CN117940065A - 分层方法以及分层装置 - Google Patents
分层方法以及分层装置 Download PDFInfo
- Publication number
- CN117940065A CN117940065A CN202280061563.4A CN202280061563A CN117940065A CN 117940065 A CN117940065 A CN 117940065A CN 202280061563 A CN202280061563 A CN 202280061563A CN 117940065 A CN117940065 A CN 117940065A
- Authority
- CN
- China
- Prior art keywords
- classification
- threshold
- score
- group
- classified
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 341
- 208000024827 Alzheimer disease Diseases 0.000 claims abstract description 357
- 230000000971 hippocampal effect Effects 0.000 claims abstract description 282
- 208000010877 cognitive disease Diseases 0.000 claims abstract description 156
- 208000027061 mild cognitive impairment Diseases 0.000 claims abstract description 156
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 102000013455 Amyloid beta-Peptides Human genes 0.000 claims description 62
- 108010090849 Amyloid beta-Peptides Proteins 0.000 claims description 62
- 210000004556 brain Anatomy 0.000 claims description 60
- 238000001514 detection method Methods 0.000 claims description 47
- 101150033839 4 gene Proteins 0.000 claims description 30
- 101710095339 Apolipoprotein E Proteins 0.000 claims description 30
- 102100029470 Apolipoprotein E Human genes 0.000 claims description 30
- 239000002131 composite material Substances 0.000 claims description 15
- 108010060159 Apolipoprotein E4 Proteins 0.000 claims description 4
- 230000032798 delamination Effects 0.000 claims 2
- 230000008569 process Effects 0.000 description 234
- 108010025628 Apolipoproteins E Proteins 0.000 description 83
- 102000013918 Apolipoproteins E Human genes 0.000 description 83
- 230000006870 function Effects 0.000 description 71
- 238000012545 processing Methods 0.000 description 65
- 101150037123 APOE gene Proteins 0.000 description 49
- 101100216294 Danio rerio apoeb gene Proteins 0.000 description 49
- 238000011835 investigation Methods 0.000 description 47
- 238000010586 diagram Methods 0.000 description 35
- 238000012986 modification Methods 0.000 description 33
- 230000004048 modification Effects 0.000 description 33
- 230000004083 survival effect Effects 0.000 description 32
- 239000000047 product Substances 0.000 description 23
- 238000011161 development Methods 0.000 description 22
- 238000007796 conventional method Methods 0.000 description 12
- 230000001186 cumulative effect Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000012502 risk assessment Methods 0.000 description 7
- 238000013517 stratification Methods 0.000 description 7
- 230000007704 transition Effects 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000001149 cognitive effect Effects 0.000 description 5
- 238000003786 synthesis reaction Methods 0.000 description 5
- 239000000470 constituent Substances 0.000 description 3
- 230000008685 targeting Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 101150100654 pacC gene Proteins 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Business, Economics & Management (AREA)
- Psychiatry (AREA)
- Human Resources & Organizations (AREA)
- Child & Adolescent Psychology (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- Developmental Disabilities (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Social Psychology (AREA)
- Educational Technology (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- High Energy & Nuclear Physics (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
提供一种分层方法,该分层方法包括:获得步骤,针对具有轻度认知障碍的多个分类对象的每一个,获得针对该分类对象进行临床心理测验的结果的分数、以及该分类对象的海马体积;分类步骤,针对所述多个分类对象的每一个,根据该分类对象的所述分数以及该分类对象的海马体积,将该分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中的某一组;以及输出步骤,输出通过所述分类步骤得到的分类结果。
Description
技术领域
本发明涉及一种关于患病风险的分层方法,将患有轻度认知障碍(MildCognitive Impairment,MCI)的多个分类对象的每一个,根据其发展为阿尔茨海默病(Alzheimer’s disease)的可能性,进行精准的风险度分层。
背景技术
在轻度认知障碍群体中,既有将来会发展为阿尔茨海默病的人,也有不会发展为阿尔茨海默病的人。
在轻度认知障碍群体中,若能够将今后会发展为阿尔茨海默病的风险相对高的人作为研究对象来进行临床试验等,则能够有效地进行这种临床试验,建立有效的预防方法。
在以往的技术中,将患有轻度认知障碍的多个分类对象,分别分类为将来会发展为阿尔茨海默病的风险相对应的多个组中的某一组,例如有已知的非专利文献1所记载的技术。
(现有技术文献)
(非专利文献)
非专利文献1Bin Zhou et.al,Protective Factors Modulate the Risk ofBeta Amyloid in Alzheimer’s Disease,Behavioral Neurology,Volume 2020,ArticleID 7029642
发明内容
发明要解决的问题
在非专利文献1所记载的以往的技术中,利用脑β-淀粉样蛋白PET检查的结果来进行上述的分类。
脑β-淀粉样蛋白PET检查价格较为昂贵。因此,非专利文献1中记载的以往的技术所进行的上述分类是难于广泛普及的。此外,在脑β-淀粉样蛋白PET检查中,检查到异常的人在平均26个月的跟踪调查中只有约41%的人发展为阿尔茨海默病。
于是,鉴于上述问题,本发明的目的在于提供一种分层方法等,本发明采用与以往的利用脑β-淀粉样蛋白PET检查结果的技术不同的方法,将患有轻度认知障碍的每一个个体,根据将来是否发展为阿尔茨海默病的风险高低,分类至相应的组别。
用于解决问题的手段
本发明的一个方式所涉及的分层方法包括如下的步骤:获得步骤,根据具有轻度认知障碍的多个分类对象的每一个,获得该分类对象进行临床心理测验的得分、以及该分类对象的海马体积;分类步骤,针对所述多个分类对象的每一个,根据该分类对象的阿尔茨海默病评定量表-认知分量表的分数、海马体积,将该分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组等多个组中的某一组;以及输出步骤,输出所述分层步骤的分层结果。
本发明的一个方式所涉及的分层装置包括:数据获取部分,针对患有轻度认知障碍的多个分类对象的每一个,获得个体的临床心理测验结果及海马体积;数据分类部分,针对所述多个分类对象的每一个,根据该分类对象的所述分数、及海马体积,将该分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的高危组、和将来发展为阿尔茨海默病的风险相对低的低危组;以及数据输出部分,输出通过所述步骤得到的分类结果。
发明效果
通过本发明的一个方式所涉及的分层方法等,能够以和以往的技术不同的方法,将具有轻度认知障碍的多个分类对象的每一个,分类为将来会发展为阿尔茨海默病的风险相对应的多个组中的某一组。
附图说明
图1是示出由本发明人员进行的将各种因素作为对象的风险评价的内容的一个例子的示意图。
图2是实施方式1所涉及的分层方法的构成的一个例子的方框图。
图3是示出由本发明人员进行的跟踪调查的结果的Kaplan-Meier曲线(卡普兰-迈耶生存曲线)。
图4是示出由本发明人员进行的每个组的跟踪调查的结果的Kaplan-Meier曲线(卡普兰-迈耶生存曲线)。
图5是实施方式1所涉及的第1分类处理的流程图。
图6是示出实施方式2所涉及的分层方法的构成的一个例子的方框图。
图7A是示出由本发明人员进行的每个组的跟踪调查的结果的Kaplan-Meier曲线(卡普兰-迈耶生存曲线)。
图7B是示出由本发明人员进行的每个组的跟踪调查的结果的Kaplan-Meier曲线(卡普兰-迈耶生存曲线)。
图8A是实施方式2所涉及的第2分类处理的流程图。
图8B是实施方式2所涉及的第2分类处理的流程图。
图9是示出实施方式3所涉及的分层方法的构成的一个例子的方框图。
图10A是示出由本发明人员进行的每个组的跟踪调查的结果的Kaplan-Meier曲线(卡普兰-迈耶生存曲线)。
图10B是示出由本发明人员进行的每个组的跟踪调查的结果的Kaplan-Meier曲线(卡普兰-迈耶生存曲线)。
图11是实施方式3所涉及的第3分类处理的流程图。
图12是示出实施方式4所涉及的分层方法的构成的一个例子的方框图。
图13A是实施方式4所涉及的第4分类处理的流程图。
图13B是实施方式4所涉及的第4分类处理的流程图。
图14是示出实施方式5所涉及的分层方法的构成的一个例子的方框图。
图15A是示出由本发明人员进行的每个组的跟踪调查的结果的Kaplan-Meier曲线(卡普兰-迈耶生存曲线)。
图15B是示出由本发明人员进行的每个组的跟踪调查的结果的Kaplan-Meier曲线(卡普兰-迈耶生存曲线)。
图16是实施方式5所涉及的第5分类处理的流程图。
图17是示出本发明人员针对脑β-淀粉样蛋白PET检查的阳性者进一步进行的将各种因素作为对象的风险评价的内容的一个例子的示意图。
图18是示出实施方式6所涉及的分层方法的构成的一个例子的方框图。
图19是示出由本发明人员进行的每个组的跟踪调查的结果的通过乘积极限法的生存预测的一个例子。
图20是实施方式6所涉及的第6分类处理的流程图。
图21是示出变形例1所涉及的分层方法的构成的一个例子的方框图。
图22是示出由本发明人员进行的每个组的跟踪调查的结果的通过乘积极限法的生存预测的一个例子。
图23是变形例1所涉及的第7分类处理的流程图。
图24是示出变形例2所涉及的分层方法的构成的一个例子的方框图。
图25是示出由本发明人员进行的每个组的跟踪调查的结果的通过乘积极限法的生存预测的一个例子。
图26是变形例2所涉及的第8分类处理的流程图。
图27是示出变形例3所涉及的分层方法的构成的一个例子的方框图。
图28是示出由本发明人员进行的每个组的跟踪调查的结果的通过乘积极限法的生存预测的一个例子。
图29是变形例3所涉及的第9分类处理的流程图。
图30是示出实施方式7所涉及的分层方法的构成的一个例子的方框图。
图31是示出体积分数值(Cog_Vol)、与从轻度认知障碍发展为阿尔茨海默病的分类对象的数量的关系的对应表。
图32是示出体积分数值(Cog_Vol)、与从轻度认知障碍直到发展为阿尔茨海默病的期间的关系的相关图。
图33是示出体积分数值(Cog_Vol)、多个阈值、以及从轻度认知障碍发展为阿尔茨海默病的分类对象的数量的关系的对应表。
图34是示出体积分数值(Cog_Vol)、从轻度认知障碍直到发展为阿尔茨海默病的期间、或者不会发展为阿尔茨海默病所经过的期间的关系的相关图。
图35是示出体积分数值(Cog_Vol)、多个阈值、以及从轻度认知障碍发展为阿尔茨海默病的分类对象的比率的推移的关系的对应表。
图36是示出体积分数值(Cog_Vol)、多个阈值、以及从轻度认知障碍发展为阿尔茨海默病的分类对象的数量的关系的对应表。
图37是示出体积分数值(Cog_Vol)、从轻度认知障碍直到发展为阿尔茨海默病的期间、或者不会发展为阿尔茨海默病所经过的期间的关系的相关图。
图38是示出体积分数值(Cog_Vol)、多个阈值、以及从轻度认知障碍发展为阿尔茨海默病的分类对象的比率的推移的关系的对应表。
图39是示出体积分数值(Cog_Vol_ab)、多个阈值、以及从轻度认知障碍发展为阿尔茨海默病的分类对象的比率的推移的关系的对应表。
图40是实施方式7所涉及的第10分类处理的流程图。
具体实施方式
(得到本发明的一个形态的经过)
本发明人员为了能够比较准确地得到将具有轻度认知障碍的多个分类对象的每一个,分类为将来会发展为阿尔茨海默病的风险相对应的多个组中的某一组的分层方法,因此将各种因素作为对象,对从轻度认知障碍发展为阿尔茨海默病的风险进行了评价。
图1是示出由本发明人员进行的将各种因素作为对象的风险评价的内容的一个例子的示意图。
本发明人员在对各种因素进行风险评价的过程中得到了如下的发现,即通过利用针对分类对象进行临床心理测验的结果而得到的分数、与该分类对象的海马体积的组合而得到的指标,从而能够比较准确地对从轻度认知障碍发展为阿尔茨海默病的风险进行评价。
于是,本发明人员基于上述发现,进一步进行了研究探讨。从而,形成了如下的分层方法等。
本发明的一个方式所涉及的分层方法包括如下的步骤:获得步骤,针对具有轻度认知障碍的多个分类对象的每一个,获得针对该分类对象进行临床心理测验的结果的分数、以及该分类对象的海马体积;分类步骤,针对所述多个分类对象的每一个,根据该分类对象的所述分数、以及该分类对象的海马体积,将该分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中某一组;输出步骤,输出通过所述分类步骤的分类结果。
通过上述的分层方法,能够以和以往的利用脑β-淀粉样蛋白PET检查结果的技术不同的方法,将具有轻度认知障碍的多个分类对象的每一个,分类为将来会发展为阿尔茨海默病的风险相对应的多个组中的某一组。
并且也可以是,所述多个分类对象各自的海马体积是所述多个分类对象各自的右侧海马体积。
并且也可以是,所述临床心理测验是阿尔茨海默病评定量表-认知分量表。
并且也可以是,在所述分类步骤中,针对所述多个分类对象的每一个,在该分类对象的所述分数比第1阈值大、且该分类对象的右侧海马体积比第2阈值小的情况下,将该分类对象分类为所述第1组,在该分类对象的所述分数比所述第1阈值小、且该分类对象的右侧海马体积比所述第2阈值大的情况下,将该分类对象分类为所述第2组。
并且也可以是,所述第1阈值为20.0,所述第2阈值为3.651[cm3]。
并且也可以是,所述临床心理测验是临床前阿尔茨海默认知功能检测综合分数。
并且也可以是,在所述分类步骤中,针对所述多个分类对象的每一个,在该分类对象的所述分数比第3阈值小、且该分类对象的右侧海马体积比第4阈值小的情况下,将该分类对象分类为所述第1组,在该分类对象的所述分数比所述第3阈值大、且该分类对象的右侧海马体积比所述第4阈值大的情况下,将该分类对象分类为所述第2组。
并且也可以是,所述第3阈值为0.111,所述第4阈值为3.651[cm3]。
并且也可以是,在所述获得步骤中,针对所述多个分类对象的每一个,进一步获得表示该分类对象是否具有载脂蛋白Eε4基因的信息,在所述分类步骤中,针对所述多个分类对象的每一个,还根据所述信息,将该分类对象分类为所述多个组中的某一组。
并且也可以是,所述临床心理测验包括:阿尔茨海默病评定量表-认知分量表、以及临床前阿尔茨海默认知功能检测综合分数,在所述获得步骤中,针对所述多个分类对象的每一个,进一步获得表示该分类对象是否具有载脂蛋白Eε4基因的信息,在所述分类步骤中,针对所述多个分类对象的每一个,(1)该分类对象的第1分数比第5阈值小、且该分类对象的右侧海马体积比第6阈值大、且该分类对象的所述信息示出具有载脂蛋白Eε4基因、且该分类对象的第2分数比第7阈值小的情况,所述第1分数是作为针对该分类对象进行的所述阿尔茨海默病评定量表-认知分量表的结果而得到的分数,所述第2分数是针对该分类对象进行临床前阿尔茨海默认知功能检测综合结果而得到的分数;(2)该分类对象的所述第1分数比所述第5阈值大、且该分类对象的右侧海马体积比所述第6阈值大、且该分类对象的所述信息示出具有载脂蛋白Eε4基因、且该分类对象的所述第2分数比所述第7阈值小的情况;(3)该分类对象的所述第1分数比所述第5阈值大、且该分类对象的右侧海马体积比所述第6阈值小的情况;(4)该分类对象的所述第1分数比所述第5阈值小、且该分类对象的右侧海马体积比所述第6阈值小、且该分类对象的所述信息示出具有载脂蛋白Eε4基因、且该分类对象的所述第2分数比所述第7阈值小的情况,所述(5)至(7)的情况是指:(5)该分类对象的所述第1分数比所述第5阈值小、且该分类对象的右侧海马体积比所述第6阈值大、且该分类对象的所述信息示出具有载脂蛋白Eε4基因、且该分类对象的所述第2分数比所述第7阈值大的情况;(6)该分类对象的所述第1分数比所述第5阈值大、且该分类对象的右侧海马体积比所述第6阈值大、且该分类对象的所述信息示出具有载脂蛋白Eε4基因、且该分类对象的所述第2分数比所述第7阈值大的情况;(7)该分类对象的所述第1分数比所述第5阈值小、且该分类对象的右侧海马体积比所述第6阈值大、且该分类对象的所述信息示出不具有载脂蛋白Eε4基因的情况。
并且也可以是,所述第5阈值为20.0,所述第6阈值为3.651[cm3],所述第7阈值为0.111。
并且也可以是,所述多个分类对象是脑β-淀粉样蛋白PET检查的阳性者,所述多个分类对象的各自的海马体积是所述多个分类对象的各自的左侧海马体积,所述临床心理测验是阿尔茨海默病评定量表-认知分量表。
并且也可以是,在所述分类步骤中,针对所述多个分类对象的每一个,在该分类对象的所述分数比第1阈值大、且该分类对象的左侧海马体积比第2阈值小的情况下,将该分类对象分类为所述第1组,在该分类对象的所述分数比所述第1阈值小、且该分类对象的左侧海马体积比所述第2阈值大的情况下,将该分类对象分类为所述第2组。
并且也可以是,所述第1阈值是14.0,所述第2阈值是3.459[cm3]。
并且也可以是,所述第1阈值是12.0,所述第2阈值是3.737[cm3]。
并且也可以是,所述第1阈值是21.0,所述第2阈值是3.080[cm3]。
并且也可以是,所述第1阈值是24.0,所述第2阈值是2.751[cm3]。
并且也可以是,在所述分类步骤中,针对所述多个分类对象的每一个,算出表示该分类对象的左侧海马体积与该分类对象的所述分数的比率的体积分数值,根据算出的所述体积分数值,将该分类对象分类为所述多个组中的某一组。
并且也可以是,所述体积分数值是相对于所述分数的左侧海马体积[mm3]的比率,在所述分类步骤中,针对所述多个分类对象的每一个,在所述体积分数值小于101的情况下,将该分类对象分类为所述第1组。
并且也可以是,所述多个分类对象的各自的海马体积是所述多个分类对象的各自的左侧海马体积,所述临床心理测验是阿尔茨海默病评定量表-认知分量表,在所述分类步骤中,针对所述多个分类对象的每一个,算出表示该分类对象的左侧海马体积与该分类对象的所述分数的比率的体积分数值,根据算出的所述体积分数值,将该分类对象分类为所述多个组中的某一组。
并且也可以是,所述体积分数值是相对于所述分数的左侧海马体积[mm3]的比率,在所述分类步骤中,针对所述多个分类对象的每一个,在所述体积分数值小于101的情况下,将该分类对象分类为所述第1组。
本发明的一个方式所涉及的分层装置具备:获得部,针对具有轻度认知障碍的多个分类对象的每一个,获得针对该分类对象进行临床心理测验的结果的分数、以及该分类对象的海马体积;分类部,针对所述多个分类对象的每一个,根据该分类对象的所述分数、以及该分类对象的海马体积,将该分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中的某一组;以及输出部,输出通过所述分类部得到的分类结果。
通过上述的分层装置,能够以和以往的利用脑β-淀粉样蛋白PET检查结果的技术不同的方法,将具有轻度认知障碍的多个分类对象的每一个,分类为将来会发展为阿尔茨海默病的风险相对应的多个组中的某一组。
以下参照附图对本发明的一个方式所涉及的分层方法等的具体例进行说明。
在此所示的实施方式均为示出本发明的示例。因此,以下的实施方式所示的数值、形状、构成要素、构成要素的配置以及连接方式、步骤(工序)以及步骤的顺序等为示例,其主旨并非是对本发明进行限定。并且,各个图为模式图,并非严谨的图示。在各个图中,对于实质上相同的构成赋予相同的编号,并省略或简化重复的说明。
在本说明书中,分层方法也称为分类方法,分层装置也称为分类装置。
(实施方式1)
以下对执行实施方式1所涉及的分层方法的实施方式1中的分层装置进行说明。该分层装置是将具有轻度认知障碍的多个分类对象的每一个,分类为将来会发展为阿尔茨海默病的风险相对应的多个组中的某一组的装置。多个组中至少包括将来发展为阿尔茨海默病的风险相对高的高危组即第1组、以及将来发展为阿尔茨海默病的风险相对低的低危组即第2组。
并且,执行上述分层方法的分层装置是执行分类处理的装置的示例,在该分类处理中反映了通过本发明人员将具有轻度认知障碍的多个分类对象作为对象来进行队列研究(cohort study)而得到的见解。
<构成>
图2是执行实施方式1所涉及的分层方法的分层装置10的构成的示例的方框图。
分层装置10例如由计算机装置来实现。在这种情况下,分层装置10例如通过计算机装置中的处理器,执行被存储在计算机装置中的存储器的程序来实现。
如图2所示,分层装置10具备:获得部20、分类部30、以及输出部40。
获得部20针对具有轻度认知障碍的多个分类对象的每一个,获得通过对分类对象进行临床心理测验的结果而得到的分数、以及分类对象的右侧海马体积。右侧海马体积能够通过如下的方法来测量,例如针对分类对象进行MRI检查,并对通过进行MRI检查的结果而得到的头部MRI图像进行图像处理等来进行测量。
在实施方式1中将要说明的针对分类对象进行的临床心理测验为阿尔茨海默病评定量表-认知分量表【ADAS-cog(Alzheimer’s Disease Assessment Scale-cognitivesubscale)】。
获得部20例如可以具备通信接口,通过通信接口,从外部装置获得通过针对分类对象进行阿尔茨海默病评定量表-认知分量表的结果而得到的分数(以下也称为“阿尔茨海默病评定量表-认知分量表的分数”)、以及分类对象的右侧海马体积,也可以具备从可携带移动的存储器(例如,USB存储器)读出数据的存储器接口,通过存储器接口,从可携带移动的存储器获得阿尔茨海默病评定量表-认知分量表的分数以及右侧海马体积,也可以具备接受利用分层装置10的用户进行的操作的输入输出接口,通过输入输出接口,来接受用户进行的数据输入操作,据此来获得阿尔茨海默病评定量表-认知分量表的分数以及右侧海马体积。
分类部30针对多个分类对象的每一个,根据阿尔茨海默病评定量表-认知分量表的分数以及右侧海马体积,将分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中的某一组。在实施方式1中,多个组除了第1组和第2组以外,还包括第3组和第4组,以多个组为4个组来进行说明。
分类部30根据通过本发明人员将具有轻度认知障碍的多个分类对象作为对象来进行队列研究而得到的见解,进行上述的分类。
具体而言,分类部30针对多个分类对象的每一个,进行如下(1)至(4)的分类,(1)在阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且右侧海马体积比第2阈值小的情况下,将分类对象分类为第1组,(2)在阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且右侧海马体积比第2阈值大的情况下,将分类对象分类为第2组,(3)在阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且右侧海马体积比第2阈值大的情况下,将分类对象分类为第3组,(4)在阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且右侧海马体积比第2阈值小的情况下,将分类对象分类为第4组。在此,分类部30将第1阈值设为20.0,将第2阈值设为3.651[cm3],来进行上述的分类。
以下对本发明人员将具有轻度认知障碍的多个分类对象作为对象进行队列研究而得到的见解进行说明。
本发明人员在队列研究中,将具有轻度认知障碍的多个分类对象作为对象,对从轻度认知障碍向阿尔茨海默病的发展进行了跟踪调查。
图3是在队列研究中示出由本发明人员进行的跟踪调查的结果的(卡普兰-迈耶生存曲线)。
在图3的Kaplan-Meier曲线中,横轴为从开始跟踪调查经过的时间[年],纵轴为从轻度认知障碍发展为阿尔茨海默病的分类对象的累积转化率[%]。
如图3所示,在队列研究中,本发明人员将具有轻度认知障碍的分类对象325名作为对象,针对从轻度认知障碍向阿尔茨海默病的发展,进行了大约5年的跟踪调查。在该大约5年的期间中,从轻度认知障碍发展为阿尔茨海默病的分类对象为104名。
在队列研究中,本发明人员针对多个分类对象的每一个,在开始进行跟踪调查时,分类为如下的(1)至(4)组中的某一组,并对示出分类后的各组的跟踪调查的结果的Kaplan-Meier曲线进行了评价,上述的(1)至(4)组是指:(1)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且右侧海马体积比第2阈值小的分类对象构成的组C(对应于第1组),(2)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且右侧海马体积比第2阈值大的分类对象构成的组B(对应于第2组),(3)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且右侧海马体积比第2阈值大的分类对象构成的组D(对应于第3组),(4)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且右侧海马体积比第2阈值小的分类对象构成的组A(对应于第4组)。
图4是在队列研究中,示出由本发明人员进行的针对每个组的跟踪调查的结果的Kaplan-Meier曲线。
在图4所示的Kaplan-Meier曲线中,横轴为从开始跟踪调查经过的时间[年],纵轴为从轻度认知障碍发展为阿尔茨海默病的分类对象的累积转化率[%]。
从图4所示Kaplan-Meier曲线可以知道,在第1组至第4组中,第1组是在跟踪调查的开始时,就成为将来发展为阿尔茨海默病的风险相对高的组,而第2组是在跟踪调查的开始时,就是将来发展为阿尔茨海默病的风险相对低的组。
这样,本发明人员通过队列研究得到了如下的见解,即针对具有轻度认知障碍的多个分类对象的每一个,(1)在阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且右侧海马体积比第2阈值小的情况下,将分类对象分类为第1组,(2)在阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且右侧海马体积比第2阈值大的情况下,将分类对象分类为第2组,(3)在阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且右侧海马体积比第2阈值大的情况下,将分类对象分类为第3组,(4)在阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且右侧海马体积比第2阈值小的情况下,将分类对象分类为第4组,通过进行上述这样的分类,从而能够将具有轻度认知障碍的多个分类对象,分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组(在此为4个组)中的某一组。
并且,本发明人员通过队列研究得到了如下的见解,即在上述的分类中,第1阈值优选为20.0±1SD,第2阈值优选为3.651±1SD[cm3]。在此,第1阈值的1SD为6.3,第2阈值的1SD为0.653[cm3]。
再次返回到图2,继续对分层装置10进行说明。
输出部40输出由分类部30进行的分类结果。
输出部40例如可以具备输出端口,经由输出端口,将包括分类结果的显示控制信号输出到外部的显示装置,并且所述显示控制信号用于使外部的显示装置显示表示分类结果的图像,例如也可以具备通信接口,经由通信接口,对包括分类结果的分类结果信息进行发送。
<工作>
以下参照附图对具有上述构成的分层装置10的工作进行说明。
图5是分层装置10进行的第1分类处理的流程图。该第1分类处理是针对多个分类对象的每一个,根据阿尔茨海默病评定量表-认知分量表的分数以及右侧海马体积,将分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的4个组中的某一组的处理。
第1分类处理例如是通过利用分层装置10的用户,对分层装置10进行使第1分类处理开始的操作而被开始执行的。
当第1分类处理开始时,获得部20针对具有轻度认知障碍的多个分类对象的每一个,获得作为对分类对象进行阿尔茨海默病评定量表-认知分量表(ADAS-cog)的结果而得到的分数(以下也称为“ADAS-cog的分数”)、以及分类对象的右侧海马体积(步骤S5)。
当获得了多个分类对象的ADAS-cog的分数以及右侧海马体积时,分类部30从多个分类对象中选择一个分类对象(步骤S10)。于是,分类部30调查处于选择状态的分类对象的ADAS-cog的分数是否为20.0以上(步骤S15)。
在步骤S15的处理中,在ADAS-cog的分数为20.0以上的情况下(步骤S15的“是”),分类部30调查处于选择状态的分类对象的右侧海马体积是否为3.651以上(步骤S20)。
在步骤S20的处理中,在右侧海马体积不是3.651以上的情况下(步骤S20的“否”),分类部30将处于选择状态的分类对象分类为第1组(步骤S25)。
在步骤S20的处理中,在右侧海马体积为3.651以上的情况下(步骤S20的“是”),分类部30将处于选择状态的分类对象分类为第3组(步骤S30)。
在步骤S15的处理中,在ADAS-cog的分数不是20.0以上的情况下(步骤S15的“否”),分类部30调查处于选择状态的分类对象的右侧海马体积是否为3.651以上(步骤S35)。
在步骤S35的处理中,在右侧海马体积不是3.651以上的情况下(步骤S35的“否”),分类部30将处于选择状态的分类对象分类为第4组(步骤S40)。
在步骤S35的处理中,在右侧海马体积为3.651以上的情况下(步骤S35的“是”),分类部30将处于选择状态的分类对象分类为第2组(步骤S45)。
在步骤S25的处理结束、步骤S30的处理结束、步骤S40的处理结束、以及步骤S45的处理结束的情况下,分类部30调查多个分类对象中是否有没被选择的分类对象(步骤S50)。在此,没被选择的分类对象是指,在步骤S10的处理中没有选择的分类对象,并且从步骤S15的处理一直进入到步骤S50的“是”之后再次进入到步骤S15的处理的循环处理中,后述的步骤S55的处理中未曾选择过的分类对象。
在步骤S50的处理中,在有没被选择的分类对象的情况下(步骤S50的“是”),分类部30从没被选择的分类对象中选择一个分类对象(步骤S55)。
在步骤S55的处理结束时,进入到步骤S15的处理。
在步骤S50的处理中,在没有没被选择的分类对象的情况下(步骤S50的“否”),输出部40输出由分类部30对多个分类对象的每一个进行的分类结果(步骤S60)。
在步骤S60的处理结束时,分层装置10结束上述的第1分类处理。
<考察>
通过具有上述构成的分层装置10,能够将具有轻度认知障碍的多个分类对象,分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中的某一组。
因此,通过利用分层装置10,预先对具有轻度认知障碍的多个分类对象进行分类,从而能够有效地进行将从轻度认知障碍发展为阿尔茨海默病的人作为研究对象的临床试验等。
并且,通过具有上述构成的分层装置10,能够以和以往的技术不同的方法来进行上述的分类。即,通过分层装置10,在上述的分类中,不利用以往的技术中所必需的价格比较高的脑β-淀粉样蛋白PET检查的结果。
因此,通过利用分层装置10,与利用了以往的技术的情况相比,能够廉价且分类效果更佳地进行上述的分类。
(实施方式2)
以下对执行实施方式2所涉及的分层方法的实施方式2中的分层装置进行说明。在实施方式2的构成中,对实施方式1所涉及的分层装置10的功能的一部分进行了变更。如实施方式1中的说明所示,分层装置10根据作为进行阿尔茨海默病评定量表-认知分量表的结果而得到的分数、以及右侧海马体积,对具有轻度认知障碍的多个分类对象进行分类。对此,在实施方式2所涉及的分层方法中,除了根据作为进行阿尔茨海默病评定量表-认知分量表的结果而得到的分数、以及右侧海马体积以外,还根据是否存在载脂蛋白Eε4基因,来对具有轻度认知障碍的多个分类对象进行分类。在此,针对执行实施方式2所涉及的分层方法的分层装置,对于与分层装置10相同的构成要素,由于已经进行了说明,因此赋予相同的编号并省略详细的说明,以下以与分层装置10的不同之处为中心进行说明。
<构成>
图6是执行实施方式2所涉及的分层方法的分层装置10A的构成的示例的方框图。
如图6所示,分层装置10A与实施方式1所涉及的分层装置10的不同之处是,获得部20变更为获得部20A、分类部30变更为分类部30A。
获得部20A针对具有轻度认知障碍的多个分类对象的每一个,除了获得作为针对分类对象进行阿尔茨海默病评定量表-认知分量表的结果而得到的分数、以及分类对象的右侧海马体积以外,还获得表示分类对象是否具有载脂蛋白Eε4基因的信息(以下也称为“ApoE分型”)。
分类部30A针对多个分类对象的每一个,根据阿尔茨海默病评定量表-认知分量表的分数、右侧海马体积、以及ApoE分型,将分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中的某一组。在实施方式2中,多个组除了包括第1组和第2组以外,还包括第3组、第4组、第5组、第6组、第7组、第8组,以下对由这8个组构成的多个组进行说明。
分类部30A根据本发明人员将具有轻度认知障碍的多个分类对象作为对象来进行队列研究而得到的见解,进行上述的分类。
更具体而言,分类部30A针对多个分类对象的每一个进行如下(1)至(8)的分类,(1)在ApoE分型示出分类对象具有载脂蛋白Eε4基因(以下也称为“ApoE+”)、且阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且右侧海马体积比第2阈值小的情况下,将分类对象分类为第1组,(2)在ApoE分型示出ApoE+、且阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且右侧海马体积比第2阈值大的情况下,将分类对象分类为第2组,(3)在ApoE分型示出ApoE+、且阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且右侧海马体积比第2阈值大的情况下,将分类对象分类为第3组,(4)在ApoE分型示出ApoE+、且阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且右侧海马体积比第2阈值小的情况下,将分类对象分类为第4组,(5)在ApoE分型示出分类对象不具有载脂蛋白Eε4基因(以下也称为“ApoE-”)、且阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且右侧海马体积比第2阈值小的情况下,将分类对象分类为第5组,(6)在ApoE分型示出ApoE-、且阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且右侧海马体积比第2阈值大的情况下,将分类对象分类为第6组,(7)在ApoE分型示出ApoE-、且阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且右侧海马体积比第2阈值大的情况下,将分类对象分类为第7组,(8)在ApoE分型示出ApoE-、且阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且右侧海马体积比第2阈值小的情况下,将分类对象分类为第8组。在此,分类部30A将第1阈值设为20.0,将第2阈值设为3.651[cm3],进行上述的分类。
以下对本发明人员将具有轻度认知障碍的多个分类对象作为对象来进行队列研究而得到的见解进行说明。
在队列研究中,本发明人员针对多个分类对象的每一个,在跟踪调查的开始时,首先,作为第1阶段的分类,分类为(A)由不具有载脂蛋白Eε4基因的分类对象构成的组α、(B)由具有载脂蛋白Eε4基因的分类对象构成的组β,接着,作为第2阶段的分类,针对组α和组β的每一组,分类为如下的(1)至(4)中的某一组,并对示出分类后的每个组的跟踪调查的结果的Kaplan-Meier曲线进行评价,被分类的(1)至(4)的组为:(1)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且右侧海马体积比第2阈值小的分类对象构成的组C(在组α中与第1组对应,在组β中与第5组对应);(2)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且右侧海马体积比第2阈值大的分类对象构成的组B(在组α中与第2组对应、在组β中与第6组对应);(3)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且右侧海马体积比第2阈值大的分类对象构成的组D(在组α中与第3组对应、在组β中与第7组对应);(4)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且右侧海马体积比第2阈值小的分类对象构成的组A(在组α中与第4组对应、在组β中与第8组对应)。
图7A以及图7B是在队列研究中示出由本发明人员进行的每个组的跟踪调查的结果的Kaplan-Meier曲线。
图7A是示出以组α为对象来进行的每个组的跟踪调查的结果的Kaplan-Meier曲线,图7B是示出以组β为对象来进行的每个组的跟踪调查的结果的Kaplan-Meier曲线。
在图7A以及图7B所示的Kaplan-Meier曲线中,横轴为从开始跟踪调查经过的时间[年],纵轴为从轻度认知障碍发展为阿尔茨海默病的分类对象的累积转化率[%]。
从图7A以及图7B所示的Kaplan-Meier曲线可以知道,从第1组至第8组中,第1组是在跟踪调查开始时就成为将来发展为阿尔茨海默病的风险相对高的组,第2组是在跟踪调查开始时就成为将来发展为阿尔茨海默病的风险相对低的组。
这样,本发明人员通过队列研究得到了如下的见解,即针对具有轻度认知障碍的多个分类对象的每一个,进行如下(1)至(8)所示的分类,(1)在ApoE分型示出ApoE+、且阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且右侧海马体积比第2阈值小的情况下,将分类对象分类为第1组,(2)在ApoE分型示出ApoE+、且阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且右侧海马体积比第2阈值大的情况下,将分类对象分类为第2组,(3)在ApoE分型示出ApoE+、且阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且右侧海马体积比第2阈值大的情况下,将分类对象分类为第3组,(4)在ApoE分型示出ApoE+、且阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且右侧海马体积比第2阈值小的情况下,将分类对象分类为第4组、(5)在ApoE分型示出分类对象不具有载脂蛋白Eε4基因(以下也称为“ApoE-”)、且阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且右侧海马体积比第2阈值小的情况下,将分类对象分类为第5组、(6)在ApoE分型示出ApoE-、且阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且右侧海马体积比第2阈值大的情况下,将分类对象分类为第6组,(7)在ApoE分型示出ApoE-、且阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且右侧海马体积比第2阈值大的情况下,将分类对象分类为第7组,(8)在ApoE分型示出ApoE-、且阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且右侧海马体积比第2阈值小的情况下,将分类对象分类为第8组,通过进行上述的分类,从而能够将具有轻度认知障碍的多个分类对象,分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组(在此为8个组)中的某一组。
并且,从图7A以及图7B所示的Kaplan-Meier曲线可以知道,与针对由具有载脂蛋白Eε4基因的分类对象构成的组β,进行上述的第2阶段的分类所得到的分类结果相比,针对由不具有载脂蛋白Eε4基因的分类对象构成的组α,进行上述的第2阶段的分类所得到的分类结果能够更准确地,将具有轻度认知障碍的多个分类对象,分类为至少包括将来发展为阿尔茨海默病的风险相对高的组、和将来发展为阿尔茨海默病的风险相对低的组的多个组中的某一组。
这样,本发明人员通过队列研究,得到了如下的见解,即除了根据阿尔茨海默病评定量表-认知分量表的分数和右侧海马体积以外,还根据ApoE分型,则能够更准确地将分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中的某一组。
<工作>
以下参照附图对具有上述构成的分层装置10A的工作进行说明。
分层装置10A进行第2分类处理,该第2分类处理是对分层装置10进行的第1分类处理中的一部分进行了变更的处理。
图8A以及图8B是分层装置10A进行的第2分类处理的流程图。
如图8A以及图8B所示,第2分类处理与第1分类处理相比,增加了步骤S100~步骤S180的处理。
因此,以下将以步骤S100~步骤S180的处理为中心进行说明。
在第2分类处理开始时,获得部20A针对具有轻度认知障碍的多个分类对象的每一个,获得ADAS-cog的分数、分类对象的右侧海马体积、以及ApoE分型(步骤S100)。
在步骤S100的处理结束时,进入到步骤S10的处理。
在步骤S10的处理结束、且步骤S55的处理结束了的情况下,分类部30A调查处于选择状态的分类对象的ApoE分型是否表示ApoE+(步骤S110)。
在步骤S110的处理中,在处于选择状态的分类对象的ApoE分型没有示出ApoE+的情况下(步骤S110的“否”),进入到步骤S15的处理。
在步骤S110的处理中,在处于选择状态的分类对象的ApoE分型示出ApoE+的情况下(步骤S110的“是”),分类部30A调查处于选择状态的分类对象的ADAS-cog的分数是否为20.0以上(步骤S120)。
在步骤S120的处理中,在ADAS-cog的分数为20.0以上的情况下(步骤S120的“是”),分类部30A调查处于选择状态的分类对象的右侧海马体积是否为3.651以上(步骤S130)。
在步骤S130的处理中,在右侧海马体积不是3.651以上的情况下(步骤S130的“否”),分类部30A将处于选择状态的分类对象分类为第5组(步骤S140)。
在步骤S130的处理中,在右侧海马体积为3.651以上的情况下(步骤S130的“是”),分类部30A将处于选择状态的分类对象分类为第7组(步骤S150)。
在步骤S120的处理中,在ADAS-cog的分数不是20.0以上的情况下(步骤S120的“否”),分类部30A调查处于选择状态的分类对象的右侧海马体积是否为3.651以上(步骤S160)。
在步骤S160的处理中,在右侧海马体积不是3.651以上的情况下(步骤S160的“否”),分类部30A将处于选择状态的分类对象分类为第8组(步骤S170)。
在步骤S160的处理中,在右侧海马体积是3.651以上的情况下(步骤S160的“是”),分类部30A将处于选择状态的分类对象分类为第6组(步骤S180)。
在步骤S140的处理结束、且步骤S150的处理结束、且步骤S170的处理结束、且步骤S180的处理结束的情况下,进入到步骤S50的处理。
在步骤S60的处理结束时,分层装置10A结束该第2分类处理。
<考察>
具有上述这种构成的分层装置10A针对具有轻度认知障碍的多个分类对象,除了根据阿尔茨海默病评定量表-认知分量表的分数和右侧海马体积以外,还根据是否具有载脂蛋白Eε4基因来进行分类。据此,分层装置10A能够更准确地对分类对象进行分类。
(实施方式3)
以下对执行实施方式3所涉及的分层方法的实施方式3中的分层装置进行说明。实施方式3所涉及的分层装置的构成为,对实施方式1所涉及的分层装置10的一部分的功能进行了变更。如实施方式1的说明所示,分层装置10根据作为对分类对象进行的临床心理测验即阿尔茨海默病评定量表-认知分量表的结果而得到的分数、以及右侧海马体积,对具有轻度认知障碍的多个分类对象进行分类。在此,实施方式3所涉及的分层方法根据对分类对象进行的临床心理测验即临床前阿尔茨海默认知功能检测的综合分数(PACC(PreclinicalAlzheimer Cognitive Composit))、以及右侧海马体积,对具有轻度认知障碍的多个分类对象进行分类。在此,关于执行实施方式3所涉及的分层方法的分层装置,对于与分层装置10相同的构成要素,由于已经进行了说明,因此赋予相同的编号并省略详细说明,以下以与分层装置10不同之处为中心进行说明。
<构成>
图9是执行实施方式3所涉及的分层方法的分层装置10B的构成的示例的方框图。
如图9所示,分层装置10B与实施方式1所涉及的分层装置10的不同之处是,获得部20被变更为获得部20B,分类部30被变更为分类部30B。
获得部20B针对具有轻度认知障碍的多个分类对象的每一个,获得针对分类对象进行的临床前阿尔茨海默几个认知功能检测的综合结果而得到的分数(以下也称为“临床前阿尔茨海默认知功能检测综合分数”)、以及分类对象的右侧海马体积。
分类部30B针对多个分类对象的每一个,根据临床前阿尔茨海默认知功能检测综合分数、以及右侧海马体积,将分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中的某一组。在实施方式3中,多个组除了第1组和第2组以外,还包括第3组和第4组,对由这4组构成的多个组进行说明。
分类部30B根据本发明人员将具有轻度认知障碍的多个分类对象作为对象,进行队列研究而得到的见解,来进行上述的分类。
更具体而言,分类部30B针对多个分类对象的每一个进行如下的分类,(1)在临床前阿尔茨海默认知功能检测综合分数比第3阈值小、且右侧海马体积比第4阈值小的情况下,将分类对象分类为第1组,(2)在临床前阿尔茨海默认知功能检测综合分数比第3阈值大、且右侧海马体积比第4阈值大的情况下,将分类对象分类为第2组,(3)在临床前阿尔茨海默认知功能检测综合分数比第3阈值小、且右侧海马体积比第4阈值大的情况下,将分类对象分类为第3组,(4)在临床前阿尔茨海默认知功能检测综合分数比第3阈值大、且右侧海马体积比第4阈值小的情况下,将分类对象分类为第4组。在此,分类部30B将第4阈值设为0.111、将第4阈值设为3.651[cm3],来进行上述的分类。
以下对本发明人员将具有轻度认知障碍的多个分类对象作为对象,通过队列研究而得到的见解进行说明。
在队列研究中,本发明人员针对多个分类对象的每一个,在开始进行跟踪调查时,首先作为第1阶段的分类,进行(A)分类为由不具有载脂蛋白Eε4基因的分类对象构成的组α;以及(B)分类为由具有载脂蛋白Eε4基因的分类对象构成的组β,接着针对在第1阶段被分类的组α和组β分别进行第2阶段的分类,并对示出分类后的每个组的跟踪调查的结果的Kaplan-Meier曲线进行了评价,第2阶段的分类是指,分类为如下(1)至(4)中的某一组,(1)由临床前阿尔茨海默认知功能检测综合分数比第3阈值小、且右侧海马体积比第4阈值小的分类对象构成的组A(在组α中与第1组对应,在组β中与第5组对应);(2)由临床前阿尔茨海默认知功能综合分数比第3阈值大、且右侧海马体积比第4阈值大的分类对象构成的组D(在组α中与第2组对应,在组β中与第6组对应);(3)由临床前阿尔茨海默认知功能综合分数比第3阈值小、且右侧海马体积比第4阈值大的分类对象构成的组B(在组α中与第3组对应,在组β中与第7组对应);以及(4)由临床前阿尔茨海默认知功能综合分数比第3阈值大、且右侧海马体积比第4阈值小的分类对象构成的组C(在组α中与第4组对应,在组β中与第8组对应)。
图10A以及图10B是示出在队列研究中,示出由本发明人员进行的针对每个组的跟踪调查的结果的Kaplan-Meier曲线。
图10A是将组α作为对象,示出每个组的跟踪调查的结果的Kaplan-Meier曲线,图10B是将组β作为对象,示出每个组的跟踪调查的结果的Kaplan-Meier曲线。
在图10A以及图10B所示的Kaplan-Meier曲线中,横轴是从开始进行跟踪调查经过的时间[年],纵轴是从轻度认知障碍发展为阿尔茨海默病的分类对象的累积转化率[%]。
从图10A以及图10B所示的Kaplan-Meier曲线可以知道,在第1组至第8组中,第1组和第5组是在跟踪调查的开始时就成为将来发展为阿尔茨海默病的风险相对高的组,第2组和第6组是在跟踪调查的开始时就成为将来发展为阿尔茨海默病的风险相对低的组。
这样,本发明人员通过队列研究得到了如下的见解,即针对具有轻度认知障碍的多个分类对象的每一个,通过进行如下(1)至(4)的分类,从而能够将具有轻度认知障碍的多个分类对象,分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组(在此为4个组)中的某一组,所述(1)至(4)的分类是指:(1)在临床前阿尔茨海默认知功能综合分数比第3阈值小、且右侧海马体积比第4阈值小的情况下,将分类对象分类为所述第1组;(2)在临床前阿尔茨海默认知功能检测综合分数比第3阈值大、且右侧海马体积比第4阈值大的情况下,将分类对象分类为第2组;(3)在临床前阿尔茨海默认知功能检测综合分数比第3阈值小、且右侧海马体积比第4阈值大的情况下,将分类对象分类为第3组;(4)在临床前阿尔茨海默认知功能综合分数比第3阈值大、且右侧海马体积比第4阈值小的情况下,将分类对象分类为第4组。
并且,本发明人员通过队列研究,在上述的分类中还得到了如下的见解,即第1阈值优选为0.111±1SD、第2阈值优选为3.651±1SD[cm3]。在此,第1阈值的1SD为2.630、第2阈值的1SD为0.653[cm3]。
<工作>
以下参照附图,对具有上述构成的分层装置10B的工作进行说明。
图11是分层装置10B进行的第3分类处理的流程图。该第3分类处理是针对多个分类对象的每一个,根据临床前阿尔茨海默认知功能检测综合分数、以及右侧海马体积,将分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的4个组中的某一组。
第3分类处理例如是通过利用分层装置10B的用户针对分层装置10B,进行使第3分类处理开始的操作而被开始执行的。
当第3分类处理开始时,获得部20B针对具有轻度认知障碍的多个分类对象的每一个,获得针对分类对象进行的临床前阿尔茨海默认知功能检测综合(PACC)的结果而得到的分数(以下也称为“PACC的分数”)、以及分类对象的右侧海马体积(步骤S205)。
在获得了多个分类对象的PACC的分数和右侧海马体积时,分类部30B从多个分类对象中选择一个分类对象(步骤S210)。于是,分类部30B调查处于选择状态的分类对象的PACC的分数是否为0.111以上(步骤S215)。
在步骤S215的处理中,在PACC的分数不是0.111以上的情况下(步骤S215的“否”),分类部30B调查处于选择状态的分类对象的右侧海马体积是否为3.651以上(步骤S220)。
在步骤S220的处理中,在右侧海马体积不是3.651以上的情况下(步骤S220的“否”),分类部30B将处于选择状态的分类对象分类为第1组(步骤S225)。
在步骤S220的处理中,在右侧海马体积是3.651以上的情况下(步骤S220的“是”),分类部30B将处于选择状态的分类对象分类为第3组(步骤S230)。
在步骤S215的处理中,在PACC的分数是0.111以上的情况下(步骤S215的“是”),分类部30B调查处于选择状态的分类对象的右侧海马体积是否为3.651以上(步骤S235)。
在步骤S235的处理中,在右侧海马体积不是3.651以上的情况下(步骤S235的“否”),分类部30B将处于选择状态的分类对象分类为第4组(步骤S240)。
在步骤S235的处理中,在右侧海马体积是3.651以上的情况下(步骤S235的“是”),分类部30B将处于选择状态的分类对象分类为第2组(步骤S245)。
在步骤S225的处理结束、且步骤S230的处理结束、且步骤S240的处理结束、且步骤S245的处理结束时,分类部30B调查多个分类对象中是否有没被选择的分类对象(步骤S250)。在此,没被选择的分类对象是指,在步骤S210的处理中没有被选择的分类对象,并且从步骤S215的处理直到步骤S250的“是”的处理之后再次进入到步骤S215的处理的循环处理中,后述的步骤S255的处理中还没被选择的分类对象。
在步骤S250的处理中,在有没被选择的分类对象的情况下(步骤S250的“是”),分类部30B从没被选择的分类对象中选择一个分类对象(步骤S255)。
当步骤S255的处理结束时,进入到步骤S215的处理。
在步骤S250的处理中,在没有没被选择的分类对象的情况下(步骤S250的“否”),输出部40输出由分类部30B针对多个分类对象的每一个进行的分类结果(步骤S260)。
当步骤S260的处理结束时,分层装置10B结束该第3分类处理。
<考察>
通过具有上述构成的分层装置10B,能够将具有轻度认知障碍的多个分类对象,分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中的某一组。
因此,通过利用分层装置10B,预先将具有轻度认知障碍的多个分类对象进行分类,从而能够有效地进行将轻度认知障碍向阿尔茨海默病发展的人作为对象的临床试验等。
并且,通过具有上述构成的分层装置10B,能够以和以往的技术不同的方法来进行上述的分类。即,在通过分层装置10B进行的上述的分类中,不利用以往技术中所必需的检查费用比较贵的脑β-淀粉样蛋白PET检查的结果。
因此,通过利用分层装置10B,与利用以往的技术相比,能够廉价且更有效地进行上述的分类。
(实施方式4)
以下对执行实施方式4所涉及的分层方法的实施方式4中的分层装置进行说明。在实施方式4的构成中,对实施方式3所涉及的分层装置10B的功能的一部分进行了变更。如实施方式3中的说明所示,分层装置10B根据临床前阿尔茨海默认知功能检测综合分数和右侧海马体积,对具有轻度认知障碍的多个分类对象进行分类。在此,实施方式4所涉及的分层方法在对具有轻度认知障碍的多个分类对象进行分类时,除了根据临床前阿尔茨海默认知功能检测综合分数和右侧海马体积以外,还根据是否具有载脂蛋白Eε4基因来进行分类。在此,关于执行实施方式4所涉及的分层方法的分层装置,对于与分层装置10B相同的构成要素由于已经进行了说明,因此赋予相同的编号并省略详细说明,以下以与分层装置10B的不同之处为中心进行说明。
<构成>
图12是执行实施方式4所涉及的分层方法10C的分层装置的构成的示例的方框图。
如图12所示,分层装置10C的构成与实施方式3所涉及的分层装置10B的不同之处在于,获得部20B被变更为获得部20C,分类部30B被变更为分类部30C。
获得部20C针对具有轻度认知障碍的多个分类对象的每一个,除了获得针对分类对象进行临床前阿尔茨海默认知功能检测综合的结果而得到的分数、以及分类对象的右侧海马体积以外,还获得ApoE分型。
分类部30C针对多个分类对象的每一个,根据临床前阿尔茨海默认知功能检测综合分数、右侧海马体积、以及ApoE分型,将分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中的某一组。在实施方式4中,多个组除了包括第1组和第2组以外,还包括第3组、第4组、第5组、第6组、第7组、第8组,以下对由这8个组构成的多个组进行说明。
分类部30C根据本发明人员将具有轻度认知障碍的多个分类对象作为对象,来进行队列研究而得到见解,进行上述的分类。
更具体而言,分类部30C针对多个分类对象的每一个进行如下(1)至(8)的分类,(1)在ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第3阈值小、且右侧海马体积比第4阈值小的情况下,将分类对象分类为第1组,(2)在ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第3阈值大、且右侧海马体积比第4阈值大的情况下,将分类对象分类为第2组,(3)在ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第3阈值小、且右侧海马体积比第4阈值大的情况下,将分类对象分类为第3组,(4)在ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第3阈值大、且右侧海马体积比第4阈值小的情况下,将分类对象分类为第4组,(5)在ApoE分型示出ApoE-、且临床前阿尔茨海默认知功能检测综合分数比第3阈值小、且右侧海马体积比第4阈值小的情况下,将分类对象分类为第5组,(6)在ApoE分型示出ApoE-、且临床前阿尔茨海默认知功能检测综合分数比第3阈值大、且右侧海马体积比第4阈值大的情况下,将分类对象分类为第6组,(7)在ApoE分型示出ApoE-、且临床前阿尔茨海默认知功能检测综合分数比第3阈值小、且右侧海马体积比第4阈值大的情况下,将分类对象分类为第7组,(8)在ApoE分型示出ApoE-、且临床前阿尔茨海默认知功能检测综合分数比第3阈值大、且右侧海马体积比第4阈值小的情况下,将分类对象分类为第8组。在此,分类部30C将第3阈值设为0.111、将第4阈值设为3.651[cm3],来进行上述的分类。
以下对本发明人员通过将具有轻度认知障碍的多个分类对象作为对象的队列研究而得到见解进行说明。
从图10A以及图10B所示的Kaplan-Meier曲线可以知道,第1组至第8组中,第1组是在开始跟踪调查时就成为将来发展为阿尔茨海默病的风险相对高的组,第2组是在开始跟踪调查时就成为将来发展为阿尔茨海默病的风险相对低的组。
这样,本发明人员通过队列研究得到了如下的见解,即通过针对具有轻度认知障碍的多个分类对象的每一个进行如下(1)至(8)的分类,从而能够将具有轻度认知障碍的多个分类对象,分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组(在此为8个组)中的某一组,上述的(1)至(8)的分类是指:(1)在ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第3阈值小、且右侧海马体积比第4阈值小的情况下,将分类对象分类为第1组;(2)在ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第3阈值大、且右侧海马体积比第4阈值大的情况下,将分类对象分类为第2组;(3)在ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第3阈值小、且右侧海马体积比第4阈值大的情况下,将分类对象分类为第3组;(4)在ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第3阈值大、且右侧海马体积比第4阈值小的情况下,将分类对象分类为第4组;(5)在ApoE分型示出ApoE-、且临床前阿尔茨海默认知功能检测综合分数比第3阈值小、且右侧海马体积比第4阈值小的情况下,将分类对象分类为第5组;(6)在ApoE分型示出ApoE-、且临床前阿尔茨海默认知功能检测综合分数比第3阈值大、且右侧海马体积比第4阈值大的情况下,将分类对象分类为第6组;(7)在ApoE分型示出ApoE-、且临床前阿尔茨海默认知功能检测综合分数比第3阈值小、且右侧海马体积比第4阈值大的情况下,将分类对象分类为第7组;(8)在ApoE分型示出ApoE-、且临床前阿尔茨海默认知功能检测综合分数比第3阈值大、且右侧海马体积比第4阈值小的情况下,将分类对象分类为第8组。
并且,从图10A以及图10B所示的Kaplan-Meier曲线可以知道,与针对由具有载脂蛋白Eε4基因的分类对象构成的组β进行上述的第2阶段的分类而得到的分类结果相比,针对由不具有载脂蛋白Eε4基因的分类对象构成的组α进行上述的第2阶段的分类而得到的分类结果,能够更准确地将具有轻度认知障碍的多个分类对象,分类为至少包括将来发展为阿尔茨海默病的风险相对高的组、和将来发展为阿尔茨海默病的风险相对低的组的多个组中的某一组。
这样,本发明人员通过队列研究,得到了如下的见解,即除了根据临床前阿尔茨海默认知功能检测综合分数和右侧海马体积以外,进一步根据ApoE分型,则能够更准确地将分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中的某一组。
<工作>
以下参照附图,对具有上述构成的分层装置10C的工作进行说明。
分层装置10C进行第4分类处理,该第4分类处理是分层装置10B所进行的第3分类处理中的一部分处理被变更后的处理。
图13A以及图13B是分层装置10C进行第4分类处理的流程图。
如图13A以及图13B所示,第4分类处理相对于第3分类处理,增加了步骤S300的处理至步骤S380的处理。
因此,在此以步骤S300的处理至步骤S380的处理为中心进行说明。
当第4分类处理开始时,获得部20C针对具有轻度认知障碍的多个分类对象的每一个,获得PACC的分数、分类对象的右侧海马体积、以及ApoE分型(步骤S300)。
当步骤S300的处理结束时,进入到步骤S210的处理。
当步骤S210的处理结束、且步骤S255的处理结束的情况下,分类部30C调查处于选择状态的分类对象的ApoE分型是否示出ApoE+(步骤S310)。
在步骤S310的处理中,在处于选择状态的分类对象的ApoE分型不表示ApoE+的情况下(步骤S310的“否”),进入到步骤S215的处理。
在步骤S310的处理中,在处于选择状态的分类对象的ApoE分型示出ApoE+的情况下(步骤S310的“是”),分类部30C调查处于选择状态的分类对象的PACC的分数是否在为0.111以上(步骤S320)。
在步骤S320的处理中,在PACC的分数不是0.111以上的情况下(步骤S320的“否”),分类部30C调查处于选择状态的分类对象的右侧海马体积是否为3.651以上(步骤S330)。
在步骤S330的处理中,在右侧海马体积不是3.651以上的情况下(步骤S330的“否”),分类部30C将处于选择状态的分类对象分类为第5组(步骤S340)。
在步骤S330的处理中,在右侧海马体积是3.651以上的情况下(步骤S330的“是”),分类部30C将处于选择状态的分类对象分类为第7组(步骤S350)。
在步骤S320的处理中,在PACC的分数是0.111以上的情况下(步骤S320的“是”),分类部30C调查处于选择状态的分类对象的右侧海马体积是否为3.651以上(步骤S360)。
在步骤S360的处理中,在右侧海马体积不是3.651以上的情况下(步骤S360的“否”),分类部30C将处于选择状态的分类对象分类为第8组(步骤S370)。
在步骤S360的处理中,在右侧海马体积是3.651以上的情况下(步骤S360的“是”),分类部30C将处于选择状态的分类对象分类为第6组(步骤S380)。
在步骤S340的处理结束、且步骤S350的处理结束、且步骤S370的处理结束、且步骤S380的处理结束的情况下,进入到步骤S250的处理。
当步骤S260的处理结束时,分层装置10C结束该第4分类处理。
<考察>
具有上述构成的分层装置10C在对具有轻度认知障碍的多个分类对象进行分类时,不仅根据临床前阿尔茨海默认知功能检测综合分数和右侧海马体积,而且还根据是否具有载脂蛋白Eε4基因来进行分类。据此,分层装置10C能够更准确地对分类对象进行分类。
(实施方式5)
以下对执行实施方式5所涉及的分层方法的实施方式5中的分层装置进行说明。实施方式5的构成为,对实施方式1所涉及的分层装置10的功能的一部分进行了变更。如实施方式1的说明所示,分层装置10根据作为进行阿尔茨海默病评定量表-认知分量表的结果而得到的分数、以及右侧海马体积,对具有轻度认知障碍的多个分类对象进行分类。在此,实施方式5所涉及的分层方法在对具有轻度认知障碍的多个分类对象进行分类时,除了根据作为进行阿尔茨海默病评定量表-认知分量表的结果而得到的分数和右侧海马体积以外,还根据进行临床前阿尔茨海默认知功能检测的综合结果而得到的分数、以及是否具有载脂蛋白Eε4基因来进行分类。在此,关于执行实施方式5所涉及的分层方法的分层装置,对于与分层装置10相同的构成要素,由于已经进行了说明,因此赋予相同的编号并省略详细说明,以下以与分层装置10的不同之处为中心进行说明。
<构成>
图14是执行实施方式5所涉及的分层方法的实施方式5中的分层装置10D的构成的示例的方框图。
如图14所示,分层装置10D的构成与实施方式1所涉及的分层装置10的不同之处是,获得部20被变更为获得部20D,分类部30被变更为分类部30D。
获得部20D针对具有轻度认知障碍的多个分类对象的每一个,除了获得作为针对分类对象进行阿尔茨海默病评定量表-认知分量表的结果而得到的分数、以及分类对象的右侧海马体积以外,还获得针对分类对象进行临床前阿尔茨海默认知功能检测综合结果而得到的分数、以及示出分类对象是否具有载脂蛋白Eε4基因的信息(ApoE分型)。
分类部30D针对多个分类对象的每一个,根据阿尔茨海默病评定量表-认知分量表的分数、右侧海马体积、ApoE分型、临床前阿尔茨海默认知功能检测综合分数,将分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第6组、第7组、和第8组、以及将来发展为阿尔茨海默病的风险相对低的第1组和第2组的多个组中的某一组。在实施方式5中,多个组除了包括第1组、第2组、第6组、第7组、以及第8组以外,还包括第3组、第4组、以及第5组,对由这8个组构成的多个组进行说明。
分类部30D根据本发明人员将具有轻度认知障碍的多个分类对象作为对象,来进行队列研究而得到的见解,进行上述的分类。
更具体而言,分类部30D针对多个分类对象的每一个进行如下(1)至(8)的分类,(1)阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE-的情况下,将分类对象分类为第1组,(2)在阿尔茨海默病评定量表-认知分量表的分数比第5阈值大、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值大的情况、以及阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值大的情况下,将分类对象分类为第2组,(3)在阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值小、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值大情况下,将分类对象分类为第3组,(4)在阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值小、且ApoE分型示出ApoE-的情况下,将分类对象分类为第4组,(5)在阿尔茨海默病评定量表-认知分量表的分数比第5阈值大、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE-的情况下,将分类对象分类为第5组,(6)在阿尔茨海默病评定量表-认知分量表的分数比第5阈值大、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值小的情况、以及阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值小的情况下,将分类对象分类为第6组,(7)在阿尔茨海默病评定量表-认知分量表的分数比第5阈值大、且右侧海马体积比第6阈值小情况下,将分类对象分类为第7组,(8)在阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值小、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值小情况下,将分类对象分类为第8组。在此,分类部30D将第5阈值设为20.0、将第6阈值设为3.651[cm3]、将第7阈值设为0.111,来进行上述的分类。
以下对本发明人员将具有轻度认知障碍的多个分类对象作为对象来进行队列研究所得到的见解进行说明。
在队列研究中,本发明人员将多个分类对象的每一个,分类为如下(1)至(8)所示的组中的某一组,并对示出分类后的每个组跟踪调查的结果的Kaplan-Meier曲线进行了评价,所述(1)至(8)所示的组是指:(1)由阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE-的分类对象构成的第1组;(2)由阿尔茨海默病评定量表-认知分量表的分数比第5阈值大、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值大的分类对象、或者由阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值大的分类对象构成的第2组;(3)由阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值小、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值大的分类对象构成的第3组;(4)由阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值小、且ApoE分型示出ApoE-的分类对象构成的第4组;(5)由阿尔茨海默病评定量表-认知分量表的分数比第5阈值大、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE-的分类对象构成的第5组;(6)由阿尔茨海默病评定量表-认知分量表的分数比第5阈值大、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值小的分类对象、或者由阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值小的分类对象构成的第6组;(7)由阿尔茨海默病评定量表-认知分量表的分数比第5阈值大、且右侧海马体积比第6阈值小的分类对象构成的第7组;(8)由阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值小、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值小的分类对象构成的第8组。
图15A和图15B是示出在队列研究中,由本发明人员进行的针对每个组的跟踪调查的结果的Kaplan-Meier曲线。
在图15A和图15B所示的Kaplan-Meier曲线中,横轴为跟踪调查开始后经过的时间[年],纵轴为从轻度认知障碍发展为阿尔茨海默病的分类对象的累积转化率[%]。
从图15A和图15B可知,在跟踪调查开始后经过的时间超过3年时,由于分类对象的人数减少,因此从轻度认知障碍发展为阿尔茨海默病的分类对象的累积转化率的可靠性降低。因此,针对在跟踪调查开始后经过时间超过3年的情况下的从轻度认知障碍发展为阿尔茨海默病的分类对象的累积转化率的值,在队列研究中对不使用该值进行了探讨。
从图15A和图15B所示的Kaplan-Meier曲线可以知道,在第1组至第8组中,第6组、第7组、和第8组是在跟踪调查开始时,就成为将来发展为阿尔茨海默病的风险相对高的组,而第1组和第2组是在跟踪调查开始时,就成为将来发展为阿尔茨海默病的风险相对低的组。
这样,本发明人员通过队列研究得到了如下的见解,即通过针对具有轻度认知障碍的多个分类对象的每一个进行如下(1)至(8)的分类,则能够将具有轻度认知障碍的多个分类对象,分类为包括将来发展为阿尔茨海默病的风险相对高的第6组、第7组、和第8组、以及将来发展为阿尔茨海默病的风险相对低的第1组和第2组的多个组(在此为8个组)中的某一组,所述(1)至(8)的分类是指:(1)在阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE-的情况下,将分类对象分类为第1组;(2)在阿尔茨海默病评定量表-认知分量表的分数比第5阈值大、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值大的情况、以及在阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值大的情况下,将分类对象分类为第2组;(3)在阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值小、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值大情况下,将分类对象分类为第3组;(4)在阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值小、且ApoE分型示出ApoE-的情况下,将分类对象分类为第4组;(5)在阿尔茨海默病评定量表-认知分量表的分数比第5阈值大、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE-的情况下,将分类对象分类为第5组;(6)在阿尔茨海默病评定量表-认知分量表的分数比第5阈值大、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值小的情况、以及在阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值大、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值小的情况下,将分类对象分类为第6组;(7)在阿尔茨海默病评定量表-认知分量表的分数比第5阈值大、且右侧海马体积比第6阈值小情况下,将分类对象分类为第7组;(8)在阿尔茨海默病评定量表-认知分量表的分数比第5阈值小、且右侧海马体积比第6阈值小、且ApoE分型示出ApoE+、且临床前阿尔茨海默认知功能检测综合分数比第7阈值小情况下,将分类对象分类为第8组。
并且,本发明人员通过队列研究得到了如下的见解,即在上述的分类中,第5阈值优选为20.0±1SD、第6阈值优选为3.651±1SD[cm3]、第7阈值优选为0.111±1SD。在此,第5阈值的1SD为6.3、第6阈值的1SD为0.653[cm3]、第7阈值的1SD为2.630。
<工作>
以下参照附图,对具有上述构成的分层装置10D的工作进行说明。
图16是分层装置10D进行的第5分类处理的流程图。该第5分类处理是,针对多个分类对象的每一个,根据阿尔茨海默病评定量表-认知分量表的分数、右侧海马体积、ApoE分型、以及临床前阿尔茨海默认知功能检测综合分数,将分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第6组、第7组、和第8组、以及将来发展为阿尔茨海默病的风险相对低的第1组和第2组的8个组中的某一组的处理。
第5分类处理例如是通过利用分层装置10D的用户,对分层装置10D进行使第5分类处理开始的操作来开始执行的。
当第5分类处理开始时,获得部20D针对具有轻度认知障碍的多个分类对象的每一个,获得作为针对分类对象进行阿尔茨海默病评定量表-认知分量表(ADAS-cog)的结果而得到的分数(ADAS-cog的分数)、针对分类对象进行临床前阿尔茨海默认知功能检测综合(PACC)的结果而得到的分数(PACC的分数)、分类对象的右侧海马体积、以及ApoE分型(步骤S405)。
当获得了多个分类对象的ADAS-cog的分数、PACC的分数、右侧海马体积、以及ApoE分型时,分类部30D从多个分类对象中选择一个分类对象(步骤S410)。于是,分类部30D调查处于选择状态的分类对象的ADAS-cog的分数是否为20.0以上(步骤S415)。
在步骤S415的处理中,在ADAS-cog的分数不是20.0以上的情况下(步骤S415的“否”),分类部30D调查处于选择状态的分类对象的右侧海马体积是否为3.651以上(步骤S420)。
在步骤S420的处理中,在右侧海马体积是3.651以上的情况下(步骤S420的“是”),分类部30D调查处于选择状态的分类对象的ApoE分型是否表示ApoE+(步骤S425)。
在步骤S425的处理中,在处于选择状态的分类对象的ApoE分型没有示出ApoE+的情况下(步骤S425的“否”),分类部30D将处于选择状态的分类对象分类为第1组(步骤S430)。
在步骤S420的处理中,在右侧海马体积不是3.651以上的情况下(步骤S420的“否”),分类部30D调查处于选择状态的分类对象的ApoE分型是否表示ApoE+(步骤S435)。
在步骤S435的处理中,在处于选择状态的分类对象的ApoE分型没有示出ApoE+的情况下(步骤S435的“否”),分类部30D将处于选择状态的分类对象分类为第4组(步骤S440)。
在步骤S435的处理中,在处于选择状态的分类对象的ApoE分型示出ApoE+的情况下(步骤S435的“是”),分类部30D调查处于选择状态的分类对象的PACC的分数是否为0.111以上(步骤S445)。
在步骤S445的处理中,在PACC的分数是0.111以上的情况下(步骤S445的“是”),分类部30D将处于选择状态的分类对象分类为第3组(步骤S450)。
在步骤S445的处理中,在PACC的分数不是0.111以上的情况下(步骤S445的“否”),分类部30D将处于选择状态的分类对象分类为第8组(步骤S455)。
在步骤S415的处理中,在ADAS-cog的分数是20.0以上的情况下(步骤S415的“是”),分类部30D调查处于选择状态的分类对象的右侧海马体积是否为3.651以上(步骤S460)。
在步骤S460的处理中,在右侧海马体积是3.651以上的情况下(步骤S460的“是”),分类部30D调查处于选择状态的分类对象的ApoE分型是否表示ApoE+(步骤S465)。
在步骤S465的处理中,在处于选择状态的分类对象的ApoE分型没有示出ApoE+的情况下(步骤S465的“是”),分类部30D将处于选择状态的分类对象分类为第5组(步骤S470)。
在步骤S425的处理中,在处于选择状态的分类对象的ApoE分型示出ApoE+的情况(步骤S425的“是”)、以及在步骤S465的处理中,处于选择状态的分类对象的ApoE分型示出ApoE+的情况下(步骤S465的“是”),分类部30D调查处于选择状态的分类对象的PACC的分数是否为0.111以上(步骤S475)。
在步骤S475的处理中,在PACC的分数是0.111以上的情况下(步骤S475的“是”),分类部30D将处于选择状态的分类对象分类为第2组(步骤S480)。
在步骤S475的处理中,在PACC的分数不是0.111以上的情况下(步骤S475的“否”),分类部30D将处于选择状态的分类对象分类为第6组(步骤S485)。
在步骤S460的处理中,在右侧海马体积不是3.651以上的情况下(步骤S460的“否”),分类部30D将处于选择状态的分类对象分类为第7组(步骤S490)。
在步骤S430的处理结束、且步骤S440的处理结束、且步骤S450的处理结束、且步骤S455的处理结束、且步骤S470的处理结束、且步骤S480的处理结束、且步骤S485的处理结束、且步骤S490的处理结束的情况下,分类部30D调查多个分类对象中是否有没被选择的分类对象(步骤S495)。在此,没被选择的分类对象是指,在步骤S410的处理中没有被选择的分类对象、且在经过步骤S415的处理至步骤S495的“是”的处理后再次进入到步骤S415的处理的循环处理中,在后述的步骤S496的处理中还没有被选择的分类对象。
在步骤S495的处理中,在有没被选择的分类对象的情况下(步骤S495的“是”),分类部30D从没有被选择的分类对象中,选择一个分类对象(步骤S496)。
当步骤S496的处理结束时,进入到步骤S415的处理。
在步骤S495的处理中,在没有没被选择的分类对象的情况下(步骤S495的“否”),输出部40输出由分类部30D针对多个分类对象的每一个进行的分类结果(步骤S497)。
当步骤S497的处理结束时,分层装置10D结束该第5分类处理。
<考察>
具有上述构成的分层装置10D在对具有轻度认知障碍的多个分类对象进行分类时,除了根据阿尔茨海默病评定量表-认知分量表的分数和右侧海马体积以外,还根据临床前阿尔茨海默认知功能检测综合分数、以及是否有载脂蛋白Eε4基因来进行分类。据此,分层装置10D能够更准确地对分类对象进行分类。
(实施方式6)
本发明人员为了能够更准确地得到将具有轻度认知障碍的多个分类对象的每一个,分类为与将来会发展为阿尔茨海默病的风险相对应的多个组中的某一组的分层方法,针对脑β-淀粉样蛋白PET检查的阳性者,进一步将各种因素作为对象,对从轻度认知障碍发展为阿尔茨海默病的风险进行了评价。在此,将以AV45作为标记进行了PET検査的结果的分数示出比1.11大的值的人物称为脑β-淀粉样蛋白PET检查的阳性者。
图17是本发明人员针对脑β-淀粉样蛋白PET检查的阳性者进一步进行的将各种因素作为对象的风险评价的内容的一个例子的示意图。
本发明人员针对图17所示的风险评价的内容不断地进行研究探讨,其结果是想到了实施方式6所涉及的分层方法。
以下对执行实施方式6所涉及的分层方法的分层装置进行説明。实施方式6所涉及的分层装置的构成与实施方式1所涉及的分层装置10相比,其中的一部分的功能被变更。实施方式6所涉及的分层装置是将脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象的每一个,分类为与将来发展为阿尔茨海默病的风险相对应的多个组中的某一组的装置。多个组中至少包括将来发展为阿尔茨海默病的风险相对高的高危组即第1组、以及将来发展为阿尔茨海默病的风险相对低的低危组即第2组。
实施方式6所涉及的分层装置是执行分类处理的装置的一个例子,在该分类处理中反映了通过本发明人员将脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象作为对象来进行队列研究而得到的见解。
在此,实施方式6所涉及的分层装置与分层装置10具有相同的构成要素,对于已经说明过的构成要素赋予相同的符号并省略其详细说明,以下将以与分层装置10的不同之处为中心来进行说明。
<构成>
图18是示出执行实施方式6所涉及的分层方法的分层装置10E的构成的一个例子的方框图。
如图18所示,分层装置10E的构成中与实施方式1所涉及的分层装置10的不同之处是,获得部20被变更为获得部20E,分类部30被变更为分类部30E。
获得部20E针对脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象的每一个,获得通过针对分类对象进行阿尔茨海默病评定量表-认知分量表的结果而得到的分数、以及分类对象的左侧海马体积。左侧海马体积与右侧海马体积同样,能够通过如下的方法来测量,例如针对分类对象进行MRI检查,并对通过进行MRI检查的结果而得到的头部MRI图像进行图像处理等来进行测量。
分类部30E针对多个分类对象的每一个,根据阿尔茨海默病评定量表-认知分量表的分数以及左侧海马体积,将分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中的某一组。在实施方式6中,多个组除了第1组和第2组以外,还包括第3组和第4组,以多个组为4个组来进行说明。
分类部30E根据通过本发明人员将脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象作为对象来进行队列研究而得到的见解,进行上述分类。
具体而言,分类部30针对多个分类对象的每一个,进行如下(1)至(4)的分类,(1)在阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且左侧海马体积比第2阈值小的情况下,将分类对象分类为第1组,(2)阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且左侧海马体积比第2阈值大的情况下,将分类对象分类为第2组,(3)在阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且左侧海马体积比第2阈值大的情况下,将分类对象分类为第3组,(4)在阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且左侧海马体积比第2阈值小的情况下,将分类对象分类为第4组。在此,分类部30E将第1阈值设为14.0、将第2阈值设为3459[mm3],来进行上述分类。
以下对本发明人员将脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象作为对象进行队列研究而得到的见解进行说明。
本发明人员在队列研究中,将脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象作为对象,对从轻度认知障碍向阿尔茨海默病的发展进行了跟踪调查。
图19是示出在队列研究中由本发明人员进行的每个组的跟踪调查的结果的通过乘积极限法的生存预测的一个例子。
在图19所示的通过乘积极限法的生存预测中,横轴为从开始跟踪调查经过的时间[年],纵轴为从轻度认知障碍不会发展为阿尔茨海默病的分类对象的累积比率。
如图19所示,在队列研究中,本发明人员将脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的分类对象220名作为对象,针对从轻度认知障碍向阿尔茨海默病的发展,进行了大约5年的跟踪调查。在该大约5年的期间中,从轻度认知障碍发展为阿尔茨海默病的分类对象为70名。
在队列研究中,本发明人员针对多个分类对象的每一个,在开始进行跟踪调查时,分类为如下的(1)至(4)组中的某一组,并对示出分类后的每个组的跟踪结果的通过乘积极限法的生存预测进行了评价,上述的(1)至(4)组是指:(1)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且左侧海马体积比第2阈值小分类对象构成的组A(与第1组对应),(2)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且左侧海马体积比第2阈值大分类对象构成的组B(与第2组对应),(3)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且左侧海马体积比第2阈值大分类对象构成的组C(与第3组对应),(4)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且左侧海马体积比第2阈值小分类对象构成的组D(与第4组对应)。
从图19所示的通过乘积极限法的生存预测中可知,在第1组至第4组中,第1组是在开始进行跟踪调查时,就成为将来发展为阿尔茨海默病的风险相对高的组,而第2组是在开始进行跟踪调查时,就是将来发展为阿尔茨海默病的风险相对低的组。
并且,本发明人员通过队列研究,在上述分类中还得到如下的见解,即第1阈值优选为14.0±1SD,第2阈值优选为3459[mm3]±1SD。在此,第1阈值的1SD是6.9,第2阈值的1SD是543.5[mm3]。
尤其重要的是,通过将第1阈值和第2阈值作为上述值时,可以知道能够将第2组作为没有将来发展为阿尔茨海默病的风险的组。
<工作>
以下参照附图对具有上述构成的分层装置10E的工作进行说明。
图20是分层装置10E进行第6分类处理的流程图。该第6分类处理是针对脑β-淀粉样蛋白PET检查的阳性者即多个分类对象的每一个,根据阿尔茨海默病评定量表-认知分量表的分数以及左侧海马体积,将分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的4个组中的某一组的处理。
第6分类处理例如是通过利用分层装置10E的用户,对分层装置10E进行使第6分类处理开始的操作而被开始执行的。
当第6分类处理开始时,获得部20E针对脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象的每一个,获得作为对分类对象进行阿尔茨海默病评定量表-认知分量表(ADAS-cog)的结果而得到的分数(ADAS-cog的分数)、以及分类对象的左侧海马体积(步骤S605)。
当获得了多个分类对象的ADAS-cog的分数和左侧海马体积时,分类部30E从多个分类对象中选择一个分类对象(步骤S610)。于是,分类部30E调查处于选择状态的分类对象的ADAS-cog的分数是否在14.0以上(步骤S615)。
在步骤S615的处理中,在ADAS-cog的分数为14.0以上的情况下(步骤S615的“是”),分类部30E调查处于选择状态的分类对象的左侧海马体积是否在3459以上(步骤S620)。
在步骤S620的处理中,在左侧海马体积不是3459以上的情况下(步骤S620的“否”),分类部30E将处于选择状态的分类对象分类为第1组(步骤S625)。
在步骤S620的处理中,在左侧海马体积是3459以上的情况下(步骤S620的“是”),分类部30E将处于选择状态的分类对象分类为第3组(步骤S630)。
在步骤S615的处理中,在ADAS-cog的分数不是14.0以上的情况下(步骤S615的“否”),分类部30E调查处于选择状态的分类对象的左侧海马体积是否在3459以上(步骤S635)。
在步骤S635的处理中,在左侧海马体积不是3459以上的情况下(步骤S635的“否”),分类部30E将处于选择状态的分类对象分类为第4组(步骤S640)。
在步骤S35的处理中,在左侧海马体积是3459以上的情况下(步骤S635的“是”),分类部30E将处于选择状态的分类对象分类为第2组(步骤S645)。
在步骤S625的处理结束、步骤S630的处理结束、步骤S640的处理结束、步骤S645的处理结束了的情况下,分类部30E调查多个分类对象中是否有没被选择的分类对象(步骤S650)。在此,没被选择的分类对象是指,在步骤S610的处理中没被选择的分类对象、且从步骤S615的处理一直进入到步骤S650的“是”的处理之后再次进入到步骤S615的处理的循环处理中,后述的步骤S655的处理中未曾选择过的分类对象。
在步骤S650的处理中,在有没被选择的分类对象的情况下(步骤S650的“是”),分类部30E从没被选择的分类对象中选择一个分类对象(步骤S655)。
在步骤S655的处理结束时进入到步骤S615的处理。
在步骤S650的处理中,在没有没被选择的分类对象的情况下(步骤S650的“否”),输出部40输出由分类部30E对多个分类对象的每一个进行的分类结果(步骤S660)。
在步骤S660的处理结束时,分层装置10E结束该第6分类处理。
<考察>
上述构成的分层装置10E通过从具有轻度认知障碍的多个分类对象中筛选出脑β-淀粉样蛋白PET检查的阳性者,来根据阿尔茨海默病评定量表-认知分量表的分数和左侧海马体积进行分类。据此,分层装置10E能够以更高的精度对分类对象进行分类。
(变形例1)
以下对变形例1所涉及的分层装置进行说明。在变形例1中的分层装置中对实施方式6所涉及的分层装置10E的功能的一部分进行了变更。如实施方式6中的说明所示,分层装置10E根据阿尔茨海默病评定量表-认知分量表的分数、以及左侧海马体积,将第1阈值设为14.0,将第2阈值设为3459[mm3],对脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象进行分类。对此,变形例1所涉及的分层装置根据阿尔茨海默病评定量表-认知分量表的分数以及左侧海马体积,将第1阈值设为12.0,将第2阈值设为3737[mm3],对脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象进行分类。即变形例1所涉及的分层装置的构成相对于分层装置10E而言,在上述分类中,将第1阈值从14.0变更为12.0,将第2阈值从3459[mm3]变更为3737[mm3]。
在此,针对变形例1所涉及的分层装置中与分层装置10E相同的构成要素,由于已经进行了说明,因此赋予相同的符号并省略详细的说明,以下以与分层装置10E的不同之处为中心来进行说明。
<构成>
图21是示出变形例1所涉及的执行分层方法的分层装置10F的构成的一个例子的方框图。
如图21所示,分层装置10F的构成中与实施方式6所涉及的分层装置10E的不同之处是,分类部30E被变更为分类部30F。
分类部30F与分类部30E同样,针对多个分类对象的每一个,根据阿尔茨海默病评定量表-认知分量表的分数以及左侧海马体积,将分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中的某一组。在变形例1中与实施方式6同样,多个组除了第1组和第2组以外,还包括第3组和第4组,以下对由4个组构成的多个组进行说明。
分类部30F与分类部30E同样,根据本发明人员将脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象作为对象来进行队列研究而得到的见解,进行上述分类。
具体而言,分类部30F除了将第1阈值设为12.0,将第2阈值设为3737[mm3]以外,进行与分类部30E同样的分类。
以下对本发明人员将具有轻度认知障碍的多个分类对象作为对象来进行队列研究而得到的见解进行说明。
本发明人员在队列研究中,将脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象作为对象,对从轻度认知障碍向阿尔茨海默病的发展进行了跟踪调查。
图22示出了在队列研究中,示出由本发明人员进行的每个组的跟踪调查的结果的通过乘积极限法的生存预测的其他的一个例子。
在图22所示的通过乘积极限法的生存预测中,与图19所示的通过乘积极限法的生存预测相同,横轴是从开始跟踪调查经过的时间[年],纵轴是从轻度认知障碍不会发展为阿尔茨海默病的分类对象的比率。
在队列研究中,本发明人员针对多个分类对象的每一个,在开始进行跟踪调查时分类为如下(1)至(4)个组中的某一个,并对示出分类后的每个组的跟踪结果的通过乘积极限法的生存预测进行了评价,(1)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且左侧海马体积比第2阈值小的分类对象构成的组A(与第1组对应),(2)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且左侧海马体积比第2阈值大的分类对象构成的组B(与第2组对应),(3)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且左侧海马体积比第2阈值大的分类对象构成的组C(与第3组对应),(4)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且左侧海马体积比第2阈值小的分类对象构成的组D(与第4组对应)。
从图22所示的通过乘积极限法的生存预测中可知,在第1组至第4组中,第1组是在开始进行跟踪调查时就是将来发展为阿尔茨海默病的风险相对高的组,第2组是在开始进行跟踪调查时就是将来发展为阿尔茨海默病的风险相对低的组。
并且,本发明人员通过队列研究还得到了如下的见解,即在上述分类中,第1阈值优选为是12.0,第2阈值优选为是3737[mm3]。
尤其重要的是,通过将第1阈值和第2阈值设为上述值,能够将第2组视为是没有将来发展为阿尔茨海默病的风险的组。
<工作>
以下参照附图,对上述构成的分层装置10E的工作进行说明。
分层装置10F替代分层装置10E进行的第6分类处理,而进行第7分类处理。
图23是分层装置10F进行的第7分类处理的流程图。
在第7分类处理中,步骤S705的处理~步骤S710的处理、步骤S725的处理~步骤S730的处理、以及、步骤S740的处理~步骤S760的处理分别相对于实施方式6所涉及的第6分类处理中的步骤S605的处理~步骤S610的处理、步骤S625的处理~步骤S630的处理、以及步骤S640的处理~步骤S660的处理,将分类部30E替换为分类部30F,将分层装置10E替换为分层装置10F,除此以外是相同的处理。因此,由于对这些处理已经进行了说明,故而在此省略,以下将以步骤S715的处理、步骤S720的处理、以及步骤S735的处理为中心来进行说明。
在步骤S710的处理结束时,分类部30F调查处于选择状态的分类对象的ADAS-cog的分数是否在12.0以上(步骤S715)。
在步骤S715的处理中,在ADAS-cog的分数是12.0以上的情况下(步骤S715的“是”),分类部30F调查处于选择状态的分类对象的左侧海马体积是否在3737以上(步骤S720)。
在步骤S720的处理中,在左侧海马体积不是3737以上的情况下(步骤S720的“否”),进入到步骤S725的处理。
在步骤S720的处理中,在左侧海马体积是3737以上的情况下(步骤S720的“是”),进入到步骤S730的处理。
在步骤S715的处理中,在ADAS-cog的分数不是12.0以上的情况下(步骤S715的“否”),分类部30F调查处于选择状态的分类对象的左侧海马体积是否在3737以上(步骤S735)。
在步骤S735的处理中,在左侧海马体积不是3737以上的情况下(步骤S735的“否”),分类部30F将处于选择状态的分类对象分类为第4组(步骤S740)。
在步骤S735的处理中,在左侧海马体积是3737以上的情况下(步骤S735的“是”),分类部30F将处于选择状态的分类对象分类为第2组(步骤S745)。
在步骤S760的处理结束时,分层装置10F结束该第7分类处理。
<考察>
上述构成的分层装置10F与分层装置10E相同,从具有轻度认知障碍的多个分类对象中筛选出脑β-淀粉样蛋白PET检查的阳性者,并根据阿尔茨海默病评定量表-认知分量表的分数以及左侧海马体积来进行分类。据此,分层装置10F与分层装置10E相同,能够以更高的精度来对分类对象进行分类。
(变形例2)
以下对变形例2所涉及的分层装置进行说明。在变形例2所涉及的分层装置的构成中,对实施方式6所涉及的分层装置10E的功能的一部分进行了变更。如实施方式6中的说明所示,分层装置10E根据阿尔茨海默病评定量表-认知分量表的分数、以及左侧海马体积,将第1阈值设为14.0,将第2阈值设为3459[mm3],对脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象进行分类。据此,变形例2所涉及的分层装置根据阿尔茨海默病评定量表-认知分量表的分数以及左侧海马体积,将第1阈值设为21.0,将第2阈值设为3080[mm3],对脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象进行分类。即变形例2所涉及的分层装置的构成中与分层装置10E的不同之处是,在上述分类中,将第1阈值从14.0变更为21.0,将第2阈值从3459[mm3]变更为3080[mm3]。
在此,对于变形例2所涉及的分层装置中与分层装置10E相同的构成要素,由于已经进行了说明,因此赋予相同的符号并省略其详细说明,以下将以与分层装置10E的不同之处为中心来进行说明。
<构成>
图24是示出变形例2所涉及的执行分层方法的分层装置10G的构成的一个例子的方框图。
如图24所示,在分层装置10G的构成中与实施方式6所涉及的分层装置10E的不同之处是,分类部30E被变更为分类部30G。
分类部30G与分类部30E同样,针对多个分类对象的每一个,根据阿尔茨海默病评定量表-认知分量表的分数以及左侧海马体积,将分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中的某一组。在变形例2中与实施方式6同样,多个组除了第1组和第2组以外,还包括第3组和第4组,以下对这4个组进行说明。
分类部30G与分类部30E相同,根据本发明人员将脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象作为对象来进行队列研究而得到的见解,来进行上述分类。
具体而言,分类部30G所进行的上述分类中,除了将第1阈值设为21.0,将第2阈值设为3080[mm3]以外,其余的与分类部30E进行的分类相同。
以下对本发明人员将具有轻度认知障碍的多个分类对象作为对象来进行队列研究而得到的见解进行说明。
本发明人员在队列研究中,将脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象作为对象,对从轻度认知障碍向阿尔茨海默病的发展进行了跟踪调查。
图25示出了在队列研究中,由本发明人员进行的示出每个组的跟踪调查的结果的通过乘积极限法的生存预测的其他的一个例子。
在图25所示的通过乘积极限法的生存预测中,与图19所示的通过乘积极限法的生存预测相同,横轴是从开始跟踪调查经过的时间[年],纵轴是从轻度认知障碍不会发展为阿尔茨海默病的分类对象的比率。
在队列研究中,本发明人员针对多个分类对象的每一个,在开始进行跟踪调查时,分类为如下(1)至(4)个组中的某一个,并对示出分类后的每个组的跟踪结果的通过乘积极限法的生存预测进行了评价,(1)至(4)个组是指:(1)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且左侧海马体积比第2阈值小的分类对象构成的组A(与第1组对应),(2)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且左侧海马体积比第2阈值大的分类对象构成的组B(与第2组对应),(3)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且左侧海马体积比第2阈值大的分类对象构成的组C(与第3组对应),(4)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且左侧海马体积比第2阈值小的分类对象构成的组D(与第4组对应)。
从图25所示的通过乘积极限法的生存预测可知,在第1组至第4组中,第1组是在开始进行跟踪调查时就成为将来发展为阿尔茨海默病的风险相对高的组,第2组在开始进行跟踪调查时就是将来发展为阿尔茨海默病的风险相对低的组。
并且,本发明人员通过队列研究得到了如下的见解,即在上述分类中,第1阈值优选为是21.0,第2阈值优选为是3080[mm3]。
尤其重要的是,通过将第1阈值和第2阈值设为上述值,从而能够将第1组视为将来发展为阿尔茨海默病的比例大约为80%的风险非常高的组。
<工作>
以下参照附图对上述构成的分层装置10G的工作进行说明。
分层装置10G替代分层装置10E进行的第6分类处理,而进行第8分类处理。
图26是分层装置10G进行的第8分类处理的流程图。
在第8分类处理中,步骤S805的处理~步骤S810的处理、步骤S825的处理~步骤S830的处理、以及步骤S840的处理~步骤S860的处理分别相对于实施方式6所涉及的第6分类处理中的步骤S605的处理~步骤S610的处理、步骤S625的处理~步骤S630的处理、以及步骤S640的处理~步骤S660的处理,将分类部30E替换为分类部30G,将分层装置10E替换为分层装置10G,其余的处理相同。在此,由于已经对这些处理进行了说明,故而省略其说明,以下以步骤S815的处理、步骤S820的处理、步骤S835的处理为中心进行说明。
在步骤S810的处理结束时,分类部30G调查处于选择状态的分类对象的ADAS-cog的分数是否在21.0以上(步骤S815)。
在步骤S815的处理中,在ADAS-cog的分数是21.0以上的情况下(步骤S815的“是”),分类部30G调查处于选择状态的分类对象的左侧海马体积是否在3080以上(步骤S820)。
在步骤S820的处理中,在左侧海马体积不是3080以上的情况下(步骤S820的“否”),进入到步骤S825的处理。
在步骤S820的处理中,在左侧海马体积是3080以上的情况下(步骤S820的“是”),进入到步骤S830的处理。
在步骤S815的处理中,在ADAS-cog的分数不是21.0以上的情况下(步骤S815的“否”),分类部30G调查处于选择状态的分类对象的左侧海马体积是否在3080以上(步骤S835)。
在步骤S835的处理中,在左侧海马体积不是3080以上的情况下(步骤S835的“否”),分类部30G将处于选择状态的分类对象分类为第4组(步骤S840)。
在步骤S835的处理中,在左侧海马体积是3080以上的情况下(步骤S835的“是”),分类部30G将处于选择状态的分类对象分类为第2组(步骤S845)。
在步骤S860的处理结束时,分层装置10G结束该第8分类处理。
<考察>
上述构成的分层装置10G与分层装置10E同样,从具有轻度认知障碍的多个分类对象中筛选出脑β-淀粉样蛋白PET检查的阳性者,根据阿尔茨海默病评定量表-认知分量表的分数以及左侧海马体积来进行分类。据此,分层装置10G与分层装置10E同样,能够以更高的精度来对分类对象进行分类。
(变形例3)
以下对变形例3所涉及的分层装置进行说明,在变形例3所涉及的分层装置的构成中,对实施方式6所涉及的分层装置10E的功能的一部分进行了变更。如实施方式6中的说明所示,分层装置10E根据阿尔茨海默病评定量表-认知分量表的分数以及左侧海马体积,将第1阈值设为14.0,将第2阈值设为3459[mm3],对脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象进行分类。而在变形例3所涉及的分层装置中,根据阿尔茨海默病评定量表-认知分量表的分数以及左侧海马体积,将第1阈值设为24.0,将第2阈值设为2751[mm3],对脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象进行分类。即变形例2所涉及的分层装置的构成与分层装置10E的不同之处是,在上述分类中,将第1阈值从14.0变更为24.0,将第2阈值从3459[mm3]变更为2751[mm3]。
在此,对于变形例3所涉及的分层装置与分层装置10E相同的构成要素,由于已经进行了说明,因此赋予相同的符号并省略其详细说明,以与分层装置10E的不同之处为中心来进行说明。
<构成>
图27是示出变形例3所涉及的分层方法を実行する分层装置10H的构成的一个例子的方框图。
如图27所示,分层装置10H的构成中与实施方式6所涉及的分层装置10E的不同之处是,分类部30E被变更为分类部30H。
分类部30H与分类部30E相同,针对多个分类对象的每一个,根据阿尔茨海默病评定量表-认知分量表的分数、以及左侧海马体积,将分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中的某一组。在变形例2中与实施方式6相同,多个组除了第1组和第2组以外,还包括第3组和第4组,对这4个组进行说明。
分类部30H与分类部30E相同,根据本发明人员将脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象作为对象来进行队列研究而得到的见解,进行上述分类。
具体而言,在分类部30H进行的上述分类中,除了将第1阈值设为24.0,将第2阈值设为2751[mm3]之处以外,其余的与分类部30E进行的分类相同。
以下对本发明人员将具有轻度认知障碍的多个分类对象作为对象来进行队列研究而得到的见解进行说明。
本发明人员在队列研究中,将脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象作为对象,对从轻度认知障碍向阿尔茨海默病的发展进行了跟踪调查。
图28示出了在队列研究中,由本发明人员进行的示出每个组的跟踪调查的结果的通过乘积极限法的生存预测的其他的一个例子。
在图28所示的通过乘积极限法的生存预测中,与图19所示的通过乘积极限法的生存预测相同,横轴是从开始跟踪调查经过的时间[年],纵轴是从轻度认知障碍不会发展为阿尔茨海默病的分类对象的比率。
在队列研究中,本发明人员针对多个分类对象的每一个,在开始进行跟踪调查时分类为如下(1)至(4)个组中的某一组,对示出分类后的每个组的跟踪结果的通过乘积极限法的生存预测进行了评价,(1)至(4)个组是指:(1)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且左侧海马体积比第2阈值小的分类对象构成的组A(与第1组对应);(2)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且左侧海马体积比第2阈值大的分类对象构成的组B(与第2组对应);(3)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值大、且左侧海马体积比第2阈值大的分类对象构成的组C(与第3组对应);以及(4)由阿尔茨海默病评定量表-认知分量表的分数比第1阈值小、且左侧海马体积比第2阈值小分类对象构成的组D(与第4组对应)。
从图28所示的通过乘积极限法的生存预测可知,在第1组至第4组中,第1组是在开始进行跟踪调查时,就成为将来发展为阿尔茨海默病的风险相对高的组,而第2组是在开始进行跟踪调查时,就成为将来发展为阿尔茨海默病的风险相对低的组。
并且,本发明人员通过队列研究得到了如下的见解,即在上述分类中,第1阈值优选为是24.0,第2阈值优选为是2751[mm3]。
尤其重要的是,通过将第1阈值和第2阈值设为上述值,能够将第1组视为是将来发展为阿尔茨海默病的比率大约为91%这种风险非常高的组。
<工作>
以下参照附图,对上述构成的分层装置10H的工作进行说明。
分层装置10H替代分层装置10E进行的第6分类处理,而进行第9分类处理。
图29是分层装置10H进行的第9分类处理的流程图。
在第9分类处理中,步骤S905的处理~步骤S910的处理、步骤S925的处理~步骤S930的处理、以及步骤S940的处理~步骤S960的处理分别相对于实施方式6所涉及的第6分类处理中的步骤S605的处理~步骤S610的处理、步骤S625的处理~步骤S630的处理、以及步骤S640的处理~步骤S660的处理,将分类部30E替换为分类部30H,将分层装置10E替换为分层装置10H,除此以外是相同的处理。因此,由于对这些处理已经进行了说明,故而在此省略,以下将以步骤S915的处理、步骤S920的处理、步骤S935的处理为中心来进行说明。
在步骤S910的处理结束时,分类部30H调查处于选择状态的分类对象的ADAS-cog的分数是否在24.0以上(步骤S915)。
在步骤S915的处理中,在ADAS-cog的分数是24.0以上的情况下(步骤S915的“是”),分类部30H调查处于选择状态的分类对象的左侧海马体积是否在2751以上(步骤S920)。
在步骤S920的处理中,在左侧海马体积不是2751以上的情况下(步骤S920的“否”),进入到步骤S925的处理。
在步骤S920的处理中,在左侧海马体积是2751以上的情况下(步骤S920的“是”),进入到步骤S930的处理。
在步骤S915的处理中,在ADAS-cog的分数不是24.0以上的情况下(步骤S915的“否”),分类部30H调查处于选择状态的分类对象的左侧海马体积是否在2751以上(步骤S935)。
在步骤S935的处理中,在左侧海马体积不是2751以上的情况下(步骤S935的“否”),分类部30H将处于选择状态的分类对象分类为第4组(步骤S940)。
在步骤S935的处理中,在左侧海马体积是2751以上的情况下(步骤S935的“是”),分类部30H将处于选择状态的分类对象分类为第2组(步骤S945)。
在步骤S960的处理结束时,分层装置10H结束该第9分类处理。
<考察>
上述构成的分层装置10H与分层装置10E相同,从具有轻度认知障碍的多个分类对象中筛选出脑β-淀粉样蛋白PET检查的阳性者,并根据阿尔茨海默病评定量表-认知分量表的分数以及左侧海马体积来进行分类。据此,分层装置10H与分层装置10E同样能够以更高的精度来对分类对象进行分类。
(实施方式7)
本发明人员针对图17所示的风险评价的内容,进一步进行探讨而发现了一个新的变量,该新的变量用于将具有轻度认知障碍的多个分类对象的每一个,分类为与将来发展为阿尔茨海默病的风险相对应的多个组中的某一组。
即本发明人员通过利用示出分类对象的左侧海马体积与该分类对象的ADAS-cog的分数的比率的体积分数值(Cog_Vol)来进行上述分类,从而能够进一步高精度地来进行上述分类。
以下将要说明的例子是,将体积分数值(Cog_Vol)视为左侧海马体积[mm3]相对于ADAS-cog的分数的比率的情况,也就是说,将体积分数值(Cog_Vol)视为分类对象的左侧海马体积[mm3]除以该分类对象的ADAS-cog的分数而得到的值的情况。
具体而言,可以通过以下的公式来算出体积分数值(Cog_Vol)。
Cog_Vol=左侧海马体积[mm3]/ADAS-cog的分数
以下对执行实施方式7所涉及的分层方法的分层装置进行说明。实施方式7所涉及的分层装置是通过对实施方式6所涉及的分层装置10E的功能的一部分进行变更而被构成的。实施方式7所涉及的分层装置与分层装置10E同样,针对脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象的每一个,分类为与将来发展为阿尔茨海默病的风险对应的多个组中的某一组。多个组中至少包括将来发展为阿尔茨海默病的风险相对高的高危组即第1组、和将来发展为阿尔茨海默病的风险相对低的低危组即第2组。
实施方式7所涉及的分层装置是执行利用了本发明人员发现的体积分数值(Cog_Vol)的分类处理的装置的一个例子。
在此,对于实施方式7所涉及的分层装置中与分层装置10E相同的构成要素,作为已经说明过的构成要素而赋予相同的符号并并生详细说明,以下将以与分层装置10E的不同之处为中心来进行说明。
<构成>
图30是示出执行实施方式7所涉及的分层方法的分层装置10I的构成的一个例子的方框图。
如图30所示,分层装置10I的构成中与实施方式6所涉及的分层装置10E的不同之处是,分类部30E被变更为分类部30I。
分类部30I与分类部30E相同,针对多个分类对象的每一个,根据阿尔茨海默病评定量表-认知分量表的分数以及左侧海马体积,将分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中的某一组。在实施方式7中对多个组为第1组和第2组构成的这2个组的情况进行说明。
分类部30I根据本发明人员将脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象作为对象来进行队列研究而得到的见解,进行上述分类。
具体而言,分类部30I针对多个分类对象的的每一个,根据本发明人员通过队列研究而新发现的体积分数值(Cog_Vol)来进行上述分类。在此,分类部30I在体积分数值(Cog_Vol)小于101的情况下,将分类对象分类为第1组,在体积分数值(Cog_Vol)不是小于101的情况下,将分类对象分类为第2组。
以下对本发明人员通过队列研究而新发现的体积分数值(Cog_Vol)进行说明。
图31是示出体积分数值(Cog_Vol)、与从轻度认知障碍发展为阿尔茨海默病的分类对象的数量的关系的对应表。
图32是示出如下关系的相关图,即示出了在脑β-淀粉样蛋白PET检查的阳性者中,体积分数值(Cog_Vol)、与从体积分数值(Cog_Vol)被算出直到发展为阿尔茨海默病为止的期间的关系。
在图32所示的相关图中,横轴是体积分数值(Cog_Vol),纵轴是从体积分数值(Cog_Vol)被算出直到发展为阿尔茨海默病为止的期间[年]。
如图31、图32所示,体积分数值(Cog_Vol)小于101的脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的分类对象17名中的16名从轻度认知障碍发展为阿尔茨海默病,即体积分数值(Cog_Vol)小于101的分类对象17名中有94.14%从轻度认知障碍发展为阿尔茨海默病。
并且如图32所示,该分类对象17名中的13名在1年以内从轻度认知障碍发展为阿尔茨海默病。
如以上所述,本发明人员发现了体积分数值(Cog_Vol)这一新的变量,其能够将脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象,分类为将来发展为阿尔茨海默病的比率大约为94%这种风险非常高的组。
本发明人员通过进一步探讨得到了如下的见解,即通过对体积分数值(Cog_Vol)设定多个阈值,从而能够将脑β-淀粉样蛋白PET检查的阳性者即具有轻度认知障碍的多个分类对象的每一个进行更细的分类,而能够分类为与将来发展为阿尔茨海默病的风险相对应的多个组中的某一组。
图33是针对具有轻度认知障碍的分类对象之中的脑β-淀粉样蛋白PET检查的阳性者,示出体积分数值(Cog_Vol)、与本发明人员发现的多个阈值、以及从轻度认知障碍发展为阿尔茨海默病的分类对象的数量的关系的对应表。
图34是示出如下关系的相关图,即示出了在脑β-淀粉样蛋白PET检查的阳性者中,体积分数值(Cog_Vol)、与从体积分数值(Cog_Vol)被算出直到发展为阿尔茨海默病的期间、或不会发展为阿尔茨海默病所经过的期间的关系。
在图34所示的相关图中,横轴是体积分数值(Cog_Vol),纵轴是从体积分数值(Cog_Vol)被算出直到发展为阿尔茨海默病的期间[年]、或不会发展为阿尔茨海默病所经过的期间[年]。
图35是针对具有轻度认知障碍的分类对象之中脑β-淀粉样蛋白PET检查的阳性者,示出体积分数值(Cog_Vol)、与本发明人员发现的多个阈值、以及从轻度认知障碍发展为阿尔茨海默病的分类对象的比率的推移的关系的对应表。
如图33~图35所示,本发明人员针对具有轻度认知障碍的分类对象之中脑β-淀粉样蛋白PET检查的阳性者的每一个得到了能够进行如下的分类的见解,即通过进行(1)至(5)的分类,(1)在体积分数值(Cog_Vol)小于作为第1阈值的101的情况下,将分类对象分类为第1组,(2)在体积分数值(Cog_Vol)在作为第1阈值的101以上且在作为第2阈值的142以下的情况下,将分类对象分类为第2组,(3)在体积分数值(Cog_Vol)比作为第2阈值的142大且在作为第3阈值的266以下的情况下,将分类对象分类为第3组,(4)在体积分数值(Cog_Vol)比作为第3阈值的266大且在作为第4阈值的340以下的情况下,将分类对象分类为第4组,(5)在体积分数值(Cog_Vol)比作为第4阈值的340大的情况下,将分类对象分类为第5组,从而能够将第1组视为是将来发展为阿尔茨海默病的比率为94.1%的组、将第2组视为是将来发展为阿尔茨海默病的比率为60.0%的组、将第3组视为是将来发展为阿尔茨海默病的比率为32.6%的组、将第4组视为是将来发展为阿尔茨海默病的比率为10.4%的组、将第5组视为是将来发展为阿尔茨海默病的比率为0%的组。
此时本发明人员得到了如下的见解,即被分类为第1组的分类对象在1年以内的阿尔茨海默病发病率为70.5%、2年以内的阿尔茨海默病发病率为88.2%、3年以内的阿尔茨海默病发病率为94.1%,被分类为第2组的分类对象在1年以内的阿尔茨海默病发病率为10.0%、2年以内的阿尔茨海默病发病率为26.6%、3年以内的阿尔茨海默病发病率为60.0%、4年以内的阿尔茨海默病发病率为60.0%,被分类为第3组的分类对象在1年以内的阿尔茨海默病发病率为5.9%、2年以内的阿尔茨海默病发病率为13.9%、3年以内的阿尔茨海默病发病率为28.7%、4年以内的阿尔茨海默病发病率为32.7%,被分类为第4组或第5组的分类对象在1年以内的阿尔茨海默病发病率为1.4%、2年以内的阿尔茨海默病发病率为1.4%、3年以内的阿尔茨海默病发病率为1.4%、4年以内的阿尔茨海默病发病率为4.16%。
如以上所述可知,体积分数值(Cog_Vol)越大,则阿尔茨海默病发病率就越低。
本发明人员进行了进一步探讨而得到了如下的见解,即不论分类对象是否为脑β-淀粉样蛋白PET检查的阳性者,通过对体积分数值(Cog_Vol)设定多个阈值,就能够将具有轻度认知障碍的多个分类对象的每一个分类为与将来发展为阿尔茨海默病的风险相对应的多个组中的某一组。
图36是一对应表,在该对应表中不考虑是否为脑β-淀粉样蛋白PET检查的阳性者,示出了针对具有轻度认知障碍的分类对象的体积分数值(Cog_Vol)、本发明人员发现的多个阈值、以及从轻度认知障碍发展为阿尔茨海默病的分类对象的数量的关系。
图37是一相关图,在该相关图中不考虑是否为脑β-淀粉样蛋白PET检查的阳性者,示出了体积分数值(Cog_Vol)、与从算出体积分数值(Cog_Vol)直到发展为阿尔茨海默病的期间、或不会发展为阿尔茨海默病所经过的期间的关系。
在图37所示的相关图中,横轴是体积分数值(Cog_Vol),纵轴是从算出体积分数值(Cog_Vol)直到发展为阿尔茨海默病的期间[年]、或不会发展为阿尔茨海默病所经过的期间[年]。
如图36、图37所示,本发明人员在不考虑是否为脑β-淀粉样蛋白PET检查的阳性者的状态下,针对具有轻度认知障碍的分类对象的每一个通过进行如下(1)至(5)的分类,从而能够进一步进行分组,所述(1)至(5)的分类是指:(1)在体积分数值(Cog_Vol)小于第1阈值即小于101的情况下,将分类对象分类为第1组,(2)在体积分数值(Cog_Vol)为第1阈值即101以上、且在第2阈值即142以下的情况下,将分类对象分类为第2组,(3)在体积分数值(Cog_Vol)比第2阈值大即比142大、且在第3阈值即266以下的情况下,将分类对象分类为第3组,(4)在体积分数值(Cog_Vol)比第3阈值大即比266大、且在第4阈值即340以下的情况下,将分类对象分类为第4组,(5)在体积分数值(Cog_Vol)比第4阈值即340大的情况下,将分类对象分类为第5组,所进行的分组是:将第1组视为将来发展为阿尔茨海默病的比率为78.1%的组,将第2组视为将来发展为阿尔茨海默病的比率为60.3%的组,将第3组视为将来发展为阿尔茨海默病的比率为34.6%的组,将第4组视为将来发展为阿尔茨海默病的比率为10.3%的组,将第5组视为将来发展为阿尔茨海默病的比率为3.2%的组。
本发明人员进一步进行探讨,得到了如下的见解,即通过将脑β-淀粉样蛋白PET检查的阳性者、阴性者、以及没有阳性或阴性的信息的分类对象作为对象,来对体积分数值(Cog_Vol)设定多个阈值,从而能够将具有轻度认知障碍的多个分类对象的每一个,分类为与将来发展为阿尔茨海默病的风险相对应的多个组中的某一组。
图38是针对脑β-淀粉样蛋白PET检查的阳性者、阴性者、以及没有阳性或阴性的信息的分类对象即具有轻度认知障碍的分类对象的一个对应表,在该对应表中示出了体积分数值(Cog_Vol)、本发明人员发现的多个阈值、以及从轻度认知障碍发展为阿尔茨海默病的分类对象的比率的推移的关系。
如图38所示,本发明人员得到了如下的见解,即通过针对脑β-淀粉样蛋白PET检查的阳性者、阴性者、以及没有阳性或阴性的信息的分类对象即具有轻度认知障碍的分类对象的每一个进行如下(1)至(5)的分类,从而能够进一步进行分组,所述(1)至(5)的分类是指:(1)在体积分数值(Cog_Vol)小于第1阈值即小于101的情况下,将分类对象分类为第1组,(2)在体积分数值(Cog_Vol)比第1阈值大即比101大、且在第2阈值即142以下的情况下,将分类对象分类为第2组,(3)在体积分数值(Cog_Vol)比第2阈值大即比142大、在在第3阈值即266以下的情况下,将分类对象分类为第3组,(4)在体积分数值(Cog_Vol)比第3阈值大即比266大、且在第4阈值即340以下的情况下,将分类对象分类为第4组,(5)在体积分数值(Cog_Vol)比第4阈值且比340大的情况下,将分类对象分类为第5组,所进行的进一步分组是:将第1组视为将来发展为阿尔茨海默病的比率为79.4%的组,将第2组视为将来发展为阿尔茨海默病的比率为61.6%的组,将第3组视为将来发展为阿尔茨海默病的比率为36.4%的组,将第4组视为将来发展为阿尔茨海默病的比率为10.8%的组,将第5组视为将来发展为阿尔茨海默病的比率为0.6%的组。
此时,本发明人员得到了如下的见解,即被分类为第1组的分类对象在1年以内的阿尔茨海默病发病率为34.9%、2年以内的阿尔茨海默病发病率为55.5%、3年以内的阿尔茨海默病发病率为60.3%、4年以内的阿尔茨海默病发病率63.5%、5年以内的阿尔茨海默病发病率为68.3%、6年以内的阿尔茨海默病发病率为79.4%,被分类为第2组的分类对象在1年以内的阿尔茨海默病发病率为15.0%、2年以内的阿尔茨海默病发病率为30.1%、3年以内的阿尔茨海默病发病率为45.9%、4年以内的阿尔茨海默病发病率为53.4%、5年以内的阿尔茨海默病发病率为54.9%、6年以内的阿尔茨海默病发病率为61.6%,被分类为第3组的分类对象在1年以内的阿尔茨海默病发病率为6.4%、2年以内的阿尔茨海默病发病率为16.0%、3年以内的阿尔茨海默病发病率为25.4%、4年以内的阿尔茨海默病发病率为29.3%、5年以内的阿尔茨海默病发病率为31.5%、6年以内的阿尔茨海默病发病率为36.4%,被分类为第4组的分类对象在1年以内的阿尔茨海默病发病率为3.2%、2年以内的阿尔茨海默病发病率为5.4%、3年以内的阿尔茨海默病发病率为6.5%、4年以内的阿尔茨海默病发病率为7.6%、5年以内的阿尔茨海默病发病率为8.7%、6年以内的阿尔茨海默病发病率为10.8%,被分类为第5组的分类对象在1年以内的阿尔茨海默病发病率为0%、2年以内的阿尔茨海默病发病率为0%、3年以内的阿尔茨海默病发病率为0.6%、4年以内的阿尔茨海默病发病率0.6%、5年以内的阿尔茨海默病发病率为1.7%、6年以内的阿尔茨海默病发病率为3.4%。
如以上所述可知,体积分数值(Cog_Vol)越大,则阿尔茨海默病发病率就越低。
本发明人员针对具有轻度认知障碍的分类对象之中脑β-淀粉样蛋白PET检查的结果被判明为是阳性或阴性的某一方的分类对象,进一步进行了队列研究。
其结果是本发明人员得到了如下的见解,即利用与图33所示的阈值不同的阈值,能够将脑β-淀粉样蛋白PET检查的结果被判明为是阳性或阴性的某一方的分类对象即具有轻度认知障碍的多个分类对象的每一个,以更高的精度分类为与将来发展为阿尔茨海默病的风险相对应的多个组中的某一组。
图39是针对具有轻度认知障碍的分类对象之中的脑β-淀粉样蛋白PET检查的结果被判明为是阳性或阴性的某一方的分类对象的一个对应表,在该对应表中示出了体积分数值(Cog_Vol_ab)、本发明人员发现的多个阈值、以及从轻度认知障碍发展为阿尔茨海默病的分类对象的比率的推移的关系。
在图39中,体积分数值(Cog_Vol_ab)虽然以与图33中的体积分数值(Cog_Vol)为相同的方法来算出,但是如以上所述,除了图33中的体积分数值(Cog_Vol)这两个参数以外,来利用作为第三个参数的脑β-淀粉样蛋白PET检查的结果是否被判明这一参数,将判明了脑β-淀粉样蛋白PET检查的结果的人物限定为分类对象来进行计算。并且,图39中的体积分数值(Cog_Vol_ab)由于是利用与图33所示的阈值不同的阈值来进行分类时所使用的值,因此为了与图33に中的体积分数值(Cog_Vol)进行区分,而以体积分数值(Cog_Vol_ab)来表示。
如图39所示,本发明人员得到了如下的见解,即通过针对具有轻度认知障碍的分类对象之中的脑β-淀粉样蛋白PET检查的结果被判明为是阳性或阴性的某一方的分类对象的每一个,进行如下(1)至(5)的分类,从而能够进一步进行分组,所述(1)至(5)的分类是指:(1)在体积分数值(Cog_Vol_ab)小于第1阈值即小于67的情况下,将分类对象分类为第1组,(2)在体积分数值(Cog_Vol_ab)比第1阈值大即比67大、且在第2阈值即135以下的情况下,将分类对象分类为第2组,(3)在体积分数值(Cog_Vol_ab)比第2阈值大即比135大、且在第3阈值即177以下的情况下,将分类对象分类为第3组,(4)在体积分数值(Cog_Vol_ab)比第3阈值大即比177大、且在第4阈值即392以下的情况下,将分类对象分类为第4组,(5)在体积分数值(Cog_Vol_ab)比第4阈值即392大的情况下,将分类对象分类为第5组,所进行的进一步分组是:将第1组视为将来发展为阿尔茨海默病的比率为94.1%的组,将第2组视为将来发展为阿尔茨海默病的比率为43.3%的组,将第3组视为将来发展为阿尔茨海默病的比率为27.8%的组,将第4组视为将来发展为阿尔茨海默病的比率为5.1%的组,将第5组视为将来发展为阿尔茨海默病的比率为0%的组。
此时,本发明人员得到了如下的见解,即被分类为第1组的分类对象在1年以内的阿尔茨海默病发病率为64.7%、2年以内的阿尔茨海默病发病率为82.4%、3年以内的阿尔茨海默病发病率为88.2%、6年以内的阿尔茨海默病发病率为94.1%,被分类为第2组的分类对象在1年以内的阿尔茨海默病发病率为11.1%、2年以内的阿尔茨海默病发病率为13.3%、3年以内的阿尔茨海默病发病率为34.4%、4年以内的阿尔茨海默病发病率为38.8%、5年以内的阿尔茨海默病发病率为38.8%、6年以内的阿尔茨海默病发病率为43.3%,被分类为第3组的分类对象在1年以内的阿尔茨海默病发病率为7.4%、2年以内的阿尔茨海默病发病率为13.0%、3年以内的阿尔茨海默病发病率为24.0%、4年以内的阿尔茨海默病发病率为25.9%、5年以内的阿尔茨海默病发病率为25.9%、6年以内的阿尔茨海默病发病率为27.8%,被分类为第4组的分类对象在1年以内的阿尔茨海默病发病率为1.3%、2年以内的阿尔茨海默病发病率为2.5%、3年以内的阿尔茨海默病发病率为3.2%、4年以内的阿尔茨海默病发病率为3.2%、5年以内的阿尔茨海默病发病率为3.8%、6年以内的阿尔茨海默病发病率为5.1%,被分类为第5组的分类对象在6年以内的阿尔茨海默病发病率为0%。
如以上所述可知,体积分数值(Cog_Vol_ab)越大,则阿尔茨海默病发病率就越低。
<工作>
以下参照附图,对上述构成的分层装置10I的工作进行说明。
分层装置10I替代分层装置10E进行的第6分类处理而进行第10分类处理。
图40是分层装置10I进行的第10分类处理的流程图。
在第10分类处理中,步骤S1005的处理~步骤S1010的处理、以及步骤S1050的处理~步骤S1060的处理分别相对于实施方式6所涉及的第6分类处理中的步骤S605的处理~步骤S610的处理、以及步骤S650的处理~步骤S660的处理,将分类部30E替换为分类部30I、将分层装置10E替换为分层装置10I,除此以外,其余的处理相同。在此,对于已经说明过的处理将省略其说明,以下以步骤S1015的处理~步骤S1040的处理为中心来进行说明。
当步骤S1010的处理结束时,分类部30I通过使处于选择状态的分类对象的左侧海马体积除以该分类对象的ADAS-cog的分数,来算出体积分数值(Cog_Vol)(步骤S1015)。
于是,分类部30I调查算出的体积分数值(Cog_Vol)是否小于101(步骤S1020)。
在步骤S1020的处理中,在体积分数值(Cog_Vol)小于101的情况下(步骤S1020的“是”),分类部30I将处于选择状态的分类对象分类为第1组(步骤S1030)。
在步骤S1020的处理中,在体积分数值(Cog_Vol)不小于101的情况下(步骤S1020的“否”),分类部30I将处于选择状态的分类对象分类为第2组(步骤S1040)。
在步骤S1030的处理结束或步骤S1040的处理结束时,进入到步骤S1050的处理。
当步骤S1060的处理结束时,分层装置10I结束该第10分类处理。
<考察>
上述构成的分层装置10I与分层装置10E同样,从具有轻度认知障碍的多个分类对象中筛选出脑β-淀粉样蛋白PET检查的阳性者,并根据阿尔茨海默病评定量表-认知分量表的分数以及左侧海马体积来进行分类。据此,分层装置10I与分层装置10E同样,能够以更高的精度对分类对象进行分类。
(补充)
如以上所示,作为本申请中所公开的技术的示例,基于实施方式1~实施方式7以及变形例1~3进行了说明。然而本发明并非受这些实施方式以及变形例所限。在不脱离本发明的主旨的范围内,将本领域技术人员所能够想到的各种变形执行于本实施方式而得到的形态、或者通过对不同的实施方式中的构成要素进行组合而构筑的形态均可以包括在本发明的一个或多个形态的范围内。
本发明的一个方式不仅可以是这些分层装置10~分层装置10I,而且可以是将分层装置10~分层装置10I中包括的具有特征性的构成部作为步骤的分层方法。并且,本发明的一个方式也可以是使计算机执行分层方法中包括的特征性的各个步骤的计算机程序。并且,本发明的一个方式也可以是记录有上述的计算机程序的计算机可读的非暂时性的记录介质。
另外,本发明的一个方式所涉及的分层方法有效利用于阿尔茨海默病的预防开发。
产业上的可利用性
本发明能够广泛利用于将具有轻度认知障碍的多个分类对象的每一个,分类为于将来发展为阿尔茨海默病的风险相对应的多个组中的某一组的分层方法等。
符号说明
10、10A、10B、10C、10D、10E、10F、10G、10H、10I分层装置
20、20A、20B、20C、20D、20E获得部
30、30A、30B、30C、30D、30E、30F、30G、30H、30I分类部
40输出部
Claims (22)
1.一种分层方法,所述分层方法包括:
获得步骤,针对具有轻度认知障碍的多个分类对象的每一个,获得针对该分类对象进行临床心理测验的结果的分数、以及该分类对象的海马体积;
分类步骤,针对所述多个分类对象的每一个,根据该分类对象的所述分数以及该分类对象的海马体积,将该分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中的某一组;以及
输出步骤,输出通过所述分类步骤得到的分类结果。
2.如权利要求1所述的分层方法,
所述多个分类对象的各自的海马体积是所述多个分类对象的各自的右侧海马体积。
3.如权利要求2所述的分层方法,
所述临床心理测验是阿尔茨海默病评定量表-认知分量表。
4.如权利要求3所述的分层方法,
在所述分类步骤中,针对所述多个分类对象的每一个,在该分类对象的所述分数比第1阈值大、且该分类对象的右侧海马体积比第2阈值小的情况下,将该分类对象分类为所述第1组,在该分类对象的所述分数比所述第1阈值小、且该分类对象的右侧海马体积比所述第2阈值大的情况下,将该分类对象分类为所述第2组。
5.如权利要求4所述的分层方法,
所述第1阈值为20.0,
所述第2阈值为3.651[cm3]。
6.如权利要求2所述的分层方法,
所述临床心理测验是临床前阿尔茨海默认知功能检测综合分数。
7.如权利要求6所述的分层方法,
在所述分类步骤中,针对所述多个分类对象的每一个,在该分类对象的所述分数比第3阈值小、且该分类对象的右侧海马体积比第4阈值小的情况下,将该分类对象分类为所述第1组,在该分类对象的所述分数比所述第3阈值大、且该分类对象的右侧海马体积比所述第4阈值大的情况下,将该分类对象分类为所述第2组。
8.如权利要求7所述的分层方法,
所述第3阈值为0.111,
所述第4阈值为3.651[cm3]。
9.如权利要求2至8的任一项所述的分层方法,
在所述获得步骤中,针对所述多个分类对象的每一个,进一步获得表示该分类对象是否具有载脂蛋白Eε4基因的信息,
在所述分类步骤中,针对所述多个分类对象的每一个,还根据所述信息,将该分类对象分类为所述多个组中的某一组。
10.如权利要求2所述的分层方法,
所述临床心理测验包括:阿尔茨海默病评定量表-认知分量表、以及临床前阿尔茨海默认知功能检测综合分数,
在所述获得步骤中,针对所述多个分类对象的每一个,进一步获得表示该分类对象是否具有载脂蛋白Eε4基因的信息,
在所述分类步骤中,针对所述多个分类对象的每一个,在如下(1)至(4)的情况下,将该分类对象分类为所述第1组,在如下(5)至(7)的情况下,将该分类对象分类为所述第2组,所述(1)至(4)的情况是指:(1)该分类对象的第1分数比第5阈值小、且该分类对象的右侧海马体积比第6阈值大、且该分类对象的所述信息示出具有载脂蛋白Eε4基因、且该分类对象的第2分数比第7阈值小的情况,所述第1分数是作为针对该分类对象进行的所述阿尔茨海默病评定量表-认知分量表的结果而得到的所述分数,所述第2分数是针对该分类对象进行临床前阿尔茨海默认知功能检测综合结果而得到的分数;(2)该分类对象的所述第1分数比所述第5阈值大、且该分类对象的右侧海马体积比所述第6阈值大、且该分类对象的所述信息示出具有载脂蛋白Eε4基因、且该分类对象的所述第2分数比所述第7阈值小的情况;(3)该分类对象的所述第1分数比所述第5阈值大、且该分类对象的右侧海马体积比所述第6阈值小的情况;(4)该分类对象的所述第1分数比所述第5阈值小、且该分类对象的右侧海马体积比所述第6阈值小、且该分类对象的所述信息示出具有载脂蛋白Eε4基因、且该分类对象的所述第2分数比所述第7阈值小的情况,所述(5)至(7)的情况是指:(5)该分类对象的所述第1分数比所述第5阈值小、且该分类对象的右侧海马体积比所述第6阈值大、且该分类对象的所述信息示出具有载脂蛋白Eε4基因、且该分类对象的所述第2分数比所述第7阈值大的情况;(6)该分类对象的所述第1分数比所述第5阈值大、且该分类对象的右侧海马体积比所述第6阈值大、且该分类对象的所述信息示出具有载脂蛋白Eε4基因、且该分类对象的所述第2分数比所述第7阈值大的情况;(7)该分类对象的所述第1分数比所述第5阈值小、且该分类对象的右侧海马体积比所述第6阈值大、且该分类对象的所述信息示出不具有载脂蛋白Eε4基因的情况。
11.如权利要求10所述的分层方法,
所述第5阈值为20.0,
所述第6阈值为3.651[cm3],
所述第7阈值为0.111。
12.如权利要求1所述的分层方法,
所述多个分类对象是脑β-淀粉样蛋白PET检查的阳性者,
所述多个分类对象的各自的海马体积是所述多个分类对象的各自的左侧海马体积,
所述临床心理测验是阿尔茨海默病评定量表-认知分量表。
13.如权利要求12所述的分层方法,
在所述分类步骤中,针对所述多个分类对象的每一个,在该分类对象的所述分数比第1阈值大、且该分类对象的左侧海马体积比第2阈值小的情况下,将该分类对象分类为所述第1组,在该分类对象的所述分数比所述第1阈值小、且该分类对象的左侧海马体积比所述第2阈值大的情况下,将该分类对象分类为所述第2组。
14.如权利要求13所述的分层方法,
所述第1阈值为14.0,
所述第2阈值为3.459[cm3]。
15.如权利要求13所述的分层方法,
所述第1阈值为12.0,
所述第2阈值为3.737[cm3]。
16.如权利要求13所述的分层方法,
所述第1阈值为21.0,
所述第2阈值为3.080[cm3]。
17.如权利要求13所述的分层方法,
所述第1阈值为24.0,
所述第2阈值为2.751[cm3]。
18.如权利要求12所述的分层方法,
在所述分类步骤中,针对所述多个分类对象的每一个算出体积分数值,所述体积分数值示出该分类对象的左侧海马体积与该分类对象的所述分数的比率,根据算出的所述体积分数值,将该分类对象分类为所述多个组中的某一组。
19.如权利要求18所述的分层方法,
所述体积分数值是左侧海马体积[mm3]相对于所述分数的比率,
在所述分类步骤中,针对所述多个分类对象的每一个,在所述体积分数值小于101的情况下,将该分类对象分类为所述第1组。
20.如权利要求1所述的分层方法,
所述多个分类对象的各自的海马体积是所述多个分类对象的各自的左侧海马体积,
所述临床心理测验是阿尔茨海默病评定量表-认知分量表,
在所述分类步骤中,针对所述多个分类对象的每一个算出体积分数值,所述体积分数值示出该分类对象的左侧海马体积与该分类对象的所述分数的比率,根据算出的所述体积分数值,将该分类对象分类为所述多个组中的某一组。
21.如权利要求20所述的分层方法,
所述体积分数值是左侧海马体积[mm3]相对于所述分数的比率,
在所述分类步骤中,针对所述多个分类对象的每一个,在所述体积分数值小于101的情况下,将该分类对象分类为所述第1组。
22.一种分层装置,所述分层装置具备:
获得部,针对具有轻度认知障碍的多个分类对象的每一个,获得针对该分类对象进行临床心理测验的结果的分数、以及该分类对象的海马体积;
分类部,针对所述多个分类对象的每一个,根据该分类对象的所述分数以及该分类对象的海马体积,将该分类对象分类为至少包括将来发展为阿尔茨海默病的风险相对高的第1组、和将来发展为阿尔茨海默病的风险相对低的第2组的多个组中的某一组;以及
输出部,输出通过所述分类部得到的分类结果。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210149360.2 | 2022-02-18 | ||
CN202210149360.2A CN116662835A (zh) | 2022-02-18 | 2022-02-18 | 分层方法以及分层装置 |
PCT/JP2022/046352 WO2023157447A1 (ja) | 2022-02-18 | 2022-12-16 | 分層方法、および、分層装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117940065A true CN117940065A (zh) | 2024-04-26 |
Family
ID=87578022
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210149360.2A Pending CN116662835A (zh) | 2022-02-18 | 2022-02-18 | 分层方法以及分层装置 |
CN202280061563.4A Pending CN117940065A (zh) | 2022-02-18 | 2022-12-16 | 分层方法以及分层装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210149360.2A Pending CN116662835A (zh) | 2022-02-18 | 2022-02-18 | 分层方法以及分层装置 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP4393388A1 (zh) |
JP (1) | JP7496180B2 (zh) |
CN (2) | CN116662835A (zh) |
TW (1) | TW202341175A (zh) |
WO (1) | WO2023157447A1 (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201511372D0 (en) | 2015-06-29 | 2015-08-12 | Ixico Technologies Ltd | Methods, systems and tools for selecting subjects suffering from neurodegerative disease |
JP2020509036A (ja) | 2017-03-01 | 2020-03-26 | エイチディーエル セラピューティクス インコーポレイテッドHdl Therapeutics, Inc. | アルツハイマー病を予防的に防止し、その進行を遅らせ、または処置するための方法 |
GB201705044D0 (en) * | 2017-03-29 | 2017-05-10 | Neuro-Bio Ltd | Biomarker |
MX2021015947A (es) | 2019-06-17 | 2022-04-18 | Alzheon Inc | Métodos para tratar trastornos neurodegenerativos solicitudes relacionadas. |
JP7293050B2 (ja) | 2019-08-26 | 2023-06-19 | Tdk株式会社 | 軽度認知障害判定システム |
JP6679017B1 (ja) | 2019-12-20 | 2020-04-15 | 株式会社Splink | 認知症リスクの提示システムおよび方法 |
WO2022071158A1 (ja) * | 2020-10-01 | 2022-04-07 | 富士フイルム株式会社 | 診断支援装置、診断支援装置の作動方法、診断支援装置の作動プログラム、認知症診断支援方法、並びに学習済み認知症所見導出モデル |
-
2022
- 2022-02-18 CN CN202210149360.2A patent/CN116662835A/zh active Pending
- 2022-12-16 EP EP22926346.2A patent/EP4393388A1/en active Pending
- 2022-12-16 JP JP2024500980A patent/JP7496180B2/ja active Active
- 2022-12-16 CN CN202280061563.4A patent/CN117940065A/zh active Pending
- 2022-12-16 TW TW111148389A patent/TW202341175A/zh unknown
- 2022-12-16 WO PCT/JP2022/046352 patent/WO2023157447A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
JP7496180B2 (ja) | 2024-06-06 |
TW202341175A (zh) | 2023-10-16 |
WO2023157447A1 (ja) | 2023-08-24 |
JPWO2023157447A1 (zh) | 2023-08-24 |
EP4393388A1 (en) | 2024-07-03 |
CN116662835A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578798B (zh) | 电子病历的处理方法及系统 | |
CN103530491B (zh) | 用于生成检查报告的装置和方法 | |
KR20200036908A (ko) | 심전도 신호의 검출 방법 | |
JP5335536B2 (ja) | 情報処理装置及び情報処理方法 | |
CN110570199B (zh) | 一种基于用户输入行为的用户身份检测方法及系统 | |
CN110874409A (zh) | 病情分级预测系统、方法、电子设备及可读存储介质 | |
CN112735606B (zh) | 结直肠癌风险预测方法、设备及存储介质 | |
KR20190087681A (ko) | 자궁경부암에 대한 피검체의 발병 여부를 판정하는 방법 | |
JP2018054443A (ja) | 情報処理装置、情報処理システム及びプログラム | |
CN112641428A (zh) | 一种脑损伤状况的诊断装置、诊断设备及诊断系统 | |
CN117940065A (zh) | 分层方法以及分层装置 | |
Mneimneh et al. | A rule-based approach for the prediction of acute hypotensive episodes | |
Deepa et al. | A comparative analysis of deep neural networks for brain tumor detection | |
CN114650447A (zh) | 一种确定视频内容异常程度的方法、装置及计算设备 | |
Vidhya et al. | Alzheimer’s disease detection using residual neural network with LSTM hybrid deep learning models | |
CN113678147B (zh) | 搜索方法以及信息处理系统 | |
KR102472910B1 (ko) | 인지 장애와 연관된 정보를 제공하는 방법 및 장치 | |
Gaddala et al. | Autism Spectrum Disorder Detection Using Facial Images and Deep Convolutional Neural Networks. | |
CN112560970A (zh) | 基于自编码的异常图片检测方法、系统、设备及存储介质 | |
US11669970B2 (en) | System, apparatus, and method for detection of ureteropelvic junction obstruction | |
Hsieh et al. | Multimodal feature fusion in deep learning for comprehensive dental condition classification | |
KR100926448B1 (ko) | 성인물 판단 방법 및 시스템 | |
JP2018147173A (ja) | データ抽出装置、及びデータ抽出方法 | |
CN110647945B (zh) | 液基宫颈细胞涂片分类方法、系统和实现装置 | |
US20230057455A1 (en) | Storage medium, diagnosis support device, and diagnosis support method |
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 |