本视频的目的是描述如何设计一个具有成本效益的轻度认知障碍筛查，这涉及更多的困难比预期的执行低认知技能主要与记忆和语言有关。我们要强调这种影响老年人的状况的重要性，以及这个程序的多功能性。这个程序可以很容易地适应其他疾病，将昂贵的筛查转化为可行的筛查。
搜索 Cochrane 系统评论，查看要筛选的条件术语。例如，在我们的研究中，认知障碍或痴呆症"与风险因素有关。在 PubMed 术语上搜索提供了一些与认知恶化或痴呆症关系的证据。
选择具有更多与认知恶化或痴呆症关联证据的变量，以制定调查问卷。使用 PubMed 和 Cochrane 系统审查进行了包括认知障碍"和风险因素"等术语的彻底搜索。在开始研究之前，目的是汇编科学文献中出现的最大因素。
作为与认知障碍相关的可能特征，特别是在Cochrane数据库中，所有术语"认知障碍"或痴呆症的文章，以及PubMed文章中关于性别、教育水平、认知活动、身体活动、糖尿病、高血压、胆固醇、抑郁症、肥胖、吸烟、饮酒、睡眠、饮食和经济条件的文章。结合认知障碍"或痴呆症，太。因此，在书目审查中用变量拟订了一份调查表，其中提供了与认知恶化或痴呆症关系的一些证据。
调查表的设计包含所选关联变量的信息。在我们的绩效研究中，选择的变量是人口生活方式和慢性病理学，以及存在或不存在抑郁症，这往往与认知恶化有关。药物的消耗是按照该方法收集的。
解剖治疗化学规范用于对药物进行分类。选定的筛查测试可由药剂师等初级卫生人员管理。测试所需的基本特征已考虑在内。
特别是，对于生活在西班牙内战中的大量文盲的西班牙老年人口，我们的建议是使用短期便携式精神状态调查问卷和小型精神状态检查，这两种调查都广泛应用于记忆诊所，因为其中一个需要识字。被招募者是65岁或以上的非住院病人，他们定期去药房，并希望参加本研究。任何难以进行评估测试的人或正在治疗痴呆症的人被排除在外。
当至少满足以下一项标准时，研究参与者被视为认知障碍。短便携式精神状态问卷中的数据分数是文盲参与者的四分或四分或更多分，其他科目为三分或更多分。在更正的迷你精神状态考试中低于或等于 24 分。
认知障碍的参与者被转介给医学专家，作为神经科医生，他们的临床诊断。药剂师研究人员接受过认知障碍基本知识和筛查工具管理培训。我们进行横截面研究，以检测65岁及以上人群的认知障碍和潜在的社会因素。
认知障碍患病率的估计样本量为541人，因损失增加10%，为600人。医疗网络之间设计了通信信，告知项目。根据图表中显示的协议，通过特定测试进行最终诊断保留给专门护理。
这是应用机器学习技术之前专有的步骤，根据要应用的算法的 p 检验转换数据。生成决策树的算法是更改变量之间的变异性或相关性。因此，重点是对变量进行分类。
例如，根据解剖治疗化学分类代码的第二和第三级，根据药物治疗随从表，生成变量来分类患者是否正在服用药物。对每个变量执行了逻辑回归分析，以评估其是否足够重要，可以包含在数据集中以生成决策树。为了在可能的认知衰退中获得最大数量的准确性，已经组装了几种机器学习技术。
最后，我们基于递归请求算法，开发一个包含 80% 核心的模型和树模型，以开发决策树，以获得筛选中最重要的变量。机器学习算法应用于训练数据集，该数据集包含整个数据集的 80%。其余部分用于估计模型的准确性。
数据集预期保持平衡，下采样是解决此问题的技术之一。对于筛选，我们非常有兴趣尽可能减少假阴性。这可以通过损失矩阵的上部 PA 选择实现。
通过交叉验证选择了算法的最佳参数。我们的横截面研究由728名65岁非住院参与者进行。10027名参与者在轻度认知障碍测试中得分呈阳性。
被归类为阳性的参与者被转诊到临床诊断。在进行研究以估计轻度认知障碍用户的百分比后，将用所有变量执行新的变量物流回归，以选择变量。对于某些更重要的变量，此误差条图中显示赔率比率的 99% 置信区间。
它是赔率比率的置信区间的常用跨图表示形式，其中低比例用于赔率比率。选择 p 值大于 0.01 的所有这些变量都选择基于决策树生成宽框模型，而未选择具有较高 p 值的许多其他变量来生成模型。例如，对于这些普通变量，赔率比率的 99% 置信区间包含在值 1 中。
因此，p 值高于 0.01。在此预处理之后，我们将数据集拆分为训练数据测试和测试数据集。决策树作为输入在训练数据集中生成，该数据集由 583 个人组成，并且使用包含 145 个用户的测试集进行验证。
通过测试集中 ROC 曲线下的区域评估算法的性能。在 R 中使用汽车库后，对于每个用户，生成的树分配了概率和建议，即用户是否应参加轻度认知障碍测试。它们取决于树中的最终节点。
框底部的值是培训中具有这些特征的个人的百分比。暖是盒子的颜色，在轻度认知障碍测试中越可能呈阳性。注意顶部节点对应于内存投诉不存在的问题。
在这里，一个肯定的答案欢呼到左分支，是以下问题的用户的性别，而否定的答案意味着去正确的分支，并询问用户每天的睡眠时间。要评估决策树的完整铸造能力，将显示 ROC 曲线。它位于 ROC 曲线下的面积为.0.763。
树关于参加轻度认知障碍测试的建议获得了敏感性。0.76 和 0.7 的特异性，表示图中的蓝色点。因此，使用决策树工具选择有轻度认知障碍风险的用户进行简短访谈，可显著增加参加轻度认知障碍测试的用户数量，这对于测试人员来说非常耗时。
可以在测试集中估计此减少，解释观测类和预测类的混淆矩阵。事实上，在测试集的145个用户中，有55个是由决策树选择的，减少了62%的参加测试的用户，而大多数轻度认知障碍的阳性用户被选择，即25个用户中的19个。作为本研究的结论，鉴于轻度认知障碍筛查的患病率较低，17%为研究考虑，通过机器学习技术设计出一套适当的选择标准，将轻度认知障碍阳性率提高至30%以上。
因此，这些工具要求在筛选方面提高效率，从而大幅度降低成本。数据驱动模型受益于了解什么是最重要的信息，以便构建简化模型。决策树的构建让我们了解了哪些变量，我们应该把焦点，以便以具有成本效益的方式区分那些被推荐参加或不建议参加轻度认知障碍测试的人。
协议设计非常耗时。因此，一些其他测试可能会考虑在未来发现轻度认知障碍，只需几分钟。此外，我们决定在50岁而不是65岁时进行筛查研究，作为预防任务，以提高轻度认知障碍链的有效性。
药剂师是最易访问的和定期访问的医疗保健专业人员之一，他们可以在早期发现轻度认知障碍中发挥重要作用。
