CN114730197A - 使用移动优化软件工具衡量空间工作记忆 - Google Patents

使用移动优化软件工具衡量空间工作记忆 Download PDF

Info

Publication number
CN114730197A
CN114730197A CN202080061913.8A CN202080061913A CN114730197A CN 114730197 A CN114730197 A CN 114730197A CN 202080061913 A CN202080061913 A CN 202080061913A CN 114730197 A CN114730197 A CN 114730197A
Authority
CN
China
Prior art keywords
patient
task
game
user
working memory
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202080061913.8A
Other languages
English (en)
Inventor
M·林德曼
F·利普斯梅尔
D·诺布斯
郑维逸
D·A·斯莱特
T·基尔钦曼
C·戈森斯
J·希普
C·查塔姆
E·A·阿庞特佩雷斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
F Hoffmann La Roche AG
Original Assignee
F Hoffmann La Roche AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by F Hoffmann La Roche AG filed Critical F Hoffmann La Roche AG
Publication of CN114730197A publication Critical patent/CN114730197A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61P—SPECIFIC THERAPEUTIC ACTIVITY OF CHEMICAL COMPOUNDS OR MEDICINAL PREPARATIONS
    • A61P25/00—Drugs for disorders of the nervous system
    • A61P25/28—Drugs for disorders of the nervous system for treating neurodegenerative disorders of the central nervous system, e.g. nootropic agents, cognition enhancers, drugs for treating Alzheimer's disease or other forms of dementia
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Neurosurgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Business, Economics & Management (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Child & Adolescent Psychology (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Physiology (AREA)
  • Developmental Disabilities (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Psychology (AREA)
  • Pure & Applied Mathematics (AREA)

Abstract

本公开的方面涉及可以被采用和用于跨不同的临床试验群体衡量空间工作记忆的移动优化软件工具。例如，一些方面描述了用于与自闭症谱系障碍(ASD)或其他神经性病症(例如，阿尔茨海默氏病)有关的临床试验的新型空间工作记忆任务的计算优化和参与式设计。如本文所述的软件工具可以用于衡量对空间工作记忆的治疗效果和/或提供治疗以改善患者的空间工作记忆。可以基于每个患者的空间工作记忆为所述患者生成数字生物标志物。

Description

使用移动优化软件工具衡量空间工作记忆
相关专利申请的交叉引用
本申请要求名称为“Measuring Spatial working memory across DiverseClinical Trial Populations using Mobile-Optimized Software Tools”并于2019年9月5日提交的美国临时专利申请第62/896,402号的优先权，该美国临时专利申请的公开内容全文据此以引用方式并入。
技术领域
本文所述的方面涉及用于医学诊断和分析的数字健康工具。特别地，本文所述的一个或多个方面涉及可被采用和用于衡量空间工作记忆的移动优化软件工具。
背景技术
自闭症谱系障碍(ASD)包括多种神经发育病症，包括自闭症和Asperger综合征。患有ASD的个体可能在社交交流和互动方面有困难和/或表现出受限的和/或重复的行为模式。轻度ASD患者可以生活自理，而中度至重度患者则可能在他们的日常生活中需要相当多的支持。ASD患者可能会出现社交交流障碍、兴趣重复且有限和/或表现出感官敏感。与ASD患者的认知表现密切相关的中央执行功能是空间工作记忆，即根据需要保存和转换空间信息的能力。然而，衡量空间工作记忆的已知方法需要特殊的装备和/或接受过专门培训的人员来执行每个评定，从而提高了评定和治疗的成本。
发明内容
下文呈现了本文所述的各个方面的简化概述。该概述不是广泛的概述，并且不旨在标识关键或重要元素或描绘权利要求的范围。以下概述仅以简化形式呈现一些概念，作为下面提供的更详细说明的介绍性序言。对应的设备、系统和计算机可读介质也在本公开的范围内。
作为对本文所述的主题的一般介绍，本公开的方面涉及可采用和用于跨不同的临床试验群体衡量空间工作记忆的移动优化软件工具。例如，一些方面描述了用于ASD临床试验的新型空间工作记忆任务的计算优化和参与式设计。自闭症相关神经肽加压素(和/或其他治疗)的施用可能会提高玩家的空间工作记忆。如本文所述的软件工具可以用于衡量对空间工作记忆的治疗效果和/或提供治疗以改善患者的空间工作记忆。可以基于每个患者的空间工作记忆为该患者生成数字生物标志物。
在本公开的一个方面，一种计算机实现方法包括：从与患者群体中的多个患者相关联的多个移动装置获得多个游戏结果，其中该多个游戏结果中的每个游戏结果包括游戏板、由与提供该游戏结果的该移动装置相关联的患者提供的动作以及该游戏板中的每个游戏板的难度，并且该患者群体包括对该患者群体中的每个患者施用的治疗以及该患者群体中的每个患者之间共同的至少一个特性；基于该多个游戏结果，确定由该患者为该多个游戏结果中的每个游戏结果提供的动作，以及该游戏结果中对该游戏结果进行排序的该游戏板中的每个游戏板的难度；为该多个游戏结果中的每个游戏结果迭代地生成代表性参数；以及针对每个患者并基于与该患者相关联的迭代地生成的代表性参数来确定该患者的空间工作记忆评分。
在本公开的又一方面，该计算机实现方法进一步包括：获得该患者群体中的每个患者的历史记忆评分；以及基于该患者群体中的每个患者的该历史记忆评分和该空间工作记忆评分的比较，确定该施用的治疗的治疗有效性。
在本公开的再一方面，该施用的治疗包括治疗有效剂量的选自由以下项组成的组的药物：阿巴氯芬；巴洛伐普坦；GABA-Aa5 PAM；GABA-A1调节剂；mGlu4/7 PAM；多巴胺2受体拮抗剂，特别是利培酮；μ-阿片受体拮抗剂，特别是纳洛酮；和/或NMDA谷氨酸受体拮抗剂，特别是美金刚；以及它们的药用盐。
在本公开的又再一方面，该计算机实现方法进一步包括：从与第二患者群体中的第二多个患者相关联的第二多个移动装置获得第二多个游戏结果，其中该第二多个游戏结果中的每个游戏结果包括游戏板和由与提供该游戏结果的该移动装置相关联的患者提供的动作，该第二患者群体包括施用给该第二多个患者中的每个患者的第二治疗以及该第二患者群体中的每个患者之间共同的至少一个第二特性；为该第二患者群体中的每个患者确定该第二患者群体中的每个患者的第二空间工作记忆评分；以及进一步基于该第二患者群体中的每个患者的该第二空间工作记忆评分来确定该施用的治疗的治疗有效性。
在本公开的又一附加方面，该第二治疗包括安慰剂，并且该第二患者群体的该至少一个第二特性与该患者群体的至少一个特性相同。
在本公开的再一附加方面，该代表性参数是使用选自由Markov Chain MonteCarlo模拟、网格搜索和Bayesian估计组成的组的程序迭代地生成的。
在本公开的又再一附加方面，该计算机实现方法进一步包括基于该治疗有效性确定针对具有与该患者群体的该至少一个特性共同的特性的患者的治疗建议。
本公开的又一方面包括一种计算装置，该计算装置包括处理器以及与该处理器通信并存储指令的存储器，该指令在由该处理器读取时使该计算装置：从与患者群体中的多个患者中相关联的多个移动装置获得多个游戏结果，其中该多个游戏结果中的每个游戏结果包括游戏板、由与提供该游戏结果的该移动装置相关联的患者提供的动作以及该游戏板中的每个游戏板的难度，并且该患者群体包括施用给该患者群体中的每个患者的治疗以及该患者群体中的每个患者之间共同的至少一个特性；基于该多个游戏结果，确定由该患者为该多个游戏结果中的每个游戏结果提供的动作，以及该游戏结果中对该游戏结果进行排序的该游戏板中的每个游戏板的难度；为该多个游戏结果中的每个游戏结果迭代地生成代表性参数；以及针对每个患者并基于与该患者相关联的迭代地生成的代表性参数来确定该患者的空间工作记忆评分。
在本公开的又一方面，该指令在由该处理器读取时进一步使该计算装置：获得该患者群体中的每个患者的历史记忆评分；以及基于该患者群体中的每个患者的该历史记忆评分和该空间工作记忆评分的比较，确定该施用的治疗的治疗有效性。
在本公开的再一方面，该施用的治疗包括治疗有效剂量的选自由以下项组成的组的药物：阿巴氯芬；巴洛伐普坦；GABA-Aa5 PAM；GABA-A1调节剂；mGlu4/7 PAM；多巴胺2受体拮抗剂，特别是利培酮；μ-阿片受体拮抗剂，特别是纳洛酮；和/或NMDA谷氨酸受体拮抗剂，特别是美金刚；以及它们的药用盐。
在本公开的又再一方面，该指令在由该处理器读取时进一步使该计算装置：从与第二患者群体中的第二多个患者相关联的第二多个移动装置获得第二多个游戏结果，其中该第二多个游戏结果中的每个游戏结果包括游戏板和由与提供该游戏结果的该移动装置相关联的患者提供的动作，该第二患者群体包括施用给该第二多个患者中的每个患者的第二治疗，以及该第二患者群体中的每个患者之间共同的至少一个第二特性；为该第二患者群体中的每个患者确定该第二患者群体中的每个患者的第二空间工作记忆评分；以及进一步基于该第二患者群体中的每个患者的该第二空间工作记忆评分来确定该施用的治疗的治疗有效性。
在本公开的又一附加方面，该第二治疗包括安慰剂，并且该第二患者群体的该至少一个第二特性与该患者群体的至少一个特性相同。
在本公开的再一附加方面，该代表性参数是使用选自由Markov Chain MonteCarlo模拟、网格搜索和Bayesian估计组成的组的程序迭代地生成的。
在本公开的又再一附加方面，该指令在由该处理器读取时进一步使该计算装置：基于该治疗有效性确定针对具有与该患者群体的该至少一个特性共同的特性的患者的治疗建议。
本公开的再一方面包括一种存储指令的非暂时性机器可读介质，该指令在由一个或多个处理器执行时使该一个或多个处理器进行包括以下的步骤：从与患者群体中的多个患者相关联的多个移动装置获得多个游戏结果，其中该多个游戏结果中的每个游戏结果包括游戏板、由与提供该游戏结果的该移动装置相关联的患者提供的动作以及该游戏板中的每个游戏板的难度，并且该患者群体包括施用给该患者群体中的每个患者的治疗以及该患者群体中的每个患者之间共同的至少一个特性；基于该多个游戏结果，确定由该患者为该多个游戏结果中的每个游戏结果提供的动作，以及该游戏结果中对该游戏结果进行排序的该游戏板中的每个游戏板的难度；为该多个游戏结果中的每个游戏结果迭代地生成代表性参数；以及针对每个患者并基于与该患者相关联的迭代地生成的代表性参数来确定该患者的空间工作记忆评分。
在本公开的又一方面，该指令在由该一个或多个处理器执行时进一步使该一个或多个处理器进行包括以下的步骤：获得该患者群体中的每个患者的历史记忆评分；以及基于该患者群体中的每个患者的该历史记忆评分和该空间工作记忆评分的比较，确定该施用的治疗的治疗有效性。
在本公开的再一方面，该施用的治疗包括治疗有效剂量的选自由以下项组成的组的药物：阿巴氯芬；巴洛伐普坦；GABA-Aa5 PAM；GABA-A1调节剂；mGlu4/7 PAM；多巴胺2受体拮抗剂，特别是利培酮；μ-阿片受体拮抗剂，特别是纳洛酮；和/或NMDA谷氨酸受体拮抗剂，特别是美金刚；以及它们的药用盐。
在本公开的又再一方面，该指令在由该一个或多个处理器执行时进一步使该一个或多个处理器进行包括以下的步骤：从与第二患者群体中的第二多个患者相关联的第二多个移动装置获得第二多个游戏结果，其中该第二多个游戏结果中的每个游戏结果包括游戏板和由与提供该游戏结果的该移动装置相关联的患者提供的动作，该第二患者群体包括施用给该第二多个患者中的每个患者的第二治疗，以及该第二患者群体中的每个患者之间共同的至少一个第二特性；为该第二患者群体中的每个患者确定该第二患者群体中的每个患者的第二空间工作记忆评分；以及进一步基于该第二患者群体中的每个患者的该第二空间工作记忆评分来确定该施用的治疗的治疗有效性。
在本公开的又一附加方面，该第二治疗包括安慰剂，并且该第二患者群体的该至少一个第二特性与该患者群体的至少一个特性相同。
在本公开的又另一附加方面，该指令在由一个或多个处理器执行时进一步使该一个或多个处理器进行包括以下的步骤：基于该治疗有效性，确定针对具有与该患者群体的该至少一个特性共同的特性的患者的治疗建议。
本公开的又一方面包括一种用于玩交互式游戏的计算机实现方法，其包括：显示该交互式游戏的当前回合的游戏板，该游戏板包括多个交互元素和目标位置，并且该交互元素的数量是基于用户的空间工作记忆评分来确定的；确定该游戏板中的第一项目位置，其中该第一项目位置对应于该多个交互元素中的第一交互元素；获得第一用户动作，其中该第一用户动作标识该多个交互元素中的交互元素；确定该第一用户动作中标识的该交互元素对应于该第一项目位置；更新该第一用户动作中标识的该交互元素以指示该交互元素已经与项目位置相关联；确定该游戏板中的第二项目位置，其中该第二项目位置对应于该多个交互元素中不同于该第一交互元素的第二交互元素；获得第二用户动作，其中该用户动作标识该多个交互元素中的交互元素；确定该第二用户动作中标识的该交互元素对应于该第二项目位置；更新该第二用户动作中标识的该交互元素以指示该第二交互元素已经与项目位置相关联；基于已经与项目位置相关联的该多个交互元素中的每个交互元素来确定该交互式游戏的该当前回合结束；将获得的用户动作和游戏板传输给远程服务器系统；以及显示该交互式游戏的该当前回合的游戏概要。
在本公开的又一方面，该计算机实现方法进一步包括：基于确定该第一用户动作中标识的该交互元素对应于该第一项目位置，获得将该第一项目位置与该目标位置相关联的第三用户动作。
在本公开的再一方面，该计算机实现方法进一步包括：基于该用户的该空间工作记忆评分来生成第二游戏板；获得指示该用户希望进行该交互式游戏的下一回合的用户输入；以及显示该第二游戏板。
在本公开的又再一方面，进一步基于提供该交互式游戏的移动装置的特性来生成该游戏板，并且该移动装置的该特性选自由以下各项组成的组：屏幕大小、屏幕分辨率、像素密度和可用的输入装置。
在本公开的又一附加方面，该计算机实现方法进一步包括：基于该游戏板、该第一用户动作和该第二用户动作来确定该用户的更新后的空间工作记忆评分；基于该空间工作记忆评分和该更新后的空间工作记忆评分来衡量该用户的治疗效果；基于该治疗效果确定该用户的药物治疗有效剂量；以及向该用户施用该治疗有效剂量的该药物。
在本公开的再一附加方面，该药物选自由以下各项组成的组：阿巴氯芬；巴洛伐普坦；GABA-Aa5 PAM；GABA-A1调节剂；mGlu4/7 PAM；多巴胺2受体拮抗剂，特别是利培酮；μ-阿片受体拮抗剂，特别是纳洛酮；和/或NMDA谷氨酸受体拮抗剂，特别是美金刚；以及它们的药用盐。
在本公开的又再一附加方面，该用户的该空间工作记忆评分是基于该用户玩的历史游戏会话的搜索内失误的数量和搜索间失误的数量来确定的。
本公开的再一方面包括一种计算装置，该计算装置包括处理器以及与该处理器通信并存储指令的存储器，该指令在由该处理器读取时使该计算装置：显示交互式游戏的当前回合的游戏板，该游戏板包括多个交互元素和目标位置，并且该交互元素的数量是基于用户的空间工作记忆评分来确定的；确定该游戏板中的第一项目位置，其中该第一项目位置对应于该多个交互元素中的第一交互元素；获得第一用户动作，其中该第一用户动作标识该多个交互元素中的交互元素；确定该第一用户动作中标识的该交互元素对应于该第一项目位置；更新该第一用户动作中标识的该交互元素以指示该交互元素已经与项目位置相关联；确定该游戏板中的第二项目位置，其中该第二项目位置对应于该多个交互元素中与该第一交互元素不同的第二交互元素；获得第二用户动作，其中该用户动作标识该多个交互元素中的交互元素；确定该第二用户动作中标识的该交互元素对应于该第二项目位置；更新该第二用户动作中标识的该交互元素以指示该第二交互元素已经与项目位置相关联；基于该多个交互元素中的每个交互元素已经与项目位置相关联而确定该交互式游戏的该当前回合结束；将获得的用户动作和游戏板传输到远程服务器系统；以及显示该交互式游戏的该当前回合的游戏概要。
在本公开的又一方面，该指令在由该处理器读取时进一步使该计算装置基于确定该第一用户动作中标识的该交互元素对应于该第一项目位置，获得将该第一项目位置与该目标位置相关联的第三用户动作。
在本公开的再一附加方面，该指令在由该处理器读取时进一步使该计算装置：基于该用户的该空间工作记忆评分来生成第二游戏板；获得指示该用户希望继续进行该交互式游戏的下一回合的用户输入；以及显示该第二游戏板。
在本公开的又再一附加方面，进一步基于提供该交互式游戏的移动装置的特性来生成该游戏板，并且该移动装置的该特性选自由以下各项组成的组：屏幕大小、屏幕分辨率、像素密度和可用的输入装置。
在本公开的又一附加方面，该指令在由该处理器读取时进一步使该计算装置：基于该游戏板、该第一用户动作和该第二用户动作来确定该用户的更新后的空间工作记忆评分；基于该空间工作记忆评分和该更新后的空间工作记忆评分来衡量该用户的治疗效果；基于该治疗效果来确定该用户的药物治疗有效剂量；以及向该用户施用该治疗有效剂量的该药物。
在本公开的再一附加方面，该药物选自由以下各项组成的组：阿巴氯芬；巴洛伐普坦；GABA-Aa5 PAM；GABA-A1调节剂；mGlu4/7 PAM；多巴胺2受体拮抗剂，特别是利培酮；μ-阿片受体拮抗剂，特别是纳洛酮；和/或NMDA谷氨酸受体拮抗剂，特别是美金刚；以及它们的药用盐。
在本公开的又再一附加方面，该用户的该空间工作记忆评分是基于该用户玩的历史游戏会话的搜索内失误的数量和搜索间失误的数量来确定的。
本公开的又一方面包括一种存储指令的非暂时性机器可读介质，该指令在由一个或多个处理器执行时使该一个或多个处理器进行包括以下的步骤：显示交互式游戏的当前回合的游戏板，该游戏板包括多个交互元素和目标位置，并且该交互元素的数量是基于用户的空间工作记忆评分来确定的；确定该游戏板中的第一项目位置，其中该第一项目位置对应于该多个交互元素中的第一交互元素；获得第一用户动作，其中该第一用户动作标识该多个交互元素中的交互元素；确定该第一用户动作中标识的该交互元素对应于该第一项目位置；更新该第一用户动作中标识的该交互元素以指示该交互元素已经与项目位置相关联；确定该游戏板中的第二项目位置，其中该第二项目位置对应于该多个交互元素中不同于该第一交互元素的第二交互元素；获得第二用户动作，其中该用户动作标识该多个交互元素中的交互元素；确定该第二用户动作中标识的该交互元素对应于该第二项目位置；更新该第二用户动作中标识的该交互元素以指示该第二交互元素已经与项目位置相关联；基于该多个交互元素中的每个交互元素已经与项目位置相关联而确定该交互式游戏的该当前回合结束；将获得的用户动作和游戏板传输到远程服务器系统；以及显示该交互式游戏的该当前回合的游戏概要。
在本公开的又一方面，该指令在由一个或多个处理器执行时进一步使该一个或多个处理器进行包括以下的步骤：基于确定该第一用户动作中标识的该交互元素对应于该第一项目位置，获得将该第一项目位置与该目标位置相关联的第三用户动作。
在本公开的再一方面，该指令在由一个或多个处理器执行时进一步使该一个或多个处理器进行包括以下的步骤：基于该用户的该空间工作记忆评分来生成第二游戏板；获得指示该用户希望进行该交互式游戏的下一回合的用户输入；以及显示该第二游戏板。
在本公开的又再一附加方面，进一步基于提供该交互式游戏的移动装置的特性来生成该游戏板，并且该移动装置的该特性选自由以下各项组成的组：屏幕大小、屏幕分辨率、像素密度和可用的输入装置。
在本公开的又一附加方面，该指令在由一个或多个处理器执行时进一步使该一个或多个处理器进行包括以下的步骤：基于该游戏板、该第一用户动作和该第二用户动作来确定该用户的更新后的空间工作记忆评分；基于该空间工作记忆评分和该更新后的空间工作记忆评分来衡量该用户的治疗效果；基于该治疗效果来确定该用户的药物治疗有效剂量，该药物选自由以下各项组成的组：阿巴氯芬；巴洛伐普坦；GABA-Aa5 PAM；GABA-A1调节剂；mGlu4/7 PAM；多巴胺2受体拮抗剂，特别是利培酮；μ-阿片受体拮抗剂，特别是纳洛酮；和/或NMDA谷氨酸受体拮抗剂，特别是美金刚；以及它们的药用盐；以及向该用户施用该治疗有效剂量的该药物。
在本公开的再一附加方面，该用户的该空间工作记忆评分是基于该用户玩的历史游戏会话的搜索内失误的数量和搜索间失误的数量来确定的。
本公开的再一方面包括一种生成数字生物标志物的计算机实现方法，其包括：确定用于评定患有神经性病症的患者的任务难度级别；生成该任务难度级别的交互式任务；生成用于在移动装置上显示的图形用户界面，以用于接收来自尝试完成该任务的该患者的任务输入；基于接收到的任务输入来确定任务结果；基于该接收到的任务输入来生成经修改的任务难度级别；使用该经修改的任务难度级别通过先前的生成和确定该任务结果的步骤进行迭代，直到满足预定条件；以及基于满足该预定条件，通过分析多个接收到的任务输入和确定的任务结果来确定该患者的数字生物标志物。
在本公开的又一方面，该预定条件包括该患者完成预定难度级别的该任务。
在本公开的再一方面，该预定条件包括该患者在尝试完成任何任务时出现至少预定数量的失误。
在本公开的又再一方面，该交互式任务包括在游戏板上隐藏对象，并且其中每个难度与该游戏板上的不同数量的交互元素相关联。
在本公开的又一附加方面，确定该数字生物标志物由配置为接收任务输入和任务结果的服务器装置执行。
在本公开的再一附加方面，该患者选自已经被施用治疗的群体，并且该方法进一步包括：获得该群体中的每个患者的历史数字生物标志物；使用先前提到的步骤为该群体中的每个患者生成新数字生物标志物；以及基于对每个患者的该历史数字生物标志物和该新数字生物标志物的比较来确定施用的治疗的治疗有效性。
在本公开的又再一附加方面，生成该经修改的任务难度级别包括使用选自由Markov Chain Monte Carlo模拟、网格搜索和Bayesian估计组成的组的迭代程序。
本公开的又一方面包括一种存储指令的非暂时性机器可读介质，该指令在由一个或多个处理器执行时使该一个或多个处理器进行包括以下的步骤：确定用于评定患有神经性病症的患者的任务难度级别；生成该任务难度级别的交互式任务；生成用于在移动装置上显示的图形用户界面，以用于接收来自尝试完成该任务的该患者的任务输入；基于接收到的任务输入来确定任务结果；基于该接收到的任务输入来生成经修改的任务难度级别；使用该经修改的任务难度级别通过先前的生成和确定该任务结果的步骤进行迭代，直到满足预定条件；以及基于满足该预定条件，通过分析多个接收到的任务输入和确定的任务结果来确定该患者的数字生物标志物。
在本公开的又一方面，该预定条件包括该患者完成预定难度级别的该任务。
在本公开的再一方面，该预定条件包括该患者在尝试完成任何任务时出现至少预定数量的失误。
在本公开的又再一方面，该交互式任务包括在游戏板上隐藏对象，并且其中每个难度与该游戏板上的不同数量的交互元素相关联。
在本公开的又一附加方面，确定该数字生物标志物由配置为接收任务输入和任务结果的服务器装置执行。
在本公开的再一附加方面，该指令在由一个或多个处理器执行时进一步使该一个或多个处理器进行包括以下的步骤：获得群体中的每个患者的历史数字生物标志物，其中每个患者选自已经被施用治疗的群体；使用先前提到的步骤为该群体中的每个患者生成新数字生物标志物；以及基于对每个患者的该历史数字生物标志物和该新数字生物标志物的比较来确定施用的治疗的治疗有效性。
在本公开的又再一附加方面，生成该经修改的任务难度级别包括使用选自由Markov Chain Monte Carlo模拟、网格搜索和Bayesian估计组成的组的迭代程序。
这些特征以及许多其他特征将在下文更详细地讨论。
附图说明
通过参考以下参考附图的说明，可获得对本文所述的方面及其优点的更完整的理解，其中相同的附图标记表示相同的特征，并且其中：
图1描绘了可用于实现本文所述的一个或多个说明性方面的定制计算系统和架构；
图2A描绘了根据本文所述的一个或多个说明性方面的开发ASD评定中的一个或多个设计权衡；
图2B是根据本文所述的一个或多个说明性方面的空间工作记忆的概念图；
图3A-P描绘了根据本文所述的一个或多个说明性方面的可由软件工具呈现的示例性图形用户界面，该软件工具可被采用和用于跨不同的临床试验群体衡量空间工作记忆；
图4A是概念性地示出根据本文所述的一个或多个说明性方面的用于使用软件工具的过程的流程图；
图4B是概念性地示出根据本文所述的一个或多个说明性方面的用于动态地生成用户界面的过程的流程图；
图4C是概念性地示出根据本文所述的一个或多个说明性方面的在给定个体数据的情况下用于得出工作记忆评分的过程的流程图；
图4D是概念性地示出根据本文所述的一个或多个说明性方面的在给定个体数据的情况下用于得出工作记忆评分的过程的伪代码；
图4E是根据本文所述的一个或多个说明性方面的由玩交互式游戏的患者提供的响应的概念图；
图5A是概念性地示出根据本文所述的一个或多个说明性方面的用于分析空间工作记忆的过程的流程图；
图5B是概念性地示出根据本文所述的一个或多个说明性方面的用于施用治疗的过程的流程图；
图6描绘了根据本文所述的一个或多个说明性方面的针对自闭症个体的可能与空间工作记忆有关的一组挑战；
图7描绘了根据本文所述的一个或多个说明性方面的与空间工作记忆的神经心理学测试相关联的示例性数据；
图8和图9描绘了根据本文所述的一个或多个说明性方面的与可被采用和用于跨不同的临床试验群体衡量空间工作记忆的软件工具相关联的焦点团体发现；
图10和图11描绘了根据本文所述的一个或多个说明性方面的与可采用和用于跨不同的临床试验群体衡量空间工作记忆的软件工具相关联的模型结果；并且
图12描绘了根据本文所述的一个或多个说明性方面的与可采用和用于跨不同的临床试验群体衡量空间工作记忆的软件工具相关联的神经模型。
具体实施方式
在各个实施例的以下描述中参考了附图，这些附图形成本文的一部分，并且在这些附图中通过图示的方式示出了其中可实践本文所述的方面的各种实施例。应当理解，在不脱离所述方面和实施例的范围的情况下，可利用其他实施例，并且可进行结构和功能上的修改。本文所述的方面能够用于其他实施例并且能够以各种方式来实践或执行。应当理解，本文所使用的措词和术语是出于说明的目的，而不应被认为是限制性的。相反，本文中使用的短语和术语将被给予其最广泛的解释和含义。“包括”和“包含”及其变体的使用意味着涵盖其后列出的项目及其等同物，以及其他项目及其等同物。术语“安装”、“连接”、“耦合”、“定位”、“接合”和类似术语的使用意在包括直接和间接安装、连接、耦合、定位和接合。
作为对本文所述主题的一般介绍，本公开的方面涉及可采用和用于跨不同的临床试验群体(诸如但不限于自闭症)衡量空间工作记忆的移动优化软件工具。自闭症谱系障碍(ASD)的定义是社交交流障碍、兴趣重复且有限和/或感官敏感。此外，认知缺陷也很常见，并且在ASD患者的健康中发挥着重要作用。例如，这些缺陷预示着日常生活功能和就业能力受损，因此对患者及其护理者具有影响。因此，在设计治疗中枢神经系统病症的疗法时，监测和评估此类疗法对认知功能的影响至关重要。可在不进行实验室测试的情况下监测和评估的与认知表现密切相关的中央执行功能是空间工作记忆，即根据需要保存、更新和转换视觉和空间信息的能力。
为了评估视觉和/或空间工作记忆，现有技术大多限于变化检测测试(在该变化检测测试中，要求患者标识静态场景的从一种呈现变为另一种呈现的各个方面)以测量匹配范式的精度(在该匹配范式中，患者必须再现视觉场景的特征)以及评估干扰物对记忆编码的影响。这些测试不评估空间工作记忆的动态，即，随着视觉场景的复杂程度增加，项目如何被存储、检索和从记忆中移除没有得到很好的理解，也没有现有技术建议当要求患者存储、删除和更新记忆中的项目时如何衡量空间工作记忆容量。
离散槽模型在将单次试验任务中的空间工作记忆(SWM)解释为变化检测任务方面已经获得了巨大的成功。此方法已经成功地扩展到查询存储在视觉记忆中的项目的精度的范式。对需要跨几个试验连续存储和更新项目的情况下的SWM的动态知之甚少。本文所述的计算分析清楚地表明了两个一般要点：项目存储在两个在很大程度上独立的存储部中，以及项目的检索是随机的。在不假设独立存储部的情况下，搜索内优先级模型可生成非常不同的失误率统计信息。另外，边际失误率不是难度的线性函数。SWM的槽模型通常假设存储和检索是确定性操作，但存储的内容被认为是随机的。本文所述的方面最终排除了这一假设。特别地，由这种模型预测的理论失误率大于在使用如本文所述的系统生成的真实世界数据中观察到的失误率。本文提出的模型表明所有项目都存储在记忆中，但这些项目只能在固定数量的情况下从记忆中被正确检索。这表明从记忆中检索项目的失败率跨不同的集合大小是相对恒定的。
根据本公开的方面，专门针对移动装置优化的交互式游戏用于执行各种任务。交互式游戏设计为具有视觉吸引力并改善原始任务的心理测量性质。交互式游戏的评估利用了基于空间工作记忆的离散槽模型的新型计算方法，该方法可准确捕捉用户的行为。基于用户行为，可确定施用的治疗的有效性。另外，可确定推荐的治疗和/或向用户施用推荐的治疗以改善用户的SWM。还应注意，多种疾患和疾病(诸如阿尔茨海默氏病)也可能表现出对患者的认知能力的影响。本文所述的过程和技术是关于ASD描述的，但应注意，描述的过程和技术可用于评估空间工作记忆并向患有影响患者的认知能力和/或大脑活动的各种疾患和疾病中的任何疾患和疾病的患者提供治疗。
图1示出了可用于实施本文所述的一个或多个说明性方面的定制网络架构和数据处理装置的一个实例。各种网络节点103、105、107和109可经由广域网(WAN)101(诸如因特网)互连。也可以或可替代地使用其他网络，包括专用内联网、公司网络、LAN、无线网络、个人网络(PAN)等。网络101是出于说明目的，并且可以用更少或其他计算机网络代替。局域网(LAN)可具有任何已知LAN拓扑中的一种或多种，并且可以使用多种不同协议中的一种或多种，诸如以太网。装置103、105、107、109和其他装置(未示出)可经由双绞线、同轴电缆、光纤、无线电波或其他通信介质连接到一个或多个网络。
如本文所用和附图中所描绘的术语“网络”不仅指其中远程存储装置经由一个或多个通信路径耦合在一起的系统，而且还指可能偶尔耦合到具有存储功能的系统的独立装置。因此，术语“网络”不仅包括“物理网络”，还包括“内容网络”，其包括驻留在所有物理网络中的数据(归因于单个实体)。
组件可包括数据服务器103、网络服务器105和客户端装置107、109。数据服务器103提供用于执行本文所述的一个或多个说明性方面的数据库和控制软件的整体访问、控制和管理。数据服务器103可连接到网络服务器105，用户通过该网络服务器进行交互并根据请求获得数据。可替代地，数据服务器103本身可充当网络服务器并且直接连接到因特网(在该情况下不需要装置105)。数据服务器103可以通过网络101(例如，因特网)，经由直接或间接连接，或经由某些其他网络而连接到网络服务器105。用户可使用远程计算机107、109(例如，使用应用程序、移动app或网络浏览器)经由网络服务器105托管的一个或多个外部公开的网站和/或网络服务与数据服务器103连接以与数据服务器103进行交互。客户端计算机107、109可与数据服务器103一起使用以访问存储在其中的数据，或者可用于其他目的。例如，用户可使用因特网浏览器或通过执行通过计算机网络(诸如因特网)与网络服务器105和/或数据服务器103通信的软件应用程序从客户端装置107来访问网络服务器105。
服务器和应用程序可以组合在同一台物理计算机上，并保留单独的虚拟或逻辑地址，或者可以驻留在单独的物理计算机上。图1仅示出了可以使用的网络架构的一个实例，并且本领域技术人员将理解，所使用的特定网络架构和数据处理装置可以变化，并且对它们所提供的功能进行辅助，如本文进一步所述。例如，可以在单个服务器上组合由网络服务器105和数据服务器103提供的服务。
每个组件103、105、107、109可以是任何类型的计算机、服务器或数据处理装置。数据服务器103例如可包括控制数据服务器103的整体操作的处理器111。数据服务器103可以进一步包括RAM 113、ROM 115、网络接口117、输入/输出接口119(例如，键盘、鼠标、显示器、打印机等)和存储器121。I/O 119可包括各种接口单元和驱动器，用于读取、写入、显示和/或打印数据或文件。存储器121可进一步存储用于控制数据处理装置103的整体操作的操作系统软件123、用于指示数据服务器103执行本文所述的方面的控制逻辑125以及提供辅助、支持和/或其他功能的其他应用软件127，其可以结合或可以不结合本文所述的其他方面一起使用。控制逻辑在本文中也可以称为数据服务器软件125。数据服务器软件的功能可指代基于编码到控制逻辑中的规则自动做出的操作或决策、由向系统提供输入的用户手动做出的操作和/或基于用户输入(例如查询、数据更新等)的自动处理的组合。
存储器121还可存储用于执行本文所述一个或多个方面的数据，包括第一数据库129和第二数据库131。在一些实施例中，第一数据库可包括第二数据库(例如，作为单独的表、报告等)。也就是说，根据系统设计，信息可存储在单个数据库中，也可以分在不同的逻辑、虚拟或物理数据库中。装置105、107、109可以具有与关于装置103所描述的相似或不同的架构。本领域技术人员将理解，如本文所述的数据处理装置103(或装置105、107、109)的功能可以分布在多个数据处理装置上，例如，以在多个计算机之间分配处理负载，以分离根据地理位置、用户访问级别、服务质量(QoS)等进行的处理。
本文所述的一个或多个方面可以体现在由本文所述的一台或多台计算机或其他装置执行的计算机可用或可读数据和/或计算机可执行指令中，诸如在一个或多个程序模块中。程序模块可包括例程、程序、目标、组件、数据结构等，其在由计算机或其他装置中的处理器执行时执行特定的任务或实施特定的抽象数据类型。可以用源代码编程语言编写模块，然后将其编译以执行该模块，或者可以用脚本语言(诸如(但不限于)HTML或XML)编写模块。可以将计算机可执行指令存储在计算机可读介质上，诸如硬盘、光盘、可移动存储介质、固态存储器、RAM等。如本领域技术人员将理解的，程序模块的功能可以在各个实施例中根据需要组合或分配。此外，该功能可整体或部分地体现在固件或硬件等效物(诸如集成电路、现场可编程门阵列(FPGA)等)中。特定的数据结构可以用于更有效地实施一个或多个方面，并且此类数据结构包括在本文所述的计算机可执行指令和计算机可用数据的范围内。
根据本公开的一个或多个方面，交互式游戏和/或其他移动优化软件工具可被采用和用于跨不同的临床和非临床群体衡量空间工作记忆(SWM)。例如，此类工具可针对不同的临床试验群体创建敏感和稳健的SWM衡量。此外或可替代地，此类工具可经由对移动装置的频繁和/或远程的评定来实现达到测量数据中较高的信噪比。此外或可替代地，此类工具可确保个体在临床试验中使用的可接受性。此外或可替代地，此类工具可优化评定过程中可能出现的个体差异和纵向效应的检测能力。
在一些情况下，根据本公开的一个或多个方面，可采用和用于跨不同的临床试验群体衡量空间工作记忆的移动优化软件工具可实施某些方法。例如，此类工具可提供基于多国联盟和参与式焦点团体的原型。此外或可替代地，此类工具可针对移动装置和广泛的能力调适任务参数(该任务参数可与评定相关联)。此外或可替代地，此类工具可用MonteCarlo方法优化任务对SWM动态的敏感性。此外或可替代地，此类工具可在临床和非临床群体的观察性和介入性试验中验证任务。
本公开的一个或多个方面提供了针对基于移动装置的远程采用而优化的空间工作记忆的新型测试。此外，本公开的一个或多个方面提供了空间工作记忆的新型测试，该测试适用于认知方面多样化的个体，这些个体下至七岁、上至九十岁，或者智商(IQ)低于70和/或高于140。另外，本公开的一个或多个方面提供了SWM的新型测试，该测试在基于药剂的模型中是有效和敏感的，并且适用于兴奋性/抑制性平衡的神经生理学建模。本公开的一个或多个方面的一个潜在基本原理是在临床试验中提供远程、频繁的评定。特别地，期望提供这样的评定，该评定对个体差异和干预敏感，适合不同的认知能力，可扩展用于全球采用(例如，经由移动装置)和/或通过严格的验证和正式建模进行良好表征。
在为临床和非群体设计此类评定时，可能会遇到核心症状的生态有效表现与其易处理性之间的设计权衡。此设计权衡在图2A中示出。本公开的一些方面集中于可被视为接近范围的中点的自适应空间工作记忆任务。图2B是根据本文所述的一个或多个说明性方面的空间工作记忆(SWM)的概念图。已经建议SWM包括有限的一组离散槽，只要有足够的槽可用，就在该组离散槽中存储新信息。概念图250包括在时间t0处的一组块260。在时间t1处，其中一个块改变颜色，如一组块262中所示。例如，最右上角的块的颜色从时间t0处的深绿色变为时间t1处的褐红色。时间t0处的空间工作记忆270显示用户看到一组块260中的所有六个块及它们的颜色。然而，在时间t1处，空间工作记忆272显示用户可能只回忆最左边的三个块的颜色，而最右边的三个块(如“x”所示)具有未知的颜色。也就是说，用户的SWM为三个块。这样，用户不太可能能够准确地标识在时间t0和时间t1之间哪个块改变了颜色。
可使用如本文所述的交互式游戏来执行的任务包括从一组对象中标识具有特定性质的对象。一种这样的交互式游戏包括如本文关于图3A-P所述的“找鸡蛋”任务。在本文所述的任务中通常会出现两种类型的失误。当多于一次地选择隐藏目标的项目时会发生搜索间失误(BSE)。当多于一次地选择空项目(其在之前不包含项目)时会发生搜索内失误(WSE)。应当注意，在找到目标后，可能产生WSE的一组项目被重置。
在一些情况下，交互式游戏的图形用户界面可由移动计算装置(诸如装置107)基于该移动计算装置对软件工具的执行来生成和呈现。在使用“找鸡蛋”软件工具时，患者(例如，该工具和/或执行该工具的移动计算装置的用户)可通过点击每只示出的鸡来找鸡蛋。患者必须记住在哪里找到了鸡蛋以及在哪里未找到鸡蛋。该软件工具实施某些规则来评定患者是否出现某些失误。例如，每只鸡在每个游戏回合可能只产一个鸡蛋，这可以允许存在用户出现搜索间失误的可能性。此外，任何时候都可能只产一个鸡蛋，这可以允许存在用户出现搜索内失误的可能性。指示患者通过点击屏幕上的鸡来找鸡蛋。在之前产过鸡蛋的鸡上点击两次是(搜索间)失误。在没有鸡蛋的鸡上点击两次是(搜索内)失误。一旦找到鸡蛋，另一只鸡就会产下新的鸡蛋。随着用户完成回合，任务的难度可能会发生变化。
图3A-P描绘了根据本文所述的一个或多个说明性方面的交互式游戏(例如“找鸡蛋”游戏)的示例性图形用户界面。在图3A中，示出了根据一个或多个说明性方面的欢迎画面。欢迎画面提供指示每只鸡会产鸡蛋并且每只鸡只产一个鸡蛋的初始指令。欢迎画面还包括：第一按钮，该第一按钮允许用户获得关于如何玩“找鸡蛋”游戏的指令；以及第二按钮，该第二按钮允许用户开始玩该交互式游戏。
图3B示出了根据一个或多个说明性方面的第一指令画面。第一指令画面包括：四只鸡；篮子；已经找到的鸡蛋的数量计数；以及说明每只鸡会产鸡蛋并且用户的任务是找到所有鸡蛋的指令。第一指令画面还包括将用户带到该交互式游戏的下一个画面的按钮。图3C示出了根据一个或多个说明性方面的第二指令画面。在第二指令画面中，提供了带有2x2阵列的鸡的游戏板。左上角的鸡被突出显示，并且提供邀请用户点击突出显示的鸡以查看鸡是否已经产蛋的提示。图3D示出了根据一个或多个说明性方面的第三指令画面。在第三指令画面中，提供了指示左上角的鸡(仍然突出显示)还没有产蛋的提示。第三指令画面还提供了将用户带到下一个画面的按钮。图3E示出了根据一个或多个说明性方面的第四指令画面。在第四指令画面中，提供了指示每只鸡轮流产蛋的指令。也就是说，每个回合只有一只鸡产蛋。因此，用户不应与左上角的鸡交互，直到用户在游戏板上找到另一只已经产蛋的鸡。图3F示出了根据一个或多个说明性方面的第五指令画面。在第五指令画面中，游戏板右上角的鸡已经突出显示。此外，正在提供邀请用户点击右上角突出显示的鸡的提示。图3G示出了根据一个或多个说明性方面的第六指令画面。在第六指令画面中，提供了响应于用户选择右上角的鸡而指示右上角的鸡已经产蛋的指示。此外，还提供了指示用户应将鸡蛋拖放到游戏板上的篮子中的提示。
图3H示出了根据一个或多个说明性方面的第七指令画面。在第七指令画面中，一旦用户将先前找到的鸡蛋拖到篮子中，左上角的鸡就会再次突出显示。第七指令画面提供了指示第二只鸡已经产蛋并且该第二只鸡可以是游戏板上尚未产蛋的任何一只鸡的提示。在第七指令画面中，这些鸡包括左上角的鸡、左下角的鸡和右下角的鸡。图3I示出了根据一个或多个说明性方面的第八指令画面。在第八指令画面中，提供了第二个鸡蛋位于左上角的鸡的下方的指示以及将鸡蛋拖入篮子中的指令。图3J示出了根据一个或多个说明性方面的第九指令画面。在第九指令画面中，提供了最后两个鸡蛋位于游戏板中的鸡的下方的指示。第九指令画面还提供了用户应选择鸡以寻找下一个鸡蛋的指示。
图3K示出了根据一个或多个说明性方面的第一游戏画面。第一游戏画面指示用户选择了左下角的鸡，并且该左下角的鸡的下方有鸡蛋。第一游戏画面还提供了用户应将新找到的鸡蛋拖入篮子中的指示。图3L示出了根据一个或多个说明性方面的第二游戏画面。在第二游戏画面中，用户选择了左上角的鸡或右上角的鸡。第二游戏画面指示用户选择了用户已经从其收集到鸡蛋的鸡，同时提供了每只鸡在每个游戏回合只产一个鸡蛋的提醒。图3M示出了根据一个或多个说明性方面的第三游戏画面。第三游戏画面指示用户选择了右下角的鸡并且最后一个鸡蛋位于右下角的鸡的下方。第三游戏画面还提供了用户应将最后一个鸡蛋拖入篮子中以完成该回合的指示。
图3N示出了根据一个或多个说明性方面的超时画面。在许多实施例中，该交互式游戏在玩游戏任务期间跟踪用户对移动装置的使用。如果用户没有在阈值时间段内提供任何输入，则可提供邀请用户继续玩游戏的提示。用户还可经由该提示选择退出游戏。
图3O示出了根据一个或多个说明性方面的第四游戏画面。第四游戏画面包括游戏板上呈2x3阵列的六只鸡以及待将鸡蛋拖入其中的篮子。如2x2游戏板和2x3游戏板中所示，鸡通常以在提供该交互式游戏的移动装置的显示区域内均匀间隔的行列排列。图3P示出了根据一个或多个说明性方面的第五游戏画面。第五游戏画面包括呈3x4阵列的十二只鸡。然而，在第五游戏画面中，鸡的位置并没有以行列排列，特别是在显示区域的右下象限中。在第五游戏画面中，鸡的位置已经被修改，以增加该交互式游戏的难度和/或使鸡(例如交互元素)更好地适配在移动装置的显示区域内。以此方式，可基于用户的表现和/或提供该交互式游戏的移动装置的特性来动态地生成该交互式游戏的游戏板。
图4A是概念性地示出根据本文所述的一个或多个说明性方面的用于使用软件工具的过程的流程图。可使用如本文所述的一个或多个计算装置来执行过程400的步骤中的一些或所有步骤。在各种实施例中，下文描述的步骤中的一些或所有步骤可在适当时进行组合和/或分成子步骤。
在步骤410处，可显示用户界面。用户界面可用于交互式游戏。用户界面可包括具有多个交互元素的游戏板，诸如如本文所述的“找鸡蛋”交互式游戏。可使用提供如本文所述的交互式游戏的移动装置的显示器来显示用户界面。在各种实施例中，用户界面可基于用户和/或移动装置的特性而动态地生成，如关于图4B更详细描述的。
在步骤412处，可确定项目位置。项目位置可对应于游戏板中的交互元素中的一个交互元素。项目位置可以是待由用户寻找的项目。例如，在“找鸡蛋”交互式游戏中，项目位置可以是鸡，而项目可以是鸡蛋。项目位置可随机确定和/或在适当时预先确定。在若干实施例中，项目位置基于该交互式游戏的前一回合而生成，使得项目位置不对应于前一回合中项目的位置。例如，如果前一回合有2x2游戏板，并且项目分别位于左上角、右下角、左下角和右上角，则当前回合的第一项目位置可以是2x2游戏板上除左上角之外的任何位置。以此方式，可避免在玩游戏多个回合时出现重复的模式。
在步骤414处，可获得用户动作。可使用移动装置的触摸屏来获得用户动作。然而，应当注意，可使用如本文所述的任何输入装置和/或网络连接来获得用户动作。用户动作可指示游戏板上的交互元素中的一个交互元素。
在步骤416处，如果项目被定位，则可提示用户将定位的项目拖到游戏板上的目标位置。一旦用户成功地将项目定位在游戏板中，该过程就进行至步骤418。如果没有定位项目，该过程就可进行至步骤421。可显示指示用户没有将项目定位在游戏板上的消息。当用户选择该用户先前选择过的位置时，可在适当时向该用户提供这样的指示：该用户已经选择过该位置并且在下一回合之前项目将不会在该位置出现，和/或已经在该位置处找到项目。如果在步骤421处没有做出阈值数量的失误选择，则该过程返回到步骤414以获得另一个用户动作。在许多实施例中，可跟踪用户的不正确选择的数量，并且如果在步骤421处用户超过了不正确选择的阈值数量，则该过程可以进行至步骤422。
在步骤418处，如果所有项目都已经被定位，则该过程进行至步骤422。如果并非所有项目都已经被定位，则该过程继续进行至步骤420。在步骤420处，可确定下一个位置。该下一个位置可包括游戏板上先前未被选为位置的任何交互元素。以此方式，游戏板上的每个交互元素可与待由用户每个游戏回合一次地定位的项目相关联。然而，应当注意，并非每一个交互元素在回合期间都需要与项目相关联和/或交互元素可在适当时不止一次地与项目相关联。一旦已经确定了下一个位置，该过程就可返回到步骤414以获得下一个用户动作。
在步骤422处，可完成回合。完成回合可显示概要画面，该概要画面显示：用户的动作总数；找到的项目数量；用户失误动作的数量；用户完成该回合所用的时间；当前回合数和/或要玩的总回合数；和/或任何其他相关信息。可基于如本文所述和概要画面中所包括的该回合(和/或多个回合)期间生成的数据中的任何数据来为用户计算空间工作记忆评分。概要画面可在适当时允许用户进行至下一回合和/或完成与该交互式游戏相关联的任务。游戏会话可包括用户玩的该交互式游戏的一个或多个回合。
如本文所述的该交互式游戏的自适应设计使用户对任务保持兴趣，提高顺应性，并减少天花板效应。然而，每个用户都有不同数量和类型的试验，这些试验是基于用户的技能和/或用户的移动装置的能力而确定的。用户的技能可对应于如本文所述的用户的空间工作记忆模型。
图4B是概念性地示出根据本文所述的一个或多个说明性方面的用于动态地生成用户界面的过程的流程图。可使用如本文所述的一个或多个计算装置来执行过程450的步骤中的一些或所有步骤。在各种实施例中，下文描述的步骤中的一些或所有步骤可在适当时进行组合和/或分成子步骤。
在步骤460处，可获得游戏数据。游戏数据可包括交互式游戏的当前会话的一个或多个回合，其中每个回合包括这样的游戏板，该游戏板包括如本文所述的特定数量的交互元素。回合的游戏数据还可包括用户在该回合期间做出的动作。游戏数据可进一步包括用户玩过的历史回合的集合。描述用户的各种数据(诸如用户的年龄、IQ水平等)也可被包括在游戏数据中。
可使用数学模型进一步分析从游戏中收集的数据从而：生成描述患者工作记忆并可进一步用于衡量认知能力的评分；检测临床群体和非临床群体中的亚组；标识由药理学干预和非药理学干预引起的变化；跟踪认知能力随时间推移的自然变化；以及在总体上表征患者空间工作记忆。
各种研究已经提供了来自使用移动装置玩的交互式游戏(其是对一组研究患者(例如用户)进行的测试，诸如“找鸡蛋”)的数据。在患者第一次就诊期间，研究护士就协议向患者进行了介绍并为患者提供了移动装置。根据实验计划，该任务每四天进行一次。项目(例如鸡)在该交互式游戏中以4、6、8、10或12的大小呈现。指示患者通过点击项目来找到隐藏的目标(例如鸡蛋)。一旦发现目标，则指示受试者将该目标移动到屏幕底部的篮子中。新的搜索开始于在项目下方产生目标，其约束条件是：a)在任何给定时间处只有一个目标被隐藏，以及b)项目只能每个块隐藏一个目标。患者不会收到有关其表现的明确反馈。会话包括连续给予的几个块。一旦找到所有目标，块就完成了，在这种情况下，集合大小增加二。当患者完成集合大小为12的块时，或者当一行中出现多于三个的搜索间失误时，会话停止。历经若干天通过将在前一会话期间达到的集合大小减少两个项目来调整任务的难度，除了集合大小4，在这种情况下难度保持不变。采用此任务设计以保持患者积极投入并减少地板效应和天花板效应。
可使用多种概率模型来衡量SWM。这些模型量化了如本文所述的交互式任务中完成不同动作(例如，点击项目)的概率。例如，在这种模型的第一例示中，患者在任务期间点击的所有项目可共同存储在SWM中，并且因此这些项目竞争相同的资源池，即记忆槽。因此，可假设所有项目都存储在固定数量的槽中，称为记忆池。可用槽的数量称为记忆容量M。可进一步假设：只要有可用容量，项目就存储在记忆中；项目确切地存储在记忆中以及从记忆中被检索；以及仅探索(即，在该交互式游戏中点击)未存储在记忆中的项目——这些项目可称为决策池。用户可从决策池中随机地选择项目。
从上文的假设来看，只有当需要存储在记忆中的先前点击的项目的数量D(难度)大于记忆容量M时才可能出错。当D大于M时，出错的概率为选择决策池中先前未被选择的项目的概率。决策池的大小是集合大小S减去记忆容量M。因此，其可写为(其中P代表概率，并且|右侧的随机变量是条件集)：
P(失误|D≤M,S)＝0,
Figure BDA0003529987000000251
描述患者的记忆容量的参数是M。M可根据从上述任务收集的患者的个人反应来估计。通过假定选择记忆池中的项目的概率η很小但为正，可放宽仅点击决策池中的项目的假设。此模型参数考虑了模型无法直接解释的失误，以及由多种因素(诸如注意力不集中)引起的失误。
在游戏中给定一组参数和板状态的情况下，搜索间失误(BSE)的概率和搜索内失误(WSE)的概率可通过添加进一步的假设来指定，并且这些概率可用于处理从app获得的数据。搜索间项目被定义为屏幕上具有目标(“鸡蛋”)的项目(“鸡”)。搜索间失误被定义为患者点击搜索间项目的动作。搜索内项目被定义为自找到上一个目标后已经被点击但不是搜索间项目的项目。搜索内失误被定义为点击搜索内项目的动作。
在若干实施例中，这些假设包括所有项目都具有相同的被留在记忆之外的概率，即，所有项目都以相同的优先级存储。据此，BSE的概率等于搜索间项目的数量B除以难度D：
Figure BDA0003529987000000252
其中难度D为B和搜索内项目的数量W之和。据此可得出：
Figure BDA0003529987000000253
上文的模型的基础是假设搜索间项目和搜索内项目在记忆中被同等对待。此前提可被替代为：搜索内项目在记忆中被赋予优先级和/或搜索间项目被赋予优先级。在第一种情况下，搜索间项目仅在所有搜索内项目都已经被存储后才放入记忆中。因此，仅当搜索内项目的数量W超过记忆容量M时才有可能出现WSE：
P(搜索内失误|M≥W,D,S)＝0,
Figure BDA0003529987000000261
这可称为搜索内优先级模型。搜索间优先级模型由以下等式定义
P(搜索间失误|M≥B,D,S)＝0,
Figure BDA0003529987000000262
上文的模型也可通过以下方式修改：移除单个记忆存储部用于存储搜索间项目和搜索内项目的假设。这可能是因为任务对回忆每种类型的项目的要求大为不同而进行的。搜索内项目可能只需要被短期存储，并且一旦发现新目标就会定期从记忆中被移除，而搜索间失误可能会被存储较长的时间段，并且不应跨搜索被盖写。如果两种类型的项目不竞争相同的记忆槽，则搜索间项目和搜索内项目可被存储在容量为MB和MW的独立的记忆池中。
如在先前的模型中那样，仅当搜索间项目的数量B超过搜索间记忆容量MB时才有可能出现BSE：
P(搜索间失误|MB≥B,D,S)＝0。
在另一种情况下，概率由下式给出：
Figure BDA0003529987000000263
分母对应于决策池的大小，即集合大小S减去任意记忆中的项目总数MB+min(Mw，W)。另外，由此可知
P(搜索内失误|MB≥B,D,S)＝0。
Figure BDA0003529987000000264
先前的模型建立在记忆存储和检索确切的假设之上。可以多种方式放宽该假定。如之前那样，可假设存储在记忆中的许多项目总是被正确检索。剩余的搜索间项目存储在记忆中，但它们的检索是随机的，并且失败率为r，与集合大小无关。
如在先前的模型的情况下那样，在此模型中，从记忆中正确检索到的项目被排除在决策池之外。形式上，搜索间存储可分为具有容量MB的确切存储和具有可变容量MF的模糊存储。BSE的条件概率由下式给出
Figure BDA0003529987000000271
MF正确检索的概率取决于失败率r和模糊记忆组件的最大容量Mmax。
Figure BDA0003529987000000272
未使用的容量可被分配或可不被分配以提高正在使用的记忆容量的精度。如果没有将未使用的容量分配给其他槽，则BSE的边际概率由下式给出
Figure BDA0003529987000000273
M已使用＝min(B-MB，Mmax)。
此公式对应于不同记忆大小MB+MF的BSE的边际概率，其中MF项目检索失败率为r。
例如，可将累计工作记忆评分计算为确切记忆容量与存储在模糊记忆中的预期项目数量之和
记忆评分＝MB+rMmax
在Mmax的情况下实际的限制条件在于，除非任务明确设计为使患者挑战困难，其中B-MB＞Mmax，否则它可能不是唯一可标识的。在实践中，可假设
M已使用＝B-Mb。
即使当最大集合大小小于最大记忆容量时，此方法也可用于估计r。
在步骤462处，可确定用户记忆。用户记忆可包括用户的空间工作记忆评分。空间工作记忆评分可在适当时以逐轮和/或每次会话为基础来计算。各种技术(包括本文所述的那些技术)中的任何一种技术都可用于确定用户的空间工作记忆评分。在若干实施例中，可为当前会话和/或一个或多个历史会话确定用户记忆。在各种实施例中，基于一个或多个空间工作记忆评分来确定用户记忆。例如，用户记忆可被确定为用户在特定的时间框架和/或游戏会话数量上的空间工作记忆评分的滑动平均值。
在步骤464处，可确定装置性质。装置性质可包括将在其上显示用户界面的装置的特性中的任何特性。这些特性可包括但不限于屏幕大小、屏幕分辨率、像素密度、输入装置类型、操作系统版本等。在步骤466处，可生成用户界面。可基于确定的用户记忆和/或确定的装置性质来生成用户界面。以此方式，用户界面可基于用户的相关技能和正被用于玩该交互式游戏的装置的特性而动态地生成。用户界面可包括具有多个交互元素的游戏板和/或交互元素在该游戏板内的布局。可基于用户记忆和/或装置性质来确定交互元素的数量。在各种实施例中，随着用户记忆评分增加，游戏板中可包括更多的交互元素。例如，如果用户记忆评分在0到100的范围内，则当用户记忆评分在0到25之间时，游戏板可包括四个交互元素。当用户记忆评分在26到50之间时，游戏板可包括六个交互元素；当用户记忆评分在51到75之间时，游戏板可包括八个交互元素；而当用户记忆评分在76到100之间时，游戏板可包括十二个交互元素。然而，应当注意，任何数量的交互元素和/或用户记忆等级在适当时都可用于确定交互元素的数量。
游戏板上的交互元素的布局和/或大小可基于用户记忆和/或装置性质来确定。例如，如果装置具有六英寸的屏幕，则交互元素可以为1/2平方英寸，而在具有四英寸屏幕的装置上，交互元素可以为1/4平方英寸。交互元素的大小也可以像素为单位并基于装置的像素密度来确定，使得交互元素的大小在具有不同的屏幕大小和/或分辨率的装置之间保持一致。交互元素的大小也可基于游戏板上的交互元素的数量来确定，使得交互元素在特定回合占据一致量的游戏板。类似地，可基于装置性质和/或交互元素的数量来确定游戏板内槽的位置。如本文所述，游戏板内的槽可布置成方形的行和列和/或不均匀地分布在整个游戏板上。在若干实施例中，槽的布局是基于用户记忆来确定的。例如，当用户记忆超过阈值时，游戏板的布局可以为使得游戏板的一些区域更密集地填充有交互元素，从而增加了记住游戏板该部分内的特定项目的难度。以此方式，特定交互元素的可混淆邻居的数量可基于用户记忆和/或装置性质来动态地调整。可在适当时基于可用输入装置的类型、屏幕大小、交互元素大小和/或填充大小来确定交互元素的最大密度。例如，与使用鼠标的装置相比，具有触摸屏的装置上的交互元素之间可能需要更多的填充，因为触摸屏通常不如鼠标那样准确。以此方式，游戏板内交互元素的布局可允许以相对准确度选择每个交互元素。
在若干实施例中，可使用一个或多个机器分类器来确定游戏板内的交互元素的数量和/或布局。对于本领域的普通技术人员而言应当很明显的是可利用多种机器分类器，包括(但不限于)决策树、k-最近邻、支持向量机(SVM)、神经网络(NN)、递归神经网络(RNN)、卷积神经网络(CNN)和/或概率神经网络(PNN)。RNN可进一步包括(但不限于)完全递归网络、Hopfield网络、Boltzmann机、自组织映射、学习向量量化、简单递归网络、回声状态网络、长短期记忆网络、双向RNN、分层RNN、随机神经网络和/或遗传尺度RNN。
根据本公开的方面的数学模型可指定任务中个体响应的概率，具体取决于但不限于患者先前已经探索的项目、屏幕上的项目数量等。
图4C是概念性地示出根据本文所述的一个或多个说明性方面的在给定个体数据的情况下用于得出工作记忆评分的过程的流程图。可使用如本文所述的一个或多个计算装置来执行过程470的步骤中的一些或所有步骤。在各种实施例中，下文描述的步骤中的一些或所有步骤可在适当时进行组合和/或分成子步骤。
在步骤472处，可获得个体响应。可通过向患者提供交互式游戏(例如“找鸡蛋”或任何其他类似的app或心理测试)的移动装置来获得个体响应。数据服务器可从一个或多个移动装置获得个体响应。在许多实施例中，个体响应包括由用户在个体画面中选择的任何项目和/或其任何相关联的信息，诸如反应时间、画面中项目的数量、先前选择的项目等。
在步骤474处，可根据例如屏幕上的项目数量、该个体的响应历史、先前的失误数量、先前找到的项目等对个体响应进行分类。在步骤476处，由模型定义的参数的概率可使用(经过分类的)响应来计算。基于参数的概率和经过分类的响应的迭代程序可用于计算代表性参数。迭代程序包括但不限于Markov Chain Monte Carlo模拟、网格搜索、Bayesian估计和/或这些方法中的任何方法或任何其他类似方法的混合。如图4E中所示，根据集合大小和难度对来自玩找鸡蛋的单个患者的个体响应490进行分类。在使用迭代程序的情况下，通过增加与经过分类的个体响应(492)相比的数据的可能性(494)来估计代表性参数。在步骤478处，可将空间工作记忆评分计算为如本文所述的所述代表性参数的数学组合。用于使用迭代方法生成空间工作记忆评分的伪代码480在图4D中示出。如本文所述的多种计算装置中的任何一种计算装置都可执行体现伪代码480的指令以执行如本文所述的多种过程中的任何一种过程。
各种患者可利用移动装置来玩如本文所述的交互式游戏。在若干实施例中，可以收集和分析来自各种患者的数据以确定治疗的有效性和/或确定可向患者施用的潜在治疗。
图5A是概念性地示出根据本文所述的一个或多个说明性方面的用于分析空间工作记忆的过程的流程图。可使用如本文所述的一个或多个计算装置来执行过程500的步骤中的一些或所有步骤。在各种实施例中，下文描述的步骤中的一些或所有步骤可在适当时进行组合和/或分成子步骤。
在步骤510处，可获得一个或多个患者群体的结果。该结果可从多种来源获得，诸如患者用来玩一个或多个交互式游戏和/或完成如本文所述的任务的移动装置。该结果可包括如本文所述的游戏板和/或用于每个患者玩的交互式游戏的一个或多个会话的动作的集合。该游戏结果可包括患者玩的一个或多个历史游戏会话。该游戏结果还可包括每个患者的各种特性，诸如用户的年龄、性别、IQ水平等。特定患者群体中的患者可能具有一个或多个共同特性。这些特性可包括但不限于年龄、当前状况、疾病、心智能力、认知能力、SWM评分、被施用的治疗等。例如，第一患者群体的成员可能患有ASD，而第二患者群体的成员可能患有阿尔茨海默氏病。在另一实例中，第一患者群体中的患者可能患有ASD并且未满12岁，而第二患者群体中的患者也患有ASD但超过12岁。在第三实例中，可为第一患者群体中的患者开具第一治疗，而可为第二患者群体中的患者开具第二治疗。然而，应当注意，可使用任何数量的患者群体和/或可以使用任何特定的特性组合来确定患者群体。以此方式，患者群体可包括具有共同特性的一个或多个患者，使得可在适当时分析和/或比较不同群体中的患者。
在步骤512处，可确定空间工作记忆评分。可使用如本文所述的多种数学模型中的任何一种数学模型来确定患者群体中的每个患者的空间工作记忆评分。在多个实施例中，特定患者的空间工作记忆评分包括基于用户玩的多个游戏会话对患者进行的时间序列分析。患者的空间工作记忆评分可包括基于用户玩的最后一个会话和/或不同的游戏会话随时间推移的多个评分而确定的当前空间工作记忆评分。在许多实施例中，针对患者的时间序列分析是基于由用户在一个或多个游戏会话中提供的正确动作的数量和/或玩家在游戏会话中玩该交互式游戏的一个或多个回合所用的时间的量。在若干实施例中，时间序列分析是基于由用户在一个或多个游戏会话中提供的不正确动作的数量和/或玩家在游戏会话中玩该交互式游戏的一个或多个回合所用的时间的量。例如，时间序列分析可基于患者的游戏选择如何从一个游戏会话变化(或不变化)到下一个游戏会话。这是由于ASD患者可能会出现相同的失误，因为患者可能不会从一个游戏会话中吸取经验教训而运用于下一个游戏会话，从而患者在每个游戏会话执行相同的记忆检索过程而达到相同的结果。
在步骤514处，可确定治疗有效性。治疗有效性可在适当时以每个患者为基础和/或以每个患者群体为基础来确定。可基于患者的空间工作记忆评分来针对患者确定特定患者的治疗有效性。可基于患者群体中每个患者的空间工作记忆评分来确定患者群体的治疗有效性。可在适当时使用多种统计技术中的任何一种统计技术来确定治疗有效性。例如，可将患者群体的当前空间工作记忆评分与患者群体的一个或多个历史空间工作记忆评分进行比较。当前空间工作记忆评分与一个或多个历史空间工作记忆评分之间的差值、随时间推移的变化率、空间工作记忆评分的滑动平均值和/或任何其他统计衡量可用于评估治疗有效性。治疗有效性也可在患者群体之间进行比较。例如，可将药物施用于按年龄划分的患者群体，以确定药物对基于患者年龄改善患者空间工作记忆评分的有效性。在第二实例中，可向第一患者群体施用第一药物，并且可向第二患者群体施用安慰剂。第一患者群体和第二患者群体之间在空间工作记忆评分上的差异变化可用于确定包括第一药物的治疗的有效性。在第三实例中，可向第一患者群体施用第一药物，并且可向第二患者群体施用第二药物。第一患者群体和第二患者群体之间在空间工作记忆评分上的差异变化可用于确定第一药物和第二药物中的哪种药物在改善空间工作记忆方面更有效。在第四实例中，可向第一患者群体施用第一剂量的药物，并且可向第二患者群体施用第二剂量的相同药物。患者群体在空间工作记忆的改善(或缺乏改善)上的差异可用于确定特定剂量的药物的有效性。然而，应当注意，任何比较(诸如具有影响空间工作记忆的不同条件的患者群体之间的比较)在适当时都可用于确定治疗有效性。
在步骤516处，可生成治疗建议。可基于治疗的有效性和/或特定患者群体的特性来生成治疗建议。治疗建议可针对具有与特定患者群体共同的特定特性的患者进行概括和/或靶向。例如，如果特定的药物能有效改善12岁以下ASD患者的空间工作记忆，则生成的治疗建议可包括该药物用于12岁以下ASD患者的特定剂量。类似地，如果特定的药物不能有效改善12岁以上ASD患者和/或阿尔茨海默氏病患者的空间工作记忆，则治疗建议可能不包括该药物用于具有这些特性的患者。为患者群体生成的治疗推荐可用于向具有与本文所述的患者群体共同的特性的特定患者推荐和/或施用治疗。
图5B是概念性地示出根据本文所述的一个或多个说明性方面的用于施用治疗的过程的流程图。可使用如本文所述的一个或多个计算装置来执行过程550的步骤中的一些或所有步骤。在各种实施例中，下文描述的步骤中的一些或所有步骤可在适当时进行组合和/或分成子步骤。
在步骤560处，可获得游戏结果。该游戏结果可包括用于如本文所述的交互式游戏的一个或多个当前会话的游戏板和/或用户动作。该游戏结果可包括用户玩过的一个或多个历史游戏会话。该游戏结果还可包括用户的各种特性，诸如用户的年龄、性别、IQ水平等。在步骤562处，可使用本文中解释的数学模型来确定空间工作记忆。如本文所述，可针对用户所玩的当前会话来确定空间工作记忆。在步骤564处，可获得历史空间工作记忆。如本文所述，可针对用户所玩的一个或多个历史会话来确定历史空间工作记忆。
在步骤566处，可衡量治疗效果。可基于空间工作记忆评分和/或历史空间工作记忆评分或任何其他临床相关方法来衡量治疗效果。例如，可将当前游戏会话的空间工作记忆评分与在先前的游戏会话中确定的用户的一个或多个历史空间工作记忆评分进行比较。衡量的治疗效果可在适当时包括当前空间工作记忆评分与一个或多个历史空间工作记忆评分之间的差值、随时间推移的变化率、空间工作记忆评分的滑动平均值和/或任何其他统计衡量。
在步骤568处，可基于患者的任务结果和/或SWM评分来生成指示特定患者(或患者类别)的数字生物标志物。如本文所述，可针对用于评定患有神经性病症的患者的任务来确定任务难度级别。如本文所述，可为患者生成该任务难度级别的交互式任务。如本文所述，可生成用于移动装置和用于接收来自尝试完成任务的患者的任务输入的用户界面。如本文所述，可基于接收到的任务输入来确定任务结果。如本文所述，基于接收到的任务输入来修改任务难度级别。如本文所述，可以使用经修改的任务难度级别迭代地生成任务结果步骤，直到满足预定条件。如本文所述，可通过分析多个接收到的任务输入和确定的任务结果来确定患者的数字生物标志物。
预定条件可包括患者完成预定难度级别的任务。预定条件可包括患者在尝试完成任何任务时出现至少预定数量的失误。如本文所述，交互式任务可包括在游戏板上隐藏对象。如本文所述，每个难度可与游戏板上的不同数量的交互元素相关联。数字生物标志物可由配置为接收任务输入和任务结果的任何计算装置(诸如服务器装置)确定。如本文所述，患者可选自已经被施用治疗的群体。如本文所述，可获得群体中的每个患者的历史数字生物标志物。如本文所述，可为群体中的每个患者生成数字生物标志物。如本文所述，可比较每个患者的历史数字生物标志物和新数字生物标志物以确定所施用的治疗的治疗有效性。如本文所述，生成经修改的任务难度级别可包括使用迭代程序，诸如Markov Chain MonteCarlo模拟、网格搜索和Bayesian估计。
在步骤570处，可确定治疗。治疗可包括药物，诸如巴洛伐普坦和/或阿巴氯芬以及设计为改善用户表现的特定任务。在多种实施例中，确定的治疗包括：加压素1a拮抗剂，更特别是阿巴氯芬、巴洛伐普坦；GABA-Aa5 PAM；GABA-A1调节剂；mGlu4/7 PAM；多巴胺2受体拮抗剂，特别是利培酮；μ-阿片受体拮抗剂，特别是纳洛酮；和/或NMDA谷氨酸受体拮抗剂，特别是美金刚；以及它们的药用盐。
可基于用户的数字生物标志物、特性、衡量的治疗效果和/或用户当前的空间工作记忆评分来确定治疗。例如，如果用户一直在服用特定剂量的巴洛伐普坦，并且用户的空间工作记忆评分没有提高，则可确定替代治疗(诸如阿巴氯芬)。基于用户的空间工作记忆评分和/或期望的空间工作记忆评分提高，可确定特定药物的剂量为治疗有效剂量。在第二实例中，如果随着指派的任务的难度增加用户经历空间工作记忆评分下降，则确定的治疗可包括向用户提供额外的更简单的任务，以便建立用户执行更困难任务的信心。类似地，可确定其他任务和/或治疗对用户有用，以便提高他们的空间工作记忆。例如，如果用户在基于玩“找鸡蛋”交互式游戏而确定的其空间工作记忆评分上没有经历足够量的提高，则可为用户规定以不同的方式锻炼其空间工作记忆的不同的交互式任务。在另一实例中，如果当前空间工作记忆评分超过阈值并且相比历史空间工作记忆评分有所提高，则可减少特定药物的剂量以便在不给用户过度用药的情况下维持用户当前的空间工作记忆评分。
在步骤572处，可施用治疗。可在适当时基于数字生物标志物、衡量的治疗效果和/或确定的治疗来确定提供的治疗。施用的治疗可包括治疗有效剂量的药物以提高用户的空间工作记忆评分。例如，可向用户施用治疗有效剂量的巴洛伐普坦和/或阿巴氯芬。然而，应当注意，可在适当时使用任何适当的药物，诸如加压素1a拮抗剂，更特别是阿巴氯芬、巴洛伐普坦；GABA-Aa5 PAM；GABA-A1调节剂；mGlu4/7 PAM；多巴胺2受体拮抗剂，特别是利培酮；μ-阿片受体拮抗剂，特别是纳洛酮；和/或NMDA谷氨酸受体拮抗剂，特别是美金刚；以及它们的药用盐。类似地，可根据确定的治疗向用户提供要完成的特定交互式任务。
出于一个或多个原因，本公开的一个或多个方面可实施集中于空间工作记忆(SWM)的一个或多个评定。例如，SWM似乎可能是对于自闭症个体有意义的挑战的基础。一个或多个这些挑战的实例在图6中示出。此外或可替代地，SWM的神经心理学测试可能在案例/对照比较中显示出稳健的效应大小。这些效应大小的实例在图7中示出。
来自ASD群体的对与本公开的一个或多个方面相关联的原型的一些反应已经通过对包括自闭症个体(及其可用的护理者)在内的两个焦点团体的实验测试被捕捉到。有关焦点团体的目标、患者和形式的详细信息在图8中示出。此外，来自焦点团体的发现和针对这些发现采取的行动在图9中示出。随后，焦点团体执行了一项或多项基于药剂的模拟。特别地，在经验验证研究中采用任务之前，尝试了解和/或确认任务的设计可能如何影响其敏感性。具体来讲，检查终止规则以确定失误类型是否取决于任务是否在发生特定数量的失误(例如，3个失误、5个失误、7个失误等)后终止。此外，检查集合大小以确定交互元素(例如鸡)的数量是否影响失误的相对模式。检查空间工作记忆容量以确定终止规则和集合大小对失误类型本身的影响是否取决于空间工作记忆容量。为了解决这些问题，在几个关键假设下建立了能够执行任务的计算模型。首先，受试者尝试记住两种类型的先前搜索过的位置：找到鸡蛋的搜索位置和没有找到鸡蛋的搜索位置。其次，如果备忘录超出工作记忆容量，最旧的项目就会被遗忘。第三，拥挤和战略性“倒置”效应对用户的表现并不起主要作用。
计算模型产生了几个与任务的设计如何影响其敏感性相关的结果，特别是关于上述终止规则、集合大小和空间工作记忆容量问题；这些结果在图10和图11中示出。如在图10和图11中示出的模型结果中所见，无论终止规则如何，集合间失误都可根据用户的SWM容量来明显地区分用户。此外，无论终止规则如何，SWM容量都可表示为在给定试验历史的情况下逐次试验搜索的概率的函数。因此，为了最大程度地减少患者负担，可用三个失误的终止规则和根据每个受试者确定的自适应集合大小来部署任务。
与本公开的一个或多个方面相关联的模型的神经扩展可以能够将空间拥挤效应表征为兴奋-抑制平衡的函数，如图12中所示。如在图12中所见，神经模型示出了35x35兴奋点神经元阵列在呈现3位置刺激后的放电率(例如，呈黄色的较高放电率)。可使用如本文所述的多种机器分类器中的一种或多种机器分类器来实现模型及其相关联的神经扩展。遗忘(右侧)是通过吸引子衰减产生的。通过调节兴奋性和抑制性电导，该模型旨在预测GABA调节下的空间误差。GABA调节可能会受到多种药物(诸如阿巴氯芬)的影响。
尽管已经在某些特定方面描述了本发明，但是对于本领域技术人员来说，许多额外的修改和变化将是明显的。特别地，上述各种过程中的任一种过程可以替代顺序和/或并行(在不同的计算装置上)执行，以便以更适合于特定应用的要求的方式实现相似的结果。因此应当理解，在不背离本发明的范围和精神的情况下，可以不同于具体描述的方式实施本发明。因此，本发明的实施例在所有方面都应该被认为是说明性的而不是限制性的。因此，本发明的范围不应由示出的实施例确定，而应由所附权利要求及其等同物确定。

Claims (20)

1.一种生成数字生物标志物的计算机实现方法，其包括：
确定用于评定患有神经性病症的患者的任务难度级别；
生成所述任务难度级别的交互式任务；
生成用于在移动装置上显示的图形用户界面，以用于接收来自尝试完成所述任务的所述患者的任务输入；
基于接收到的任务输入来确定任务结果；
基于所述接收到的任务输入来生成经修改的任务难度级别；
使用所述经修改的任务难度级别通过先前的生成和确定所述任务结果的步骤进行迭代，直到满足预定条件；以及
基于满足所述预定条件，通过分析多个接收到的任务输入和确定的任务结果来确定所述患者的数字生物标志物。
2.根据权利要求1所述的计算机实现方法，其中所述预定条件包括所述患者完成预定难度级别的所述任务。
3.根据权利要求1所述的计算机实现方法，其中所述预定条件包括所述患者在尝试完成任何任务时出现至少预定数量的失误。
4.根据权利要求1所述的计算机实现方法，其中所述交互式任务包括在游戏板上隐藏对象，并且其中每个难度与所述游戏板上的不同数量的交互元素相关联。
5.根据权利要求1所述的计算机实现方法，其中确定所述数字生物标志物由配置为接收任务输入和任务结果的服务器装置执行。
6.根据权利要求1所述的计算机实现方法，其中：
所述患者选自已经被施用治疗的群体；并且
所述方法进一步包括：
获得所述群体中的每个患者的历史数字生物标志物；
使用先前提到的步骤为所述群体中的每个患者生成新数字生物标志物；以及
基于对每个患者的所述历史数字生物标志物和所述新数字生物标志物的比较来确定施用的治疗的治疗有效性。
7.根据权利要求1所述的计算机实现方法，其中生成所述经修改的任务难度级别包括使用选自由Markov Chain Monte Carlo模拟、网格搜索和Bayesian估计组成的组的迭代程序。
8.一种存储指令的非暂时性机器可读介质，所述指令在由一个或多个处理器执行时使所述一个或多个处理器进行包括以下的步骤：
确定用于评定患有神经性病症的患者的任务难度级别；
生成所述任务难度级别的交互式任务；
生成用于在移动装置上显示的图形用户界面，以用于接收来自尝试完成所述任务的所述患者的任务输入；
基于接收到的任务输入来确定任务结果；
基于所述接收到的任务输入来生成经修改的任务难度级别；
使用所述经修改的任务难度级别通过先前的生成和确定所述任务结果的步骤进行迭代，直到满足预定条件；以及
基于满足所述预定条件，通过分析多个接收到的任务输入和确定的任务结果来确定所述患者的数字生物标志物。
9.根据权利要求8所述的非暂时性机器可读介质，其中所述预定条件包括所述患者完成预定难度级别的所述任务。
10.根据权利要求8所述的非暂时性机器可读介质，其中所述预定条件包括所述患者在尝试完成任何任务时出现至少预定数量的失误。
11.根据权利要求8所述的非暂时性机器可读介质，其中所述交互式任务包括在游戏板上隐藏对象，并且其中每个难度与所述游戏板上的不同数量的交互元素相关联。
12.根据权利要求8所述的非暂时性机器可读介质，其中确定所述数字生物标志物由配置为接收任务输入和任务结果的服务器装置执行。
13.根据权利要求8所述的非暂时性机器可读介质，其中所述指令在由一个或多个处理器执行时进一步使所述一个或多个处理器进行包括以下的步骤：
获得群体中的每个患者的历史数字生物标志物，其中每个患者选自已经被施用治疗的所述群体；
使用先前提到的步骤为所述群体中的每个患者生成新数字生物标志物；以及
基于对每个患者的所述历史数字生物标志物和所述新数字生物标志物的比较来确定施用的治疗的治疗有效性。
14.根据权利要求8所述的非暂时性机器可读介质，其中生成所述经修改的任务难度级别包括使用选自由Markov Chain Monte Carlo模拟、网格搜索和Bayesian估计组成的组的迭代程序。
15.一种计算机实现方法，其包括：
从多个移动装置获得多个游戏结果，每个移动装置与患者群体中的多个患者中的一个或多个患者相关联，其中：
所述多个游戏结果中的每个游戏结果包括游戏板、由患者提供的作为对提供所述游戏结果的所述移动装置的输入的动作以及所述游戏板中的每个游戏板的难度；
所述患者群体包括所述患者群体中的每个患者之间共同的至少一个特性；
基于所述多个游戏结果，确定由所述患者为所述多个游戏结果中的每个游戏结果提供的动作，以及所述游戏结果中对游戏结果进行排序的所述游戏板中的每个游戏板的难度；
为所述多个游戏结果中的每个游戏结果迭代地生成代表性参数；以及
针对每个患者并基于与所述患者相关联的迭代地生成的代表性参数来确定所述患者的空间工作记忆评分。
16.根据权利要求15所述的计算机实现方法，其中所述患者群体包括已经被施用治疗的所述群体的子集，并且其中所述方法进一步包括：
获得所述患者群体的所述子集中的每个患者的历史记忆评分；以及
基于所述患者群体的所述子集中的每个患者的所述历史记忆评分和所述空间工作记忆评分的比较，确定施用的治疗的治疗有效性。
17.根据权利要求16所述的计算机实现方法，其进一步包括：
从与所述患者群体的第二子集相关联的第二多个移动装置获得第二多个游戏结果，其中：
所述第二多个游戏结果中的每个游戏结果包括游戏板和由与提供所述游戏结果的所述移动装置相关联的患者提供的动作；
所述第二子集包括施用第二治疗的患者以及第二患者群体中的每个患者之间共同的至少一个第二特性；
为所述第二子集中的每个患者确定所述第二子集中的每个患者的第二空间工作记忆评分；以及
进一步基于所述患者群体的所述第二子集中的每个患者的所述第二空间工作记忆评分来确定所述施用的治疗的治疗有效性。
18.根据权利要求17所述的计算机实现方法，其中：
所述第二治疗包括安慰剂；并且
所述第二患者群体的所述至少一个第二特性与所述患者群体的至少一个特性相同。
19.根据权利要求15所述的计算机实现方法，其中所述施用的治疗包括治疗有效剂量的选自由以下项组成的组的药物：阿巴氯芬；巴洛伐普坦；GABA-Aa5 PAM；GABA-A1调节剂；mGlu4/7PAM；多巴胺2受体拮抗剂，特别是利培酮；μ-阿片受体拮抗剂，特别是纳洛酮；和/或NMDA谷氨酸受体拮抗剂，特别是美金刚；以及它们的药用盐。
20.根据权利要求15所述的计算机实现方法，其中所述代表性参数是使用选自由Markov Chain Monte Carlo模拟、网格搜索和Bayesian估计组成的组的程序迭代地生成的。
CN202080061913.8A 2019-09-05 2020-09-04 使用移动优化软件工具衡量空间工作记忆 Pending CN114730197A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962896402P 2019-09-05 2019-09-05
US62/896,402 2019-09-05
PCT/US2020/049455 WO2021046386A1 (en) 2019-09-05 2020-09-04 Measuring spatial working memory using mobile-optimized software tools

Publications (1)

Publication Number Publication Date
CN114730197A true CN114730197A (zh) 2022-07-08

Family

ID=74852256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080061913.8A Pending CN114730197A (zh) 2019-09-05 2020-09-04 使用移动优化软件工具衡量空间工作记忆

Country Status (5)

Country Link
US (1) US20220265212A1 (zh)
EP (1) EP4025971A4 (zh)
JP (1) JP2022547075A (zh)
CN (1) CN114730197A (zh)
WO (1) WO2021046386A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160314215A1 (en) * 2015-04-21 2016-10-27 Google Inc. Generating mobile-friendliness scores for resources
JP7471283B2 (ja) * 2018-10-05 2024-04-19 エフ． ホフマン－ラ ロシュ アーゲー 統合失調症を評価するためのディジタル・バイオマーカ
JP2022512610A (ja) * 2018-10-05 2022-02-07 エフ．ホフマン－ラ ロシュ アーゲー 自閉スペクトラム症を評価する方法、デバイス、およびシステム
US20220004957A1 (en) * 2020-07-01 2022-01-06 EDUCATION4SIGHT GmbH Systems and methods for providing knowledge bases of assessment items
CN117238471B (zh) * 2023-11-14 2024-02-13 慧创科仪(北京)科技有限公司 用于fNIRS脑成像装置的VFT任务的配置方法以及fNIRS脑成像装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6234964B1 (en) * 1997-03-13 2001-05-22 First Opinion Corporation Disease management system and method
US8684922B2 (en) * 2006-05-12 2014-04-01 Bao Tran Health monitoring system
US20120258436A1 (en) * 2011-04-08 2012-10-11 Case Western Reserve University Automated assessment of cognitive, fine-motor, and memory skills
US9308446B1 (en) * 2013-03-07 2016-04-12 Posit Science Corporation Neuroplasticity games for social cognition disorders
EP3146701A4 (en) * 2014-05-21 2017-11-01 Akili Interactive Labs, Inc. Processor-implemented systems and methods for enhancing cognitive abilities by personalizing cognitive training regimens
WO2018027080A1 (en) * 2016-08-03 2018-02-08 Akili Interactive Labs, Inc. Cognitive platform including computerized evocative elements
KR102426385B1 (ko) * 2016-08-26 2022-07-28 아킬리 인터랙티브 랩스 인크. 생리학적 컴포넌트와 커플링된 인지 플랫폼
WO2018090009A1 (en) * 2016-11-14 2018-05-17 Cognoa, Inc. Methods and apparatus for evaluating developmental conditions and providing control over coverage and reliability
CN109658771A (zh) * 2019-01-30 2019-04-19 上海市精神卫生中心（上海市心理咨询培训中心） 基于vr技术的神经发育障碍交通安全训练系统及方法

Also Published As

Publication number Publication date
WO2021046386A1 (en) 2021-03-11
EP4025971A4 (en) 2024-02-28
EP4025971A1 (en) 2022-07-13
JP2022547075A (ja) 2022-11-10
US20220265212A1 (en) 2022-08-25

Similar Documents

Publication Publication Date Title
CN114730197A (zh) 使用移动优化软件工具衡量空间工作记忆
CN111107779B (zh) 用于测试和分析视敏度及其变化的系统和方法
CN108780663B (zh) 数字个性化医学平台和系统
Dockx et al. Virtual reality for rehabilitation in Parkinson's disease
US9014614B2 (en) Cognitive assessment and treatment platform utilizing a distributed tangible-graphical user interface device
US20170053082A1 (en) Method for prediction of a placebo response in an individual
Mosley et al. The structural connectivity of discrete networks underlies impulsivity and gambling in Parkinson’s disease
Desrochers et al. Optimal habits can develop spontaneously through sensitivity to local cost
US10335079B2 (en) Assessing cognition using item-recall trials with accounting for item position
Kowalczyk et al. Real‐time strategy video game experience and structural connectivity–A diffusion tensor imaging study
Chung et al. Characterising brain network topologies: a dynamic analysis approach using heat kernels
Crump et al. Quantifying epidemiological drivers of gambiense human African Trypanosomiasis across the Democratic Republic of Congo
JP2021518172A (ja) 次元幾何学的埋め込みにおける神経行動関係（ｎ−ｂｒｉｄｇｅ）に関するシステムおよび方法
Na et al. Humans use forward thinking to exploit social controllability
Yu et al. An insula‐driven network computes decision uncertainty and promotes abstinence in chronic cocaine users
Zhen et al. Neural correlates of recursive thinking during interpersonal strategic interactions
Stocco et al. Individual differences in reward‐based learning predict fluid reasoning abilities
WO2021072084A1 (en) Systems and methods for cognitive diagnostics for neurological disorders: parkinson's disease and comorbid depression
EP3140756A1 (en) Method for prediction of a placebo response in an individual
Kinyanjui et al. Adcb: An alzheimer’s disease simulator for benchmarking observational estimators of causal effects
CN112119470A (zh) 用于处理子处理区域之间的连接性值的系统和方法
Ahmad et al. Causal Relationships and Programming Outcomes: A Transcranial Magnetic Stimulation Experiment
Mochizuki et al. Opposing history effect of preceding decision and action in the free choice of saccade direction
Ng et al. Frontoparietal and salience network synchronizations during nonsymbolic magnitude processing predict brain age and mathematical performance in youth
Sweety et al. A Robust Deep Neural Network Framework for the Detection of Dementia

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40071855

Country of ref document: HK