Demensiya və onun erkən mərhələlərində yüngül kognitiv pozğunluq (MCI) və subyektiv kognitiv azalma (SCD) getdikcə daha çox yaygındır, lakin dörd kognitiv vəziyyətin hər birini eyni anda fərqləndirən avtomatlaşdırılmış alətlər nadir hallarda qalır. Nəşr olunan modellərin əksəriyyəti daha sadə bir ikili problemlə məşğul olur; kliniklərin əslində qarşılaşdığı dörd sinifli vəziyyət, daha az diqqət çəkir. Biz dörd sinifli bilişli təbəqəliş üçün xətti, nüvə əsaslı, ağac əsaslı, artırıcı, ehtimalçı, məsafə əsaslı və ansambl meta-öyrənmə paradigmlarını (Kognitively Normal, SCD, MCI, Dementia) inkişaf etdirdik və ölçdük. ACE-III qiymətləndirmədən əldə edilmiş klinik və demografik məlumatlardan istifadə edərək (n = 140, 28 xüsusiyyət). Sinflər arasındakı qeyri-düzə-düzə-düzə-düzə-düzə-düzə (SMOTE) sistemində birləşdirilmiş Sintez Azlıqların Üst-sampling Texnikası (SMOTE) ilə, modellərin qiymətləndirilməsi beş qatlı qatlı təsdiqləmə yolu ilə aparılıb. Bütün performans ölçülərinin (məqrurluq, makro F1-not, ROC-AUC, balanslaşdırılmış dəqiqlik, Cohens Kappa, Matthews Korrelasiya Koefitsifi) qatlar üzrə hesablanması və orta ± standart sapma kimi bildirildi. SHAP (SHapley Additive exPlanations) analizi bütün model növlərində qlobal və yerli xüsusiyyətlərin töhfələrini miqdarlaşdırmaq üçün istifadə edilmişdir. LightGBM on iki təsnifatçı arasında ən yüksək makro F1-notunu (0,723 ± 0,114), ROC-AUC (0,944 ± 0,030) və Cohens Kappa (0,729 ± 0,138) əldə etdi, balanslaşdırılmış dəqiqliyi 0,716 ± 0,121. Seçki təsnifatçısı demək olar ki, eyni balanslaşdırılmış dəqiqliyə (0,716 ± 0,068) və ən yüksək tək model MCC-yə (0,734 ± 0,091) nail oldu, bu da LightGBM-nin öz MCC-yə (0,733 ± 0,139) yaxından uyğun gəlir və makro F1-notları (0,714 ± 0,058) üzrə ikinci yeri tutdu. k-NN və SVM makro F1-notları (0,640 ± 0,136 və 0,631 ± 0,095, müvafiq olaraq), Gaussian Naïve Bayes isə ən az müsbət nəticə əldə etdi (F1: 0,480 ± 0,143). T-test-in birləşməsində LightGBM-nin makro F1-poçt üstünlüyü, qalan on bir təsnifatçıdan biri olan Logistik Geri dönüş (t = 6.783, p = 0.0025, Holm-ə uyğunlaşdırılmış p = 0.0271) ilə statistik olaraq əhəmiyyətli olduğunu, digər on təsnifatçıdan fərqlənmələrini tapdı. SHAP təhlili yaş, sağlamlıq vəziyyəti, təhsil səviyyəsi, depressiya, qan təzyiqi və MCI / Alzheimers xəstəliyinin ailə tarixçəsini modellərin ən ardıcıl təsir göstərən təxminatçıları kimi müəyyənləşdirdi. Misir ərəb ACE-III məlumatlarına əsasən təlim olunan LightGBM təsnifatçısı xəstələrini əvvəlki skrininq və ya triaj roluna perspektivli olan dörd kognitiv kateqoriyaya təsnif edir, baxmayaraq ki, klinik faydalılıq iddia edilmədən əvvəl müstəqil kohortlarda xarici təsdiqlənmə lazımdır və SHAP öz məntiqini şəffaflaşdırır. Qərar mütəxəssis avadanlıq tələb etmir və Misirdə rutin görüşlərdə artıq toplanan məlumatlara əsaslanır və bu, Misirdə və MENA bölgəsində ilkin tibbi yardımın tətbiqini təsdiqlənmədən əvvəl praktik edir.
Demensiya bu əsrin əsas səhiyyə problemlərindən biridir. Ümumdünya Səhiyyə Təşkilatı bu gün Demensiya ilə yaşayan 55 milyon insanın sayını hesablayır. Alzheimer xəstəliyi yalnız halların 60~80%-ni təşkil edir və insan, iqtisadi və ictimai xərcləri həm zəngin, həm də yoxsul səhiyyə sistemlərinin daha çox davam etdirmək üçün mübarizə aparmasıdır2.
Demensiya qəflətən baş vermir. Bu xəstəlik artıq funksional pozğunluq baş vermədən əvvəl müxtəlif klinik mərhələlərdən keçərək inkişaf edir. Ən erkən Subjektiv Kognitiv Tərəzlənmə (SCD)dir: insanlar standart testlərdə normal performans göstərmələrinə baxmayaraq yaddaşlarının və ya düşüncələrinin dəyişdiyini müşahidə edirlər. Bu, kiçik səslənir, lakin uzunmüddətli demensiya riski ilə əlaqələndirilir3. Sonra yüngül bilişsel pozğunluğu (MCI) gəlir, burada çatışmazlıqlar yaş və təhsilin hələ demensiya ilə keçmədən proqnozlaşdırdıqlarından ötrü obyektiv olaraq ölçülə bilər. MCI xəstələrinin təxminən 10~ 15%- i hər il demensiya ilə üzləşir4. Bu erkən mərhələlərdə xəstəliyi aşkar etmək təkcə akademik cəhətdən maraqlı deyil: həm narkotik, həm də qeyri-dərman müdaxilələri demensiyanın özünü ələ keçirmədən əvvəl başlayanda ən yaxşı işləyir5.
Lakin onu erkən tutmaq üçün vasitələr də davam etməyib. Diaqnoz hələ də peşəkar neyropsikoloji qiymətləndirmədən asılıdır, yavaş, ehtiyatlar ağır və tez-tez əsas qayğı və ya az ehtiyatlı mühitlərdə sadəcə mövcud deyil. Addenbrooke'nun Kognitiv İmtahanı III (ACE-III) kimi alətlər həssas, çox sahəli qiymətləndirmə təklif edir6, lakin kimsə nəticələri demografik və klinik kontekstdə dəyişdirərək əl ilə şərh etməlidir. Bu, inter-rater dəyişikliyi ilə əlaqəli bir prosesə gətirib çıxarır və bütün əhalilərin skrininqi ilə ölçülmür.
Maşın öyrənməsi bu şərh addımını avtomatlaşdırır. Klinik məlumatlara əsaslanan alqoritmlər real, lakin əl yoxlama üçün çox incə və ya yüksək ölçülü olan nümunələri tapır və onlar müalicə yükündən asılı olmayaraq ardıcıl nəticələr verir7,8. Əsas məsələ odur ki, MCI ilə normal, və ya demensiya ilə deyilən bir ikili problemin həll edilməsi üçün ən çox dərc edilmiş ML yanaşmaları kliniklərə dörd tərəfli təsnifat lazım olduqda, bu da SCD və Demensiya ayrı kateqoriyalar kimi daxil edilir9,10.
Bu sahədə daha bir kritik çətinlik sinif balanssızlığıdır: icma əsaslı kohortlar, əhəmiyyətli dərəcədə az MCI, SCD və ya demensiya halları olan bilişsel sağlam iştirakçıların əksəriyyətini təşkil edir. Sintezi azlıqların nümunədən çox alınması texnologiyası (SMOTE) kimi açıq şəkildə azaltılmadan, balanssız məlumatlara əsaslanan təsnifatçılar klinik cəhətdən kritik azlıq sinifləri üçün sistematik olaraq aşağı performans göstərir və ümumi dəqiqliyi artıra bilər, eyni zamanda müdaxilədən ən çox faydalanan riskli xəstələrin müəyyən edilməsinə imkan vermir11.
Xülasə — davamını mənbədə oxuyun.
