Uma abordagem de aprendizado de máquina para projetar uma triagem seletiva eficiente de comprometimento cognitivo leve

O objetivo deste vídeo é descrever como projetar uma triagem econômica de prejuízo cognitivo leve, que envolve mais dificuldades do que o esperado para realizar baixas habilidades cognitivas principalmente relacionadas à memória e linguagem. Queremos ressaltar a importância desse tipo de condição que afeta os idosos e a versatilidade desse procedimento. Este procedimento poderia ser facilmente adaptado a outras doenças, convertendo uma triagem cara em uma possível.

Pesquise revisões sistemáticas de Cochrane para termos da condição para tela. Por exemplo, em nosso estudo, comprometimento cognitivo ou demência" juntou-se a fatores de risco. A pesquisa em Termos PubMed apresenta algumas evidências da relação com a deterioração cognitiva ou demência.

Selecione as variáveis com mais evidências de associação com deterioração cognitiva ou demência para elaborar um questionário. Uma busca minuciosa, incluindo termos como comprometimento cognitivo e fatores de risco, foi conduzida usando pubmed e as Revisões Sistemáticas Cochrane. Antes de iniciar o estudo com o objetivo de compilar o maior número de fatores que aparecem na literatura científica.

Como possíveis características relacionadas ao comprometimento cognitivo, especificamente no Banco de Dados Cochrane, foi ouvido para todos os artigos com o termo comprometimento cognitivo"ou demência, e em artigos pubmed com os termos de sexo, nível de educação, atividades cognitivas, atividades físicas, diabetes, hipertensão, colesterol, depressão, obesidade, tabagismo, álcool, sono, dieta e condições econômicas. Em combinação com comprometimento cognitivo ou demência, também. Assim, foi elaborado um questionário com as variáveis da revisão bibliográfica que apresentam alguma evidência da relação com a deterioração cognitiva ou demência.

Um questionário é elaborado com informações das variáveis associadas selecionadas. Para nosso estudo de desempenho, as variáveis escolhidas são estilo de vida demográfico e patologias crônicas, além da presença ou ausência de depressão, que está frequentemente associada à deterioração cognitiva. O consumo de medicamentos foi coletado seguindo a metodologia.

O Código Químico Terapêutico Anatômico foi usado para classificar as drogas. O teste de triagem selecionado poderia ser administrado por equipes de saúde primária, como farmacêuticos. As características básicas necessárias para a realização do teste foram levando em conta.

Em particular, para a população idosa espanhola com grande quantidade de analfabetos que viveram na Guerra Civil Espanhola, nossa proposta foi usar o Short Portable Mental State Questionnaire of favor e Mini-Mental State Examination Ambos são amplamente utilizados na clínica de memória, uma vez que um deles requer alfabetização. As pessoas recrutadas eram pacientes não institucionalizados com 65 anos ou mais que iam regularmente à farmácia e desejavam participar do presente estudo. São excluídas as pessoas que tiveram dificuldade para realizar o teste de avaliação ou pessoas em tratamento para demência.

Os participantes do estudo são considerados deficientes cognitivos quando pelo menos um dos seguintes critérios é atendido. Os escores de dados no Short Portable Mental State Questionnaire são quatro ou mais pontos no caso de participantes analfabetos e três ou mais pontos para outros sujeitos. Menos ou igual a 24 pontos no teste de exame de estado mini-mental corrigido.

Os participantes com deficiência cognitiva são encaminhados a um médico especialista, como neurologista, para seu diagnóstico clínico. Os pesquisadores farmacêuticos são treinados em conhecimentos básicos sobre comprometimento cognitivo e na gestão de ferramentas de triagem. Nosso estudo transversal para detectar prejuízo cognitivo e potenciais fatores derivados da sociedade na população com 65 anos ou mais é o projeto.

O tamanho amostral estimado para uma prevalência de comprometimento cognitivo é de 541 pessoas, e com um aumento de 10% devido a perdas, são 600 pessoas. Cartas de comunicação foram desenhadas entre a rede de saúde informando sobre o projeto. O diagnóstico definitivo por meio de um exame específico é reservado para atendimento especializado, seguindo o protocolo mostrado no diagrama.

Este é um passo proprietário antes de aplicar técnicas de aprendizagem de máquina, transformando dados de acordo com o teste p dos algoritmos a serem aplicados. Os algoritmos para gerar árvores de decisão são a mudança de variabilidade ou correlação entre variáveis. Então o foco é categorizar variáveis.

Por exemplo, gerar variáveis para classificar se o paciente está ou não tomando um medicamento de acordo com o segundo e terceiro nível do Código de Classificação Química Terapêutica Anatômica, dependendo da folha de acompanhamento da farmacoterapia. Foi realizada uma análise de regressão logística para cada variável avaliar se é significativo o suficiente para ser incluído no conjunto de dados para gerar a árvore de decisão. Para obter a máxima precisão de quantidade em um possível declínio cognitivo, várias técnicas de aprendizado de máquina foram montadas.

E, finalmente, desenvolvemos um modelo com 80% do nosso núcleo e um modelo de árvore baseado em nosso algoritmo de petição recursiva para desenvolver uma árvore de decisão para obter as variáveis mais significativas em uma triagem. O algoritmo de aprendizagem de máquina aplicado ao conjunto de dados de treinamento, que consiste em 80% de todo o conjunto de dados. A parte restante é usada para estimar a precisão do modelo.

Espera-se que o conjunto de dados esteja em equilíbrio, e a baixa amostra é uma das técnicas para enfrentar esse problema. Para a triagem, estamos muito interessados em reduzir o número de falsos negativos tanto quanto possível. Isso pode ser alcançado por meio de uma seleção superior de PA da matriz de perdas.

O parâmetro ideal do algoritmo foi selecionado com uma validação cruzada. Nosso estudo transversal foi realizado com 728 participantes não institucionalizados com mais de 65 anos. Cento e 27 participantes pontuam positivo em testes de comprometimento cognitivo leve.

Os participantes classificados como positivos foram encaminhados para diagnóstico clínico. Após a realização do estudo para estimar o percentual de usuários com prejuízo cognitivo leve, é realizada uma nova regressão logística variada com todas as variáveis com o objetivo de selecionar variáveis. Para algumas das variáveis mais significativas, um intervalo de confiança de 99% da razão de chances é exibido neste gráfico de barra de erro.

É uma representação intergráfica comum para o intervalo de confiança da razão de chances, onde a baixa escala é usada para a razão de chances. Todas essas variáveis cujo valor p é maior que 0,01 são selecionadas para gerar um modelo de caixa larga com base na árvore de decisão, enquanto muitas outras variáveis com maior valor p não foram selecionadas para gerar o modelo. Por exemplo, para essas variáveis simples, o intervalo de confiança de 99% da razão de chances está incluído no valor um.

E, portanto, o valor p é superior a 0,01. Após esse pré-processamento, dividimos o conjunto de dados em teste de dados de treinamento e o conjunto de dados de teste. A árvore de decisão é gerada no conjunto de dados de treinamento como entrada, que consiste em 583 indivíduos, e validado com o conjunto de testes com 145 usuários.

O desempenho dos algoritmos foi avaliado por meio da área sob a curva ROC no conjunto de testes. Depois de usar a Biblioteca do carro em R, para cada usuário, a árvore resultante atribuiu uma probabilidade e uma recomendação de se o usuário deve ou não fazer o teste de comprometimento cognitivo leve. Eles dependem do nó final na árvore.

O valor na parte inferior da caixa é a porcentagem de indivíduos com essas características no conjunto de treinamento. O mais quente é a cor da caixa, maior a probabilidade de ser positivo em testes de comprometimento cognitivo leve. Preste atenção que o nó superior corresponde à questão da ausência de reclamação de memória.

Aqui, uma resposta positiva saúda o ramo esquerdo, sendo a seguinte pergunta o sexo do usuário, enquanto uma resposta negativa implica ir para a filial direita e perguntar sobre o tempo de sono do usuário por dia. Para avaliar a capacidade total de fundição da árvore de decisão, a curva ROC é exibida. A área abaixo da curva ROC é de 0,763.

A recomendação da árvore sobre a realização do teste de comprometimento cognitivo leve alcançou uma sensibilidade. de 0,76 e especificidade de 0,7, representada com um ponto azul na figura. Como resultado, uma breve entrevista para selecionar usuários em risco de prejuízo cognitivo leve com a ferramenta de uma árvore de decisão produz significativamente o número de usuários que realização de testes leves de comprometimento cognitivo, o que é bastante demorado para o testador.

Essa redução pode ser estimada no conjunto de testes, interpretando a matriz de confusão das classes observadas e previstas. De fato, 55 dos 145 usuários no conjunto de testes são selecionados pela árvore de decisão, reduzindo 62% dos usuários que fazem testes, enquanto a maioria dos usuários que são positivos em prejuízo cognitivo leve são selecionados, ou seja, 19 de 25. Como conclusão deste estudo, dado um leve rastreamento de comprometimento cognitivo cuja prevalência é baixa, 17% como a considerada para o estudo, é possível projetar um conjunto de critérios adequados de seleção por meio de técnicas de aprendizagem de máquina, aumentando o percentual de positivo em prejuízo cognitivo leve até mais de 30% entre os usuários selecionados.

Consequentemente, essas ferramentas pediram para serem mais eficientes na triagem com uma redução substancial de custos. Modelos orientados por dados com benefício de entender quais são as informações mais importantes para construir um modelo reduzido. A construção de uma árvore de decisão nos dá uma visão sobre quais variáveis devemos colocar um foco, a fim de discriminar de forma econômica as pessoas que são ou não recomendadas fazendo os testes de comprometimento cognitivo leve.

o design do protocolo é demorado. Por causa disso, alguns outros testes podem ser considerados para detecção futura de prejuízo cognitivo leve em apenas alguns minutos. Além disso, decidimos servir nosso estudo de triagem aos 50 anos em vez de 65 como tarefa preventiva, a fim de aumentar a eficácia na cadeia de prejuízo cognitivo leve.

Os farmacêuticos são um dos profissionais de saúde mais acessíveis e visitados regularmente, e podem desempenhar um papel vital na detecção precoce de prejuízo cognitivo leve.