TW202103636A - 適應性神經測試方法 - Google Patents

適應性神經測試方法 Download PDF

Info

Publication number
TW202103636A
TW202103636A TW109112124A TW109112124A TW202103636A TW 202103636 A TW202103636 A TW 202103636A TW 109112124 A TW109112124 A TW 109112124A TW 109112124 A TW109112124 A TW 109112124A TW 202103636 A TW202103636 A TW 202103636A
Authority
TW
Taiwan
Prior art keywords
questions
subject
test
potential
score
Prior art date
Application number
TW109112124A
Other languages
English (en)
Inventor
海倫克莉絲汀 舒兒思
蘇珊娜馬莉 馬森
畢卓歐拉夫 舒爾特
戴蒙茱德 衛屈克
克勞德米歇爾 衛屈克
Original Assignee
馬來西亞商雲頂圖爾斯診斷中心有限公司
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 馬來西亞商雲頂圖爾斯診斷中心有限公司 filed Critical 馬來西亞商雲頂圖爾斯診斷中心有限公司
Publication of TW202103636A publication Critical patent/TW202103636A/zh

Links

Images

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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
    • 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
    • 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

Abstract

本案有關用於適應性地測試一受試者的神經狀態的方法、電腦實施方法、及裝置。該方法包含下列步驟：施測一或更多個種子題目；獲得對該一或更多個種子題目的一或更多個答案；從對該一或更多個種子題目的該等答案計算一潛在受試者特質的一評分值； 該方法包含一適應式測試循環，包含：(a)基於該評分值，從一題庫選擇一或更多個進一步的題目；(b)對該受試者施測該一或更多個進一步的題目；(c)基於對該一或更多個進一步題目的答案來更新該評分值；(d)決定是否已符合一測試完成標準；其中該方法依序重複步驟(a)至(d)直到已符合該測試完成標準，並基於該評分值提供該測試的一輸出，該輸出指示出該受試者的神經狀態。

Description

適應性神經測試方法
本發明有關一種測試一受試者（subject）之心智表現的適應性方法。
阿茲海默症的診斷，以及一旦確診之後對受試者之心智能力的監測，是一個活躍且多面向的研究領域。阿茲海默症是造成在大腦中生成過量蛋白質、妨礙神經功能且最終導致細胞死亡的神經疾病。該疾病的特徵在持續進程，但進程的速度有個別性。能夠識別出阿茲海默症的早期階段是有用的，然而阿茲海默症之早期診斷的一個障礙是在經由習知方法能夠偵測該疾病之前，對大腦的嚴重破壞已經發生了。
針對用以將具有阿茲海默症的患者診斷及分級的最佳方式，意見不一。普遍的例子包括：基因分型；像是MRI或PET掃描之成像技術；及利用產業標準神經心理評估法來衡量患者的衰退情況。
US2008/0118899係關於在人群中識別出特別具有遭受神經認知退化相關之失調（像是阿茲海默症）的個體。
本案發明人已提供一種新穎的神經心理評估法，其被認為比先前的評估法更強健且敏感。該評估法運用項目反應理論（IRT）（也稱為潛在特質理論），其中一通用測試中的題目或項目係關於一底層的且潛在的特質。IRT的中心概念是在參與者回答題目的方式與該題目所指示出的潛在特質之間的關係。
在一些態樣中，本發明有關一種測試一受試者的神經狀態的適應性方法，其中在測試中使用的題目是基於一評分而選擇的，該評分是關於該受試者之一或更多個潛在特質而獲得的。
利用神經心理測試以用於失智症（Dementia）的評估的好處是可觀的。這種測試為非侵入性的，相對不昂貴且能經廣泛地、且重複地（若需要的話）施測（administer）。然而利用相同題目的重複測驗可能產生學習效應。各次測試著眼於單一症狀領域，因此需要多個測試來正確地量化失智症的嚴重性，且各次測試必須完整地完成，因為如有項目遺漏，將使測試無效，導致漫長的測試時間。因此，因為練習或疲勞導致的潛在特質錯誤代理（false proxy）是可能的。利用這些測試之各者做為用於一患者之失智症嚴重度的代理，並無法交待一件事：針對失智症患者的典型神經心理測試組合（battery）探索許多不同的患者能力領域。在患者與患者之間這些領域沒有各自遵循相同的缺損規律、反而卻以各自獨立的方式衰退，是可能的。當前的測試計分已經證實在洞悉患者能力上不是精確的方法，因為其沒有考慮到測試之中的題目的不同難度。
因此，在第一態樣中，本發明提供一種適應性地測試一受試者（受試者）的神經狀態的方法，該方法包含下列步驟：施測一或更多個種子題目；獲得對該一或更多個種子題目的一或更多個答案；從對該一或更多個種子題目的該等答案計算出一潛在受試者特質的一評分值；該方法包含一適應式測試循環，其包含：(a)基於該評分值，從一題庫選擇一或更多個進一步的題目；(b)對該受試者施測該一或更多個進一步題目；(c)基於對該一或更多個進一步題目的答案來更新該評分值；及(d)決定是否已符合一測試完成標準；其中該方法依序重複步驟(a)至(d)直到已符合該測試完成標準，並基於該評分值提供該測試的一輸出，該輸出指示出該受試者的神經狀態。
第一態樣的方法能藉由將產業標準神經心理測試中的題目（或項目）與其所起源的測試分別地考量；以及針對多個患者能力領域來評估題目（或項目）的難度，以將題目（或項目）能推導出的資訊最大化。能應用該方法以針對患者衰退的諸多方面向來評估項目的難度以及受試者的能力。此提供了更易感的作法來對患者計分，因為這樣項目能夠成為超過一個底層的、潛在的特質的度量；其明確地考慮了在跨於不同患者族群之間衰退不是一致性的事實。其也考慮了針對多個造成患者衰退的底層潛在特質的項目變異難度。
該些步驟中可穿插一或更多個次步驟及/或不一定一個緊接著另一個進行。在一些例子中，該些步驟乃一個緊接著另一個進行。本文中，項目可指來自一或更多個神經心理測試方法的題目或練習題。經測試的神經狀態可為對於是否該受試者有失智症或阿茲海默症的判斷。
現將說明本發明的可選特徵。這些可經單獨地應用或與本發明的任何態樣任意結合。
本發明的方法可為任意目的用於評估、測試或歸類一受試者的神經狀態。例如測試的評分值或其他輸出可被用以按照預先決定的準則來將該受試者的心智狀態或疾病狀態歸類。
該受試者可為任何人類受試者。在一實施例中該受試者可為被懷疑苦於如本文中所述之神經認知疾病或失調（例如神經變性或血管性疾病）的受試者。
在一實施例中該方法乃用於診斷或預後（prognosing）該受試者中的認知缺損（例如神經認知疾病）的目的。
在此底層的潛在特質是從疾病導致的神經退化所造成–例如認知特質、失智症特質、及憂鬱症特質中一或更多者。
在一實施例中該疾病是輕度到中度的阿茲海默症。
在一實施例中該疾病是輕度認知缺損。
在一實施例中該疾病是失智症（例如血管性失智症）。
在一實施例中該方法是用於判斷該受試者中神經認知失調的風險的目的。可選地，所述風險可額外地利用進一步因數來計算，例如年齡、生活型態因子、及其他經測量的身體的或心理的準則。所述風險可為「高」或「低」的分類，或可呈現為一量表或光譜。
在一實施例中該方法是用於監測在經診斷有神經認知疾病的受試者中的神經認知疾病的進程的目的。例如該方法可用於監測該受試者中神經退化或其他認知的或相關衰退的目的。
該方法可選擇性地包括下列步驟：處置經診斷為具有一神經認知疾病的受試者。
因此該受試者可為接收針對神經認知疾病之用藥或其他處置的人，在此種情況該方法可被用於監測該處置的有效性，例如相關於衰退的改善或減少（例如相較於安慰劑或其他控制）。
在一實施例中該方法用於招募針對一臨床試驗的受試者（受試者），其中該方法經用於按照該些受試者是否達到試驗招募準則來將該些受試者歸類。
評分值可為一潛在特質能力評分。潛在特質能力評分可指示出一受試者在一或更多個潛在特質中的能力。
該等進一步的題目之各者可具有一關聯難度評等及與該一或更多個潛在受試者特質中至少一者的相關性的指示。對該一或更多個進一步的題目的選擇可進一步基於該關聯難度評等與對一或更多個潛在受試者特質之相關性的該指示中的一或兩者。
該方法可從對該一或更多個種子題目的該等答案計算用於複數個潛在受試者特質之各者的一評分值，且可進一步基於該等評分值之至少一者來選擇該等進一步的題目。在一些例子中，該方法計算用於三個潛在受試者特質：認知潛在特質、失智症潛在特質、及憂鬱症潛在特質，其各者的一評分值。該方法可包括一初始步驟，該初始步驟為針對該複數個潛在受試者特質之各者決定一權重值。此權重值可為二元的，而因此指示出是否將調查一特定潛在受試者特質。選擇一或更多個進一步的題目的步驟可進一步基於用於該複數個潛在受試者特質之至少一者的該權重值。
該一或更多個潛在受試者特質可包括下列之一或更多者：認知特質、失智症特質、及憂鬱症特質。
用於該潛在受試者特質或各潛在受試者特質的該評分可利用一期望最大化演算法及/或一廣義線性模型來計算。該廣義線性模型可具有以下形式：
Figure 02_image001
，其中
Figure 02_image003
是由該受試者於一特定訪談
Figure 02_image005
時給予的回應，
Figure 02_image007
是題目，
Figure 02_image011
是截距，
Figure 02_image013
、
Figure 02_image017
、及
Figure 02_image019
分別是針對關聯於認知特質、失智症特質、及憂鬱症特質的題目的難度評分，而
Figure 02_image021
、
Figure 02_image023
、及
Figure 02_image025
分別是關聯於認知特質、失智症特質、及憂鬱症特質的該受試者能力評分。
該等種子題目及/或該等進一步的題目可選自以下任一或更多者：阿茲海默症評估量表-認知測試（W. G. Rosen、R. C. Mohs、和K. L. Davis，A new rating scale for Alzheimer’s disease。美國精神病學期刊第141卷，1984年）、阿茲海默症協作研究–日常生活活動測試（D. Galasko、D. Bennett、M. Sano、C. Ernesto、R. Thomas、M. Grundman、及S. Ferris，An inventory to assess activities of daily living for clinical trials in Alzheimer’s disease。阿茲海默症與相關失調，第11卷(附錄2)，1997年）、神經精神評估測試（J. L. Cummings、M. Mega、K. Gray、S. Rosenberg-Thompson、D. A. Carusi、及J. Gorbein，The Neuropsychiatric Inventory: Comprehensive assessment of psychopathology in dementia，神經病學，第44卷，1994年）、蒙哥馬利-阿斯伯格憂鬱症評分量表測試（S. A. Montgomery和M. Asberg。A new depression scale designed to be sensitive to change. 英國精神病學期刊，第134卷，1979年）、及簡易智能檢查測試（M. F. Folstein、S. E. Folstein、P. R. McHugh。Mini-Mental State: A practical method for grading the cognitive state of patients for the clinician。精神病學研究期刊，第12卷，1975年）。如可理解的，基本上來自任何經驗證之神經心理評估法（如以下討論地已適切地特徵化）的任何題目可被運用在本文中的適應性測試方法中，或者任何等效於此類現存的、經驗證的神經心理評估法的題目。
可利用該等種子題目及/或該等進一步的題目來計算及更新用於複數個潛在受試者特質中之各者的一評分值。
選擇一或更多個進一步的題目的步驟可進一步基於用於該題目資料庫中之各題目的一資訊內容。用於該題目資料庫中之各題目的該資訊內容可基於該潛在受試者特質的該評分值針對該受試者來計算，且可選擇具有最高資訊內容的來自該題目資料庫的一或更多個題目。
在第二態樣中，本發明提供一種適應性地測試一受試者的神經狀態的電腦實施方法，其包含下列步驟：在一顯示器上呈現一或更多個種子題目；經由一輸入裝置接收對該一或更多個種子題目的答案；藉由一處理器，從所接收的對該一或更多個種子題目的該等答案，計算一潛在受試者特質的一評分值；進入一適應式測試循環，其包含下列步驟：(a)基於該評分值，從一題目資料庫選擇一或更多個進一步的題目；(b)在該顯示器上呈現該一或更多個進一步的題目；(c)基於對該一或更多個進一步題目的經接收答案來更新該評分值；及(d)決定是否已符合一測試完成標準；其中該電腦實施方法依序重複步驟(a)至(d)直到已符合該測試完成標準，並基於該評分值提供該測試的一輸出，該輸出指示出該受試者的神經狀態。
該些步驟可經穿插一或更多個次步驟及/或不一定一個緊接著另一個進行。在一些例子中，該些步驟乃一個緊接著另一個進行。本文中，項目可指來自一或更多個神經心理測試方法的題目或練習題。經測試的神經狀態可為對於是否該受試者有失智症或阿茲海默症的判斷。
現將闡述本發明的可選特徵。這些可經單獨地或與本發明之任何態樣的任意結合來應用。
評分值可為潛在特質能力評分。潛在特質能力評分可指示出一受試者在一或更多個潛在特質中的能力。
該等進一步的題目之各者可具有一關聯難度評等及與該一或更多個潛在受試者特質中至少一者的相關性的指示。對該一或更多個進一步的題目的選擇可進一步基於該關聯難度評等與對一或更多個潛在受試者特質之相關性的該指示中的一或兩者。
該方法可從對該一或更多個種子題目的該等答案計算用於複數個潛在受試者特質之各者的一評分值，且可進一步基於該等評分值之至少一者來選擇該等進一步的題目。在一些例子中，該方法計算用於三個潛在受試者特質：認知潛在特質、失智症潛在特質、及憂鬱症潛在特質，其各者的一評分值。該方法可包括一初始步驟，該初始步驟為針對該複數個潛在受試者特質之各者決定一權重值。此權重值可為二元的，而因此指示出是否將調查一特定潛在受試者特質。選擇一或更多個進一步的題目的步驟可進一步基於用於該複數個潛在受試者特質之至少一者的該權重值。
該一或更多個潛在受試者特質可包括下列之一或更多者：認知特質、失智症特質、及憂鬱症特質。
用於該潛在受試者特質或各潛在受試者特質的該評分可利用一期望最大化演算法及/或一廣義線性模型來計算。該廣義線性模型可具有以下形式：
Figure 02_image001
，其中
Figure 02_image027
是由該受試者於一特定訪談
Figure 02_image005
時給予的回應，
Figure 02_image007
是題目，
Figure 02_image011
是截距，
Figure 02_image013
、
Figure 02_image017
、及
Figure 02_image019
分別是針對關聯於認知特質、失智症特質、及憂鬱症特質的題目的難度評分，而
Figure 02_image030
、
Figure 02_image023
、及
Figure 02_image025
分別是關聯於認知特質、失智症特質、及憂鬱症特質的該受試者能力評分。
該等種子題目及/或該等進一步的題目可選自以下任一或更多者：阿茲海默症評估量表-認知測試（ADAS-cog）、阿茲海默症協作研究–日常生活活動測試（ADL）、神經精神評估測試（Neuropsychiatric Inventory test，NPI）、蒙哥馬利-阿斯伯格憂鬱症評分量表測試（MADRS）、及簡易智能檢查測試（Mini-Mental State Examination test，MMSE）。如可理解的，基本上來自任何經驗證之神經心理評估法（如以下討論地已適切地特徵化）的任何題目可被運用在本文中的適應性測試方法中。
可利用該等種子題目及/或該等進一步的題目來計算及更新用於複數個潛在受試者特質中之各者的一評分值。
選擇一或更多個進一步的題目的步驟可進一步基於用於該題目資料庫中之各題目的一資訊內容。用於該題目資料庫中之各題目的該資訊內容可基於該潛在受試者特質的該評分值針對該受試者來計算，且可選擇具有最高資訊內容的來自該題目資料庫的一或更多個題目。
在第三態樣中，本發明提供一種用於實施對一受試者的神經狀態的一適應性測試的裝置，包含：一處理器、一記憶體、一顯示器、及一輸入裝置；其中該記憶體包含處理器可執行指令以進行第一或第二態樣的方法。
在一些實施例中，該裝置可為可攜式及/或手持式裝置。例如，該裝置可為平板PC、智慧手機、或類似者。
本發明的進一步態樣提供：一種包含代碼的電腦程式，當該代碼在一電腦上運行時，致使該電腦進行第一態樣或第二態樣的方法；一種儲存一電腦程式的電腦可讀取媒體，該電腦程式包含代碼，當該代碼在一電腦上運行時，致使該電腦進行第一態樣或第二態樣的方法；及一種電腦系統，該電腦系統經程式化以進行第一態樣或第二態樣的方法。
現將參照隨附圖式討論本發明的態樣及實施例。本領域之通常知識者將顯而易見進一步的態樣及實施例。本文中提及的所有文獻在此藉引用方式併入本文。 項目反應理論
為了量化患者的失智症的嚴重度，存在有不同之神經心理測試的一組合（battery），其能用於診斷或監測該疾病的目的。該些測試以具有相異難度之個別項目的形式而經提供，能由患者或照護者回答該些項目以提供對患者之狀態的嚴重度的瞭解。此經圖示在第1及2圖中。這些測試中的項目各針對失智症的一特定臨床特徵以及關聯於受矚目之該臨床特徵的特殊缺陷。這些測試的現今計分方法典型涉及題目評分的加總（或其某種變化），代表個別項目產生的資訊未被最大化。
由本發明對現今計分方法提供的改良是項目反應理論（IRT）。IRT使得能針對某個底層的潛在特質（在此為失智症相關衰退的一特定臨床特徵），按照來自測試之個別項目的難度為該些個別項目計分，也按照患者的能力為患者計分。藉此，IRT的中心概念是參與者回答一題目的方式與該題目所指示出的潛在特質之間的關係。
項目反應理論基於三個關鍵假設。第一：一給定測試中的全部項目是僅對一個潛在特質的度量，此稱為單維性（unidimensionality）。其中假設有多於一個潛在特質的多維IRT是可能的，但因為來自資料所要適合（fit）的參數個數增加而計算上複雜。在此情況中，資料的維度類似於該等給定項目所測量的潛在特質的個數。潛在特質的個數乃典型地利用某種形式的因素分析（像是主成分分析）來評估。因素分析通常假設常態分佈，在所收集的資料性質上為二元之時獲得常態分佈有些不尋常；因此，典型地，在此種特殊情況中因素分析將失敗。第二個假設是，測試中的各個項目局部獨立（locally independent），也就是說一個項目中的對的或錯的答案不應該自動導致另一題目的相同答案。測試中的項目應該僅通過其度量的潛在特質建立相關性，若該項目是多於一個潛在特質（即，多維的）的度量則合理地相關性能通過多個潛在特質。第三個假設是，應試者（或參與者）回答一題目的方式表示出所要測量的潛在特質。更特定地，參與者將答對一題目的機率是該參與者對一給定特質之潛在能力的函數。因此，參與者的一特定特質之潛在能力越高，他們將答對一題目的機率越高。該潛在特質典型地無法被正確地測量。為了間接地評估一參與者針對此潛在特質的能力，必須利用屬於間接度量的項目。此理論能更廣泛地應用以測量許多不同種類的潛在特質，像是認知及憂鬱症。常見地，標準邏輯函數被利用來為參與者的潛在特質能力、以及他們正確地回答項目的機率之間的關係建模（modelled）。
對於從有失智症的受試者所收集之神經心理測試資料的項目反應理論先前應用中，該些測試資料經假設為一維的，表示分析中所包括的項目被假設為測量單一潛在特質。此潛在特質則被假設為針對失智症（或失智症的單一態樣）的代理。
然而，臨床觀察已證實在不同階段個人會顯示出不同缺損；疾病表徵及進程不是一致的，如第3圖中所示範。例如，患者可能先表現出認知缺陷，但仍能實行日常生活活動，而其他患者可能顯見相反的規律。一些患者表現出神經精神症狀，而該些症狀在其他患者上沒有出現。此產生了失智症不一定在單一個、一維的量表上反而是在多維空間中測量的提議。
在基本程度上，臨床空間中已確認了阿茲海默症與失智症的多維態樣。由來自美國食品藥物管理局（FDA）和歐洲藥物管理局（EMA）的需求最能清楚地證實，即對該些疾病提出的任何處置，作為主要療效指標（co-primary endpoints），必須表現認知上的功用並也展現臨床意義（一般解讀為改善功能性能力）。傳統上，已利用不同測試來測量各個感興趣的特徵。像是ADAS-Cog之度量乃經設計來測量認知，同時像是ADL之度量乃是經設計來測量功能。此暗示了在一種測試（因此也是一種特徵）上的評分無法提供任何有關在第二測試/特徵上該受試者的能力的資訊：對各測試評分的解讀侷限於該測試評分經設計來測量的單一特徵。此也致使該特徵的定義被用來測量該特徵的測試所侷限。例如，MMSE及ADAS-Cog兩者都被認為是認知的測試。然而，MMSE由於其簡短的性質而僅提供一般認知的度量，同時更特殊化的ADAS-Cog提供阿茲海默症（AD）相關認知的度量。
IRT的利用允許發生細微但重要（significant）的轉移，將焦點從用來測量一特徵的測試移到該特徵本身。此不僅允許一特徵的定義維持獨立於被用以測量該特徵的測試，也讓測試自身能提供多個不同特徵的資訊。接著產生了哪些特徵或特質是讓人感興趣的問題。傳統的認知與功能二分法仍有有用的資訊，而功能的定義稍微放寬。認知特質主要反映特定的行為態樣：記得特定字彙或複製特定圖表的能力。功能特質傳統上已被解讀為日常生活活動，產生了經設計來測量像是獨立做飯或旅行的能力的測試。然而，神經精神症狀的出現也具有診斷及臨床的重要性。因此，功能特質（後續稱為失智症特質）不僅涵蓋日常生活的工作也涵蓋神經精神症狀，在臨床意義上更符合來自FDA及EMA的指導原則。焦點放在特質上也允許考慮一個先前未經討論的疑惑：憂鬱症。古典測試方法中，憂鬱症的存在能使一受試者在認知或功能測試上的表現比該等測試的真實評分要低。該受試者就被感覺為有缺陷的，當現實中低評分可能歸咎於（例如）冷淡。如先前所述，在古典測試方法論中要偵測憂鬱症的存在將需要施測進一步的測試，且即使這樣，憂鬱症在認知能力上的影響位準將不可能被量化，而因此不能矯正。IRT允許將憂鬱症識別成一分別的潛在特質而不需要施測完整的測試，也不需要考慮憂鬱症令人疑惑的影響。
在將多維IRT施加至來自測量許多不同失智症態樣的神經心理測試的資料中，能將不同的資料集合整合成為單一分析，其擷取了跨於多個領域的疾病進程。 通用數學方法
在本發明之態樣中使用的多維IRT演算法以迭代地應用廣義線性模型（GLM）來評分題目與受試者的一期望值最大化（EM）演算法的形式實現。初始條件的評估是利用種子題目的加總受試者評分，該等種子題目由心理學家評估為對失智症之受試者衰退（即認知、功能性障礙(失智症)及憂鬱症）底下的潛在特質的良好度量。GLM被用來分析對個別測試項目的二元受試者反應，首先利用針對各個假定潛在特質的受試者評分作為協變量，以為個別項目之各者評分。接著利用針對各個假定潛在特質的個別項目評分來為該等受試者重新評分。EM演算法經利用以在迭代制度中施加GLM，以將最終的測試及受試者評分的可能性局部地最大化。
由於本文中將分析的資料是二元的（或經二元化的），能運用二項式分佈的一特例 – 柏努利分佈（Bernoulli distribution），且因此利用具有一邏輯迴歸連結函數的GLM（P. McCullagh及J. A. Nelder所著，Generalized Linear Models 。Chapman and Hall出版，1952年。第4.3章第108頁）。如先前所討論，邏輯迴歸模型形成其他IRT模型的基礎（例如Rasch模型、2參數及3參數邏輯模型，如在1997年Educational Measurement: Issues and Practice ，第16(4)卷，B. Wright所著A History of Social Science Measurement中所例示），因為其將機率結果限制在0與1之間。
給定一組參數θ，期望值最大化（EM）演算法（例如討論於以下文章中：A. Dempster、N. Laird、及D. Rubin所著，Maximum likelihood from incomplete data via the EM algorithm。Journal of the Royal Statistical Society, 39, 1977）提供一個迭代式（iterative）程序以供到達局部地最大化的可能性
Figure 02_image032
，對此數量而言不一定永遠能直接計算出其最大值。在EM演算法的各個迭代中，計算用於未知參數θ的更新值，其中
Figure 02_image034
一定大於
Figure 02_image036
。該演算法的期望值（E）步驟計算在給定所調查之系統當前的、條件參數估計值
Figure 02_image038
且基於該統計模型的所觀察態樣（此為已知參數或所觀察資料）下的可能性期望值。該演算法的最大化（M）步驟接著針對在E步驟中估計的參數將可能性最大化，以為了計算出經更新的參數
Figure 02_image040
。EM演算法接著繼續在該兩步驟之間重複（iterate）直到所估計的參數收斂至某個容許誤差（tolerance）。
EM演算法能採取對資料迭代式應用GLM的形式，以找出隱藏參數的最大可能性估計值。此使得能同步地估計兩個相依的隱藏參數。初始的估計值是由第一隱藏參數集合組成，而這些初始估計值被使用在GLM的解釋變量內以估計一第二隱藏參數集合。利用這個第二個、經估計的隱藏參數集合作為解釋變量，就可以估計第一隱藏參數集合，減少對初始估計值的依賴。此程序接著經重複直到第一及第二隱藏參數集合兩者的估計值都獨立地收斂至某個容許誤差。在其中A及B分別是第一及第二隱藏參數集合，其遵循此演算法： 1. 藉由某個合理的（sensible）估計值來初始化
Figure 02_image042
2. 接著利用解釋變量中包括有估計值
Figure 02_image044
的GLM來估計
Figure 02_image046
。 3. 也利用解釋變量中包括有先前之估計值
Figure 02_image046
的GLM來估計
Figure 02_image048
。 4. 接著重複步驟2及3直到針對
Figure 02_image044
及
Figure 02_image046
的估計值各自收斂。
多維IRT方法本身是已知的，期針對多個領域中的個別項目估計評分。然而，收集自患者的神經心理資料的性質使得依患者的「當天」狀況而定，資料會受到巨大波動。這些自然的波動增加了資料分析的複雜性。在分析資料中的主要考量是確保任何實行的演算法會到達在數學上有意義的結果。換言之，在多維空間的可能性地景（landscape）中找到全域的（global）最佳值，而不只是區域的最佳值。此代表傳統的多維項目反應理論分析方法可能無法在一全域最佳值上收斂（或者造成完全無法收斂），如同本文中例示之特殊資料集合的情形。
因此本案提供一種項目反應理論之修正形式，其致能初始條件的預先規格，以輔助引導該演算法朝向全域最佳解答。其乃藉由利用廣義線性模型所達成，該廣義線性模型被以預先規格之初始條件下種（seeded）並包含在一期望最大化演算法中，其計分項目及受試者來自一組經訓練資料直到收斂為止，如先前所述。以初始條件的形式利用對題目的事前知識允許演算法收斂在能經外部驗證的結果上，且相對於初始條件中的改變是強健的。
所要用來分析資料的模型具以下形式
Figure 02_image050
等式4.1 其中i 是一特定訪談時的受試者，而q 是題目。因此，α是截距，而
Figure 02_image013
、
Figure 02_image052
及
Figure 02_image019
分別是各題目的認知潛在特質評分、失智症潛在特質評分及憂鬱症潛在特質評分。此外，
Figure 02_image054
、
Figure 02_image023
及
Figure 02_image056
分別是各受試者於其特定訪談時的認知潛在特質評分、失智症潛在特質評分及憂鬱症潛在特質評分。
為了克服題目評分對初始題目種子的依賴性，使用了期望最大化演算法，如上所討論。此期望最大化演算法迭代地運作以確保在各潛在特質之項目難度中的資料驅使最終結果。
演算法經建構如下： 1. 藉由計數針對各分類的相關項目回應，對各受試者的各次訪談計算針對認知潛在特質、失智症潛在特質、及憂鬱症潛在特質的初始評分（
Figure 02_image058
、及
Figure 02_image060
）。這些項目回應後續地經加總並經標準化至0與30之間。 2. 利用
Figure 02_image062
、
Figure 02_image064
、及
Figure 02_image066
作為固定協變量及α=0來適配該廣義線性模型以找出
Figure 02_image068
、
Figure 02_image070
、及
Figure 02_image072
。 a. 識別出極端的離群值（在四分位距 ± 三倍之四分位距的範圍外者）並將這些極端的離群值設成此範圍內之資料的最大/最小者。 b. 若標準誤差與0重疊，則在一給定潛在特質上將題目評分設成0。 c. 取全部評分的絕對值。 3. 利用
Figure 02_image068
、
Figure 02_image070
、及
Figure 02_image072
作為固定協變量及α=0來適配該廣義線性模型以找出
Figure 02_image074
、
Figure 02_image076
、及
Figure 02_image078
。 a. 識別出極端的離群值（在四分位距 ± 三倍之四分位距的範圍外者）並將這些極端的離群值設成此範圍內之資料的最大/最小者。 b. 若標準誤差與0重疊，則在一給定潛在特質上將題目評分設成0。 c.  取全部受試者評分的絕對值。 d. 將評分標準化為在0與30之間. 4.  重複步驟2及3直到收斂。
如將了解的，以上討論之演算法的某些步驟可被省略或修改，同時仍產生能夠達成所欲結果的演算法。例如，在步驟2及3中識別極端的離群值、將評分設成0、或使用不同標準化範圍的次步驟可省略，或者讓絕對值被修改。類似地，也可省略或修改在步驟1中對初始患者評分的標準化步驟。然而，應當套用以步驟1、2、3、及4開展的概略方法。
在此演算法經特定地以對於起源自有失智症的受試者的二元資料之應用框架來描述，其中本文中分析的特定資料集合乃起源自具有輕度阿茲海默症的受試者。然而，在將GLM針對要符合的不同種類模型（例如非二元資料）來配適下，可更一般地跨於不同形式之資料來應用此類型的演算法。 資料集合及預處理
本發明之實施例的創造中使用的資料乃收集自經診斷有失智症的患者，特定地為經診斷有阿茲海默症的患者。然而本文中討論的原則同樣地適用於收集自有（例如）行為變異額顳失智症的患者的資料。該資料起源自用於一藥物抑制大腦中tau蛋白之聚集的臨床試驗。像是失智症之病理學乃關聯於抑制細胞運輸的tau蛋白的纏結。臨床試驗經以不同階段進行，以測試其安全性及有效性。本文中分析的資料起源自階段3的試驗，該些試驗經進行以調查藥物效用。資料乃收集自在受試者處置期間的各個不同指定時間點的各式各樣的神經心理測試。
作為範例，本文中分析的測試為： 1. 簡易智能檢查（MMSE），一種認知評估法。 2. 阿茲海默症評估量表–認知次量表（ADAS-cog），一種不同的認知評估法。 3. 阿茲海默症協作研究–日常生活活動量表（ADL），一種針對日常活動對阿茲海默症的患者的功能性的評估法。 4. 神經精神病學量表（NPI），一種神經精神症狀的評估法。 5. 蒙哥馬利-阿斯伯格憂鬱症評分量表（MADRS），一種憂鬱症評估法。
該些測試個包含多個項目，該些項目一起幫助提供對患者之失智症嚴重度的觀察。本文中討論了一計分系統，其能在相同空間中描述該些測試之各者。也就是說，在同一n維空間中，按照獨立的測試所測量的潛在特質，在數學上描述這些測試與該些測試內的項目。
位本文中討論之目的而調查的收集自特定神經心理測試的資料，能採取二元計分或多點計分（polychotomous）之資料的形式。為了標準化之目的，全部資料經處理或切割以確保其為二元的，以及答案為「1」表示正面回應而答案為「0」表示負面回應。為了確保全部資料是二元的而採用了分割方法（divide-by-cut method）。以來自ADL測試者為例： 「關於進食：何者最佳地描述了受試者在過去4週期間的通常表現？ 3 – 在沒有實際協助下進食，並用了刀子 2 – 用叉子或湯匙進食，但沒有用刀子 1 – 用手指進食 0 – 受試者通常或一直由他人餵食」
對此項目的可能答案為0、1、2、及3。為了使此項目為二元的，其被分裂成多個項目，各項目具有一二元類型的回應： 「關於進食：該受試者評分高於0嗎？ 關於進食：該受試者評分高於1嗎？ 關於進食：該受試者評分高於2嗎？」
此方法經應用至全部的多點計分的題目以確保所收集的全部資料是二元的。
第二點是確保全部的正面答案被編碼成「1」而全部負面答案被編碼成「0」。由於感興趣的神經心理測試全部有關於失智症的診斷，負面答案是指示出該疾病的答案，針對更一般化的應用其能經配適為概略地編碼「1」作為正面的，而「0」作為負面的。對全部項目的回應均為反映此而經定向。當然，將理解也能應用相反的情況，即負面的答案經編碼為「1」而正面的答案經編碼成「0」。若為此情況，評分越高則越可能該受試者有失智症。 結果
本文中討論的用於按照底下的潛在特質來將項目計分的方法，乃利用在通用數學方法章節所說明的期望最大化演算法和廣義線性模型達成。
實行此演算法於每次迭代產生項目評分
Figure 02_image013
、
Figure 02_image052
、及
Figure 02_image080
。第4圖顯示分別關於認知及失智症潛在特質之項目難度評分
Figure 02_image013
及
Figure 02_image052
，其針對來自26次迭代之期望最大化演算法（如先前所述）的MMSE、ADAS-cog、ADL、NPI、及MADRS測試的項目。第5圖顯示針對失智症及憂鬱症潛在特質的前述測試之項目評分
Figure 02_image052
及
Figure 02_image080
。在較早迭代中，針對各題目的難度評分
Figure 02_image013
、
Figure 02_image052
、及
Figure 02_image080
會受到一些移動，其發生乃因演算法的不受監控的性質。除了針對每次訪談的每個受試者的
Figure 02_image082
、及
Figure 02_image056
之趨近評分的初始輸入之外，此演算法是資料驅使的。在迭代間項目評分的變異是預期的且其將期望最大化演算法的使用合理化。其證實了在較晚迭代中的項目評分
Figure 02_image013
、
Figure 02_image052
、及
Figure 02_image080
與從種子題目計算出的初始受試者評分
Figure 02_image084
、
Figure 02_image086
、及
Figure 02_image088
是獨立的。然而，在較晚迭代中以各迭代間之最小變化達成了項目評分
Figure 02_image013
、
Figure 02_image052
、及
Figure 02_image080
的收斂。如先前已說明的，期望最大化演算法將收斂至參數的最大可能性估計值。由於在此例中達成收斂，可以說以上討論的期望最大化演算法已造成具有區域地最大化之可能性的每題目項目評分。
第6圖顯示了最終的項目評分
Figure 02_image013
及
Figure 02_image090
。MMSE及ADAS-cog測試主要沿著
Figure 02_image092
（或認知潛在特質）軸變化；以及ADL測試沿認知（
Figure 02_image092
）潛在特質及γ（或失智症潛在特質）軸兩者變化，而NPI沿失智症（γ）潛在特質軸變化。第7圖顯示最終項目評分
Figure 02_image090
及
Figure 02_image080
，其顯示出MADRS大致僅是憂鬱症特質（δ）的度量，而NPI顯然是憂鬱症（δ）及失智症（γ）潛在特質兩者的度量。 強健性分析 初始條件
當用來計算
Figure 02_image084
、
Figure 02_image086
、和
Figure 02_image088
的項目被心理學家選擇作為底下之特質的良好度量時，達成第6及7圖中呈現的結果。針對這些題目的受試者評分接著經加總及標準化以給予此演算法對受試者潛在特質評分的一初始第一估計值。第6及7圖顯示當68%的經評分的項目被用來以此方式計算一事前受試者評分時的結果。藉由隨機地減少初始題目的個數，先減少至所用之完整項目集合的34%然後接著到6.8%，來探索該演算法的強健性。包括較少的種子項目減少了被用以評分該等項目的初始資訊。使用許多項目可能本質上有問題，因為能經下種的項目之絕大比例不一定是可取得的，儘管不可能有太多種子題目因為此演算法完全非規範性的。然而，以太少項目來下種可能導致演算法在數字上不穩定，而因此無法正確地按照潛在特質來評分進一步的項目。
初始條件的設計是藉由將可能類似地回答的題目歸類在一起，並從這些項目的各訪談時針對各受試者設計一簡單評分。此代表一個個別項目不會被指派給其不會偏離的潛在特質，其被用以貢獻出針對各潛在特質之應當樣貌的較大描繪。當使用太少種子項目時，對潛在特質的不充分想法被傳達給演算法，表示演算法被妨礙而無法產生與事前包括了較多項目時相同的結果。
藉完整項目集合的34%來下種並利用相同方法來計算題目評分，產生的個別項目評分之中位數百分比變化在認知領域中是2.9%，在失智症領域中是2.2%而在憂鬱症領域中是1.8%。利用初始種子題目的6.8%來重複此程序所產生的中位數百分比變化在認知領域是6.7%，在失智症領域是7.7%而在憂鬱症領域是6.9%。即使用來計算初始患者評分估計值的初始題目個數大量減少，在題目評分中仍發生相對小的百分比變化。這些小的百分比變化不影響對項目的解讀，因為該些項目有關底下的潛在特質，如第6圖及第8圖中所證實，該些圖顯示在針對初始條件之估計上以完整題目集合的68%（第6圖）下種與以完整題目集合的6.8%（第8圖）下種的最小差異。總而言之，以上提供了此演算法對於不同初始條件為強健的的證據。 項目難度排序
個別項目經評分的方式可類比於其針對認知、失智症、及憂鬱症潛在特質的難度。針對一潛在特質具有較高評分的項目對另一潛在特質有較低難度。第9、10、及11圖顯示對MMSE、ADAS-cog、ADL、NPI及MADRS測試中之各項目的難度評分（按照認知、失智症及憂鬱症潛在特質）以及正確回答該些題目的受試者的比例。
第9圖顯示針對β（認知潛在特質）的項目難度評分與答對題目的受試者的比例。有高比例的受試者正確回答的題目被假設具有較低難度，以此類推。第9圖顯示在認知潛在特質中的項目評分與答對題目的受試者比例之間有強大的關聯性。此表示了這些項目針對一個別潛在特質經以難度良好地排序。同樣的結果出現在第10及11圖中，其呈現針對γ（失智症潛在特質）和δ（憂鬱症潛在特質）的項目難度。其表示了該演算法能按照多個維度中的難度來正確地將項目排序。 3維模型的合理性
綜合以上，所呈現的結果提供了MMSE、ADAS-cog、ADL、NPI、及MADRS是經互相獨立地回答的證據。換言之，三個獨立的潛在特質主導了受試者回答來自這些測試的項目的方式。該些獨立的維度經指派成認知、失智症及憂鬱症潛在特質。當種子題目被用以藉所要發掘之潛在特質的事前知識來加強演算法、以及當使用期望最大化演算法時，這些潛在特質能更最清楚地區分卻也出現在單純的項目反應理論中。用以代表資料的3維模型，乃藉由利用可能性比例測試所測試，以評估是否3維模型比起縮減的、2維的模型為資料提供了統計顯著度更佳的適配。接續地移除潛在特質並將產生的2維模型與3維模型比對，在移除憂鬱症維度時造成了80%的受試者受益於3維模型。當從模型移除失智症潛在特質時60%的受試者受益於3維模型，而最後當移除認知潛在特質時79%的受試者受益於3維模型。綜合這些結果顯示，至少60%的受試者受益於3維模型的適配，使為了將輕度阿茲海默症之進程特徵化而利用至少3個潛在特質合理化。
以上討論的方法顯示了藉由將複數個失智症測試的項目特徵化，可以藉由選擇以下項目來調查特定潛在特質：（i）對該些項目的答案指示出該特定潛在特質；及(ii)在給定先前答案之下該些項目有適當的困難程度。 結論
總結來說，本文中已提出的證據顯示了來自相異神經心理測試的個別項目能存在於同一多維空間中。此空間在數學上特徵化了個別項目如何良好地測量具有輕度阿茲海默症的受試者中隱藏的潛在特質。一般演算法是對項目反應理論應用期望值最大化；本文中以廣義線性模型的形式實行。 神經心理測試中實施的電腦適應性測試演算法
第12圖顯示利用以上討論之原則的適應性神經心理測試的實施方式流程圖。測試在步驟101中開始，而接著在步驟102中施測一或更多個種子題目。
在該受試者回答該一或更多個種子題目之後，在步驟103中計算針對在測量的潛在特質計算一評分。為了計算評分，利用了項目值查找功能110來存取一存儲109以得到題目能力或難度值。此計算的細節將在以下討論。
隨後，該評分被利用（在步驟104中）以選擇將施測的一或更多個題目。再一次，題目/項目能力或難度值乃經由項目值查找功能110所存取。以下將討論一或更多個後續題目的選擇的細節。
選擇了一或更多個進一步的題目之後，在步驟105中施測該一或更多個進一步題目且記錄結果。這些結果被用以在步驟106中更新針對該潛在特質的評分。這之後，對於是否已符合該測試完成標準做出決策（見決策方塊107）。測試完成標準可以是（例如）最小信賴值。替代地，能由測試的施測者手動地觸發測試完成標準，或者可以在已經施測了一預先決定的題目個數之後自動地觸發測試完成標準。
若尚未符合該測試完成標準，迴圈回到步驟104並重複以上討論的順序。這個從步驟104、到105、接著106、而回到104的迴圈定義了適應式測試循環。
若已符合該測試完成標準，迴圈移到步驟108且測試結束。信賴值經提供在測試輸出中。測試的輸出可以是（例如）失智症分級評分或是針對所測量的潛在特質的評分值。
第13圖顯示適應性神經心理測試之進一步實施方式的流程圖。第12圖之流程圖與第13圖之流程圖的一差別在於，第13圖中測試是針對N個潛在特質/維度進行的。
因此，在步驟101中測試開始之後，針對各維度直接地選擇或由測試預先決定一N維權重偏好。在一些例子中，該權重偏好可為二元加權，即0表示不測量該潛在特質，而1表示將測量該潛在特質。替代地，權重偏好可表示出施測者對於應當測量之潛在特質的偏好。例如，針對失智症的權重偏好為0.5而針對認知為1可以指示出該測試的施測者需要針對認知潛在特質的評分值，且（若可能的話）想要針對失智症潛在特質的評分值。經由鏈結212，將N維加權發送至一模組210（討論如下）。
在選擇了N維權重偏好之後，測試開始在步驟203中，其中施測一或更多個種子題目。隨後，在步驟204中，計算N維評分。為了計算N維評分，操作一每項目N維值查找功能213，該功能與存儲211互動。存儲211包含N維題目能力/難度值。
已針對該N個維度之各者計算一初始值之後，測試（在步驟205中）利用這些值選擇1或更多個題目。在此，該測試運用被用來查找每個題目N維數值的相同功能213，但由模組210基於先前設定的N維加權來修改或引導該選擇。例如，若針對失智症設定了為0的權重偏好，則沒有關於失智症潛在特質的題目會被選擇。
一旦已選擇了題目，該等題目在步驟206中被施測且答案被記錄。對這些題目的答案被使用在步驟207中更新該等N維評分。此更新步驟也利用功能213來擷取N維題目能力/難度值。
在已更新評分之後，測試決定（見決策方塊208）是否已符合測試標準。測試完成標準可以是（例如）一最小信賴值。替代地，測試完成標準可以由測試的施測者手動地觸發，或者可以在已經施測了一預先決定的題目個數之後自動地觸發。
若尚未符合測試完成標準，測試回到步驟205並進入該適應式測試循環。
若已符合該測試完成標準，測試移至步驟209，在其中測試結束並提供N維評分和信賴值。 受試者評分的計算
在給定一受試者對經施測題目的答案下要計算該受試者的評分、以及相應的信賴區間，利用了一最大可能性估計式。具有一給定評分的一受試者的可能性估計值經計算，且選擇了具有最大可能性的該受試者能力評分。一題目的可能性估計值（r ）經計算成
Figure 02_image094
若該受試者答案不正確則為
Figure 02_image096
其中q 及e 兩者都是關聯於一給定題目之難度的變量，而x 是受試者的能力。於各受試者能力x的可能性經計算成
Figure 02_image098
並在針對各x所回答的全部題目上加總。具有最高
Figure 02_image100
的受試者能力x是該受試者能力的最大可能性估計值。信賴區間的計算是基於該受試者評分之最大可能性估計值的1標準差，其對應於68%的信賴區間。68%卡方檢定具有0.9889之臨界值且2×log可能性在數學上類似於卡方檢定。因此，信賴區間是基於
Figure 02_image102
的。按照此
Figure 02_image100
範圍的x的範圍是信賴區間。
以上方法能同時地應用至多個維度，以計算在多個潛在特質上的受試者能力評分。此種計算法能利用應用至特定特質
Figure 02_image104
及
Figure 02_image106
的同一方法完成，其中d是將測量的潛在特質/維度，而相應地受試者能力
Figure 02_image108
特定於將測量的該潛在特質/維度。 下一題目的計算
為了選擇將施測的最適合受試者之能力範圍的下一題目，於一給定能力評分x的各題目的資訊內容
Figure 02_image110
經計算成
Figure 02_image112
一迭代式程序接著開始以挑選下一個或多個題目。此之達成是藉由計算所提議下一題的當前集合。該下一題之集合的資訊內容的計算是藉由在所提議之下一題集合中的全部題目上加總針對一相關範圍內之各患者能力的資訊內容
Figure 02_image110
（每一迭代加上一個）。此相關範圍是計算成下信賴區間–2（
Figure 02_image114
）與上信賴區間+2（
Figure 02_image116
）之間。
Figure 02_image118
其中n是所提議之下一題集合中的題目個數。
接著針對所提議的下一題集合的各可能合格題目計算資訊內容。此之完成是藉由將全部相關受試者能力x上針對各題目的資訊內容加總，並藉由當前所提議的下一題集合於各個x的資訊內容來加權
Figure 02_image120
具有最高資訊內容
Figure 02_image122
題目則被加入所提議之下一題集合，且該方法的迭代程序再次開始。該程序持續直到已經選擇一最大所設定個數的下一題目（例如n=1，或n=5）、合格題目的清單是空的、或者任何題目的最高資訊內容為0。
如先前所述，該方法能以相同方式應用至多個潛在特質，藉由利用題目評分
Figure 02_image104
和
Figure 02_image106
，以及特定於該潛在特質的受試者能力評分
Figure 02_image108
。 可用範例
一受試者以以下方式回答範例種子題目（其中題目為易於使用而經編碼）： 'deps_thoughts_slowed':'Y'、'dob_year_correct':'Y'、'age_correct':'Y'、'mem_pm_prev':'N'、'mmse_year':'N'、'deps_sad':'N'、'dob_date_correct':'Y', 'mmse_month':'Y'、'deps_diff_concentrate':'N'、'mem_pm':'Y'、'mmse_season':'Y'、'mmse_date':'N'、'mmse_city':'Y'、'mmse_building':'Y'、'deps_diff_decisions':'N'、'deps_prefer_alone':'N'、'dob_month_correct':'Y'、'mmse_dayweek':'Y'、'deps_lost_energy':'N'、'forget_start_date':'24'、'deps_more_tense':'N'、'forget_where_more':'Y'、'prax_coin': 'Small'。 評分 = 17.1, 信賴區間 = [14.7,19.9]
接下來的題目：‘serial_sevens’、 ‘mmse_recall3’、 ’mmse_world’、 ‘abs_apple_banana’、 ‘prax_clock_num’。
儘管已連同上述例示性實施例來說明本發明，但本領域之技藝人士在已知此揭示案下可顯見許多等效的修改及變化。因此，以上闡述的本發明之例示性實施例被認為是例示性的而非限制性的。可在不背離本發明之精神及範疇下對已說明實施例做出各種改變。
101,102,103,104,105,106,107,108:步驟 109:存儲 110:項目值查找功能 201,202,203,204,205,206,207,209:步驟 208:決策方塊 210:模組 211:存儲 212:鏈結 213:項目值查找功能
現將參看隨附圖式藉由範例來說明本發明的實施例，在該些圖式中：
第1圖是示範了習知的神經心理測試被認為是單一實體、但無可避免地由個別題目（或項目）所組成的圖，能獨立於習知的測試制度來詢問該些題目或項目以產生有關一受試者之能力的資訊；
第2圖是示範了組成一標準神經心理測試之個別項目的各者具有相異難度的圖；
第3圖的圖表描繪了跨於受試者衰退過程的疾病表徵及進程並不一致，有些是功能上受損，其他人是在受試者軌跡符合更嚴重的疾病階段之前的認知受損；
第4圖的圖表顯示分別關於認知及失智症潛在特質之項目難度評分β及γ，其針對來自26次迭代之期望最大化演算法（如下討論）的MMSE、ADAS-cog、ADL、NPI、及MADRS測試的項目；
第5圖的圖表顯示分別關於失智症及憂鬱症潛在特質之項目難度評分γ及δ，其針對來自26次迭代之期望最大化演算法（如下討論）的MMSE、ADAS-cog、ADL、NPI、及MADRS測試的項目；
第6圖的圖表顯示分別關於認知及失智症潛在特質之項目難度評分β及γ，其針對來自期望最大化演算法（如下討論）收斂時的MMSE、ADAS-cog、ADL、NPI、及MADRS測試的項目；
第7圖的圖表顯示分別關於失智症及憂鬱症潛在特質之項目難度評分γ及δ，其針對來自期望最大化演算法（如下討論）收斂時的MMSE、ADAS-cog、ADL、NPI、及MADRS測試的項目；
第8圖的圖表顯示分別關於認知及失智症潛在特質之項目難度評分β及γ，其針對來自期望最大化演算法（如下討論）收斂時的MMSE、ADAS-cog、ADL、NPI、及MADRS測試的項目，利用縮減的種子題目集合來估計初始條件（完整題目集合的6.8%）；
第9圖的圖表顯示針對來自收斂時的MMSE、ADAS-cog、ADL、NPI、及MADRS測試的項目，用於認知潛在特質之項目難度評分β與正確回應題目的受試者之比例的比較；
第10圖的圖表顯示針對來自收斂時的MMSE、ADAS-cog、ADL、NPI、及MADRS測試的項目，用於失智症潛在特質之項目難度評分γ與正確回應題目的受試者之比例的比較；
第11圖的圖表顯示針對來自收斂時的MMSE、ADAS-cog、ADL、NPI、及MADRS測試的項目，用於憂鬱症潛在特質之項目難度評分δ與正確回應題目的受試者之比例的比較；
第12圖顯示適應性神經心理測試之一實施方式的流程圖；及
第13圖顯示適應性神經心理測試之進一步實施方式的流程圖。
101,102,103,104,105,106,107,108:步驟
109:存儲
110:項目值查找功能

Claims (29)

  1. 一種適應性地測試一受試者的神經狀態的方法，該方法包含下列步驟： 施測（administer）一或更多個種子題目； 獲得對該一或更多個種子題目的一或更多個答案； 從對該一或更多個種子題目的該等答案，計算一潛在受試者特質的一評分值； 該方法包含一適應式測試循環，包含： (a) 基於該評分值，從一題庫選擇一或更多個進一步的題目； (b) 對該受試者施測該一或更多個進一步題目； (c) 基於對該一或更多個進一步題目的答案來更新該評分值；及 (d) 決定是否已符合一測試完成標準； 其中該方法依序重複步驟(a)至(d)直到已符合該測試完成標準，並基於該評分值提供該測試的一輸出，該輸出指示出該受試者的神經狀態。
  2. 如請求項1的方法，其中該評分值是一潛在特質能力評分。
  3. 如請求項1或請求項2的方法，其中該等進一步的題目之各者具有一關聯難度評等及對該一或更多個潛在受試者特質中至少一者的相關性的一指示。
  4. 如請求項3的方法，其中對該一或更多個進一步的題目的選擇進一步基於該關聯難度評等與對一或更多個潛在受試者特質之相關性的該指示中的一或兩者。
  5. 如前述任一請求項的方法，其中該方法從對該一或更多個種子題目的該等答案計算用於複數個潛在受試者特質之各者的一評分值，以及基於該等評分值之至少一者來選擇該等進一步的題目。
  6. 如請求項5的方法，包括一初始步驟，該初始步驟為針對該複數個潛在受試者特質之各者決定一權重值。
  7. 如請求項6的方法，其中選擇一或更多個進一步的題目的步驟乃進一步基於用於該複數個潛在受試者特質之至少一者的該權重值。
  8. 如前述任一請求項的方法，其中該一或更多個潛在受試者特質包括下列之一或更多者：認知特質、失智症 特質、及憂鬱症特質。
  9. 如前述任一請求項的方法，其中用於該潛在受試者特質或各潛在受試者特質的該評分是利用一期望最大化演算法及/或一廣義線性模型來計算的。
  10. 如請求項9的方法，其中該廣義線性模型具有以下形式：
    Figure 03_image001
    其中，
    Figure 03_image027
    是由該受試者於一特定訪談
    Figure 03_image124
    時給予的回應，
    Figure 03_image007
    是題目，
    Figure 03_image011
    是截距，
    Figure 03_image013
    、
    Figure 03_image017
    、及
    Figure 03_image019
    分別是針對關聯於認知特質、失智症特質、及憂鬱症特質的題目的難度評分，而
    Figure 03_image030
    、
    Figure 03_image023
    、及
    Figure 03_image025
    分別是關聯於認知特質、失智症特質、及憂鬱症特質的該受試者能力評分。
  11. 如前述任一請求項的方法，其中該等種子題目及/或該等進一步的題目是選自以下任一或更多者：阿茲海默症評估量表-認知測試、阿茲海默症協作研究–日常生活活動測試、神經精神評估測試、蒙哥馬利-阿斯伯格憂鬱症評分量表測試、及簡易智能檢查測試。
  12. 如前述任一請求項的方法，其中該等種子題目及/或該等進一步的題目被用以計算及更新用於複數個潛在受試者特質中之各者的一評分值。
  13. 如前述任一請求項的方法，其中選擇一或更多個進一步的題目的步驟是進一步基於用於該題目資料庫中之各題目的一資訊內容。
  14. 如請求項12的方法，其中用於該題目資料庫中之各題目的該資訊內容是基於該潛在受試者特質的該評分值針對該受試者所計算的，且選擇了具有最高資訊內容的來自該題目資料庫的一或更多個題目。
  15. 一種適應性地測試一受試者的神經狀態的電腦實施方法，包含下列步驟： 在一顯示器上呈現一或更多個種子題目； 經由一輸入裝置接收對該一或更多個種子題目的答案； 藉由一處理器，從所接收的對該一或更多個種子題目的該等答案，計算一潛在受試者特質的一評分值； 進入一適應式測試循環，其包含下列步驟： (a) 基於該評分值，從一題目資料庫選擇一或更多個進一步的題目； (b) 在該顯示器上呈現該一或更多個進一步的題目； (c) 基於對該一或更多個進一步題目的經接收答案來更新該評分值；及 (d) 決定是否已符合一測試完成標準； 其中該電腦實施方法依序重複步驟(a)至(d)直到已符合該測試完成標準，並基於該評分值提供該測試的一輸出，該輸出指示出該受試者的神經狀態。
  16. 如請求項15的電腦實施方法，其中該評分值是一潛在特質能力評分。
  17. 如請求項15或請求項16的電腦實施方法，其中該等進一步的題目之各者具有一關聯難度評等及對該一或更多個潛在受試者特質中至少一者的相關性的一指示。
  18. 如請求項17的電腦實施方法，其中選擇該一或更多個進一步的題目的步驟進一步基於該關聯難度評等與對一或更多個潛在受試者特質之相關性的該指示中的一或兩者。
  19. 如請求項15～18中任一項的電腦實施方法，包括：藉由該處理器，從對該一或更多個種子題目的該等答案來針對複數個潛在受試者特質中之各者計算一評分值，以及基於該等評分值之至少一者來選擇該等進一步的題目。
  20. 如請求項19的電腦實施方法，包括一初始步驟，該初始步驟為針對該三個潛在受試者特質之各者決定一權重值。
  21. 如請求項20的電腦實施方法，其中選擇一或更多個進一步的題目的步驟乃進一步基於用於該複數個潛在受試者特質之至少一者的該權重值。
  22. 如請求項15～21中任一項的電腦實施方法，其中該一或更多個潛在受試者特質包括下列之一或更多者：認知特質、失智症特質、及憂鬱症特質。
  23. 如請求項15～22中任一項的電腦實施方法，其中用於該潛在受試者特質或各潛在受試者特質的該評分是利用一期望最大化演算法及/或一廣義線性模型來計算的。
  24. 如請求項23的電腦實施方法，其中該廣義線性模型具有以下形式：
    Figure 03_image001
    其中，
    Figure 03_image027
    是由該受試者於一特定訪談
    Figure 03_image005
    時給予的回應，
    Figure 03_image007
    是題目，
    Figure 03_image011
    是截距，
    Figure 03_image013
    、
    Figure 03_image017
    、及
    Figure 03_image019
    分別是針對關聯於認知特質、失智症特質、及憂鬱症特質的題目的難度評分，而
    Figure 03_image030
    、
    Figure 03_image023
    、及
    Figure 03_image025
    分別是關聯於認知特質、失智症特質、及憂鬱症特質的該受試者能力評分。
  25. 如請求項15～24中任一項的電腦實施方法，其中該等種子題目及/或該等進一步的題目是選自以下任一或更多者：阿茲海默症評估量表-認知測試、阿茲海默症協作研究–日常生活活動測試、神經精神評估測試、蒙哥馬利-阿斯伯格憂鬱症評分量表測試、及簡易智能檢查測試。
  26. 如請求項15～25中任一項的電腦實施方法，其中該等種子題目及/或該等進一步的題目被用以計算及更新用於複數個潛在受試者特質中之各者的一評分值。
  27. 如請求項15～26中任一項的電腦實施方法，其中選擇一或更多個進一步的題目的步驟是進一步基於用於該題目資料庫中之各題目的一資訊內容。
  28. 如請求項27的電腦實施方法，其中用於該題目資料庫中之各題目的該資訊內容是基於該潛在受試者特質的該評分值針對該受試者所計算的，且選擇了具有最高資訊內容的來自該題目資料庫的一或更多個題目。
  29. 一種用於實施對一受試者之神經狀態的一適應式測試的裝置，該裝置包含： 一處理器、一記憶體、一顯示器、及一輸入裝置； 其中該記憶體包含處理器可執行指令以進行如請求項15～28中任一項的方法。
TW109112124A 2019-04-10 2020-04-10 適應性神經測試方法 TW202103636A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
MYPI2019001993 2019-04-10
MYPI2019001993 2019-04-10

Publications (1)

Publication Number Publication Date
TW202103636A true TW202103636A (zh) 2021-02-01

Family

ID=70285652

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109112124A TW202103636A (zh) 2019-04-10 2020-04-10 適應性神經測試方法

Country Status (10)

Country Link
US (1) US20220172821A1 (zh)
EP (1) EP3952745A1 (zh)
JP (1) JP2022527112A (zh)
KR (1) KR20210150502A (zh)
CN (1) CN113784664A (zh)
AU (1) AU2020271611A1 (zh)
CA (1) CA3134588A1 (zh)
SG (1) SG11202110487RA (zh)
TW (1) TW202103636A (zh)
WO (1) WO2020207983A1 (zh)

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7431901B2 (en) * 2001-02-02 2008-10-07 The Procter & Gamble Company Apparatus and method for deodorizing confined air spaces which utilize baking soda
US6832069B2 (en) * 2001-04-20 2004-12-14 Educational Testing Service Latent property diagnosing procedure
KR20040047754A (ko) * 2001-06-13 2004-06-05 컴퓨메딕스 리미티드 의식 상태를 모니터링하기 위한 방법 및 장치
AU785226B2 (en) * 2001-09-25 2006-11-16 United States Department Of Veterans Affairs Method and apparatus for diagnosing schizophrenia and schizophrenia subtype
WO2003045252A1 (fr) * 2001-11-28 2003-06-05 Matsushita Electric Industrial Co., Ltd. Appareil d'evaluation de capacite de jugement, robot, procede d'evaluation de capacite de jugement, programme et support
US7347818B2 (en) * 2003-02-24 2008-03-25 Neurotrax Corporation Standardized medical cognitive assessment tool
RU2234858C2 (ru) * 2003-05-15 2004-08-27 Малыгин Владимир Леонидович Способ компьютерной психодиагностики индивидуально-типологических особенностей и состояния личности
JP4387720B2 (ja) * 2003-07-28 2009-12-24 株式会社浜松早期認知症研究所 痴呆検査装置、痴呆検査サーバ、痴呆検査クライアント、および痴呆検査システム
CA2566921A1 (en) * 2004-04-13 2005-10-27 Cambridge University Technical Services Limited Methods for assessing neurocognitive disorders
CA2544324A1 (en) * 2005-06-10 2006-12-10 Unicru, Inc. Employee selection via adaptive assessment
CN103735554B (zh) * 2006-03-29 2018-03-20 维斯塔实验室有限公司 蛋白聚集抑制剂
US20090074677A1 (en) * 2007-01-08 2009-03-19 Duke University Neuroactive steroid compositions and methods of use therefor
SI2167095T1 (sl) * 2007-06-19 2019-09-30 Wista Laboratories Ltd. Fenotiazinske spojine za zdravljenje blage kognitivne motnje
CN101911081A (zh) * 2007-11-05 2010-12-08 维斯塔实验室有限公司 用于临床试验的体系
WO2009103156A1 (en) * 2008-02-20 2009-08-27 Mcmaster University Expert system for determining patient treatment response
US9564058B2 (en) * 2008-05-08 2017-02-07 Nike, Inc. Vision and cognition testing and/or training under stress conditions
JP6187902B2 (ja) * 2012-08-31 2017-08-30 パナソニックＩｐマネジメント株式会社 知的生産性分析装置、プログラム
WO2016077372A1 (en) * 2014-11-12 2016-05-19 Cedars-Sinai Medical Center System for automotive quality of life program
WO2016168316A1 (en) * 2015-04-13 2016-10-20 uBiome, Inc. Method and system for microbiome-derived diagnostics and therapeutics for neurological health issues
JP2018524137A (ja) * 2015-06-15 2018-08-30 メディバイオ リミテッドＭｅｄｉｂｉｏ Ｌｉｍｉｔｅｄ 心理状態を評価するための方法およびシステム
CN105069294B (zh) * 2015-08-07 2018-06-15 北京环度智慧智能技术研究所有限公司 一种用于认知能力值测试的计算和分析方法
JP7001593B2 (ja) * 2015-08-11 2022-01-19 コグノア， インコーポレイテッド 人工知能およびユーザ入力を用いて発達進度を判定するための方法および装置
CN108780663B (zh) * 2015-12-18 2022-12-13 科格诺亚公司 数字个性化医学平台和系统
TWI745321B (zh) * 2016-01-08 2021-11-11 馬來西亞商雲頂圖爾斯診斷中心有限公司 決定網路連結之方法及系統
US20170258390A1 (en) * 2016-02-12 2017-09-14 Newton Howard Early Detection Of Neurodegenerative Disease
US10799186B2 (en) * 2016-02-12 2020-10-13 Newton Howard Detection of disease conditions and comorbidities
CN115500818A (zh) * 2016-03-18 2022-12-23 哈佛大学校长及研究员协会 分析对象的运动以将其分成亚秒级模块的系统和方法
CN205613036U (zh) * 2016-05-05 2016-10-05 陕西理工学院 一种便携式心理游戏教具
MY201804A (en) * 2016-07-25 2024-03-19 Wista Laboratories Ltd Administration and dosage of diaminophenothiazines
US10244975B2 (en) * 2016-10-17 2019-04-02 Morehouse School Of Medicine Mental health assessment method and kiosk-based system for implementation
CN107320836A (zh) * 2017-05-02 2017-11-07 华南理工大学 基于vr技术的抑郁症辅助治疗虚拟场景系统及其实现方法
CA3076219A1 (en) * 2017-09-27 2019-04-04 Rehabilitation Institute Of Chicago Assessment and management system for rehabilitative conditions and related methods
CN109199410B (zh) * 2018-06-28 2020-08-14 浙江大学 一种基于眼部运动的言语认知评估方法

Also Published As

Publication number Publication date
EP3952745A1 (en) 2022-02-16
JP2022527112A (ja) 2022-05-30
WO2020207983A1 (en) 2020-10-15
CN113784664A (zh) 2021-12-10
US20220172821A1 (en) 2022-06-02
AU2020271611A1 (en) 2021-11-18
KR20210150502A (ko) 2021-12-10
SG11202110487RA (en) 2021-10-28
CA3134588A1 (en) 2020-10-15

Similar Documents

Publication Publication Date Title
Tungpunkom et al. Life skills programmes for chronic mental illnesses
Coxeter et al. Interventions to facilitate shared decision making to address antibiotic use for acute respiratory infections in primary care
JP2019204484A (ja) 対象システムの内部状態を推定する支援システム
Orr Use of a probabilistic neural network to estimate the risk of mortality after cardiac surgery
Alford et al. Beyond liberals and conservatives to political genotypes and phenotypes
EP1244978A1 (en) System and method of decision making
Olatunji et al. Factor structure and psychometric properties of the Injection Phobia Scale–Anxiety.
US20130339041A1 (en) Clinical information system
Stevens et al. Artificial neural network-based performance assessments
Bhalotra et al. Fertility and labor market responses to reductions in mortality
Chou et al. Extracting drug utilization knowledge using self-organizing map and rough set theory
Mani et al. Two-stage machine learning model for guideline development
Mani et al. A study in causal discovery from population-based infant birth and death records.
TW202103636A (zh) 適應性神經測試方法
Frize et al. Integration of outcome estimations with a clinical decision support system: Application in the neonatal intensive care unit (NICU)
Masselman et al. Subjective disgust and facial electromyography responses towards unedited and morphed overweight self‐pictures in women with varying levels of eating disorder symptomatology
Bichindaritz Solving safety implications in a case based decision-support system in medicine
Mukherji et al. Early Detection of Alzheimer’s Disease with Low-Cost Neuropsychological Tests: A Novel Predict-Diagnose Approach Using Recurrent Neural Networks
Bu et al. Causal effect study of high cholesterol on myopia
Morris et al. On predictability of individual functional connectivity networks from clinical characteristics
Hasman My Journey Through the Field of Medical Informatics
Kour et al. An Advance Approach for Diabetes Detection by Implementing Machine Learning Algorithms
Chandna et al. Pattern recognition of vertical strabismus using an artificial neural network (StrabNet©)
Deepa et al. Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle
Ghosh et al. Markov logic networks in health informatics