В.Н. Гридин1, Н.Н. Коберская2, Б.Р. Салем3, Д.С. Смирнов4,  В.И. Солодовников5, Н.Н. Яхно6

1–6 ФГБУН Центр информационных технологий в проектировании РАН (г. Одинцово, Московская обл., Россия)

Постановка проблемы. На сегодняшний день существует проблема обнаружения начальных стадий когнитивного снижения, что на текущем уровне может быть осуществлено только при анализе большого количества нейропсихологических исследований. Последнее затрудняет изучение этих процессов, в связи с высокой трудоемкостью их проведения. Наибольшее внимание исследователей привлекают самые ранние формы когнитивного дефицита, когда наиболее эффективны методы терапии и профилактики нарастания когнитивных нарушений вплоть до развития деменции. Наиболее ранняя диагностика когнитивного снижения на додементной стадии предполагает возможность вторичной профилактики когнитивных расстройств.  Цель работы – исследование методики отбора наилучших комбинаций нейропсихологических тестов, полученных с использованием методов статистического анализа и машинного обучения, а также разработка алгоритмов расчета интегрального показателя и классификатора на его основе для распределения пациентов по группам доумеренного когнитивного снижения. Результаты. Проведен анализ данных, полученных в результате нейропсихологического обследования пациентов, предъявляющих жалобы когнитивного характера, целью которого было выделения наиболее значимых ключевых комбинаций нейропсихологических тестов, а также разработка алгоритмов расчета интегрального показателя степени когнитивного снижения и классификатора на его основе. Предложена методика вычисления интегрального показателя степени когнитивного снижения на основе отобранных наиболее информативных признаков, с применением безусловной оптимизации методом деформируемого многогранника Нелдера-Мида. Показано, что применение машинного обучения, в частности градиентного бустинга, позволило улучшить результат, полученный методами статистического анализа. Дополнительным преимуществом предложенного подхода является возможность удобной интерпретации и визуализации динамики когнитивного статуса пациента в виде графика с течением времени.

Практическая значимость. Предлагаемая методика позволяет снизить количество скрининговых тестов, при сохранении информации, важной для оценки степени когнитивного снижения, а также может использоваться для информационных систем анализа данных обследования пациентов с субъективными и легкими когнитивными нарушениями.

Гридин В.Н., Коберская Н.Н., Салем Б.Р., Смирнов Д.С., Солодовников В.И., Яхно Н.Н. Математические подходы к разработке интегрального показателя степени когнитивного снижения // Биомедицинская радиоэлектроника. 2021. T. 24. № 6. С. 46−57. DOI: https://doi.org/10.18127/j15604136-202106-05

1. Яхно Н.Н., Захаров В.В. Синдром умеренных когнитивных расстройств в пожилом возрасте: диагностика и лечение // Русский медицинский журнал. 2004. Т. 12(10). С. 573–576.
2. Reisberg B., Gauthier S. Current evidence for subjective cognitive impairment (SCI) as the pre-mild cognitive impairment (MCI) stage of subsequently manifest Alzheimer’s disease // Int. Psychogeriatr. 2008. V. 20. P. 1–16.
3. Локшина А.Б., Захаров В.В. Легкие и умеренные когнитивные расстройства при дисциркуляторной энцефалопатии // Неврологический журнал. 2006. Т. 11. Приложение № 1. С. 57–64.
4. Коберская Н.Н., Остроумова Т.М., Перепелов В.А., Смирнов Д.С. Влияние генетических, коморбидных эмоциональноаффективных факторов на доумеренное когнитивное снижение у пациентов среднего возраста // Нейропсихология и нейросоматика. 2021. Т. 13. № 4. С. 66–74.
5. Яхно Н.Н., Гридин В.Н., Смирнов Д.С., Панищев В.С., Парфенов В.А., Остроумова Т.М., Коберская Н.Н. Статистическая обработка и методика сокращения размерности пространства данных пациентов при анализе когнитивных нарушений // Информационные технологии. 2020. Т. 26. № 9. С. 515–522.
6. Яхно Н.Н., Гридин В.Н., Коберская Н.Н., Смирнов Д.С., Солодовников В.И. Алгоритм фильтрации и поиска зависимостей при диагностике пациентов с доумеренным когнитивным снижением // Информационные технологии и вычислительные системы. 2021. № 2. С. 34–43. DOI: 10.14357/20718632210204
7. Nelder J.A., Mead R. A simplex algorithm for function minimization // Computer Journal. 1965. V. 7. P. 308–313. DOI: 10.1093/comjnl/7.4.308
8. Buckland M., Gey F. The relationship between Recall and Precision // Journal of the American Society for Information Science. 1994. V. 45(1). P. 12–19.
9. Powers D. Evaluation: From Precision, Recall and F Factor to ROC, Informedness, Markedness and Correlation. Technical Report SIE-07-001, Flinders University. 2007.
10. Friedman J.H. Greedy function approximation: a gradient boosting machine // Annals of Statistics. 2001. P. 1189–1232.
11. Cameron A.C., Windmeijer F.A.G. An R-squared measure of goodness of fit for some common nonlinear regression models // Journal of Econometrics. 1997. V. 77. № 2. P. 329–342. https://doi.org/10.1016/s0304-4076(96)01818-0
12. Botchkarev A. A New Typology Design of Performance Met-rics to Measure Errors in Machine Learning Regression Algorithms // Interdisciplinary Journal of Information, Knowledge, and Management. 2019. V. 14. P. 045–076. http://dx.doi.org/10.28945/4184
13. Bergstra J., Bengio Y. Random search for hyper-parameter optimization // J. Mach. Learn. Res. 2012. V. 13. null (3/1/2012).  P. 281–305.
14. Refaeilzadeh P., Tang L., Liu H. Cross-Validation // Encyclopedia of Database Systems. Boston, MA: Springer US, 2009. P. 532–538. https://doi.org/10.1007/978-0-387-39940-9_565