Ensemble-oppimiseen perustuvan, moniulotteisen aistinvaraisen vajaatoiminnan pistemäärän kehittäminen kognitiivisen heikkenemisen ennustamiseksi Etelä-Italiassa sijaitsevassa iäkkäiden kohortissa (DEMETRA)

Tausta / Tekniikan taso Kuulo, näkö, hajuaisti ja maku ovat monimutkainen aistihermorakenne, joka liittyy biologisesti ikään (Gadkaree et al., 2016). Useat tutkimukset ovat kuvanneet niiden roolia ennustajina ikään liittyvissä neurodegeneratiivisissa prosesseissa, erityisesti kognitiiviseen heikkenemiseen liittyvissä prosesseissa (Brenowitz et al., 2020; Schubert et al., 2017). Kuulo ja näkö ovat tutkituimpia, ja ne tarjoavat vankkaa väestöpohjaista näyttöä (Gates et al., 2010; Panza et al., 2019; Sardone, Battista, et al., 2020) ja käyttämällä uraauurtavia tekniikoita, kuten verkkokalvon kuvantamista, erityiset kliiniset asetukset jälkimmäiselle. Perifeerisissä ja sentraalisissa muodoissaan kuulon heikkenemistä on pidetty yhtenä tärkeimmistä muunnettavissa olevista Alzheimerin dementian riskitekijöistä (Livingston et al., 2020). Kehon fyysisten tapahtumien havaitsemiseen liittyvistä aistisyötteistä nosiseptio ja proprioseptio edustavat joukkoa toimintoja, joiden kognitiivinen prosessointi on usein aliarvioitu. Tutkimukset ovat osoittaneet, kuinka tärkeitä ne ovat paitsi iäkkään yksilön globaalissa toiminnassa myös ja erityisesti kognitiivisissa toiminnassa. Ikääntymisprosessien ja nosiseption välisiä vuorovaikutuksia on tutkittu vähän, erityisesti kroonisen kivun ja globaalien kognitiivisten toimintojen välistä suhdetta (Nadar et al., 2016). Erityisesti erilaisten objektiivisten kognitiivisten toimintojen analysointitekniikoiden, kuten MRI:n ja yhden tai useamman aistien vajaatoiminnan aiheuttamien vuorovaikutusten välillä ei ole tarkkoja korrelaatioita.

Kunkin toimintayksikön toimintojen kuvaus ja jakautuminen

Pääyhteistyökumppaneilla on jaetut, mutta integroidut roolit hankkeen tavoitteita varten. Erityisesti voimme korostaa kahta päätoimialaa ja luettelon kunkin tutkimuskeskuksen päätoiminnoista:

1. Tutkimusrooli: kliininen ja instrumentaalinen arviointi

   • ASL BA - Hallitsee ilmoittautumista ja kognitiivis-käyttäytymisarvioinnin tutkimusasiantuntemusta
   • Scientific Clinical Institutes Maugeri (ICS-Maugeri): Tapausten rekisteröinti ja toiminnallinen ja somatosensoraalinen tutkimusasiantuntemus

2. Opiskelurooli: suunnittelu, mallintaminen ja ominaisuuksien kehittäminen

   • IRCCS - Tutkimuksen koordinointi, suunnittelu ja muodollinen analyysi, aistivammatutkimuksen asiantuntemus
   • Barin ammattikorkeakoulu (PoliBa) - tiedonhallinta ja suunnittelu, biosignaalien käsittely (OCT, elektrofysiologia, MRI) ja kokonaisoppimisarkkitehtuurien kehittäminen Aihearviointi jaetaan kliinisen ympäristön (ICS Maugeri) ja väestöympäristön (ASL BARI) kesken. IRCCS "S. De Bellis" tarjoaa asiantuntemusta sekä suunnittelun jalostukseen, suoritteiden ja virstanpylväiden luomiseen ja seurantaan sekä teknologiseen tukeen aistimittauksille. Itse asiassa tohtori Rodolfo Sardonen ja PI:n ja Co-PI:n välinen tiivis yhteistyö, josta on osoituksena lukuisat julkaisut aistinvaraisten vajaatoiminnan ja toiminnan heikkenemisen alalla, varmistaa vakiintuneen ja tehokkaan synergian ehdotetulla osaamisalueella.

ICS Maugeri on jo tehnyt yhteistyötä ryhmän kanssa myös muilla alueilla, mutta heidän roolinsa tässä projektissa on todella innovatiivinen. He vastaavat dementoituneiden henkilöiden rekrytoinnin varmistamisesta, olipa kyseessä sitten todennäköinen Alzheimerin dementia tai verisuonidementia. He myös tuovat mukanaan tohtori Pavesen asiantuntemusta toiminnallisten ja elämäntapatoimenpiteiden käyttöönotossa koko tutkittavalle otokselle. Professori Natoli puolestaan ​​tuo mukanaan asiantuntemusta kroonisen kivun arvioinnissa sekä subjektiivisilla että toiminnallisilla asteikoilla sekä morfologisen ja toiminnallisen MRI:n biolääketieteellisten signaalien tulkinnassa. Pääosin Barin ammattikorkeakoulun johtama teknologiaryhmä vastaa sekä tiedonkeruun infrastruktuurin luomisesta, fysiologisten signaalien käsittelystä (sekä elektrofysiologinen että verkkokalvon kuvantaminen ja MRI) sekä kaikista tutkimuspopulaatioissa kerätyistä muuttujista. Heidän asiantuntemuksensa ja synergistinen yhteistyö ryhmän kanssa esitellään sarjassa yhteisiä julkaisuja.

Erityinen tavoite 1 Arvioida erilaisten sensoristen mittareiden välistä erityistä yhteyttä (keskus- ja perifeerinen kuulonmenetys, verkkokalvon poikkeavuudet mitattuna MMA:lla, haju- ja makuobjektiiviset mittaukset, krooninen kipu sekä proprioseption subjektiiviset ja sähköfysiologiset mittaukset).

Erityistavoite 2 Kehittää moniulotteinen pistemäärä käyttämällä aistinvaraisia ​​piirteitä sekä kliinisiä ja elämäntapamuuttujia, jotta voidaan ennustaa dementian eri tyypit (Alzheimerin tauti, frontotemporaalinen dementia ja vaskulaarinen dementia) eri vaiheissa (lievä kognitiivinen häiriö ja normaali kognitio).

Erityistavoite 3 Luoda konnekominen kartta dementiatapausten MRI-morfologisista ja dynaamisista piirteistä ja niiden suhteista aistinvaraisiin piirteisiin, kuvaamalla kuvioiden eroja normaaleihin kognitiokontrolleihin verrattuna.

Kokeellisen suunnittelun tavoite 1

Tutkimusväestö:

Tämä pitkittäinen tutkimus suoritetaan käyttämällä monikeskistä poikkileikkauksen sisäkkäistä tapauskontrollisuunnittelua, jossa käytetään tietoja Casa della Salute -projektista Castellana Grottessa ja ICS Maugeri - Pavian kliinisestä neuro-kuntoutuskeskuksesta.

Kognitiiviset vajaatoimintatapaukset valitaan ICS Maugeri - Pavia, Neurorehabilitation Unit -yksiköstä ja Casa della Saluten - ASLBA:n neuropsykologisten poliklinikkayksiköstä. Kognitiivinen normaali kontrolliryhmä johdetaan SALUS:n toissijaisista tiedoista Apulia-tutkimuksen lähtötilanteessa. SALUS on käynnissä vuonna 2012 aloitettu tutkimus Castellana Grotten (Apuglian alue, Etelä-Italia) edustavasta ikääntyneiden asukkaiden väestöstä. Tutkimuksen suunnittelu ja tiedonkeruumenetelmä on kuvattu yksityiskohtaisesti muualla (Sardone ym. 2021). Otokseen kuului 2038 osallistujaa vanhuksista (65+) Castellana Grotten asukkaista lähtötilanteessa (2012–2014). Tästä otoksesta johdetaan kaksi alaotosta: yksi kognitiivisesti normaaleista koehenkilöistä ja toinen, jolla on lievä kognitiivinen vajaatoiminta mukaanlukien/poissulkemiskriteerien mukaan.

Tapaukset: Mukana olevat tapaukset ovat kognitiivisen heikentymisen kahdessa eri vaiheessa: MCI ja dementia.

MCI-tapausryhmän mukaanottokriteerit ovat: 1) vähintään 65-vuotias ilmoittautumishetkellä: 2) sinulla on MCI (Montreal Cognitive Assessment, MOCA-testi, 15.5-26) 3) sinulla on oltava kliinisen, neuropsykologisen ja aistinvaraisen arvioinnin täydellinen tutkimus. Tapausryhmän poissulkemiskriteerit ovat 1) heillä ei ole henkistä kykyä ilmaista suostumustaan ​​seurannassa; 2) ovat kehittäneet vakavia pahanlaatuisia kasvaimia tai joille on tehty suuria hoitoja, jotka voivat aiheuttaa sensorisen toiminnan menetyksen tai kognitiivisen heikkenemisen; 3) sinulla on diagnosoitu masennus. MCI-tapausten kokonaismäärä on 45.

Dementiatapausryhmän mukaanottokriteerit ovat: 1) vähintään 65-vuotias ilmoittautumishetkellä: 2) sinulla on lievä tai keskivaikea kognitiivinen vajaatoiminta (Montreal Cognitive Assessment, MOCA-testi, alle 15,5) kliinisen, neuropsykologisen ja aistinvaraisen arvioinnin täydellinen tutkimus. Tapausryhmän poissulkemiskriteerit ovat 1) heillä ei ole henkistä kykyä ilmaista suostumustaan ​​seurannassa; 2) ovat kehittäneet vakavia pahanlaatuisia kasvaimia tai joille on tehty suuria hoitoja, jotka voivat aiheuttaa sensorisen toiminnan tai kognitiivisen heikkenemisen; 3) sinulla on diagnosoitu masennus. Dementiatapausten kokonaismäärä tulee olemaan 22 (kaikkien tutkimuspaikkojen joukossa).

Kontrollikohortti: Kontrollikohorttiryhmän mukaanottokriteerit ovat: 1) vähintään 65-vuotias ilmoittautumishetkellä: 2) kliinisen, neuropsykologisen ja aistinvaraisen arvioinnin täydellinen tutkimus 3) ei kognitiivista heikkeneminen (mitattu MOCA:lla suurempi 26). Kontrollien kokonaismäärä on vähintään 151 (1:5-jako huomioon ottaen).

Menetelmät: Tutkimuksesta saadut oftalmologiset, audiologiset, fyysiset, sensoriset (haju ja maku), kipu- ja kognitiiviset tiedot kullakin arviointihetkellä tallennetaan pilvipohjaisella tiedonsyöttölomakkeella, joka liittää jokaisen mittauksen ja kvantitatiivisen muuttujan juurikoodiin. jokainen tutkittava aihe. Tarkemmat tiedot löytyvät osiosta "Tiedonkeruumenetelmät".

Kokeilusuunnittelun tavoite 2 Kaikki tentistä saadut tiedot kullakin arviointihetkellä tallennetaan pilvipohjaisella tiedonsyöttölomakkeella, joka liittää jokaisen tutkittavan kohteen juurikoodiin jokainen mitta ja kvantitatiivinen muuttuja. Henkilötiedot (esim. nimi, ikä, sukupuoli, osoite) irrotetaan kliinisistä tiedoista alajakomatriisilla, jossa on käännöskoodi (arvioijille tuntematon), joka yhdistää perustiedot aihekoodiin.

Tulos: Kognitiivista heikkenemistä pidetään ensisijaisena tuloksena, erityisesti jokaisen henkilön siirtymistä MOCA-pisteistä 15,5–26 MOCA-pisteisiin, jotka ovat alle 15,5. Lisäksi MOCA-pisteiden aleneminen 10 %:lla katsotaan kognitiivisen heikkenemisen toissijaiseksi seuraukseksi jokaisessa arvioinnissa.

Moniaistinen pistemäärä: pisteet lasketaan käyttämällä erilaisia ​​lähestymistapoja, jotta herkkyysanalyysien eri yhdistelmillä voidaan valita tarkimman ennustevoiman omaava pistemäärä.

Fenotyyppipistemäärä luo järjestysmuuttujan, joka kumuloi jokaisen aistin globaalit häiriöt (esim. kuulonmenetys + näönmenetys kyllä\ei + hypogeusia + hyposmia) muuttujalla 0–4.

Ensemble Weighted Score: Jokaista aistia pidetään itsenäisenä painotettuna luokkana riippuen heikentyneen aistin muodostavien alavaurioiden määrästä. Esimerkiksi näönmenetysluokka luodaan käyttämällä raja-arvoja jokaiselle MMA-a-makromuuttujalle heikentyneelle (alle 25. prosenttipisteen) ja matalan näöntarkkuuden raja-arvoa. Jokainen muuttuja toteutetaan Random Forest -koneoppimismallissa, jonka ensisijainen tulos on riippuvainen muuttuja. Muuttujien johdettua järjestystä (kognitiivisen heikkenemisen ennustevoimana) käytetään kunkin muuttujan painottamiseen käyttämällä käänteistä järjestystä painotetun keskiarvon kertoimena käyttämällä nimittäjänä vaurioiden kokonaismäärää. Valvomaton pistemäärä: jokainen jatkuva muuttuja, jota käytetään kunkin aistin mittaamiseen (riippumatta korvien ja silmien heikentyneestä puolelta), toteutetaan autoenkooderin hermoverkkoalgoritmissa, joka pystyy vähentämään muuttujien ulottuvuutta. Enkooderit luovat pieniä kertoimia (koodeja), jotka selittävät yksittäisistä muuttujista johdetun kokonaisinformaation. Koodeja käytetään kunkin kohteen ennustajina jatkoanalyysissä.

Kovariaatit: erilaisia ​​yhteismuuttujia käytetään yhdistämisen tekijöinä, erityisesti tupakointi, työ- ja ympäristöaltistus, koulutus/sosiaalinen taloudellinen asema, fyysinen aktiivisuus ja BMI.

Mallintaminen: Joukko mukautettuja cox-suhteellisia malleja ja muita ei-parametrisiä aika-tapahtumamalleja ajetaan arvioimaan ehdotettujen eri pisteiden ja kognitiivisen heikkenemisen välistä yhteyttä. Lisäksi käytetään herkkyysanalyysiä eri menetelmillä mallin määrittämiseksi parhaan sovituksen ja ennustetehon suhteen. Koska malleissa on vähän havaintoja ja ottaen huomioon kovariaattien suuri määrä, ylisovitukseen kiinnitetään erityistä huomiota, mukaan lukien säännellyt regressiomallit.

Kokeellinen suunnittelutavoite 3

Aivojen MRI-hankinta ja -käsittely: Osallistujien osanäytteelle tehdään varjomaton MRI-skannaus 3T-skannerilla. Valitut tutkimukseen jo ilmoittautuneet aiheet valitaan seuraavien kriteerien mukaan:

n.5 keskusaudion prosessoinnin häiriödiagnoosi n.5 keskusaudion prosessoinnin häiriöllä ja kognitiivisella heikkenemisellä (MOCA alle 17,5) n. 5 vain kognitiivisilla häiriöillä (MOCA alle 17,5) n. 15 normaali kuulo ja kognitiiviset kontrollit Tämän osatutkimuksen tavoitteena on kuvata morfologisia eroja neljän pienen ryhmän välillä käyttäen sekä ohjattua että valvomatonta koneoppimisominaisuuden poimintaa ja ei-parametrisia tilastollisia oppimismenetelmiä. Erojen pitäisi luoda uutta tietoa kognition ja kuulotoimintojen välisistä rakenteellisista aivojen vuorovaikutuksista vanhemmilla koehenkilöillä.

Kontrollit rekisteröidään kaikki Bari-keskuksen ohjaimiin sekä Barin ja Pavian välisiin tapauksiin mukavuusnäytteenoton mukaan ilmoittautumistavoitteen saavuttamiseen asti.

MRI-protokolla sisältää T1-painotetun sekvenssin, protonitiheydellä painotetun sekvenssin, FLAIR-sekvenssin (fluid-attenuated inversion recovery) ja T2¿-painotetun gradienttikaikusekvenssin. Kaikissa sarjoissa viipaleen paksuus on 1,6 mm (nollapehmustettu 0,8 mm:iin), paitsi FLAIR-sekvenssissä, jossa se on 2,5 mm. Automatisoitua aivokudosten luokittelumenetelmää, joka perustuu k-lähimmän naapurin luokittelualgoritmiin, käytetään seuraavien kvantifiointiin: kallonsisäinen kokonaistilavuus (ICV), kokonaisaivotilavuus, harmaaaine (GM) tilavuus, valkoinen aine (WM) tilavuus ja aivo-selkäydinnesteen tilavuus (mm3).

Voxel-based morphometry (VBM) suoritetaan optimoidun VBM-protokollan mukaisesti. FMRIB-ohjelmistokirjastoa (FSL) käytetään VBM-tietojen käsittelyyn, ja kaikki GM- ja WM-tiheyskartat rekisteröidään epälineaarisesti standardi ICBM MNI152 GM- ja WM-malliin (Montreal Neurological Institute) 1 mm × 1 mm × 1. mm vokselin resoluutio. Myöhemmin kaikkiin kuviin sovelletaan spatiaalista modulaatiota ja tasoitusmenettelyä 3 mm (FWHM 8 mm) isotrooppisella Gaussin ytimellä (Ikram et al. 2015).

Tiedonkeruumenetelmät Henkilötiedot (esim. nimi, ikä, sukupuoli, osoite) irrotetaan kliinisistä tiedoista alajakomatriisilla, jossa on käännöskoodi (arvioijille tuntematon), joka yhdistää perustiedot aihekoodiin. POLIBAn tutkimusryhmä suunnittelee, kehittää ja toteuttaa kokonaisvaltaisen vuorovaikutteisen järjestelmän, joka sisältää rajapinnat tiedon poimimiseen, tekoäly-algoritmit tiedon analysointiin, käyttöliittymät datan visualisointiin ja vuorovaikutusta edellä mainituille tiedoille. POLIBA ottaa käyttöön ihmiskeskeisen suunnittelun [ISO9241-210] ja ottaa siten muut kumppanit aktiivisesti mukaan iteratiivisiin toimintoihin, jotka liittyvät vaatimusanalyysiin ja asteittain monimutkaisten järjestelmäprototyyppien suunnitteluun. POLIBA tutkii myös heterogeenisistä lähteistä peräisin olevia tietosuoja-yhteensopivia suositusalgoritmeja datan kokoamiseen sekä tekoälyalgoritmeja tietojen analysointiin. POLIBA tunnistaa visualisointiominaisuudet perustuen aistinvaraisiin/havaintomekanismeihin, jotka mahdollistavat tehokkaamman visualisoinnin, esittämisen ja vuorovaikutuksen.

Laboratorioarviointi: Kaikilta osallistujilta otetaan verinäytteitä ja analysoidaan tulehduksellisten ja metabolisten biomarkkerien varalta.

Fyysinen ja kognitiivinen arviointi: Lääkäri suorittaa koehenkilöiden fyysisen tarkastuksen, joka dokumentoi kaikki asiaankuuluvat anamnestiset tiedot aistinvaraisesta heikkenemisestä ja yleisestä terveydestä, erityisesti ammatillisessa tai iatrogeenisessä ympäristössä (esim. altistuminen ototoksisille aineille, optiselle ja/tai ionisoivalle säteilylle) ) ja elämäntapa (esim. ravitsemustila, tupakointi, koulutus). Actigraphs otetaan käyttöön keräämään tietoa fyysisestä aktiivisuudesta ja unen laadusta. Fyysistä suorituskykyä arvioidaan liiketekniikoilla. Lisäksi kerätään tietoja sosioekonomisesta asemasta sekä mielenterveys- ja mielialahäiriöistä. MOCA-testillä määritetään koehenkilöiden kognitiivinen taso saman istunnon aikana. 30 kohdan geriatrista masennusasteikkoa (GDS-30) käytetään masennuksesta kärsivien yksilöiden tunnistamiseen.

Kivun arviointi: Kipuasiantuntijan sekä fyysisen lääketieteen ja kuntoutuksen asiantuntijan suorittama fyysinen tutkimus, joka arvioi kivun syyn, vaikeusasteen ja luonteen sekä sen vaikutukset päivittäiseen toimintaan ja elämänlaatuun. Kivun voimakkuus arvioidaan 11-pisteen NRS:n (Numerical Rating Scale) mukaan. Potilaille lähetetään Brief Pain Inventory (BPI) -kyselylomake. Elämänlaatua arvioidaan SF-36-kyselyllä. Kipukynnykset arvioidaan myös kaikissa koehenkilöissä kvantitatiivisella aistitestillä (QST).

Kuulovaurion arviointi: otoskooppinen ja tympanometrinen tutkimus välikorvan sairauksien tarkistamiseksi. Puhdasääniaudiometriaa käytetään perifeerisen ARHL:n arvioimiseen äänieristetyssä studiossa erikoiskuulokkeilla. Puheen erottelupiste (SDS) määritellään prosenttiosuutena, joka tunnistaa 10 foneettisesti tasapainotetun italian sanan luettelon 30 dB:n tunnetasolla PTA-kynnyksen yläpuolella kummassakin korvassa. Ikään liittyvän CAPD:n tunnistamiseen käytetään SSI-ICM (Synthetic Sentence Identification With Ipsilateral Competitive Message) -testiä, joka mittaa keskusaudion dikoottista käsittelyä.

Silmäarviointi: Jokaiselle osallistujalle suoritetaan silmälääkärin perustutkimus: 1) Manuaalinen taittuminen ja kunkin silmän parhaiten korjatun näöntarkkuuden (BCVA) arviointi; 2) silmänsisäinen paine ja rakolamppubiomikroskopia; 3) Verkkokalvon optinen koherenssitomografia ja angiografia (OCT-A) skannataan pupillien laajentumisen jälkeen.

Maku- ja hajuaistin arviointi: Hajutoimintoa arvioidaan "Sniffin' Sticks" -paristolla. Osallistujille tarjotaan yksilölliset kynät, joita pyydetään sitten luokittelemaan ja kuvaamaan hajuja käyttämällä neljää erillistä kuvausta jokaiselle solulle. Neljän perusmaun (makea, suolainen, karvas ja hapan) makutoiminto testataan makuliuskoilla kynnysarvon yläpuolella (Burghart GmbH, Wedel, Saksa).

Tilastosuunnitelma Otoskoko laskettiin tapaus-kontrollilogiikalla: ottaen huomioon 18 %:n harvinaisimman aistivamman (ikään liittyvä kuulonaleneman) esiintyvyys ja todennäköisyyssuhde (OR) 2,1 kognitiivisen heikentymisen todennäköisyydelle koehenkilöt, joilla on ikään liittyvä kuulonalenema 95 %:n luottamustasolla ja 80 %:n halutulla teholla aikaisemman tutkimuksemme perusteella (Sardone et al. 2020), otoskoko on 22 kognitiivista heikentynyttä tapausta ja 45 lievää kognitiivista heikentynyttä tapausta ja vähintään 151 henkilöä kontrollikohortissa.

Potilaat rekisteröidään ei-todennäköisyyspohjaisen mukavuusnäytteenoton mukaisesti, jolloin tavoitekertymä on 218 potilasta, jotka sisällytetään ja jaetaan alaryhmiin edellä kuvattujen sisällyttäminen/poissulkemiskriteerien mukaisesti. Ottaen huomioon tutkimuksen tapauskontrollitutkimuksen suunnittelu, koko otos tarkastellaan poikkileikkaukseltaan kaikkien malliin sisältyvien ominaisuuksien osalta. Jotta noudatamme koko otoksen osuutta, joka edustaa Italian alueen vanhempaa väestöä (15 %), lisäämme kontrollit vähintään kaksinkertaiseksi tapausten lukumäärään (n = 151) verrattuna tapauksiin, joissa käytetään lähimpää. naapuritekniikka iän, sukupuolen ja koulutuksen mukaan.

Ominaisuussuunnittelu:

Kaikki tiedot tallennetaan pilvipohjaisilla syöttölomakkeilla, joita voivat käyttää kaikki tutkimusprojektiin osallistuvat käyttäjät eri osallistumiskeskuksissa. Tiedot liitetään liittimien kautta suoraan aistimittauslaitteistoon, ja ne integroivat OCT- ja MRI-kuvat DICOM-tekniikalla. Keräyksen jälkeen mitataan kerättyjen muuttujien täydellisyys. Jos muuttuja puuttuu enintään 30 % koko tietojoukosta, Multiple Imputation Chain Equation -yhtälöä käytetään yli 30 %, muuttujat jätetään analyysin ulkopuolelle. Jokainen muuttuja, joka myötävaikuttaa pistemäärän luomiseen, skaalataan, jotta sen jakautuminen normalisoituu ja sen suuruudet ovat vertailukelpoisia. Tämä vaihe on kriittinen käsiteltäessä suuria määriä muuttujia samassa mallissa, varsinkin jos ne ovat eri lähteistä. Aivokuvat jälkikäsitellään ja analysoidaan analyysivaiheessa, ja ne sisällytetään tietokantaan vasta tarkan laaduntarkistuksen jälkeen.

Tilastollinen analyysi

Otos jaetaan tapauksiin (kognitiivisen vajaatoiminnan kaksi eri vaihetta: MCI ja dementia) ja kontrolleihin (ei kumpaakaan tilaa). Kvantitatiivisten muuttujien normaalijakaumia testataan Kolmogorov-Smirnov-testillä. Siksi kliiniset ja toiminnalliset erot kuvataan molemmissa ryhmissä esiintyvyyden ja ryhmien välisten assosiaatioiden suhteen kaikkien muuttujien ja tutkimuksen aikana tallennettujen piirteiden osalta. Kvantitatiivisten muuttujien normaalijakaumia testataan Kolmogorov¿Smirnovin testillä. Tiedot raportoidaan jatkuvien mittausten keskiarvoina ± keskihajonnat (M±SD) sekä taajuudet ja prosentit (%) kaikille kategorisille muuttujille. Ryhmien välisiin käytännön eroihin keskittymiseksi p-arvojen sijaan vaikutuskoon (ES) suhteen ei käytetä nollahypoteesin merkitsevyystestiin (NHST) perustuvaa tilastollista lähestymistapaa. Siksi jatkuvien muuttujien väliset ES-erot lasketaan käyttämällä Cohenin d:n keskiarvoeroa, Hedge'n g:tä, kun samanlaisen varianssin oletus rikotaan, ja niiden ES:tä käyttämällä luottamusväliä. Niiden 95 %:n luottamusvälit (CI) lasketaan assosiaatioiden suuruuden olennaisten erojen arvioimiseksi. Ominaisuuden valintaa varten otetaan käyttöön koneoppimisalgoritmi, joka asettaa kunkin kovariaatin ennustusvoiman paremmuusjärjestykseen, joka on johdettu biologisesta näyteanalyysistä käyttämällä Shapley-arvojen luokittelua. Tilastolliset ja koneoppimismenetelmät:

Muuttujien valitsemiseen käytetään koneoppimismallia: Random Forest (RF). RF on kokonaisuusmalli, jossa ensemble-menetelmänä käytetään pussitusta ja yksittäisenä mallina päätöspuuta. Tämä menetelmä pystyy sekä valitsemaan muuttujat että asettamaan ne paremmuusjärjestykseen ennustevoiman suhteen ja parhaiten luokittelemaan valitun tuloksen. Jokaista aistia pidetään itsenäisenä painotettuna kategoriana sen mukaan, kuinka monta osavammaa aistivamma muodostaa. Esimerkiksi näönmenetysluokka luodaan käyttämällä raja-arvoja jokaiselle MMA-a-makromuuttujalle, joka on heikentynyt (alle 75. prosenttipisteen). Jokainen muuttuja toteutetaan satunnaisessa metsässä siten, että kognitiivinen heikkeneminen on riippuvainen muuttuja. Muuttujien johdettua järjestystä (kognitiivisen heikkenemisen ennustevoimana) käytetään kunkin muuttujan painottamiseen käyttämällä käänteistä järjestystä painotetun keskiarvon kertoimena käyttämällä nimittäjänä vaurioiden kokonaismäärää. Ensemble-malli valitaan, koska yksittäisten mallien yhdistäminen on yleensä joustavampi (vähemmän harhaa) ja vähemmän tietoherkkä (vähemmän varianssia).

Lisäksi, jotta voidaan verrata assosiaatiota tulokseen, ajetaan erilaisia ​​lineaarisia ja/tai logistisia malleja (tai muita ei-parametrisia malleja, muuttujista riippuen), jotta voidaan arvioida ehdotettujen pisteiden eri tasojen ja kognitiivisen heikentymisen välinen yhteys. . Lisäksi herkkyysanalyysiä käytetään muiden menetelmien kanssa mallin määrittämiseksi parhaan sovituksen ja ennustetehon suhteen. Erilaisia ​​yhteismuuttujia käytetään yhdistyksen tekijöinä, erityisesti tupakointia, työperäistä ja ympäristöön kohdistuvaa altistumista, koulutusta / sosioekonomista asemaa, fyysistä aktiivisuutta ja painoindeksiä. Kovariaattien suuren määrän vuoksi kiinnitetään erityistä huomiota ylisovitukseen, mukaan lukien säännelty regressiomenetelmä, jossa käytetään erilaisia ​​rangaistusregression meta-oppijoita parhaan rangaistustermin löytämiseksi kullekin mallille (Mahani ja Sharabiani, n.d.).