一种面向认知障碍筛查的练习效应建模与校正方法及系统
本发明属于数字化认知评估与医学数据处理,具体涉及一种面向认知障碍筛查的练习效应建模与校正方法及系统。
背景技术:
1、随着全球人口老龄化趋势持续深化,阿尔茨海默病(alzheimer’s disease,ad)等神经退行性疾病的早期筛查与动态追踪已成为公共卫生体系的核心挑战。数字化认知评估工具凭借其操作标准化、实施便捷性及成本效益优势,正逐步成为社区健康筛查与常规体检中脑功能监测的重要手段。
2、具体而言,在数字化脑健康筛查与阿尔茨海默病早期监测场景中,基于连续识别范式(continuous recognition task, crt)的在线认知评估工具因其标准化程度高、可远程实施、适合重复测量,正逐步成为大型脑健康队列的核心纵向评估手段。其中,memtrax作为一类典型的在线连续识别认知评估工具,通常通过让受试者在约2.5分钟内快速识别连续呈现图像中重复出现的项目,来测量再认记忆、注意维持、反应速度与抑制控制等认知过程,并可同步输出正确率、反应时间以及由二者衍生的综合效率指标。得益于任务范式固定、施测成本低、可高频复测等特征,memtrax已被多个大型社区脑健康队列、体检队列及认知障碍随访队列选为核心纵向认知评估工具,用于人群层面的认知轨迹建模与个体层面的年度/多年动态监测。
3、然而,也正因其可重复、可纵向、可大规模部署的应用定位,memtrax在多年随访中会产生稳定且不可忽略的练习效应:受试者对图像流、按键方式和“重复出现”判断规则逐渐熟悉,分数会因任务熟练度而非真实认知能力改善而系统性抬升。现有memtrax应用方案主要依赖单次常模、横断面百分位或平行版本思路:前者无法处理重复测量中的个体内相关性与时间轨迹,后者并未真正消除由任务范式内化带来的程序性练习效应。更为关键的是,目前尚无面向memtrax的专用练习效应校正框架。申请人在实验中发现在6次及以上年度随访场景下,群体预期增益与个体真实认知变化会更容易被混为一谈,从而导致ad早期下降信号被练习增益蒙蔽,或把假性提升误判为认知改善。
4、在长期随访评估的过程中,受试者因反复执行相同认知任务而产生的练习效应现象日益凸显,该效应源于任务熟悉度提升、策略优化及神经加工效率改善,导致测试分数呈现非真实的假性增长。此类假性提升若未得到科学校正,将严重干扰对自然认知衰退轨迹的准确捕捉,尤其可能掩盖阿尔茨海默病早期阶段的细微认知功能下降信号,进而引发临床误诊风险。
5、当前应对练习效应的技术路径存在显著局限性:
6、平行版本测验策略通过更换测试材料试图规避内容记忆影响,但实证研究表明,该方法仅能消除表层记忆增益,无法抑制由任务范式熟悉与操作规则内化引发的深层程序性练习效应。此类效应随测试频次持续累积,平行版本设计难以实现有效控制。
7、传统可靠变化指数方法虽能评估测量误差范围内的变化显著性,但其核心缺陷在于未整合练习效应校正机制,导致将分数假性提升错误归类为真实改善,产生临床假阳性结论。
8、通用统计校正方法尝试将测试次数作为协变量纳入分析框架,却普遍存在工具特异性缺失、认知指标差异性忽视、人群异质性未考量等关键问题。具体表现为:未能针对特定认知评估工具建立专用校正模型;对正确率、反应时间及综合效率指标等不同维度的练习轨迹差异采用“一刀切”校正策略;尤其未能解析年龄因素对练习增益幅度的调节作用,造成高龄人群校正偏差;缺乏可直接指导临床决策的个体化阈值体系。以主流数字化工具为例,其现有技术方案仅依赖平行版本设计,尚未构建任何系统性练习效应校正规范。
9、上述技术缺陷共同导致现有解决方案无法满足在线连续识别类认知评估工具在多年纵向监测中的核心需求。技术瓶颈集中体现为:程序性练习效应的量化精度不足、工具与指标特异性校正缺失、年龄相关人群异质性处理不当、个体化校正阈值不可用。更为关键的是,各技术模块呈现碎片化状态,缺乏从数据采集、模型构建到临床决策支持的完整闭环体系,难以实现技术方案在真实筛查场景中的无缝部署与应用。
10、针对上述问题,现有技术亟需改进。
技术实现思路
1、有鉴于现有技术的上述缺陷,本发明的第一方面提供了一种面向认知障碍筛选的练习效应建模与校正方法,其中,包括:
2、数据获取;获取每位受试者在多个连续时间点的重复认知评估纵向数据,所述纵向数据包含认知测试指标及人口学变量;
3、群体建模;基于全部受试者的纵向数据建模,以评估次数作为表征重复测试暴露程度的变量、以认知测试指标为因变量,用于描述群体层面因重复测试而产生的预期认知增益规律,且构建的模型已对自然衰老因素进行校正剥离;所述评估次数除了直观的次数表示,还能够以任一时间颗粒度表达,所述时间颗粒度表达至少包括:年数、月数、天数、分钟数;
4、异质分层;基于构建的模型检验人口学变量与评估次数之间是否存在交互作用,若交互作用显著,则根据相应人口学特征划分不同亚群,并为各亚群分别建立对应的预期认知增益参照基准;
5、个体提取;从构建的模型中提取每位受试者偏离群体预期增益规律的个体化偏移量,作为表征该受试者从重复测试中获取认知获益的内在能力指标;
6、状态判定:将每位受试者的实际表现变化量与所述预期认知增益规律进行比对,判定其状态类别;
7、结论输出:根据判定结果得到包含个体认知状态分类标签的临床辅助决策结果。
8、在如前所述的面向认知障碍筛选的练习效应建模与校正方法中,可选地,具体包括如下步骤:
9、步骤s1:数据获取与预处理;
10、获取受试者至少三次的重复认知评估的纵向数据,所述纵向数据至少包括:受试者唯一标识、评估次数序号、每次评估的认知测试指标、每次评估时的人口学变量;
11、步骤s2:空模型构建与数据聚类效应评估;
12、构建空模型以评估纵向数据的非独立程度,当组内相关系数超过预设阈值时,确认采用混合效应模型的必要性;
13、步骤s3:练习轨迹主效应模型构建;
14、构建以评估次数为自变量、以认知测试指标为因变量的线性混合效应模型作为主效应模型,并纳入时变年龄协变量以分离自然衰老效应;
15、步骤s4:全效应模型构建与人群异质性检验;
16、基于所述主效应模型构建全效应模型,所述全效应模型的随机效应部分包括以受试者唯一标识为随机截距,并以评估次数为随机斜率;
17、步骤s5:练习效应量级判定;
18、基于所述全效应模型估计群体平均练习效应轨迹,并计算标准化效应量,判定练习效应是否不可忽略;
19、步骤s6:个体练习速率提取;
20、从所述全效应模型的随机效应部分提取每个受试者的最佳线性无偏预测值blup(best linear unbiased prediction,最佳线性无偏预测)随机斜率;
21、步骤s7:可靠变化指数计算;
22、基于所述全效应模型的固定效应部分,对每位受试者在特定评估间隔的预期练习效应,并结合全效应模型的残差方差计算变化分数的标准误,得到所述评估间隔对应的rci(reliable change index,可靠变化指数)值;
23、步骤s8:个体认知变化分类判定;
24、依据预设的置信水平对应的rci临界值,对个体认知变化进行分类判定;
25、步骤s9:校正阈值输出与临床辅助决策;
26、基于群体预期练习效应和变化分数的标准误,计算可靠恶化阈值和可靠改善阈值,将各阈值及个体认知变化分类结论整合至评估报告中,供临床医生判定个体的认知变化状态。
27、在如前所述的面向认知障碍筛选的练习效应建模与校正方法中,可选地,在所述步骤s1中,所述人口学变量包括受试者的年龄、教育程度、性别;所述重复认知评估至少包括:memtrax在线连续识别认知评估;所述认知测试指标包括:正确率指标、反应时间指标以及由正确率和反应时间衍生出的综合效率指标;相邻评估之间的间隔时间至少为三个月。
28、在如前所述的面向认知障碍筛选的练习效应建模与校正方法中,可选地,在所述步骤s2中,所述空模型为仅含随机截距的模型,以受试者唯一标识为分组变量,以认知测试指标为因变量,不含任何自变量,基于所述空模型的随机效应方差分量计算组内相关系数以评估所述纵向数据的非独立程度,当icc(intraclass correlation coefficient,组内相关系数)超过预设阈值时,确认所述纵向数据存在显著的非独立结构,确认采用混合效应模型的必要性;在所述步骤s3中,将评估间隔时间作为协变量纳入所述主效应模型,以控制评估时间间距的调节作用。
29、在如前所述的面向认知障碍筛选的练习效应建模与校正方法中,可选地,在所述步骤s4中,在所述主效应模型的基础上进一步纳入性别和教育程度作为全效应模型的固定效应部分,并分别纳入年龄×评估次数的交互项,和/或教育程度×评估次数的交互项,以检验练习效应的人群异质性;当交互项显著时,确认练习效应存在人群异质性,建立分层或个体化的校正方案;
30、当年龄×评估次数的交互项显著时,确认高龄受试者的练习增益显著低于年轻受试者,据此对高龄受试者采用区别于年轻受试者的校正参数。
31、在如前所述的面向认知障碍筛选的练习效应建模与校正方法中,可选地,在所述步骤s5中,基于所述全效应模型的固定效应参数,估计群体平均的练习效应轨迹;同时,构建将评估次数作为分类变量的替代模型,基于所述替代模型估计各评估时点的边际均值,并计算相邻及跨时间点的标准化均值差;当标准化效应量超过预设阈值时,判定练习效应不可忽略,必须进行校正;
32、以首次评估为参照,在控制所述全效应模型中已纳入的协变量的基础上,对各评估时点的估计边际均值进行相邻时间点配对比较并采用多重比较校正;当连续出现相邻比较无统计学差异时,将首次出现无差异的时间点判定为群体水平的平台期起点。
33、在如前所述的面向认知障碍筛选的练习效应建模与校正方法中,可选地,在所述步骤s7中,按照如下公式计算所述评估间隔对应的rci值:
34、对于任意两次评估时间点ti和tj(j>i),rci的计算公式为:;其中,为个体的原始观测变化值;为从所述全效应模型的固定效应部分估计的群体预期练习效应;由全效应模型的残差方差计算能够得到变化分数的标准误;其中,mse为所述全效应模型的残差方差;所述群体预期练习效应依据个体的年龄、性别和教育程度进行个体化计算。
35、在如前所述的面向认知障碍筛选的练习效应建模与校正方法中,可选地,在所述步骤s8中,当rci值大于正向临界值时,判定为可靠改善;当rci值小于负向临界值时,判定为可靠恶化;当rci值介于两者之间时,判定为无可靠变化。
36、为了实现上述目的,本技术的第二方面提供了一种面向认知障碍筛选的练习效应建模与校正系统,其中,用于实现如前述第一方面中任一项实施例所述的面向认知障碍筛选的练习效应建模与校正方法,包括:
37、数据获取模块,获取受试者至少三次重复认知评估的纵向数据,所述纵向数据包括受试者唯一标识、评估次数序号、每次评估的认知测试指标及人口学变量;
38、模型构建与评估模块,包括:
39、空模型构建单元,用于构建仅含随机截距的空模型,基于所述空模型的随机效应方差分量计算组内相关系数,以评估所述纵向数据的非独立程度;
40、主效应模型构建单元,用于构建以评估次数为连续自变量、同时纳入评估次数的线性项与二次项、并以时变年龄为协变量的线性混合效应模型;
41、全效应模型构建单元,用于在所述主效应模型基础上构建随机效应部分包括随机截距和随机斜率、固定效应部分纳入性别和教育程度及年龄×评估次数交互项的全效应模型;
42、效应量判定模块,基于所述全效应模型估计群体平均的练习效应轨迹,并构建将评估次数作为分类变量的替代模型以计算标准化均值差,判定练习效应是否可忽略;
43、个体化校正与分类模块,包括:
44、个体速率提取单元,用于从所述全效应模型的随机效应部分提取每个受试者的最佳线性无偏预测值随机斜率作为个体化练习速率;
45、可靠变化指数计算单元,用于基于所述全效应模型的固定效应部分计算每位受试者在特定评估间隔的预期练习效应,并结合全效应模型的残差方差计算变化分数的标准误,得到可靠变化指数;
46、分类判定单元,用于依据预设置信水平对应的可靠变化指数临界值,对个体认知变化进行分类判定;
47、输出模块,计算可靠恶化阈值和可靠改善阈值,并将各阈值及个体认知变化分类结论整合至认知评估报告中输出。
48、为了实现上述目的,本技术的第三方面提供了一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机可执行指令或者计算机程序,所述计算机可执行指令或者计算机程序被处理执行时,实现如前述第一方面中任一项实施例所述的面向认知障碍筛选的练习效应建模与校正方法。
49、与现有技术相比,本发明突破了对平行版本可消除练习效应的现有技术偏见,其创造性的技术思路在于:
50、首次将程序性练习效应与内容记忆性增益明确区分,将练习效应本身作为可量化、可建模的研究对象,而非背景噪声加以回避。在无需额外更换测试材料的前提下,利用既有纵向数据即可实现练习效应的精准剥离与校正,并首次提供了年龄分层、指标特异性的个体化阈值输出方案。
51、由此产生的有益效果在于:一方面,通过正确率、反应时间、综合指数的差异化建模,发现了三者轨迹本质不同(正确率持续线性提升、反应时先快后慢趋近平台、综合指数加速上升),证明“一刀切”校正在统计学上不可行,本发明由此实现的多指标差异化校正显著降低了假阳性率;另一方面,通过年龄交互项的引入,揭示了高龄者练习增益显著低于年轻者的客观规律,据此实现的年龄分层校正有效避免了传统方法对高龄人群的系统性误判。同时,从随机效应中提取的个体练习速率(blup随机斜率)可作为认知可塑性的行为标志物,实现当前认知水平与认知可塑性的双维度评估,为阿尔茨海默病的超早期识别提供了全新视角。
52、最终,个体化rci阈值与全流程系统的整合使临床医生无需具备高级统计学背景,即可基于评估报告直接进行个体认知变化判定,真正实现了认知障碍筛查从群体参照向个体精准判定的跨越。
53、综上,本技术首次针对memtrax建立了专用的练习效应校正方法,尤其在医疗筛查与药物临床试验场景下,使得该工具在多年随访中的认知轨迹具备可解释性:练习效应减弱本身可作为ad病理阳性的新型行为标志物,有效避免了在认知障碍筛查中将早期认知衰退误判为无变化或将练习增益误判为认知改善,为临床辅助决策与药物疗效评价提供高信度的数据基础。针对现有技术中平行版本无法消除程序性练习效应、传统rci未考虑练习效应、通用统计方法缺乏工具特异性及人群异质性等问题,本技术能够精准量化、有效校正特定数字化认知评估工具练习效应,并实现个体认知变化可靠判定,具有提高筛查准确性、避免临床误诊的优点。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com