Картографиране на актюерски критерии за болестта на Паркинсон - леко когнитивно увреждане върху управлявани от данни когнитивни фенотипове, част 3

3.2. Разпространение на PD-MCI и подтипове

Разпространението на PD-MCI е 40,1% (n=198) при използване на границата на −1 SD, 21,5%(n=105) при използване на границата на −1,5 и 9,1% (n {{12 }}), когато използвате прекъсване на −2 SD.

Има голяма връзка между заболеваемостта и паметта. Проучванията показват, че поддържането на добро здраве може значително да подобри паметта и когнитивните способности, докато болестта може да доведе до загуба на паметта.

Някои често срещани здравословни проблеми, като високо кръвно налягане, диабет, висок холестерол, затлъстяване и др., са свързани със загуба на паметта. Тези проблеми могат да повлияят на кръвния поток в мозъка, причинявайки проблеми като увреждане на невроните и смърт на мозъчни клетки. В допълнение, някои психологически проблеми, като депресия, тревожност и др., също могат да доведат до загуба на паметта.

Въпреки това, активният начин на живот и здравословните навици могат да намалят възможността от заболяване и да подобрят паметта до голяма степен. Например, по отношение на диетата, можем да изберем здравословни хранителни навици, да увеличим приема на плодове, зеленчуци и пълнозърнести храни и да намалим храните с високо съдържание на захар, мазнини и сол. В допълнение, умерените упражнения също могат да имат големи ползи за здравето и да помогнат за подобряване на сърдечно-съдовото здраве и когнитивните способности. Поддържането на добро качество на съня може също да насърчи възстановяването на мозъка и съхранението на паметта.

В допълнение, поддържането на добър социален живот, тренирането на мозъка и намаляването на стреса също са показали, че подобряват паметта и когнитивните способности. Накратко, като коригираме начина си на живот и поддържаме здравословни навици, можем значително да подобрим паметта и когнитивните си способности и да намалим риска от заболяване. По този начин можем да се наслаждаваме на живота, да работим и да учим по-добре. Вижда се, че трябва да подобрим паметта и Cistanche може значително да подобри паметта, защото може също да регулира баланса на невротрансмитерите, като например повишаване на нивата на ацетилхолин и растежни фактори, които са много важни за паметта и ученето. В допълнение, Cistanche може също така да подобри притока на кръв и да насърчи доставянето на кислород, което може да гарантира, че мозъкът получава достатъчно храна и енергия, като по този начин подобрява жизнеността и издръжливостта на мозъка.

Щракнете върху познайте 10 начина за подобряване на паметта

Има значителна разлика между пропорциите на PD-MCI класифицирани случаи въз основа на критерии за прекъсване, с голям размер на ефекта (χ2(2)=563.10, p < 0.001, η2=0.66) и разлики в очакваната посока (p < 0.001).

И при трите гранични стойности повечето случаи на PD-MCI са имали увреждания с един домейн (−1 SD: 64,59%, −1,5 SD: 77.0%, −2 SD: 80,22%) (Фигура 1). Единичният EF е най-често срещаният подтип на PD-MCI.

Въпреки това, значителна част от случаите попадат в не-EF подтипове (−1 SD: 19%, −1,5 SD: 19%, −2 SD: 26%). Класификацията в тези други подтипове беше основно продиктувана от дефицит на паметта и езика.

От случаите на PD-MCI, когато се използват границите на −1, −1,5 и −2 SD, 33%, 25% и 31% са имали дефицит на паметта и съответно 17%, 15% и 11% са имали езикови дефицити.

3.3. Произведени от клъстери когнитивни фенотипове

Резултатите от клъстерния анализ на K-средните подкрепиха съществуването на три клъстера. Членството в клъстера беше стабилно след 10 итерации. Нито един от клъстерите не беше неприемливо малък.
Визуалната инспекция на клъстерните центрове (Фигура 2) разкрива група със средна когнитивност във всички домейни (n=154), група с ниска изпълнителна функция (Low EF) (n=227) и група с изпълнителни функции и увреждания на паметта, както и резултати с нисък език (забележимо нарушена EF/памет) (n=113). Йерархичният клъстерен анализ подкрепи използването на два или три клъстера въз основа на промените в коефициентите на агломерация.

При изследване на пропорциите на случаите, присвоени на един и същи клъстер чрез двата метода на клъстериране, решението с три клъстера имаше най-високо съгласие (84,41%) спрямо решенията с два и четири клъстера (съответно 78,34% и 58,70%) и далеч надхвърли 25% по-голям от прага на вероятността.

Използвайки K-означава като стандарт, имаше съгласие за 89,61% (n=138) от групата с когнитивно средно ниво, 83,36% (n=189) от групата с нисък EF и 79,67% (n {{ 9}}) от групата Prominently ImpairedEF/Memory.

Имаше значителна връзка между вероятността да бъдат причислени към еквивалентната група, използвайки и двата метода за клъстериране (χ2(4)=598.73, p < 0.001). По този начин трите K-означава клъстера бяха определени като оптималното клъстерно решение и бяха използвани във всички последващи анализи.

Таблица 3 изобразява демографските, когнитивните, настроението и двигателните резултати на трите когнитивни групи. Резултатите от тестовете на Kruskal–Wallis H показват, че трите групи се различават значително в общите резултати на DRS-2 и всички когнитивни съставни резултати в очакваната посока.

По-конкретно, участниците в групата с когнитивно средна ефективност се представиха по-добре от тези в групата с нисък EF, които се представиха по-добре от тези в групата с видимо увредена EF/памет по всички когнитивни индекси.

Както е показано в таблица 3, трите групи също се различават по отношение на тежестта на двигателните симптоми, симптомите на настроението, които се съобщават от самите тях, и расовото/етническо разпределение. А именно, участниците в клъстера Prominently Impaired EF/Memory имаха значително по-силни моторни симптоми (UPDRS Part III резултати), по-голяма апатия (AS) и по-голяма тревожност на характера (STAI:Trait) в сравнение с други групи и по-големи депресивни симптоми (BDI-II) отколкото когнитивно средния клъстер.

Тези в клъстерите с ниска EF и видимо увредена EF/памет са имали значително по-голяма тревожност за състоянието (STAI: Състояние), отколкото когнитивно средния клъстер. Нещо повече, има значителна разлика между пропорциите на клъстерите на бели неиспаноговорящи участници, като по-малко са представени в Когнитивно среден клъстер по отношение на двата други клъстера.

За разлика от това, няма значителни разлики между клъстерите по отношение на други демографски характеристики (възраст, образование, пол), продължителност на заболяването (години след диагностицирането, години след появата на симптомите) или дял на участниците с всеки двигателен подтип. Като цяло, клъстерът с видимо увредена EF/памет имаше значително по-лошо настроение, мотивация и двигателни симптоми от другите два клъстера, но размерите на ефекта от тези разлики бяха малки.

Като последващи действия проведохме корелационни анализи на Pearson между когнитивните композити и мерките за настроение/мотивация (вижте таблица A2 за анализи). Като цяло, резултатите продължават да предполагат изключително малка, но последователна връзка между по-силните симптоми на настроението и по-лошото когнитивно представяне в различните домейни.

Освен това проведохме проучвателни анализи в областта на езика, за да определим дали една от двете мерки е довела до ниската езикова производителност, наблюдавана в клъстера Prominently Impaired EF/Memory. Установихме, че представянето на семантична плавност е значително по-ниско от наименуването на конфронтация (виж Таблица A3).

3.4. Връзка между когнитивните фенотипове и PD-MCI класификация

Таблица 4 изобразява разпределението на случаите на PD-MCI в рамките на всеки клъстер, използвайки трите граници на увреждане на PD-MCI. Хи-квадрат тестовете на Pearson за независимост разкриха, че класификацията PD-MCI и членството в клъстера са значително свързани помежду си с голям размер на ефекта (Таблица 4).

И при трите граници когнитивно средният клъстер съдържа много малко случаи на PD-MCI. Използвайки границата на −1 SD, клъстерите Low EF и ProminentlyImpaired EF/Memory съдържат подобни части от случаите на PD-MCI.

Използвайки границата на −1,5 SD, около три четвърти от случаите на PD-MCI попадат в клъстера ProminentlyImpaired EF/Memory, докато около една четвърт попадат в клъстера Low EF.

И накрая, използвайки граничната стойност -2 SD, почти всички случаи на PD-MCI попадат в клъстера Prominently ImpairedEF/Memory. По този начин, колкото по-строга е границата на увреждането, толкова по-чувствителен е клъстерът с видимо нарушена EF/памет да съдържа по-големи части от класифицираните случаи на PD-MCI.

Двоичните логистични регресионни анализи изследват доколко членството в клъстера предсказва PD-MCI класификацията. Всяка граница на увреждане имаше значителни комплексни тестове (−1 SD: X2(2)= 274.61, p < 0.001, Кокс и Снел R{{ 8}}.43, Nagelkerke R2=0.58; −1.5 SD: X2(2)=203.37,p < 0.001, Кокс и Снел R2=0.34, Nagelkerke R 2=0.52; −2 SD: X2(2)=128.35, p < 0,001, Кокс и Снел R2=0.23, Nagelkerke R2=0.50) .

Всички модели имаха големи размери на ефекта, обяснявайки между 50–58% от вариацията в класификацията на PD-MCI, а членството в клъстер беше важен предиктор и при трите модела на прекъсване на увреждането.

Използвайки граничната стойност -1 SD, тези в когнитивно средния клъстер имаха 1000× по-ниски шансове да бъдат класифицирани като PD-MCI, спрямо явно увредения EF/кластер на паметта, докато тези в клъстера с нисък EF имаха 16,95× по-ниски коефициенти (p < 0,001; 95% доверителен интервал (CI) на CognitivelyAverage клъстер: 200-перфектно прилягане на модела; 95% CI на нисък EF: 8,29–35,71).

Този модел правилно класифицира 79,1% от случаите на PD-MCI с лоша чувствителност (тъй като само около половината от случаите на PD-MCI са класифицирани като такива от модела) и отлична специфичност (тъй като почти всички участници в клъстера със средно когнитивно ниво са класифицирани правилно като когнитивно нормални от модела ; Таблица 5).

Използвайки границата на −1,5 SD, тези в клъстера Когнитивно среден имаха 333,33 пъти по-ниски шансове да бъдат класифицирани като PD-MCI, спрямо клъстера с видимо увредена EF/памет, докато тези в клъстера с нисък EF имаха 18,87 пъти по-ниски шансове (p's < 0.001; когнитивно среден CI: 47.{11}}перфектно съответствие на модела; LowEF 95% CI: 10,53–33,33).

Този модел правилно класифицира 87,9% от случаите на PD-MCI с по-силна чувствителност и малко по-ниска (но все още отлична) специфичност от критерия -1 SD модел. И накрая, използвайки границата на −2 SD, тези в клъстера с нисък EF имаха 71,43 пъти по-ниски шансове да бъдат класифицирани като PD-MCI, в сравнение с клъстера с видимо увредена EF/памет, докато нито един случай в клъстера с когнитивно среден не беше класифициран като PD-MCI (Нисък EF p < 0.001,95% CI: 16,39–333,33).

Този окончателен модел правилно класифицира 90,9% от случаите на PD-MCI, но моделът прогнозира, че всички случаи са когнитивно нормални, което води до нулева чувствителност и перфектна специфичност.

Когато се използва предвиденото членство в PD-MCI групата на моделите, за да се предвиди действителната PDMCI класификация, и трите модела произвеждат значителни, приемливи C статистики (над70%, p < 0.0{{ 15}}1; Таблица 5). Моделът, използващ границата на −1,5 SD, имаше най-високата съвместно максимална чувствителност и специфичност (−1 SD индекс на Youden (YI): 0,50; −1,5 SD YI: 0,66; −2 SD YI: 0).

Таблица 5 представя положителните и отрицателните прогнозни стойности, основани на набор от оценки на базовата скорост на PD-MCI. Използвайки нивата на разпространение на извадката за всяка граница, границата -1 SD увеличава максимално вероятността тези, класифицирани от модела като PD-MCI, наистина да отговарят на тази актюерска диагноза, докато границата -1,5 SD увеличава максимално вероятността тези, класифицирани като когнитивно нормални, да са наистина когнитивно непокътнати.

Тъй като истинската основна честота на PD-MCI е неизвестна, ниският, средният и високият край на обхвата на оценените честоти на разпространение също бяха използвани за изчисляване на положителните и отрицателните прогнозни стойности [25,26].

В настройки с по-ниски нива на разпространение на PD-MCI (напр. 25%), използването на −1 SD съвместно би увеличило максимално вероятността за правилна класификация, но в настройки, съдържащи популация с по-голям шанс за увреждане (напр. 45%), тогава −1,5 SD би направи така.

Тъй като всичките ни пациенти са били наблюдавани в специализирана клиника, разпространението на PD-MCI в нашата извадка вероятно е по-близо до тази средна точка на нивата на разпространение, изчислени по-рано.

Взети заедно, използването на границата на −1,5 SD доведе до членство в клъстер с висока базирана на модел точност на класификация, най-голям YI и съвместно максимизирани PPV/NPV (въз основа на клиничната настройка на нашата извадка).

For more information:1950477648nn@gmail.com