CN104881591B - 认知障碍数据处理方法以及处理系统 - Google Patents

Abstract

本发明涉及认知障碍评估领域，具体地，涉及一种认知障碍数据处理方法以及处理系统。所述包括以下步骤：建立认知下降程度评估工具，根据认知障碍的判断标准以及认知障碍的认知特点，编制认知测试任务，采集数据，形成各个认知域的认知测量数据以及相应认知障碍程度的数据库；利用因子分析的方法对数据库中的全部认知测验任务分别进行因子分析；对所形成的6个公因子的因子得分建立认知障碍的评估与预测模型。通过该系统或方法处理的认知障碍数据能从某种程度上预测患者得认知障碍的风险，只需要用到患者的心里量表得分和比较简单的年龄、性别等因素，不需化验结果，简单、方便，具有较高的可行性。

Description

认知障碍数据处理方法以及处理系统

技术领域

本发明涉及认知障碍评估领域，具体地，涉及一种认知障碍数据处理方法以及处理系统。

背景技术

认知也可以称为认识，是指人认识外界事物的过程，或者说是对作用于人的感觉器官的外界事物进行信息加工的过程。它包括感觉、知觉、记忆、思维、想象、言语，是指人们认识活动的过程，即个体对感觉信号接收、检测、转换、简约、合成、编码、储存、提取、重建、概念形成、判断和问题解决的信息加工处理过程。随着我国逐渐进入老龄化阶段，目前我国65岁以上老年人AD患病率为3％～7％，依此推算，我国目前约有AD患者600多万。预计2050年将超过2,000万，AD致残率高，患者晚期丧失独立生活能力，完全需要他人照顾。认知障碍患者即痴呆的患者现在已成为我们国家的一个非常严重的社会问题。对于临床医学来讲，治疗认知障碍，首先要能够客观的评估认知障碍，并根据患者认知障碍的程度来合理用药，从而起到更好的治疗效果。

了解人的大脑是目前国际上很热门的话题，认知的研究也在近年来有了很大的进展，认知的评估方法也应运而生，例如记忆评估，定向评估，视空间评估，语言评估，理解与判断的评估等都有了很多相应的评估工具来研究这些认知领域。但是这些评估工具都只是针对某一项认知域进行评估，如何综合评估认知障碍，或者说在认知评估测试上有什么样的表现可以认定为认知障碍还尚不成熟，一个综合的评定认知障碍的评估系统和认知障碍的评估模型对于目前的临床治疗就显得尤为重要。

尤其对中国临床医疗来讲，由于医疗资源有限，临床医生和技师每天要面对大量的认知障碍患者，因此，认知障碍数据处理就非常关键，如果预测模型的灵敏度、特异度达不到较高水平的话，模型的预测会有一定程度的偏差，需要再考虑更多的影响因素放入模型中进行预测，必要时需要对模型进行进一步改进。有必要基于国际上现有的认知评估方法，设计出一套简易合理的全面处理认知障碍数据的方法和系统，并建立一个基于计算机系统的自动化地认知障碍数据处理模型。该成果不但可以加深我们对认知障碍的认识，而且可以有效的提高临床工作效率，对患者的疾病诊断和治疗起到非常重要的作用。

发明内容

本发明的目的是建立一种认知障碍数据处理方法。

本发明的再一目的是提供认知障碍数据处理系统。

根据本发明的基于计算机网络的认知障碍数据处理方法包括以下步骤：

(一)建立认知下降程度评估工具

1.1根据认知障碍的判断标准以及认知障碍的认知特点，编制认知测试任务，采集认知测验数据，形成各个认知域的认知测量数据以及相应认知障碍程度的数据库；

1.2利用因子分析的方法对数据库中的全部认知测验任务分别进行因子分析，建立认知评估任务的基本结构，提取6个公因子F1，F2，...，F6，分别命名为记忆因子，定向因子，视空间因子，语言因子，理解与判断因子，日常生活能力因子，

其中，所述认知评估任务的基本结构为：

x_i＝a_i1f₁+a_i2f₂+...+a_imf_m+u_i(i＝1,2,...,k)

其中x₁,x₂,...,x_k是k个可测变量；f₁,f₂,...,f_m是m个潜在因子；u_i是误差项，称为度量误差，表示x_i的随机度量误差或模型外其他潜在因子对x_i的总影响；a_ij称为因子载荷，表示第j个潜在因子f_j对第i个可测变量x_i的影响程度；

(二)、对所形成的6个公因子的因子得分建立认知障碍的评估与预测模型

2.1认知障碍影响因素的筛选

以认知障碍状态为因变量，6个因子得分FAC1，FAC2，...，FAC6，及患者的年龄、性别、教育程度、地域因素为自变量，进行非条件Logistic回归模型：

Logit(P)＝β₀+β₁FAC1+...+β₆FAC6+β₇age+β₈sex+β₉edu+...+u

其中，β_i表示Logistics回归系数，即在控制其他因素不变的情况下，对应的变量每增加一个单位，该变量相应的比例风险增加倍；FAC1，FAC2，...，FAC6为6个因子得分，age，sex，edu分别表示患者的年龄、性别、教育程度因素，u是误差项，采用Forward LR法计算回归系数，进行认知障碍相关变量筛查，

2.2认知障碍预测模型的建立

以Logistic回归分析中最小的回归系数对应的影响因素为参照，指定该因素风险评分为1，其他影响因素的回归系数除以最小的回归系数所得结果四舍五入后为该因素的风险评分，设定为OR₂₁，...，OR₆₁，OR₇₁，OR₈₁，OR₉₁，各研究对象所得总分即为其总风险得分，建立的riskscore模型为:

Risk Score＝FAC1+OR₂₁FAC2+...+OR₆₁FAC6+OR₇₁age+OR₈₁sex+OR₉₁edu

其中OR_ij是第i个因素相对于j因素的风险评分，j因素为OR值最小的因素；FAC1，FAC2，...，FAC6为6个因子得分，age，sex，edu分别表示患者的年龄、性别、教育程度因素；

(三)输出数据处理结果。

根据本发明的基于计算机网络认知障碍数据处理系统包括：

(一)认知障碍数据库

根据认知障碍的判断标准以及认知障碍的认知特点，编制认知测试任务，采集认知测验数据，形成各个认知域的认知测量数据以及相应认知障碍程度的数据；

(二)认知障碍评估工具筛选模块

利用因子分析的方法对数据库中的全部认知测验任务分别进行因子分析，建立认知评估任务的基本结构，提取6个公因子F1，F2，...，F6，分别命名为记忆因子，定向因子，视空间因子，语言因子，理解与判断因子，日常生活能力因子，

其中，所述认知评估任务的基本结构为：

x_i＝a_i1f₁+a_i2f₂+...+a_imf_m+u_i(i＝1,2,...,k)

其中x₁,x₂,...,x_k是k个可测变量；f₁,f₂,...,f_m是m个潜在因子；u_i是误差项，称为度量误差，表示x_i的随机度量误差或模型外其他潜在因子对x_i的总影响；a_ij称为因子载荷，表示第j个潜在因子f_j对第i个可测变量x_i的影响程度

(二)、认知障碍的评估与预测模块

2.1认知障碍影响因素筛选子模块

以认知障碍状态为因变量，6个因子得分FAC1，FAC2，...，FAC6，及患者的年龄、性别、教育程度、地域因素为自变量，进行非条件Logistic回归模型：

Logit(P)＝β₀+β₁FAC1+...+β₆FAC6+β₇age+β₈sex+β₉edu+...+u

其中，β_i表示Logistics回归系数，即在控制其他因素不变的情况下，对应的变量每增加一个单位，该变量相应的比例风险增加倍；FAC1，FAC2，...，FAC6为6个因子得分，age，sex，edu分别表示患者的年龄、性别、教育程度因素，u是误差项，采用Forward LR法计算回归系数，进行认知障碍相关变量筛查，

2.2认知障碍预测模型子模块

以Logistic回归分析中最小的回归系数对应的影响因素为参照，指定该因素风险评分为1，其他影响因素的回归系数除以最小的回归系数所得结果四舍五入后为该因素的风险评分，设定为OR₂₁，...，OR₆₁，OR₇₁，OR₈₁，OR₉₁，各研究对象所得总分即为其总风险得分，建立的riskscore模型为:

Risk Score＝FAC1+OR₂₁FAC2+...+OR₆₁FAC6+OR₇₁age+OR₈₁sex+OR₉₁edu

其中OR_ij是第i个因素相对于j因素的风险评分，j因素为OR值最小的因素；FAC1，FAC2，...，FAC6为6个因子得分，age，sex，edu分别表示患者的年龄、性别、教育程度因素；

(三)输出结果模块。

根据本发明的具体实施方式，基于计算机网络的认知障碍数据处理方法包括以下步骤：

(一)建立认知障碍患者的认知下降程度评估工具

1.1根据认知障碍疾病的诊断标准以及临床中所总结的认知障碍患者的认知特点，编制认知测试任务，这些任务所涉及的方面包括记忆，定向(时间，地点以及任务定向)，视空间，语言，理解与判断，日常生活能力等六个认知领域，把大量不同性别，不同年龄，不同教育程度以及不同地域的认知障碍患者的认知测验数据进行系统整理，并结合临床医生对患者认知障碍程度的诊断进行对应，形成认知障碍患者各个认知域的认知测量数据以及相应认知障碍程度的数据库；

1.2利用因子分析的方法对数据库中的全部认知测验任务分别进行因子分析，建立认知评估任务的基本结构，最终共提取6个公因子F1，F2，...，F6，分别命名为记忆因子，定向因子，视空间因子，语言因子，理解与判断因子，日常生活能力因子。

认知评估任务的基本结构：

x_i＝a_i1f₁+a_i2f₂+...+a_imf_m+u_i(i＝1,2,...,k)

其中x₁,x₂,...,x_k是k个可测变量(measuredvariable)；f₁,f₂,...,f_m是m个潜在因子(latent variable)，他们是各个观测变量所共有的因子，解释了变量之间的相关；u_i是误差项，称为度量误差(measurementerror)，表示x_i的随机度量误差或模型外其他潜在因子对x_i的总影响，也称为误差因子或特殊因子，它不是每个变量所特有的因子；a_ij称为因子载荷，表示第j个潜在因子f_j对第i个可测变量x_i的影响程度。

上述模型可简化为：X＝AF+U

根据本发明的优选实施方式，对所测变量进行探索性因子分析。利用主成分分析法估计潜在的因子载荷，采用“最大特征根之和占总特征根之和的70％以上”法则，为使潜在因子的实际意义更突出，利用最大方差的方法对因子进行了旋转，最终共提取6个公因子F1，F2，...，F6，分别命名为记忆因子，定向因子，视空间因子，语言因子，理解与判断因子，日常生活能力因子。此外，通过验证性因子分析对上述6因子模型进行验证，验证了该模型的稳定性及有效性。利用该模型得到相应因子的因子得分FAC1，FAC2，...，FAC6。

(二)、对所形成的6个因子的因子得分建立认知障碍的评估与预测模型

2.1认知障碍影响因素的筛选

以认知障碍状态为因变量，6个因子得分FAC1，FAC2，...，FAC6，及患者的年龄、性别、教育程度、地域等因素为自变量，进行非条件Logistic回归模型：

Logit(P)＝β₀+β₁FAC1+...+β₆FAC6+β₇age+β₈sex+β₉edu+...+u

其中，β_i表示Logistics回归系数，即在控制其他因素不变的情况下，对应的变量每增加一个单位，该变量相应的比例风险增加倍；FAC1，FAC2，...，FAC6为6个因子得分，age，sex，edu分别表示患者的年龄、性别、教育程度等因素，u是误差项。采用Forward LR法计算回归系数，进行认知障碍相关变量筛查。

2.2认知障碍预测模型的建立

以Logistic回归分析中最小的回归系数对应的影响因素(例如FAC1)为参照，指定该因素风险评分(risk score)为1，其他影响因素的回归系数除以最小的回归系数所得结果四舍五入后为该因素的风险评分，设定为OR₂₁，...，OR₆₁，OR₇₁，OR₈₁，OR₉₁。各研究对象所得总分即为其总风险得分，建立的riskscore模型为:

Risk Score＝FAC1+OR₂₁FAC2+...+OR₆₁FAC6+OR₇₁age+OR₈₁sex+OR₉₁edu

其中OR_ij是第i个因素相对于j因素的风险评分，j因素为OR值最小的因素；FAC1，FAC2，...，FAC6为6个因子得分，age，sex，edu分别表示患者的年龄、性别、教育程度因素。

根据RiskScore进行认知障碍风险预测，画出ROC曲线，通过ROC曲线找到使得ROC曲线下面积达到最大的点(例如M)，作为切点，当某个患者的RiskScore高于M时即认为该患者的认知障碍风险大。

(三)输出数据处理结果。

根据本发明的计算机网络认知障碍数据处理方法及系统，通过该系统或方法处理的认知障碍数据能从某种程度上预测患者得认知障碍的风险，只需要用到患者的心里量表得分和比较简单的年龄、性别等因素，不要要患者的血样本、脑脊液样本的化验结果，方法简单、易于操作，具有较高的可行性。

附图说明

图1计算机网络认知障碍数据处理方法的流程图；

图2计算机网络认知障碍数据处理系统的框架结构图。

具体实施方式

实施例1

如图1、图2所示。

(一)建立认知障碍评估数据库

根据前期工作所确定的评估工具，将评估工具以计算机网络形式呈现，运用于门诊日常评估工作，收集2000例认知障碍患者的评估数据。最终所确定的评估工具的测量内容包括：记忆，定向(时间，地点以及任务定向)，视空间，语言，理解与判断，日常生活能力等六个认知领域。

(二)利用数据库中的2000例患者数据建立认知障碍程度评估模型

2.1利用因子分析的方法对数据库中的全部认知测验任务分别进行因子分析，寻求认知评估任务的基本结构：

x_i＝a_i1f₁+a_i2f₂+...+a_imf_m+u_i(i＝1,2,...,k)

其中x₁,x₂,...,x_k是k个可测变量(measuredvariable)；f₁,f₂,...,f_m是m个潜在因子(latent variable)，他们是各个观测变量所共有的因子，解释了变量之间的相关；u_i是误差项，称为度量误差(measurementerror)，表示x_i的随机度量误差或模型外其他潜在因子对x_i的总影响，也称为误差因子或特殊因子，它不是每个变量所特有的因子；a_ij称为因子载荷，表示第j个潜在因子f_j对第i个可测变量x_i的影响程度。

上述模型可简化为：X＝AF+U

根据本发明的优选实施方式，对所测变量进行探索性因子分析。利用主成分分析法估计潜在的因子载荷，采用“最大特征根之和占总特征根之和的70％以上”法则，为使潜在因子的实际意义更突出，利用最大方差的方法对因子进行了旋转，最终共提取6个公因子F1，F2，...，F6，分别命名为记忆因子，定向因子，视空间因子，语言因子，理解与判断因子，日常生活能力因子。此外，通过验证性因子分析对上述6因子模型进行验证，验证了该模型的稳定性及有效性。利用该模型得到相应因子的因子得分FAC1，FAC2，...，FAC6。

2.2对所形成的6个因子的因子得分建立认知障碍的评估模型

以认知障碍状态为因变量，6个因子得分FAC1，FAC2，...，FAC6，及患者的年龄、性别、教育程度、地域等因素为自变量，进行非条件Logistic回归模型：

Logit(P)＝β₀+β₁FAC1+...+β₆FAC6+β₇age+β₈sex+β₉edu+...+u

其中，β_i表示Logistics回归系数，即在控制其他因素不变的情况下，对应的变量每增加一个单位，该变量相应的比例风险增加倍；FAC1，FAC2，...，FAC6为6个因子得分，age，sex，edu分别表示患者的年龄、性别、教育程度等因素，u是误差项。采用Forward LR法计算回归系数，进行认知障碍相关变量筛查。

2.3认知障碍预测模型的建立

以Logistic回归分析中最小的回归系数对应的影响因素(例如FAC1)为参照，指定该因素风险评分(risk score)为1，其他影响因素的回归系数除以最小的回归系数所得结果四舍五入后为该因素的风险评分，设定为OR₂₁，...，OR₆₁，OR₇₁，OR₈₁，OR₉₁。各研究对象所得总分即为其总风险得分，建立的riskscore模型为:

Risk Score＝FAC1+OR₂₁FAC2+...+OR₆₁FAC6+OR₇₁age+OR₈₁sex+OR₉₁edu

其中OR_ij是第i个因素相对于j因素的风险评分，j因素为OR值最小的因素；FAC1，FAC2，...，FAC6为6个因子得分，age，sex，edu分别表示患者的年龄、性别、教育程度等因素。

根据RiskScore进行认知障碍风险预测，画出ROC曲线，通过ROC曲线找到使得ROC曲线下面积达到最大的点(例如M)，作为切点，当某个患者的RiskScore高于M时即认为该患者的认知障碍风险大。

(三)认知障碍预测模型的效果评估

通过绘制ROC曲线，及计算曲线下的面积AUC，对上述预测模型进行评估，评估上述风险得分的判断效率的高低。以不同的总风险得分作为切点(cut-off),计算对应的灵敏度、特异度、粗一致率(CA)、阳性预测值(PPV)、隐形预测值(NPV)等指标。寻找最适合的切点，当患者得分超过该切点值时认为罹患认知障碍的风险很大，需进一步确诊治疗。

Claims (1)

1.基于计算机网络认知障碍数据处理系统，其特征在于，所述系统包括：

(一)认知障碍数据库

根据认知障碍的判断标准以及认知障碍的认知特点，编制认知测试任务，采集认知测验数据，形成各个认知域的认知测量数据以及相应认知障碍程度的数据；

(二)认知障碍评估工具筛选模块

利用因子分析的方法对数据库中的全部认知测验任务分别进行因子分析，建立认知评估任务的基本结构，提取6个公因子F1，F2，...，F6，分别命名为记忆因子，定向因子，视空间因子，语言因子，理解与判断因子，日常生活能力因子，

其中，所述认知评估任务的基本结构为：

x_i＝a_i1f₁+a_i2f₂+...+a_imf_m+u_i(i＝1,2,...,k)

其中x₁,x₂,...,x_k是k个可测变量；f₁,f₂,...,f_m是m个潜在因子；u_i是误差项，称为度量误差，表示x_i的随机度量误差或模型外其他潜在因子对x_i的总影响；a_ij称为因子载荷，表示第j个潜在因子f_j对第i个可测变量x_i的影响程度

(三)、认知障碍的评估与预测模块

3.1认知障碍影响因素筛选子模块

以认知障碍状态为因变量，6个因子得分FAC1，FAC2，...，FAC6，及患者的年龄、性别、教育程度、地域因素为自变量，进行非条件Logistic回归模型：

Logit(P)＝β₀+β₁FAC1+...+β₆FAC6+β₇age+β₈sex+β₉edu+...+u

其中，β_i表示Logistics回归系数，即在控制其他因素不变的情况下，对应的变量每增加一个单位，该变量相应的比例风险增加倍；FAC1，FAC2，...，FAC6为6个因子得分，age，sex，edu分别表示患者的年龄、性别、教育程度因素，u是误差项，采用Fo rw ard LR法计算回归系数，进行认知障碍相关变量筛查，

3.2认知障碍预测模型子模块

以Logistic回归分析中最小的回归系数对应的影响因素为参照，指定该因素风险评分为1，其他影响因素的回归系数除以最小的回归系数所得结果四舍五入后为该因素的风险评分，设定为OR₂₁，...，OR₆₁，OR₇₁，OR₈₁，OR₉₁，各研究对象所得总分即为其总风险得分，建立的riskscore模型为:

Risk Score＝FAC1+OR₂₁FAC2+...+OR₆₁FAC6+OR₇₁age+OR₈₁sex+OR₉₁edu

其中OR_ij是第i个因素相对于j因素的风险评分，j因素为OR值最小的因素；FAC1，FAC2，...，FAC6为6个因子得分，age，sex，edu分别表示患者的年龄、性别、教育程度因素；

(四)输出结果模块。