Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Voorspelling van MMSE-scores voor cognitieve stoornissen

22 november 2024 bijgewerkt door: Blekinge Institute of Technology

Voorspelling van MMSE-scores voor cognitieve stoornissen: een machinale leeranalyse van de mondgezondheid en demografische gegevens bij personen ouder dan 60 jaar

Deze studie heeft tot doel het potentieel te onderzoeken van het gebruik van machine learning (ML)-algoritmen om de cognitieve status, met name MMSE-scores, te voorspellen op basis van mondgezondheid en demografische gegevens. Het doel is om de effectiviteit van verschillende ML-modellen te evalueren en de meest relevante indicatoren voor de mondgezondheid te identificeren voor het voorspellen van MMSE-scores van 30 (normale cognitie) of ≤26 (cognitieve stoornissen) bij personen van 60 jaar en ouder.

Studie Overzicht

Toestand

Voltooid

Interventie / Behandeling

Gedetailleerde beschrijving

Deze cross-sectionele studie maakt gebruik van mondgezondheids- en demografische gegevens uit twee bestaande cohortstudies: de Europese samenwerkingsstudie Support Monitoring and Reminder Technology for Mild Dementia (SMART4MD) en de Zweedse Nationale Studie over Veroudering en Zorg (SNAC-B). Deelnemers van 60 jaar of ouder worden in de analyse betrokken. De gegevens zullen worden gebruikt voor het ontwikkelen en evalueren van machine learning-modellen voor het voorspellen van de cognitieve status.

Doelstellingen:

  1. Primaire doelstelling: Het beoordelen van het potentieel van mondgezondheidsparameters voor binaire classificatie van MMSE-scores (30 vs. ≤26).
  2. Secundaire doelstelling: Het identificeren van de meest invloedrijke parameters voor de mondgezondheid die bijdragen aan voorspellingen van cognitieve stoornissen.
  3. Tertiaire doelstelling: Vergelijken van de prestaties van de classificaties Random Forest (RF), Support Vector Machine (SVM) en CatBoost (CB) bij het voorspellen van MMSE-scores met behulp van mondgezondheidsgegevens.

Studietype

Observationeel

Inschrijving (Werkelijk)

693

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studie Locaties

      • Karlskrona, Zweden, 37179
        • Blekinge Institute of Technology

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Ja

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Gegevens verzameld uit de Europese samenwerkingsstudie Support Monitoring and Reminder Technology for Mild Dementia (SMART4MD) en de Zweedse Nationale Studie over Veroudering en Zorg (SNAC-B) zullen worden geanalyseerd. Deelnemers van 60 jaar of ouder worden in de analyse betrokken.

Beschrijving

Inclusiecriteria:

  • Personen van 60 jaar of ouder.
  • Deelnemers met geregistreerde mondgezondheidsparameters en MMSE-scores van 30 of ≤26.

Uitsluitingscriteria:

  • Individuen met MMSE-scores van 27, 28 of 29, aangezien deze scores een overgangsfase vertegenwoordigen tussen normale cognitie en cognitieve stoornissen, wat variabiliteit zou kunnen introduceren.
  • Personen jonger dan 60 jaar.

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

Hoe is de studie opgezet?

Ontwerpdetails

Cohorten en interventies

Groep / Cohort
Interventie / Behandeling
MMSE ≤26
339 deelnemers
Een dataset bestaande uit deelnemers met MMSE-scores van ≤26 en 30 zal worden gebruikt om de classificatieprestaties van verschillende machine learning-technieken te evalueren.
Andere namen:
  • MMSE 30
MMSE 30
354 deelnemers
Een dataset bestaande uit deelnemers met MMSE-scores van ≤26 en 30 zal worden gebruikt om de classificatieprestaties van verschillende machine learning-technieken te evalueren.
Andere namen:
  • MMSE 30

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Detectieprestaties
Tijdsspanne: 5 maanden
Het onderzoek meet de classificatieprestaties van Machine Learning-classificatoren. Voor de evaluatie zullen prestatiestatistieken, nauwkeurigheid, precisie, herinnering, F1-Score en verwarringsmatrix worden gebruikt. Het onderzoek van de belangrijkste kenmerken was gebaseerd op SHAP-samenvattende plots, die visualisaties boden van de invloed van parametergroepen op de output, georganiseerd op basis van hun belang. Dit belang is gebaseerd op SHAP-waarden, die inzicht bieden in de effecten van functies op het besluitvormingsproces van het ML-model
5 maanden

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (Werkelijk)

10 juni 2024

Primaire voltooiing (Werkelijk)

10 oktober 2024

Studie voltooiing (Werkelijk)

10 november 2024

Studieregistratiedata

Eerst ingediend

17 september 2024

Eerst ingediend dat voldeed aan de QC-criteria

20 september 2024

Eerst geplaatst (Werkelijk)

25 september 2024

Updates van studierecords

Laatste update geplaatst (Geschat)

25 november 2024

Laatste update ingediend die voldeed aan QC-criteria

22 november 2024

Laatst geverifieerd

1 september 2024

Meer informatie

Termen gerelateerd aan deze studie

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

NEE

Beschrijving IPD-plan

Gegevens van deelnemers kunnen vanwege de AVG niet worden gedeeld.

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .

Abonneren