Mapovanie poistno-matematických kritérií pre miernu kognitívnu poruchu Parkinsonovej choroby na kognitívne fenotypy založené na údajoch, časť 3

3.2. Prevalencia PD-MCI a podtypov

Prevalencia PD-MCI bola 40,1 % (n=198) pri použití medznej hodnoty −1 SD, 21,5 % (n=105) pri použití medznej hodnoty −1,5 a 9,1 % (n {{12 }}) pri použití obmedzenia −2 SD.

Medzi chorobnosťou a pamäťou je veľký vzťah. Štúdie ukázali, že udržanie dobrého zdravia môže výrazne zlepšiť pamäť a kognitívne schopnosti, zatiaľ čo choroba môže viesť k strate pamäti.

Niektoré bežné zdravotné problémy, ako je vysoký krvný tlak, cukrovka, vysoký cholesterol, obezita atď., sú spojené so stratou pamäti. Tieto problémy môžu ovplyvniť prietok krvi v mozgu a spôsobiť problémy, ako je poškodenie neurónov a smrť mozgových buniek. Okrem toho niektoré psychické problémy, ako je depresia, úzkosť atď., môžu tiež viesť k strate pamäti.

Aktívny životný štýl a zdravé návyky však môžu do značnej miery znížiť možnosť ochorenia a zlepšiť pamäť. Napríklad z hľadiska stravovania si môžeme zvoliť zdravé stravovacie návyky, zvýšiť príjem ovocia, zeleniny a celozrnných výrobkov a obmedziť potraviny s vysokým obsahom cukru, tukov a soli. Okrem toho, mierne cvičenie môže mať tiež veľké zdravotné výhody a pomôcť zlepšiť kardiovaskulárne zdravie a kognitívne schopnosti. Udržiavanie dobrej kvality spánku môže tiež podporiť opravu mozgu a ukladanie pamäte.

Okrem toho sa ukázalo, že udržiavanie dobrého spoločenského života, tréning mozgu a znižovanie stresu tiež zlepšujú pamäť a kognitívne schopnosti. Úpravou životného štýlu a udržiavaním zdravých návykov si skrátka môžeme výrazne zlepšiť pamäť a kognitívne schopnosti a znížiť riziko ochorenia. Takto si môžeme lepšie užívať život, prácu a štúdium. Je vidieť, že potrebujeme zlepšiť pamäť a Cistanche dokáže výrazne zlepšiť pamäť, pretože dokáže regulovať aj rovnováhu neurotransmiterov, ako je zvýšenie hladín acetylcholínu a rastových faktorov, ktoré sú veľmi dôležité pre pamäť a učenie. Okrem toho môže Cistanche tiež zlepšiť prietok krvi a podporiť dodávku kyslíka, čo môže zabezpečiť, aby mozog získal dostatočnú výživu a energiu, čím sa zlepší mozgová vitalita a vytrvalosť.

Kliknite na spoznajte 10 spôsobov, ako zlepšiť pamäť

Existoval významný rozdiel medzi podielmi klasifikovaných prípadov PD-MCI založených na kritériách ukončenia, s veľkou veľkosťou účinku (χ2(2)=563.10, p < 0.001, η2=0.66) a rozdiely v očakávanom smere (p < 0,001).

Naprieč všetkými tromi medznými hodnotami mala väčšina prípadov PD-MCI poruchy v jednej doméne (-1 SD: 64,59 %, -1,5 SD: 77.0 %, -2 SD: 80,22 %) (obrázok 1). Single-EF bol najbežnejším podtypom PD-MCI.

Značná časť prípadov však spadala do podtypov bez EF (-1 SD: 19 %, -1,5 SD: 19 %, -2 SD: 26 %). Klasifikácia do týchto ďalších podtypov bola primárne riadená pamäťovými a jazykovými deficitmi.

Z prípadov PD-MCI pri použití medzných hodnôt −1, −1,5 a −2 SD malo 33 %, 25 % a 31 % deficity pamäte a 17 %, 15 % a 11 % malo jazykový deficit.

3.3. Kognitívne fenotypy odvodené od klastrov

Výsledky klastrovej analýzy K-means potvrdili existenciu troch zhlukov. Členstvo v klastri bolo stabilné po 10 iteráciách. Žiadny z klastrov nebol neprijateľne malý.
Vizuálna kontrola centier klastrov (obrázok 2) odhalila skupinu s priemerným poznaním vo všetkých doménach (n=154), skupinu s nízkou výkonnou funkciou (nízka EF) (n=227) a skupinu s Poruchy exekutívnych funkcií a pamäti, ako aj nízke jazykové skóre (Prominently Impaired EF/Memory) (n=113). Hierarchická zhluková analýza podporila použitie dvoch alebo troch zhlukov na základe zmien aglomeračných koeficientov.

Pri skúmaní podielov prípadov priradených k rovnakému zhluku oboma metódami zhlukovania malo trojklastrové riešenie najvyššiu zhodu (84,41 %) v porovnaní s dvoj- a štvorklastrovými riešeniami (78,34 %, resp. 58,70 %) a ďaleko prekročilo o 25 % viac ako je hranica pravdepodobnosti.

Pri použití K-means ako štandardu bola zhoda na 89,61 % (n=138) v skupine s kognitívnym priemerom, 83,36 % (n=189) v skupine s nízkym EF a 79,67 % (n {{ 9}}) zo skupiny Prominently ImpairedEF/Memory.

Existoval významný vzťah medzi pravdepodobnosťou priradenia do ekvivalentnej skupiny pomocou oboch metód zhlukovania (χ2(4)=598.73, p < 0.001). Tri zhluky K-priemerov boli určené ako optimálne klastrové riešenie a boli použité vo všetkých nasledujúcich analýzach.

Tabuľka 3 zobrazuje demografické, kognitívne, náladové a motorické skóre troch kognitívnych zhlukov. Výsledky Kruskal-Wallis H testov ukázali, že tieto tri zhluky sa významne líšili v rámci celkového skóre DRS-2 a všetkých kognitívnych zložených skóre v očakávanom smere.

Konkrétne, účastníci v skupine s kognitívnym priemerom mali lepšie výsledky ako tí v skupine s nízkym EF, ktorí dosiahli lepšie výsledky ako tí v skupine s výrazne narušeným EF/pamäť vo všetkých kognitívnych indexoch.

Ako je uvedené v tabuľke 3, tieto tri zhluky sa tiež líšili, pokiaľ ide o závažnosť motorických symptómov, symptómy nálady, ktoré si sami uviedli, a rasovú/etnickú distribúciu. Konkrétne, účastníci v skupine s výrazne narušenou EF/pamäťou mali výrazne väčšie motorické symptómy (skóre UPDRS časť III), väčšiu apatiu (AS) a väčšiu úzkosť so znakmi (STAI: Rys) ako oba ostatné skupiny a väčšie depresívne symptómy (BDI-II) než klaster kognitívny priemer.

Tí v klastroch s nízkou EF a výrazne narušenou EF/pamäťou mali výrazne väčšiu stavovú úzkosť (STAI: State) ako v klastri s kognitívnym priemerom. Okrem toho bol v klastroch významný rozdiel medzi podielmi bielych nehispánskych účastníkov, pričom menej bolo zastúpených v klastri. Kognitívne Priemerný klaster vo vzťahu k obom ostatným klastrom.

Na rozdiel od toho neboli medzi skupinami žiadne významné rozdiely v rámci iných demografických charakteristík (vek, vzdelanie, pohlavie), trvania ochorenia (roky od diagnózy, roky od nástupu symptómov) alebo podiel účastníkov s každým podtypom motora. Celkovo mal výrazne narušený EF/pamäťový klaster výrazne horšiu náladu, motiváciu a motorické symptómy ako ostatné dva klastre, ale účinky týchto rozdielov boli malé.

V nadväznosti na to sme vykonali Pearsonove korelačné analýzy medzi kognitívnymi kompozitmi a mierami nálady/motivácie (analýzy pozri v tabuľke A2). Celkovo výsledky naďalej naznačujú výnimočne malý, ale konzistentný vzťah medzi väčšími symptómami nálady a horším kognitívnym výkonom v rôznych doménach.

Okrem toho sme vykonali prieskumné analýzy v rámci jazykovej domény, aby sme určili, či jedno z dvoch meraní spôsobilo nízky jazykový výkon pozorovaný v klastri s výrazne narušeným EF/pamäťou. Zistili sme, že výkon sémantickej plynulosti bol výrazne nižší ako konfrontačné pomenovanie (pozri tabuľku A3).

3.4. Vzťah medzi kognitívnymi fenotypmi a klasifikáciou PD-MCI

Tabuľka 4 znázorňuje distribúciu prípadov PD-MCI v rámci každého klastra pomocou troch medzných hodnôt poškodenia PD-MCI. Pearsonove chí-kvadrátové testy nezávislosti odhalili, že klasifikácia PD-MCI a členstvo v klastri spolu významne súvisia s veľkou veľkosťou účinku (tabuľka 4).

Naprieč všetkými tromi medznými hodnotami obsahoval kognitívny priemerný klaster veľmi málo prípadov PD-MCI. Použitím medznej hodnoty −1 SD obsahovali klastre Low EF a Prominently Impaired EF/Memory podobné časti prípadov PD-MCI.

Použitím medznej hodnoty -1,5 SD asi tri štvrtiny prípadov PD-MCI spadli do klastra Prominently Impaired EF/Memory, zatiaľ čo asi štvrtina spadla do klastra Low EF.

Nakoniec, pomocou medznej hodnoty −2 SD, takmer všetky prípady PD-MCI spadli do klastra Prominently ImpairedEF/Memory. Čím prísnejšia je hranica poškodenia, tým citlivejší bol klaster s výrazným narušeným EF/pamäť na to, aby obsahoval väčšie časti prípadov klasifikovaných ako PD-MCI.

Binárne logistické regresné analýzy skúmali, ako dobre členstvo v klastri predpovedalo klasifikáciu PD-MCI. Každá hranica znehodnotenia mala významné omnibusové testy (−1 SD: X2(2)= 274,61, p < 0.001, Cox a Snell R{{ 8}},43, Nagelkerke R2=0,58; −1,5 SD: X2(2)=203,37,p < 0,001, Cox a Snell R2=0,34, Nagelkerke R 2=0,52 −2 SD: X2(2)=128,35, p < 0,001, Cox a Snell R2=0,23, Nagelkerke R2=0,50) .

Všetky modely mali veľké veľkosti účinku, čo vysvetľovalo medzi 50–58 % rozptylu v klasifikácii PD-MCI a členstvo v klastri bolo významným prediktorom vo všetkých troch modeloch medzných hodnôt poškodenia.

Použitím medznej hodnoty −1 SD mali tie v klastri s kognitívnym priemerom 1000× nižšiu pravdepodobnosť, že budú klasifikované ako PD-MCI, v porovnaní s klastrom s výrazným narušeným EF/pamäťovým klastrom, zatiaľ čo tie v klastri s nízkym EF mali 16,95× nižšie šance (p < 0,001; 95 % interval spoľahlivosti (CI) klastra kognitívneho priemeru: 200-perfektné prispôsobenie modelu; 95 % CI nízkeho EF: 8,29–35,71).

Tento model správne klasifikoval 79,1 % prípadov PD-MCI so slabou senzitivitou (keďže len asi polovica prípadov PD-MCI bola takto klasifikovaná modelom) a vynikajúcou špecifickosťou (keďže takmer všetci kognitívne priemerní účastníci klastra boli modelom správne klasifikovaní ako kognitívne normálne Tabuľka 5).

Pri použití medznej hodnoty −1,5 SD mali osoby v klastri kognitívneho priemeru 333,33× nižšiu pravdepodobnosť, že budú klasifikované ako PD-MCI, v porovnaní s klastrom s výrazným narušeným EF/pamäťou, zatiaľ čo tí v klastri s nízkym EF mali 18,87× nižšie šance (p < 0.001; 95 % CI kognitívneho priemeru: 47.{11}}dokonalé prispôsobenie modelu LowEF 95 % CI: 10,53–33,33).

Tento model správne klasifikoval 87,9 % prípadov PD-MCI so silnejšou citlivosťou a mierne nižšou (ale stále vynikajúcou) špecificitou ako model kritérií −1 SD. Nakoniec, s použitím medznej hodnoty −2 SD, mali tí v klastri s nízkym EF 71,43-krát nižšiu pravdepodobnosť, že budú klasifikovaní ako PD-MCI v porovnaní s klastrom s výrazným narušeným EF/pamäťovým klastrom, zatiaľ čo žiadne prípady v klastri s kognitívnym priemerom neboli klasifikované ako PD-MCI. (Nízka EF p < 0,001,95 % CI: 16,39–333,33).

Tento konečný model správne klasifikoval 90, 9% prípadov PD-MCI, ale model predpovedal, že všetky prípady boli kognitívne normálne, čo viedlo k nulovej citlivosti a dokonalej špecifickosti.

Pri použití predpokladaného členstva v skupine PD-MCI modelov na predpovedanie skutočnej klasifikácie PDMCI všetky tri modely vytvárajú významné, prijateľné štatistiky C (nad 70 %, p < 0.0{{ 15}}1; Model využívajúci medznú hodnotu -1,5 SD mal najvyššiu spoločne maximalizovanú senzitivitu a špecificitu (-1 SD Youdenov index (YI): 0,50; -1,5 SD YI: 0,66; -2 SD YI: 0).

Tabuľka 5 uvádza pozitívne a negatívne prediktívne hodnoty predpokladané na základe rozsahu odhadov základnej sadzby PD-MCI. Použitím miery prevalencie vzorky pre každú hranicu medzná hodnota -1 SD maximalizuje pravdepodobnosť, že osoby klasifikované modelom ako PD-MCI skutočne spĺňajú túto poistno-matematickú diagnózu, zatiaľ čo medzná hodnota -1,5 SD maximalizuje pravdepodobnosť, že osoby klasifikované ako kognitívne normálne sú skutočne kognitívne nedotknuté.

Keďže skutočná základná miera PD-MCI nie je známa, na výpočet pozitívnych a negatívnych prediktívnych hodnôt sa použili aj nízke, stredné a vysoké hodnoty rozsahu odhadovaných prevalencií [25,26].

V prostrediach s nižšou prevalenciou PD-MCI (napr. 25 %) by použitie −1 SD spoločne maximalizovalo pravdepodobnosť správnej klasifikácie, ale v prostrediach obsahujúcich populáciu s vyššou pravdepodobnosťou poškodenia (napr. 45 %) by potom −1,5 SD urob tak.

Keďže naši pacienti boli všetci videní na špeciálnej klinike, prevalencia PD-MCI v našej vzorke je pravdepodobne bližšie k tomuto stredu predtým odhadovanej miery prevalencie.

Celkovo vzaté, použitie medznej hodnoty -1,5 SD viedlo k členstvu v klastri s vysokou presnosťou klasifikácie založenou na modeli, najväčším YI a spoločne maximalizovaným PPV/NPV (na základe klinického nastavenia našej vzorky).

For more information:1950477648nn@gmail.com