Рисунок часов: D1 87 d0 b0 d1 81 d1 8b d1 80 d0 b8 d1 81 d1 83 d0 bd d0 be d0 ba: стоковые векторные изображения, иллюстрации

CDT полезен в качестве быстрого скринингового когнитивного теста на деменцию, но, как правило, менее полезен для выявления легких когнитивных нарушений. Он проверяет несколько областей познания, включая исполнительную функцию, внимание, языковые навыки, функцию лобных долей и зрительно-пространственные навыки. Чтобы успешно рисовать часы, человек должен уметь понимать словесные инструкции, кодировать инструкции в кратковременной памяти и использовать визуальные конструктивные навыки для рисования часов.

Нейроанатомические области, участвующие в успешном выполнении CDT, включают как корковые, так и подкорковые структуры. Считается, что в корковые структуры вовлечены дорсолатеральная префронтальная кора, лобная и теменная доли. Также вовлекаются подкорковые области, включая таламус, хвостатое и мозолистое тело.

В CDT людей просят нарисовать часы после получения инструкций, как правило:

«Нарисуйте часы, введите все числа на часах и установите время на 10 после 11 [примечание: конкретное время может варьироваться]»

Инжир.1

На рисунке часов можно увидеть различные недостатки, которые могут указывать на различные типы дисфункции. Во всех нижеприведенных примерах недостатков рисования часов инструкции предназначены для человека рисовать стрелки часов на отметке «10 минут минутного» (то есть — «11:10», с часовой стрелкой под номером «11» и минутной стрелкой. в «2»

Обычные инструкции для человека — установить стрелки часов на «10 минут после 11» или «10 минут после 11» (т. е. «11:10»). Если человек вместо этого устанавливает руки на 10 и 11 (т.е. «10:55»), это указывает на то, что человек демонстрирует поведение, связанное со стимулом. Здесь человек не может перекодировать цифру «10» в «10 минут 11 минут» на цифру «2» в качестве минутной стрелки на часах. Это называется стимул, связанный ответ, потому что человека привлекают инструкции экзаменатора, а не более сложный и подходящий ответ перекодирования предоставленных ему инструкций. Связанное со стимулом поведение обычно наблюдается при болезни Альцгеймера и является маркером дефицита управляющих функций.

Рис. 2

Персеверация и притяжение к стимулу

В персеверации люди будут продолжать деятельность, несмотря на отсутствие соответствующего постоянного стимула. Например, люди могут продолжать добавлять числа на часах после числа «12» или рисовать более двух стрелок на часах. Подобно ответам, связанным со стимулами, эти результаты обычно наблюдаются при деменции, особенно при болезни Альцгеймера. ^{Другой тип персеверации — это стимул притяжения, когда человек забывает вернуть свою часовую стрелку обратно в центр часов перед тем, как начать новую минутную стрелку.}

Рис. 3

Рис. 4

Безнадзорность и пространственный дефицит

У людей с пространственным дефицитом может наблюдаться скопление цифр и / или очевидные нарушения в расположении часов. Обычный яркий пример — это когда на чертеже часов все числа находятся на одной половине часов, но нет на другой половине. В этом случае тест рисования часов можно использовать для выявления пренебрежения, но он не является диагностическим. ^{Пренебрежение обычно наблюдается у людей, перенесших инсульт.}

В примере (рисунок ##), показывающем геминеглект, отсутствие цифр слева (то есть — левый геминеглект) предполагает наличие правого и париетального кортикального поражения. В этом случае пациенту будет полезно пройти комплексное неврологическое обследование.

Рис. 4

У людей с концептуальным дефицитом у них будет потеря или нарушение способности восстанавливать знания об особенностях и / или значении часов. Например, они могут нарисовать что-то, что не похоже на часы, или нарисовать часовую и минутную стрелки таким образом, чтобы на самом деле они не отображали время.Считается, что концептуальные недостатки связаны с нарушениями семантической памяти (то есть боковых височных долей).

Рис. 6

Оценка и интерпретация

Не существует стандартизированных норм или системы баллов для оценки CDT. В литературе используются различные системы, но ни одна из них не демонстрирует превосходную достоверность или прогностическую ценность. Помимо любого существующего нейрокогнитивного расстройства, возраст, уровень образования и психические расстройства (например,- депрессия) также может повлиять на рисунок часов. Следует учитывать следующие основные аспекты рисунка часов:

1. Есть ли правильный интервал с четными пробелами между числами?

2. Правильно ли расположены 3, 6, 9 и 12?

3. Правильно ли расположены стрелки часов (часовая и минутная)?

Дополнительная литература по интерпретации и пониманию рисунка часов

исследователей оценивают полезность когнитивного теста на рисование часов у пациентов с высоким кровяным давлением

Пациенты с высоким кровяным давлением с нарушенной когнитивной функцией подвергаются повышенному риску развития деменции в течение пяти лет.Несмотря на эту известную связь, когнитивные функции обычно не измеряются у пациентов с высоким кровяным давлением.

«Возможность рисовать числа на часах и конкретное время — простой способ узнать, есть ли у пациента с высоким кровяным давлением когнитивные нарушения», — сказал автор исследования доктор Аугусто Викарио из отделения сердца и мозга Института сердечно-сосудистой системы. Буэнос-Айреса, Аргентина. «Выявление этих пациентов дает возможность вмешаться до того, как разовьется деменция».

В исследовании «Сердце-мозг» в Аргентине оценивалась полезность теста рисования часов по сравнению с кратким экзаменом психического состояния (MMSE) для выявления когнитивных нарушений у 1414 взрослых с высоким кровяным давлением, набранных из 18 кардиологических центров Аргентины. Среднее артериальное давление составляло 144/84 мм рт. Ст., Средний возраст составлял 60 лет, 62% составляли женщины.

Для теста рисования часов пациентам давали лист бумаги с кругом диаметром 10 см на нем. Их попросили написать числа на часах в правильном месте внутри круга, а затем нарисовать стрелки на часах, показывающие время «с двадцати до четырех». Пациенты оценивались как имеющие нормальные, умеренные или тяжелые когнитивные нарушения (см. Рисунок 1). MMSE состоит из 11 вопросов и дает 30 баллов, указывающих на отсутствие (24–30), легких (18–23) или тяжелых (0–17) когнитивных нарушений.

Исследователи обнаружили более высокую распространенность когнитивных нарушений с помощью теста рисования часов (36%) по сравнению с MMSE (21%). У трех из десяти пациентов с нормальным результатом по шкале MMSE результат рисования часов был ненормальным. Разница в результатах между двумя тестами была наибольшей у пациентов среднего возраста (см. Рисунок 2).

Доктор Викарио сказал: «При отсутствии лечения высокое кровяное давление бесшумно и постепенно повреждает артерии подкорки головного мозга и прекращает связь между подкоркой и лобной долей.Это разъединение приводит к нарушению «исполнительных функций», таких как планирование, зрительно-пространственные способности, запоминание деталей и принятие решений. Известно, что тест рисования часов предназначен для оценки исполнительных функций. MMSE оценивает несколько других когнитивных способностей, но слабо коррелирует с исполнительными функциями ».

Он продолжил: «Наше исследование показывает, что тест рисования часов должен быть предпочтительнее MMSE для раннего выявления исполнительной дисфункции у пациентов с высоким кровяным давлением, особенно в среднем возрасте.Мы думаем, что результат теста на рисование часов можно рассматривать как суррогатную меру скрытого повреждения сосудов в головном мозге и выявляет пациентов с повышенным риском развития деменции. В нашем исследовании более одной трети пациентов подвергались риску ».

Доктор Викарио заключил: «Тест рисования часов следует использовать в качестве стандартного инструмента скрининга когнитивных нарушений у пациентов с высоким кровяным давлением. Необходимы дальнейшие исследования, чтобы определить, может ли снижение артериального давления предотвратить прогрессирование деменции.”

Эта статья была переиздана по материалам, предоставленным Европейским обществом кардиологов. Примечание: материал мог быть отредактирован по объему и содержанию. Для получения дополнительной информации, пожалуйста, свяжитесь с цитируемым источником.

Ссылка:

Реферат «Полезность теста рисования часов в качестве когнитивного скрининга у пациентов с артериальной гипертензией» был представлен на конференции Европейского общества кардиологов 2018 г.

Автоматический скрининг и оценка деменции путем применения глубокого обучения в тестах на рисование часов

Глубокие нейронные сети и трансферное обучение

Глубинные нейронные сети — это архитектуры DL, состоящие из нескольких уровней между входом и выходом ³⁷ . Слои состоят из множества нейронов, связанных друг с другом, соединениям которых присвоены числовые веса. В то время как нижние слои содержат низкоразмерные элементы (например, края / интенсивности), верхние слои в основном хранят высокоразмерную, специфичную для класса информацию ³⁸ . Во время обучения входные данные (здесь: изображения) передаются в сеть и рассчитываются выходные данные (здесь: «Оценка от 1 до 6» или «Неудача / Успешно»). Чтобы повысить точность классификаторов и минимизировать определенные потери, веса обновляются с использованием обратного распространения ошибки.

Обычно эти глубокие нейронные сети довольно «требовательны к данным», что означает, что для получения точных результатов необходимо использовать множество обучающих примеров (несколько тысяч или больше), что также требует большого времени на обучение. Чтобы компенсировать эти недостающие данные и сократить время обучения, можно использовать трансферное обучение ^16,39,40 . Трансферное обучение использует знания, полученные из аналогичных задач, где доступно много помеченных данных, и направлено на сокращение объема обучающих данных, необходимых для решения задачи целевой классификации. Конкретные модели предварительно обучаются, а затем модифицируются для соответствия определенным вариантам использования. Обычно используются преимущественно нижние предварительно обученные слои, тогда как верхние слои, содержащие информацию, относящуюся к метке, отбрасываются. Эта стратегия очень эффективна для небольших наборов целевых данных, таких как данный случай ⁴¹ .

Мы выбрали три предварительно обученных модели для наших экспериментов: VGG16, ResNet-152 и DenseNet-121 ^28,29,30 . В своих исходных версиях все три сетевые архитектуры были построены для классификации 1000 категорий изображений (классов ImageNet), обученных на входах \ (1 \, {\ rm миллион} \), достигая высочайшего уровня производительности.Чтобы адаптировать эти предварительно обученные модели к конкретному целевому случаю, мы решили изменить слой классификации, чтобы адаптировать его к нашему варианту использования, и описать эти адаптации в следующих разделах.

Нейронная сеть VGG16, показанная на рис. 2а, имеет довольно маленькие размеры ядра свертки \ (3 \ times 3 \). Таким образом, комбинация нескольких ядер меньшего размера имитирует более крупные рецептивные поля. Кроме того, VGG16 имеет 16 слоев с максимальным объединением между некоторыми из них (шаг: 2, размер: 2) ²⁸ . На рис.2b, ResNet-152 с его 152 уровнями известен наличием остаточных блоков вместо вычисления совершенно новых представлений, как это делает VGG16. Он также итеративно уточняет свои входные представления и позволяет удалять соединения (пропускать соединения) для решения проблемы исчезающего / увеличивающегося градиента ²⁹ . Напротив, архитектура DenseNet-121, показанная на рис. 2c, пытается обеспечить максимальный поток информации, соединяя каждый уровень напрямую друг с другом и, таким образом, повторно использовать функции.Это значительно уменьшает пространство параметров по сравнению с глубокими сетями, такими как ResNet-152. Кроме того, для всех сетей сверточный блок показан фиолетовым прямоугольником на рис. 2, остаточный блок для ResNet-152 — зеленоватым, а плотный блок для DenseNet-121 — оранжевым.

Выбор данных на основе обучения в коллекторе

Обычно для обучения модели весь набор данных случайным образом разделялся на обучающий набор и тестовый набор с коэффициентом разделения (например, 80%: 20%).Для лучшего обобщения и во избежание чрезмерной подгонки мы создали набор проверки для обучения (20% случайно выбранных обучающих изображений). В общей сложности 1315 изображений были разделены на 842 обучающих, 210 проверочных и 263 тестовых изображения. Однако случайный выбор данных не может гарантировать, что классификатор изучает каждый предоставленный тип данных. Смещение, вызванное случайным выбором, может, вероятно, привести к концентрации внимания на одном классе над другим, особенно для небольшого набора данных. В качестве практического примера алгоритм может переоценить изображения для «Пройдено» по сравнению с «Неудачно».Позже, при проверке, может случиться так, что большая часть изображений «Пройден» находится в тестовом наборе. В результате классификатор, скорее всего, неправильно классифицирует эти изображения, поскольку он не изучил многие функции и примеры из них. Чтобы противостоять этому, необходимо определить соответствующее распределение классов в наборах для обучения, проверки и тестирования. Чтобы учесть все эти соображения, мы использовали метод, предложенный Chen et al. в ⁴² . Сначала использовались алгоритмы уменьшения размерности ⁴³ , чтобы увидеть распределение всех данных.Затем методы кластеризации помогают найти похожие данные. Впоследствии был выполнен случайный выбор с предыдущим коэффициентом разделения внутри кластеров. Такой выбор данных, основанный на разнообразном обучении, позволяет избежать вышеупомянутой предвзятости в отношении одного определенного типа данных. Кроме того, это гарантирует, что нейронные сети могут изучать все возможные случаи во время обучения и, следовательно, хорошо обобщать. Мы использовали набор инструментов Matlab для уменьшения размерности ⁴⁴ для выбора данных на основе множественного обучения.

Скрининг деменции

Выбор данных и адаптированная сетевая архитектура

Изображения были разделены на два основных класса — «прошел» (591 изображение) или «не прошел» (724 изображения), как показано в таблице 1. Любой тест, который достигнутая оценка «1» или «2» была помечена как «Пройдено», тогда как тесты с более высокими баллами считались помеченными как «Неудача».

Для адаптации всех трех предварительно обученных архитектур моделей — VGG16, ResNet-152 и DenseNet-121 — к нашей проблеме двоичного класса, последний уровень (т.е.е., классификационный уровень) каждой архитектуры был заменен выходным уровнем с категоризацией на 2 класса вместо 1000 (желтые прямоугольники на рис. 2). Для VGG16, показанного на рис. 2a, мы добавили еще два полносвязных (FC) к исходным двум уровням FC, а затем уровень FC-softmax, предсказывающий эти два класса. Уровни классификации ResNet-152 и DenseNet-121, показанные на рис. 2b и 2c, были адаптированы только для количества классов.

Функция потерь

Во всех наших экспериментах использовалась функция потерь кросс-энтропии (CE), также известная как log loss .{C} y_ {o, c} \, \ log (p_ {o, c}). \ end {align} $$

(1)

C обозначает количество классов, c итератор классов, y истинное указание класса c для наблюдения o и p прогнозируемый балл класса. Потеря CE измеряет эффективность модели классификации, где выходом классификатора является вероятность от 0 до 1 ⁴⁵ . Он увеличивается, когда прогнозируемая вероятность p отклоняется от фактической метки y .{2} y_ {o, c} \, \ log (p_ {o, c}) = — \ left (y_ {o, 1} \, \ log (p_ {o, 1}) + (1-y_ { o, 1}) \, \ log (1-p_ {o, 1}) \ right) \ end {align} $$

(2)

Алгоритмы оптимизации

Алгоритмы оптимизации используются для минимизации / максимизации функции потерь модели. В этой работе используются следующие алгоритмы оптимизации: оценка адаптивного момента (Adam), стохастический градиентный спуск (SGD) и среднеквадратичная вероятность (RMSprop) ^46,47,48 . Алгоритм SGD обновляет переменные модели, вычисляя градиент функции потерь по выборке вместо использования полного обучающего набора.Следовательно, SGD считается более быстрым, чем другие алгоритмы оптимизации, но также может вызывать нестабильную функцию потерь в процессе обновления ⁴⁷ . Алгоритм оптимизации Адама просто вычисляет производные первого порядка с преимуществом меньшего потребления памяти. Адам сохраняет предыдущие возведенные в квадрат производные первого порядка, а также прошлые производные первого порядка функции потерь, и как первые производные, так и их квадраты обычно убывают экспоненциально во время обучения ⁴⁶ .RMSprop — это хорошо известный в мире DL алгоритм оптимизации, который официально не опубликован, но впервые упоминается в лекции ⁴⁸ . Он в основном адаптирует скорость обучения путем деления экспоненциально убывающего среднего квадрата градиентов. Мы настроили значения скорости обучения в диапазоне от 0,0001 до 0,1, а значение импульса SGD было установлено на 0,9.

Планировщик скорости обучения. При использовании SGD мы обычно должны предоставить гиперпараметр, называемый скоростью обучения (LR), который является положительным числом, и мы должны много экспериментировать, чтобы найти правильное значение LR, которое дает нейронной сети максимальную производительность. .Использование большого LR приводит к отклонениям в обучении и иногда пропускает минимум функции потерь. Напротив, небольшой LR заставляет тренировку очень медленно приближаться к потере. Чтобы противостоять этому, обычно предлагается так называемый планировщик скорости обучения (LRS) для решения проблемы выбора правильного значения. LRS используется для постепенного изменения скорости обучения в процессе обучения, чтобы преодолеть вышеупомянутые проблемы.

В этой работе мы обнаружили, что использование переменной скорости обучения дает лучшие результаты по сравнению с фиксированной скоростью обучения во время обучения.Мы использовали пошаговый планировщик скорости обучения (StepLR), предлагаемый PyTorch, с размером шага 7. Этот вид планировщика скорости обучения будет уменьшать скорость обучения по сравнению с ее начальным значением каждые 7 эпох на коэффициент \ (\ mathrm {gamma} = 0,1 \). Этот шаг заставляет скорость обучения медленно снижаться до минимума функции потерь.

Экспериментальная установка

Все три модели были обучены в обучающей базе данных изображений CDT. Для экспериментов мы выбрали случайное распределение изображений внутри поезда, валидации и тестовых наборов и сравнили этот подход с тремя методами уменьшения размерности.Подробно экспериментальные установки показаны в Приложении. В таблице описаны используемые параметры для каждого эксперимента, модифицированные предварительно обученные модели, используемые с соответствующим алгоритмом оптимизации, скорость обучения, планировщик скорости обучения, размер шага, размер пакета и функция потерь. Мы использовали PyTorch (версия 1.0.1.Post2), библиотеку машинного обучения на основе Python с открытым исходным кодом, в Google Colab (облачная среда для ноутбуков на основе Jupyter) для бесплатного использования графического процессора NVIDIA Tesla K80 (в настоящее время доступным графическим процессором является NVIDIA Tesla T4) ⁴⁹ .Трансферное обучение осуществлялось с использованием предварительно обученных моделей ImageNet для всех наших экспериментов. Все модели были обучены методам ранней остановки (на плато функции потерь), чтобы иметь возможность сравнивать результаты и выбирать лучшие. В частности, мы исследовали влияние выбора данных на точность классификации. Мы сравнили анализ главных компонентов (PCA), t-распределенное стохастическое соседнее встраивание (t-SNE) и локальное линейное встраивание (LLE) ^50,51,52 для выбора данных на основе множественного обучения.kNN-кластеризация, выполняемая с \ (k = 3 \). Чтобы проверить надежность нашего метода, была проведена пятикратная перекрестная проверка. Для каждой кратности выбора данных на основе множественного обучения мы случайным образом выбирали данные из каждого кластера с тем же коэффициентом разделения, что и случайный выбор данных.

Подсчет деменции

Выбор данных и адаптированная сетевая архитектура

Для варианта использования подсчета набор данных изображения был разделен на шесть классов оценки, причем «Оценка 1» была точным рисунком часов (т.е., у испытуемого не было обнаруживаемого слабоумия), и «оценка 6» вообще неспособна вести разумные часы (т.е. у испытуемого есть очень запущенный случай деменции).

Чтобы расширить предварительно обученные сети до модели прогнозирования с 6 классами, мы адаптировали уровень классификации. Чтобы оценить шесть вместо двух классов, мы реализовали кодирование одного горячего вектора, указывающего результат одного из шести классов.

Взвешенная функция потерь

Опять же, потеря CE использовалась как функция потерь, однако в этом случае \ (C> 2 \) (i. е., это задача классификации с несколькими метками), поэтому мы рассчитали потери для каждой метки класса для каждого наблюдения отдельно, а затем суммировали результаты в соответствии с уравнением. (1). Еще один момент, который следует учитывать для функции потерь, — это доступные изображения, используемые для проведения экспериментов, в которых классы несбалансированы, и это не предпочтительный случай при использовании методов глубокого обучения. Чтобы противостоять этому, мы интегрировали метод балансировки средней частоты для расчета веса для каждого класса ¹⁸ .Сначала мы ищем (\ (f_ {c} \)): отношение изображений в каждом классе к общему количеству изображений. Затем мы вычисляем медианное значение всех этих значений и, наконец, делим его на каждое \ (f_ {c} \) согласно

$$ \ begin {align} W_ {c} = \ frac {\ text {median} ( f)} {f_ {c}} \ end {align} $$

(3)

Рассчитанные веса затем передаются в функцию потерь CE соответственно.

Экспериментальная установка

Мы использовали экспериментальную установку, аналогичную той, что использовалась в процедуре отбора, включая оптимизатор и планировщик скорости обучения.Алгоритмы оптимизации, которые мы использовали для задачи классификации с несколькими метками, были Adam, SGD и RMSprop. Значения скорости обучения варьировались от 0,0001 до 0,1, а значение импульса SGD составляло 9. Кроме того, оценка деменции оценивалась с помощью стратегии пятикратной перекрестной проверки.

Тест на рисование часов: инструмент когнитивного скрининга

Тест на рисование часов (CDT) стал одним из стандартных инструментов когнитивного скрининга, используемых во всем мире.Как и все когнитивные скрининговые тесты, он предназначен для выявления ранних изменений мозга, чтобы определить, страдает ли человек какой-либо формой деменции. В тесте используется предварительно нарисованный кружок, и он заключается в том, что пациенту предлагается ввести цифры на часах, а затем установить время на «10 минут минутного». Как именно этот тест достиг такой популярности среди клиницистов и почему он так полезен?

Первоначально тест на рисование часов упоминался в ведущем учебнике неврологии как средство специальной оценки функции теменных долей мозга, потому что это место расположения зрительно-пространственных способностей.Однако в 1980-х годах наша группа в Саннибруке (среди прочих) начала использовать тест на рисование часов и оценивать его ценность как более широкого инструмента когнитивного скрининга, сравнимого с широко используемым мини-экзаменом на психическое состояние (MMSE). MMSE — это тест из 30 пунктов, который оценивает ориентацию во времени и месте, внимание, краткосрочную память, вербальные навыки и зрительно-пространственные способности. На введение требуется около 10 минут.

Доступность CDT, более короткое время (2 минуты) и простота администрирования сделали его очень популярным. Рисование часов требует нескольких когнитивных функций (а не только зрительно-пространственных способностей). Это требует: зрительной памяти часов, способности к планированию и концентрации для того, чтобы равномерно расставить числа по кругу часов, абстрактной способности устанавливать время с помощью символа стрелок, указывающих на цифру ‘2’, представляющую 10 минут после час. Последняя задача очень чувствительна к когнитивным нарушениям, поскольку пострадавшие люди часто «тянут» минутную стрелку, чтобы указать на цифру «10», а не «2».

Оказывается, рисование часов очень хорошо коррелирует с MMSE. На введение уходит меньше времени, и это обычно очень хорошо принимается. Он так же чувствителен к когнитивным нарушениям, как и MMSE, и улавливает изменения когнитивных функций с течением времени. Более того, он проверяет лобно-исполнительное функционирование мозга более высокого уровня (способность к планированию и абстрактному мышлению) в отличие от MMSE. Кроме того, визуальное воздействие ненормальных часов часто открывает глаза семьям, которые, возможно, не осознавали всей степени когнитивной дисфункции. Тест часов часто используется в сочетании с MMSE в качестве экранирующей батареи.

Рисование часов, конечно, имеет те же ограничения, что и все скрининговые тесты, включая MMSE. На него влияет уровень образования, и его не следует использовать отдельно для диагностических целей или для оценки тяжести когнитивных нарушений. Однако, как и все хорошие скрининговые тесты, он задействует множество когнитивных функций и может подавать «сигнал», требующий дополнительных исследований или дополнительных исследований.

Важно отметить, что он также устанавливает исходный уровень для будущего мониторинга, чтобы определить, ухудшается ли когнитивное нарушение и, таким образом, повышается вероятность лежащей в основе деменции. Этот тип мониторинга с помощью CDT лучше всего проводить профессионалом в области здравоохранения.

Наконец, часто задаваемый вопрос: «Что будет с поколением детей, выросших с цифровыми часами?» Что ж, для них этот тест действительно может стать устаревшим. Однако у нас есть еще много лет нынешней когорты людей среднего и пожилого возраста, для которых этот тест по-прежнему будет полезен.

Использование теста рисования часов и теста на сложную фигуру Рей – Остеррита — копия со сверточными нейронными сетями для прогнозирования когнитивных нарушений | Alzheimer’s Research & Therapy

11.

Рей А. Психологический экзамен на травмы. (Les проблем.). [Психологическое обследование при травматической энцефолопатии. Проблемы.]. Archives de Psychologie. 1941; 28: 215–85.

Google ученый

18.

Fujii DE, Lloyd HA, Miyamoto K. Важность визуально-пространственных и организационных навыков в воспроизведении комплексной фигуры Рей-Остеррейта у субъектов с высоким и низким IQ. Clin Neuropsychol. 2000. 14 (4): 551–4. https://doi.org/10.1076/clin.14.4.551.7206.

CAS Статья PubMed Google ученый

Тест рисования часов как прогностический фактор снижения когнитивных функций у пациентов с инсультом без деменции.

Результаты этого исследования подтверждают, что когнитивные нарушения влияют на постоянное количество пациентов, страдающих острым цереброваскулярным заболеванием. Прикроватная когнитивная оценка у пациента с острым неврологическим заболеванием является обременительной, если не используются простые и надежные диагностические инструменты.В этом проспективном клиническом исследовании наличие патологического балла по шкале CDT в острой фазе инсульта удваивает риск снижения когнитивных функций при последующем наблюдении у пациентов без деменции в течение 1 года.

Наши результаты согласуются с результатами Champod et al. [9], которые обнаружили, что КДТ, назначенная в острой фазе инсульта, была значительно связана с когнитивным снижением через год после инсульта. Было проверено несколько различных методов оценки CDT, но нет единого мнения о том, какой из них является наиболее точным [22].Две разные системы оценки CDT [11, 23] использовались Champod et al., Но более полная система показала лучшую прогностическую способность для более широкого диапазона результатов (например, Глобальной шкалы ухудшения, mRS, индекса Бартеля и реинтеграции). к индексу нормальной жизни). В отличие от исследования Champod et al., В нашем исследовании представлены результаты клинической практики, в которой снижение когнитивных функций определялось на основе наилучшего клинического суждения, а последующее наблюдение планировалось в зависимости от клинических потребностей каждого пациента.

Авторы предложили сравнить прогностическую способность CDT с другими показателями скрининга в будущих исследованиях. В нашем исследовании только MoCA-B не мог предсказать когнитивное снижение при последующем наблюдении, а комбинированное использование CDT с MoCA-B не обеспечивало лучшей предсказуемости когнитивного снижения при последующем наблюдении, несмотря на то, что MoCA-B исследует другие часто нарушенные когнитивные области после инсульта, такие как внимание, язык, ориентация, расчеты, концептуальное мышление, вербальная память и концентрация.

Несколько исследований изучали полезность MoCA [11] во время острой фазы инсульта для прогнозирования когнитивных результатов [24,25,26,27,28]. Однако в острых условиях инсультных отделений часто бывает трудно оценить пациентов из-за нехватки времени и ресурсов; очень короткий когнитивный скрининговый тест, такой как CDT, можно провести у постели больного во время неврологического обследования менее чем за 5 минут (в отличие от MoCA, который требует не менее 10 минут). Кроме того, CDT может выполняться также с недоминантной рукой, поскольку на ее оценку не влияет несовершенная графика, что позволяет пациентам с доминирующей плегией рукой завершить тест.

Способность выявлять пациентов с риском развития когнитивной дисфункции после инсульта важна для настройки когнитивной реабилитации в дополнение к физической реабилитации, для прогнозирования будущей приверженности лечению и для более точного консультирования лиц, осуществляющих уход, о предполагаемой независимости пациентов после выписки.

Наше исследование не может сказать, является ли CDT инструментом скрининга, который можно использовать и в других группах пациентов, например, в группах высокого риска деменции, или он особенно подходит для пациентов с инсультом.В этой последней группе преимущество заключается в простоте применения и, по нашим результатам, в хорошей прогнозируемости когнитивных результатов.

У нашего исследования есть ограничения. Диагноз доинсультного когнитивного нарушения основывался на шкале CDR, которая присваивалась на основе анамнеза и в основном зависела от надежности интервью с лицом, осуществляющим уход. Более того, только в подгруппе пациентов диагноз снижения когнитивных функций после инсульта был сформулирован после исчерпывающей нейропсихологической оценки; в других случаях диагноз основывался на клинической оценке невролога; Однако следует отметить, что ресурсы для тщательной оценки когнитивных функций каждого пациента, перенесшего инсульт, недоступны во многих центрах по инсульту.