Уровень техники
Причины развитие болезни Альцгеймера (AD) изучены не до конца. Клинические врачи давно нуждаются в разработке новых методов лечения на основе лечения фармацевтическими препаратами и других методов лечения. Кроме того, раннее обнаружение начала болезни Альцгеймера в настоящее время практически невозможно, но было бы весьма полезным для проведения клинических испытаний новых методов лечения.
Чтобы продемонстрировать эффективность терапии в клиническом испытании, необходимо набрать группу пациентов, которая включает в себя тех, кто наиболее вероятно получит от этого пользу. Невыполнение этого требования значительно уменьшает способность клинического испытания доказать эффективность лечения. Это может привести к отказу от лекарств или лечения, которые являются эффективными, но чья эффективность не может быть продемонстрирована на основании статистических данных. Адекватность группы для клинического испытания является важным фактором при разработке новых методов лечения болезни Альцгеймера.
В настоящее время точный диагноз различных состояний деменции является трудной задачей. Диагноз часто устанавливается с использованием нейропсихологических тестов (NPT). Существует широкий спектр NPT, некоторые из которых заимствованы из области коэффициента интеллектуальности (IQ), а другие разработаны специально для деменций, например, ADAS-Cog (шкала оценки когнитивных функций при болезни Альцгеймера). Во многих случаях определение диагноза с помощью показателей NPT остается трудным или невозможным.
Что касается болезни Альцгеймера, для клинического использования было принято обозначение, известное как "умеренные когнитивные нарушения" (MCI). MCI еще не является официальной диагностической категорией, например, MCI не имеет DSM-IV кода. MCI, как правило, требует наличия по меньшей мере одного нарушения когнитивной функции, которое не ставит под серьезную угрозу способность лица функционировать в социальном и профессиональном отношении.
Только у некоторых из пациентов, у которых диагностировано MCI, разовьется болезнь Альцгеймера (AD). Переход от MCI к AD может занять до нескольких лет. Средство для определения, у каких пациентов с MCI разовьется AD, принесло бы значительную пользу для раннего обнаружения AD и отслеживания развития ее патологии.
Кроме того, клинические врачи часто сталкиваются с проблемой понимания роли большого количества клинических наблюдений. Они могут быть тестами производительности, лабораторными показателями, показателями, полученными по изображениям и т.п. Кроме того, могут иметься исторические массивы той же самой или аналогичной информации, которая должна быть включена как контекст, по которому должны приниматься важные клинические решения.
Например, при оценке пациентов с жалобами на когнитивные нарушения, клинические врачи часто используют комплекты тестов NPT. Эти тесты пытаются количественно охарактеризовать когнитивные способности во многих аспектах, например, память, управление выполнением и язык. Клиническим врачам трудно использовать эти массивы информации из-за беспорядка в данных, следующих из большого количества тестов NPT, а также необходимости рассматривать показатели для различных когнитивных аспектов и во времени.
Патентная публикация США 2006/0099624 раскрывает способ предоставления персонализированной медицинской помощи пациенту с подозрением или имеющего AD, который включает в себя обобщение информации или машинное обучение с помощью гетерогенных данных для обеспечения диагноза, прогноза или лечения.
В общем, эти и другие способы в области техники страдают от чрезмерно близкой подгонки данных, что может привести к неправильному диагнозу пациента. Неправильные результаты включают в себя ложноположительные и ложноотрицательные заключения, а также низкую чувствительность или специфичность при идентификации пациентов с умеренными когнитивными нарушениями, которые находятся в группе риска, или при диагностике.
Имеется давняя потребность в способах и системах, обеспечивающих инструменты для врачей и клинических врачей, которые преобразуют и представляют сравнительные состояния пациента для обеспечения оснований для интерпретации, диагноза и вариантов лечения, а также для обнаружения начала болезни Альцгеймера.
Имеется давняя потребность в способах и системах, обеспечивающих инструменты для врачей и клинических врачей для выбора пациента или когортной группы риска развития болезни Альцгеймера, из совокупности пациентов с умеренными когнитивными нарушениями.
Имеется давняя потребность в способах и системах, обеспечивающих инструменты для врачей и клинических врачей для контроля диагноза, прогноза и течения вариантов лечения при развитии болезни Альцгеймера.
Сущность изобретения
В заявке раскрыты в одном или более иллюстративных вариантах воплощения система для персонализированного диагноза, лечения и для идентификации пациентов с умеренными когнитивными нарушениями с угрозой перехода в болезнь Альцгеймера.
В заявке раскрыт один или более иллюстративный вариант воплощения способа выбора пациента или когортной группы риска из совокупности пациентов с умеренными когнитивными нарушениями. Способы включают в себя использование компьютера, сконфигурированного выполнять этапы: приема нормализованных обучающих данных от части совокупности пациентов; настройки набора деревьев решений по нормализованным обучающим данным; приема данных пациента от одного или более пациентов совокупности, при этом данные пациента независимы от обучающих данных; классификации данных пациента с помощью настроенного набора деревьев решений для получения пороговых значений пациента; и отображения пороговых значений пациента.
Способы также включают в себя выбор пациента или когортной группы риска из совокупности, при этом выбранный пациент или когортная группа риска находятся вне части совокупности, которая предоставила обучающие данные, и пациента или когортную группу риска выбирают с медицинскими целями на основании пороговых значений пациента. Пациент или когортная группа риска могут быть выбраны с медицинской целью: выполнения клинического исследования, касающегося болезни Альцгеймера, лечения пациентов с болезнью Альцгеймера, определения лекарственного средства, подлежащего применению для лечения пациентов с болезнью Альцгеймера, определения дозы лекарственного средства, подлежащего применению для лечения пациентов с болезнью Альцгеймера.
Кроме того, настройка набора деревьев решений может использоваться для определения диапазона числовых значений для числа увеличивающихся итераций, диапазона числовых значений для минимального числа пациентов в узловой точке расхождения ветвей, и диапазона числовых значений для максимальной насыщенности узловой точки, таким образом обеспечивая набор деревьев решений, имеющий по меньшей мере 80% точность или 85% точность для обучающих данных.
Кроме того, обучающие данные могут включать в себя первый набор обучающих данных, полученных от совокупности пациентов с умеренными когнитивными нарушениями, при этом у пациентов, от которых получен первый набор обучающих данных, по наблюдениям, разовьется болезнь Альцгеймера в пределах шести месяцев до двух лет после того, как был получен первый набор обучающих данных, причем первый набор обучающих данных содержит результаты нейропсихологических тестов и биомаркеры; и второй набор обучающих данных, полученных от пациентов в совокупности пациентов с умеренными когнитивными нарушениями, у которых не разовьется болезнь Альцгеймера в пределах шести месяцев до двух лет после того, как был получен второй набор обучающих данных, причем второй набор обучающих данных содержит результаты нейропсихологических тестов и биомаркеры.
Примеры биомаркеров включают в себя данные медицинской визуализации, позитронно-эмиссионной томографии (PET), FDG-PET или магнитно-резонансной томографии (MRI). В некоторых вариантах воплощения биомаркеры являются молекулярными биомаркерами, биомаркерами ликвора (CSF) или биомаркерами проб крови. Другие данные включают в себя генетические тесты или микромассивы, такие как тесты на аллели ApoE, Фактор II, Фактор III или Фактор IV среди прочих.
В некоторых аспектах данные пациента могут включать в себя данные, полученные от пациентов в совокупности пациентов с умеренными когнитивными нарушениями, и результаты нейропсихологических тестов и биомаркеры.
Некоторые варианты воплощения дополнительно обеспечивают компьютер, запрограммированный выполнять способ выбора пациента или когортной группы риска из совокупности пациентов с умеренными когнитивными нарушениями. Способ может включать в себя прием нормализованных обучающих данных от части совокупности пациентов; настройку набора деревьев решений по нормализованным обучающим данным; прием данных пациента от одного или более пациентов совокупности, при этом данные пациента являются независимыми от обучающих данных; классификацию данных пациента с помощью настроенного набора деревьев решений для получения пороговых значений пациента; и отображение пороговых значений пациента.
В определенных аспектах классификация данных пациента с помощью настроенного набора деревьев решений для получения пороговых значений пациента может выполнять перекрестную проверку данных пациента с помощью настроенного набора деревьев решений для получения пороговых значений пациента, где перекрестная проверка может быть k-кратной, и k равно 2, 3, 4, 5, 6, 7, 8, 9, 10 или более. В некоторых вариантах воплощения перекрестная проверка данных пациента является пятикратной.
В иллюстративном варианте воплощения раскрыт машиночитаемый носитель данных, который может содержать инструкции, исполняющиеся для выполнения способа выбора пациента или когортной группы риска из совокупности пациентов с умеренными когнитивными нарушениями.
В дополнительных аспектах способы используются для увеличения эффективности протокола медикаментозного лечения пациентов с болезнью Альцгеймера. Способ может включать в себя обеспечение начальных данных пациента; классификацию начальных данных пациента с помощью набора деревьев решений для получения начальных пороговых значений пациента; назначение лекарства пациенту; обеспечение последующих данных пациента; и классификацию последующих данных пациента с помощью набора деревьев решений для получения последующих пороговых значений пациента; при этом уменьшение последующих пороговых значений пациента указывает на необходимость продолжать прием лекарства; и увеличение последующих пороговых значений пациента указывает на необходимость прекратить прием лекарства.
Способы и системы этого изобретения могут полезно обеспечить уменьшение тревожности у пациентов, которые демонстрируют картину, соответствующую MCI, но не демонстрируют картину развития AD.
Некоторые из способов и систем этого изобретения могут позволить осуществлять выбор терапевтического лекарственного средства, протокола и дозы для контроля и оценки в процессе развития патологии.
Кроме того, могут быть снижены риски избыточного или недостаточного назначения, то есть назначения лечения пациентам, которым оно вряд ли поможет, или не назначения лечения пациентам, нуждающимся в ней.
В некоторых аспектах способы и системы этого изобретения могут позволить персонализировать выбор терапевтического лекарственного средства, протокола и дозы по потребностям конкретного пациента.
Кроме того, это изобретение включает в себя способы выбора или привлечения пациентов, которые, вероятно, будут демонстрировать симптомы AD через некоторый период времени, например, через один год или более длительный срок. Эти варианты воплощения могут полезно использоваться для усиления выводов клинического испытания или увеличения статистической достоверности результатов клинического испытания. Путем выбора пациента или когортной группы риска развития болезни Альцгеймера из совокупности пациентов с умеренными когнитивными нарушениями, иллюстративные варианты воплощения могут обеспечить значительное улучшение результатов клинического испытания путем увеличения различия между испытуемыми группами, получающими лечение и получающими плацебо.
В некоторых аспектах это изобретение обеспечивает способы и системы для преобразования и понимания сравнительных клинических результатов пациентов для обеспечения оснований для диагноза и вариантов лечения, а также для обнаружения начала болезни Альцгеймера.
В дополнительных вариантах воплощения данное изобретение обеспечивает способы и системы для контроля вариантов курса лечения в ходе развития болезни Альцгеймера.
В одном иллюстративном варианте воплощения раскрыты способы и системы, основанные на пороговых значениях пациента. Способ порогового значения пациента этого изобретения может использовать результаты комплекта показателей NPT. Показатели NPT могут быть предварительно обработаны или преобразованы в z-показатели для устранения некоторых отклонений.
В некоторых вариантах воплощения пороговые значения пациента могут быть отображены на графике зависимости чувствительности от частоты ложноположительных заключений.
В дополнительных вариантах воплощения выбранные клинические данные могут отображаться в виде профиля величин измерений как единое целое для одного пациента.
В некоторых вариантах воплощения может использоваться отображение динамики, чтобы показать, как клинический профиль изменяется во времени. Может быть отображено множество выбранных измерений, которые вместе охватывают клинически важную функцию или область, чтобы показать, как они изменяются во времени. В различных альтернативных вариантах воплощения отображение включает в себя подходящие доверительные границы на динамике измерения для установления, являются ли клинически значимыми наблюдаемые изменения.
В дополнительных вариантах воплощения может использоваться отображение карты интенсивностей, которое позволяет осуществлять быструю обработку большого количества измерений и их изменений во времени.
Для помощи специалистам в области техники в создании и использовании раскрытых вариантов воплощения делаются ссылки на прилагаемые чертежи. Дополнительные признаки, функции и преимущества раскрытых систем и способов будут очевидны из более подробного описания, которое следует далее, в сочетании с прилагаемыми чертежами.
Краткое описание чертежей
Фиг. 1A показывает блок-схему системы для персонализированного диагноза, лечения и идентификации пациентов с умеренными когнитивными нарушениями с опасностью перехода в болезнь Альцгеймера.
Фиг. 1B показывает схему последовательности операций для системы для идентификации пациентов с умеренными когнитивными нарушениями с опасностью перехода в болезнь Альцгеймера.
Фиг. 2 показывает отображение DT-ROC пороговых значений пациента для пациентов многоцентровой, многосторонней программы изучения 800 пациентов Инициативы нейровизуализации болезни Альцгеймера (ADNI), включающей в себя 200 пожилых контрольных пациентов, 400 пациентов с умеренными когнитивными нарушениями и 200 пациентов с болезнью Альцгеймера. Отображение DT-ROC представляет относительное число истинно положительных заключений и относительное число ложноположительных заключений, которое можно ожидать для порогового значения n пациента. Ось X представляет собой величину "1 минус специфичность", а ось Y представляет собой величину "чувствительность". Пороговое значение n пациента представлено последовательными точками на графике, при этом самой дальней точкой справа является n=1, следующей точкой слева является n=2, следующей точкой слева является n=3 и т.д.
Фиг. 3 показывает вариант воплощения отображения величин исправленных z-показателей для тестов NPT отдельного выбранного пациента во время исходного или начального обследования. Отображение величин представляет пациента (RID 223), который был оценен как клинически нормальный (NL).
Фиг. 4 показывает вариант воплощения отображения величин исправленных z-показателей для тестов NPT отдельного выбранного пациента спустя шесть месяцев после исходного или начального обследования, отображаемый наряду с тем же самым исходным профилем. Отображение величин представляет пациента (RID 223), который был оценен как имеющий умеренные когнитивные нарушения.
Фиг. 5 показывает отображение величин исправленных z-показателей для тестов NPT отдельного выбранного пациента спустя двенадцать месяцев после исходного или начального обследования, отображаемое наряду с тем же самым профилем в более раннее время. Отображение величин представляет пациента (RID 223) с ухудшающимися показателями.
Фиг. 6 показывает отображение величин исправленных z-показателей для тестов NPT отдельного выбранного пациента спустя двадцать четыре месяца после исходного или начального обследования, отображаемое наряду с тем же самым профилем в более раннее время. Отображение величин представляет пациента (RID 223) с когнитивным профилем, который не улучшился.
Фиг. 7 показывает отображение величин исправленных z-показателей для тестов NPT отдельного выбранного пациента спустя тридцать шесть месяцев после исходного или начального обследования, отображаемое наряду с тем же самым профилем в более раннее время. Отображение величины представляет пациента (RID 223), который подошел к вероятному диагнозу болезнь Альцгеймера (AD).
Фиг. 8 показывает отображение динамики трех тестов NPT для отдельного пациента. Отображение динамики представляет пациента (RID 223) с неуклонным снижением.
Фиг. 9 показывает вариант воплощения отображения динамики шести тестов NPT области памяти для отдельного пациента. Отображение динамики представляет пациента (RID 223) с ранним снижением, сопровождаемым последующим выравниванием.
Фиг. 10 показывает вариант воплощения отображения динамики пяти тестов NPT словесной области для отдельного пациента. Отображение динамики представляет пациента (RID 223) с колебаниями, но без явных тенденций.
Фиг. 11 показывает вариант воплощения отображения динамики шести тестов NPT "оставления следов" для отдельного пациента с 95% доверительным интервалом (CI), основанным на наблюдаемых вариациях при повторных тестах среди когорты сопоставимых нормальных пациентов. Отображение динамики представляет пациента (RID 223) с резкими снижениями после 24 месяца в распознавании слов и нахождении слов.
Фиг. 12 показывает вариант воплощения модифицированного отображения динамики тестов NPT группы словесной области для отдельного пациента. Отображение динамики представляет пациента (RID 223) с малыми вариациями до 24 месяца, которые были неразличимы, но снижением на 36 месяце, которое было явно значительным.
Подробное описание
Как указано в данном описании, иллюстративные варианты воплощения данного изобретения обеспечивают широкий диапазон способов и систем для врачей и клинических врачей, которые преобразуют и представляют сравнительные состояния пациентов для интерпретации, диагноза и вариантов лечения, а также для обнаружения начала болезни Альцгеймера.
В дополнительных иллюстративных вариантах воплощения это изобретение обеспечивает широкий диапазон способов и систем для врачей и клинических врачей для выбора пациента или когортной группы риска развития болезни Альцгеймера из совокупности пациентов с умеренными когнитивными нарушениями.
Дополнительно иллюстративные варианты воплощения этого изобретения обеспечивают широкий диапазон способов и систем для врачей и клинических врачей для контроля диагноза, прогноза и хода вариантов лечения в течение развития болезни Альцгеймера.
Кроме того, следует понимать, что хотя конкретные примеры перечислены здесь для описания иллюстративных вариантов воплощения, примеры описаны только для иллюстрации и не являются ограничивающими для раскрытия. Для тех, кто рассматривает вариант(ы) воплощения, раскрытый(е) в данном описании, будут очевидны множество вариаций, замен и эквивалентов.
Как показано на фиг. 1A, система для персонализированного диагноза, лечения и идентификации пациентов с умеренными когнитивными нарушениями с опасностью перехода в болезнь Альцгеймера включает в себя, среди прочего, модуль 210 синтеза, соединенный с регистратором 200 данных и процессором CPU 220. Модуль 210 синтеза получает данные пациента из регистратора 200 данных. Регистратор 200 данных предназначен для приема и хранения данных пациента, в том числе, например, данных клинических испытаний, результатов клинических тестов, результатов тестов NPT, генетической информации, данных истории болезни, данных медицинской визуализации и данных биомаркеров. Модуль 210 синтеза включает в себя средство для преобразования данных пациента и объединения преобразованных данных с другими данными пациента с помощью одного или более способов преобразования. Средство для преобразования данных пациента включает в себя машиночитаемый носитель данных, содержащий инструкции, исполняемые для выполнения одного или более способов для преобразования данных пациента. Способы преобразования данных пациента включают в себя, например, обучающие методы, методы классификации, решающие деревья, метод опорных векторов, k ближайших соседей, статистические методы, векторный анализ, анализ решений, деревья решений, байесовские классификаторы, генетические классификаторы, методы нахождения структур, а также методы численной классификации, группового анализа, ортогонального преобразования и методы разложения матриц. Преобразования данных пациента включают в себя, например, преобразования необработанных показателей для коррекции смещений, преобразование в z-показатели и генерацию доверительных интервалов.
Модуль 210 синтеза использует процессор CPU 220 на различных этапах способов преобразования. Процессор CPU 220 может быть персональным компьютером, портативным компьютером, медицинским компьютером, компьютером управления данными или сервером. Модуль 210 синтеза будет выводить данные пациента, преобразованные данные пациента или комбинации данных пациента и преобразованных данных пациента модулю 230 дисплея.
Модуль 230 дисплея включает в себя контроллер 240 дисплея, который имеет графический пользовательский интерфейс для оператора, который может быть врачом или медицинским работником. Модуль 230 дисплея включает в себя устройство отображения для отображения данных пациента, преобразованных данных пациента и объединенных данных. Устройство отображения может быть любым цифровым или аналоговым устройством отображения, в том числе плоскопанельным дисплеем или любым дисплеем, используемым в сотовом устройстве, смартфоне, PDA, персональном планшетном устройстве или компьютере. Контроллер 240 дисплея дополнительно включает в себя устройства ввода данных, такие как клавиатура и мышь для ввода выбора оператора через пользовательский интерфейс. Выбор оператора в контроллере 240 дисплея может вызвать изменения на дисплее путем передачи модулю 210 синтеза желаемого изменения в данных пациента, преобразованных данных пациента или объединенных данных.
Персонализированный модуль 250 осуществляет связь с модулем 230 дисплея для определения и отображения персонализированной информации пациента. Персонализированный модуль 250 может включать в себя устройство отображения, такое как плоскопанельный дисплей. Персонализированный модуль 250 включает в себя способы сравнения данных отдельного пациента, полученные в разное время, для контроля развития патологии. Персонализированный модуль 250 включает в себя способы определения вариантов лечения для отдельного пациента на основании преобразованных данных пациента или объединенных данных, содержащихся в модуле 230 дисплея.
Выбор оператора в контроллере 240 дисплея может использоваться для преобразования клинических данные к виду, который может отображаться в контроллере 240 дисплея или в персонализированном модуле 250 для предоставления оснований для решений оператора по диагнозу. Контроллер 240 дисплея может содержать способы постановки диагноза на основании клинических данных и данных отдельного пациента, при необходимости в сочетании с доверительными интервалами и другими критериями, введенными оператором.
Процессор CPU 220 и другие модули системы могут содержать способы, включающие в себя набор инструкций, сохраненный в машиночитаемом устройстве хранения данных, таком как флэш-память, оперативная память, память ROM, магнитный диск, CD или DVD. Соединения от процессора CPU 220, а также от и между другими модулями и устройствами системы могут включать в себя проводные соединения, USB, сети, беспроводную связь, сеть Ethernet, локальную сеть (LAN), глобальную сеть (WAN), Wi-Fi, Bluetooth™, AirPort™ или IEEE 802.11n или IEEE 802.11 a/b/g беспроводные устройства.
Некоторые способы раскрыты здесь для обеспечения быстрого понимания клинического значения массива клинической информации. В некоторых случаях клиническая информация является комплектом нейропсихологических тестов (NPT). Графическое отображение и способы, раскрытые здесь, применимы в равной степени к другим типам данных и к комбинациям типов данных.
Также обеспечено средство помощи в принятии решений, которое комбинирует показатели тестов из комплекта нейропсихологических тестов и определяет пороговое значение пациента. Пороговое значение пациента и сопутствующий график зависимости чувствительности от частоты ложноположительных заключений (ROC) могут обеспечить способ определения диагноза, прогноза или вероятности перехода в болезнь Альцгеймера в течение промежутка времени, например одного года, для пациентов с ранее диагностированными умеренными когнитивными нарушениями.
Успешное клиническое испытание предполагаемой терапии AD может ощутимо зависеть от набора пациентов. Если испытание включает в себя слишком много пациентов, которые не страдают от патологии AD, или чья патология развилась далее точки, где терапия может обеспечить непосредственные преимущества, статистика результатов испытаний может быть не в состоянии убедительно продемонстрировать преимущества.
Как показано на фиг. 1B, схема последовательности операций для системы для идентификации пациентов с умеренными когнитивными нарушениями с опасностью перехода в болезнь Альцгеймера включает в себя, среди прочего, этап 270 приема нормализованных обучающих данных. Нормализованные обучающие данные используются на этапе 275 настройки набора деревьев решений. После этапа 280 приема данных пациента набор настроенных деревьев решений используется на этапе 285 классификации данных пациента. Этап 285 классификации данных пациента обеспечивает пороговые значения пациента, которые используются на этапе 290 отображения информации пациента. Этап 290 отображения информации пациента включает в себя отображение пороговых значений пациента, например, на графике ROC. Этап 290 отображения информации пациента опционально включает в себя отображение другой информации пациента, включающей в себя персонализированный диагноз, персонализированный план лечения, персонализированное терапевтическое лекарственное средство, протокол или выбор дозы или средство помощи в принятии решения по персонализированной медицинской помощи.
Тесты NPT имеют погрешность относительно ретестовой надежности, эффектов обучения и отклонений для факторов, таких как возраст, пол и годы образования. Показатели NPT тестов могут быть преобразованы в z-показатели, то есть показатели, отражающие число среднеквадратичных отклонений от среднего значения подходящей нормализированной когорты.
Настройка набора деревьев решений на нормализованных обучающих данных может включать в себя использование множества разбиений обучающих данных для получения верхнего и нижнего срезов для показателей NPT тестов, которые приводят к наивысшей точности по отношению к обучающим данным. Настройка набора деревьев решений на нормализованных обучающих данных может дополнительно включать в себя независимое изменение числа увеличивающихся итераций, минимального числа пациентов в узловой точке расхождения ветвей, и максимальной насыщенности узловой точки.
Настраивание набора деревьев решений может использоваться для определения численного диапазона числа увеличивающихся итераций, численного диапазона минимального числа пациентов в узловой точке расхождения ветвей, и численного диапазона максимальной насыщенности узловой точки. Диапазон числа увеличивающихся итераций может быть равен 25 или более, 50 или более, 100 или более, до 200, или от 25 до 200, или от 50 до 200, или от 25 до 75. Диапазон минимального числа пациентов в узловой точке расхождения ветвей, может быть от 12 до 40, или может быть равно 18, или 24, или 30, или 36. Диапазон минимального числа пациентов в узловой точке расхождения ветвей, может быть от 12 до 40, или от 18 до 40, или от 24 до 40, или от 30 до 40, или от 12 до 40, или от 12 до 36, или от 18 до 30. Диапазон максимальной насыщенности узловой точки может быть от 6 до 15, или может быть равен 8, 10 или 12.
Такие иллюстративные варианты воплощения, которые включают в себя настроенный набор деревьев решений, избегают проблемы чрезмерно близкой подгонки обучающих данных и поэтому увеличивают возможность обеспечения правильной классификации или диагноза пациента.
В иллюстративном способе порогового значения пациента вектор показателей тестов может передаваться через набор деревьев решений. Набор деревьев решений может быть настроен для выполнения диагностической классификации пациентов, которые имеют устойчивые MCI и не перейдут в AD, и диагностическую классификацию пациентов, которые имеют MCI и перейдут в AD в течение одного года.
Вектор показателей тестов может быть пропущен через набор настроенных деревьев решений для определения порогового значения пациента, n. Пороговое значение пациента, n, является числом деревьев решений в наборе настроенных деревьев решений, которые классифицируют пациента как переходящего от MCI к AD. Пороговое значение пациента может изменяться от нуля до общего числа деревьев решений в наборе настроенных деревьев решений.
Например, пороговое значение пациента может быть числом деревьев решений в наборе деревьев решений, которые классифицируют пациента как переходящего к болезни Альцгеймера, и число деревьев решений в наборе деревьев решений может быть числом увеличивающихся итераций. Пороговое значение пациента может находиться в диапазоне от нуля до числа увеличивающихся итераций.
Пороговые значения пациента для группы пациентов могут быть отображены на графике ROC. График ROC показывает относительное число истинно положительных заключений и относительное число ложноположительных заключений, которые можно ожидать от порога решения для любого значения порогового значения пациента.
В некоторых аспектах обучающие данные могут включать в себя результаты тестов и повторных тестов, полученных в течение периода времени, например, шести месяцев, или одного года, или двух лет, или трех лет, или более длинного периода.
Выбор подмножества тестов из комплекта большого количества тестов NPT может использоваться в качестве обучающих данных в способе идентификации пациента или когортной группы риска из совокупности пациентов с умеренными когнитивными нарушениями. В общем, невозможно предсказать, какое подмножество тестов из комплекта большого количества тестов NPT обеспечит самую высокую точность, когда результаты, основанные на обучающих данных, подвергаются перекрестной проверке с другими данными пациента.
В иллюстративном способе порогового значения пациента может быть сгенерирован и отображен график ROC, как показано на фиг. 2. Фиг. 2 показывает вариант воплощения отображения ROC дерева решений (DT-ROC) пороговых значений пациента для пациентов из исследования Инициативы Нейровизуализации Болезни Альцгеймера (ADNI) из 800 пациентов, в том числе 200 пожилых контрольных пациентов, 400 пациентов с умеренными когнитивными нарушениями и 200 с болезнью Альцгеймера. База данных ADNI описана в www.loni.ucla.edu/ADNI. Отображение DT-ROC представляет относительное число истинно положительных заключений и относительное число ложноположительных заключений, которые можно ожидать для порогового значения пациента n. Ось X представляет собой величину "1 минус специфичность", а ось Y представляет собой величину "чувствительность".
В другом иллюстративном способе порогового значения пациента для AD использовалась пятикратная перекрестная проверка. Точность для обучающих данных составила 87,4%, а общая точность для данных пациента с пятикратной перекрестной проверкой составила 70,5%.
В другом иллюстративном способе порогового значения пациента для AD использовались маркеры томографии FDG-PET. Точность для обучающих данных составила 86,2%, а общая точность для данных пациента с пятикратной перекрестной проверкой составила 74,4%.
Отображение персонализированного модуля для отдельного пациента может быть основано на данных отдельного пациента, рассматриваемых в свете отображения DT-ROC, такого как показано на фиг. 2. В некоторых вариантах воплощения персонализированное пороговое значение пациента может использоваться для формулировки и отображения персонализированных вариантов плана лечения и средств помощи в принятии решения по персонализированной медицинской помощи.
В иллюстративном способе порогового значения пациента могут быть отображены четыре персонализированных варианта медицинской помощи.
Персонализированный вариант 1 медицинской помощи: Посоветовать пациенту MCI не беспокоиться о неизбежности AD. Для пациента с пороговым значением пациента равным нулю график DT-ROC показывает, что пациентам, у которых вероятно разовьется AD, не будут давать подобные советы.
Персонализированный вариант 2 медицинской помощи: Назначить безопасную фармацевтическую терапию с минимальным риском избыточного назначения. Для пациента с пороговым значением пациента больше или равным единице, график DT-ROC показывает, что все те, кто нуждается в терапии, получат ее, поэтому чувствительность =100%. Кроме того, 62% пациентов со стабильной MCI также получат терапию (избыточное назначение).
Персонализированный вариант 3 медицинской помощи: Назначить терапию с более серьезным риском избыточного назначения. Для пациента с пороговым значением пациента больше или равным десяти, график DT-ROC показывает, что можно ожидать, что это уменьшит избыточное назначение с 62% до приблизительно 7%, при этом не получат назначения приблизительно 20% из тех, кто мог бы получить пользу, поэтому чувствительность =80%.
Персонализированный вариант 4 медицинской помощи: Включить пациента в клинические испытания для предполагаемой терапии AD. Для пациента с пороговым значением пациента больше или равным семнадцати, график DT-ROC показывает, что у всех госпитализированных пациентов, вероятно, разовьется AD через один год при отсутствии лечения. Приблизительно 55% пациентов, находящихся под реальной угрозой, удовлетворяют этому критерию. Этот выбор имеет высокую вероятность получения значительной разницы между группой, получающей плацебо и получающей препарат, клинического испытания в течение разумного срока.
Графическое отображение и способ дополнительно обеспечены как опция для обеспечения быстрого понимания клинической сущности массива клинической информации. В некоторых случаях клиническая информация является комплектом нейропсихологических тестов (NPT). Графическое отображение и способ применимы в равной степени к другим типам данных и к комбинациям типов данных.
Отображения в данном описании предназначены для облегчения понимания сбора данных, который может включать в себя несколько различных мер, собранных вместе и, особенно, там, где ансамбль может повторяться во времени, в том числе в виде многих вариаций. Кроме того отдельные измерения могут иметь свои собственные статистические свойства, такие как ретестовая надежность.
Признаки, характеризующие отображения данного изобретения, включают в себя: (а) представление профиля измерений в виде единого целого, (б) возможность наблюдать, как этот профиль изменяется во времени, (в) представление ансамблей измерений, которые вместе охватывают клинически важный признак или область, и того, как они изменяются во времени, (г) возможность просмотра подходящих доверительных границ в зависимости от времени для любого измерения для установления, являются ли наблюдаемые изменения клинически значимыми, и (д) отображение в виде карты интенсивностей, которая позволяет осуществлять быструю обработку большого количества измерений и их изменений во времени.
В некоторых способах данного изобретения иллюстративные клинические данные были предварительно обработаны путем учета поправок на эффекты пола, возраста, расы и годы систематического образования, при необходимости, и путем инвертирования некоторых измерений так, чтобы более высокие показатели всегда указывали на более высокие когнитивные способности, а также преобразования к Z-показателям на основании нормальной когорты ADNI. Хотя эти этапы предварительной обработки не существенны для данного изобретения, они могут помочь визуализации. Тем не менее, ненормированные или необработанные показатели и показатели с различными интерпретациями верха/низа также могут отображаться.
В одном иллюстративном варианте воплощения раскрыто отображение величин. Опциональное отображение величин обеспечивает визуализацию всего профиля NPT пациента относительно нормального диапазона. Повторные обследования могут быть показаны как дополнительные наложенные профили, опционально в различных цветах, с увеличивающимся размером символов графика для более свежих обследований. Заголовки на этих иллюстрациях могут показывать только идентификационный код пациента (RID), возраст, пол и историю диагноза. При клиническом использовании эти заголовки могут включать в себя любые другие демографические характеристики или характеристики истории болезни, которые посчитают уместными. Другим признаком этого отображения является порядок тестов вдоль оси X. Тесты были отсортированы в порядке, полученном из выборки пациентов с болезнью Альцгеймера с наиболее сильно сниженными когнитивными функциями в исследовании ADNI, и рассчитанном так, чтобы помещать крайними левыми те тесты, которые занимали самые высокие позиции по отклонениям от нормального при усреднении по всем повторным посещениям. Нужный эффект состоит в том, что по мере того, как пациенты демонстрируют увеличивающееся падение по типу болезни Альцгеймера, их профили будут смещаться вниз влево.
На фиг. 3 показан вариант воплощения отображения величин исправленных Z-показателей выбранных тестов NPT для 81-летней пациентки во время исходного или начального обследования. Это отображение величин представляет пациента (RID 223), который был оценен как клинически нормальный (NL). Большинство ее показателей тестов было в пределах нормального диапазона, 95% доверительный интервал от -2 до +2 с четырьмя исключениями. На фиг. 3 слева направо изображены следующие выбранные тесты NPT:
MMSCORE
ADAS_COG_TOTALMOD
ADAS_COG_TOTAL11
ADAS_COG_Q4_DEL_WORD_REALL
LDELTOTAL
ADAS_COG_Q1_WORD RECALL
ADAS_COG_Q7_ORIENTATION
LIMMTOTAL
CLOCK_DRAW
LDELCUE
TRAIL_B_SCORE
ADAS_COG_Q14_NUMBER_CANCEL
ADAS_COG_Q8_WORD_RECOG
AVDEL30MIN
AVTOT6
CAT_VG_SCORE
TRAIL_B_ERR_OM
CAT_AN_SCORE
ADAS_COG_Q3_CONSTRUCTION
CLOCK_COPY
ADAS_COG_Q5_NAMING
ADAS_COG_Q11_WORD_FINDING
ADAS_COG_Q2_COMMAND
DSPAN_BAC
ADAS_COG_Q9_RECALL_INSTR
ADAS_COG_Q10_SPOKEN_LANG
AVDELERR2
ADAS_COG_Q6_IDEA_PRAXIS
DIGUSCOR
DSPAN_FOR
ADAS_COG_Q12_COMPREHENSION
DSPAN_F_LTH
DSPAN_B_LTH
CAT_AN_PERS
BNTTOTAL
AVDEL_TOT
TRAIL_A_ERR_OM
AT_VG_INTR
TRAIL_A_SCORE
TRAIL_B_ERR_COM
TRAIL_A_ERR_COM
CAT_AN_INTR
AV_ERR6
AVDEL_ERR1
CAT_VG_PERS
CDR_GLOBAL
ANART_ERR
На фиг. 4 показан вариант воплощения отображения величин исправленных Z-показателей для тех же самых выбранных тестов NPT отдельного пациента спустя шесть месяцев после исходного или начального обследования относительно исходных показателей. Это отображение величин представляет пациента (RID 223), который был оценен как имеющий умеренные когнитивные нарушения, и ее показатели на некоторых тестах ухудшились. Следует отметить, что не все тесты были применены при посещении через шесть месяцев. Четыре исключения, которые были вне нормального диапазона в исходном обследовании, улучшились. Выбранные тесты NPT были теми же самыми, что указаны выше для фиг. 3.
На фиг. 5 показан вариант воплощения отображения величин исправленных Z-показателей для выбранных тестов NPT отдельного пациента спустя двенадцать месяцев после исходного или начального обследования относительно предыдущих показателей. Это отображение величин представляет пациента (RID 223) с ухудшающимися показателями на нескольких тестах, в том числе MMSE и двух итоговых ADAS-Cog (первые три на оси X) и тесты на логическую память (№5, №8, №10). Выбранные тесты NPT были теми же самыми, что указаны выше для фиг. 3.
На фиг. 6 показан вариант воплощения отображения величин исправленных Z-показателей для выбранных тестов NPT отдельного пациента спустя двадцать четыре месяца после исходного или начального обследования относительно предыдущих показателей. Это отображение величин представляет пациента (RID 223) с общим не улучшающимся когнитивным профилем. Выбранные тесты NPT были теми же самыми, что указаны выше для фиг. 3.
На фиг. 7 показан вариант воплощения отображения величин исправленных Z-показателей для выбранных тестов NPT отдельного пациента спустя тридцать шесть месяцев после исходного или начального обследования относительно предыдущих показателей. Это отображение величин представляет пациента (RID 223), который подошел к вероятному диагнозу болезни Альцгеймера (AD). Выбранные тесты NPT были теми же самыми, что указаны выше для фиг. 3.
Поскольку отображение величин может получиться загроможденным, отображение величин может опционально быть расширено так, чтобы выбрать подмножество во времени или подмножество комплектов NPT тестов.
Отображение величин обладает тем преимуществом, что профиль NPT можно посмотреть непосредственно.
Отображения величин данного изобретения могут полезно использоваться для постановки диагноза, определения вариантов лечения, обнаружения начала болезни Альцгеймера, выбора пациента или когортной группы риска развития болезни Альцгеймера из совокупности пациентов с умеренными когнитивными нарушениями, или для контроля диагноза, прогноза и течения вариантов лечения в ходе развития болезни Альцгеймера.
В другом иллюстративном варианте воплощения раскрыто отображение динамики. Отображение динамики представляет время по оси X и показывает результаты множества клинических тестов одновременно. В отображении динамики показывается профиль NPT определенного числа тестов. Тесты, для которых отображаются результаты, могут быть выбраны так, чтобы измерять аналогичные когнитивные области.
На фиг. 8 показан вариант воплощения отображения динамики трех тестов NPT для отдельного пациента. Представлены следующие тесты NPT: CDGLOBAL, TOTAL11 и TOTALMOD. Это отображение динамики представляет пациента (RID 223) с устойчивым снижением, как показывают показатели тестов, которые уменьшаются от значения приблизительно равного 0 (нуль) в 0 месяц до значения -6 (минус шесть) на 36 месяц. Горизонтальная линия при -2 показывает нижнюю границу доверительного интервала.
На фиг. 9 показан вариант воплощения отображения динамики шести тестов NPT области памяти для отдельного пациента. Представлены следующие тесты NPT: LIMMTOTAL, LDELTOTAL, LDELCUE, MMSCORE, Q1-WrdRecall и Q4-DelWrdRecall. Это отображение динамики представляет пациента (RID 223) с ранним снижением показателей теста, сопровождаемое последующим выравниванием.
На фиг. 10 показан вариант воплощения отображения динамики пяти тестов NPT словесной области для отдельного пациента. Представлены следующие тесты NPT: Q5-Naming, Q8-WordRecog, Q10-SpokLang, Q11-WordFind и BNTTOTAL. Это отображение динамики представляет пациента (RID 223) с резкими снижениями после 24 месяца в распознавании слов и нахождении слов.
Фиг. 11 показывает вариант воплощения отображения динамики шести тестов NPT "оставления следов" для отдельного пациента с 95% доверительным интервалом (CI), основанным на наблюдаемых вариациях при повторных тестах среди когорты сопоставимых нормальных пациентов. Представлены следующие тесты NPT: TRAASCOR, TRAAERRCOM, TRAAERROM, TRABSCOR, TRABERRCOM и TRABERROM. Это отображение динамики представляет пациента (RID 223) с колебаниями, но без явных тенденций.
На фиг. 12 показан вариант воплощения модифицированного отображения динамики тестов NPT группы словесной области для отдельного пациента. Это отображение динамики представляет пациента (RID 223) с малыми вариациями до 24 месяца, которые были неразличимы, и снижением на 36 месяце, которое было явно значительным. Это отображение динамики может использоваться для установления, было ли понижение элемента ADAS-Cog-Q11-Word-Finding значимым. Активизируемая щелчком мыши опция производит модифицированное отображение динамики, показанное на фиг. 12, в котором каждый тестовый элемент имеет свой собственный CI, и каждый интересующий тестовый элемент может быть отображен отдельно.
В другом иллюстративном варианте воплощения раскрыто отображение карты интенсивностей. Отображение карты интенсивностей данного изобретения представляет время на оси X. В отображении карты интенсивностей все тесты выстроены на оси Y в том же самом порядке, который используется для отображения величин. Величина Z-показателей тестов кодируется цветом согласно определенному соответствию. Например, показатели тестов в доверительном интервале нормальных значений могут быть показаны цветами от персикового до желтого, показатели между -2 и -4 среднеквадратичными отклонениями от желтого до зеленого, а показатели ниже -4 от синего до фиолетового. Отсутствующие обследования показываются белым цветом, так что они сливаются с белым фоном, ясно давая понять, что они отсутствуют.
В другом иллюстративном варианте воплощения отображение карты интенсивностей может иметь упорядочение вдоль оси Y в группах по когнитивной области (1) и использовать различные схемы окраски/оттенков с различными границами для этих цветов (2). В некоторых вариантах воплощения все тесты могут быть выстроены на оси Y в том же самом порядке, который используется для отображения величин, но могут также быть выстроены в группы по когнитивной области (например, память, речь/язык, внимание, исполнительной функции и зрительно-пространственной). В некоторых вариантах воплощения показатели тестов в доверительном интервале нормальных значений могут быть показаны с оттенками от одного к следующему и с подстановками других цветов. В одном примере, по типу светофора, синий обозначает выше среднего здоровья (z>0), зеленый - среднее здоровье (-1<z≤0), желтый - здоровье от среднего до низкого среднего (-2<z≤-1), оранжевый - незначительное снижение (-3<z≤-2) и красный цвет - большое снижение (z<-3).
Пример 1: Набор тестов NPT показан в Таблице 1.
Тесты NPT, требуемые для ввода
В Таблице 1 ADAS-Cog обозначает Шкалу оценки тяжести болезни Альцгеймера - Когнитивная подшкала.
Пример 2: Необработанные показатели сначала корректируются с помощью поправки на влияние пола, расы, возраста и годы образования, когда эти факторы были признаны существенными в когорте стабильных нормальных контрольных пациентов в исследовании ADNI. Результирующие корректировки приведены в Таблице 2.
Перечень коррекций z-показателей
Среднее и среднеквадратичное отклонение (sd) каждого исправленного элемента было вычислено для начального посещения для когорты устойчивых нормальных контрольных пациентов и использовалось для преобразования всех исправленных показателей в Z-показатели с помощью формулы Z =(исходные данные - среднее значение)/sd.
Чтобы ввести поправку на тот факт, что высокий показатель указывает на более высокие когнитивные способности для некоторых элементов, в то время как противоположное верно для других элементов, например, количества ошибок, некоторые элементы были инвертированы [используя (среднее значение - исходные данные) вместо (исходные данные - среднее значение)], так что все Z-показатели могут быть интерпретированы так, что более низкие показатели означают более низкие когнитивные способности. Клинически, показатель -1, который на одно sd ниже среднего значения NL, обозначает когнитивное расстройство, а показатели ниже -1,5 или -2 обозначают значительное когнитивное расстройство.
Пример 3: В иллюстративном варианте воплощения ниже показан набор деревьев решений, которые используют входных данные z-показателей, описанных выше. Используя эти исправленные Z-показатели, каждое из двадцати пяти (25) деревьев решений возвращает выходное значение, равное нулю (0), которое обозначает отсутствие перехода от MCI к AD, или выходное значение, равное единице (1), которое обозначает переход от MCI к AD. Пороговое значение пациента, n, является суммой выходных значений для этих двадцати пяти (25) деревьев решений.
Все публикации, ссылки, патенты, патентные публикации и заявки на патент, цитируемые в данном описании, полностью включены в настоящее описание путем ссылки для всех целей.
Хотя были описаны некоторые варианты воплощения, аспекты или вариации, и многие детали были изложены с целью иллюстрации, специалистам в области техники будет очевидно, что дополнительные варианты воплощения, аспекты или вариации могут быть предложены, и что некоторые детали, описанные здесь, могут быть значительно изменены, не отступая о того, что описано в настоящем документе. Таким образом, предполагается, что дополнительные варианты воплощения, аспекты, вариации, любые модификации и их эквиваленты, которые понятны, подразумеваются или иным образом предполагаются, являются частью изобретения(ий), описанного здесь. Например, настоящая заявка предполагает любую комбинацию функций, терминов или элементов различных иллюстративных компонентов и примеров, описанных здесь.
Использование в настоящем изобретении единственного числа в описании изобретения и в формуле изобретения должно толковаться как включающее в себя и единственное и множественное число, например, как "один или более."
Термины "содержащий", "имеющий", "включать в себя", "включающий в себя" и "содержащий в себе" должны толковаться как неограничивающие термины, которые означают, например, "включающий в себя, но не ограничивающийся только этим". Таким образом, такие термины, как "содержащий", "имеющий", "включать в себя", "включающий в себя" и "содержащий в себе" должны толковаться как включающие, а не исключающие.
Примеры, приведенные здесь, и иллюстративный язык, используемый здесь, имеют своей целью иллюстрирование и не предназначены для ограничения объема изобретения. Все примеры и списки примеров должны пониматься как неограничивающие.
Группа изобретений относится к медицине, а именно к диагностике. Выполняют прием обучающих данных от части совокупности пациентов. Настраивают набор деревьев решений по обучающим данным. Принимаю данные пациента от одного или более пациентов совокупности, при этом данные пациента независимы от обучающих данных. Классифицируют данные пациента с помощью настроенного набора деревьев решений для получения пороговых значений пациента. Причем пороговое значение пациента представляют собой число деревьев решений в настроенном наборе деревьев решений, которые классифицируют пациента с умеренными когнитивными нарушениями как переходящего к болезни Альцгеймера. Способ осуществляется посредством компьютера. Группа изобретений позволяет на ранних стадиях обнаружить болезнь Альцгеймера. 2 н. и 13 з.п. ф-лы, 2 табл., 12 ил.
1. Способ выбора пациента или когортной группы риска из совокупности пациентов с умеренными когнитивными нарушениями, при этом способ включает применение компьютера, выполненного с возможностью выполнять этапы:
приема нормализованных обучающих данных от части совокупности пациентов;
настройки набора деревьев решений по нормализованным обучающим данным;
приема данных пациента от одного или более пациентов совокупности, при этом данные пациента независимы от обучающих данных;
классификации данных пациента с помощью настроенного набора деревьев решений для получения пороговых значений пациента, причем пороговое значение пациента представляют собой число деревьев решений в настроенном наборе деревьев решений, которые классифицируют пациента с умеренными когнитивными нарушениями как переходящего к болезни Альцгеймера; и
отображения пороговых значений пациента.
2. Способ по п. 1, дополнительно содержащий выбор пациента или когортной группы риска из совокупности, при этом выбранный пациент или когортная группа риска находятся вне части совокупности, которая предоставила обучающие данные, и пациента или когортную группу риска выбирают с медицинскими целями на основании пороговых значений пациента.
3. Способ по п. 2, в котором пациента или когортную группу риска выбирают с по меньшей мере одной медицинской целью из следующих: выполнения клинического исследования, касающегося болезни Альцгеймера, и лечения пациентов с болезнью Альцгеймера.
4. Способ по п. 2, в котором пациента или когортную группу риска выбирают с одной медицинской целью определения по меньшей мере одного из следующего: лекарственного средства, подлежащего применению для лечения пациентов с болезнью Альцгеймера, и дозы лекарственного средства, подлежащего применению для лечения пациентов с болезнью Альцгеймера.
5. Способ по п. 1, в котором пороговые значения пациента отображают на графике зависимости чувствительности от частоты ложноположительных заключений и в котором настройка набора деревьев решений определяет диапазон числовых значений для числа увеличивающихся итераций, диапазон числовых значений для минимального числа пациентов в узловой точке расхождения ветвей и диапазон числовых значений для максимальной насыщенности узловой точки, таким образом, обеспечивая набор деревьев решений, имеющий по меньшей мере 85% точность для обучающих данных.
6. Способ по п. 5, в котором диапазон числа увеличивающихся итераций составляет 25 или более.
7. Способ по п. 5, в котором диапазон числа увеличивающихся итераций составляет от 25 до 200.
8. Способ по п. 5, в котором диапазон минимального числа пациентов в узловой точке расхождения ветвей составляет от 12 до 40.
9. Способ по п. 5, в котором минимальное число пациентов в узловой точке расхождения ветвей составляет 24.
10. Способ по п. 5, в котором диапазон максимальной насыщенности узловой точки составляет от 6 до 15.
11. Способ по п. 1, в котором обучающие данные содержат: первый набор обучающих данных, полученный от совокупности пациентов с умеренными когнитивными нарушениями, при этом у пациентов, от которых получен первый набор обучающих данных, по наблюдениям, разовьется болезнь Альцгеймера в пределах от шести месяцев до двух лет после того, как был получен первый набор обучающих данных, причем первый набор обучающих данных содержит результаты нейропсихологических тестов и биомаркеры;
второй набор обучающих данных, полученный от пациентов в совокупности пациентов с умеренными когнитивными нарушениями, у которых не разовьется болезнь Альцгеймера в пределах шести месяцев до двух лет после того, как был получен второй набор обучающих данных, причем второй набор обучающих данных содержит результаты нейропсихологических тестов и биомаркеры,
при этом биомаркеры получают по методу медицинской визуализации, томографии PET или томографии MRI, и
при этом биомаркеры являются молекулярными биомаркерами, биомаркерами ликвора (CSF) или биомаркерами проб крови.
12. Способ по п. 1, в котором данные пациента содержат данные, полученные от пациентов в совокупности пациентов с умеренными когнитивными нарушениями и содержат результаты нейропсихологических тестов и биомаркеры, при этом биомаркеры получают методом медицинской визуализации, томографии PET или томографии MRI и биомаркеры являются молекулярными биомаркерами, биомаркерами ликвора (CSF) или биомаркерами проб крови.
13. Способ по п. 1, дополнительно содержащий этап применения лекарства для лечения болезни Альцгеймера к пациенту или когортной группе риска.
14. Компьютер, запрограммированный выполнять способ выбора пациента или когортной группы риска из совокупности пациентов с умеренными когнитивными нарушениями, содержащий этапы, на которых:
принимают нормализованные обучающие данные от части совокупности пациентов;
настраивают набор деревьев решений по нормализованным обучающим данным;
принимают данные пациента от одного или более пациентов совокупности, при этом данные пациента независимы от обучающих данных;
классифицируют данные пациента с помощью настроенного набора деревьев решений для получения пороговых значений пациента, причем пороговое значение пациента представляет собой число деревьев решений в настроенном наборе деревьев решений, которые классифицируют пациента с умеренными когнитивными нарушениями как переходящего к болезни Альцгеймера; и
отображают пороговые значения пациента.
15. Компьютер по п. 14, в котором способ дополнительно содержит выбор пациента или когортной группы риска из совокупности, при этом выбранный пациент или когортная группа риска находятся вне части совокупности, которая предоставила обучающие данные, и пациента или когортную группу риска выбирают с медицинскими целями на основании пороговых значений пациента.
| Carolyn M | |||
| Lemsky et al, Identifying Risk for Functional Impairment Using Cognitive Measures: An Application of CART Modeling, Neuropsychology, 1996, Vol | |||
| Печь-кухня, могущая работать, как самостоятельно, так и в комбинации с разного рода нагревательными приборами | 1921 |
|
SU10A1 |
| US 2008288227 A1, 20.11.2008 | |||
| US 2006246495 A1, 02.11.2006 | |||
| WO 2006017153 A2, 16.02.2006. | |||
