このビデオの目的は、主に記憶と言語に関連する低認知能力を実行するために予想以上に困難を伴う軽度の認知障害の費用対効果の高いスクリーニングを設計する方法を説明することです。高齢者に影響を与えるこの種の状態の重要性と、この手順の汎用性を強調したいと考えています。この手順は、他の疾患に容易に適応することができ、高価なスクリーニングを実現可能なスクリーニングに変換する。
コクラン系統レビューを検索して、画面に表示する条件の条件を確認します。例えば、私たちの研究では、認知障害や認知症は危険因子と結合しました。PubMed用語の検索は、認知の悪化や認知症との関係のいくつかの証拠を提示します。
認知の悪化や認知症との関連のより多くの証拠を持つ変数を選択して、アンケートを詳しく説明します。「認知障害」と危険因子としての用語を含む徹底的な検索は、PubMedとコクラン系統レビューを使用して行われました。科学文献に現れる最も多くの要因をコンパイルすることを目的として研究を開始する前に.
認知障害に関連する可能な特性として、特にコクランデータベースでは、認知障害または認知症という用語を持つすべての記事、およびセックス、教育レベル、認知活動、身体活動、糖尿病、高血圧、コレステロール、うつ病、肥満、喫煙、アルコール、睡眠、食事、および経済状態の用語を持つPubMedの記事で聞かれました。認知障害と組み合わせて"または認知症, あまりにも.したがって、認知の悪化や認知症との関係のいくつかの証拠を提示する書誌レビューで変数を使用してアンケートを詳述しました。
アンケートは、選択された関連変数の情報を使用して設計されます。私たちのパフォーマンス研究では、選択された変数は、認知の悪化に頻繁に関連するうつ病の有無に加えて、人口統計学的ライフスタイルおよび慢性病理である。薬の消費は、方法論に従って収集されました.
解剖学的治療化学コードは、薬物を分類するために使用されました.選択されたスクリーニング試験は、薬剤師などの主要な健康のスタッフによって投与することができる。試験を行うために必要な基本的な特性を考慮に入れていました。
特に、スペイン内戦に住んでいた読み書きができないスペインの高齢者にとって、私たちの提案は、好意の短いポータブル精神状態アンケートを使用していましたし、ミニメンタルステート検査の両方が識字率を必要とするため、メモリクリニックで広く使用されています。募集された人は、65歳以上の非制度化された患者で、定期的に薬局に行き、本研究に参加することを望んでいました。評価テストを行うことが困難な人や認知症の治療を受けている人は除外されます。
研究参加者は、次の基準の少なくとも1つが満たされたときに認知障害とみなされます。ショートポータブル精神状態アンケートのデータスコアは、読み書きができない参加者の場合は4ポイント以上、他の被験者では3ポイント以上です。修正されたミニメンタル状態検査試験で24点以下。
認知障害のある参加者は、臨床診断のために神経科医として医療専門家に紹介されます。薬剤師の研究者は、認知障害に関する基礎知識とスクリーニングツールの管理に関する基礎知識の訓練を受けています。65歳以上の人口における認知障害および潜在的な社会由来因子を検出するための横断的研究はデザインです。
認知障害の有病率の推定サンプルサイズは541人で、損失による10%の増加で、600人です。コミュニケーションレターは、プロジェクトについて知らせるヘルスケアネットワーク間で設計されています。特定のテストによる確定診断は、図に示すプロトコルに従って、専門的なケアのために予約されています。
これは、機械学習技術を適用する前の独自のステップであり、適用されるアルゴリズムのp検定に従ってデータを変換します。デシジョンツリーを生成するアルゴリズムは、変数間で変動性または相関性を変化させるものです。したがって、変数の分類に焦点を当てています。
例えば、薬剤療法のフォローアップシートに応じて、解剖学的治療化学分類コードの第2および第3レベルに従って患者が薬物を服用しているかどうかを分類する変数を生成する。各変数に対してロジスティック回帰分析を実行し、デシジョン ツリーを生成するためにデータ セットに含めるほどの重要度があるかどうかを評価しました。可能な認知機能低下の中で最大量の精度を得るために、いくつかの機械学習技術が組み立てられています。
最後に、再帰的請願アルゴリズムに基づいてコアの80%とツリーモデルを持つモデルを開発し、スクリーニングで最も有意な変数を得るためのデシジョンツリーを開発しました。トレーニング データ セットに適用される機械学習アルゴリズムは、データ セット全体の 80% で構成されます。残りのパーツは、モデルの精度を推定するために使用されます。
データ・セットはバランスが取れていると予想され、ダウンサンプリングはこの問題に直面する手法の1つです。スクリーニングのために、私たちは偽陰性の数を可能な限り減らすことに非常に興味があります。これは損失行列の上PA選択によって達成することができる。
アルゴリズムの最適なパラメータは、クロス検証で選択されました。私たちの横断的な研究は、65歳以上の728人の非制度化された参加者と行われました。100人27人の参加者が軽度の認知障害検査で陽性を得る。
陽性と分類された参加者は臨床診断と呼ばれた。軽度の認知障害を持つユーザーの割合を推定する研究を行った後、変数を選択することを目的として、すべての変数で新しい変動ロジスティック回帰が実行されます。より有意な変数の一部については、オッズ比の99%信頼区間がこの誤差棒グラフに表示されます。
これは、オッズ比の信頼区間に対する共通の相互表現であり、オッズ比には低いスケールが使用されます。p値が 0.01 より大きいこれらの変数はすべて、デシジョン ツリーに基づいてワイド ボックス モデルを生成するために選択されますが、p 値が大きい他の多くの変数はモデルを生成するために選択されていません。たとえば、これらのプレーン変数の場合、オッズ比の99%信頼区間が値1に含まれます。
したがって、p値は0.01より高くなります。この前処理の後、データ セットをトレーニング データ テストとテスト データセットに分割しました。ディシジョン ツリーは、583 人の個人で構成される入力としてトレーニング データ セットに生成され、145 人のユーザーを含むテスト セットで検証されます。
アルゴリズムのパフォーマンスは、テストセット内のROC曲線下の領域によって評価されています。Rで車のライブラリを使用した後、各ユーザーのために、結果の木は、ユーザーが軽度の認知障害テストを受けるべきかどうかの確率と勧告を割り当てた。これらは、ツリーの最終ノードに依存します。
ボックスの下部の値は、トレーニング セット内でこれらの特性を持つ個人の割合です。暖かいは箱の色であり、軽度の認知障害検査で陽性である可能性が高い。トップノードは、メモリの不満の欠如の質問に対応することに注意してください。
ここでは、肯定的な答えは左の枝に歓迎され、次の質問はユーザーの性別ですが、否定的な答えは右のブランチに行き、ユーザーの1日あたりの睡眠時間について尋ねることを意味します。ディシジョン ツリーの完全なキャスト機能を評価するために、ROC 曲線が表示されます。ROC曲線の下の面積は.0.763です。
軽度の認知障害テストを受けることについての木の勧告は、感受性を達成しました.0.76 の特異度が 0.7 で、図の青い点で表されます。その結果, 意思決定ツリーのツールで軽度の認知障害のリスクでユーザーを選択する短いインタビューは、有意に軽度の認知障害テストを取るユーザーの数を生成します, テスターのためにかなり時間がかかります.
この削減は、テストセットで推定することができ、観察されたクラスと予測されたクラスの混同行列を解釈します。実際、テストセットの145人のユーザーのうち55人がデシジョンツリーによって選択され、テストを受けるユーザーの62%が減少し、軽度の認知障害で陽性であるユーザーのほとんどは、すなわち25人中19人が選択されます。この研究の結論として、有病率が低い軽度の認知障害スクリーニングを考えると、研究研究のために考慮された17%など、機械学習技術によって適切な選択基準のセットを設計することが可能であり、軽度認知障害における陽性の割合をユーザーの間で30%以上まで増加させる。
その結果、これらのツールは、大幅なコスト削減でスクリーニングをより効率的に行うことを求めています。データ駆動型モデルは、削減されたモデルを構築するために最も重要な情報を理解することから利益を得る。ディシジョンツリーの構築は、軽度の認知障害テストを受けることを推奨している費用対効果の高い方法で差別するために、どの変数に焦点を当てるべきかについての洞察を与えてくれます。
プロトコル設計には時間がかかります。そのため, いくつかの他のテストは、わずか数分で軽度の認知障害の将来の検出のために考慮される可能性があります。.さらに、軽度認知障害の連鎖の有効性を高めるために、予防タスクとして65歳ではなく50歳でスクリーニング研究を行うことにしました。
薬剤師は、最もアクセス可能で定期的に訪問される医療従事者の一人であり、軽度の認知障害の早期発見に重要な役割を果たすことができます。
