Summary
Denne metodikken produserer beslutningstrær som er rettet mot befolkningsgrupper mer utsatt for lider av mild kognitiv svekkelse og er nyttige for kostnadseffektiv selektiv screening av sykdommen.
Abstract
Mild kognitiv svekkelse (MCI) er det første tegn på demens blant eldre populasjoner og dens tidlige deteksjon er avgjørende i vår aldrende samfunn. Vanlige MCI-tester er tidkrevende slik at vilkårlige massive screening ikke ville være kostnadseffektivt. Her beskriver vi en protokoll som bruker maskinlæringsteknikker til raskt å velge kandidater for videre screening via en spørsmålsbasert MCI-test. Dette minimerer antallet ressurser som kreves for screening, fordi bare pasienter som er potensielt MCI-positive, testes videre.
Denne metodikken ble anvendt i en første MCI forskningsstudie som dannet utgangspunkt for utformingen av en selektiv screening beslutningstreet. Den første studien samlet mange demografiske og livsstils variabler samt detaljer om pasient medisiner. Den korte Portable mental status spørreskjema (SPMSQ) og mini-mental State eksamen (MMSE) ble brukt til å oppdage mulige tilfeller av MCI. Til slutt brukte vi denne metoden til å utforme en effektiv prosess for klassifisering av individer i fare for MCI. Dette arbeidet gir også innsikt i livsstilsrelaterte faktorer knyttet til MCI som kan utnyttes i forebygging og tidlig påvisning av MCI blant eldre populasjoner.
Introduction
Befolknings aldring øker utbredelsen av kroniske og degenerative sykdommer, spesielt degenerative dementias, som forventes å påvirke mer enn 131 000 000 mennesker over hele verden med 20501. Blant alle de degenerative dementias er Alzheimers sykdom (AD) den vanligste med en samlet prevalens i Europa på 6,88%2. På grunn av den stadig nedadgående uavhengighet hos AD-pasienter, bør denne gruppen begynne å motta støtte så snart AD begynner å manifestere. Derfor er tidlig påvisning av prodromal tegn på AD, for eksempel mild kognitiv svikt (MCI), avgjørende.
MCI er definert som en mellomliggende kognitiv nedgang stadium tilsvarende normal aldring og alvorlig forverring på grunn av demens3. Ifølge anslag fra Petersen et al.4er UTBREDELSEN av MCI 8,4% blant personer i alderen 65-69 år og når 25,2% for de som er eldre enn 80 år. MCI resulterer i at individer opplever flere vanskeligheter enn forventet i utførelsen av kognitive ferdigheter på lavt nivå, særlig de som er relatert til hukommelse og språk, men som ikke forstyrrer dagliglivets aktiviteter.
Screening er ikke synonymt med diagnose; diagnostisering av MCI vil alltid være en klinisk oppgave, mens screening metoder kan bare informere oss om at en pasient har en høyere sannsynlighet for lider av patologi og at det er en godt stiftet mistanke om MCI som bør bekreftes klinisk. Derfor kan primær helsearbeidere (leger, farmasøyter, sykepleiere, etc.) dra nytte av tilgjengeligheten av enkle screening metoder (korte kognitive tester) som kan brukes i minutter. Ideelt sett ville disse objektivt identifisere pasienter med høy sannsynlighet for å lide en MCI, slik at de deretter kan bli klinisk testet av generelle eller spesialiserte leger.
Gitt at den tidlige oppdagelsen av MCI blir en viktig oppgave innen rammen av folkehelsen, var dette arbeidet med sikte på å identifisere hvilke egenskaper som er nyttige i målrettet identifisering av MCI i screening tester av eldre populasjoner. Disse gruppene vil da bli mer grundig testet for MCI i tester administrert av primær helsepersonell. Denne metoden gir et beslutningstre med de riktige algoritmene for identifisering av befolkningsgruppene som skal målrettes.
Blant disse egenskapene, er alder en av de mest konsekvente faktorene knyttet til utviklingen av patologi. Andre relevante egenskaper er knyttet til demografi eller livsstil5. Blant de sistnevnte har noen studier identifisert varigheten av dagtid eller nattesøvn som en risikofaktor som kan føre til diagnostisering av MCI5,6,7,8,9. Langvarig inntak av medikamenter som benzodiazepiner, brukt av anslagsvis 20%-25% av eldre voksne10,11, kan også påvirke søvntimer og utvikling av MCI12,13. Faktisk kan langvarig behandling for kroniske sykdommer være viktige funksjoner nyttig i pre-utvalg av individer med høy risiko for lider av MCI.
Her utviklet vi data-baserte modeller som bruker automatisk læring algoritmer, et beslutningstre, og et prediktiv verktøy for å øke effektiviteten av metodikken for å oppdage MCI av diskriminerende hvilke egenskaper spiller en viktig rolle i de tidlige deteksjon av MCI. Den resulterende beslutningstreet presenteres her ble produsert ved hjelp av en bestemt kohort av spanske pasienter ved hjelp av samfunnet apotek. Imidlertid vil denne metoden også være nyttig blant andre populasjoner med ulike egenskaper.
Dette arbeidet ble gjennomført i samarbeid med primær helsetjenester og spesialiserte leger. Community apotek var ideelt for å teste denne algoritmen fordi de er nær pasienter, har lange åpningstider, og er ofte besøkt og konsultert. Degenerative dementias er komplekse forhold som ikke alltid er godt forstått av primær helsepersonell14. Derfor vil det å bli involvert i prosessen øke bevisstheten om mennesker som lider av MCI og dementias.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Metodikken som anvendes i denne studien har tidligere blitt utgitt5 i arbeid utført ved Universitetet CEU Cardenal Herrera sammen med samfunnet apotek i regionen Valencia (Spania) knyttet til den spanske Society of Family and Community PHARMACY (SEFAC). Denne nåværende studien ble gjennomgått og godkjent av forsknings komitéen ved Universidad CEU Cardenal Herrera (godkjenning nr. CEI11/001) i mars 2011. Alle individer involvert i studien ga sine skriftlige informert samtykke til deltakelse i samsvar med Declaration of Helsinki.
1. valg av faktorer forbundet med mild kognitiv svekkelse
- Søk etter termer knyttet til MCI for bruk i screening Cochrane systematiske anmeldelser (f. eks, kognitiv svekkelse, demens, risikofaktorer, etc.).
- Søk etter termer som det er noen bevis for en relasjon med kognitiv forverring eller demens publisert i PubMed databasen; Disse inkluderer demografiske faktorer (kjønn, alder, utdanningsnivå, og økonomisk status), sosiale faktorer (kognitive og sosiale aktiviteter), kroniske sykdommer (kolesterol, depresjon, hypertensjon, diabetes, og fedme), og livsstil atferd (alkohol forbruk, røyking vane, kosthold, fysisk aktivitet, og søvntimer).
- Beregn odds ratio for kvalitative variabler eller Cohen ' s d effekt størrelse for kvantitative variabler15. Velg variablene med større effektstørrelser for kognitiv forverring eller demens for bruk i utarbeide av et spørreskjema.
2. utforming av spørreskjemaene
- Utform et spørreskjema for å samle inn informasjon om de valgte variablene, og Følg retningslinjene fra Nardi16. For eksempel, variablene som brukes i Climent et al.5 var demografiske (alder, vekt og høyde [målt med standardiserte prosedyrer ved hjelp av kalibrert vekter og stadiometers], Sex, utdanningsnivå, og sysselsetting type), livsstil (fysisk trening, lesing, tidsbruk sover over natten og i løpet av dagen, puslespill, spill, TV forbruk tid, og tobakk og alkoholforbruk), og kroniske patologi (hypertensjon, hyperlipidemi, og diabetes). I tillegg registrerer tilstedeværelse eller fravær av depresjon, som er ofte forbundet med kognitiv forverring.
- Design en farmakoterapi oppfølgings ark for å rapportere alle stoffene som forbrukes av deltakerne på tidspunktet for intervjuet, som i Climent et al.5, som brukte Dader ' s metode17 til å designe dette arket.
3. valg av tester for MCI-screening
- Bestem alle testene som brukes til skjerm for MCI som kan administreres av primær helsepersonell (for eksempel farmasøyter). Avvise eventuelle tester som må administreres av en spesialist. Noen av testene som oppfyller disse forholdene er den korte bærbare mentale tilstand spørreskjemaet (SPMSQ)18, mini mental State eksamen (MMSE)19, Hukommelsessvikt skjerm (mis)20, bilde minne verdifall skjerm (PMIer)21, Montreal kognitiv vurdering (moca) 22, Saint Louis University mental status (slum)23, og rask mild kognitiv svekkelse (Qmci)24. En uttømmende gjennomgang av hver MCI-test er tilgjengelig i Cullen et al.25.
- Søk etter en god vurdering av test følsomhet og særegenheter i vitenskapelig litteratur.
- Anslå tiden det tar å administrere disse testene til friske individer.
- Vurder de grunnleggende pasientens egenskaper som kreves for fullføring av disse testene. For eksempel kan et minimum utdanning nivå være nødvendig fordi mange MCI-tester ikke er egnet for analfabeter deltakere. Et sett med MCI screening tester er vanligvis brukt for å øke følsomheten; imidlertid må minimum antall tester raskt administreres av farmasøyter hvis den endelige selektiv screening er ment for en stor befolkning. Climent et al.5 vurderte MCI ved hjelp av MMSE-og SPMSQ-testene, der sistnevnte var egnet for det store antall individer som levde gjennom den spanske borgerkrigen som er analfabeter.
- Bruk en variant av SPMSQ av Pfeiffer18 ble validert på spansk av Martínez de la Iglesia26. Denne testen har en maksimal poengsum på 10 og cut-off punkt for å etablere kognitiv svekkelse er 3 eller flere feil (4 eller flere for analfabeter individer). Denne testen tar mellom 8 og 10 minutter å fullføre.
- Bruk en NORMACODERM-versjon av MMSE-validert for spanske høyttalere av Blesa27 ved å tilpasse den opprinnelige versjonen av Folstein19. Dette screening testen har en maksimal poengsum på 30 og er korrigert i henhold til pasientens år skolegang og aldre. Deltakere som scorer mindre enn eller lik 24 regnes som MCI-tilfeller. MMSE er et mål på generell kognitiv funksjon og inkluderer orientering til tid og sted, skriftlig og muntlig språk, oppmerksomhet span, beregning og minne. Det ble administrert til alle deltakerne i denne studien fordi det er en svært kort test som tar bare rundt 5 minutter å fullføre.
4. Subject rekruttering
- Finn farmasøyter villig til å rekruttere ikke-institusjonalisert folk til å danne studien befolkningen. Den nevnte studien av Climent et al.5 inkludert personer i alderen 65 år eller mer som gikk regelmessig til apoteket, og som ble enige om å delta i denne studien. Ekskluder pasienter med problemer med å utføre disse evaluerings testene (f. eks, på grunn av blindhet, døvhet, etc.) eller som allerede ble behandlet for demens.
- Gi de deltakende farmasøyter med informerte samtykke skjemaer, som må fylles ut av hver enkelt å delta i studien. Dette samtykket skjemaet spesifiserer tittelen på forskningen, målene for prosjektet, en forståelig forklaring av alle prosedyrene som deltakeren vil ta del i, fravær av spesifikke risikoer, konfidensialitet av alle innsamlede data, og retten til å trekke seg fra studien, uansett årsak til enhver tid.
- Trene farmasøyter til å administrere strukturert personlige intervjuer til deltakerne, som skal vare ca en halv time per person. Samle inn data for 1 år og sende alle skjemaene til forskerne ansvarlig for databeskyttelse i studien. Senere oppfølging med pasientene i 3 måneder.
- Instruere farmasøyter hvordan å identifisere en sannsynlig MCI tilfelle ved hjelp av MCI tester. Basert på Climent et al.5 vi brukte SPMSQ score på 4 eller flere poeng (for analfabeter deltakere) eller 3 eller flere poeng for de andre deltakerne og scorene til 24 poeng eller mindre ble brukt i korrigert MMSE test.
- Instruere farmasøyter om hvordan du skal henvise MCI-tilfeller til en medisinsk spesialist (en nevrolog) for sin kliniske diagnose-det siste trinnet i flytskjemaet som brukes i denne forskningsstudien (figur 1).
Figur 1: flytdiagram i forskningsstudien og den foreslåtte selektive screening. Den venstre siden representerer den første studien hvis data ble analysert med maskinlæringsteknikker for å foreslå selektiv screening for tidlig påvisning av MCI vist i panelet til høyre. Dette tallet ble endret fra Climent34. Vennligst klikk her for å se en større versjon av dette tallet.
5. farmasøyt forsker trening
- Kontakt spesialister for å organisere sesjoner for å trene de deltakende farmasøyter i grunnleggende kunnskap knyttet til kognitiv svekkelse og i å håndtere sine screening verktøy, for eksempel SPMSQ og MMSE.
- Sørg for at de deltakende farmasøyter er klar over prosedyrene, datainnsamling protokollen, og alle mulige problemer knyttet til databeskyttelse. Informere dem om at prosjektet ble godkjent av en forskningsetikk komité og viktigheten av samtykke skjemaet i henhold til erklæringen av Helsingfors.
Merk: for å utføre undersøkelsen beskrevet av Climent et al.5ble workshops avholdt ved Official College of farmasøyter og Cardenal-Herrera CEU University (UCH-CEU), og dekket følgende: MCI og demens; diagnostiske tilnærminger til MCI og forvaltning av SPMQP og MMSE (undervist av Nevrologi tjenesten på La Plana sykehus i Castellón); prosjekt presentasjon og forklaring av metodikken av senior samfunnet farmasøyt forskere; og helseopplysning og kognitiv trening av forskere fra Institutt for Farmasi ved UCH-CEU University.
6. studier design
- Beregn en utvalgsstørrelse for å vurdere muligheten for prosjektet. Fordi dette var en observasjonsstudie, vil en større prøve produsere mer effektive verktøy. Det er to måter å bestemme utvalgsstørrelse: en er basert på estimering av utbredelsen og den andre er mer presis, tar hensyn til effektstørrelser.
- Beregn en nøyaktig estimering av utbredelsen av tilstanden i befolkningen
der α er viktighetsnivået, er p0 den opprinnelige estimering og feilen er den maksimale feilen forventet med en 100 (1-α)% tillit. - I henhold til effekt størrelsene som finnes i litteraturen for hver faktor, bruker du verktøy som strømforsynings pakken i R for å anslå hvor mye kraft som kreves for å oppdage forskjellene15,28.
Merk: for eksempel, i vår studie5 vi designet det første forslaget med en feil på 3% på 95% tillit og en innledende estimering av UTBREDELSEN av MCI på 15% i befolkningen i alderen 65 år eller eldre, noe som resulterer i en estimert nødvendig utvalgsstørrelse på 541 individer.
- Beregn en nøyaktig estimering av utbredelsen av tilstanden i befolkningen
7. tverrfaglig kommunikasjonsnettverk, farmasøyter, primære helsetjenester leger, og spesialister
- Design brev for å formidle informasjon om prosjektet til helsesentrene som er involvert.
- Forklar til deltakende farmasøyter hvordan å informere sine tildelte leger om resultatene av screenings gjennom et brev til den primære helsesenter.
- Sende skriftlig kommunikasjon til medisinske koordinatorer av helsesentre knyttet til deltakende apotek og nevrologi tjenester av sykehusene som de er tildelt.
- Kontakt deltakende nevrologer for å finne ut hver pasients definitive diagnose innhentet via konkrete tester foretatt av spesialiserte helsepersonell. Før dette bør primær helsepersonell utføre følgende protokoll, som oppsummert av de kliniske retningslinjene (figur 2).
Figur 2: protokoll for primær helse handling. Et eksempel på primære helsetjenester handlinger som bør vurderes for tidlig MCI deteksjon før pasienten er henvist til en medisinsk diagnose av spesialister. Vennligst klikk her for å se en større versjon av dette tallet.
8. statistisk analyse og forbehandling
Merk: før du bruker maskinlæringsteknikker, kreves det et forberedende trinn for å transformere de opprinnelige dataene til et nytt datasett i henhold til den endelige studie målsettingen og prosedyrene som skal brukes. For denne transformasjonen, bør flere ting vurderes, inkludert egenskapene til algoritmer. Dette er fordi noen av dem er følsomme for mangel på variasjon eller deling av informasjon på tvers av kolonner, selv om algoritmene som brukes til å generere beslutningstrær er spesielt robuste mot disse problemene. Denne innledende fasen tar sikte på å kategorisere kvalitative variabler og samle verdier med nok tilfeller for hver variabel. For effektiv screening er det viktig å velge variabler som oppkjøpet er bevist å være enkel og nøyaktig. Deltakerne er valgt av et kort intervju der algoritmene som brukes var begrenset til en hvit-boks modell, noe som gjør det enkelt å sjekke kriteriene som brukes til å avgjøre om den enkelte skal ta testen. Vi foreslår at du bruker rpart29 -pakken i R-programvare for disse algoritmene og implementerer rekursiv partisjonering.
- Samle alle skjemaene fra de deltakende apoteker og konvertere dem til et bord der hver kolonne er en variabel og alle deltakende individ er en rad.
- Tilordne et identifikasjonsnummer til hver deltaker. Lagre identifikasjonsnummeret og kontaktinformasjonen i et annet dokument, slik at den ikke brukes av algoritmen for maskinlæring.
- Generere variabler å klassifisere om hvert legemiddel pasienten tar tilsvarer andre eller tredje ATC30 (anatomiske terapeutiske kjemiske) nivåkoder, i henhold til de aktive viktigste ingrediensene på farmakoterapi oppfølging ark.
- Utfør en første beskrivende analyse.
- Velg en passende kontrast for variabelen for hver ordenstall variabel. For kategorisk variabler, Velg verdien betraktes som den opprinnelige planen.
- For kategorisk variabler, beregne en univariate logistisk regresjon med en respons variabel for screening for MCI. Analyser utfallet av regresjon med en beredskaps tabell, p-verdi, prøve odds forhold og 95% sikkerhetsintervall for odds forholdet.
- For kvantitative variabler beregner du gjennomsnittet, standardavviket, koeffisient av logistisk regresjon og 95% sikkerhetsintervall for koeffisienter.
- Avvis variabler med manglende (utilgjengelige) verdier, med tanke på at disse variablene er vanskelige å samle inn nøyaktig.
- Velg bare variabler som det er minst én statistisk signifikant kategori (α < 0,01) i henhold til den logistiske regresjonsanalyse. Resultatet av dette trinnet gir et redusert datasett sammenlignet med det første.
9. algoritmer for å lage et beslutningstre
Merk: algoritmer for maskinlæring må være riktig parameter for å forutsi hvilke individer som sannsynligvis har et positivt MCI-test resultat. En av de største problemene mens screening for en betingelse er at de opprinnelige dataene er ventet å bli ubalanserte (dvs. noen positive tilfeller i forhold til de negative). For å få modeller med balanserte data vi brukte en teknikk som kalles ned-prøvetaking, eller tilfeldig prøvetaking, for å utjevne frekvensen med at av de laveste frekvens klasse31. Effektiv screening krever også å redusere antall falske negativer så mye som mulig (dvs. øke følsomheten for valg av deltakere som lider av MCI). En av teknikkene som brukes for å oppnå en større følsomhet er innføringen av straffer i beregningen av Gini ' s urenhet index (dvs. indeksen brukes av algoritmen for å velge den beste delt for vedtaket treet)32.
- Generer et datasett for opplæring og testing med 80% og 20% av hele datasettet, henholdsvis ved hjelp av createDataPartition -funksjonen i det andre biblioteket,33.
- Bruk algoritmene som brukes til å generere beslutningstrær, til treningsdata settet. Bruk Train igjen -funksjonen i det andre33. Følgende trinn er forskjellige parametre for funksjonen; for eksempel ble treet brukt i denne utredningen generert med rpart29 (Method = "rpart"), men andre algoritmer er tilgjengelige.
- Velg "Down prøvetaking" sampling metode og innføre sampling = "ned" -parameteren inn i et synlig markør.
- Angi tidligere sannsynligheter for begge klassene.
- Gi et tap matrise med Gini ' s urenhet indeks straffer brukes for å fokusere på den økende følsomheten.
- For hver parameter i algoritmen velger du et passende rutenett med verdier.
- Bruk et kryss validerings estimat for verdiene i mottaker drifts kurven (ROC) for å velge de beste modellene i parameter rutenettet.
- Beregn en forvirring matrise og området under ROC kurve (AUC) for test sett prediksjon å vurdere den sanne ytelsen til modellen.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
De deltakende apoteker samlet inn data fra 728 brukere og samlet demografiske variabler i tillegg til narkotika foreskrevet til deltakerne. En univariate logistisk regresjon ble utført for alle variablene34; feil stolpediagrammer som vises i Figur 3 og Figur 4 , er praktiske grafiske representasjoner av sikkerhets intervallet for odds forholdet (for kvalitative variabler) og sikkerhets intervallet til koeffisienten til logistisk regresjon (for kvantitative variabler). Variabler med p-verdier over 0,01 (kjønn, alder, utdanningsnivå, lesing vane, tidsbruk sove, depresjon og hukommelse klager) ble valgt og brukes til å generere en hvit-Box modell basert på et beslutningstre. Dette beslutningstreet ble generert ved hjelp av et treningsdata sett bestående av 583 individer som innspill og ble validert med en test sett av en kohort av 145 deltakere.
Etter å ha brukt det33 -biblioteket i R, tildelt den resulterende treet en sannsynlighet for lidelse MCI til hver enkelt avhengig av deres siste node i treet (avbildet i figur 5), samt deres svar på noen spørsmål. For å evaluere prognoser evnen til disse sannsynligheter, en ROC analyse av test sett ble utført (figur 6); dens AUC var 0,763 og 95% sikkerhetsintervall var (0,6624, 0,8632). I tillegg til sannsynligheten, treet vist i figur 5 også brukt svært enkle spørsmål om hvor lenge personen sover og hvor ofte de leser, å anbefale (med en følsomhet på 0,76 og spesifisitet av 0,70) om pasientene bør ta MCI tester.
Ved hjelp av denne beslutningen treet og korte intervju å velge brukere i faresonen for MCI vi var i stand til å redusere antall pasienter som krever MCI tester (administrasjon er ganske tidkrevende). Denne reduksjonen kan anslås ved hjelp av data i testsettet og tolke forvirringen matrise av observert og spådd klasser vist i tabell 1. I dette arbeidet ble 145 55 av deltakerne i testsettet identifisert av beslutningstreet for ytterligere MCI-testing (som representerte en reduksjon på 62% av brukerne som tok testene), samtidig som de fleste individer (19 av 25) var positive for MCI.
Figur 3: eksempel på variablene valgt under forbehandling. Et 99% sikkerhetsintervall for odds forholdet ble beregnet og representeres som et feilfelt. Basis verdien for logistisk regresjon er angitt under navnet på variabelen øverst i hvert panel. For hver verdi av variabelen representerer en feil linje det sikkerhets intervallet for odds forholdet som tar verdien i forhold til basis verdien. Fordi variablene som ble brukt til å generere treet, ble valgt, inkluderer ikke sikkerhets intervallene verdien 0 for noen verdier, da disse viste signifikante forskjeller. Skalaen på den loddrette aksen er logaritmisk for å hjelpe til med sammenligninger på tvers av grupper. Vennligst klikk her for å se en større versjon av dette tallet.
Figur 4: eksempel på ikke-valgte variabler under forbehandling. Et 99% sikkerhetsintervall for odds forholdet ble beregnet og er representert med en feil linje. Basis verdien for logistisk regresjon er angitt under navnet på variabelen øverst i hvert panel. For hver verdi av variabelen representerer en feil linje det sikkerhets intervallet for odds forholdet som tar verdien i forhold til basis verdien. I motsetning til forrige figur inkluderer alle sikkerhets intervallene til de valgte variablene verdien 0, siden det ikke ble funnet noen signifikante forskjeller for å generere treet. Skalaen på den loddrette aksen er logaritmisk for å bidra til sammenligning på tvers av grupper. Vennligst klikk her for å se en større versjon av dette tallet.
Figur 5: foreslått partisjons tre for valg av apotek brukere. Følgende tre viser utvalgs algoritmen for MCI-tester for personer i alderen over 65 år. Teksten øverst i boksen tilsvarer anbefalingen av å ta MCI screening testene, de to tallene nedenfor er anslått sannsynligheten for et negativt eller positivt MCI testing utfall, henholdsvis. Verdien nederst i boksen er prosentandelen av personer med disse egenskapene i trenings settet. Jo varmere fargeboksen er, jo mer sannsynlig er MCI-testene var positiv. Den øverste noden svarer til spørsmålet om deltakeren har en minne klage. Hvis den enkelte ikke har en minne klage, fører treet til venstre gren og de påfølgende spørsmålene spør om individets kjønn; pasienter med en minne klage blir spurt om hvor mye tid de sover per dag. Dette tallet ble endret fra Climent34. Vennligst klikk her for å se en større versjon av dette tallet.
Figur 6: mottaker opererer kurver for partisjonen treet og følsomhet og spesifisitet av den endelige avgjørelsen i testsettet. Grafen representerer ROC-kurven av sannsynligheter som er tilordnet av partisjons tre algoritmen i testsettet. Den røde overflaten tilsvarer AUC og det blå punktet på kurven viser følsomheten og spesifisitet av den endelige anbefalingen laget av treet. Vennligst klikk her for å se en større versjon av dette tallet.
| Referanse | |||
| nei | ja | ||
| Prediksjon | nei | 84 | 6 |
| ja | 36 | 19 | |
Tabell 1: forvirring matrise. Forvirring matrise av spådde og observerte verdier i test sett som ble brukt til å validere den foreslåtte modellen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Etter å ha søkt etter termer knyttet MCI i Cochrane-studiene i PubMed-databasen, ble det opprettet et spesifikt spørreskjema for denne studien som brukte de mest åpenbare variablene med en bevist tilknytning til MCI. Demografisk, livsstil og sosiale faktorer, samt pasientens farmakoterapi og noen relevante patologi ble også registrert. I tillegg ble også SPMSQ-og MMSE MCI-testene valgt. Viktigere var det SPMSQ ikke påvirket av deltakernes nivå av skolegang. Farmasøyter ble opplært til å administrere denne studien og kommunikasjon med primær og spesialisert omsorg var sikret via brev informere dem om dette arbeidet. Bare spesialiserte helsepersonell kan definitivt foreta en diagnose hvis MCI ble mistenkt som et resultat av disse testene.
Som konklusjon, i denne studien vi vist for MCI blant en befolkning med en lav prevalens av tilstanden (17%). Vi har utformet et sett med utvalgskriterier for bruk med maskinlæringsteknikker, som økte prosenten av MCI-positiver til mer enn 30% blant de valgte brukerne. Følgelig disse verktøyene bidra til å øke screening effektivitet og betydelig redusere kostnadene for masse screening blant befolkningen gruppen valgt av beslutningstreet.
En begrensning av denne metoden er at beslutningstreet kan bli ugyldig i denne bestemte kohort som befolkningen endres, og dermed vil trolig kreve periodiske oppdateringer. For eksempel, mange individer i denne populasjonen var analfabeter, men antall analfabeter individer i alderen over 65 år vil avta i fremtiden. Disse demografiske endringene vil påvirke variablene knyttet til lesing og vil kreve fremtidig rekalibrering av beslutningstreet.
Bemerkelsesverdig, denne data-drevet modellen gitt informasjon om de viktigste variablene (blant hundrevis) i byggingen av en konsis ennå informativ og effektiv modell. Konstruere et beslutningstre gir innsikt i de beste variablene å fokusere på og er både en kostnadseffektiv måte å hjelpe velge personer for hvem videre MCI testing anbefales og fremmer vår kunnskap om disse populasjoner i denne sammenhengen.
For å øke den fremtidige prosentvise deteksjons raten til MCI, vil vi kreve nye kostnadseffektive teknikker som kan sikre økt effektivitet. Denne protokollen er tidkrevende og er vanskelig for farmasøyter å integrere i sitt daglige arbeid. Dermed kan andre tester som MoCA22 eller slummen23 (både med tilstrekkelig følsomhet og spesifisitet) vurderes for rask påvisning av MCI i fremtiden.
En systematisk evaluering av handelen mellom spesifisitet og test varighet bør forbedre effektiviteten av settet med MCI-tester som brukes til screening. Videre bør relevante kvantitative variabler inkludert i studien ha et bredt spekter, slik at en effektiv cut-off kan velges for dem; et smalt område ville utelukke en stor del av befolkningen fra tidlig deteksjon. For eksempel er alders variabelen (som alltid betraktes som et viktig kriterium i MCI-diagnoser) ikke ansett som relevant i dette beslutningstreet fordi rekrutterings kriteriene (alder over 65 år) var for konservative; inkludering av yngre individer i en fremtidig studie ville tillate optimal alder for å starte MCI screening skal beregnes.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har ingenting å avsløre.
Acknowledgments
Dette arbeidet ble gjort mulig av støtte fra Know Alzheimer Foundation og hjelp fra multimedia produksjons tjenesten ved Universidad CEU Cardenal Herrera, spesielt Enrique Giner. Vi ønsker å anerkjenne arbeidet til alle deltakende apoteker (SEFAC), og samarbeidende leger fra Society of Primary Care leger (SEMERGEN) og nevrologi Society (SVN) som bidro med MCI diagnoser, spesielt Vicente Gassull, Rafael Sánchez, og Jordi Pérez. Til slutt takker vi alle som gikk med på å delta i denne studien.
Materials
| Name | Company | Catalog Number | Comments |
| caret | Max Kuhn | R package | |
| rpart | Terry Therneau, Beth Atkinson, Brian Ripley | R package | |
| SPMSQ in Spanish | Farmaceuticoscomunitarios.org | http://farmaceuticoscomunitarios.org/anexos/vol11_n1/ANEXO1.pdf | |
| SPMSQ in English | geriatrics.stanford.edu | https://geriatrics.stanford.edu/culturemed/overview/assessment/assessment_toolkit/spmsq.html | |
| MMSE in Spanish | Farmaceuticoscomunitarios.org | http://farmaceuticoscomunitarios.org/anexos/vol11_n1/ANEXO2.pdf | |
| MMSE in English | oxfordmedicaleducation.com | http://www.oxfordmedicaleducation.com/geriatrics/mini-mental-state-examination-mmse/ |
References
- 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).
- 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).
- Petersen, R. C., et al. Mild Cognitive Impairment: Clinical Characterization and Outcome. Archives of Neurology. 56 (3), 303 (1999).
- 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).
- 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).
- Faubel, R., et al. Usual sleep duration and cognitive function in older adults in Spain. Journal of Sleep Research. 18 (4), 427-435 (2009).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Cohen, J. Statistical Power Analysis for the Behavioral Sciences. , Routledge. (2013).
- Nardi, P. M. Doing Survey Research: A Guide To Quantitative Methods. , Routledge. (2018).
- 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).
- 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).
- 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).
- Buschke, H., et al. Screening for dementia with the memory impairment screen. Neurology. 52 (2), 231-238 (1999).
- Verghese, J., et al. Picture-based memory impairment screen for dementia. Journal of the American Geriatrics Society. 60 (11), 2116-2120 (2012).
- 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).
- 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).
- 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).
- 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).
- 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).
- Blesa, R., et al. Clinical validity of the 'mini-mental state' for Spanish speaking communities. Neuropsychologia. 39 (11), 1150-1157 (2001).
- Champely, S., Ekstrom, C., et al. pwr: Basic Functions for Power Analysis. , https://cran.r-project.org/web/packages/pwr/index.html (2018).
- Therneau, T., Atkinson, B., Ripley, B. rpart: Recursive Partitioning and Regression Trees. , https://cran.r-project.org/web/packages/rpart (2018).
- WHO Collaborating Centre for Drugs Statistics Methodology. ATC/DDD Index. , https://www.whocc.no/atc_ddd_index (2018).
- Kuhn, M., Johnson, K. Applied Predictive Modeling. 26, Springer New York. New York, NY. (2013).
- 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).
- Kuhn, M. Building Predictive Models in R Using the caret Package. Journal of Statistical Software. 28 (5), 1-26 (2008).
- 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).
