目的探讨光照疗法对阿尔茨海默病患者认知功能的影响,旨在为改善阿尔茨海默病患者的认知功能提供参考。方法计算机检索PubMed、Cochrane Library、Web of Science、Embase、中国知网、万方数据知识服务平台、维普网、中国生物医学文献...目的探讨光照疗法对阿尔茨海默病患者认知功能的影响,旨在为改善阿尔茨海默病患者的认知功能提供参考。方法计算机检索PubMed、Cochrane Library、Web of Science、Embase、中国知网、万方数据知识服务平台、维普网、中国生物医学文献数据库中关于光照疗法对阿尔茨海默病患者认知功能影响的研究,经2名研究员按照纳入及排除标准独立筛选文献、评价文献质量、提取资料,使用RevMan5.4软件进行数据分析。结果最终纳入10篇随机对照试验进行定量分析。结果显示,光照疗法可提升阿尔茨海默病患者简易精神状态量表和蒙特利尔认知评估量表评分(均P<0.05),但阿尔茨海默病评估量表-认知分量表评分干预前后无显著差异。亚组分析结果显示,每次干预时间<30 min,每周干预时长<2 h,光谱范围为近红外光的光照治疗可改善阿尔茨海默病患者认知水平(均P<0.05)。结论光照疗法可以改善阿尔茨海默病患者的认知功能,尤以较短时间近红外光的光照改善显著,但光照强度及频率仍有待确定。展开更多
目的利用自适应合成抽样(adaptive synthetic sampling,ADASYN)与类别逆比例加权法处理类别不平衡数据,结合分类器构建模型对阿尔茨海默病(alzheimer′s disease,AD)患者疾病进程进行分类预测。方法数据源自阿尔茨海默病神经影像学计划(...目的利用自适应合成抽样(adaptive synthetic sampling,ADASYN)与类别逆比例加权法处理类别不平衡数据,结合分类器构建模型对阿尔茨海默病(alzheimer′s disease,AD)患者疾病进程进行分类预测。方法数据源自阿尔茨海默病神经影像学计划(Alzheimer′s disease neuroimaging initiative,ADNI),经随机森林填补缺失值,弹性网络筛选特征子集后,利用ADASYN与类别逆比例加权法处理类别不平衡数据。分别结合随机森林(random forest,RF)、支持向量机(support vector machine,SVM)构建四种模型:ADASYN-RF、ADASYN-SVM、加权随机森林(weighted random forest,WRF)、加权支持向量机(weighted support vector machine,WSVM),与RF、SVM比较分类性能。模型评价指标为宏观平均精确率(macro-average of precision,macro-P)、宏观平均召回率(macro-average of recall,macro-R)、宏观平均F1值(macro-average of F1-score,macro-F1)、准确率(accuracy,ACC)、Kappa值和AUC(area under the ROC curve)。结果ADASYN-RF的分类性能最优(Kappa值为0.938,AUC为0.980),ADASYN-SVM次之。利用ADASYN-RF预测得到的重要分类特征分别为CDRSB、LDELTOTAL、MMSE,在临床上均可得到证实。结论ADASYN与类别逆比例加权法都能辅助提升分类器性能,但ADASYN算法更优。展开更多
文摘目的利用自适应合成抽样(adaptive synthetic sampling,ADASYN)与类别逆比例加权法处理类别不平衡数据,结合分类器构建模型对阿尔茨海默病(alzheimer′s disease,AD)患者疾病进程进行分类预测。方法数据源自阿尔茨海默病神经影像学计划(Alzheimer′s disease neuroimaging initiative,ADNI),经随机森林填补缺失值,弹性网络筛选特征子集后,利用ADASYN与类别逆比例加权法处理类别不平衡数据。分别结合随机森林(random forest,RF)、支持向量机(support vector machine,SVM)构建四种模型:ADASYN-RF、ADASYN-SVM、加权随机森林(weighted random forest,WRF)、加权支持向量机(weighted support vector machine,WSVM),与RF、SVM比较分类性能。模型评价指标为宏观平均精确率(macro-average of precision,macro-P)、宏观平均召回率(macro-average of recall,macro-R)、宏观平均F1值(macro-average of F1-score,macro-F1)、准确率(accuracy,ACC)、Kappa值和AUC(area under the ROC curve)。结果ADASYN-RF的分类性能最优(Kappa值为0.938,AUC为0.980),ADASYN-SVM次之。利用ADASYN-RF预测得到的重要分类特征分别为CDRSB、LDELTOTAL、MMSE,在临床上均可得到证实。结论ADASYN与类别逆比例加权法都能辅助提升分类器性能,但ADASYN算法更优。
