Forudsigelse af MMSE-score for kognitiv svækkelse
22. november 2024 opdateret af: Blekinge Institute of Technology
Forudsigelse af MMSE-score for kognitiv svækkelse: En maskinlæringsanalyse af oral sundhed og demografiske data hos personer over 60 år
Denne undersøgelse har til formål at udforske potentialet ved at bruge maskinlæringsalgoritmer (ML) til at forudsige kognitiv status, specifikt MMSE-score, baseret på oral sundhed og demografiske data.
Målet er at evaluere effektiviteten af forskellige ML-modeller og identificere de mest relevante orale sundhedsindikatorer til at forudsige MMSE-score på 30 (normal kognition) eller ≤26 (kognitiv svækkelse) hos personer på 60 år og derover.
Studieoversigt
Status
Afsluttet
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Denne tværsnitsundersøgelse anvender oral sundhed og demografiske data fra to eksisterende kohortestudier: det europæiske samarbejdsstudie Support Monitoring and Reminder Technology for Mild Dementia (SMART4MD) og den svenske nationale undersøgelse om aldring og pleje (SNAC-B). Deltagere på 60 år eller ældre vil blive inkluderet i analysen. Dataene vil blive brugt til at udvikle og evaluere maskinlæringsmodeller til at forudsige kognitiv status.
Mål:
- Primært mål: At vurdere potentialet af orale sundhedsparametre til binær klassificering af MMSE-score (30 vs. ≤26).
- Sekundært mål: At identificere de mest indflydelsesrige orale sundhedsparametre, der bidrager til forudsigelser af kognitiv svækkelse.
- Tertiært mål: At sammenligne ydeevnen af Random Forest (RF), Support Vector Machine (SVM) og CatBoost (CB) klassifikatorer til at forudsige MMSE-score ved hjælp af orale sundhedsdata.
Undersøgelsestype
Observationel
Tilmelding (Faktiske)
693
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
-
Karlskrona, Sverige, 37179
- Blekinge Institute of Technology
-
-
Deltagelseskriterier
Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Ja
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
Data indsamlet fra den europæiske samarbejdsundersøgelse Support Monitoring and Reminder Technology for Mild Demens (SMART4MD) og den svenske nationale undersøgelse om aldring og omsorg (SNAC-B) vil blive analyseret.
Deltagere på 60 år eller ældre vil blive inkluderet i analysen.
Beskrivelse
Inklusionskriterier:
- Personer i alderen 60 år eller ældre.
- Deltagere med registrerede orale sundhedsparametre og MMSE-score på enten 30 eller ≤26.
Ekskluderingskriterier:
- Personer med MMSE-score på 27, 28 eller 29, da disse scores repræsenterer en overgangsfase mellem normal kognition og kognitiv svækkelse, som kunne introducere variabilitet.
- Personer under 60 år.
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
MMSE ≤26
339 deltagere
|
Et datasæt bestående af deltagere med MMSE-score på ≤26 og 30 vil blive brugt til at evaluere klassifikationspræstationen af forskellige maskinlæringsteknikker.
Andre navne:
|
|
MMSE 30
354 deltagere
|
Et datasæt bestående af deltagere med MMSE-score på ≤26 og 30 vil blive brugt til at evaluere klassifikationspræstationen af forskellige maskinlæringsteknikker.
Andre navne:
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Detektionsydelse
Tidsramme: 5 måneder
|
Undersøgelsen måler klassificeringsydelsen af Machine Learning-klassifikatorer.
Ydeevnemålinger, nøjagtighed, præcision, genkaldelse, F1-Score og forvirringsmatrix vil blive brugt til evalueringen.
Undersøgelsen af de vigtigste funktioner var baseret på SHAP-oversigtsplot, der gav visualiseringer af parametergruppernes indflydelse på outputtet, organiseret efter deres betydning.
Denne vigtighed er baseret på SHAP-værdier, der giver indsigt i funktionernes indvirkning på ML-modellens beslutningsproces
|
5 måneder
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
Datoer for undersøgelser
Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.
Studer store datoer
Studiestart (Faktiske)
10. juni 2024
Primær færdiggørelse (Faktiske)
10. oktober 2024
Studieafslutning (Faktiske)
10. november 2024
Datoer for studieregistrering
Først indsendt
17. september 2024
Først indsendt, der opfyldte QC-kriterier
20. september 2024
Først opslået (Faktiske)
25. september 2024
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Anslået)
25. november 2024
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
22. november 2024
Sidst verificeret
1. september 2024
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- BTH-6.1.1-0156-2024
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
INGEN
IPD-planbeskrivelse
Deltagerdata kan ikke deles på grund af GDPR.
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .