Az Ensemble Learning alapú, többdimenziós szenzoros károsodás pontszámának kidolgozása a kognitív károsodás előrejelzésére egy dél-olaszországi idős csoportban (DEMETRA)

Háttér / A technika állása A hallás, látás, szaglás és ízlelés összetett szenzoros neurális konstrukciót képviselnek, amely biológiailag kapcsolódik az életkorral (Gadkaree et al., 2016). Számos tanulmány leírta az életkorral összefüggő neurodegeneratív folyamatok előrejelző szerepét, különösen a kognitív hanyatlással kapcsolatosakat (Brenowitz et al., 2020; Schubert és mtsai, 2017). A hallás és a látás a legtöbbet feltárt terület, amelyek robusztus populációalapú bizonyítékokat szolgáltatnak (Gates és mtsai, 2010; Panza és mtsai, 2019; Sardone, Battista és mtsai, 2020), és úttörő technológiákat, például a retina képalkotását alkalmazzák. az utóbbira vonatkozó speciális klinikai beállítások. Perifériás és centrális formájában a halláskárosodást az Alzheimer-kór egyik fő módosítható kockázati tényezőjének tekintik (Livingston et al., 2020). A testben végbemenő fizikai események észlelésével kapcsolatos érzékszervi bemenetek közül a nocicepció és a propriocepció olyan funkciók halmazát képviseli, amelyek kognitív feldolgozása során gyakran alábecsülnek. Tanulmányok kimutatták, mennyire fontosak nemcsak az idősek globális működésében, hanem különösen a kognitív funkciókban is. Az öregedési folyamatok és a nocicepció közötti kölcsönhatásokat kevéssé vizsgálják, különösen a krónikus fájdalom és a globális kognitív funkciók közötti kapcsolatot (Nadar et al., 2016). Különösképpen nincs pontos összefüggés a különböző objektív kognitív funkcióelemzési technológiák, például az MRI és a szenzoros károsodásból származó egyszeri vagy többszörös interakciók között.

Az egyes működési egységek tevékenységeinek leírása és megoszlása

A fő együttműködők megosztott, de integrált szerepköröket fognak betölteni a projekt céljaira. Különösen két fő tevékenységi ágat emelhetünk ki, az egyes kutatóközpontok fő tevékenységeinek felsorolásával:

1. Tanulmányi szerep: klinikai és műszeres értékelés

   • ASL BA – Felügyeli a beiratkozási és kognitív-viselkedési értékelési kutatási szakértelmet
   • Maugeri Tudományos Klinikai Intézetek (ICS-Maugeri): Esetfelvétel, valamint funkcionális és szomatoszenzoriális kutatási szakértelem

2. Tanulmányi szerepkör: tervezés, modellezés és jellemzők kidolgozása

   • IRCCS – Tanulmányok koordinálása, tervezése és formális elemzése, érzékszervi károsodásokkal kapcsolatos kutatási szakértelem
   • Bari Politechnikai Egyetem (PoliBa) – adatkezelés és tervezés, biojelfeldolgozás (OCT, elektrofiziológia, MRI) és ensemble learning architektúrák fejlesztése A tantárgyak értékelése a klinikai környezet (ICS Maugeri) és a populáció beállítás (ASL BARI) között lesz megosztva. IRCCS "S. A De Bellis" szakértelmet fog nyújtani mind a tervezés finomításában, mind az eredmények és mérföldkövek létrehozásában és nyomon követésében, valamint technológiai támogatásban az érzékszervi mérésekhez. Valójában a Dr. Rodolfo Sardone és a PI és a Co-PI közötti szoros együttműködés, amelyet az érzékszervi károsodás és a funkcionális hanyatlás területén megjelent számos publikáció mutat, jól megalapozott és hatékony szinergiát biztosít a javasolt szakterületen.

Az ICS Maugeri más területeken is együttműködött már a csoporttal, de szerepük ebben a projektben valóban innovatív lesz. Ők lesznek felelősek a demens egyének eseteinek toborzásáért, függetlenül attól, hogy valószínűleg Alzheimer-kórban vagy vaszkuláris demenciában szenvednek. Dr. Pavese szakértelmével is hozzájárulnak a funkcionális és életmódbeli intézkedések bevezetéséhez, amelyeket az alanyok teljes mintájára kell alkalmazni. Prof. Natoli ezzel szemben a krónikus fájdalom értékelése területén, mind szubjektív, mind funkcionális skálákkal, valamint a morfológiai és funkcionális MRI-ből származó orvosbiológiai jelek értelmezésében járul hozzá szakértelmével. A lényegében a Bari Polytechnic által vezetett technológiai csoport felel majd mind az adatgyűjtési infrastruktúra létrehozásáért, mind a fiziológiai jelek feldolgozásáért (elektrofiziológiai és retina képalkotás és MRI egyaránt), valamint a vizsgálati populációkban gyűjtött összes változóért. Szakértelmüket és a csoporttal való szinergikus együttműködésüket egy sor közös publikáció mutatja be.

Konkrét cél 1 A különböző szenzoros mérések (centrális és perifériás halláscsökkenés, OCT-vel mért retina rendellenességek, objektív szaglás és ízlelés, krónikus fájdalom, propriocepció szubjektív és elektrofiziológiai mérések) közötti specifikus összefüggés felmérése.

2. specifikus cél Többdimenziós pontszám kidolgozása érzékszervi jellemzők, valamint klinikai és életmódbeli változók felhasználásával a demencia különböző típusainak (Alzheimer-kór, fronto-temporális demencia és vaszkuláris demencia) különböző stádiumú (enyhe kognitív károsodása és normál kogníció) előrejelzésére.

Konkrét cél 3. Konnekomikus térkép készítése a demenciás esetek MRI morfológiai és dinamikai jellemzőiről, valamint ezek kapcsolatáról a szenzoros jellemzőkkel, leírva a mintázatok különbségeit a normál kognitív kontrollokhoz képest.

Kísérleti tervezési cél 1

Tanulmányi népesség:

Ezt a longitudinális vizsgálatot egy többcentrikus keresztmetszeti, egymásba ágyazott eset-ellenőrzési terv felhasználásával hajtják végre a Castellana Grotte-i Casa della Salute projektből és az ICS Maugeri - Pavia Klinikai Neuro-rehabilitációs központjából származó adatok felhasználásával.

A kognitív károsodás eseteit az ICS Maugeri - Pavia Neurorehabilitációs Osztályából és a Casa della Salute - ASLBA Neuro-pszichológiai Ambuláns Osztályából választják ki. A kognitív normál kontrollcsoport a SALUS másodlagos adataiból származik az Apulia Study alapvonalában. A SALUS egy folyamatban lévő tanulmány, amelyet 2012-ben indítottak el Castellana Grotte (Puglia régió, Dél-Olaszország) idősebb lakosainak reprezentatív populációján. A vizsgálat tervezését és az adatgyűjtési módszert máshol részletesen ismertetjük (Sardone et al. 2021). A minta 2038 résztvevőt tartalmazott Castellana Grotte idős (65 év feletti) lakosai közül az alapvonalon (2012 és 2014 között). Ebből a mintából két alminta lesz levezetve: az egyik kognitívan normális alany és egy enyhe kognitív károsodással rendelkező a befogadási/kizárási kritériumok szerint.

Esetek: A felsorolt ​​esetek a kognitív károsodás két különböző stádiumában vannak: MCI és demencia.

Az MCI esetcsoportba való bekerülési kritériumok a következők lesznek: 1) legalább 65 évesnek kell lenni a beiratkozás időpontjában: 2) rendelkeznie kell MCI-vel (Montreal Cognitive Assessment, MOCA teszt, 15.5-26. között) 3) rendelkeznie kell a klinikai, neuropszichológiai és szenzoros kiértékelések teljes körű vizsgálata. Az esetcsoport kizárási kritériumai a következők: 1) nincs szellemi képessége ahhoz, hogy a nyomon követés során beleegyezését fejezze ki; 2) súlyos rosszindulatú daganatok alakultak ki, vagy jelentős terápiákon vesznek részt, amelyek az érzékszervi funkciók elvesztését vagy a kognitív hanyatlást okozhatják; 3) depressziót diagnosztizálnak. Az MCI-esetek száma összesen 45 lesz.

A demenciás esetek csoportjának besorolási kritériumai a következők: 1) legalább 65 évesnek kell lenni a beiratkozás időpontjában: 2) enyhe vagy közepes fokú kognitív károsodás (Montreal Cognitive Assessment, MOCA teszt, 15,5 alatt) a klinikai, neuropszichológiai és szenzoros kiértékelések teljes körű vizsgálata. Az esetcsoport kizárási kritériumai a következők: 1) nincs szellemi képessége ahhoz, hogy a nyomon követés során beleegyezését fejezze ki; 2) súlyos rosszindulatú daganatok alakultak ki, vagy jelentős terápiákon vesznek részt, amelyek szenzoros funkcióvesztést vagy kognitív károsodást okozhatnak; 3) depressziót diagnosztizálnak. A demenciás esetek száma összesen 22 lesz (az összes vizsgálati helyszín között).

Kontroll kohorsz: A kontroll csoport bekerülési kritériumai a következők: 1) legalább 65 évesnek kell lenni a beiratkozás időpontjában: 2) teljes körű klinikai, neuropszichológiai és szenzoros kivizsgáláson kellett átesnie 3) nem rendelkezik kognitív képességekkel. károsodás (MOCA-val mérve nagyobb 26). A kontrollok teljes száma legalább 151 lesz (az 1:5 arányú kiosztást figyelembe véve).

Módszerek: A vizsgálatból származó szemészeti, audiológiai, fizikai, érzékszervi (szaglás és ízlelés), fájdalom és kognitív adatok minden értékelési időpontban felhő alapú adatbeviteli űrlap segítségével rögzítésre kerülnek, minden mérőszámot és mennyiségi változót egy gyökérkódhoz társítva. minden vizsgált alany. További részletek az „Adatgyűjtési módszerek” részben találhatók.

Kísérleti tervezési cél 2. Minden értékelési időpontban a vizsgálatból származó összes adatot felhő alapú adatbeviteli űrlap segítségével rögzítjük, minden mérőszámot és mennyiségi változót minden vizsgált alany gyökérkódjához társítva. A személyes adatok (pl. név, életkor, nem, lakcím) leválasztásra kerülnek a klinikai adatoktól egy (az értékelők számára ismeretlen) fordítási kóddal ellátott felosztási mátrix segítségével, amely összekapcsolja a törzsadatokat a tárgykóddal.

Eredmény: A kognitív hanyatlást tekintik az elsődleges eredménynek, nevezetesen, hogy minden alany MOCA 15,5-26-ról 15,5-nél alacsonyabb MOCA-pontszámra vált. Ezenkívül a MOCA-pontszám 10%-os csökkenése minden értékelésnél a kognitív hanyatlás másodlagos eredményének számít.

Multiszenzoros pontszám: a pontszámot különböző megközelítésekkel számítják ki, hogy az érzékenységi elemzések különböző kombinációi segítségével válasszák ki a legpontosabb előrejelzési erővel rendelkező pontszámot.

A fenotípus pontszáma egy sorszámú változót hoz létre, amely minden érzékszervre vonatkozóan összesíti az összes globális károsodást (pl. hallásvesztés + látásvesztés igen\nem + hypogeusia + hyposmia) 0 és 4 közötti változóval.

Együttes súlyozott pontszáma: Minden érzékszerv független súlyozott kategóriának minősül, attól függően, hogy hány rész-károsodás alkotja a károsodott érzékszervet. Például a látásvesztés kategóriája minden OCT-a makrováltozóra vonatkozó határértékek (a 25. percentilis alatt) és az alacsony látásélesség határértékének felhasználásával jön létre. Minden változó egy Random Forest gépi tanulási modellben lesz implementálva, az elsődleges kimenetel függő változóként. A változók származtatott rangsorát (a kognitív hanyatlás előrejelzési erejét tekintve) a rendszer az egyes változók súlyozására fogja használni, a fordított rangot használva a súlyozott átlag szorzójaként, nevezőként a károsodások teljes számát használva. Felügyelet nélküli pontszám: minden egyes érzékszerv mérésére használt folytonos változó (függetlenül a fül és szem károsodott oldalától) egy autoencoder neurális hálózati algoritmusba kerül, amely képes csökkenteni a változók dimenzióit. A kódolók kis együtthatókat (kódokat) hoznak létre, amelyek megmagyarázzák az egyes változókból származó összes információt. A kódokat az egyes alanyok előrejelzőjeként fogják használni a további elemzés során.

Kovariánsok: különböző kovariánsokat használnak az összefüggés zavaró tényezőiként, különösen a dohányzás, a foglalkozási és környezeti expozíció, az iskolai végzettség, a társadalmi-gazdasági helyzet, a fizikai aktivitás és a BMI.

Modellezés: Számos kiigazított cox-arányos modellt és más nem-paraméteres idő-esemény-modellt fognak futtatni a javasolt különböző pontszámok és a kognitív hanyatlás közötti összefüggés értékelésére. Ezen túlmenően érzékenységelemzést alkalmaznak különböző módszerekkel a modell meghatározására a legjobb illeszkedés és az előrejelzési teljesítmény szempontjából. A modellekben található megfigyelések kis száma és a kovariánsok nagy száma miatt kiemelt figyelmet kell fordítani a túlillesztésre, beleértve a szabályos regressziós modelleket is.

3. kísérleti tervezési cél

Agyi MRI gyűjtése és feldolgozása: A résztvevők egy részmintáján kontraszt nélküli MRI-vizsgálatot végeznek 3T szkenneren. A vizsgálatba már beiratkozott kiválasztott alanyokat a következő kritériumok szerint választják ki:

n.5 központi hallásfeldolgozási zavarral n.5 központi hallásfeldolgozási zavarral és kognitív károsodással (MOCA alacsonyabb, mint 17,5) n. 5 csak kognitív károsodással (MOCA alacsonyabb, mint 17,5) n. 15 normál hallás és kognitív kontrollok Ennek az altanulmánynak a célja a morfológiai különbségek leírása a négy kis csoport között, mind felügyelt, mind nem felügyelt gépi tanulási jellemzők kinyerésével és nem-paraméteres statisztikai tanulási módszerekkel. A különbségeknek új ismereteket kell teremteniük az idősebb alanyok kogníció és hallásfunkciói közötti strukturális agyi kölcsönhatásokról.

A kontrollokat a Bari központ vezérlőelemei közé, valamint a Bari és Pavia közötti ügyek közé egy kényelmi mintavétel szerint rögzítik a beiratkozási cél eléréséig.

Az MRI protokoll tartalmazni fog egy T1 súlyozott szekvenciát, egy protonsűrűséggel súlyozott szekvenciát, egy fluid-attenuated inversion recovery (FLAIR) szekvenciát és egy T2¿-súlyozott gradiens visszhangszekvenciát. Minden szekvencia esetében a szeletvastagság 1,6 mm (nullapárnázás 0,8 mm-re), kivéve a FLAIR sorozatot, amelynél ez 2,5 mm lesz. A k-legközelebbi szomszéd osztályozó algoritmuson alapuló, automatizált agyszövet-osztályozási módszert használnak a következők számszerűsítésére: teljes koponyaűri térfogat (ICV), teljes agytérfogat, szürkeállomány (GM) térfogata, fehérállomány (WM) térfogata, és a cerebrospinális folyadék térfogata (mm3-ben).

A voxel alapú morfometria (VBM) egy optimalizált VBM protokoll szerint történik. Az FMRIB szoftverkönyvtárat (FSL) használják a VBM adatfeldolgozáshoz, és az összes GM és WM sűrűségtérképet nem lineárisan regisztrálják a szabványos ICBM MNI152 GM és WM sablonhoz (Montreal Neurological Institute) 1 mm × 1 mm × 1 méretben. mm voxel felbontás. Ezt követően térbeli modulációs és simítási eljárást alkalmazunk egy 3 mm-es (FWHM 8 mm) izotróp Gauss-maggal minden képen (Ikram et al. 2015).

Az adatgyűjtés módszerei A személyes adatok (pl. név, életkor, nem, lakcím) leválasztásra kerülnek a klinikai adatoktól egy (az értékelők számára ismeretlen) fordítási kóddal ellátott felosztási mátrix segítségével, amely összekapcsolja a törzsadatokat a tárgykóddal. A POLIBA kutatócsoportja egy átfogó interaktív rendszert tervez, fejleszt és valósít meg, beleértve az adatkinyerési felületeket, az adatelemzés mesterséges intelligencia (AI) algoritmusait, az adatvizualizációs felhasználói felületeket és a fent említett adatok interakcióját. A POLIBA egy emberközpontú tervezési megközelítést alkalmaz [ISO9241-210], így aktívan bevonja a többi partnert a követelményelemzés iteratív tevékenységeibe és az inkrementális komplexitású rendszerprototípusok tervezésébe. A POLIBA tanulmányozni fogja a heterogén forrásokból származó adatösszetételre vonatkozó ajánlási algoritmusokat és az adatelemzésre szolgáló mesterséges intelligencia-algoritmusokat. A POLIBA szenzoros/perceptuális mechanizmusok alapján azonosítja a vizualizációs jellemzőket, amelyek hatékonyabb vizualizációt, bemutatást és interakciót tesznek lehetővé.

Laboratóriumi értékelés: Minden résztvevőtől vérmintát vesznek, és gyulladásos és metabolikus biomarkerek szempontjából elemzik.

Fizikai és kognitív értékelés: Az alanyokat egy orvos fizikális vizsgálatnak veti alá, aki dokumentál minden lényeges anamnesztikus információt az érzékszervi károsodásra és az általános egészségi állapotra vonatkozóan, különösen a foglalkozási vagy iatrogén környezetben (pl. ototoxikus anyagoknak való kitettség, optikai és/vagy ionizáló sugárzás). ), és életmód (pl. tápláltsági állapot, dohányzás, végzettség). A fizikai aktivitással és az alvás minőségével kapcsolatos adatok gyűjtésére aktigráfokat alkalmaznak. A fizikai teljesítményt mozgástechnikával értékeljük. Ezenkívül adatokat gyűjtenek a társadalmi-gazdasági állapotról, valamint a mentális és hangulati zavarokról. A MOCA-tesztet az alanyok kognitív szintjének meghatározására használják ugyanazon a foglalkozáson. A 30 tételből álló Geriátriai Depresszió Skála (GDS-30) a depressziós egyének azonosítására szolgál.

Fájdalomfelmérés: Fájdalomspecialista, valamint fizikogyógyászati ​​és rehabilitációs szakember által végzett fizikális vizsgálat, aki értékeli a fájdalom okát, súlyosságát és természetét, valamint a mindennapi működésre és életminőségre gyakorolt ​​hatását. A fájdalom intenzitását a 11 pontos NRS (Numerical Rating Scale) szerint értékelik. A Brief Pain Inventory (BPI) kérdőívet elküldik a betegeknek. Az életminőséget az SF-36 kérdőív fogja értékelni. A fájdalomküszöböt minden alanyban kvantitatív szenzoros teszteléssel (QST) is értékelik.

Halláskárosodás felmérése: otoszkópos és timpanometrikus vizsgálat a középfül állapotának ellenőrzésére. Tiszta tónusú audiometriát használnak a perifériás ARHL értékelésére egy hangszigetelt stúdióban, speciális fejhallgatóval. A beszéddiszkriminációs pontszám (SDS) a 10 fonetikailag kiegyensúlyozott olasz szót tartalmazó lista felismerésének százalékos aránya, 30 dB-es érzékelési szinten a PTA küszöbérték felett mindkét fülnél. A központi hallási dichotikus feldolgozást mérő szintetikus mondatazonosítás azonos oldali versengő üzenettel (SSI-ICM) tesztet az életkorral összefüggő CAPD azonosítására fogják használni.

Szemvizsgálat: Minden résztvevő átesik egy alapvető szemészeti vizsgálaton: 1) Manuális fénytörés és az egyes szemek legjobban korrigált látásélességének (BCVA) értékelése; 2) intraokuláris nyomás és réslámpás biomikroszkópia; 3) A retina optikai koherencia tomográfiája angiográfiával (OCT-A) a pupillatágítás után kerül leolvasásra.

Íz- és szaglásvizsgálat: A szaglási funkciót a "Sniffin' Sticks" elem segítségével értékeljük. Egyedi tollakat kapnak a résztvevők, majd megkérik őket, hogy kategorizálják és írják le a szagokat négy különböző leírással minden cellához. A négy alapíz (édes, sós, keserű és savanyú) ízműködését a küszöbérték feletti koncentrációjú ízcsíkokkal tesztelik (Burghart GmbH, Wedel, Németország).

Statisztikai terv A minta méretét eset-kontroll logikával számítottuk ki: figyelembe véve a legkevésbé gyakori szenzoros károsodás (életkorral összefüggő halláskárosodás) 18%-os prevalenciáját és 2,1-es esélyhányadost (OR) a kognitív károsodás megfigyelésének valószínűségére Az életkorral összefüggő halláskárosodásban szenvedő alanyok 95%-os megbízhatósági szinttel és a kívánt 80%-os teljesítménnyel korábbi vizsgálatunk alapján (Sardone et al. 2020), a minta mérete 22 kognitív károsodásos esetből és 45 enyhe kognitív károsodásos esetből áll majd, és legalább 151 alany a kontroll kohorszban.

A betegek felvétele nem valószínűségi kényelmi mintavétel alapján történik, 218 betegből álló célhalmozással, a fent leírt felvételi/kizárási kritériumok szerint beszámítva és felosztva. Tekintettel a vizsgálat eset-kontroll kutatási tervére, a teljes mintát keresztmetszetileg megfigyeljük a modellben szereplő összes jellemző tekintetében. Annak érdekében, hogy a teljes minta egy olasz régió idősebb népességét reprezentatív arányban (15%) képviselje, a kontrollokat az esetek számának legalább kétszeresére növeljük (n = 151), a legközelebbi esetekkel párosítva. szomszéd technika az életkor, nem és végzettség szerint.

Feature Engineering:

Minden adatot felhő alapú beviteli űrlapokkal rögzítünk, amelyeket a kutatási projektben résztvevő összes felhasználó használhat a különböző résztvevő központokban. Az adatok csatlakozókon keresztül közvetlenül az érzékszervi mérőberendezéshez kapcsolódnak, és integrálják az OCT és MRI képeket DICOM technológiával. A gyűjtést követően az összegyűjtött változók teljességének mérésére kerül sor. Ha a teljes adatkészlet 30%-áig hiányzik egy változó, akkor a többszörös imputációs lánc egyenletet 30% felett működtetjük, a változókat kizárjuk az elemzésből. Minden olyan változót, amely hozzájárul a pontszám létrehozásához, skálázzuk, hogy normalizáljuk eloszlását és összehasonlíthatóvá tegyük a nagyságrendjüket. Ez a lépés kritikus fontosságú nagy mennyiségű változó kezelésében ugyanabban a modellben, különösen, ha azok különböző forrásból származnak. Az agyi képek az elemzési fázisban utófeldolgozásra, elemzésre kerülnek, és csak pontos minőségellenőrzés után kerülnek be az adatbázisba.

Statisztikai elemzés

A mintát esetekre (a kognitív károsodás két különböző szakasza: MCI és demencia) és kontrollokra (egyik állapot sem) osztják. A kvantitatív változók normál eloszlását Kolmogorov-Smirnov teszttel teszteljük. Ezért a klinikai és funkcionális különbségeket a két csoport esetében a gyakoriság és a csoportok közötti asszociációk tekintetében ismertetjük az összes változó és a vizsgálat során rögzített jellemzők tekintetében. A kvantitatív változók normál eloszlását Kolmogorov¿Smirnov teszt segítségével teszteljük. Az adatokat a folyamatos mérések átlag±szórása (M±SD), valamint gyakoriság és százalék (%) formájában jelentik az összes kategorikus változónál. Annak érdekében, hogy a csoportok közötti gyakorlati különbségekre összpontosítsunk, a p-értékek helyett a hatásméret (ES) tekintetében, a nullhipotézis szignifikancia teszten (NHST) alapuló statisztikai megközelítést nem alkalmazzuk. Ezért a folytonos változók közötti ES különbségek kiszámítása a Cohen-féle d átlagok közötti különbség, a Hedge-g érték, ha a hasonló variancia feltételezése sérül, és az ES a konfidenciaintervallumok felhasználásával történik. 95%-os konfidencia intervallumukat (CI) számítjuk ki, hogy felmérjük az asszociáció nagyságrendjének lényeges különbségeit. A jellemzők kiválasztásához egy ensemble gépi tanulási algoritmust alkalmaznak az egyes kovariánsok prediktív erejének rangsorolására, amely a biológiai mintaelemzésből származik, a Shapley-értékek rangsorolása segítségével. Statisztikai és gépi tanulási módszerek:

A változók kiválasztásához egy gépi tanulási modellt kell használni: a véletlenszerű erdőt (RF). Az RF egy ensemble modell, amely a zsákolást ensemble módszerként használja, és egy döntési fát egyéni modellként. Ez a módszer képes mind a változók kiválasztására, mind a predikciós erő szempontjából rangsorolására, és leginkább a kiválasztott eredmény osztályozására. Minden érzékszerv független súlyozott kategóriának minősül, attól függően, hogy hány rész-károsodás alkotja a károsodott érzékszervet. Például a látásvesztés kategóriája minden TOT-a makrováltozóra vonatkozó határértékek felhasználásával jön létre (a 75. percentilis alatt). Minden változó egy Random Forestben lesz implementálva, a kognitív hanyatlás függő változóként. A változók származtatott rangsorát (a kognitív hanyatlás előrejelzési erejét tekintve) a rendszer az egyes változók súlyozására fogja használni, a fordított rangot használva a súlyozott átlag szorzójaként, nevezőként a károsodások teljes számát használva. Az együttes modellt azért választjuk ki, mert az egyes modellek kombinálása rugalmasabb (kevesebb torzítás) és kevésbé adatérzékeny (kisebb eltérés).

Továbbá az eredménnyel való összefüggés összehasonlítása érdekében különböző többszörös lineáris és/vagy logisztikai modelleket (vagy más nem parametrikus modelleket, a változóktól függően) futtatnak a javasolt pontszámok különböző szintjei és a kognitív károsodás közötti összefüggés felmérésére. . Ezenkívül az érzékenységelemzést más módszerekkel együtt fogják használni a modell meghatározására a legjobb illeszkedés és az előrejelzési teljesítmény szempontjából. Különböző kovariánsokat fognak használni az asszociáció megzavaró tényezőiként, különösen a dohányzás, a foglalkozási és környezeti expozíció, az iskolai végzettség, a társadalmi-gazdasági helyzet, a fizikai aktivitás és a BMI. Tekintettel a kovariánsok nagy számára, különös figyelmet kell fordítani a túlillesztésre, ideértve a szabályos regressziós megközelítést, amely különböző büntetés-regressziós metatanulókat használ, hogy megtalálják a legjobb büntetés kifejezést az egyes modellekhez (Mahani és Sharabiani, n.d.).