이탈리아 남부 노인 코호트의 인지 장애를 예측하기 위한 앙상블 학습 기반 다차원 감각 장애 점수 개발 (DEMETRA)

배경/최첨단 청각, 시각, 후각 및 미각은 연령과 생물학적으로 연결된 복잡한 감각 신경 구조를 나타냅니다(Gadkaree et al., 2016). 여러 연구에서 이들의 역할이 연령 관련 신경변성 과정, 특히 인지 저하와 관련된 과정에서 예측 인자로 설명되었습니다(Brenowitz et al., 2020; Schubert et al., 2017). 청각과 시각은 가장 많이 연구되어 인구 기반의 강력한 증거를 제공하고(Gates et al., 2010; Panza et al., 2019; Sardone, Battista, et al., 2020) 망막 영상과 같은 획기적인 기술을 사용합니다. 후자에 대한 특정 임상 설정. 말초 및 중추 형태에서 청력 손상은 알츠하이머 치매의 주요 수정 가능한 위험 요소 중 하나로 간주되었습니다(Livingston et al., 2020). 신체의 물리적 사건에 대한 인식과 관련된 감각 입력 중에서 통각 및 고유 감각은 인지 처리에서 종종 과소평가되는 일련의 기능을 나타냅니다. 연구에 따르면 노인의 전반적인 기능뿐만 아니라 특히 인지 기능에서도 이것이 어떻게 중요한지 보여주었습니다. 노화 과정과 통각 사이의 상호 작용, 특히 만성 통증과 전반적인 인지 기능 사이의 관계는 제대로 조사되지 않았습니다(Nadar et al., 2016). 특히 MRI와 같은 다양한 객관적 인지 기능 분석 기술과 감각 손상으로 인한 단일 또는 다중 상호 작용 간에는 정확한 상관 관계가 없습니다.

각 운영 단위의 활동 설명 및 배포

주요 협력자들은 프로젝트 목표를 위해 역할을 분리했지만 통합했습니다. 특히 각 연구 센터의 주요 활동 목록을 통해 두 가지 주요 활동 분야를 강조할 수 있습니다.

1. 연구 역할: 임상 및 도구 평가

   • ASL BA - 등록 및 인지 행동 평가 연구 전문 지식을 관리합니다.
   • 과학 임상 연구소 Maugeri(ICS-Maugeri): 사례 등록 및 기능 및 체성 감각 연구 전문 지식

2. 연구 역할: 디자인, 모델링 및 기능 정교화

   • IRCCS - 연구 조정, 설계 및 공식 분석, 감각 장애 연구 전문 지식
   • 바리 폴리테크닉 대학교(PoliBa) - 데이터 관리 및 엔지니어링, 생체 신호 처리(OCT, 전기 생리학, MRI) 및 앙상블 학습 아키텍처 개발 주제 평가는 임상 환경(ICS Maugeri)과 인구 환경(ASL BARI)으로 구분됩니다. IRCCS "S. De Bellis"는 설계 개선, 결과물 및 이정표 생성 및 모니터링, 감지 측정을 위한 기술 지원에 대한 전문 지식을 제공합니다. 실제로 감각 장애 및 기능 저하 분야의 수많은 출판물에서 나타난 바와 같이 Rodolfo Sardone 박사와 PI 및 Co-PI 간의 긴밀한 협력은 제안된 전문 분야에서 확고하고 효과적인 시너지 효과를 보장합니다.

ICS Maugeri는 이미 다른 분야에서도 그룹과 협력해 왔지만 이 프로젝트에서 그들의 역할은 정말 혁신적일 것입니다. 이들은 알츠하이머성 치매 또는 혈관성 치매 가능성이 있는 치매 환자의 모집을 보장할 책임이 있습니다. 그들은 또한 전체 피험자 표본에 투여할 기능 및 생활 방식 측정 방법을 소개하는 Pavese 박사의 전문 지식에 기여할 것입니다. 반면에 Natoli 교수는 주관적 및 기능적 척도와 형태학적 및 기능적 MRI의 생체의학적 신호 해석을 통해 만성 통증 평가 분야의 전문 지식을 제공할 것입니다. 본질적으로 Bari Polytechnic이 이끄는 기술 그룹은 데이터 수집을 위한 인프라 구축, 생리학적 신호 처리(전기생리학적, 망막 영상 및 MRI 모두) 및 연구 모집단에서 수집된 모든 변수를 담당합니다. 이들의 전문성과 그룹과의 시너지 효과는 일련의 공유 간행물을 통해 소개됩니다.

구체적인 목표 1 다양한 감각 측정(중추 및 말초 청력 상실, OCT로 측정한 망막 이상, 후각 및 미각 객관적 측정, 만성 통증, 고유감각 주관적 및 전기 생리학적 측정) 간의 구체적인 연관성을 평가합니다.

구체적인 목표 2 다양한 단계(경도 인지 장애 및 정상 인지)에서 다양한 유형의 치매(알츠하이머병, 전두측두엽 치매, 혈관성 치매)를 예측하기 위해 감각 특징과 임상 및 생활 습관 변수를 사용하는 다차원 점수를 개발하는 것입니다.

구체적인 목표 3 치매 사례의 MRI 형태학적 및 동적 특징과 감각 특징과의 관계에 대한 연결 지도를 작성하고 정상적인 인지 조절과 관련된 패턴 차이를 설명합니다.

실험설계 목표 1

연구 대상자:

이 종단 연구는 Castellana Grotte의 Casa della Salute 프로젝트와 ICS Maugeri - Pavia의 임상 신경 재활 센터의 데이터를 사용하여 다중 중심 단면 중첩 사례 관리 설계를 사용하여 수행됩니다.

인지 장애 사례는 ICS Maugeri(Pavia), 신경 재활 부서 및 Casa della Salute(ASLBA)의 신경 심리학 외래 환자 부서에서 선택됩니다. 인지 정상 대조군은 Apulia 연구 기준선에서 SALUS의 2차 데이터로부터 파생됩니다. SALUS는 Castellana Grotte(이탈리아 남부 풀리아 지역)의 노인 주민 대표 인구를 대상으로 2012년에 시작된 지속적인 연구입니다. 연구 설계 및 데이터 수집 방법은 다른 곳에서 자세히 설명되어 있습니다(Sardone et al. 2021). 표본에는 기준선(2012년~2014년)에 Castellana Grotte에 거주하는 노인(65세 이상) 주민 중 2038명의 참가자가 포함되었습니다. 이 샘플에서 두 개의 하위 샘플이 파생됩니다. 하나는 인지적으로 정상인 대상이고 다른 하나는 포함/제외 기준에 따라 경도 인지 장애가 있는 대상입니다.

사례: 포함된 사례는 인지 장애의 두 가지 다른 단계, 즉 MCI와 치매에 관한 것입니다.

MCI 사례 그룹의 포함 기준은 다음과 같습니다: 1) 등록 당시 최소 65세 이상: 2) MCI(몬트리올 인지 평가, MOCA 테스트, 15.5-26 사이) 3) 임상적, 신경심리학적, 감각적 평가를 완벽하게 검사합니다. 사례군에 대한 제외 기준은 1) 후속 조치에서 동의를 표현할 정신적 능력이 없음; 2) 심각한 악성 종양이 발생했거나 주요 치료를 받은 경우 감각 기능 상실 또는 인지 저하를 초래할 수 있습니다. 3) 우울증 진단을 받습니다. MCI 사례의 총 수는 45개입니다.

치매 사례군의 포함 기준은 다음과 같습니다: 1) 등록 당시 최소 65세 이상: 2) 경도 내지 중등도 인지 장애(몬트리올 인지 평가, MOCA 테스트, 15.5 미만) 임상적, 신경심리학적, 감각적 평가를 완벽하게 검사합니다. 사례군에 대한 제외 기준은 1) 후속 조치에서 동의를 표현할 정신적 능력이 없음; 2) 심각한 악성 종양이 발생했거나 주요 치료를 받은 경우 감각 기능 상실이나 인지 장애를 유발할 수 있습니다. 3) 우울증 진단을 받습니다. 총 치매 사례 수는 22건(모든 연구 현장 중)이 됩니다.

대조 코호트: 대조 코호트 그룹의 포함 기준은 다음과 같습니다: 1) 등록 당시 최소 65세 이상이어야 합니다. 2) 임상적, 신경심리학적 및 감각 평가에 대한 완전한 검사를 받아야 합니다. 3) 인지적 장애가 없어야 합니다. 손상(MOCA 26 이상을 사용하여 측정). 총 컨트롤 수는 최소 151개입니다(1:5 할당 고려).

방법: 각 평가 시간의 검사에서 파생된 안과, 청각, 신체, 감각(후각 및 미각), 통증 및 인지 데이터는 클라우드 기반 데이터 입력 양식을 사용하여 기록되며 모든 측정값과 정량 변수를 루트 코드에 연결합니다. 모든 과목을 조사했습니다. 자세한 내용은 "데이터 수집 방법" 섹션에 나와 있습니다.

실험 설계 목표 2 각 평가 시간의 시험에서 파생된 모든 데이터는 클라우드 기반 데이터 입력 양식을 사용하여 기록되며, 모든 측정값과 정량적 변수를 검사된 모든 주제에 대한 루트 코드에 연결합니다. 개인 데이터(예: 이름, 나이, 성별, 주소)는 마스터 데이터를 주제 코드에 연결하는 번역 코드(평가자에게 알려지지 않음)가 있는 세분화 매트릭스를 사용하여 임상 데이터에서 분리됩니다.

결과: 인지 저하가 주요 결과로 간주되며, 특히 모든 과목의 MOCA 15.5-26에서 15.5 미만의 MOCA 점수로의 전환이 고려됩니다. 또한, 10% 포인트의 MOCA 점수 감소는 모든 평가에서 인지 저하의 2차 결과로 간주됩니다.

다감각 점수: 가장 정확한 예측력을 가진 점수를 선택할 수 있도록 민감도 분석의 다양한 조합을 허용하기 위해 다양한 접근법을 사용하여 점수가 계산됩니다.

표현형 점수는 0에서 4까지의 변수를 사용하여 각 감각(예: 청력 상실 + 시력 상실 예\아니요 + 감각 저하 + 후각 저하)에 대한 모든 전역 장애를 누적하는 순서형 변수를 생성합니다.

앙상블 가중 점수: 모든 감각은 손상된 감각을 구성하는 하위 손상의 수에 따라 독립적인 가중 범주로 간주됩니다. 예를 들어, 시력 상실 범주는 모든 OCT에 대한 컷오프(거시적 변수 손상(25번째 백분위수 미만))와 낮은 시력 컷오프를 사용하여 생성됩니다. 모든 변수는 기본 결과를 종속 변수로 사용하여 Random Forest 기계 학습 모델에서 구현됩니다. 변수의 파생 순위(인지 저하에 대한 예측력 측면에서)는 총 장애 수를 분모로 사용하는 가중 평균의 승수로 역순위를 사용하여 각 변수에 가중치를 부여하는 데 사용됩니다. 비지도 점수: 각 감각(귀와 눈의 손상된 쪽과 독립적으로)을 측정하는 데 사용되는 모든 연속 변수는 변수의 차원을 줄일 수 있는 자동 인코더 신경망 알고리즘에서 구현됩니다. 인코더는 단일 변수에서 파생된 전체 정보를 설명하는 작은 계수(코드)를 생성합니다. 코드는 추가 분석에서 각 주제에 대한 예측 변수로 사용됩니다.

공변량: 특히 흡연, 직업 및 환경 노출, 교육\사회 경제적 상태, 신체 활동 및 BMI와 같은 연관성의 혼란 요인으로 다양한 공변량이 사용됩니다.

모델링: 다수의 조정된 cox 비례 모델 및 기타 비모수적 시간 이벤트 모델을 실행하여 제안된 다양한 점수와 인지 저하 간의 연관성을 평가합니다. 또한 민감도 분석은 최적의 피팅과 예측력 측면에서 모델을 결정하기 위해 다양한 방법으로 사용됩니다. 모델의 관측 수가 적고 공변량의 수가 많기 때문에 정규화된 회귀 모델을 포함하여 과적합에 특별한 주의를 기울일 것입니다.

실험설계 목표 3

뇌 MRI 획득 및 처리: 참가자의 하위 샘플은 3T 스캐너에서 비조영 강화 MRI 스캐닝을 받게 됩니다. 이미 연구에 등록된 선택된 대상체는 다음 기준에 따라 선택됩니다:

n.5 중추청각처리장애 진단 n.5 중추청각처리장애 및 인지 장애(MOCA 17.5 미만) n. 5 인지 장애만 있음(MOCA 17.5 미만) n. 15 정상적인 청각 및 인지 제어 이 하위 연구의 목적은 감독 및 비지도 기계 학습 특징 추출과 비모수적 통계 학습 방법을 모두 사용하여 4개의 소그룹 간의 형태학적 차이를 설명하는 것입니다. 차이점은 노년층의 인지 기능과 청각 기능 사이의 구조적 뇌 상호 작용에 대한 새로운 지식을 창출해야 합니다.

컨트롤은 등록 목표에 도달할 때까지 편의 샘플링에 따라 Bari 센터의 컨트롤과 Bari와 Pavia 사이의 모든 케이스에 등록됩니다.

MRI 프로토콜에는 T1 가중 시퀀스, 양성자 밀도 가중 시퀀스, FLAIR(유체 감쇠 역전 복구) 시퀀스 및 T2 가중 경사 에코 시퀀스가 ​​포함됩니다. 모든 시퀀스의 경우 슬라이스 두께는 1.6mm(0.8mm로 제로 패딩됨)입니다. 단, FLAIR 시퀀스의 경우 2.5mm입니다. k-최근접 이웃 분류 알고리즘을 기반으로 하는 자동화된 뇌 조직 분류 방법은 총 두개내 부피(ICV), 총 뇌 부피, 회백질(GM) 부피, 백질(WM)을 정량화하는 데 사용됩니다. 부피 및 뇌척수액 부피(mm3 단위).

복셀 기반 형태측정(VBM)은 최적화된 VBM 프로토콜에 따라 수행됩니다. FMRIB 소프트웨어 라이브러리(FSL)는 VBM 데이터 처리에 사용되며 모든 GM 및 WM 밀도 맵은 1mm × 1mm × 1의 표준 ICBM MNI152 GM 및 WM 템플릿(몬트리올 신경학 연구소)에 비선형적으로 등록됩니다. mm 복셀 해상도. 이어서, 3mm(FWHM 8mm) 등방성 가우스 커널을 사용한 공간 변조 및 평활화 절차가 모든 이미지에 적용됩니다(Ikram et al. 2015).

데이터 수집 방법 개인 데이터(예: 이름, 나이, 성별, 주소)는 마스터 데이터를 제목 코드에 연결하는 번역 코드(평가자에게 알려지지 않음)가 있는 세분화 매트릭스를 사용하여 임상 데이터에서 분리됩니다. POLIBA 연구팀은 데이터 추출을 위한 인터페이스, 데이터 분석을 위한 인공지능(AI) 알고리즘, 데이터 시각화를 위한 사용자 인터페이스, 앞서 언급한 데이터의 상호작용을 포함한 전반적인 대화형 시스템을 설계, 개발, 구현할 예정이다. POLIBA는 인간 중심 설계 접근 방식 [ISO9241-210]을 채택하여 요구 사항 분석의 반복 활동과 점진적 복잡성의 시스템 프로토타입 설계에 다른 파트너를 적극적으로 참여시킵니다. POLIBA는 또한 이기종 소스의 데이터 구성, 개인 정보 보호 준수를 위한 추천 알고리즘과 데이터 분석을 위한 AI 알고리즘을 연구합니다. POLIBA는 보다 효과적인 시각화, 프리젠테이션 및 상호 작용을 가능하게 하는 감각/지각 메커니즘을 기반으로 시각화 특성을 식별합니다.

실험실 평가: 모든 참가자로부터 혈액 샘플을 수집하여 염증 및 대사 바이오마커에 대해 분석합니다.

신체 및 인지 평가: 대상은 특히 직업적 또는 의인성 환경(예: 이독성 물질에 대한 노출, 시각 및/또는 전리 방사선에 대한 노출)에서 감각 장애 및 일반 건강에 관한 모든 관련 기억 소거 정보를 문서화하는 의사의 신체 검사를 받게 됩니다. ) 및 생활 방식(예: 영양 상태, 흡연, 교육). 신체 활동 및 수면의 질에 대한 데이터를 수집하기 위해 Actigraph가 채택될 것입니다. 물리적 성능은 모션 기술로 평가됩니다. 또한, 사회 경제적 상태와 정신 및 기분 장애에 대한 데이터가 수집됩니다. MOCA 테스트는 동일한 세션 동안 피험자의 인지 수준을 결정하는 데 사용됩니다. 30개 항목으로 구성된 노인 우울증 척도(GDS-30)를 사용하여 우울증이 있는 개인을 식별합니다.

통증 평가: 통증의 원인, 심각도, 성격, 일상 기능과 삶의 질에 미치는 영향을 평가하는 통증 전문가와 물리의학 및 재활 전문가의 신체 검사. 통증 강도는 11점 NRS(Numerical Rating Scale)에 따라 평가됩니다. 간략한 통증 목록(BPI) 설문지를 환자에게 제출합니다. 삶의 질은 SF-36 설문지로 평가됩니다. 통증 역치는 또한 정량적 감각 테스트(QST)를 통해 모든 대상에서 평가됩니다.

청력 손실 평가: 중이 상태를 확인하기 위한 검이경 및 고막 측정 검사. 순음 청력검사는 특수 헤드폰을 갖춘 방음 스튜디오에서 주변 ARHL을 평가하는 데 사용됩니다. 음성 식별 점수(SDS)는 각 귀에 대한 PTA 임계값을 초과하는 30dB 감각 수준에서 음성학적으로 균형 잡힌 10개의 이탈리아어 단어 목록을 인식하는 비율로 정의됩니다. 중추 청각 이분법적 처리를 측정하는 동측 경쟁 메시지를 통한 합성 문장 식별(SSI-ICM) 테스트는 연령 관련 CAPD를 식별하는 데 활용됩니다.

눈 평가: 모든 참가자는 기본 안과 검사를 받게 됩니다. 1) 각 눈의 최대 교정 시력(BCVA)에 대한 수동 굴절 및 평가; 2) 안압 및 세극등 생체현미경 검사; 3) 동공 확장 후 혈관 조영술을 이용한 망막 광 간섭 단층 촬영(OCT-A)을 스캔합니다.

미각 및 후각 평가: 후각 기능은 "Sniffin' Sticks" 배터리를 사용하여 평가됩니다. 참가자에게는 개인 펜이 제공되며, 참가자는 각 셀에 대한 네 가지 고유한 설명을 사용하여 냄새를 분류하고 설명하도록 요청받습니다. 4가지 기본 맛(단맛, 짠맛, ​​쓴맛, 신맛)은 임계값 이상의 농도에서 미각 스트립을 사용하여 미각 기능을 테스트합니다(Burghart GmbH, Wedel, Germany).

통계 계획 표본 크기는 사례-대조 논리로 계산되었습니다: 가장 일반적인 감각 장애(연령 관련 청력 상실)의 유병률은 18%, 인지 장애를 관찰할 확률에 대한 승산비(OR)는 2.1입니다. 우리의 이전 연구(Sardone et al. 2020)에 기초하여 95%의 신뢰 수준과 80%의 원하는 파워를 가진 연령 관련 청력 손실이 있는 피험자, 표본 크기는 22명의 인지 장애 사례는 45명, 경도 인지 장애 사례는 45명, 대조 코호트의 경우 최소 151명입니다.

환자는 위에서 설명한 포함/제외 기준에 따라 포함 및 세분화된 218명의 환자를 목표로 하는 비확률적 편의 샘플링에 따라 등록됩니다. 연구의 사례 대조 연구 설계를 고려할 때 모델에 포함된 모든 기능에 대해 전체 표본을 단면적으로 관찰합니다. 이탈리아 지역의 노인 인구를 대표하는 전체 표본 비율(15%)을 준수하기 위해 가장 가까운 것을 사용하여 사례와 일치하는 사례 수(n = 151)의 최소 2배로 통제를 늘릴 것입니다. 나이, 성별, 교육에 따른 이웃 기술.

기능 엔지니어링:

모든 데이터는 다양한 참여 센터에서 연구 프로젝트에 참여하는 모든 사용자가 사용할 수 있는 클라우드 기반 입력 양식을 사용하여 기록됩니다. 데이터는 커넥터를 통해 감지 측정 장비에 직접 연결되며 OCT 및 MRI의 이미지를 DICOM 기술과 통합합니다. 수집 후에는 수집된 변수의 완전성에 대한 측정이 이루어집니다. 전체 데이터 세트의 최대 30%까지 변수가 누락된 경우 다중 대치 연쇄 방정식이 30% 이상 작동되며 해당 변수는 분석에서 제외됩니다. 점수 생성에 기여할 각 변수는 분포를 정규화하고 크기를 비교할 수 있도록 조정됩니다. 이 단계는 동일한 모델에서 특히 소스가 다른 경우 대량의 변수를 처리하는 데 중요합니다. 뇌 영상은 분석 단계에서 후처리 및 분석되며, 정확한 품질 확인을 거쳐야 데이터베이스에 포함됩니다.

통계분석

샘플은 사례(인지 장애의 두 가지 다른 단계: MCI 및 치매)와 대조군(두 가지 모두 없음)으로 구분됩니다. 양적 변수의 정규 분포는 Kolmogorov-Smirnov 테스트를 사용하여 테스트됩니다. 따라서 연구 중에 기록된 특징과 모든 변수에 대한 빈도 및 그룹 간 연관성 측면에서 두 그룹에 대한 임상적 및 기능적 차이를 설명할 것입니다. 양적 변수의 정규 분포는 Kolmogorov¿Smirnov 테스트를 사용하여 테스트됩니다. 데이터는 연속 측정에 대한 평균±표준편차(M±SD)와 모든 범주형 변수에 대한 빈도 및 백분율(%)로 보고됩니다. 그룹 간의 실질적인 차이에 초점을 맞추기 위해 p 값 대신 효과 크기(ES) 측면에서 귀무 가설 유의성 검정(NHST)을 기반으로 한 통계적 접근 방식은 사용되지 않습니다. 따라서 연속 변수 간의 ES 차이는 평균 간의 Cohen의 d 차이, 유사 분산 가정이 위반될 때 Hedge의 g, 신뢰 구간을 사용하는 ES를 사용하여 계산됩니다. 연관성 정도의 본질적인 차이를 평가하기 위해 95% 신뢰 구간(CI)이 계산됩니다. 특징 선택을 위한 앙상블 기계 학습 알고리즘을 채택하여 Shapley 값 순위를 사용하여 생물학적 샘플 분석에서 파생된 각 공변량의 예측력 순위를 매깁니다. 통계 및 기계 학습 방법:

변수를 선택하기 위해 기계 학습 모델인 Random Forest(RF)가 사용됩니다. RF는 앙상블 방법으로 배깅을 사용하고 개별 모델로 의사결정 트리를 사용하는 앙상블 모델입니다. 이 방법은 변수를 선택하고 예측력 측면에서 순위를 매길 수 있으며 선택한 결과를 가장 잘 분류할 수 있습니다. 모든 감각은 손상된 감각을 구성하는 하위 손상의 수에 따라 독립적인 가중치 범주로 간주됩니다. 예를 들어, 시력 손실 범주는 모든 OCT(거시적 변수 손상(75번째 백분위수 미만))에 대한 구분값을 사용하여 생성됩니다. 모든 변수는 인지 저하를 종속 변수로 사용하여 Random Forest에서 구현됩니다. 변수의 파생 순위(인지 저하에 대한 예측력 측면에서)는 총 장애 수를 분모로 사용하는 가중 평균의 승수로 역순위를 사용하여 각 변수에 가중치를 부여하는 데 사용됩니다. 개별 모델을 결합하면 더 유연하고(편향이 적음) 데이터에 덜 민감(분산이 적음)되는 경향이 있으므로 앙상블 모델이 선택됩니다.

또한 결과와의 연관성을 비교하기 위해 다양한 다중 선형 및/또는 로지스틱 모델(또는 변수에 따라 기타 비모수적 모델)을 실행하여 제안된 점수의 다양한 수준과 인지 장애 간의 연관성을 평가합니다. . 또한 민감도 분석은 다른 방법과 함께 사용되어 최적의 피팅 및 예측력 측면에서 모델을 결정합니다. 다양한 공변량, 특히 흡연, 직업 및 환경 노출, 교육/사회 경제적 상태, 신체 활동 및 BMI가 연관성의 혼란 요인으로 사용됩니다. 많은 수의 공변량을 고려하여 각 모델에 대한 최상의 페널티 항을 찾기 위해 다양한 페널티 회귀 메타 학습기를 사용하는 정규화된 회귀 접근 방식을 포함하여 과적합에 특별한 주의를 기울일 것입니다(Mahani 및 Sharabiani, n.d.).