Hafif Bilişsel Bozukluğun Etkili Bir Seçici Taramasını Tasarlamak Için Makine Öğrenimi Yaklaşımı

Bu videonun amacı, hafif bilişsel bozukluk, özellikle bellek ve dil ile ilgili düşük bilişsel becerileri gerçekleştirmek için beklenenden daha fazla zorluk içeren bir maliyet-etkin tarama tasarımı açıklamaktır. Bu tür bir durumun yaşlıları etkilemesinin önemini ve bu işlemin çok yönlülüğünü vurgulamak istiyoruz. Bu prosedür kolayca diğer hastalıklara adapte olabilir, uygun bir içine pahalı bir tarama dönüştürme.

Cochrane Sistematik İncelemeler'i ekrana gelen koşul terimleri için arayın. Örneğin, çalışmamızda, bilişsel bozukluk veya demans", risk faktörleri ile birleşti. PubMed Terimler i arama bilişsel bozulma veya demans ile ilişki bazı kanıtlar sunar.

Bir anket ayrıntılı bilişsel bozulma veya demans ile ilişkili daha fazla kanıt ile değişkenleri seçin. PubMed ve Cochrane Systematic Reviews kullanılarak bilişsel bozukluk ve risk faktörleri gibi terimleri içeren kapsamlı bir araştırma yapılmıştır. Çalışmaya başlamadan önce bilimsel literatürde yer alan en fazla sayıda faktörü derlemek amacıyla.

Bilişsel bozukluk ile ilgili olası özellikleri olarak, özellikle Cochrane Veritabanı, bu dönem bilişsel bozukluk ile tüm makaleler için duyuldu"veya demans, ve seks terimleri ile PubMed makalelerde, eğitim düzeyi, bilişsel faaliyetler, fiziksel aktivite, diyabet, hipertansiyon, kolesterol, depresyon, obezite, sigara, alkol, uyku, diyet, ve ekonomik koşullar. Bilişsel bozukluk ya da demans ile birlikte, çok. Bu nedenle, bir anket bilişsel bozulma veya demans ile ilişkinin bazı kanıtlar mevcut bibliyografik incelemede değişkenler ile ayrıntılı oldu.

Soru formu, seçili ilişkili değişkenlerin bilgileriyle birlikte tasarlanmıştır. Performans çalışmamıziçin seçilen değişkenler, sıklıkla bilişsel bozulmaile ilişkili olan depresyonun varlığı veya yokluğuna ek olarak demografik yaşam tarzı ve kronik patolojilerdir. İlaç tüketimi metodolojiye göre toplanmıştır.

Anatomik Terapötik Kimyasal Kod ilaçları sınıflandırmak için kullanılmıştır. Seçilen tarama testi eczacılar gibi birinci basamak sağlık personeli tarafından uygulanabilir. Testin yapılabilmek için gerekli temel özellikler dikkate alınıyor.

Özellikle, İspanya İç Savaşı'nda yaşamış okuma yazma bilmeyenlerin büyük miktarda İspanyol yaşlı nüfus için, bizim önerimiz lehine Kısa Taşınabilir Zihinsel Durum Anketi ve Mini-Mental Devlet Muayenesi her ikisi de yaygın bellek kliniğinde kullanılan, bunlardan biri okuryazarlık gerektirdiğinden beri. İşe alınan kişiler, düzenli olarak eczaneye gidip bu çalışmaya katılmak isteyen 65 yaş ve üzeri kurumsallaşmamış hastalardı. Değerlendirme testi yapmakta zorlanan kişiler veya demans tedavisi gören kişiler hariç tutulur.

Aşağıdaki kriterlerden en az biri karşılandığında çalışma katılımcıları bilişsel engelli olarak kabul edilir. Kısa Taşınabilir Zihinsel Durum Anketi'ndeki veri puanları okuma yazma bilmeyen katılımcılar için dört veya daha fazla puan ve diğer konular için üç veya daha fazla puandır. Düzeltilmiş Mini-Mental Durum Sınavı testinde 24 puandan az veya 24 puana eşit.

Bilişsel engelli katılımcılar klinik tanıları için bir tıp uzmanına nörolog olarak sevk edilirler. Eczacı araştırmacılar bilişsel bozukluk hakkında temel bilgi ve tarama araçlarının yönetimi konusunda eğitilirler. 65 yaş ve üzeri nüfusta bilişsel bozukluğu ve potansiyel toplum kaynaklı faktörleri saptamak için kesitsel çalışmamız tasarımdır.

Bilişsel bozukluk yaygınlığı için tahmini örneklem büyüklüğü 541 kişidir ve kayıplarnedeniyle %10'luk bir artış ile 600 kişidir. Proje hakkında bilgi veren sağlık ağı arasında iletişim mektupları tasarlanmıştır. Belirli bir test ile kesin tanı, diyagramda gösterilen protokolü izleyerek özel bakım için ayrılmıştır.

Bu, makine öğrenme tekniklerini uygulamadan önce, uygulanacak algoritmaların p-testine göre verileri dönüştürmeden önce atılmış özel bir adımdır. Karar ağaçları oluşturmak için algoritmalar değişkenler arasında değişkenlik veya korelasyon değiştirmek için vardır. Yani odak noktası değişkenleri kategorilere ayırmaktır.

Örneğin, farmakoterapi takip sayfasına bağlı olarak, hastanın anatomik Terapötik Kimyasal Sınıflandırma Kodu'nun ikinci ve üçüncü seviyesine göre ilaç alıp almadığı konusunda sınıflandırmak için değişkenler üretmek. Her değişkenin karar ağacıoluşturmak için veri kümesine dahil edilebilecek kadar önemli olup olmadığını değerlendirmek için bir lojistik regresyon analizi yapıldı. Olası bilişsel gerilemede maksimum miktarda doğruluk elde etmek için, çeşitli makine öğrenme teknikleri bir araya getirilmiştir.

Ve son olarak, çekirdeğimizin %80'ine sahip bir model ve bir taramada en önemli değişkenleri elde etmek için bir karar ağacı geliştirmek için özyinelemeli dilekçe algoritmamıza dayalı bir ağaç modeli geliştirdik. Makine öğrenimi algoritması, tüm veri kümesinin %80'ini oluşturan eğitim veri kümesine uygulanır. Kalan parça modelin doğruluğunu tahmin etmek için kullanılır.

Veri kümesinin dengede olması beklenir ve alt örnekleme bu sorunla yüzleşme tekniklerinden biridir. Tarama için, yanlış negatiflerin sayısını mümkün olduğunca azaltmak la çok ilgileniyoruz. Bu kayıp matrisbir üst PA seçimi ile elde edilebilir.

Algoritmanın en uygun parametresi çapraz doğrulama ile seçildi. Kesitsel çalışmamız 65 yaşından büyük 728 kurumsallaşmayan katılımcı ile gerçekleştirilmiştir. 127 katılımcı hafif bilişsel bozukluk testlerinde pozitif puan aldı.

Pozitif olarak sınıflandırılan katılımcılar klinik tanıya sevk edildi. Hafif bilişsel bozukluğu olan kullanıcıların yüzdesini tahmin etmek için araştırma çalışması yapıldıktan sonra, değişkenleri seçmek amacıyla tüm değişkenlerle yeni bir değişken lojistiği regresyonu gerçekleştirilir. Daha önemli değişkenlerden bazıları için, bu hata çubuğu grafiğinde oran oranının %99 güven aralığı görüntülenir.

Oran oranı için düşük ölçeğin kullanıldığı oran oranının güven aralığı için ortak bir intergrafik gösterimdir. P değeri 0,01'den büyük olan tüm bu değişkenler karar ağacına dayalı geniş bir kutu modeli oluşturmak için seçilirken, modeli oluşturmak için daha yüksek p değerine sahip diğer birçok değişken seçilmedi. Örneğin, bu düz değişkenler için, oran oranının %99 güven aralığı birinci değere dahildir.

Ve bu nedenle, p-değeri 0.01 daha yüksektir. Bu ön işlemeden sonra, veri kümesini eğitim veri testi ve test veri setine böldük. Karar ağacı, 583 kişiden oluşan ve 145 kullanıcıyla test kümesi ile doğrulanan girdi olarak eğitim veri kümesinde oluşturulur.

Algoritmaların performansı, test kümesindeki ROC eğrisinin altındaki alan sayesinde değerlendirilmiştir. R araba Kütüphanesi kullandıktan sonra, her kullanıcı için, ortaya çıkan ağaç bir olasılık ve kullanıcı hafif bilişsel bozukluk testi almak gerekip gerekmediğine bir öneri atandı. Ağaçtaki son düğüme bağlıdırlar.

Kutunun altındaki değer, eğitim kümesinde bu özelliklere sahip bireylerin yüzdesidir. Sıcak kutunun rengi, daha hafif bilişsel bozukluk testlerinde pozitif olması muhtemeldir. Üst düğümün bellek şikayetinin yokluğu sorusuna karşılık geldiğini zedele edin.

Burada, olumlu bir cevap sol şube selamlar, aşağıdaki soru kullanıcının cinsiyeti olmak, olumsuz bir cevap doğru şubeye gitmek ve kullanıcının günlük uyku süresi hakkında sormak anlamına gelir. Karar ağacının tam döküm yeteneğini değerlendirmek için ROC eğrisi görüntülenir. ROC eğrisi altında alan.0.763 olduğunu.

Hafif bilişsel bozukluk testi alma konusunda ağacın önerisi bir duyarlılık elde etti. 0.76 ve 0.7 özgüllüğü, rakam mavi bir nokta ile temsil. Sonuç olarak, bir karar ağacı aracı ile hafif bilişsel bozukluk riski kullanıcıları seçmek için kısa bir görüşme önemli ölçüde test için oldukça zaman alıcı hafif bilişsel bozukluk testleri alarak kullanıcıların sayısını üretir.

Bu azalma, gözlenen ve tahmin edilen sınıfların karışıklık matrisini yorumlayarak test kümesinde tahmin edilebilir. Gerçekten de, test setindeki 145 kullanıcıdan 55'i karar ağacı tarafından seçilir ve bu da test alan kullanıcıların %62'sini azaltırken, hafif bilişsel bozuklukta pozitif olan kullanıcıların çoğu seçilirken, yani 25 kullanıcıdan 19'u seçilir. Bu çalışmanın bir sonucu olarak, yaygınlığı düşük olan hafif bir bilişsel bozukluk taraması göz önüne alındığında, 17%gibi araştırma çalışması için kabul, bu makine öğrenme teknikleri yoluyla yeterli seçim kriterleri bir dizi tasarımı mümkündür, seçilen kullanıcılar arasında% 30'a kadar hafif bilişsel bozukluk pozitif yüzdesi artan.

Sonuç olarak, bu araçlar önemli bir maliyet azaltma ile tarama daha verimli olmak istedik. Veri odaklı modeller, azaltılmış bir model oluşturmak için en önemli bilgilerin ne olduğunu anlamanın faydasını sunar. Bir karar ağacının inşası bize hangi değişkenlere odaklanmamız gerektiği konusunda bir fikir verir, hafif bilişsel bozukluk testlerini yaptırmak önerilen veya tavsiye edilmeyen uygun maliyetli bir şekilde ayrımcılık yapmak için.

protokol tasarımı zaman alıcıdır. Bu nedenle, bazı diğer testler sadece birkaç dakika içinde hafif bilişsel bozukluğun gelecekteki tespiti için düşünülebilir. Ayrıca, hafif bilişsel bozukluk zincirindeki etkinliğini artırmak için önleyici bir görev olarak 65 yerine 50 yaşında tarama çalışmamıza hizmet etmeye karar verdik.

Eczacılar en erişilebilir ve düzenli olarak ziyaret sağlık profesyonellerinden biridir, ve hafif bilişsel bozukluğun erken teşhisinde hayati bir rol oynayabilir.