שאלון תפקודי יומיום  (The Daily Living Questionnaire, DLQ) מהווה אחד ממספר האבחונים הקוגניטיביים תפקודיים  הנמצאים בשימוש נרחב במגוון מסגרות רפואיות ושיקומיות. אחד החסרונות של ה DLQ-  הוא אורכו, המהווה מכשול לביצוע סקירה יעילה ונרחבת של הציבור ואשר גורם לאי-דיוקים עקב אורך השאלון ועייפות הנבדקים.

מטרה

מחקר זה מכוון להשתמש בלמידת מכונה (Machine Learning, ML) כדי לשנות ולקצר את ה DLQ- מבלי לפגוע באמינותו ודיוקו.

שיטה

משתתפים רואיינו בשני מחקרים נפרדים שנערכו בארצות הברית ובישראל, ונוצר קובץ מאוחד אחד לצורך ניתוח באמצעות ML. אלגוריתם בדיקה אדפטיבית ממוחשבת מבוססת (ML-CAT) הוחל על מסד הנתונים של ה DLQ- כדי ליצור כלי הערכה אדפטיבי – עם טופס בדיקה מקוצר המותאם לציוני הבדיקה האישיים.

תוצאות

גישת הML-CAT-  הוכיחה יכולת להפחית את מספר הפריטים הנדרשים למילוי  ב-25% בממוצע לכל אדם כאשר מנבאים כל אחד משבעת ציוני הפלט של ה DLQ- באופן בלתי תלוי, ולהפחית ביותר מ-50% כאשר מנבאים את כל שבעת הציונים במקביל באמצעות מודל יחיד. תוצאות אלו שמרו על דיוק של 95% (5% שגיאה) בכל ציוני הנבדקים. המחקר מראה אילו פריטים בDLQ-  הם יותר אינפורמטיביים בחיזוי ציוני הDLQ -.

מסקנות

יישום מודל ה-ML-CAT יכול לשמש לצורך שינוי, דיוק ואפילו קיצור ה-DLQ הנוכחי, ובכך לאפשר סקירה קהילתית רחבה יותר תוך שיפור התועלת הקלינית והמחקרית.