Xotira klinikasidagi bemorlarda demansga o'tishni bashorat qilish uchun mashinani o'rganish algoritmlarining ishlashi

Aloqa: Audrey Xu Whatsapp/hp: 0086 13880143964 Email:audrey.hu@wecistanche.com

Sharlotta Jeyms, fan nomzodi; Janice M. Ranson, fanlar nomzodi; Richard Everson, fan nomzodi; David J. Llewellyn, PhD

Abstrakt

MUHIM: Mashinani o'rganish algoritmlari klinik amaliyotni yaxshilash uchun klinik qarorlar qabul qilish uchun asos sifatida ishlatilishi mumkin. Maqsad Mashinani o'rganish algoritmlarining mavjud modellar bilan solishtirganda 2 yil ichida demans kasalligini bashorat qilish qobiliyatini baholash va optimal analitik yondashuvni va kerakli o'zgaruvchilar sonini aniqlash. DIZAYN, SOZLASH VA ISHTIROKCHILAR: Ushbu prognostik tadqiqot demans bilan kasallanishni bashorat qilish uchun ishlatilishi mumkin bo'lgan omillarning ikkilamchi tahlilini o'tkazish uchun boshlang'ich bosqichida demanssiz 15 307 nafar ishtirokchining istiqbolli kogortasidan olingan ma'lumotlardan foydalanildi. Ishtirokchilar Milliy Altsgeymerni muvofiqlashtirish markaziga tashrif buyurishdixotiraAmerika Qo'shma Shtatlaridagi klinikalar 2005 va 2015 orasida. Tahlillar martdan 2-maygacha021. EXPOZALAR: demans bilan bog'liq klinik choralar va xavf omillari sohalarini qamrab oluvchi 258 ta o'zgaruvchi. ASOSIY NATIJALAR VA CHORALAR: Asosiy natija dastlabki baholashdan so'ng 2 yil ichida tashxis qo'yilgan barcha sabablarga ko'ra demensiya bo'ldi. NATIJALAR: 15 307 ishtirokchi (o‘rtacha [SD] yoshi, 72,3 [9,8] yil; 9129 [60 foiz] ayollar va 6178 [40 foiz] erkaklar) namunasida demans, 1568 (1{40}} foiz) dastlabki baholashdan keyin 2 yil ichida demans tashxisini oldi. Demans xavfini bashorat qilish uchun mavjud ikkita model (ya'ni, yurak-qon tomir xavf omillari, qarish va demans xavfi darajasi va qisqacha demans skrining ko'rsatkichi) bilan solishtirganda, mashinani o'rganish algoritmlari 2 yil ichida barcha sabablarga ko'ra demansni bashorat qilishda ustunroq edi. Gradient bilan kuchaytirilgan daraxtlar algoritmi o'rtacha (SD) umumiy aniqligi 92 foiz (1 foiz), sezuvchanligi 0,45 (0,05), o'ziga xosligi 0,97 (0,01) va 0,92 (0,01) egri chizig'i ostidagi maydonga ega edi. o'zgaruvchilar. O'zgaruvchan ahamiyatga ega bo'lgan tahlil shuni ko'rsatdiki, mashinani o'rganish algoritmlari uchun 91 foiz aniqlikka va kamida 0,89 egri chiziq ostidagi maydonga erishish uchun faqat 6 ta o'zgaruvchi kerak edi. Mashinani o'rganish algoritmlari, shuningdek, demansning dastlabki tashxisini olgan ishtirokchilarning 84 foizini aniqladi, bu keyinchalik engil kognitiv buzilishlarga aylantirildi yoki kognitiv jihatdan buzilmagan, bu noto'g'ri tashxisni ko'rsatadi. Xulosa va dolzarblik: Ushbu topilmalar shuni ko'rsatadiki, mashinani o'rganish algoritmlari tibbiy yordam ko'rsatadigan bemorlarda 2 yil ichida sodir bo'lgan demansni aniq bashorat qilishi mumkin.xotirafaqat 6 ta o'zgaruvchidan foydalanadigan klinikalar. Ushbu topilmalar qaror qabul qilish vositalarini ishlab chiqish va tasdiqlash uchun foydalanish mumkinxotiraklinikalar.

Kirish

Ko'pgina bemorlar mutaxassislar sharoitida baholanadi, masalanxotiraKlinikalarda birinchi bor tashrif buyurganlarida demensiya bo'lmasa.1 Klinik ahamiyatga ega bo'lgan vaqt oralig'ida demans rivojlanishini davom ettiradigan va demanssiz qolgan bemorlarni farqlash muhim, chunki bu tushunchadan keyingi tekshiruvlar uchun bemorlarni birinchi o'ringa qo'yish uchun foydalanish mumkin. va aralashuvlar. Demans rivojlanish xavfi yuqori bo'lgan bemorlarni aniqlash klinisyenlar uchun qiyin. Bir yondashuv, dastlab baholanganda engil kognitiv buzilish (MCI) bo'lganlarga e'tibor qaratish va ushbu bemorlarni kuzatuvga taklif qilishdir. Biroq, bu kuzatuv uchun mo'ljallanmagan, ammo demansni rivojlantiradigan bemorlar va keyingi tekshiruvlar uchun mo'ljallangan, ammo demans rivojlanmaydigan bemorlar uchun jiddiy noto'g'ri tasnifga olib kelishi mumkin.

Ko'pchilikxotiraMCI bilan kasallangan klinikadagi bemorlar 10 yildan keyin ham demensiyaga o'tmaydi, yillik konversiya darajasi 9,6 foizni tashkil qiladi.2 Klinik qarorlar qabul qilishda yordam beradigan vositalar klinisyenlarning demans boshlanishini taxmin qilish qobiliyatini yaxshilashi mumkin. Turli xil populyatsiyalarda demansning o'rta va uzoq muddatli tarqalishini baholash uchun mavjud klinik qarorlar qabul qilish vositalari mavjud. Masalan, yurak-qon tomir xavf omillari, qarish va demans bilan kasallanish (CAIDE) Risk Score3 o'rta yoshli odamlarda 20 yil ichida demans rivojlanish xavfini bashorat qilish uchun mo'ljallangan va qisqacha demans skrining ko'rsatkichi (BDSI)4 keksalarni aniqlashga qaratilgan. bemorlarni 6 yil ichida demans rivojlanish xavfini aniqlash orqali kognitiv skriningni maqsad qilib olishlari kerak. Biroq, bizning ma'lumotlarimizga ko'ra, odamlarda demans bilan kasallanishni bashorat qilish uchun qaror qabul qilish uchun klinik yordam ishlab chiqilmagan.xotiraklinik jihatdan qisqaroq vaqt oralig'ida. Mashinalarni o'rganish (ML) katta va murakkab ma'lumotlar to'plamlaridan ma'lumotlardan foydalanish imkonini beradi. Yaqinda u demans diagnostikasi va xavfni bashorat qilishda qo‘llanildi.5-9

Biroq, bu modellar odatda muntazam klinik amaliyotda mavjud bo'lmagan ma'lumotlarni o'z ichiga oladi, masalan, ilg'or neyroimaging, genetik test va miya omurilik suyuqligi biomarkerlari, klinik qo'llashni mutaxassis yoki tadqiqot sharoitlariga cheklaydi. Biz ML texnikasidan foydalanib, 2-yil davomida demans kasalligini bashorat qilish mumkinmi yoki yoʻqligini tekshirdik.xotiraAQSh Milliy Altsgeymerni muvofiqlashtirish markazidan (NACC) klinik ma'lumotlar. Shuningdek, biz to'liq diagnostika samaradorligiga erishish uchun ML modellari uchun zarur bo'lgan minimal o'zgaruvchilar to'plamini ko'rib chiqdik.

Usullari

NACC tadqiqoti ma'lumotlarni kiritishdan oldin har bir saytning institutsional tekshiruv kengashidan axloqiy rozilikni oldi va barcha ishtirokchilar xabardor qilingan yozma rozilikni berdilar. Ushbu prognostik tadqiqot institutsional axloqiy tasdiqlashdan ozod deb topildi, chunki biz ilgari to'plangan aniqlanmagan ma'lumotlardan foydalanganmiz. Ushbu tadqiqotda foydalanilgan ma'lumotlar NACCga ma'lumotlar so'rovi orqali mavjud. Ushbu tadqiqot Individual prognoz yoki tashxis uchun ko'p o'zgaruvchan bashorat modelining shaffof hisoboti (TRIPOD) hisobot yo'riqnomasiga muvofiq xabar qilingan. Ma'lumotlar 2021 yilning martidan mayigacha tahlil qilingan.

O'rganish namunasi

Biz NACC Yagona maʼlumotlar toʻplamidan (UDS) ilgari toʻplangan maʼlumotlardan foydalandik.10 UDSda Altsgeymer kasalligi va boshqa neyrodegenerativ kasalliklar boʻyicha koʻp markazli hamkorlikdagi tadqiqotlar uchun AQSh Milliy Qarish Instituti Altsgeymer Kasalliklari Markazi dasturining istiqbolli kohort maʼlumotlari mavjud.11 Bizning maʼlumotlar toʻplamimiz quyidagilardan iborat. AQShda joylashgan 30 ta Altsgeymer kasalligi markazlaridan 2005 yil sentyabridan 2015 yil fevraligacha to'plangan xotira klinikasi ma'lumotlari. Ma'lumotlar to'plami ishtirokchi va ishtirokchining sosyodemografik xususiyatlari, oila tarixi, funktsional holati, 12 xulq-atvor belgilari (Neyropsikiyatrik inventar so'rovi natijalari bilan baholangan13), neyropsikologik test batareyasi,14 va har bir Altsgeymer kasalligi diagnostikasi tomonidan nashr etilgan klinikadan foydalangan holda tayinlangan NACC klinik demans tashxisini o'z ichiga oladi. standartlashtirilgan UDS klinik baholash asosida. UDS protokoli tomonidan qabul qilingan diagnostika mezonlari va tegishli yo'riqnomalar tafsilotlari avval e'lon qilingan.15

Biz UDSning 1 va 2 versiyalaridan foydalandik, ularda asosiy bahoga ega 32 573 xotira klinikasi ishtirokchilari kiradi. Garchi bizning modellarimiz 2 yil ichida demans bilan kasallanishni bashorat qilish uchun mo'ljallangan bo'lsa-da, keyingi uchrashuvlar orasidagi vaqtdagi o'zgarishlarni hisobga olish uchun, biz tashrif birinchi yoki birinchi bo'lishini ta'minlash uchun dastlabki tashrifdan keyin 29 oy ichida sodir bo'lgan kuzatuvni kiritdik. ikkinchi navbatdagi uchrashuv.

Natija o'zgaruvchisi

Natija o'zgaruvchisi boshlang'ich baholashdan keyin 29 oy (taxminan 2 yil) ichida barcha sabablarga ko'ra demans tashxisi bo'ldi. Bunga Altsgeymer demansi, Lyui jismlari bilan demans, qon tomir demans va boshqa kam uchraydigan pastki tiplar kabi demans subtiplari kiradi. Altsgeymer demansi NINCSD-ADRDA mezonlariga ko'ra, 16 qon tomir demans NINDS-AIREN mezonlariga ko'ra tashxis qo'yilgan, 17 Lewy tanasi demansi (LBD) Lewy Bodies konsortsiumi demensiyasining uchinchi hisobotiga ko'ra tashxis qo'yilgan. Neary va uning hamkasblarining 1998 yilgi mezonlari bo'yicha tashxis qo'yilgan.19

Nomzod bashoratchilar

Biz dastlabki tashrif davomida to'plangan barcha klinik ahamiyatga ega o'zgaruvchilarni UDSning 1 va 2 versiyalariga kiritdik (Qo'shimchadagi e-jadval 1). Biz dori-darmonlar nomlari kabi bepul matn qiymatlari bo'lgan o'zgaruvchilarni va tashriflar soni kabi barcha ishtirokchilarda doimiy bo'lgan o'zgaruvchilarni chiqarib tashladik. O'zgaruvchan muhimlikni baholashda yordam berish uchun to'rtta sintetik o'zgaruvchilar yaratildi (bu o'zgaruvchilar past darajada bo'lishi kerak); Ushbu o'zgaruvchilarning 3 tasi mavjud o'zgaruvchilarning almashtirishlari edi (1 ikkilik, 1 toifali va 1 raqamli o'zgaruvchi) va 1 o'zgaruvchi tasodifiy normal taqsimotdan yaratilgan. Natijada jami 258 ta o'zgaruvchi paydo bo'ldi.

Modellarimizga kiritilgan UDS oʻzgaruvchilari ishtirokchilarning demografik xususiyatlari (15 ta oʻzgaruvchi), ishtirokchining demografik xususiyatlari (7 oʻzgaruvchi), oila tarixi (3 oʻzgaruvchi), kasallik tarixi (47 oʻzgaruvchi), dori vositalari (21 oʻzgaruvchi), jismoniy (12 ta oʻzgaruvchi)ni oʻz ichiga oladi. ) va nevrologik (4 o'zgaruvchi) tekshiruv natijalari, Parkinson kasalligining yagona reyting shkalasi 20 (UDPRS) (28 ta o'zgaruvchi), Klinik demans reytingi (CDR) shkalasi 21 (8 o'zgaruvchi), funktsional holat (10 o'zgaruvchi), neyropsikologik test batareyasi (50 ta o'zgaruvchi) , Geriatrik depressiya shkalasi (17 o'zgaruvchi) va simptomlarni klinik baholash (32 o'zgaruvchi). Ushbu o'zgaruvchilardan 239 tasi (93 foiz) kamida 1 ishtirokchida yo'q edi va barcha ishtirokchilarda kamida bitta o'zgaruvchi yo'q edi.

Modelni ishlab chiqish

Biz 4 ML algoritmini22 amalga oshirdik: logistik regressiya (LR), 23 vektorni qo'llab-quvvatlash mashinasi (SVM), 24 tasodifiy o'rmon (RF), 25,26 va gradientni kuchaytiruvchi daraxtlar (XGB) 27 (Qo'shimchadagi eMethods). Ushbu algoritmlar tasniflash vazifasini bajaradi: ular ishtirokchining 0 toifasiga (boshlang'ich holatdan 29 oy davomida demansdan holi bo'lishi bashorat qilingan) yoki 1-sinfga (boshlang'ich bosqichdan keyin 29 oy ichida demans hodisasi sodir bo'lishi bashorat qilingan) tegishli ekanligini aniqlaydi. Tasniflash birinchi (asosiy) xotira klinikasiga tashrif buyurganlarida qayd etilgan o'zgaruvchilarga asoslanadi. ML algoritmlarini amalga oshirish uchun biz Python ilmiy toʻplamini oʻrganish kutubxonasidan (Python Software Foundation)28 5-katta oʻzaro tekshirish (Qoʻshimchadagi eMethods) bilan foydalandik. Yo'qotilgan qiymatlar tanlab olish yo'li bilan yo'qolgan qiymatlar bilan almashtirildi. Barcha maʼlumotlarni qayta ishlash va tahlil qilish Python 3.9 versiyasida, NumPy 1.19.4 versiyasida va 0.24.{27}} sci-kit-learn versiyalarida amalga oshirildi.

Statistik tahlil

Modelni baholash

Biz barcha modellarning ishlashini adabiyotda oldindan belgilangan qaror qabul qilish chegaralari (mavjud modellar) yoki noto‘g‘ri-musbat qiymatga teng bo‘lgan 0,5 (ML modellar) chegarasi uchun umumiy aniqligi, sezgirligi va o‘ziga xosligini solishtirish orqali baholadik. va noto'g'ri-salbiy xatolar. Qabul qilgichning ishlash xarakteristikasi egri chizig'i (AUC)29 ostidagi maydon barcha mumkin bo'lgan chegaralar bo'yicha model ishlashini umumlashtirish va shu tariqa noto'g'ri tasniflash xatolarining og'irligi uchun ishlatilgan.30 O'rtacha ishlash ko'rsatkichlari va SD yuklash orqali olingan (Qo'shimchadagi eMethods).

Mavjud modellar bilan taqqoslash

BDSI va CAIDE demans xavfini bashorat qilishning mavjud modellari bo'lib, bemorlarga uzoqroq vaqt oralig'ida demans rivojlanish xavfini ifodalovchi ball beradi. BDSI va CAIDE xavf baholarini olish uchun biz UDS dan avval ishlatilgan oʻzgaruvchilarga eng mos keladigan oʻzgaruvchilarni tanladik (Qoʻshimchadagi 2-jadval). Bizning ML modellarimiz unumdorligi 2-yillik demans kasalligini bashorat qilish uchun BDSI va CAIDE bilan solishtirildi.

Demansning kichik turlari bo'yicha namunaviy ishlash

Demansning turli xil subtiplariga mos keladigan turli sabablar bo'lishi mumkin. ML modellarining turli xil demans subtiplarini aniqlash qobiliyatini baholash uchun biz demans holatlarini Altsgeymer demansi, LBD, qon tomir demans va boshqa demans subtiplariga ajratdik. Ushbu 4 ta tabaqalanishdan foydalanib, biz to'g'ri tasniflangan ishtirokchilar foizini hisoblab chiqdik (haqiqiy-musbat nisbat) va har bir ML modeli uchun ROC egri chiziqlarini solishtirdik.

Diagnostik barqarorlikni tekshirish

Ma'lumki, demansning klinik diagnostikasi dastlab noto'g'ri tashxis qo'yilgan (samarali ham noto'g'ri-musbat, ham noto'g'ri-salbiy xatolar) bemorlarni o'z ichiga oladi.31 Biz reversiyani demans tashxisi qo'yilgan ishtirokchining xotira klinikasiga birinchi tashrifidan keyin 2 yil o'tgach, deb ta'riflaymiz. va keyinchalik demans tashxisi qo'yilganidan keyin 2 yil ichida demensiya yo'qligi (yoki MCI yoki buzilmagan idrok) tashxisini oladi. Ushbu o'zgarishlar beqaror tashxislar va demansning noto'g'ri tashxisi natijasi bo'lishi mumkinligini hisobga olib, biz teskari ishtirokchilar namunasida ML modellarining tasnifi aniqligini tekshirdik (Qo'shimchadagi emetodlar). Biz har bir ML modeli bo'yicha tasniflash ballarining kümülatif taqsimot funktsiyasidan (CDF) foydalanganmiz, demensiyani rivojlantirgan bemorlar va demanssiz qolgan bemorlar bilan reversiya bilan ishtirokchilarni solishtirish.

Natijalar

Dastlabki bosqichda demans tashxisi bo'lgan {0}} ishtirokchini hisobga olmaganda, kuzatuv ma'lumotlariga ega bo'lmagan 4557 ishtirokchi va birinchi tashrifidan keyin 29 oydan ko'proq vaqt davomida birinchi kuzatuvini o'tkazgan 573 ishtirokchi. , yakuniy tahliliy tanlovda 15 307 ishtirokchi (oʻrtacha [SD] yoshi, 72.3 [9.8] yil; 9129 [60 foiz] ayollar va 6178 [40 foiz] erkaklar) ishtirok etdi. Namuna xususiyatlari 1-jadvalda ko'rsatilgan. Dastlabki 2 yil ichida 1568 ishtirokchi (10 foiz) demans tashxisini oldi. Demans tashxisini olgan 1568 ishtirokchidan 273 nafari (17 foiz) bitta klinisyen tomonidan, 1216 nafari (78 foiz) konsensus panelida tashxis qo'yilgan; 79 ishtirokchi uchun (5 foiz), tashxis manbasi ko'rsatilmagan. Har bir modelning bashorat qilish kuchini baholovchi asosiy samaradorlik ko'rsatkichlari 2-jadvalda keltirilgan. Mavjud modellar bilan solishtirganda, ML modellari 2 yil ichida odamda demans rivojlanishini bashorat qilish qobiliyatidan ustun edi va ular barcha ko'rsatkichlar bo'yicha mavjud modellardan ustun keldi. Barcha ML modellari xuddi shunday yaxshi ishladilar, XGB umumiy aniqlik (92 foiz ) va AUC (o‘rtacha [SD], 0,92 [0,01]) bilan o‘lchanganda eng katta quvvatga ega. Har bir model uchun qabul qiluvchining ishlash xarakteristikasi egri chizig'i ML modellari o'rtasidagi o'xshashlikni va ikkita mavjud xavf modeli bilan solishtirganda ularning ustunligini ko'rsatadi (1-rasm).

Demansning kichik turlari bo'yicha namunaviy ishlash

Turli xil demans subtiplarida ML modelining ishlashini baholash uchun biz aholini 4 demans subtipiga ajratdik: Altsgeymer demans (1285 ishtirokchi), LBD (82 ishtirokchi), qon tomir demans (21 ishtirokchi) va boshqa demans subtiplari (180 ishtirokchi). LR modeli Altsgeymerning demans va boshqa kichik turlarini aniqlashda eng yaxshi bo'lgan, 589 ishtirokchini (46 foiz) Altsgeymer demansi bilan va 99 ishtirokchini (55 foiz) boshqa kichik tiplar bilan to'g'ri tasniflagan. SVM modeli 40 ishtirokchini (49 foiz) to'g'ri tasniflab, LBD bo'lgan ishtirokchilarda eng yaxshi natija berdi. Barcha modellar qon tomir demans bilan 7 ishtirokchini (33 foiz) to'g'ri tasnifladi. Qabul qiluvchining ishlash xarakteristikasi egri chiziqlari shuni ko'rsatadiki, barcha modellar har bir kichik tur bo'yicha taxminan teng darajada yaxshi ishlagan (Qo'shimchadagi 1-rasm).

.

O'zgaruvchilarning minimal sonini tekshirish

ML yondashuvidan foydalanishning mumkin bo'lgan kamchiliklaridan biri bu o'zgaruvchilarning ko'pligi. Model talab qiladigan o'zgaruvchilar soni ortib borishi sababli, klinik sharoitda amalga oshirish kamroq amaliy bo'lib qoladi va modelning talqin qilinishi buziladi. Har bir ML modeli barcha 258 o'zgaruvchidan foydalangan holda biz topgan narsaga teng bashoratli quvvatga erishish uchun qancha o'zgaruvchiga ega bo'lishini baholash uchun (2-jadval), biz AUC modellarga kiritilgan o'zgaruvchilar soniga qarab qanday o'zgarishini baholadik. Xususan, biz har bir model uchun oʻzgaruvchilarni ahamiyati kamayishiga qarab tartiblash orqali tartibladik (yaʼni, algoritm boʻyicha har bir oʻzgaruvchining diskriminatsion kuchi; Qoʻshimchadagi eMethods). Keyinchalik biz har bir modelni eng muhimlaridan boshlab ko'payib borayotgan o'zgaruvchilar bilan qayta o'rgandik. Biz barcha modellar diagnostika samaradorligiga erishish uchun atigi 22 ta o'zgaruvchini talab qilishini aniqladik, ularning statistik jihatdan optimal o'rtacha ko'rsatkichlaridan farq qilmaydi (2-rasm; Qo'shimchadagi 2-rasm). O'zgaruvchan ahamiyatni baholashning to'g'riligini ta'minlash uchun qo'shilgan sintetik o'zgaruvchilar har qanday model uchun eng yaxshi 22 o'zgaruvchiga kirmadi, bu to'liq diagnostika ko'rsatkichlariga erishilgandan so'ng, o'zgaruvchan reytingni aniq aniqlash uchun kam ma'lumot mavjudligini aks ettiradi.

Asosiy xavf omillarini aniqlash

Har bir model uchun 22 ta eng muhim oʻzgaruvchidan atigi 5 tasi barcha modellar uchun umumiy boʻlgan (yaʼni, xotira, kognitiv qobiliyatlar, xatti-harakatlar, ishlarni boshqarish qobiliyati yoki harakat va harakatdagi oʻzgarishlarning klinik bahosi; Trail Making Testini yakunlash vaqti) B qismi; CDR: orientatsiyaning buzilishi; CDR: uy va sevimli mashg'ulotlarining buzilishi; va mustaqillik darajasi). Qolgan oʻzgaruvchilardan korrelyatsiyasi 0.7 dan katta boʻlgan 10 juftlik bor edi, bu ularning oʻxshash oʻzgaruvchilar ekanligini koʻrsatadi (Qoʻshimchadagi 3-jadval). Yuqori korrelyatsiyaga ega bo'lgan o'zgaruvchilarni almashtirish orqali ushbu korrelyatsiyani hisobga olgan holda, biz 6 ta yuqori prognozli o'zgaruvchilar mavjudligini aniqladik (pasayishning klinik xulosasi, Trail Making Test B qismini bajarish vaqti, CDR ning 3 komponenti [orientatsiya, xotira, uy va sevimli mashg'ulotlari. zaiflik] va mustaqillik darajasi) barcha ML modellari uchun umumiy bo'lgan (Qo'shimchadagi e-jadval 4). Har bir modelni faqat shu oʻzgaruvchilardan foydalangan holda oʻrgatganimizda, LR va XGB diagnostika samaradorligida sezilarli pasayish kuzatilmaganini aniqladik: 6 oʻzgaruvchidan iborat ushbu asosiy toʻplamdan foydalanganda, bu modellar oʻrtacha (SD) 91 foiz aniqlikka ega edi (0 LR uchun foiz ) va XGB uchun 91 foiz (1 foiz ) va o‘rtacha (SD) AUC 0,89 (0.01) LR va 0,89 (0,02) XGB uchun (Qo'shimchadagi 5-jadval).

Diagnostik barqarorlik 2 yil ichida demans tashxisini olgan 1568 ishtirokchidan biz 130 (8 foiz) reversiyani boshdan kechirayotganini aniqladik, ular dastlab noto'g'ri tashxis qo'yilgan va shuning uchun ML maqsadlarida noto'g'ri etiketlangan. Qaytarilishlar ishtirokchilarning atigi 0,8 foizida qayd etilgan bo'lsa-da, ular noto'g'ri tasniflangan ishtirokchilarning 92 dan 109 gacha ishtirokchilarni (7 foiz -8 foiz) tashkil etganini va modellar o'rtasida kichik o'zgarishlar mavjudligini aniqladik (3-jadval). RF modeli eng yuqori diagnostik barqarorlikka ega bo'lib, 130 ishtirokchidan 109 nafarini 2 yil ichida demanssiz deb tasniflash orqali reversiya (84 foiz) bilan to'g'ri aniqladi. ML modellarining diagnostik barqarorligini o'rganish uchun biz trening davomida teskari ishtirokchilarni olib tashladik (Qo'shimchadagi eMethods). Modellarni reversiyasiz qayta o‘qitganimizdan so‘ng, biz RF teskari o‘zgarishlarga uchragan 106 ishtirokchini aniqladi (o‘rtacha [IQR], 82 foiz [78 foiz -82 foiz]), SVM teskari o‘zgarishlarni boshdan kechirgan 93 ishtirokchini (median [IQR], 72 foiz [69 foiz -74 foiz ]) va LR va XGB ikkalasi ham reversiyaga uchragan 92 ishtirokchini aniqladilar (median [IQR], 71 foiz [68 foiz -75 foiz ]). IQRlar reversiyani boshdan kechirgan ishtirokchilarni yuklash orqali olingan.

Noto'g'ri tasniflangan ishtirokchilar, teskari ishtirokchilar va demansni qaytmasdan rivojlantirgan ishtirokchilar o'rtasidagi farqni tushunish uchun biz har bir ML modelidan olingan tasniflash ballarining CDFlarini tahlil qildik. Biz noto'g'ri tasniflangan ishtirokchilar va teskari o'zgarishlarga uchragan ishtirokchilarning ballari demensiyani rivojlantirgan va rivojlanmagan ishtirokchilardan farq qilishini aniqladik (Qo'shimchadagi 3-rasm). Demansni rivojlantirmagan ishtirokchilar uchun tasniflash ballarining CDFlari har bir uchastkaning eng chap tomoniga tushdi, bu ML modellari ushbu ishtirokchilarga demans rivojlanishining past ehtimolini tayinlaganligini ko'rsatadi. Aksincha, demansni rivojlantirgan ishtirokchilar uchun CDFlar uchastkalarning o'ng tomoniga tushdi: ularga demans rivojlanishining yuqori ehtimoli berildi. Barcha modellar uchun teskari ishtirokchilar uchun ballar taqsimoti demensiyani rivojlantirgan ishtirokchilarnikidan chapga to'g'ri keldi, ya'ni reversiyaga uchragan ishtirokchilar ushbu modellarga ko'ra demans rivojlanish ehtimoli pastroq deb baholandi.

Munozara

Ushbu prognostik tadqiqotda ML algoritmlari BDSI va CAIDE bilan solishtirganda, bemorning birinchi xotira klinikasini baholashdan keyin 2 yil ichida demans kasalligini bashorat qilishda yuqori prognostik aniqlikka ega edi. ML algoritmlaridan ikkitasi 91 foiz aniqlik va AUC 0.89 ga erishish uchun faqat 6 ta asosiy oʻzgaruvchi bilan baholandi. Sezuvchanlik tahlillari shuni ko'rsatadiki, ML modellari dastlabki tashrifidan keyin 2 yil ichida noto'g'ri tashxis qo'yilgan reversiyani boshdan kechirgan ishtirokchilarning yuqori qismini to'g'ri tasniflashi mumkin. Ushbu tadqiqot bir qator kuchli tomonlarga ega, jumladan, Qo'shma Shtatlardagi bir nechta xotira klinikalaridan olingan bemorlarning katta namunasi, qo'llaniladigan ML texnikasining keng doirasi, mavjud xavf modellari bilan taqqoslash va diagnostika barqarorligi va ehtimoliy noto'g'ri tashxisni o'rganish.

Demans xavfini bashorat qilish uchun MLni qo'llash bo'yicha oldingi tadqiqotlar buzilgan idrokdan Altsgeymer demensiyasiga yoki MCIga,6,8ga yoki MCI dan Altsgeymer demansiga o'tishga qaratilgan.5 Bu yondashuvlar klinik sharoitda kamroq foydalidir, chunki ular istisno qiladilar. demansning boshqa turlari5,6,8 yoki dastlab kognitiv jihatdan zaif bo'lgan bemorlar.5 Ushbu tadqiqotlarda foydalanilgan ma'lumotlarga pozitron emissiya tomografiyasi skanerlari,5,8 va miya omurilik suyuqligi biomarkerlari kiradi,8 ulardan 8 tasi xotira klinikalarida mavjud emas. Lin va boshq 6 tomonidan olib borilgan tadqiqot NACC ma'lumotlaridan foydalanib, bir 4-yil ichida buzilmagan idrokdan MCIga o'tish xavfini baholash uchun 15 ta invaziv bo'lmagan klinik o'zgaruvchilar to'plamini topish orqali buni bartaraf etdi. Biroq, MCI tuzilishi biroz munozarali bo'lib qolmoqda,32 va MCI va demans o'rtasidagi konversiya ko'rsatkichlari ko'pincha past.32,33 Bizning ML modellarimiz ushbu tahlillarni to'ldiradi va klinik jihatdan tegishli vaqt shkalasi bo'yicha faqat 6 ta asosiy o'zgaruvchini o'z ichiga olgan afzalliklarga ega. barcha sabablarga ko'ra demansning natijasi.

Bizning tadqiqotimizda o'rganilgan mavjud modellardan CAIDE modeli 2 yil davomida demans xavfini bashorat qilishda eng kam aniq bo'lgan, bu ajablanarli emas, chunki u o'rta yoshli kattalardagi uzoq muddatli demans xavfini ancha uzoqroq vaqt davomida bashorat qilish uchun ishlab chiqilgan. 20 yillik kuzatuv davri. BDSI CAIDE ga qaraganda yaxshiroq ishladi, ehtimol u keksa odamlarda 6 yillik o'rtacha kuzatuv davrida foydalanish uchun mo'ljallanganligini aks ettiradi. Biroq, barcha ML modellari ushbu mavjud modellardan ustun keldi. Barcha o'zgaruvchilardan foydalangan holda, XGB 2 yil ichida demans tashxisi qo'yilishi mumkin bo'lgan bemorlarni bashorat qilishda eng kuchli ML yondashuvi bo'lib, so'nggi uchta xatoni tuzatish uchun yangi qarorlar daraxtlarini o'rgatish usuli marjinal ishlashga olib keladi. daromad. Biroq, XGB, shuningdek, reversiyani boshdan kechirgan ishtirokchilarni, ya'ni dastlab 2 yil ichida demans tashxisi qo'yilgan va dastlabki tashxisdan keyin 2 yil ichida bu tashxisni bekor qilgan ishtirokchilarni aniqlashga qodir bo'lmagan yondashuv bo'lib tuyuldi.

ML modellarining unumdorligi noto‘g‘ri belgilangan o‘quv ma’lumotlari tufayli sezilarli darajada kamayishi mumkin.34 Noto‘g‘ri belgilangan o‘quv ma’lumotlarini istisno qilish har doim ham samaradorlikni yaxshilamaydi.35 Trening ma’lumotlaridagi shovqin darajasi oshgani sayin, bu shovqinni istisno qilish yoki kamaytirish qiymati kamayadi, agar Xuddi shu shovqin tekshirish ma'lumotlarida mavjud.36 Shunday qilib, o'quv ma'lumotlarini filtrlash ushbu tadqiqotda topilganidek, hatto ishlashni bekor qilish ma'lumotlarini kamaytirishi mumkin. Biroq, noto'g'ri yorliqlash darajasi taxminan 20% dan 40% gacha bo'lsa, noto'g'ri etiketlangan ma'lumotlarni olib tashlash, noto'g'ri yorliqlangan ma'lumotlarni o'z ichiga olgan bo'lsa ham, tasdiqlash ma'lumotlarining aniqligini oshirishi mumkin.35,37,38 Bu treningda diagnostika barqarorligini tekshirish va tekshirish ma'lumotlari: hatto mezon standart ma'lumotlari xatolarni o'z ichiga oladi.

Kuzatilgan reversiya darajasi (8 foiz) 2019-yilda AQShning boshqa aholisiga asoslangan tadqiqotida aniqlanganiga o‘xshash edi.31 Bizning tadqiqotimizda noto‘g‘ri ijobiy holatlar ulushi kognitiv xususiyatga qarab 7 foizdan 19 foizgacha o‘zgarib turishi aniqlandi. baholashdan foydalaniladi. Bizning ma'lumotlarimizga ko'ra, bu NACC UDSda potentsial noto'g'ri tashxisning birinchi tahlili bo'lib, ML dan klinik qaror qabul qilishda yordam sifatida foydalanish noto'g'ri musbat diagnostikani 84 foizgacha kamaytirish potentsialiga ega ekanligini ko'rsatadi. Reversiyani boshdan kechirgan bemorlar diagnostik ma'noda chegaralanganligini hisobga olsak, klinik nuqtai nazardan, klinik tashvish uchun asoslar mavjudligini hisobga olsak, ular baribir kuzatilishi mantiqiy bo'lishi mumkin. Shunday qilib, XGB klinik qaror qabul qilishda yordam berish uchun eng yaxshi model bo'lishi mumkin. Shu bilan bir qatorda, diagnostikaning mumkin bo'lgan barqarorligi va noto'g'ri tasniflash ehtimoli haqida ikkilamchi bashorat qiladigan ansambl yondashuvi yanada foydali bo'lishi mumkin.

Cheklovlar

Ushbu tadqiqot bir nechta cheklovlarga ega. Birinchidan, CAIDE ham, BDSI ham ushbu tadqiqotda foydalanilgandan farqli populyatsiyalar yordamida ishlab chiqilgan. Ushbu modellarni ishlab chiqish uchun foydalanilgan barcha o'zgaruvchilar UDSda aniq ekvivalentga ega emas, bu ularning ushbu ma'lumotlar to'plamidagi ishlashiga ta'sir qilgan bo'lishi mumkin. Ikkinchidan, ma'lumotlarni kiritish uchun ishlatiladigan usul hisoblash xatosiga olib kelishi mumkin. Xususan, hisoblash barcha etishmayotgan qiymatlarni raqamli qiymat bilan almashtiradi, lekin ba'zi qiymatlar boshqa qiymat bilan bog'liqligi tufayli etishmayapti; shuning uchun qiymatning yo'qligi informatsiondir. Biroq, ishtirokchilarda o'rtacha 14 foiz ma'lumotlar etishmayotgan bo'lsa-da, aniqlangan 6 ta asosiy o'zgaruvchi ishtirokchilarning o'rtacha 1 foizida etishmayotgan edi. Uchinchidan, bizning tadqiqotimiz Qo'shma Shtatlardagi xotira klinikasi ishtirokchilarining katta namunasidan foydalangan bo'lsa-da, bizning natijalarimiz ushbu parametr uchun juda qo'llaniladi, ammo bu natijalar boshqa populyatsiyalar uchun qanchalik umumlashtirilishi noma'lum.

Xulosa

Ushbu prognostik tadqiqot shuni ko'rsatdiki, ML modellari mavjud demans xavfini bashorat qilish modellaridan ustundir va xotira klinikalarida 2 yil davomida demans hodisasini bashorat qilishni yaxshilash potentsialiga ega bo'lishi mumkin. Ushbu tadqiqotda aniqlangan demans xavfining oltita asosiy omili, agar kelajakdagi klinik qarorlar qabul qilish vositalariga kiritilgan bo'lsa, xotira klinikalarida klinik amaliyotni yaxshilash potentsialiga ega bo'lishi mumkin.