Hafif Bilişsel Bozukluğun Etkili Bir Seçici Taramasını Tasarlamak Için Makine Öğrenimi Yaklaşımı

Özet

Bu metodoloji, daha hafif bilişsel bozukluk muzdarip eğilimli nüfus grupları hedef karar ağaçları üretir ve hastalığın maliyet-etkin seçici tarama için yararlıdır.

Özet

Hafif kognitif bozukluk (MCI) yaşlı popülasyonlar arasında demansın ilk belirtisidir ve erken teşhisi yaşlanan toplumlarımızda çok önemlidir. Ortak MCI testleri, gelişigüzel büyük taramanın maliyet-etkin olmayacağını gösteren zaman alıcıdır. Burada, soru tabanlı mci testi ile adayları hızla seçmek için makine öğrenimi tekniklerini kullanan bir protokolü açıklıyoruz. Bu, tarama için gereken kaynak sayısını en aza indirir, çünkü sadece MCI pozitif olan hastalar daha fazla test edilir.

Bu metodoloji, seçici bir tarama karar ağacının tasarımı için başlangıç noktasını oluşturan ilk MCI araştırma çalışmasında uygulanmıştır. İlk çalışmada birçok demografik ve yaşam tarzı değişkenleri yanı sıra hasta ilaçları hakkında ayrıntıları toplandı. Kısa Taşınabilir Zihinsel Durum Anketi (SPMSQ) ve Mini-Mental Durum Muayenesi (MMSE) mci olası olguları tespit etmek için kullanılmıştır. Son olarak, mci riski bireylerin sınıflandırılması için verimli bir süreç tasarlamak için bu yöntemi kullandı. Bu çalışma aynı zamanda, yaşlı popülasyonlar arasında MCI'nin önlenmesi ve erken teşhisinde yararlanılabilen MCI ile ilişkili yaşam tarzıyla ilgili faktörlere ilişkin içgörüler de sağlamaktadır.

Giriş

Nüfus yaşlanma kronik ve dejeneratif hastalıkların yaygınlığını artmaktadır, özellikle dejeneratif demans, hangi 20501 tarafından dünya çapında 131 milyondan fazla kişi etkilemesi bekleniyor. Tüm dejeneratif demanslar arasında, Alzheimer hastalığı (AD) Avrupa'da genel yaygınlığı ile en sık görülür 6.88%². AD hastalarının sürekli azalan bağımsızlığı nedeniyle, bu grup AD ortaya çıkmaya başlar başlamaz destek almaya başlamalıdır. Bu nedenle, hafif kognitif bozukluk (MCI) gibi AD prodromal bulgularının erken saptanması esastır.

MCI normal yaşlanma ve demans nedeniyle ciddi bozulmaya karşılık gelen bir ara bilişsel gerileme aşaması olarak tanımlanır³. Petersen ve ark.⁴tarafından yapılan tahminlere göre, MCI prevalansı 65-69 yaş arası kişilerde %8,4 olup, 80 yaş üstü kişilerde %25,2'ye ulaşıyor. MCI, bireylerin özellikle bellek ve dil ile ilgili düşük düzeyli bilişsel becerilerin yürütülmesinde beklenenden daha fazla zorluk yaşamasına neden olur, ancak günlük yaşam faaliyetlerini engellemez.

Tarama tanı ile eş anlamlı değildir; MCI tanısı her zaman klinik bir görev olurken, tarama yöntemleri sadece bir hastanın bu patolojiden muzdarip olma olasılığının daha yüksek olduğunu ve klinik olarak teyit edilmesi gereken iyi kurulmuş bir MCI şüphesi olduğunu bize bildirebilir. Bu nedenle, birincil sağlık çalışanları (doktorlar, eczacılar, hemşireler, vb) dakika içinde uygulanabilir basit tarama yöntemleri (kısa bilişsel testler) durumu yararlanabilir. İdeal olarak, bu objektif bir MCI acı yüksek bir olasılık olan hastaları tanımlamak istiyorsunuz, böylece daha sonra klinik olarak genel veya uzman hekimler tarafından test edilebilir.

MCI'nin erken teşhisinin halk sağlığı bağlamında önemli bir görev haline geldiği göz önüne alındığında, bu çalışma, yaşlı popülasyonların tarama testlerinde MCI'nin hedeflenen tanımlamasında hangi özelliklerin yararlı olduğunu belirlemeyi amaçlamaktadır. Bu gruplar daha ayrıntılı mci için testler birincil sağlık sağlayıcıları tarafından yönetilen test edilecektir. Bu yöntem, hedefiçin popülasyon gruplarını tanımlamak için uygun algoritmaları içeren bir karar ağacı sağlar.

Bu özellikler arasında yaş, bu patolojinin gelişimi ile ilişkili en tutarlı faktörlerden biridir. Diğer ilgili özellikleri demografik veya yaşam tarzı ile ilgili^5. Ikincisi arasında, bazı çalışmalar MCI tanısıyol açabilir bir risk faktörü olarak gündüz veya gece uyku süresi tespit etmiş^5,6,7,8,9. Benzodiazepinler gibi ilaçların uzun süreli tüketimi, yaşlı yetişkinlerin tahmini tarafından tüketilen 20%-25%^10,11, ayrıca uyku saatleri ve MCI gelişimini etkileyebilir^12,13. Gerçekten de, kronik hastalıklar için uzun süreli tedaviler MCI muzdarip yüksek riski olan bireylerin ön seçiminde yararlı önemli özellikler olabilir.

Burada, otomatik öğrenme algoritmaları, bir karar ağacı ve mci algılama metodolojisinin etkinliğini artırmak için bir tahmin aracı kullanan veri tabanlı modeller geliştirdik. MCI tespiti. Burada sunulan karar ağacı topluluk eczaneler kullanılarak İspanyol hastaların belirli bir kohort kullanılarak üretildi. Ancak, bu yöntem aynı zamanda farklı özelliklere sahip diğer popülasyonlar arasında yararlı olacaktır.

Bu çalışma, birinci basamak sağlık ve uzman tıp doktorları ile işbirliği içinde tamamlanmıştır. Topluluk eczaneler hastalara yakın, uzun çalışma saatleri var ve sık sık ziyaret ve istişare çünkü bu algoritmayı test etmek için idealdir. Dejeneratif demanslar her zaman iyi birincil sağlık sağlayıcıları¹⁴tarafından anlaşılamamıştır karmaşık koşullardır. Bu nedenle, sürece dahil olmak MCI ve demans muzdarip insanların bilincini artıracaktır.

Protokol

Bu çalışmada uygulanan metodoloji daha önce Valencia (İspanya) Aile ve Toplum Eczacılığı (SEFAC) ile ilişkili bölgedeki topluluk eczaneleri ile birlikte University CEU Cardenal Herrera'da yürütülen çalışmalarda⁵ yayınlanmıştır. Bu çalışma, Universidad CEU Cardenal Herrera'daki Araştırma Etik Komitesi tarafından gözden geçirildi ve onaylandı (onay no. CEI11/001) Mart 2011'de. Çalışmaya katılan tüm bireyler Helsinki Bildirgesi uyarınca katılım için yazılı bilgilendirilmiş onay verdi.

1. Hafif kognitif bozuklukla ilişkili faktörlerin seçimi

1. Cochrane Sistematik İncelemelerin (örn. bilişsel bozukluk, demans, risk faktörleri, vb.) taranmasında kullanılmak üzere MCI ile ilgili terimleri arayın.
2. PubMed veritabanında yayınlanan bilişsel bozulma veya demans ile bir ilişki bazı kanıtlar olduğu terimler için arama; bunlar arasında demografik faktörler (cinsiyet, yaş, eğitim düzeyi ve ekonomik durum), sosyal faktörler (bilişsel ve sosyal faaliyetler), kronik patolojiler (kolesterol, depresyon, hipertansiyon, diyabet ve obezite) ve yaşam tarzı davranışları (alkol tüketim, sigara alışkanlığı, diyet, fiziksel aktivite ve uyku saatleri).
3. Nitel değişkenlerin oran oranını veya nicel değişkenler için Cohen'in d efekti boyutunu hesaplayın¹⁵. Bir anket ayrıntılı olarak kullanmak için bilişsel bozulma veya demans için daha büyük etki boyutları ile değişkenleri seçin.

2. Anketlerin tasarımı

1. Nardi¹⁶tarafından sağlanan yönergeleri izleyerek, seçilen değişkenler hakkında bilgi toplamak için bir anket tasarlayın. Örneğin, Climent ve ark.^5'te kullanılan değişkenler demografik (yaş, kilo ve boy [kalibre edilmiş ölçekler ve stadiometreler kullanılarak standartlaştırılmış prosedürlerle ölçülür], cinsiyet, eğitim düzeyi ve istihdam tipi), yaşam tarzı (fiziksel egzersiz, okuma, gece ve gündüz uyku için harcanan zaman, bulmacalar, oyunlar, TV tüketim süresi ve tütün ve alkol tüketimi) ve kronik patolojiler (hipertansiyon, hiperlipidemi ve diyabet). Buna ek olarak, varlığı veya depresyon yokluğu kaydedin, hangi sık bilişsel bozulma ile ilişkilidir.
2. Bu sayfayı tasarlamak için Dader'in¹⁷ yöntemini kullanan Climent vd.^5'teolduğu gibi, görüşme sırasında katılımcılar tarafından tüketilen tüm ilaçları rapor etmek için bir farmakoterapi takip sayfası tasarlayın.

3. MCI taraması için testlerin seçimi

1. Birincil sağlık çalışanları (örn. eczacılar) tarafından uygulanabilecek MCI'yi taramak için kullanılan tüm testleri belirleyin. Bir uzman tarafından uygulanması gereken testleri reddedin. Bu koşulları yerine getiren testlerin bazıları Kısa Taşınabilir Zihinsel Durum Anketi (SPMSQ)¹⁸, Mini Zihinsel Durum Muayenesi (MMSE)¹⁹, Bellek Bozukluğu Ekran (MIS)²⁰, Resim Hafıza Bozukluğu Ekran (PMIS)²¹, Montreal Bilişsel Değerlendirme (MoCA)²², Saint Louis Üniversitesi Zihinsel Durum (SLUMS)²³, ve Hızlı Hafif Bilişsel Bozukluk (Qmci)²⁴. Her MCI testinin kapsamlı bir incelemesi Cullen ve ark.^25'temevcuttur.
2. Bilimsel literatürde test hassasiyetleri ve özellikleri iyi bir tahmin arayın.
3. Sağlıklı bireylere bu testleri yönetmek için gereken süreyi tahmin edin.
4. Bu testlerin tamamlanması için gerekli temel hasta özelliklerini göz önünde bulundurun. Örneğin, birçok MCI testi okuma yazma bilmeyen katılımcılar için uygun olmadığından, minimum eğitim düzeyi gerekli olabilir. McI tarama testleri bir dizi genellikle duyarlılığı artırmak için uygulanır; ancak, son seçici tarama büyük bir nüfus için tasarlanmıştır eğer testlerin minimum sayıda hızlı bir şekilde eczacılar tarafından uygulanmalıdır. Climent ve ark.⁵ MMSE ve SPMSQ testleri kullanarak MCI değerlendirildi, ikincisi okuma yazma bilmeyen İspanyol iç savaşı yaşamış bireylerin çok sayıda için uygun olan.
   1. Pfeiffer¹⁸ tarafından SPMSQ bir varyantı kullanın Martínez de la Iglesia²⁶tarafından İspanyolca doğrulandı. Bu test in maksimum puanı 10'dur ve bilişsel bozukluk oluşturmak için kesme noktası 3 veya daha fazla hatadır (okuma yazma bilmeyen bireyler için 4 veya daha fazla). Bu testin tamamlanması 8 ila 10 dakika sürer.
   2. Folstein¹⁹tarafından orijinal sürümünü uyarlayarak Blesa²⁷ tarafından İspanyolca konuşanlar için doğrulanmış MMSE bir NORMACODERM sürümünü kullanın. Bu tarama testi en fazla 30 puana sahiptir ve hastaların eğitim yıllarına ve yaşlarına göre düzeltilir. 24'ten az veya eşit puan alan katılımcılar MCI vakası olarak kabul edilir. MMSE genel bilişsel fonksiyonun bir ölçüsüdür ve zaman ve yere yönlendirme, yazılı ve sözlü dil, dikkat süresi, hesaplama ve bellek içerir. Bu çalışmada tüm katılımcılara uygulandı çünkü tamamlanması sadece yaklaşık 5 dakika sürer çok kısa bir testtir.

4. Konu alımı

1. Çalışma nüfusunu oluşturmak için kurumsallaşmayan kişileri işe almak isteyen eczacılar bulun. Climent ve ark.⁵ tarafından söz konusu çalışma, düzenli olarak eczaneye giden ve bu çalışmaya katılmayı kabul eden 65 yaş ve üzeri kişileri içeriyordu. Bu değerlendirme testlerini yapmakta güçlük çeken (örneğin, körlük, sağırlık vb.) veya demans tedavisi gören hastaları hariç tinleyin.
2. Katılımcı eczacılara, çalışmaya katılan her birey tarafından doldurulması gereken bilgilendirilmiş onay formlarını sağlayın. Bu onay formu, araştırmanın başlığını, projenin amaçlarını, katılımcının katılacağı tüm prosedürlerin anlaşılır bir açıklamasını, belirli risklerin olmamasını, toplanan tüm verilerin gizliliğini ve herhangi bir zamanda herhangi bir nedenle çalışmadan çekilme hakkı.
3. Katılımcılara yapılandırılmış kişisel görüşmeler yönetmek için eczacılar eğitmek, kişi başına yaklaşık yarım saat sürmesi gerekir. 1 yıl boyunca veri toplayın ve tüm formları çalışmada veri korumadan sorumlu araştırmacılara gönderin. Daha sonra 3 ay boyunca hastalarla takip.
4. Eczacılara MCI testlerini kullanarak olası bir MCI vakasını nasıl tanımlayabınlarını öğretin. Climent ve ark.^5'e dayanarak, düzeltilmiş MMSE testinde 4 veya daha fazla puan (okuma yazma bilmeyen katılımcılar için) veya diğer katılımcılar için 3 veya daha fazla puan ve 24 puan veya daha az puan kullandık.
5. Eczacılara MCI vakalarını klinik tanıları için bir tıp uzmanına (nörolog) nasıl yönlendireceklerini öğretin-bu araştırma çalışmasında kullanılan akış şemasındaki son adım(Şekil 1).

Şekil 1: Araştırma çalışmasının akış şeması ve önerilen seçici tarama. Sol taraf, sağ panelde gösterilen MCI'ın erken teşhisi için seçici tarama önermek için verileri makine öğrenme teknikleri ile analiz edilen ilk çalışmayı temsil etmektedir. Bu rakam Climent^34'tendeğiştirilmiştir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

5. Eczacı araştırmacı eğitimi

1. Katılımcı eczacıları bilişsel bozuklukla ilgili temel bilgiler konusunda eğitmek ve tarama araçlarını yönetmek için spmsq ve MMSE gibi oturumları düzenlemek için uzmanlarla iletişime geçin.
2. Katılımcı eczacıların prosedürlerden, veri toplama protokolünden ve veri korumayla ilgili tüm olası sorunlardan haberdar olmalarını sağlayın. Projenin bir Araştırma Etik Komitesi tarafından onaylandığını ve Helsinki Bildirgesi'ne göre onay formunun önemini bildirin.
   NOT: Climent ve ark.⁵tarafından açıklanan çalışmayı gerçekleştirmek için, Resmi Eczacılar Koleji'nde ve Cardenal-Herrera CEU Üniversitesi'nde (UCH-CEU) çalıştaylar düzenlendi ve şunlar ele alındı: MCI ve demans; MCI ve SPMQP ve MMSE yönetimi için tanısal yaklaşımlar (Castellón La Plana Hastanesi'nde Nöroloji Servisi tarafından öğretilen); üst düzey topluluk eczacı araştırmacıları tarafından metodolojinin proje sunumu ve açıklaması; uch-CEU Üniversitesi Eczacılık Bölümü araştırmacıları tarafından sağlık eğitimi ve bilişsel eğitim.

6. Çalışma tasarımı

1. Projenin fizibilitesini değerlendirmek için bir örneklem boyutunu hesaplayın. Bu gözlemsel bir çalışma olduğu için, daha büyük bir örnek daha etkili araçlar üretecektir. Örneklem boyutunu belirlemenin iki yolu vardır: biri yaygınlık tahminine dayanır ve diğeri etki büyüklükleri dikkate alınarak daha hassastır.
   1. Popülasyondaki durumun yaygınlığının doğru bir tahminini hesaplama
      
      
      
      α'nın anlamlılık düzeyi olduğu durumlarda, p₀ ilk tahmindir ve hata %100(1 - α)güven ile beklenen maksimum hatadır.
   2. Her faktör için literatürde bulunan etki boyutlarına göre,^15,28farklılıkları tespit etmek için ne kadar güç gerektiğini tahmin etmek için R pwr paketi gibi araçlar kullanın.
      NOT: Örneğin,⁵ no'lu çalışmamızda ilk öneriyi %95 güven ve 65 yaş ve üzeri nüfusta %15'lik MCI yaygınlığının ilk tahmini ile tasarladık ve bu da 541 bireyin tahmini gerekli örneklem büyüklüğüyle sonuçlandı.

7. Disiplinlerarası iletişim ağı, eczacılar, birinci basamak sağlık hekimleri ve uzmanlar

1. Proje hakkında bilgileri ilgili sağlık merkezlerine iletmek için mektuplar tasarla.
2. Katılımcı eczacılara, sağlık merkezine bir mektup la, tarama sonuçları hakkında atanan hekimlere nasıl bilgi verilebislerini açıklayın.
3. Katılımcı eczanelerle ilgili sağlık merkezlerinin tıbbi koordinatörlerine ve atandıkları hastanelerin Nöroloji Hizmetleri'ne yazılı iletişim göndermek.
4. Uzman sağlık hizmeti sağlayıcıları tarafından yapılan özel testler ile her hastanın kesin tanısını öğrenmek için katılımcı nörologlarla iletişime geçin. Bundan önce, birincil sağlık hizmeti sağlayıcıları klinik kılavuzlar tarafından özetlendiği gibi aşağıdaki protokolü gerçekleştirmelidir(Şekil 2).

Şekil 2: Birincil sağlık eylemi için protokol. Hasta uzmanlar tarafından tıbbi tanı için sevk edilmeden önce erken MCI tespiti için göz önünde bulundurulması gereken birincil sağlık faaliyetlerinin bir örneği. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

8. İstatistiksel analiz ve ön işleme

NOT: Makine öğrenimi tekniklerini uygulamadan önce, orijinal verileri son çalışma amacına ve uygulanacak prosedürlere göre yeni bir veri setine dönüştürmek için bir hazırlık adımı gereklidir. Bu dönüşüm için, algoritmaların özellikleri de dahil olmak üzere birkaç şey göz önünde bulundurulmalıdır. Bunun nedeni, karar ağaçları oluşturmak için kullanılan algoritmalar özellikle bu sorunlara karşı sağlam olsa da, bazılarının sütunlar arasında değişkenlik veya bilgi paylaşımı eksikliğine karşı duyarlı olmasıdır. Bu ilk aşama nitel değişkenleri kategorilere ayırmayı ve her değişken için yeterli durumda değerleri toplamayı amaçlar. Verimli tarama için, edinimi kolay ve doğru olduğu kanıtlanan değişkenleri seçmek önemlidir. Katılımcılar, kullanılan algoritmaların beyaz kutu modeliyle sınırlandırıldığı kısa bir mülakatla seçilir ve bu da bireyin sınava girip sınava katIlamaması gerektiğine karar vermek için kullanılan ölçütleri denetlemeyi kolaylaştırır. Bu algoritmalar için R yazılımındaki rpart²⁹ paketini kullanmanızı ve özyinelemeli bölümleme uygulamanızı öneririz.

1. Katılımcı eczanelerden tüm formları toplayın ve bunları her sütunun değişken olduğu ve her katılımcı bireyin bir satır olduğu bir tabloya dönüştürün.
2. Her katılımcıya bir kimlik numarası atayın. Makine öğrenme algoritması tarafından kullanılmaması için kimlik numarasını ve iletişim bilgilerini farklı bir belgeye kaydedin.
3. Farmakoterapi takip sayfasındaki aktif ana bileşenlere göre, hastanın aldığı her ilacın ikinci veya üçüncü ATC³⁰ (Anatomik Terapötik Kimyasal) seviye kodlarına karşılık gelip gelmediğini sınıflandırmak için değişkenler oluşturun.
4. İlk açıklayıcı çözümleme gerçekleştirin.
   1. Her ordinal değişken için, değişken için yeterli bir kontrast seçin. Kategorik değişkenler için, temel olarak kabul edilen değeri seçin.
   2. Kategorik değişkenler için, MCI için tarama için bir yanıt değişkeni ile tek değişkenli bir lojistik regresyon hesaplayın. Regresyonun sonucunu bir acil durum tablosu, p-değeri,örnek oran oranı ve oran oranının %95 güven aralığı ile analiz edin.
   3. Nicel değişkenler için, ortalama, standart sapma, lojistik regresyon katsayısını ve katsayılarının %95 güven aralığını hesaplayın.
5. Bu değişkenlerin doğru bir şekilde toplanmasızor olduğunu göz önünde bulundurarak, eksik (kullanılamayan) değerlere sahip değişkenleri reddedin.
6. Lojistik regresyon analizine göre yalnızca istatistiksel olarak anlamlı bir kategori(α < 0,01) olan değişkenleri seçin. Bu adımın sonucu, ilk adıma göre daha az veri kümesi üretir.

9. Algoritmalar bir karar ağacı oluşturmak için

NOT: Makine öğrenme algoritmaları, hangi bireylerin mci testi sonucunun pozitif olduğunu tahmin etmek için düzgün bir şekilde parametreye getirilmelidir. Bir durum için tarama sırasında ana sorunlardan biri orijinal veri dengesiz olması bekleniyor (yani, negatif olanlara göre birkaç olumlu olgu). Dengeli veri ile modeller elde etmek için biz aşağı örnekleme veya rasgele örnekleme denilen bir teknik kullanılan, en düşük frekans sınıf³¹ile frekans eşitlemek için . Verimli tarama da mümkün olduğunca yanlış negatiflerin sayısını azaltmayı gerektirir (yani, MCI muzdarip katılımcıların seçiminin duyarlılığını artırmak). Daha fazla duyarlılık elde etmek için kullanılan tekniklerden biri Gini'nin safsızlık endeksinin (yani, karar ağacı için en iyi bölmeyi seçmek için algoritma tarafından kullanılan indeks)^32'ninhesaplanmasında cezaların getirilmesidir.

1. Sırasıyla, caret kitaplığındaki createDataPartition işlevini kullanarak tüm veri kümesinin %80'i ve %20'si ile bir eğitim ve test veri seti oluşturun³³.
2. Karar ağaçları oluşturmak için kullanılan algoritmaları eğitim veri kümesine uygulayın. Caret kitaplığı³³ tren tekrar fonksiyonu kullanın. Aşağıdaki adımlar işlevin farklı parametreleridir; örneğin, bu yazıda kullanılan ağaç rpart²⁹ (yöntem = "rpart") ile oluşturulmuştur, ancak diğer algoritmalar mevcuttur.
   1. 'Aşağı örnekleme' örnekleme yöntemini seçin ve örnekleme = "aşağı" parametresini bakıma tanıtılın.
   2. Her iki sınıf için önceki olasılıkları ayarlayın.
   3. Artan hassasiyete odaklanmak için Gini'nin kirlilik indeksi cezaları ile bir kayıp matrisi sağlayın.
   4. Algoritmadaki her parametre için uygun bir değerler tablosu seçin.
   5. Parametre ızgarası içindeki en iyi modelleri seçmek için alıcı işletim eğrisi (ROC) değerlerinin çapraz doğrulama tahminini kullanın.
3. Modelin gerçek performansını değerlendirmek için test kümesi tahmini için bir karışıklık matrisi ve ROC eğrisi (AUC) altındaki alanı hesaplayın.

Sonuçlar

Katılımcı eczaneler 728 kullanıcıdan veri toplamış ve katılımcılara reçete edilen ilaçlara ek olarak demografik değişkenler toplanmıştır. Tüm değişkenler için tek değişkenli lojistik regresyon yapıldı³⁴; Şekil 3 ve Şekil 4'te gösterilen hata çubuğu grafikleri, oran oranının güven aralığının (nitel değişkenler için) ve lojistik regresyon katsayısının güven aralı?...

Tartışmalar

PubMed veritabanında Cochrane çalışmalarında MCI ile ilişkili terimleri araştırdıktan sonra, MCI ile kanıtlanmış bir ilişki ile en belirgin değişkenleri kullanan bu çalışma için özel bir anket oluşturuldu. Demografik, yaşam tarzı ve sosyal faktörlerin yanı sıra hastanın farmakoterapisi ve bazı ilgili patolojiler de kaydedildi. Ayrıca, SPMSQ ve MMSE MCI testleri de seçildi. Daha da önemlisi, SPMSQ katılımcıların eğitim seviyesinden etkilenmedi. Eczacılar bu çalışmayı yönetmek içi...

Malzemeler

Name	Company	Catalog Number	Comments
caret	Max Kuhn		R package
rpart	Terry Therneau, Beth Atkinson, Brian Ripley		R package
SPMSQ in Spanish	Farmaceuticoscomunitarios.org		http://farmaceuticoscomunitarios.org/anexos/vol11_n1/ANEXO1.pdf
SPMSQ in English	geriatrics.stanford.edu		https://geriatrics.stanford.edu/culturemed/overview/assessment/assessment_toolkit/spmsq.html
MMSE in Spanish	Farmaceuticoscomunitarios.org		http://farmaceuticoscomunitarios.org/anexos/vol11_n1/ANEXO2.pdf
MMSE in English	oxfordmedicaleducation.com		http://www.oxfordmedicaleducation.com/geriatrics/mini-mental-state-examination-mmse/