Prediksjon av MMSE-score for kognitiv svikt
22. november 2024 oppdatert av: Blekinge Institute of Technology
Prediksjon av MMSE-score for kognitiv svikt: En maskinlæringsanalyse av oral helse og demografiske data hos individer over 60 år
Denne studien tar sikte på å utforske potensialet ved å bruke maskinlæringsalgoritmer (ML) for å forutsi kognitiv status, spesielt MMSE-skåre, basert på oral helse og demografiske data.
Målet er å evaluere effektiviteten til ulike ML-modeller og identifisere de mest relevante orale helseindikatorene for å forutsi MMSE-skåre på 30 (normal kognisjon) eller ≤26 (kognitiv svekkelse) hos individer i alderen 60 år og over.
Studieoversikt
Detaljert beskrivelse
Denne tverrsnittsstudien bruker oral helse og demografiske data fra to eksisterende kohortstudier: den europeiske samarbeidsstudien Support Monitoring and Reminder Technology for Mild Dementia (SMART4MD) og den svenske nasjonale studien om aldring og omsorg (SNAC-B). Deltakere i alderen 60 år eller eldre vil bli inkludert i analysen. Dataene vil bli brukt til å utvikle og evaluere maskinlæringsmodeller for å forutsi kognitiv status.
Mål:
- Primært mål: Å vurdere potensialet til orale helseparametere for binær klassifisering av MMSE-skåre (30 vs. ≤26).
- Sekundært mål: Å identifisere de mest innflytelsesrike orale helseparametrene som bidrar til prediksjoner om kognitiv svikt.
- Tertiært mål: Å sammenligne ytelsen til klassifikatorene Random Forest (RF), Support Vector Machine (SVM) og CatBoost (CB) når det gjelder å forutsi MMSE-score ved bruk av orale helsedata.
Studietype
Observasjonsmessig
Registrering (Faktiske)
693
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
-
Karlskrona, Sverige, 37179
- Blekinge Institute of Technology
-
-
Deltakelseskriterier
Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Voksen
- Eldre voksen
Tar imot friske frivillige
Ja
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
Data samlet inn fra den europeiske samarbeidsstudien Support Monitoring and Reminder Technology for Mild Dementia (SMART4MD) og den svenske nasjonale studien om aldring og omsorg (SNAC-B) vil bli analysert.
Deltakere i alderen 60 år eller eldre vil bli inkludert i analysen.
Beskrivelse
Inkluderingskriterier:
- Personer i alderen 60 år eller eldre.
- Deltakere med registrerte orale helseparametere og MMSE-score på enten 30 eller ≤26.
Ekskluderingskriterier:
- Personer med MMSE-skåre på 27, 28 eller 29, da disse skårene representerer en overgangsfase mellom normal kognisjon og kognitiv svikt, som kan introdusere variasjon.
- Personer yngre enn 60 år.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
MMSE ≤26
339 deltakere
|
Et datasett som består av deltakere med MMSE-score på ≤26 og 30 vil bli brukt til å evaluere klassifiseringsytelsen til ulike maskinlæringsteknikker.
Andre navn:
|
|
MMSE 30
354 deltakere
|
Et datasett som består av deltakere med MMSE-score på ≤26 og 30 vil bli brukt til å evaluere klassifiseringsytelsen til ulike maskinlæringsteknikker.
Andre navn:
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Deteksjonsytelse
Tidsramme: 5 måneder
|
Studien måler klassifiseringsytelsen til maskinlæringsklassifiserere.
Ytelsesmålinger, nøyaktighet, presisjon, tilbakekalling, F1-score og forvirringsmatrise vil bli brukt for evalueringen.
Undersøkelsen av de viktigste funksjonene var avhengig av SHAP-sammendragsplott, og ga visualiseringer av påvirkningen av parametergrupper på utgangen, organisert etter deres betydning.
Denne viktigheten er basert på SHAP-verdier, og gir innsikt i funksjonenes effekter på ML-modellens beslutningsprosess
|
5 måneder
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Sponsor
Studierekorddatoer
Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.
Studer hoveddatoer
Studiestart (Faktiske)
10. juni 2024
Primær fullføring (Faktiske)
10. oktober 2024
Studiet fullført (Faktiske)
10. november 2024
Datoer for studieregistrering
Først innsendt
17. september 2024
Først innsendt som oppfylte QC-kriteriene
20. september 2024
Først lagt ut (Faktiske)
25. september 2024
Oppdateringer av studieposter
Sist oppdatering lagt ut (Antatt)
25. november 2024
Siste oppdatering sendt inn som oppfylte QC-kriteriene
22. november 2024
Sist bekreftet
1. september 2024
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- BTH-6.1.1-0156-2024
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
NEI
IPD-planbeskrivelse
Deltakerdata kan ikke deles på grunn av GDPR.
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Nei
Studerer et amerikansk FDA-regulert enhetsprodukt
Nei
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .