मेमोरी क्लिनिक के मरीजों में डिमेंशिया की प्रगति की भविष्यवाणी करने के लिए मशीन लर्निंग एल्गोरिदम का प्रदर्शन

संपर्क: ऑड्रे हू Whatsapp/hp: 0086 13880143964 ईमेल:audrey.hu@wecistanche.com

शार्लोट जेम्स, पीएच.डी.; जेनिस एम। रैनसन, पीएच.डी.; रिचर्ड एवरसन, पीएच.डी.; डेविड जे। लेवेलिन, पीएचडी

सार

महत्व: मशीन लर्निंग एल्गोरिदम का उपयोग नैदानिक ​​​​अभ्यास को बढ़ाने के लिए नैदानिक ​​​​निर्णय लेने में सहायता के आधार के रूप में किया जा सकता है। उद्देश्य मौजूदा मॉडलों की तुलना में 2 वर्षों के भीतर डिमेंशिया की घटनाओं की भविष्यवाणी करने के लिए मशीन लर्निंग एल्गोरिदम की क्षमता का आकलन करना और इष्टतम विश्लेषणात्मक दृष्टिकोण और आवश्यक चर की संख्या निर्धारित करना। डिजाइन, सेटिंग, और प्रतिभागी: इस रोग-संबंधी अध्ययन ने उन कारकों का द्वितीयक विश्लेषण करने के लिए 15 307 प्रतिभागियों के डेटा का उपयोग किया है, जिनका उपयोग डिमेंशिया की घटनाओं की भविष्यवाणी करने के लिए किया जा सकता है। प्रतिभागियों ने राष्ट्रीय अल्जाइमर समन्वय केंद्र में भाग लियास्मृति2005 और 2015 के बीच संयुक्त राज्य भर में क्लीनिक। विश्लेषण मार्च से 2 मई 021 तक किए गए। एक्सपोजर: डिमेंशिया से संबंधित नैदानिक ​​उपायों और जोखिम कारकों के डोमेन में फैले 258 चर। मुख्य परिणाम और उपाय: आधारभूत मूल्यांकन के 2 वर्षों के भीतर मुख्य परिणाम घटना-कारण मनोभ्रंश का निदान किया गया था। परिणाम: 15 307 प्रतिभागियों के नमूने में (औसत [एसडी] आयु, 72.3 [9.8] वर्ष; 9129 [60 प्रतिशत] महिलाएं और 6178 [40 प्रतिशत ] पुरुष) बिना बेसलाइन पर मनोभ्रंश, 1568 (10 प्रतिशत) ने अपने प्रारंभिक मूल्यांकन के 2 वर्षों के भीतर मनोभ्रंश का निदान प्राप्त किया। डिमेंशिया जोखिम भविष्यवाणी के लिए 2 मौजूदा मॉडलों की तुलना में (यानी, कार्डियोवैस्कुलर रिस्क फैक्टर्स, एजिंग, और डिमेंशिया रिस्क स्कोर की घटना, और ब्रीफ डिमेंशिया स्क्रीनिंग इंडिकेटर), मशीन लर्निंग एल्गोरिदम 2 साल के भीतर घटना के सभी कारण डिमेंशिया की भविष्यवाणी करने में बेहतर थे। ग्रेडिएंट-बूस्टेड ट्री एल्गोरिथम का औसत (एसडी) 92 प्रतिशत (1 प्रतिशत), 0.45 (0.05) की संवेदनशीलता, 0.97 (0.01) की विशिष्टता, और सभी 258 का उपयोग करके 0.92 (0.01) के वक्र के तहत क्षेत्र का औसत (एसडी) था। चर। चर महत्व के विश्लेषण से पता चला है कि मशीन लर्निंग एल्गोरिदम के लिए 91 प्रतिशत की सटीकता और कम से कम 0.89 के वक्र के तहत क्षेत्र प्राप्त करने के लिए केवल 6 चर की आवश्यकता थी। मशीन लर्निंग एल्गोरिदम ने 84 प्रतिशत प्रतिभागियों की भी पहचान की, जिन्होंने प्रारंभिक डिमेंशिया निदान प्राप्त किया था जिसे बाद में हल्के संज्ञानात्मक हानि या संज्ञानात्मक रूप से अप्रभावित कर दिया गया था, जो संभावित गलत निदान का सुझाव दे रहा था। निष्कर्ष और प्रासंगिकता: इन निष्कर्षों से पता चलता है कि मशीन लर्निंग एल्गोरिदम 2 साल के भीतर देखभाल प्राप्त करने वाले रोगियों में घटना मनोभ्रंश की सटीक भविष्यवाणी कर सकता हैस्मृतिकेवल 6 चर का उपयोग करने वाले क्लीनिक। इन निष्कर्षों का उपयोग निर्णय लेने में सहायता के विकास और सत्यापन को सूचित करने के लिए किया जा सकता है:स्मृतिक्लीनिक

परिचय

कई रोगियों का मूल्यांकन विशेषज्ञ सेटिंग्स में किया जाता है, जैसे किस्मृतिक्लीनिक, जब वे पहली बार उपस्थित होते हैं तो उन्हें डिमेंशिया नहीं होता है। 1 नैदानिक ​​​​रूप से प्रासंगिक समय सीमा के भीतर डिमेंशिया विकसित करने वाले मरीजों और डिमेंशिया मुक्त रहने वालों के बीच अंतर करना महत्वपूर्ण है, क्योंकि उस अंतर्दृष्टि का उपयोग अनुवर्ती जांच के लिए रोगियों को प्राथमिकता देने के लिए किया जा सकता है। और हस्तक्षेप। मनोभ्रंश विकसित होने के उच्च जोखिम वाले रोगियों की पहचान करना चिकित्सकों के लिए चुनौतीपूर्ण है। एक दृष्टिकोण उन लोगों पर ध्यान केंद्रित करना है जिनके पास हल्के संज्ञानात्मक हानि (एमसीआई) है, जब शुरू में मूल्यांकन किया जाता है और इन रोगियों को अनुवर्ती कार्रवाई के लिए आमंत्रित किया जाता है। हालांकि, इसका परिणाम उन रोगियों के लिए काफी गलत वर्गीकरण हो सकता है जो अनुवर्ती के लिए लक्षित नहीं हैं, लेकिन जो मनोभ्रंश विकसित करते हैं और ऐसे रोगी जिन्हें आगे की जांच के लिए लक्षित किया जाता है लेकिन मनोभ्रंश विकसित नहीं होता है।

एमसीआई वाले अधिकांश मेमोरी क्लिनिक के रोगी 10 वर्षों के बाद भी मनोभ्रंश में प्रगति नहीं करते हैं, जिसकी वार्षिक रूपांतरण दर 9.6 प्रतिशत है। नैदानिक ​​निर्णय लेने की सहायता से चिकित्सकों की मनोभ्रंश की शुरुआत का अनुमान लगाने की क्षमता में सुधार हो सकता है। विभिन्न आबादी में मनोभ्रंश की मध्यम और दीर्घकालिक घटनाओं का अनुमान लगाने के लिए मौजूदा नैदानिक ​​​​निर्णय लेने वाली सहायता उपलब्ध हैं। उदाहरण के लिए, कार्डियोवस्कुलर रिस्क फैक्टर्स, एजिंग, और डिमेंशिया की घटना (CAIDE) रिस्क स्कोर3 को मध्यम आयु वर्ग के लोगों के लिए 20 वर्षों में डिमेंशिया विकसित होने के जोखिम की भविष्यवाणी करने के लिए डिज़ाइन किया गया था, और ब्रीफ डिमेंशिया स्क्रीनिंग इंडिकेटर (BDSI)4 का उद्देश्य बुजुर्गों की पहचान करना है। रोगियों को 6 वर्षों में मनोभ्रंश विकसित करने के अपने जोखिम का निर्धारण करके संज्ञानात्मक जांच के लिए लक्षित करना है। हालांकि, हमारे ज्ञान के लिए, कम नैदानिक ​​​​रूप से प्रासंगिक अवधि में स्मृति क्लीनिकों में मनोभ्रंश की घटनाओं की भविष्यवाणी करने के लिए कोई नैदानिक ​​​​निर्णय लेने वाली सहायता विकसित नहीं की गई है। मशीन लर्निंग (एमएल) बड़े और जटिल डेटा सेट से जानकारी का लाभ उठाने की अनुमति देता है। हाल ही में, इसे मनोभ्रंश निदान और जोखिम पूर्वानुमान पर लागू किया गया है।5-9

हालांकि, ये मॉडल अक्सर नियमित नैदानिक ​​​​अभ्यास में उपलब्ध जानकारी को शामिल नहीं करते हैं, जैसे कि उन्नत न्यूरोइमेजिंग, आनुवंशिक परीक्षण, और मस्तिष्कमेरु द्रव बायोमार्कर, विशेषज्ञ या अनुसंधान सेटिंग्स के लिए नैदानिक ​​​​अनुप्रयोग को सीमित करते हैं। हमने जांच की कि क्या एमएल तकनीकों का उपयोग 2-वर्ष की अवधि में मनोभ्रंश की घटनाओं का अनुमान लगाने के लिए किया जा सकता हैस्मृतियूएस नेशनल अल्जाइमर कोऑर्डिनेटिंग सेंटर (NACC) से क्लिनिक डेटा। हमने पूर्ण नैदानिक ​​प्रदर्शन तक पहुंचने के लिए एमएल मॉडल के लिए आवश्यक चर के न्यूनतम सेट की भी जांच की।

तरीकों

एनएसीसी अध्ययन को डेटा का योगदान करने से पहले प्रत्येक साइट के संस्थागत समीक्षा बोर्ड से नैतिक अनुमोदन प्राप्त हुआ, और सभी प्रतिभागियों ने सूचित लिखित सहमति प्रदान की थी। इस रोग-संबंधी अध्ययन को संस्थागत नैतिक अनुमोदन से मुक्त समझा गया क्योंकि हमने पहले एकत्र किए गए डी-आइडेंटिफाइड डेटा का उपयोग किया था। इस अध्ययन में प्रयुक्त डेटा NACC के डेटा अनुरोध द्वारा उपलब्ध हैं। यह अध्ययन व्यक्तिगत पूर्वानुमान या निदान (TRIPOD) रिपोर्टिंग दिशानिर्देश के लिए एक बहुचर पूर्वानुमान मॉडल की पारदर्शी रिपोर्टिंग के अनुसार रिपोर्ट किया गया है। मार्च से मई 2021 तक डेटा का विश्लेषण किया गया।

अध्ययन नमूना

हमने एनएसीसी यूनिफ़ॉर्म डेटा सेट (यूडीएस) से पहले एकत्र किए गए डेटा का उपयोग किया था। यूडीएस में अल्जाइमर रोग और अन्य न्यूरोडीजेनेरेटिव विकारों पर बहुकेंद्रीय सहयोगी अनुसंधान के लिए यूएस नेशनल इंस्टीट्यूट ऑन एजिंग अल्जाइमर रोग केंद्र कार्यक्रम से संभावित कोहोर्ट डेटा शामिल है। हमारे डेटा सेट में शामिल हैं संयुक्त राज्य अमेरिका में स्थित 30 अल्जाइमर रोग केंद्रों से सितंबर 2005 और फरवरी 2015 के बीच एकत्र किए गए मेमोरी क्लिनिक डेटा का। डेटा सेट में प्रतिभागी और सहभागी समाजशास्त्रीय विशेषताएं, पारिवारिक इतिहास, कार्यात्मक स्थिति, 12 व्यवहार लक्षण (न्यूरोसाइकिएट्रिक इन्वेंटरी प्रश्नावली परिणाम13 के साथ मूल्यांकन), न्यूरोसाइकोलॉजिकल टेस्ट बैटरी, 14 और एनएसीसी नैदानिक ​​​​डिमेंशिया निदान शामिल हैं, जो प्रकाशित नैदानिक ​​​​नैदानिक ​​​​मानदंडों का उपयोग करके प्रत्येक अल्जाइमर रोग केंद्र द्वारा सौंपा गया है। मानकीकृत यूडीएस नैदानिक ​​मूल्यांकन के आधार पर। यूडीएस प्रोटोकॉल और संबंधित मार्गदर्शन द्वारा अपनाए गए नैदानिक ​​मानदंड का विवरण पहले प्रकाशित किया गया है।15

हमने यूडीएस संस्करण 1 और 2 का उपयोग किया, जिसमें आधारभूत मूल्यांकन के साथ 32 573 मेमोरी क्लिनिक अटेंडीज़ शामिल हैं। यद्यपि हमारे मॉडल 2 वर्षों के भीतर मनोभ्रंश की घटनाओं की भविष्यवाणी करने के लिए डिज़ाइन किए गए हैं, अनुवर्ती नियुक्तियों के बीच के समय में भिन्नता को ध्यान में रखते हुए, हमने यह सुनिश्चित करने के लिए प्रारंभिक यात्रा के 29 महीनों के भीतर होने वाले अनुवर्ती को शामिल किया था ताकि यह सुनिश्चित हो सके कि यात्रा या तो पहली थी या दूसरी अनुवर्ती नियुक्ति।

परिणामी चर

बेसलाइन मूल्यांकन के 29 महीनों (लगभग 2 वर्ष) के भीतर परिणाम परिवर्तनशील घटना सर्व-कारण मनोभ्रंश निदान था। इसमें मनोभ्रंश उपप्रकार शामिल हैं, जैसे अल्जाइमर मनोभ्रंश, लेवी निकायों के साथ मनोभ्रंश, संवहनी मनोभ्रंश और अन्य दुर्लभ उपप्रकार। अल्जाइमर डिमेंशिया एनआईएनसीएसडी-एडीआरडीए मानदंड के अनुसार निदान किया गया था, 16 संवहनी डिमेंशिया का निदान एनआईएनडीएस-एआईआरएन मानदंड के अनुसार किया गया था, 17 लेवी बॉडी डिमेंशिया (एलबीडी) का निदान लेवी बॉडीज कंसोर्टियम मानदंड, 18 और फ्रंटोटेम्पोरल डिमेंशिया के साथ डिमेंशिया की तीसरी रिपोर्ट के अनुसार किया गया था। नेरी और सहकर्मियों के 1998 के मानदंडों के अनुसार निदान किया गया था।19

उम्मीदवार भविष्यवक्ता

हमने यूडीएस के संस्करण 1 और 2 (पूरक में ईटेबल 1) में प्रारंभिक यात्रा के दौरान एकत्र किए गए सभी नैदानिक ​​​​रूप से प्रासंगिक चर शामिल किए। हमने फ्री टेक्स्ट वैल्यू वाले वेरिएबल को बाहर कर दिया, जैसे कि दवाओं के नाम, और वेरिएबल जो सभी प्रतिभागियों के लिए स्थिर थे, जैसे विज़िट नंबर। चर महत्व के मूल्यांकन में सहायता के लिए चार सिंथेटिक चर उत्पन्न किए गए थे (इन चरों को निम्न स्थान दिया जाना चाहिए); इनमें से 3 चर मौजूदा चर (1 बाइनरी, 1 श्रेणीबद्ध, और 1 संख्यात्मक चर) के क्रमपरिवर्तन थे, और 1 चर सामान्य वितरण से यादृच्छिक रूप से उत्पन्न हुआ था। इसके परिणामस्वरूप कुल 258 चर प्राप्त हुए।

हमारे मॉडल में शामिल यूडीएस के चरों में प्रतिभागी जनसांख्यिकीय विशेषताएं (15 चर), सहभागी जनसांख्यिकीय विशेषताएं (7 चर), पारिवारिक इतिहास (3 चर), चिकित्सा इतिहास (47 चर), दवाएं (21 चर), भौतिक (12 चर) शामिल हैं। ) और न्यूरोलॉजिकल (4 चर) परीक्षा परिणाम, यूनिफाइड पार्किंसन डिजीज रेटिंग स्केल 20 (यूडीपीआरएस) (28 चर), क्लिनिकल डिमेंशिया रेटिंग (सीडीआर) स्केल 21 (8 चर), कार्यात्मक स्थिति (10 चर), न्यूरोसाइकोलॉजिकल टेस्ट बैटरी (50 चर) , जेरियाट्रिक डिप्रेशन स्केल (17 चर), और लक्षणों का नैदानिक ​​​​मूल्यांकन (32 चर)। इन चरों में से, 239 (93 प्रतिशत) कम से कम 1 प्रतिभागी के लिए गायब थे, और सभी प्रतिभागियों में कम से कम 1 चर गायब था।

विकास का मॉडल

हमने 4 एमएल एल्गोरिदम को लागू किया: लॉजिस्टिक रिग्रेशन (एलआर), 23 सपोर्ट वेक्टर मशीन (एसवीएम), 24 रैंडम फॉरेस्ट (आरएफ), 25,26 और ग्रेडिएंट-बूस्टेड ट्री (एक्सजीबी)27 (सप्लीमेंट में ई-मेथड्स)। ये एल्गोरिदम एक वर्गीकरण कार्य करते हैं: वे यह निर्धारित करते हैं कि क्या कोई प्रतिभागी कक्षा 0 (बेसलाइन से 29 महीने तक मनोभ्रंश-मुक्त रहने की भविष्यवाणी करता है) या कक्षा 1 (बेसलाइन के 29 महीनों के भीतर घटना मनोभ्रंश का अनुभव करने की भविष्यवाणी) में आता है। वर्गीकरण उनकी पहली (बेसलाइन) मेमोरी क्लिनिक यात्रा में दर्ज चर पर आधारित है। एमएल एल्गोरिदम को लागू करने के लिए, हमने 5-फोल्ड क्रॉस-वेलिडेशन (सप्लीमेंट में ई-मेथड्स) के साथ पायथन साइंस-किट-लर्न लाइब्रेरी (पायथन सॉफ्टवेयर फाउंडेशन),28 का इस्तेमाल किया। लापता मूल्यों को गैर-मौजूद मूल्यों से प्रतिस्थापन के साथ नमूना करके लगाया गया था। सभी डेटा प्रोसेसिंग और विश्लेषण पायथन संस्करण 3.9, NumPy संस्करण 1.19.4 और विज्ञान-किट-लर्न संस्करण 0.24.0 में लागू किए गए थे।

सांख्यिकीय विश्लेषण

मॉडल मूल्यांकन

हमने साहित्य (मौजूदा मॉडल) या 0.5 (एमएल मॉडल) की एक सीमा में निर्धारित निर्णय सीमा के लिए उनकी समग्र सटीकता, संवेदनशीलता और विशिष्टता की तुलना करके सभी मॉडलों के प्रदर्शन का मूल्यांकन किया, जो समान रूप से गलत-सकारात्मक वजन करता है और झूठी-नकारात्मक त्रुटियां। रिसीवर ऑपरेटिंग विशेषता वक्र (एयूसी) 29 के तहत क्षेत्र का उपयोग सभी संभावित थ्रेसहोल्ड पर मॉडल प्रदर्शन को सारांशित करने के लिए किया गया था और इस प्रकार गलत वर्गीकरण त्रुटि भार। 30 औसत प्रदर्शन उपाय और एसडी बूटस्ट्रैपिंग (पूरक में ई-मेथड्स) के माध्यम से प्राप्त किए गए थे।

मौजूदा मॉडलों के साथ तुलना

BDSI और CAIDE मौजूदा मनोभ्रंश जोखिम पूर्वानुमान मॉडल हैं जो रोगियों को लंबे समय तक मनोभ्रंश विकसित करने के उनके जोखिम का प्रतिनिधित्व करने वाले अंक प्रदान करते हैं। BDSI और CAIDE जोखिम स्कोर प्राप्त करने के लिए, हमने UDS से वेरिएबल्स का चयन किया जो पहले इस्तेमाल किए गए वेरिएबल्स के सबसे निकट से मेल खाते हैं (पूरक में eTable 2)। 2-वर्ष के मनोभ्रंश घटना की भविष्यवाणी के लिए हमारे एमएल मॉडल के प्रदर्शन की तुलना बीडीएसआई और सीएआईडीई से की गई थी।

मनोभ्रंश उपप्रकारों में मॉडल प्रदर्शन

मनोभ्रंश के विभिन्न कारण हो सकते हैं, जो विभिन्न मनोभ्रंश उपप्रकारों के अनुरूप होते हैं। विभिन्न मनोभ्रंश उपप्रकारों की पहचान करने के लिए एमएल मॉडल की क्षमता का आकलन करने के लिए, हमने अल्जाइमर डिमेंशिया, एलबीडी, वैस्कुलर डिमेंशिया और अन्य डिमेंशिया उपप्रकारों में घटना डिमेंशिया मामलों को विभाजित किया। इन 4 स्तरीकरणों का उपयोग करते हुए, हमने प्रतिभागियों के प्रतिशत की सही ढंग से वर्गीकृत (सच्ची-सकारात्मक दर) की गणना की और प्रत्येक एमएल मॉडल के लिए आरओसी घटता की तुलना की।

नैदानिक ​​स्थिरता की जांच

मनोभ्रंश का नैदानिक ​​निदान उन रोगियों को शामिल करने के लिए जाना जाता है जिन्हें शुरू में गलत निदान किया गया था (प्रभावी रूप से झूठी-सकारात्मक और झूठी-नकारात्मक त्रुटियां)। और बाद में उनके मनोभ्रंश निदान के 2 वर्षों के भीतर कोई मनोभ्रंश (या तो एमसीआई या अप्रभावित संज्ञान) का निदान प्राप्त करता है। यह तर्क देते हुए कि ये प्रत्यावर्तन अस्थिर निदान हैं और मनोभ्रंश गलत निदान का परिणाम होने की संभावना है, हमने प्रत्यावर्तन (पूरक में eMethods) के साथ प्रतिभागियों के एक नमूने में ML मॉडल की वर्गीकरण सटीकता की जांच की। हमने प्रत्येक एमएल मॉडल द्वारा वर्गीकरण स्कोर आउटपुट के संचयी वितरण फ़ंक्शन (सीडीएफ) का उपयोग उन रोगियों के साथ प्रत्यावर्तन के साथ प्रतिभागियों की तुलना करने के लिए किया, जिन्होंने डिमेंशिया विकसित किया था और जो रोगी डिमेंशिया मुक्त रहे थे।

परिणाम

बेसलाइन पर मनोभ्रंश के निदान वाले {{0}} उपस्थित लोगों को बाहर करने के बाद, 4557 सहभागी जिनके पास कोई अनुवर्ती डेटा नहीं था, और 573 सहभागी जिन्होंने अपनी पहली यात्रा के 29 महीने से अधिक समय बाद अपना पहला अनुवर्ती किया था , अंतिम विश्लेषणात्मक नमूने में शामिल थे 15 307 प्रतिभागी (मतलब [एसडी] आयु, 72.3 [9.8] वर्ष; 9129 [60 प्रतिशत] महिलाएं और 6178 [40 प्रतिशत] पुरुष)। नमूना विशेषताओं को तालिका 1 में दिखाया गया है। बेसलाइन के 2 वर्षों के भीतर, 1568 प्रतिभागियों (10 प्रतिशत) ने मनोभ्रंश का निदान प्राप्त किया। मनोभ्रंश का निदान प्राप्त करने वाले 1568 प्रतिभागियों में से, 273 (17 प्रतिशत) का निदान एक ही चिकित्सक द्वारा किया गया था, और 1216 (78 प्रतिशत) का निदान एक आम सहमति पैनल द्वारा किया गया था; 79 प्रतिभागियों (5 प्रतिशत) के लिए, निदान का स्रोत निर्दिष्ट नहीं किया गया था। प्रत्येक मॉडल की भविष्य कहनेवाला शक्ति का आकलन करने वाले प्रमुख प्रदर्शन उपाय तालिका 2 में दिए गए हैं। मौजूदा मॉडलों की तुलना में, एमएल मॉडल भविष्यवाणी करने की उनकी क्षमता में बेहतर थे कि क्या कोई व्यक्ति 2 साल के भीतर मनोभ्रंश विकसित करेगा, और उन्होंने सभी उपायों पर मौजूदा मॉडल को बेहतर प्रदर्शन किया। समग्र सटीकता (92 प्रतिशत) और एयूसी (मतलब [एसडी], 0.92 [0.01]) द्वारा मापा जाने पर एक्सजीबी में सबसे बड़ी शक्ति होने के साथ सभी एमएल मॉडल ने समान रूप से अच्छा प्रदर्शन किया। प्रत्येक मॉडल के लिए रिसीवर ऑपरेटिंग विशेषता वक्र एमएल मॉडल के बीच समानता और 2 मौजूदा जोखिम मॉडल (चित्रा 1) की तुलना में उनकी श्रेष्ठता को दर्शाता है।

मनोभ्रंश उपप्रकारों में मॉडल प्रदर्शन

विभिन्न मनोभ्रंश उपप्रकारों में एमएल मॉडल के प्रदर्शन का आकलन करने के लिए, हमने जनसंख्या को 4 मनोभ्रंश उपप्रकारों में विभाजित किया: अल्जाइमर मनोभ्रंश (1285 प्रतिभागी), एलबीडी (82 प्रतिभागी), संवहनी मनोभ्रंश (21 प्रतिभागी), और अन्य मनोभ्रंश उपप्रकार (180 प्रतिभागी)। एलआर मॉडल अल्जाइमर डिमेंशिया और अन्य उपप्रकारों की पहचान करने में सबसे अच्छा था, अल्जाइमर डिमेंशिया के साथ 589 प्रतिभागियों (46 प्रतिशत) और अन्य उपप्रकारों के साथ 99 प्रतिभागियों (55 प्रतिशत) को सही ढंग से वर्गीकृत किया गया था। एसवीएम मॉडल ने 40 प्रतिभागियों (49 प्रतिशत) को सही ढंग से वर्गीकृत करते हुए एलबीडी वाले प्रतिभागियों पर सर्वश्रेष्ठ प्रदर्शन किया। सभी मॉडलों ने संवहनी मनोभ्रंश के साथ 7 प्रतिभागियों (33 प्रतिशत) को सही ढंग से वर्गीकृत किया। रिसीवर ऑपरेटिंग विशेषता घटता प्रदर्शित करता है कि सभी मॉडलों ने प्रत्येक उपप्रकार (पूरक में eचित्रा 1) पर लगभग समान रूप से अच्छा प्रदर्शन किया।

चर की न्यूनतम संख्या की जांच

एमएल दृष्टिकोण का उपयोग करने का एक संभावित दोष बड़ी संख्या में शामिल चर है। जैसे-जैसे मॉडल के लिए आवश्यक चरों की संख्या बढ़ती है, नैदानिक ​​​​सेटिंग में कार्यान्वयन कम व्यावहारिक हो जाता है और मॉडल की व्याख्यात्मकता क्षीण हो जाती है। यह आकलन करने के लिए कि प्रत्येक एमएल मॉडल को सभी 258 चर (तालिका 2) का उपयोग करके जो हमने पाया है, उसके बराबर भविष्य कहनेवाला शक्ति प्राप्त करने के लिए कितने चर की आवश्यकता है, हमने मूल्यांकन किया कि एयूसी मॉडल में शामिल चर की संख्या के साथ कैसे भिन्न है। विशेष रूप से, हमने प्रत्येक मॉडल के लिए वेरिएबल्स को महत्व के अवरोही क्रम में क्रमबद्ध करके रैंक किया है (यानी, एल्गोरिथम के अनुसार प्रत्येक चर की भेदभावपूर्ण शक्ति; पूरक में eMethods)। हमने बाद में प्रत्येक मॉडल को सबसे महत्वपूर्ण से शुरू करते हुए, चर की बढ़ती संख्या के साथ फिर से प्रशिक्षित किया। हमने पाया कि सभी मॉडलों को अपने इष्टतम माध्य प्रदर्शन से सांख्यिकीय रूप से अप्रभेद्य नैदानिक ​​प्रदर्शन प्राप्त करने के लिए केवल 22 चरों की आवश्यकता होती है (चित्र 2; पूरक में eचित्र 2)। परिवर्तनीय महत्व मूल्यांकन की वैधता सुनिश्चित करने के लिए जोड़े गए सिंथेटिक चर किसी भी मॉडल के लिए शीर्ष 22 चर में नहीं थे, इस तथ्य को दर्शाते हुए कि पूर्ण नैदानिक ​​​​प्रदर्शन तक पहुंचने के बाद, चर रैंकिंग को दृढ़ता से निर्धारित करने के लिए बहुत कम जानकारी थी।

प्रमुख जोखिम कारकों की पहचान

प्रत्येक मॉडल के लिए 22 सबसे महत्वपूर्ण चरों में से, केवल 5 सभी मॉडलों के लिए सामान्य थे (यानी, स्मृति में गिरावट का नैदानिक ​​निर्णय, संज्ञानात्मक क्षमता, व्यवहार, मामलों को प्रबंधित करने की क्षमता, या मोटर और आंदोलन परिवर्तन; ट्रेल मेकिंग टेस्ट पूरा करने का समय भाग बी; सीडीआर: अभिविन्यास हानि; सीडीआर: घर और शौक हानि; और स्वतंत्रता का स्तर)। शेष चरों में से 10 जोड़े थे जिनका सहसंबंध 0.7 से अधिक था, यह दर्शाता है कि वे समान चर थे (पूरक में eTable 3)। अत्यधिक सहसंबद्ध चरों के आदान-प्रदान द्वारा इस सहसंबंध के लिए लेखांकन, हमने पाया कि 6 अत्यधिक भविष्य कहनेवाला चर थे (गिरावट का नैदानिक ​​निर्णय, ट्रेल मेकिंग टेस्ट पार्ट बी को पूरा करने का समय, सीडीआर के 3 घटक [अभिविन्यास, स्मृति, और घर और शौक हानि], और स्वतंत्रता का स्तर) जो सभी एमएल मॉडल (पूरक में ईटेबल 4) के लिए सामान्य थे। केवल इन चरों का उपयोग करके प्रत्येक मॉडल को प्रशिक्षित करते हुए, हमने पाया कि LR और XGB के लिए, नैदानिक ​​प्रदर्शन में कोई उल्लेखनीय कमी नहीं आई: 6 चर के इस मूल सेट का उपयोग करते हुए, इन मॉडलों का माध्य (SD) सटीकता 91 प्रतिशत (0 था। एलआर के लिए प्रतिशत) और एक्सजीबी के लिए 91 प्रतिशत (1 प्रतिशत) और औसत (एसडी) एयूसी 0.89 (0.01) एलआर के लिए और 0.89 (0.02) एक्सजीबी के लिए (पूरक में eTable 5)।

नैदानिक ​​स्थिरता

2 वर्षों के भीतर मनोभ्रंश का निदान प्राप्त करने वाले 1568 प्रतिभागियों में से, हमने 130 (8 प्रतिशत) को प्रत्यावर्तन का अनुभव करने वाले के रूप में पहचाना, जिन्हें शुरू में गलत निदान किया गया था और इसलिए एमएल उद्देश्यों के लिए गलत लेबल किया गया था। हमने पाया कि जब केवल 0.8 प्रतिशत प्रतिभागियों में प्रत्यावर्तन की सूचना दी गई थी, तो उन्होंने 92 से 109 प्रतिभागियों (7 प्रतिशत -8 प्रतिशत) के लिए गलत वर्गीकृत प्रतिभागियों के लिए जिम्मेदार थे, जिसमें मॉडल (तालिका 3) के बीच थोड़ी भिन्नता थी। आरएफ मॉडल में उच्चतम नैदानिक ​​स्थिरता थी, 2 साल में डिमेंशिया मुक्त होने की भविष्यवाणी के रूप में उन्हें वर्गीकृत करके रिवर्स (84 प्रतिशत) के साथ 130 प्रतिभागियों में से 109 की सही पहचान की गई। एमएल मॉडल की नैदानिक ​​​​स्थिरता की जांच करने के लिए, हमने प्रशिक्षण के दौरान प्रतिभागियों को प्रत्यावर्तन के साथ हटा दिया (पूरक में eMethods)। बिना प्रत्यावर्तन के मॉडलों को फिर से प्रशिक्षित करने के बाद, हमने पाया कि RF ने 106 प्रतिभागियों की पहचान की जिन्होंने प्रत्यावर्तन का अनुभव किया (माध्य [IQR], 82 प्रतिशत [78 प्रतिशत -82 प्रतिशत ]), SVM ने 93 प्रतिभागियों की पहचान की जिन्होंने प्रत्यावर्तन का अनुभव किया (माध्य [IQR], 72 प्रतिशत [69 प्रतिशत -74 प्रतिशत]), और एलआर और एक्सजीबी दोनों ने 92 प्रतिभागियों की पहचान की, जिन्होंने प्रत्यावर्तन का अनुभव किया (माध्य [आईक्यूआर], 71 प्रतिशत [68 प्रतिशत -75 प्रतिशत])। IQRs बूटस्ट्रैपिंग प्रतिभागियों द्वारा प्राप्त किए गए थे जिन्होंने प्रत्यावर्तन का अनुभव किया था।

गलत वर्गीकृत प्रतिभागियों, प्रत्यावर्तन वाले प्रतिभागियों और बिना प्रत्यावर्तन के मनोभ्रंश विकसित करने वाले प्रतिभागियों के बीच अंतर को समझने के लिए, हमने प्रत्येक एमएल मॉडल से प्राप्त वर्गीकरण स्कोर के सीडीएफ का विश्लेषण किया। हमने पाया कि गलत वर्गीकृत प्रतिभागियों और प्रत्यावर्तन के साथ विशिष्ट प्रतिभागियों के स्कोर, डिमेंशिया विकसित करने वाले और नहीं करने वाले प्रतिभागियों से भिन्न थे (पूरक में eचित्र 3)। डिमेंशिया विकसित नहीं करने वाले प्रतिभागियों के लिए वर्गीकरण स्कोर के सीडीएफ प्रत्येक प्लॉट के बाईं ओर गिर गए, यह दर्शाता है कि एमएल मॉडल ने इन प्रतिभागियों को डिमेंशिया विकसित करने की कम संभावना दी है। इसके विपरीत, जिन प्रतिभागियों ने मनोभ्रंश विकसित किया था, उनके लिए CDF भूखंडों के दाईं ओर गिरे थे: उन्हें मनोभ्रंश विकसित होने की एक उच्च संभावना सौंपी गई थी। सभी मॉडलों के लिए, प्रत्यावर्तन वाले प्रतिभागियों के लिए अंकों का वितरण उन प्रतिभागियों के लिए बाईं ओर गिर गया, जिन्होंने मनोभ्रंश विकसित किया था, जिसका अर्थ है कि प्रत्यावर्तन वाले प्रतिभागियों का मूल्यांकन इन मॉडलों के अनुसार मनोभ्रंश के विकास की कम संभावना के रूप में किया गया था।

बहस

इस रोग-संबंधी अध्ययन में, एमएल एल्गोरिदम में बीडीएसआई और सीएआईडीई की तुलना में बेहतर रोगसूचक सटीकता थी, जो रोगी के पहले मेमोरी क्लिनिक मूल्यांकन के 2 वर्षों के भीतर मनोभ्रंश की घटनाओं की भविष्यवाणी करता था। दो एमएल एल्गोरिदम का मूल्यांकन 91 प्रतिशत की सटीकता और 0.89 के एयूसी को केवल 6 प्रमुख चर के साथ प्राप्त करने के लिए किया गया था। संवेदनशीलता विश्लेषणों से पता चलता है कि एमएल मॉडल उन प्रतिभागियों के उच्च अनुपात को सही ढंग से वर्गीकृत कर सकते हैं जिन्होंने प्रत्यावर्तन का अनुभव किया था, जिन्हें उनकी प्रारंभिक यात्रा के 2 वर्षों के भीतर संभावित रूप से गलत निदान किया गया था। इस अध्ययन में कई ताकतें हैं, जिसमें संयुक्त राज्य भर में कई मेमोरी क्लीनिकों से प्राप्त रोगियों के बड़े नमूने, उपयोग की जाने वाली एमएल तकनीकों की विस्तृत श्रृंखला, मौजूदा जोखिम मॉडल के खिलाफ बेंचमार्किंग और नैदानिक ​​स्थिरता और संभावित गलत निदान की खोज शामिल है।

मनोभ्रंश जोखिम की भविष्यवाणी के लिए एमएल के उपयोग में पूर्व के अध्ययनों ने अप्रभावित अनुभूति से अल्जाइमर मनोभ्रंश या एमसीआई, 6,8 या एमसीआई से अल्जाइमर मनोभ्रंश में रूपांतरण पर ध्यान केंद्रित किया है। ये दृष्टिकोण नैदानिक ​​​​सेटिंग में कम उपयोगी हैं, क्योंकि वे बाहर करते हैं अन्य प्रकार के मनोभ्रंश5,6,8 या रोगी जो शुरू में संज्ञानात्मक रूप से अप्रभावित हैं। इन अध्ययनों में उपयोग किए गए डेटा में पॉज़िट्रॉन एमिशन टोमोग्राफी स्कैन, 5,8, और मस्तिष्कमेरु द्रव बायोमार्कर शामिल हैं, जिनमें से 8 आमतौर पर मेमोरी क्लिनिक सेटिंग में उपलब्ध नहीं होते हैं। लिन एट अल6 द्वारा किए गए एक अध्ययन ने एनएसीसी डेटा का उपयोग करके 15 गैर-इनवेसिव नैदानिक ​​चरों के एक सेट को खोजने के लिए एक 4-वर्ष की अवधि में अप्रभावित अनुभूति से एमसीआई में रूपांतरण के जोखिम का आकलन करने के लिए इस पर काबू पाया। हालांकि, एमसीआई का निर्माण कुछ विवादास्पद बना हुआ है, 32, और एमसीआई और मनोभ्रंश के बीच रूपांतरण दर अक्सर कम होती है। 32,33 हमारे एमएल मॉडल इन विश्लेषणों के पूरक हैं और नैदानिक ​​​​रूप से प्रासंगिक समयसीमा पर केवल 6 प्रमुख चर को शामिल करने और भविष्यवाणी करने का लाभ है। सर्व-कारण मनोभ्रंश के परिणाम।

हमारे अध्ययन में जांचे गए मौजूदा मॉडलों में से, CAIDE मॉडल 2 वर्षों में मनोभ्रंश जोखिम की भविष्यवाणी करने में सबसे कम सटीक था, जो आश्चर्य की बात नहीं है, यह देखते हुए कि इसे मध्यम आयु वर्ग के वयस्कों में लंबे समय तक लंबे समय तक मनोभ्रंश जोखिम की भविष्यवाणी करने के लिए विकसित किया गया था। 20 साल की अनुवर्ती अवधि। BDSI ने CAIDE से बेहतर प्रदर्शन किया, संभवतः यह दर्शाता है कि इसे 6 वर्षों की अधिक मध्यम अनुवर्ती अवधि में वृद्ध वयस्कों में उपयोग के लिए डिज़ाइन किया गया था। हालांकि, सभी एमएल मॉडल ने इन मौजूदा मॉडलों से बेहतर प्रदर्शन किया। सभी चरों का उपयोग करते हुए, एक्सजीबी उन रोगियों की भविष्यवाणी करने में सबसे शक्तिशाली एमएल दृष्टिकोण था, जिन्हें 2 वर्षों के भीतर मनोभ्रंश का निदान होने की संभावना थी, यह सुझाव देते हुए कि जिस तरह से नए निर्णय पेड़ों को पिछले तीन परिणामों की त्रुटियों को ठीक करने के लिए प्रशिक्षित किया जाता है। बढ़त। हालांकि, एक्सजीबी भी उन प्रतिभागियों की पहचान करने में कम से कम सक्षम प्रतीत होता है जिन्होंने रिवर्सन का अनुभव किया, यानी, जिन्हें शुरू में 2 साल के भीतर डिमेंशिया का निदान किया गया था और प्रारंभिक निदान के 2 वर्षों के भीतर निदान उलट गया था।

गलत लेबल वाले प्रशिक्षण डेटा द्वारा एमएल मॉडल के प्रदर्शन को काफी कम किया जा सकता है। 34 काउंटरिंटुइटिवली, गलत लेबल वाले प्रशिक्षण डेटा को छोड़कर हमेशा प्रदर्शन में सुधार नहीं होता है। 35 जैसे-जैसे प्रशिक्षण डेटा में शोर का स्तर बढ़ता है, उस शोर को बाहर करने या कम करने का मूल्य कम हो जाता है यदि सत्यापन डेटा में एक ही शोर मौजूद है। 36 इस प्रकार, प्रशिक्षण डेटा को फ़िल्टर करने से प्रदर्शन अमान्यता डेटा भी कम हो सकता है, जैसा कि इस अध्ययन में पाया गया है। हालांकि, जब गलत लेबलिंग का स्तर लगभग 20 प्रतिशत से 40 प्रतिशत से कम होता है, तो गलत लेबल वाले डेटा को हटाने से सत्यापन डेटा सटीकता में सुधार हो सकता है, भले ही इसमें गलत लेबल वाला डेटा शामिल हो। 35,37,38 यह प्रशिक्षण में नैदानिक ​​स्थिरता की जांच के महत्व को दर्शाता है और सत्यापन डेटा: यहां तक ​​कि मानदंड मानक डेटा में त्रुटियां शामिल हैं।

प्रत्यावर्तन की देखी गई दर (8 प्रतिशत) एक अलग अमेरिकी आबादी पर आधारित 2019 के एक अध्ययन के समान थी। हमारे अध्ययन में, संज्ञानात्मक के आधार पर झूठी सकारात्मकता का प्रतिशत 7 प्रतिशत से 19 प्रतिशत तक भिन्न पाया गया। मूल्यांकन का इस्तेमाल किया। हमारे ज्ञान के लिए, यह एनएसीसी यूडीएस में संभावित गलत निदान का पहला विश्लेषण है और यह सुझाव देता है कि नैदानिक ​​निर्णय लेने वाली सहायता के रूप में एमएल का उपयोग करने से झूठी सकारात्मकता के गलत निदान को 84 प्रतिशत तक कम करने की क्षमता है। यह देखते हुए कि जिन रोगियों को प्रत्यावर्तन का अनुभव होता है, वे नैदानिक ​​​​दृष्टिकोण से नैदानिक ​​​​अर्थ में सीमा रेखा होते हैं, यह समझदार हो सकता है कि उनका वैसे भी पालन किया जाता है, यह देखते हुए कि नैदानिक ​​​​चिंता के आधार हैं। इस प्रकार, नैदानिक ​​निर्णय लेने में सहायता के लिए XGB सबसे अच्छा मॉडल हो सकता है। वैकल्पिक रूप से, एक पहनावा दृष्टिकोण जो संभावित नैदानिक ​​​​स्थिरता और गर्भपात की संभावना के बारे में माध्यमिक भविष्यवाणियां करता है, और भी अधिक उपयोगी साबित हो सकता है।

सीमाओं

इस स्टडी की कई सीमाएं हैं। सबसे पहले, CAIDE और BDSI दोनों को इस अध्ययन में इस्तेमाल की गई आबादी के लिए अलग-अलग आबादी का उपयोग करके विकसित किया गया था। इन मॉडलों के विकास के लिए उपयोग किए जाने वाले सभी चर यूडीएस में सटीक समकक्ष नहीं थे, जिसने इस डेटा सेट में उनके प्रदर्शन को प्रभावित किया हो सकता है। दूसरा, डेटा को आरोपित करने के लिए उपयोग की जाने वाली विधि के परिणामस्वरूप आरोपण त्रुटि हो सकती है। विशेष रूप से, आरोपण सभी लापता मानों को एक संख्यात्मक मान के साथ बदल देता है, फिर भी कुछ मान अन्य मान के साथ उनके संबंध के कारण गायब हैं; इसलिए, तथ्य यह है कि एक मूल्य गुम है जानकारीपूर्ण है। हालांकि, जबकि प्रतिभागियों के पास 14 प्रतिशत लापता डेटा का मतलब था, 1 प्रतिशत प्रतिभागियों के औसत के लिए पहचाने गए 6 प्रमुख चर गायब थे। तीसरा, हालांकि हमारे अध्ययन ने संयुक्त राज्य अमेरिका में मेमोरी क्लिनिक में उपस्थित लोगों के एक बड़े नमूने का उपयोग किया, जिससे हमारे परिणाम इस सेटिंग पर अत्यधिक लागू हो गए, ये परिणाम अन्य आबादी के लिए किस हद तक सामान्य होंगे यह अज्ञात है।

निष्कर्ष

इस पूर्वानुमान संबंधी अध्ययन में पाया गया कि एमएल मॉडल मौजूदा डिमेंशिया जोखिम भविष्यवाणी मॉडल से बेहतर प्रदर्शन करते हैं और स्मृति क्लीनिक में 2 वर्षों में घटना मनोभ्रंश की भविष्यवाणी में सुधार करने की क्षमता हो सकती है। इस अध्ययन में पहचाने गए मनोभ्रंश जोखिम के छह प्रमुख कारकों में स्मृति क्लीनिकों में नैदानिक ​​​​अभ्यास में सुधार करने की क्षमता हो सकती है यदि भविष्य में नैदानिक ​​​​निर्णय लेने वाली सहायता में शामिल किया गया हो।