Parkinsoni tõve kerge kognitiivse kahjustuse kindlustusmatemaatilised kriteeriumid andmepõhistele kognitiivsetele fenotüüpidele, 3. osa

3.2. PD-MCI ja alatüüpide levimus

PD-MCI levimus oli 40,1% (n=198), kui kasutati SD piirväärtust –1, 21,5% (n=105), kui kasutati piiri –1,5 ja 9,1% (n {{12). }}), kui kasutate -2 SD väljalülitamist.

Haigestumuse ja mälu vahel on suur seos. Uuringud on näidanud, et hea tervise säilitamine võib oluliselt parandada mälu ja kognitiivseid võimeid, samas kui haigus võib põhjustada mälukaotust.

Mõned levinud terviseprobleemid, nagu kõrge vererõhk, diabeet, kõrge kolesteroolitase, rasvumine jne, on seotud mälukaotusega. Need probleemid võivad mõjutada verevoolu ajus, põhjustades selliseid probleeme nagu neuronite kahjustus ja ajurakkude surm. Lisaks võivad mälukaotust põhjustada ka mõned psühholoogilised probleemid, nagu depressioon, ärevus jne.

Aktiivne elustiil ja tervislikud harjumused võivad aga oluliselt vähendada haigestumise võimalust ja parandada mälu. Näiteks toitumise osas saame valida tervislikke toitumisharjumusi, suurendada puu- ja juurviljade ning täisteratoodete tarbimist ning vähendada suhkru-, rasva- ja soolarikkaid toite. Lisaks võib mõõdukal treeningul olla ka palju kasu tervisele ning see aitab parandada südame-veresoonkonna tervist ja kognitiivseid võimeid. Hea unekvaliteedi säilitamine võib samuti soodustada aju paranemist ja mälu säilitamist.

Lisaks on tõestatud, et hea sotsiaalse elu säilitamine, aju treenimine ja stressi vähendamine parandavad mälu ja kognitiivseid võimeid. Lühidalt öeldes saame oma elustiili kohandades ja tervislikke harjumusi säilitades oluliselt parandada oma mälu ja kognitiivseid võimeid ning vähendada haigestumisriski. Nii saame paremini nautida elu, tööd ja õppimist. On näha, et me peame parandama mälu ja Cistanche võib oluliselt parandada mälu, sest see võib reguleerida ka neurotransmitterite tasakaalu, näiteks tõsta atsetüülkoliini ja kasvufaktorite taset, mis on mälu ja õppimise jaoks väga olulised. Lisaks võib Cistanche parandada verevoolu ja soodustada hapniku kohaletoimetamist, mis tagab aju piisava toitumise ja energia, parandades seeläbi aju elujõudu ja vastupidavust.

Klõpsake nuppu Tea 10 viisi mälu parandamiseks

PD-MCI klassifitseeritud juhtumite proportsioonide vahel oli oluline erinevus, mis põhinesid suure efekti suurusega (χ2(2)=563.10, p < 0.001, η2=0.66) ja erinevused eeldatavas suunas (p < 0,001).

Kõigi kolme piirväärtuse lõikes oli enamikul PD-MCI juhtudest ühe domeeni kahjustused (-1 SD: 64,59%, -1,5 SD: 77.0%, -2 SD: 80,22%) (joonis 1). Single-EF oli kõige levinum PD-MCI alatüüp.

Märkimisväärne osa juhtudest langes aga mitte-EF-alatüüpidesse (-1 SD: 19%, -1,5 SD: 19%, -2 SD: 26%). Nendesse teistesse alatüüpidesse klassifitseerimise põhjuseks oli peamiselt mälu- ja keelepuudus.

PD-MCI juhtudest oli SD piiride –1, –1,5 ja –2 kasutamisel mälupuudus 33%, 25% ja 31% ning keelepuudus vastavalt 17%, 15% ja 11%.

3.3. Klastrist tuletatud kognitiivsed fenotüübid

K-keskmiste klastrianalüüsi tulemused kinnitasid kolme klastri olemasolu. Klastri liikmesus oli stabiilne pärast 10 iteratsiooni. Ükski klastritest ei olnud lubamatult väike.
Klastrite keskuste visuaalne kontroll (joonis 2) näitas rühma, millel oli kõigi domeenide keskmine tunnetus (n=154), madala täidesaatva funktsiooniga rühm (madal EF) (n=227) ja rühm täidesaatva funktsiooni ja mälu kahjustused, aga ka madala keele skoorid (ilmselt kahjustatud EF/mälu) (n=113). Hierarhiline klastri analüüs toetas kahe või kolme klastri kasutamist, mis põhines aglomeratsioonikoefitsientide muutustel.

Kui uurida mõlema klastrimeetodiga samale klastrile määratud juhtumite osakaalu, oli kolme klastri lahendus kõige suurem (84,41%), võrreldes kahe ja nelja klastriga lahendustega (vastavalt 78,34% ja 58,70%) ning ületas kaugelt 25% suurema tõenäosuse künnisest.

Kasutades K-keskmisi standardina, oli kokku lepitud 89,61% (n=138) kognitiivselt keskmise rühma, 83,36% (n=189) madala EF rühma ja 79,67% (n {{ 9}}) grupist Prominenly ImpairedEF/Memory.

Mõlemat klastrite moodustamise meetodit kasutades samaväärsesse rühma määramise tõenäosuse vahel oli oluline seos (χ2(4)=598.73, p < 0.001). Seega kolm K-keskmise klastrit määrati optimaalseks klastrilahenduseks ja neid kasutati kõigis järgnevates analüüsides.

Tabelis 3 on kujutatud kolme kognitiivse klastri demograafilised, kognitiivsed, meeleolu ja motoorsed skoori. Kruskal-Wallis H testide tulemused näitasid, et kolm klastrit erinesid DRS{1}} koguskoorides ja kõigis kognitiivsetes liitskoorides eeldatavas suunas oluliselt.

Täpsemalt, kognitiivselt keskmise rühma osalejad toimisid kõigi kognitiivsete näitajate lõikes paremini kui madala EF-rühma osalejad, kes saavutasid parema tulemuse kui silmapaistvalt nõrgenenud EF / mälu rühmas.

Nagu on näidatud tabelis 3, erinesid kolm klastrit ka motoorsete sümptomite tõsiduse, enesest teatatud meeleolusümptomite ja rassilise/etnilise jaotuse osas. Nimelt olid silmapaistva häirega EF/mälu klastris osalejatel märgatavalt suuremad motoorsed sümptomid (UPDRS III osa skoorid), suurem apaatia (AS) ja suurem ärevushäire (STAI:Trait) kui mõlemal klastril ja suuremad depressiivsed sümptomid (BDI-II) kui Kognitiivselt Keskmine klaster.

Madala EF-i ja silmatorkavalt kahjustatud EF-i/mälu klastrites oli märkimisväärselt suurem ärevushäire (STAI: State) kui kognitiivselt keskmise klastris. Pealegi oli märkimisväärne erinevus klastrite valgete hispaanlastest osalejate proportsioonide vahel, kusjuures rühmas oli neid vähem esindatud. Kognitiivselt keskmine klaster mõlema teise klastri suhtes.

Seevastu ei olnud klastrite vahel olulisi erinevusi muude demograafiliste tunnuste (vanus, haridus, sugu), haiguse kestuse (aastad pärast diagnoosimist, aastad pärast sümptomite ilmnemist) ega iga motoorsete alatüüpidega osalejate osakaalu vahel. Üldiselt olid silmatorkavalt kahjustatud EF/mälu klastri meeleolu, motivatsiooni ja motoorsed sümptomid oluliselt halvemad kui kahel teisel klastril, kuid nende erinevuste mõju oli väike.

Järeltegevusena viisime läbi Pearsoni korrelatsioonianalüüsid kognitiivsete komposiitide ja meeleolu/motivatsiooni mõõtmiste vahel (analüüside kohta vt tabel A2). Üldiselt näitasid tulemused jätkuvalt erakordselt väikest, kuid järjekindlat seost tugevamate meeleolusümptomite ja halvema kognitiivse jõudluse vahel.

Lisaks viisime keelevaldkonnas läbi uurimuslikud analüüsid, et teha kindlaks, kas üks kahest meetmest põhjustas silmapaistvalt kahjustatud EF/mälu klastris täheldatud madalat keelejõudlust. Leidsime, et semantiline sujuvus oli oluliselt madalam kui vastasseisu nimetamine (vt tabel A3).

3.4. Kognitiivsete fenotüüpide ja PD-MCI klassifikatsiooni vaheline seos

Tabelis 4 on kujutatud PD-MCI juhtumite jaotus igas klastris, kasutades kolme PD-MCI kahjustuse piirmäära. Pearsoni iseseisvuse hii-ruuttestid näitasid, et PD-MCI klassifikatsioon ja klastri liikmesus olid üksteisega märkimisväärselt seotud suure efekti suurusega (tabel 4).

Kõigi kolme piirväärtuse lõikes sisaldas kognitiivselt keskmine klaster väga vähe PD-MCI juhtumeid. Kasutades −1 SD piiri, sisaldasid Low EF ja Prominenently Impaired EF/Memory klastrid sarnaseid osi PD-MCI juhtudest.

Kasutades -1,5 SD piirväärtust, langes umbes kolmveerand PD-MCI juhtudest silmapaistvalt kahjustatud EF-i/mälu klastrisse, samas kui umbes veerand langes madala EF-klastrisse.

Lõpuks, kasutades −2 SD-lõikepiiri, langesid peaaegu kõik PD-MCI juhtumid silmapaistvalt kahjustatudEF-i/mäluklastrisse. Seega, mida rangem on kahjustuse piirmäär, seda tundlikum oli silmapaistvalt kahjustatud EF/mälu klaster suurema osa PD-MCI klassifitseeritud juhtumite sisalduse suhtes.

Binaarsete logistiliste regressioonianalüüsidega uuriti, kui hästi klastri liikmesus ennustas PD-MCI klassifikatsiooni. Igal kahjustuse piiril olid olulised omnibustestid (−1 SD: X2(2)= 274.61, p < 0.001, Cox ja Snell R{{ 8}}.43, Nagelkerke R2=0.58; −1,5 SD: X2(2)=203.37,p < 0,001, Cox ja Snell R2=0.34, Nagelkerke R 2=0.52; −2 SD: X2(2)=128.35, p < 0.001,Cox ja Snell R2=0.23, Nagelkerke R2=0.50) .

Kõigil mudelitel oli suur mõju, mis selgitas 50–58% PD-MCI klassifikatsiooni dispersioonist, ja klastri kuulumine oli kõigi kolme kahjustuse piirmudeli oluline ennustaja.

Kasutades SD piirväärtust −1, oli kognitiivselt keskmise klastris 1000 × väiksem tõenäosus saada PD-MCI, võrreldes silmapaistvalt kahjustatud EF-i/mäluklastriga, samas kui madala EF-klastri rühmas oli 16,95 × madalam koefitsient (p < 0,001; kognitiivselt keskmine klastri 95% usaldusintervall (CI): 200-sobib ideaalselt mudelisse; madala EF-i 95% CI: 8,29–35,71).

See mudel klassifitseeris õigesti 79,1% PD-MCI juhtudest halva tundlikkusega (kuna ainult umbes pooled PD-MCI juhtudest klassifitseeriti selliseks) ja suurepärase spetsiifilisusega (kuna peaaegu kõik kognitiivselt keskmised klastri osalejad klassifitseeriti mudeli järgi õigesti kognitiivselt normaalseteks). tabel 5).

Kasutades –1,5 SD piirväärtust, oli kognitiivselt keskmise klastri klastri PD-MCI-ks 333,33 korda väiksem tõenäosus, võrreldes silmapaistvalt kahjustatud EF/mälu klastriga, samas kui madala EF-klastri rühmas oli 18,87 korda väiksem tõenäosus (p < < 0.001; Kognitiivselt keskmine 95% CI: 47.{11}}LowEF 95% CI: 10,53–33,33).

See mudel klassifitseeris õigesti 87, 9% PD-MCI juhtudest tugevama tundlikkusega ja veidi madalama (kuid siiski suurepärase) spetsiifilisusega kui −1 SD kriteeriumimudel. Lõpuks, kasutades −2 SD piiri, oli madala EF-i klastris 71,43 korda väiksem tõenäosus saada PD-MCI-ks, võrreldes silmatorkavalt kahjustatud EF-/mäluklastriga, samas kui kognitiivselt keskmise klastris ei klassifitseeritud ühtegi juhtumit PD-MCI-ks. (Madal EF p < 0,001,95% CI: 16,39–333,33).

See lõplik mudel klassifitseeris õigesti 90, 9% PD-MCI juhtudest, kuid mudel ennustas, et kõik juhtumid olid kognitiivselt normaalsed, mis põhjustas nulltundlikkuse ja täiusliku spetsiifilisuse.

Kui kasutate tegeliku PDMCI klassifikatsiooni ennustamiseks mudelite prognoositud PD-MCI gruppi kuulumist, toovad kõik kolm mudelit märkimisväärset vastuvõetavat C-statistikat (üle 70%, p < 0.0{{ 15}}1 tabel 5). -1,5 SD piirväärtust kasutaval mudelil oli suurim ühiselt maksimeeritud tundlikkus ja spetsiifilisus (-1 SD Youdeni indeks (YI): 0,50; -1,5 SD YI: 0,66; -2 SD YI: 0).

Tabelis 5 on toodud positiivsed ja negatiivsed prognoositavad väärtused, mis põhinevad PD-MCI baasmäära hinnangutel. Kasutades valimi levimusmäärasid iga piirmäära kohta, maksimeerib −1 SD piirväärtus tõenäosust, et mudeli järgi PD-MCI-ks klassifitseeritud isikud vastavad tõesti sellele kindlustusmatemaatilisele diagnoosile, samas kui −1,5 SD piirväärtus maksimeerib tõenäosust, et kognitiivselt normaalseteks klassifitseeritud inimesed on kognitiivselt tõeliselt puutumatud.

Kuna PD-MCI tegelik baasmäär ei ole teada, kasutati positiivsete ja negatiivsete ennustusväärtuste arvutamiseks ka hinnanguliste levimuste vahemiku madalat, kesk- ja ülemist punkti [25, 26].

Madalamate PD-MCI levimusmääradega (nt 25%) seadetes suurendaks –1 SD kasutamine ühiselt õige klassifikatsiooni tõenäosust, kuid seadetes, mis sisaldavad suurema kahjustuse tõenäosusega populatsiooni (nt 45%), siis –1,5 SD tee nii.

Kuna kõiki meie patsiente vaadati erikliinikus, on PD-MCI levimus meie valimis arvatavasti lähemal sellele varem hinnatud levimusmäärade keskpunktile.

Kokkuvõttes andis –1,5 SD piirmäära kasutamine klastri liikmelisusele kõrge mudelipõhise klassifikatsiooni täpsuse, suurima YI ja ühiselt maksimeeritud PPV/NPV (meie proovi kliinilise seadistuse alusel).

For more information:1950477648nn@gmail.com