Przypisać numer identyfikacyjny każdemu uczestnikowi. Numer identyfikacyjny oraz dane kontaktowe należy zapisać w oddzielnym dokumencie, aby nie były one wykorzystywane przez algorytm uczenia maszynowego.
  3. Wygenerować zmienne służące do klasyfikacji, czy każdy lek przyjmowany przez pacjenta odpowiada kodom drugiego lub trzeciego poziomu ATC30 (Anatomical Therapeutic Chemical), zgodnie z aktywnymi składnikami głównymi na karcie monitorowania farmakoterapii.
  4. Przeprowadzić wstępną analizę opisową.
    1. Dla każdej zmiennej porządkowej wybrać odpowiedni kontrast. Dla zmiennych kategorycznych wybrać wartość uznaną za linię bazową.
    2. Dla zmiennych kategorycznych obliczyć jednowymiarową regresję logistyczną ze zmienną odpowiedzią służącą do przesiewowego badania w kierunku MCI. Przeanalizować wynik regresji za pomocą tabeli kontyngencji, wartości p, przykładowego ilorazu szans oraz 95% przedziału ufności dla ilorazu szans.
    3. Dla zmiennych ilościowych obliczyć średnią, odchylenie standardowe, współczynnik regresji logistycznej oraz 95% przedział ufności dla ich współczynników.
  5. Odrzucić zmienne z brakującymi (niedostępnymi) wartościami, uznając je za trudne do dokładnego zebrania.
  6. Wybrać tylko te zmienne, dla których istnieje co najmniej jedna kategoria istotna statystycznie (α < 0.01) zgodnie z analizą regresji logistycznej. Wynikiem tego kroku jest zredukowany zbiór danych w porównaniu ze zbiorem początkowym.

9. Algorytmy tworzenia drzewa decyzyjnego

UWAGA: Algorytmy uczenia maszynowego muszą być odpowiednio sparametryzowane, aby przewidzieć, u których osób prawdopodobny jest pozytywny wynik testu w kierunku MCI. Jednym z głównych problemów podczas przesiewowego wykrywania danej jednostki chorobowej jest oczekiwany brak równowagi w danych pierwotnych (tj. niewielka liczba przypadków pozytywnych w porównaniu do negatywnych). Aby uzyskać modele z zrównoważonymi danymi, zastosowano technikę zwaną down-samplingiem lub próbkowaniem losowym, w celu wyrównania częstości występowania do poziomu klasy o najniższej częstotliwości31. Efektywny screening wymaga również maksymalnego ograniczenia liczby wyników fałszywie ujemnych (tj. zwiększenia czułości selekcji uczestników cierpiących na MCI). Jedną z technik stosowanych w celu uzyskania większej czułości jest wprowadzenie kar w obliczeniach indeksu nieczystości Giniego (tj. indeksu wykorzystywanego przez algorytm do wyboru najlepszego podziału dla drzewa decyzyjnego)32.

  1. Wygeneruj zbiór danych treningowych i testowych, stanowiących odpowiednio 80% i 20% całego zbioru danych, korzystając z funkcji createDataPartition w bibliotece caret33.
  2. Zastosuj algorytmy służące do generowania drzew decyzyjnych do zbioru danych treningowych. Użyj funkcji train again w bibliotece caret33. Poniższe kroki stanowią różne parametry tej funkcji; na przykład drzewo wykorzystane w niniejszej pracy zostało wygenerowane za pomocą rpart29 (method = "rpart"), ale dostępne są również inne algorytmy.
    1. Wybierz metodę próbkowania „down sampling” i wprowadź parametr sampling = "down" do pakietu caret.
    2. Ustaw prawdopodobieństwa a priori dla obu klas.
    3. Podaj macierz strat z zastosowaniem kar indeksu zanieczyszczenia Giniego, aby skupić się na zwiększeniu czułości.
    4. Dla każdego parametru w algorytmie wybierz odpowiednią siatkę wartości.
    5. Użyj szacowania krzywej charakterystyki operacyjnej odbiornika (ROC) metodą walidacji krzyżowej, aby wybrać najlepsze modele w obrębie siatki parametrów.
  3. Oblicz macierz pomyłek oraz pole pod krzywą ROC (AUC) dla predykcji zbioru testowego, aby ocenić rzeczywistą wydajność modelu.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Uczestniczące apteki zebrały dane od 728 użytkowników, gromadząc zmienne demograficzne oraz informacje o lekach przepisanych uczestnikom. Dla wszystkich zmiennych przeprowadzono jednowymiarową regresję logistyczną34; wykresy z słupkami błędów przedstawione na Rysunku 3 i Rysunku 4 stanowią praktyczne przedstawienie graficzne przedziału ufności dla ilorazu szans (w przypadku zmiennych jakościowych) oraz prz...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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 ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają nic do ujawnienia.

Podziękowania

Ta praca była możliwa dzięki wsparciu Fundacji Know Alzheimer i pomocy działu produkcji multimediów na Universidad CEU Cardenal Herrera, zwłaszcza Enrique Ginera. Chcielibyśmy wyrazić uznanie dla pracy wszystkich aptek uczestniczących w projekcie (SEFAC) oraz współpracujących lekarzy ze Towarzystwa Lekarzy Podstawowej Opieki Zdrowotnej (SEMERGEN) i Towarzystwa Neurologii (SVN), którzy pomogli w diagnozowaniu MCI, w szczególności Vicente Gassulla, Rafaela Sáncheza i Jordiego Péreza. Na koniec dziękujemy wszystkim, którzy zgodzili się wziąć udział w tym badaniu.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
daszekMax KuhnR pakiet
rpartTerry Therneau, Beth Atkinson, Brian RipleyR pakiet
SPMSQ w języku hiszpańskimFarmaceuticoscomunitarios.orghttp://farmaceuticoscomunitarios.org/anexos/vol11_n1/ANEXO1.pdf
SPMSQ po polskugeriatrics.stanford.eduhttps://geriatrics.stanford.edu/culturemed/overview/assessment/assessment_toolkit/spmsq.html
MMSE po hiszpańskuFarmaceuticoscomunitarios.orghttp://farmaceuticoscomunitarios.org/anexos/vol11_n1/ANEXO2.pdf
MMSE w języku angielskimoxfordmedicaleducation.comhttp://www.oxfordmedicaleducation.com/ geriatria/mini-badanie-stanu-psychicznego-mmse/

Bibliografia

  1. 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).
  2. 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).
  3. Petersen, R. C., et al. Mild Cognitive Impairment: Clinical Characterization and Outcome. Archives of Neurology. 56 (3), 303(1999).
  4. 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).
  5. 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).
  6. Faubel, R., et al. Usual sleep duration and cognitive function in older adults in Spain. Journal of Sleep Research. 18 (4), 427-435 (2009).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. 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).
  15. Cohen, J. Statistical Power Analysis for the Behavioral Sciences. , Routledge. (2013).
  16. Nardi, P. M. Doing Survey Research: A Guide To Quantitative Methods. , Routledge. (2018).
  17. 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).
  18. 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).
  19. 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).
  20. Buschke, H., et al. Screening for dementia with the memory impairment screen. Neurology. 52 (2), 231-238 (1999).
  21. Verghese, J., et al. Picture-based memory impairment screen for dementia. Journal of the American Geriatrics Society. 60 (11), 2116-2120 (2012).
  22. 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).
  23. 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).
  24. 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).
  25. 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).
  26. 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).
  27. Blesa, R., et al. Clinical validity of the 'mini-mental state' for Spanish speaking communities. Neuropsychologia. 39 (11), 1150-1157 (2001).
  28. Champely, S., Ekstrom, C., et al. pwr: Basic Functions for Power Analysis. , https://cran.r-project.org/web/packages/pwr/index.html (2018).
  29. Therneau, T., Atkinson, B., Ripley, B. rpart: Recursive Partitioning and Regression Trees. , https://cran.r-project.org/web/packages/rpart (2018).
  30. WHO Collaborating Centre for Drugs Statistics Methodology. ATC/DDD Index. , https://www.whocc.no/atc_ddd_index (2018).
  31. Kuhn, M., Johnson, K. Applied Predictive Modeling. 26, Springer New York. New York, NY. (2013).
  32. 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).
  33. Kuhn, M. Building Predictive Models in R Using the caret Package. Journal of Statistical Software. 28 (5), 1-26 (2008).
  34. 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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Drzewo decyzyjneProtok przesiewowyKr tki kwestionariusz stanu psychicznego SPMSQMini badanie stanu psychicznego MMSESystem klasyfikacji anatomiczno terapeutyczno chemicznej ATCRegresja logistycznaAnaliza krzywej ROCWalidacja krzy owa
Podejście oparte na uczeniu maszynowym do projektowania skutecznych selektywnych badań przesiewowych w kierunku łagodnych zaburzeń poznawczych
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.