ಫ್ರಂಟ್ ಸೈಕಿಯಾಟ್ರಿ. 2018; 9: 291.
ಪ್ರಕಟಿತ ಆನ್ಲೈನ್ 2018 ಜೂನ್ 29. ನಾನ: 10.3389 / fpsyt.2018.00291
PMCID: PMC6033968
PMID: 30008681
ಚಾಂಗ್-ಹ್ಯುನ್ ಪಾರ್ಕ್,1 ಜಿ-ಗೆದ್ದ ಚುನ್,1 ಹ್ಯುನ್ ಚೋ,1,2 ಮತ್ತು ಡೈ-ಜಿನ್ ಕಿಮ್1,*
ಅಮೂರ್ತ
ಡಯಾಗ್ನೋಸ್ಟಿಕ್ ಮತ್ತು ಸ್ಟ್ಯಾಟಿಸ್ಟಿಕಲ್ ಮ್ಯಾನ್ಯುಯಲ್ ಆಫ್ ಮೆಂಟಲ್ ಡಿಸಾರ್ಡರ್ಸ್ (ಡಿಎಸ್‌ಎಂ-ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್) ನ ಇತ್ತೀಚಿನ ಆವೃತ್ತಿಯಿಂದ ಒಂಬತ್ತು ಆಧಾರವಾಗಿರುವ ಮಾನದಂಡಗಳ ಆಧಾರದ ಮೇಲೆ ಇಂಟರ್ನೆಟ್ ಗೇಮಿಂಗ್ ಡಿಸಾರ್ಡರ್ (ಐಜಿಡಿ) ಅನ್ನು ಹೆಚ್ಚಾಗಿ ಕಂಡುಹಿಡಿಯಲಾಗುತ್ತದೆ. ಇಲ್ಲಿ, ಅಂತಹ ರೋಗಲಕ್ಷಣ ಆಧಾರಿತ ವರ್ಗೀಕರಣವನ್ನು ಗಣನೆ ಆಧಾರಿತ ವರ್ಗೀಕರಣಕ್ಕೆ ಅನುವಾದಿಸಬಹುದೇ ಎಂದು ನಾವು ಪರಿಶೀಲಿಸಿದ್ದೇವೆ. ಸ್ಟ್ರಕ್ಚರಲ್ ಎಂಆರ್ಐ (ಎಸ್‌ಎಂಆರ್‌ಐ) ಮತ್ತು ಪ್ರಸರಣ-ತೂಕದ ಎಂಆರ್ಐ (ಡಿಎಂಆರ್ಐ) ದತ್ತಾಂಶವನ್ನು ಐಜಿಡಿ ರೋಗನಿರ್ಣಯ ಮಾಡಿದ ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್ ಗೇಮರ್‌ಗಳಲ್ಲಿ, ಎಕ್ಸ್‌ಎನ್‌ಯುಎಮ್ಎಕ್ಸ್ ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ ಐಜಿಡಿ ಇಲ್ಲವೆಂದು ನಿರ್ಣಯಿಸಲಾಗಿದೆ, ಮತ್ತು ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್ ಆರೋಗ್ಯಕರ ನಾನ್ ಗೇಮರ್‌ಗಳು. ನಾವು ಎಂಆರ್ಐ ಡೇಟಾದಿಂದ ಗ್ರೇ ಮ್ಯಾಟರ್ (ಜಿಎಂ) ಮತ್ತು ವೈಟ್ ಮ್ಯಾಟರ್ (ಡಬ್ಲ್ಯುಎಂ) ರಚನೆಯ ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ರಚಿಸಿದ್ದೇವೆ. ಗುಂಪುಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸಕ್ಕಾಗಿ ಪ್ರಮುಖವಾದವುಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಲು 5 ನರರೋಗಶಾಸ್ತ್ರದ ವೈಶಿಷ್ಟ್ಯಗಳಿಗೆ ಕ್ರಮಬದ್ಧಗೊಳಿಸಿದ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಅನ್ನು ಅನ್ವಯಿಸಿದಾಗ, ಅಸ್ತವ್ಯಸ್ತಗೊಂಡ ಮತ್ತು ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ ಕ್ರಮವಾಗಿ 38 ಮತ್ತು 68 ವೈಶಿಷ್ಟ್ಯಗಳ ಪ್ರಕಾರ, ಆರೋಗ್ಯಕರ ಅಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ಸಂಬಂಧಿಸಿದಂತೆ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ, ಆದರೆ ಸಾಮಾನ್ಯ ಗೇಮರ್‌ಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ 37 ವೈಶಿಷ್ಟ್ಯಗಳ ಪ್ರಕಾರ ಅಸ್ತವ್ಯಸ್ತವಾಗಿರುವ ಗೇಮರ್‌ಗಳನ್ನು ಪ್ರತಿನಿಧಿಸಲಾಗಿದೆ. ವಿರಳವಾದ ನರರೋಗಶಾಸ್ತ್ರದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ict ಹಿಸುವವರಂತೆ ಬಳಸುವ ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರಗಳಲ್ಲಿ (ಎಸ್‌ವಿಎಂ), ಅಸ್ತವ್ಯಸ್ತಗೊಂಡ ಮತ್ತು ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ ಯಶಸ್ವಿಯಾಗಿ ತಾರತಮ್ಯ ಮಾಡಲಾಯಿತು, ನಿಖರತೆಯು 108% ಗಿಂತ ಹೆಚ್ಚಿನದಾಗಿದೆ, ಆರೋಗ್ಯಕರ ಅಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ, ಆದರೆ ಅಸ್ತವ್ಯಸ್ತಗೊಂಡ ಮತ್ತು ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ ವರ್ಗೀಕರಣವು ತುಲನಾತ್ಮಕವಾಗಿ ಸವಾಲಾಗಿತ್ತು. ಈ ಸಂಶೋಧನೆಗಳು ಡಿಎಸ್ಎಮ್-ಎಕ್ಸ್‌ಎನ್‌ಯುಎಮ್‌ಎಕ್ಸ್‌ನ ಮಾನದಂಡಗಳೊಂದಿಗೆ ವರ್ಗೀಕರಿಸಲ್ಪಟ್ಟ ರೋಗಶಾಸ್ತ್ರೀಯ ಮತ್ತು ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ವಿರಳವಾದ ನರರೋಗಶಾಸ್ತ್ರೀಯ ವೈಶಿಷ್ಟ್ಯಗಳಿಂದ ಪ್ರತಿನಿಧಿಸಲ್ಪಡುತ್ತವೆ, ವಿಶೇಷವಾಗಿ ಗೇಮಿಂಗ್ ಅಲ್ಲದ ಆರೋಗ್ಯವಂತ ವ್ಯಕ್ತಿಗಳಿಂದ ತಾರತಮ್ಯದ ಸಂದರ್ಭದಲ್ಲಿ.
ಪರಿಚಯ
ದಶಕಗಳಿಂದ ರೋಗಶಾಸ್ತ್ರೀಯ ಚಟ ಎಂದು ಸೂಚಿಸಲಾಗಿದ್ದರೂ (1), ಇಂಟರ್ನೆಟ್ ಗೇಮಿಂಗ್ ಡಿಸಾರ್ಡರ್ (ಐಜಿಡಿ) ಅನ್ನು ಮಾನಸಿಕ ಅಸ್ವಸ್ಥತೆಗಳ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಕೈಪಿಡಿಯಲ್ಲಿ (ಡಿಎಸ್‌ಎಂ) ಪಟ್ಟಿ ಮಾಡಲಾಗಿದೆ. DSM (DSM-5) ನ ಐದನೇ ಆವೃತ್ತಿ (2) ಐಜಿಡಿಯನ್ನು ಹೆಚ್ಚಿನ ಅಧ್ಯಯನಕ್ಕಾಗಿ ಒಂದು ಸ್ಥಿತಿಯೆಂದು ಗುರುತಿಸಲಾಗಿದೆ ಮತ್ತು ಅದನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಒಂಬತ್ತು ಮಾನದಂಡಗಳನ್ನು ಒದಗಿಸಿದೆ. ಡಿಎಸ್ಎಮ್ - ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್‌ನಲ್ಲಿ ಪ್ರಸ್ತಾಪಿಸಲಾದ ಒಂಬತ್ತು-ಐಟಂ ಐಜಿಡಿ ಸ್ಕೇಲ್ (ಐಜಿಡಿಎಸ್) ಅನ್ನು ಬಳಸುವ ರೋಗಲಕ್ಷಣ-ಆಧಾರಿತ ವರ್ಗೀಕರಣದಲ್ಲಿ, ಐಜಿಡಿ ರೋಗನಿರ್ಣಯಕ್ಕೆ ಐದು ಅಥವಾ ಹೆಚ್ಚಿನ ಮಾನದಂಡಗಳನ್ನು ಅನುಭವಿಸುವ ಮಿತಿಯನ್ನು ಅನ್ವಯಿಸಲಾಗಿದೆ. ಈ ಕಟ್-ಪಾಯಿಂಟ್ ಗಮನಾರ್ಹ ಕ್ಲಿನಿಕಲ್ ದೌರ್ಬಲ್ಯದಿಂದ ಬಳಲುತ್ತಿರುವ ಗೇಮರುಗಳಿಗಾಗಿ ಸಮರ್ಪಕವಾಗಿ ಬೇರ್ಪಡಿಸಬಹುದು (3), ಐಜಿಡಿಎಸ್ ಐಟಂಗಳ ದ್ವಿಗುಣ ಸ್ವರೂಪವು ಅನಿವಾರ್ಯವಾಗಿ ರೋಗನಿರ್ಣಯದ ಅತಿ ಸರಳೀಕರಣ ಅಥವಾ ಅಸ್ಪಷ್ಟತೆಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ.
ರೋಗಲಕ್ಷಣಗಳಲ್ಲದೆ, ವಿವಿಧ ಐಜಿಡಿ-ಸಂಬಂಧಿತ ಅಪಸಾಮಾನ್ಯ ಕ್ರಿಯೆಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಗಮನಿಸಬಹುದು, ಕನಿಷ್ಠ ನರರೋಗಶಾಸ್ತ್ರೀಯ ಬದಲಾವಣೆಗಳಲ್ಲ. ವಾಸ್ತವವಾಗಿ, ಐಜಿಡಿ ಮೆದುಳಿನಲ್ಲಿನ ರಚನಾತ್ಮಕ ಬದಲಾವಣೆಗಳೊಂದಿಗೆ ಸಂಬಂಧಿಸಿದೆ ಎಂದು ಗಣನೀಯ ಪ್ರಮಾಣದ ಕೆಲಸವು ತೋರಿಸಿದೆ: ಬೂದು ದ್ರವ್ಯದ ಕುಗ್ಗುವಿಕೆ (ಜಿಎಂ) ಪರಿಮಾಣ (4-6), ಕಾರ್ಟಿಕಲ್ ದಪ್ಪದಲ್ಲಿ ಕಡಿತ (7), ಮತ್ತು ಬಿಳಿ ದ್ರವ್ಯ (WM) ಸಮಗ್ರತೆಯ ನಷ್ಟ (8, 9) ಅನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರದರ್ಶಿಸಲಾಗಿದೆ. ಐಜಿಡಿಗೆ ಸಂಬಂಧಿಸಿದ ಈ ನರರೋಗಶಾಸ್ತ್ರೀಯ ಬದಲಾವಣೆಗಳು ಐಜಿಡಿಯೊಂದಿಗೆ ವ್ಯಕ್ತಿಗಳನ್ನು ಇತರ ವ್ಯಕ್ತಿಗಳಿಂದ ಪ್ರತ್ಯೇಕಿಸಲು ಅಂತಹ ಮೆದುಳಿನ ಚಿತ್ರಣ ನಿಯತಾಂಕಗಳು ಬಯೋಮಾರ್ಕರ್‌ಗಳಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಅಂದರೆ, ಡಿಎಸ್‌ಎಂ-ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್ ಆಧಾರಿತ ರೋಗಲಕ್ಷಣ-ಆಧಾರಿತ ವರ್ಗೀಕರಣದ ಮೂಲಕ ಬದಲಾಗಿ, ನರರೋಗಶಾಸ್ತ್ರೀಯ ಬಯೋಮಾರ್ಕರ್‌ಗಳ ಕಂಪ್ಯೂಟೇಶನಲ್ ಮ್ಯಾನಿಪ್ಯುಲೇಷನ್ ಮೂಲಕ ಐಜಿಡಿಯ ರೋಗನಿರ್ಣಯವನ್ನು ಮಾಡಬಹುದು. ಈ ಪ್ರಯತ್ನಗಳು ಮನೋವೈದ್ಯಶಾಸ್ತ್ರಕ್ಕೆ ಕಂಪ್ಯೂಟೇಶನಲ್ ವಿಧಾನಗಳನ್ನು ಬಳಸುವುದರ ಮೂಲಕ ವಿವರಣಾತ್ಮಕ ರೋಗನಿರ್ಣಯವನ್ನು ಮೀರಿ ಚಲಿಸುವ ಪ್ರಯತ್ನಗಳಿಗೆ ಅನುಗುಣವಾಗಿರಬಹುದು (10), ಮಾನಸಿಕ ಅಸ್ವಸ್ಥತೆಯ ರೋಗನಿರ್ಣಯವನ್ನು ನಿಭಾಯಿಸಲು ಯಂತ್ರ ಕಲಿಕೆ (ಎಂಎಲ್) ಆಧಾರಿತ ಡೇಟಾ-ಚಾಲಿತ ವಿಧಾನಗಳು (11).
ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ಐಜಿಡಿಎಸ್ ರೋಗನಿರ್ಣಯದಲ್ಲಿ ನರರೋಗಶಾಸ್ತ್ರೀಯ ಬಯೋಮಾರ್ಕರ್‌ಗಳನ್ನು ಬಳಸುವ ಮೂಲಕ ಐಜಿಡಿಎಸ್ ಆಧಾರದ ಮೇಲೆ ರೋಗಲಕ್ಷಣ-ಆಧಾರಿತ ವರ್ಗೀಕರಣ ಮತ್ತು ಗಣನೆ ಆಧಾರಿತ ವರ್ಗೀಕರಣದ ನಡುವಿನ ಸಂಪರ್ಕವನ್ನು ನಾವು ಹುಡುಕಿದೆವು. ಮೆದುಳಿನ ಕೆಲವು ಜಿಎಂ ಮತ್ತು ಡಬ್ಲ್ಯುಎಂ ಘಟಕಗಳು ರೋಗನಿರ್ಣಯದ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಅನಗತ್ಯ ಅಥವಾ ಅಪ್ರಸ್ತುತ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿರಬಹುದು, ನಾವು ಕ್ರಮಬದ್ಧಗೊಳಿಸಿದ ಹಿಂಜರಿಕೆಯನ್ನು ಬಳಸುವುದರ ಮೂಲಕ ವಿರಳವಾದ ನರರೋಗಶಾಸ್ತ್ರದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಲು ಪ್ರಯತ್ನಿಸಿದ್ದೇವೆ. ಐಜಿಡಿ ರೋಗನಿರ್ಣಯಕ್ಕಾಗಿ ವರ್ಗೀಕರಣ ಮಾದರಿಗಳನ್ನು ರಚಿಸುವ ವಿರಳವಾದ ನರರೋಗಶಾಸ್ತ್ರೀಯ ವೈಶಿಷ್ಟ್ಯಗಳ ಪ್ರಕಾರ ರೋಗಲಕ್ಷಣ-ಆಧಾರಿತ ವರ್ಗೀಕರಣವನ್ನು ಪ್ರತಿನಿಧಿಸಬಹುದು ಎಂದು ನಾವು hyp ಹಿಸಿದ್ದೇವೆ. ಐಜಿಡಿ ರೋಗನಿರ್ಣಯ ಮಾಡಿದ ರೋಗಶಾಸ್ತ್ರೀಯ ಗೇಮರುಗಳಿಗಾಗಿ ಐಜಿಡಿ ಇಲ್ಲ ಎಂದು ರೋಗನಿರ್ಣಯ ಮಾಡಿದ ಗೇಮರುಗಳಿಗಾಗಿ ಗೇಮಿಂಗ್ ಅಲ್ಲದ ಆರೋಗ್ಯವಂತ ವ್ಯಕ್ತಿಗಳಿಂದ ಹೆಚ್ಚು ಭಿನ್ನವಾಗಿದೆ ಎಂದು ಭಾವಿಸಲಾಗಿದೆ, ಅಂದರೆ ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ; ಆದ್ದರಿಂದ, ಗೇಮಿಂಗ್ ಅಲ್ಲದ ಆರೋಗ್ಯವಂತ ವ್ಯಕ್ತಿಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ, ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ಹೋಲಿಸಿದರೆ ರೋಗಶಾಸ್ತ್ರೀಯ ಗೇಮರುಗಳಿಗಾಗಿ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ವೈಶಿಷ್ಟ್ಯಗಳಿಂದ ನಿರೂಪಿಸಬಹುದು. ಹೆಚ್ಚುವರಿಯಾಗಿ, ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ರೋಗಶಾಸ್ತ್ರೀಯ ಗೇಮರುಗಳಿಗಾಗಿ ಅಥವಾ ಗೇಮಿಂಗ್ ಅಲ್ಲದ ಆರೋಗ್ಯವಂತ ವ್ಯಕ್ತಿಗಳಿಂದ ಕಡಿಮೆ ವ್ಯತ್ಯಾಸವನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದೇ ಎಂದು ನಾವು ನಿರ್ಧರಿಸಲು ಬಯಸಿದ್ದೇವೆ. ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ವಿವರಣಾತ್ಮಕ ರೋಗಲಕ್ಷಣಗಳ ವಿಷಯದಲ್ಲಿ ಗೇಮಿಂಗ್ ಅಲ್ಲದ ಆರೋಗ್ಯವಂತ ವ್ಯಕ್ತಿಗಳಿಗೆ ಹತ್ತಿರವಿದೆ ಎಂದು ಅಸ್ಪಷ್ಟವಾಗಿ may ಹಿಸಬಹುದು, ಆದರೆ ಅಂತಹ ಕಲ್ಪನೆಯನ್ನು ಗಣನೆ ಆಧಾರಿತ ವರ್ಗೀಕರಣದ ಮೂಲಕ ಮೌಲ್ಯೀಕರಿಸುವ ಅಗತ್ಯವಿದೆ ಎಂದು ನಾವು ಭಾವಿಸಿದ್ದೇವೆ.
ವಸ್ತುಗಳು ಮತ್ತು ವಿಧಾನಗಳು
ಭಾಗವಹಿಸುವವರು
ಇಂಟರ್ನೆಟ್ ಆಧಾರಿತ ಆಟಗಳನ್ನು ಆಡುವ 237 ಭಾಗವಹಿಸುವವರಲ್ಲಿ, ಸ್ವಯಂ-ವರದಿ ಮಾಡಿದ ಐಜಿಡಿಎಸ್ ಮತ್ತು ಐಜಿಡಿ ರೋಗನಿರ್ಣಯದಲ್ಲಿ ಕ್ಲಿನಿಕಲ್ ಮನಶ್ಶಾಸ್ತ್ರಜ್ಞರೊಂದಿಗಿನ ರಚನಾತ್ಮಕ ಸಂದರ್ಶನವನ್ನು ಪ್ರದರ್ಶಿಸಿದವರನ್ನು ಹೊರತುಪಡಿಸಿ ಅಥವಾ ಮೆದುಳಿನ ಇಮೇಜಿಂಗ್ ಡೇಟಾವನ್ನು ತಪ್ಪಿಸಿಕೊಂಡ ಅಥವಾ ತೀವ್ರವಾಗಿ ವಿರೂಪಗೊಳಿಸಿದವರನ್ನು ಹೊರತುಪಡಿಸಿ ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್ ವ್ಯಕ್ತಿಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ. ಐಜಿಡಿಎಸ್ ಆಧಾರದ ಮೇಲೆ, ಕನಿಷ್ಠ ಐದು ಐಜಿಡಿಎಸ್ ವಸ್ತುಗಳನ್ನು ತೃಪ್ತಿಪಡಿಸಿದ ಎಕ್ಸ್‌ಎನ್‌ಯುಎಮ್ಎಕ್ಸ್ ವ್ಯಕ್ತಿಗಳು (ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್ ± ಎಕ್ಸ್‌ಎನ್‌ಯುಎಮ್ಎಕ್ಸ್ ವರ್ಷಗಳು; ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ. ಎರಡು ಮತ್ತು ನಾಲ್ಕು ನಡುವಿನ ಐಜಿಡಿಎಸ್ ವಸ್ತುಗಳನ್ನು ತೃಪ್ತಿಪಡಿಸಿದ ವ್ಯಕ್ತಿಗಳನ್ನು ಸಹ ಹೊರಗಿಡಲಾಗಿದೆ, ಏಕೆಂದರೆ ಅವುಗಳನ್ನು ಅಸ್ತವ್ಯಸ್ತಗೊಂಡ ಮತ್ತು ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ ಮತ್ತೊಂದು ವರ್ಗವೆಂದು ಗ್ರಹಿಸಬಹುದು (12). ಇದಲ್ಲದೆ, ಇಂಟರ್ನೆಟ್ ಆಧಾರಿತ ಆಟಗಳನ್ನು ಆಡದ 37 ವ್ಯಕ್ತಿಗಳನ್ನು (25.86 ± 4.10 ವರ್ಷಗಳು; 13 ಮಹಿಳೆಯರು) ಪ್ರತ್ಯೇಕವಾಗಿ ನೇಮಕ ಮಾಡಿಕೊಳ್ಳಲಾಯಿತು ಮತ್ತು ಅವರನ್ನು ಆರೋಗ್ಯವಂತ ಗೇಮರುಗಳಿಗಾಗಿ ಲೇಬಲ್ ಮಾಡಲಾಗಿದೆ. ಎಲ್ಲಾ ಭಾಗವಹಿಸುವವರಲ್ಲಿ ಕೊಮೊರ್ಬಿಡಿಟಿಗಳ ಅನುಪಸ್ಥಿತಿಯನ್ನು ದೃ was ಪಡಿಸಲಾಯಿತು. ಹೆಲ್ಸಿಂಕಿಯ ಘೋಷಣೆ ಮತ್ತು ಅದರ ನಂತರದ ತಿದ್ದುಪಡಿಗಳಿಗೆ ಅನುಸಾರವಾಗಿ ಭಾಗವಹಿಸಿದ ಎಲ್ಲರಿಂದ ಲಿಖಿತ ತಿಳುವಳಿಕೆಯುಳ್ಳ ಸಮ್ಮತಿಯನ್ನು ಪಡೆಯಲಾಯಿತು, ಮತ್ತು ಈ ಅಧ್ಯಯನವನ್ನು ಕೊರಿಯಾದ ಸಿಯೋಲ್‌ನ ಸಿಯೋಲ್ ಸೇಂಟ್ ಮೇರಿಸ್ ಆಸ್ಪತ್ರೆಯಲ್ಲಿ ಸಾಂಸ್ಥಿಕ ಪರಿಶೀಲನಾ ಮಂಡಳಿಯು ಅನುಮೋದಿಸಿತು.
ಎಂಆರ್ಐ ಡೇಟಾದ ಸ್ವಾಧೀನ
ಸ್ಟ್ರಕ್ಚರಲ್ ಎಂಆರ್ಐ (ಎಸ್‌ಎಂಆರ್‌ಐ) ಮತ್ತು ಪ್ರಸರಣ-ತೂಕದ ಎಂಆರ್ಐ (ಡಿಎಂಆರ್ಐ) ಡೇಟಾವನ್ನು ಎಕ್ಸ್‌ನ್ಯುಮ್ಎಕ್ಸ್ ಟಿ ಮ್ಯಾಗ್ನೆಟೋಮ್ ವೆರಿಯೊ ಸಿಸ್ಟಮ್ (ಸೀಮೆನ್ಸ್ ಎಜಿ, ಎರ್ಲಾಂಜೆನ್, ಜರ್ಮನಿ) ಬಳಸಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ. ಎಸ್‌ಎಂಆರ್‌ಐ ಡೇಟಾದ ಸ್ವಾಧೀನವನ್ನು ಮ್ಯಾಗ್ನೆಟೈಸೇಶನ್-ಸಿದ್ಧಪಡಿಸಿದ ಕ್ಷಿಪ್ರ ಗ್ರೇಡಿಯಂಟ್ ಪ್ರತಿಧ್ವನಿ ಅನುಕ್ರಮವನ್ನು ಬಳಸಿ ನಡೆಸಲಾಯಿತು: ಸಗಿಟ್ಟಲ್ ಪ್ಲೇನ್‌ನಲ್ಲಿನ ಚೂರುಗಳ ಸಂಖ್ಯೆ = ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್, ಸ್ಲೈಸ್ ದಪ್ಪ = ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್ ಎಂಎಂ, ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಗಾತ್ರ = ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್ × ಎಕ್ಸ್‌ಎನ್‌ಯುಎಮ್ಎಕ್ಸ್, ಮತ್ತು ಪ್ಲೇನ್ ಇನ್ ರೆಸಲ್ಯೂಶನ್ = ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್ × ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್ ಎಂಎಂ . ಡಿಎಂಆರ್ಐ ಡೇಟಾದ ಸ್ವಾಧೀನಕ್ಕಾಗಿ, ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್ ದಿಕ್ಕುಗಳಲ್ಲಿ ಪ್ರಸರಣ ಗ್ರೇಡಿಯಂಟ್ ಎನ್‌ಕೋಡಿಂಗ್ ಅನ್ನು ನಡೆಸಲಾಯಿತು b = 1,000 s / mm2 ಮತ್ತು ಸಿಂಗಲ್-ಶಾಟ್ ಎಕೋ-ಪ್ಲ್ಯಾನರ್ ಇಮೇಜಿಂಗ್ ಅನುಕ್ರಮವನ್ನು ಬಳಸಲಾಯಿತು: ಅಕ್ಷೀಯ ಸಮತಲದಲ್ಲಿನ ಚೂರುಗಳ ಸಂಖ್ಯೆ = 75, ಸ್ಲೈಸ್ ದಪ್ಪ = 2 mm, ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಗಾತ್ರ = 114 × 114, ಮತ್ತು ಸಮತಲದ ರೆಸಲ್ಯೂಶನ್ = 2 × 2 mm.
ಎಂಆರ್ಐ ಡೇಟಾದ ಪ್ರಕ್ರಿಯೆ
CAT12 ನಲ್ಲಿ ಪರಿಕರಗಳನ್ನು ಸೇರಿಸಲಾಗಿದೆ (http://www.neuro.uni-jena.de/cat/) ಅನ್ನು ಎಸ್‌ಎಂಆರ್‌ಐ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಬಳಸಲಾಗುತ್ತಿತ್ತು. ಮೆದುಳಿನ ಪರಿಮಾಣದ ಚಿತ್ರವನ್ನು ಜಿಎಂ, ಡಬ್ಲ್ಯುಎಂ, ಮತ್ತು ಕಾರ್ಟಿಕೊಸ್ಪೈನಲ್ ದ್ರವ ಸೇರಿದಂತೆ ವಿವಿಧ ಅಂಗಾಂಶಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ ಮತ್ತು ಪ್ರಮಾಣಿತ ಜಾಗದಲ್ಲಿ ಉಲ್ಲೇಖ ಮೆದುಳಿಗೆ ಪ್ರಾದೇಶಿಕವಾಗಿ ನೋಂದಾಯಿಸಲಾಗಿದೆ. ವೋಕ್ಸೆಲ್-ಆಧಾರಿತ ಮಾರ್ಫೊಮೆಟ್ರಿ (ವಿಬಿಎಂ) ನಲ್ಲಿ, ವೋಕ್ಸೆಲ್-ಬುದ್ಧಿವಂತ ಜಿಎಂ ಪರಿಮಾಣವನ್ನು ಜಿಎಂ ಆಗಿರುವ ಸಂಭವನೀಯತೆಯನ್ನು ವೋಕ್ಸೆಲ್ನ ಪರಿಮಾಣದಿಂದ ಗುಣಿಸಿದಾಗ ಅಂದಾಜಿಸಲಾಗಿದೆ, ಮತ್ತು ನಂತರ ಆ ಮೌಲ್ಯಗಳನ್ನು ಒಟ್ಟು ಇಂಟ್ರಾಕ್ರೇನಿಯಲ್ ಪರಿಮಾಣದಿಂದ ಭಾಗಿಸಿ ತಲೆ ಪರಿಮಾಣದಲ್ಲಿನ ವೈಯಕ್ತಿಕ ವ್ಯತ್ಯಾಸಗಳಿಗೆ ಹೊಂದಿಸುತ್ತದೆ. ಮೇಲ್ಮೈ ಆಧಾರಿತ ಮಾರ್ಫೊಮೆಟ್ರಿ (ಎಸ್‌ಬಿಎಂ) ನಲ್ಲಿ, ಪ್ರೊಜೆಕ್ಷನ್ ಆಧಾರಿತ ದಪ್ಪ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಕಾರ್ಟಿಕಲ್ ದಪ್ಪವನ್ನು ಅಂದಾಜಿಸಲಾಗಿದೆ (13).
ಡಿಎಂಆರ್ಐ ಡೇಟಾದ ಪ್ರಕ್ರಿಯೆ
ಪರಿಕರಗಳನ್ನು FSL 5.0 ನಲ್ಲಿ ಸೇರಿಸಲಾಗಿದೆ (http://fsl.fmrib.ox.ac.uk/fsl/) ಅನ್ನು ಡಿಎಂಆರ್ಐ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಬಳಸಿಕೊಳ್ಳಲಾಯಿತು. ಎಲ್ಲಾ ಚಿತ್ರಗಳನ್ನು ಸ್ವಾಧೀನಪಡಿಸಿಕೊಂಡ ಶೂನ್ಯ ಚಿತ್ರಕ್ಕೆ ಮರುರೂಪಿಸಲಾಗಿದೆ b = 0 s / mm2 ಎಡ್ಡಿ ಕರೆಂಟ್-ಪ್ರೇರಿತ ವಿರೂಪಗಳು ಮತ್ತು ತಲೆ ಚಲನೆಯನ್ನು ಸರಿಪಡಿಸಲು. ಮೆದುಳಿನೊಳಗಿನ ಪ್ರತಿ ವೋಕ್ಸಲ್‌ನಲ್ಲಿ ಪ್ರಸರಣ ಟೆನ್ಸರ್ ಅನ್ನು ರೂಪಿಸಲಾಯಿತು, ಮತ್ತು ಭಾಗಶಃ ಅನಿಸೊಟ್ರೊಪಿ (ಎಫ್ಎ), ಮೀನ್ ಡಿಫ್ಯೂಸಿವಿಟಿ (ಎಂಡಿ), ಅಕ್ಷೀಯ ಡಿಫ್ಯೂಸಿವಿಟಿ (ಎಡಿ), ಮತ್ತು ರೇಡಿಯಲ್ ಡಿಫ್ಯೂಸಿವಿಟಿ (ಆರ್ಡಿ) ಸೇರಿದಂತೆ ಪ್ರಸರಣ ಟೆನ್ಸರ್-ಪಡೆದ ನಿಯತಾಂಕಗಳನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗಿದೆ; ಪ್ರಸರಣ ಟೆನ್ಸರ್ನ ವಿಭಿನ್ನ ಅಕ್ಷಗಳ ಉದ್ದಕ್ಕೂ ಮೂರು ಡಿಫ್ಯೂಸಿವಿಟಿಗಳನ್ನು ನೀಡಲಾಗಿದೆ, ಎಫ್ಎ ಅನ್ನು ಮೂರು ಅಕ್ಷಗಳ ನಡುವಿನ ಡಿಫ್ಯೂಸಿವಿಟಿ ವ್ಯತ್ಯಾಸಗಳ ಚೌಕಗಳ ಮೊತ್ತದ ವರ್ಗಮೂಲವೆಂದು ಲೆಕ್ಕಹಾಕಲಾಗಿದೆ, ಎಂಡಿ ಮೂರು ಅಕ್ಷಗಳಾದ್ಯಂತ ಸರಾಸರಿ ಡಿಫ್ಯೂಸಿವಿಟಿ ಆಗಿ, ಕ್ರಿ.ಶ. ಪ್ರಧಾನ ಅಕ್ಷದ ಉದ್ದಕ್ಕೂ ದೊಡ್ಡ ಡಿಫ್ಯೂಸಿವಿಟಿ , ಮತ್ತು ಎರಡು ಸಣ್ಣ ಅಕ್ಷಗಳ ಉದ್ದಕ್ಕೂ ಆರ್ಡಿ ಡಿಫ್ಯೂಸಿವಿಟಿಗಳ ಸರಾಸರಿ. ಟ್ರಾಕ್ಟ್-ಆಧಾರಿತ ಪ್ರಾದೇಶಿಕ ಅಂಕಿಅಂಶಗಳನ್ನು (ಟಿಬಿಎಸ್ಎಸ್) ಬಳಸುವುದು (14) ಎಫ್‌ಎಸ್‌ಎಲ್ ಎಕ್ಸ್‌ಎನ್‌ಯುಎಮ್‌ಎಕ್ಸ್‌ನಲ್ಲಿ ಜಾರಿಗೆ ತರಲಾಯಿತು, ಪ್ರಸರಣ ಟೆನ್ಸರ್-ಪಡೆದ ನಿಯತಾಂಕಗಳ ನಕ್ಷೆಗಳನ್ನು ಪ್ರಮಾಣಿತ ಜಾಗದಲ್ಲಿ ಉಲ್ಲೇಖ ಮೆದುಳಿಗೆ ಪ್ರಾದೇಶಿಕವಾಗಿ ನೋಂದಾಯಿಸಲಾಗಿದೆ, ಮತ್ತು ನಂತರ ಅವುಗಳನ್ನು ಡಬ್ಲ್ಯೂಎಂ ಟ್ರಾಕ್ಟ್ ಅಸ್ಥಿಪಂಜರದ ಮೇಲೆ ಪ್ರಕ್ಷೇಪಿಸಲಾಯಿತು.
ವೈಶಿಷ್ಟ್ಯ ಉತ್ಪಾದನೆ
ವರ್ಗೀಕರಣ ಮಾದರಿಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ಎರಡು ಪ್ರಮುಖ ಹಂತಗಳು ವೈಶಿಷ್ಟ್ಯ ಉತ್ಪಾದನೆ ಮತ್ತು ಆಯ್ಕೆ. ನಾವು ನರರೋಗಶಾಸ್ತ್ರದಿಂದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ರಚಿಸಿದ್ದೇವೆ, ನಿರ್ದಿಷ್ಟವಾಗಿ GM ಪ್ರದೇಶಗಳ ಪರಿಮಾಣ ಮತ್ತು ದಪ್ಪ ಮತ್ತು WM ಟ್ರ್ಯಾಕ್ಟ್‌ಗಳ ಒಂದು ಸಮಗ್ರತೆ ಮತ್ತು ಪ್ರಸರಣ. ಜಿಬಿ ಪರಿಮಾಣ ಮತ್ತು ಕಾರ್ಟಿಕಲ್ ದಪ್ಪವನ್ನು ಕ್ರಮವಾಗಿ ವಿಬಿಎಂ ಮತ್ತು ಎಸ್‌ಬಿಎಂನಿಂದ ಸ್ವಾಧೀನಪಡಿಸಿಕೊಂಡಿರುವ ವೋಕ್ಸೆಲ್-ಬುದ್ಧಿವಂತ ನಕ್ಷೆಗಳೆಂದು ಅಂದಾಜು ಮಾಡಿದ ನಂತರ, ಪ್ರತಿ 60 GM ಪ್ರದೇಶಗಳಿಗೆ ನಿಯತಾಂಕಗಳನ್ನು ನಿರ್ಣಯಿಸಲಾಗುತ್ತದೆ (ಟೇಬಲ್ S1), ಹ್ಯಾಮರ್ಸ್ ಅಟ್ಲಾಸ್ನಂತೆ ಪಾರ್ಸೆಲ್ ಮಾಡಲಾಗಿದೆ (15), ಅದರೊಳಗಿನ ಎಲ್ಲಾ ವೋಕ್ಸೆಲ್‌ಗಳಲ್ಲಿ ಸರಾಸರಿ. ಟಿಬಿಎಸ್ಎಸ್ನಿಂದ ಸ್ವಾಧೀನಪಡಿಸಿಕೊಂಡಿರುವ ಡಬ್ಲ್ಯುಎಂ ಟ್ರಾಕ್ಟ್ ಅಸ್ಥಿಪಂಜರದಲ್ಲಿ ವೋಕ್ಸೆಲ್-ಬುದ್ಧಿವಂತ ನಕ್ಷೆಗಳಂತೆ ಎಫ್ಎ, ಎಂಡಿ, ಎಡಿ, ಮತ್ತು ಆರ್ಡಿ ಸೇರಿದಂತೆ ಅಂದಾಜು ಪ್ರಸರಣ ಟೆನ್ಸರ್-ಪಡೆದ ನಿಯತಾಂಕಗಳನ್ನು ಹೊಂದಿರುವ, ಪ್ರತಿ 48 WM ಟ್ರ್ಯಾಕ್ಟ್‌ಗಳಿಗೆ ನಿಯತಾಂಕಗಳನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗಿದೆ (ಟೇಬಲ್ S2), ICBM DTI-81 ಅಟ್ಲಾಸ್ನಂತೆ ಪಾರ್ಸೆಲ್ ಮಾಡಲಾಗಿದೆ (16), ಅದರೊಳಗಿನ ಎಲ್ಲಾ ವೋಕ್ಸೆಲ್‌ಗಳಲ್ಲಿ ಸರಾಸರಿ. ಒಟ್ಟಾರೆಯಾಗಿ, ನಾವು GM ನ ಎರಡು ನಿಯತಾಂಕಗಳನ್ನು ಮತ್ತು WM ನ ನಾಲ್ಕು ನಿಯತಾಂಕಗಳನ್ನು ಪರಿಗಣಿಸಿದ್ದೇವೆ, ಅದು GM ಮತ್ತು WM ನಿಯತಾಂಕಗಳ ಎಂಟು ಸಂಯೋಜನೆಗಳನ್ನು ನೀಡಿತು. GM ಮತ್ತು WM ನಿಯತಾಂಕಗಳ ಪ್ರತಿ ಸಂಯೋಜನೆಗಾಗಿ, 60 GM ಪ್ರದೇಶಗಳ ನಿಯತಾಂಕ ಮೌಲ್ಯಗಳು ಮತ್ತು 48 WM ಟ್ರ್ಯಾಕ್ಟ್‌ಗಳು ಒಟ್ಟು 108 ನರರೋಗಶಾಸ್ತ್ರದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಸಂಯೋಜಿಸಿವೆ.
ಕ್ರಮಬದ್ಧಗೊಳಿಸಿದ ಹಿಂಜರಿತದಿಂದ ವೈಶಿಷ್ಟ್ಯದ ಆಯ್ಕೆ
ವೈಶಿಷ್ಟ್ಯಗಳ ಸಂಖ್ಯೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು ಮುಖ್ಯವಾಗಿದೆ, ವಿಶೇಷವಾಗಿ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ವೈಶಿಷ್ಟ್ಯಗಳು ಮತ್ತು ಸೀಮಿತ ಸಂಖ್ಯೆಯ ಅವಲೋಕನಗಳನ್ನು ಹೊಂದಿರುವ ಡೇಟಾ. ವೈಶಿಷ್ಟ್ಯಗಳ ಸಂಖ್ಯೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಸೀಮಿತ ಸಂಖ್ಯೆಯ ಅವಲೋಕನಗಳು ಶಬ್ದಕ್ಕೆ ಅತಿಯಾಗಿ ಹೊಂದಿಕೊಳ್ಳಲು ಕಾರಣವಾಗಬಹುದು, ಮತ್ತು ಕ್ರಮಬದ್ಧಗೊಳಿಸುವಿಕೆಯು ಒಂದು ಮಾದರಿಯಾಗಿದ್ದು, ಒಂದು ಮಾದರಿಯಲ್ಲಿ ಹೆಚ್ಚುವರಿ ಮಾಹಿತಿ ಅಥವಾ ನಿರ್ಬಂಧಗಳನ್ನು ಪರಿಚಯಿಸುವ ಮೂಲಕ ಅತಿಯಾದ ಫಿಟ್ಟಿಂಗ್ ಅನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಅಥವಾ ತಡೆಯಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಎಲ್ಲಾ 108 ವೈಶಿಷ್ಟ್ಯಗಳು ವರ್ಗೀಕರಣಕ್ಕೆ ಉಪಯುಕ್ತ ಮತ್ತು ಅಗತ್ಯವಾದ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿರದ ಕಾರಣ, ನಾವು ಕ್ರಮಬದ್ಧಗೊಳಿಸಿದ ಹಿಂಜರಿಕೆಯನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ ವಿರಳ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ್ದೇವೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ, ಲಾಸ್ಸೊ (17) ಮತ್ತು ಸ್ಥಿತಿಸ್ಥಾಪಕ ನಿವ್ವಳ (18) ಅನ್ನು ಕ್ರಮಬದ್ಧಗೊಳಿಸಿದ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ಗಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಲಾಸ್ಸೊ ದಂಡದ ಪದ ಅಥವಾ ಕ್ರಮಬದ್ಧಗೊಳಿಸುವಿಕೆ ನಿಯತಾಂಕವನ್ನು ಒಳಗೊಂಡಿದೆ, ಇದು ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಮಾದರಿಯಲ್ಲಿ ಗುಣಾಂಕ ಅಂದಾಜುಗಳ ಗಾತ್ರವನ್ನು ನಿರ್ಬಂಧಿಸುತ್ತದೆ. In ನ ಹೆಚ್ಚಳವು ಹೆಚ್ಚು ಶೂನ್ಯ-ಮೌಲ್ಯದ ಗುಣಾಂಕಗಳಿಗೆ ಕಾರಣವಾಗುವುದರಿಂದ, ಲಾಸ್ಸೊ ಕಡಿಮೆ ಮುನ್ಸೂಚಕಗಳೊಂದಿಗೆ ಕಡಿಮೆ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಮಾದರಿಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಸ್ಥಿತಿಸ್ಥಾಪಕ ನಿವ್ವಳವು ಗುಣಾಂಕಗಳನ್ನು ಶೂನ್ಯಕ್ಕೆ ಹೊಂದಿಸುವ ಮೂಲಕ ಕಡಿಮೆ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಮಾದರಿಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ವಿಶೇಷವಾಗಿ ಲಾಸ್ಸೊ ಮತ್ತು ರಿಡ್ಜ್ ರಿಗ್ರೆಷನ್‌ನ ಹೈಬ್ರಿಡ್ ರೆಗ್ಯುರೈಸೇಶನ್ ಪ್ಯಾರಾಮೀಟರ್ ಅನ್ನು ಸೇರಿಸುವ ಮೂಲಕ, ಹೆಚ್ಚು ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿರುವ ಮುನ್ಸೂಚಕರಿಗೆ ಚಿಕಿತ್ಸೆ ನೀಡುವಲ್ಲಿ ಲಾಸ್ಸೊನ ಮಿತಿಯನ್ನು ಮೀರಿಸುತ್ತದೆ (19).
ಮೂರು ಗುಂಪುಗಳ ಪ್ರತಿಯೊಂದು ಜೋಡಿಯ ನಡುವಿನ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ, ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಮಾದರಿಯಲ್ಲಿ 108 ನ್ಯೂರೋಅನಾಟೊಮಿಕ್ ವೈಶಿಷ್ಟ್ಯಗಳಲ್ಲಿ ಪ್ರಮುಖ ಮುನ್ಸೂಚಕಗಳನ್ನು ಗುರುತಿಸಲು ನಾವು ಲಾಸ್ಸೊ ಮತ್ತು ಸ್ಥಿತಿಸ್ಥಾಪಕ ನಿವ್ವಳವನ್ನು ಅನ್ವಯಿಸಿದ್ದೇವೆ. ಮೂರು ಗುಂಪುಗಳ ಪ್ರತಿಯೊಂದು ಜೋಡಿಯ ಎಲ್ಲ ವ್ಯಕ್ತಿಗಳ 108 ವೈಶಿಷ್ಟ್ಯಗಳು ಡೇಟಾ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಸಂಯೋಜಿಸಲು ಪ್ರಮಾಣೀಕರಿಸಲ್ಪಟ್ಟವು, A, ಇದರಲ್ಲಿ ಪ್ರತಿ ಸಾಲು ಒಂದು ವೀಕ್ಷಣೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಮತ್ತು ಪ್ರತಿ ಕಾಲಮ್ ಒಂದು ಮುನ್ಸೂಚಕವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. GM ಮತ್ತು WM ನಿಯತಾಂಕಗಳಲ್ಲಿ ವ್ಯಕ್ತಿಗಳ ವಯಸ್ಸು ಮತ್ತು ಲೈಂಗಿಕತೆಯ ಪರಿಣಾಮಗಳನ್ನು ಸರಿಪಡಿಸಲು, ಉಳಿದಿರುವ ರೂಪಿಸುವ ಮ್ಯಾಟ್ರಿಕ್ಸ್, R, ರಚಿಸಲಾಗಿದೆ: R = I-C(CTC)-1C ಅಲ್ಲಿ I ಗುರುತಿನ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಮತ್ತು C ವಯಸ್ಸು ಮತ್ತು ಲೈಂಗಿಕತೆಯ ಕೋವಿಯೇರಿಯಟ್‌ಗಳನ್ನು ಗೊಂದಲಗೊಳಿಸುವ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಕೋಡಿಂಗ್ ಆಗಿತ್ತು. ನಂತರ ಅದನ್ನು ಅನ್ವಯಿಸಲಾಯಿತು A ಗೊಂದಲಗೊಳಿಸುವ ಕೋವಿಯೇರಿಯಟ್‌ಗಳನ್ನು ಹಿಮ್ಮೆಟ್ಟಿಸಿದ ನಂತರ ಉಳಿಕೆಗಳನ್ನು ಪಡೆಯಲು: X = RA.
ಹೊಂದಾಣಿಕೆಯ ಡೇಟಾ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ನೀಡಲಾಗಿದೆ, X, ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆ, Y, ಇದು ಎರಡು ವರ್ಗದ ವ್ಯಕ್ತಿಗಳನ್ನು ಸಂಕೇತಿಸುತ್ತದೆ, ಕ್ರಮಬದ್ಧಗೊಳಿಸುವಿಕೆ ನಿಯತಾಂಕವನ್ನು ಹುಡುಕಲು 10- ಪಟ್ಟು ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ (ಸಿವಿ) ಅನ್ನು ಬಳಸಲಾಯಿತು,MinErr, ಇದು ವಿಚಲನಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ ಕನಿಷ್ಠ ದೋಷವನ್ನು ಒದಗಿಸುತ್ತದೆ, ಇದನ್ನು valid ರ್ಜಿತಗೊಳಿಸುವಿಕೆಯ ಮಡಿಕೆಗಳ ಮೇಲೆ ಸರಾಸರಿ ಪರೀಕ್ಷಿಸಿದ ಮಾದರಿಗೆ negative ಣಾತ್ಮಕ ಲಾಗ್-ಸಂಭವನೀಯತೆ ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ. ಪರ್ಯಾಯವಾಗಿ, ಸಿವಿ ಕರ್ವ್ ಪ್ರತಿ λ ಪರೀಕ್ಷಿಸಿದ, ಕ್ರಮಬದ್ಧಗೊಳಿಸುವಿಕೆ ನಿಯತಾಂಕ, at ನಲ್ಲಿ ದೋಷಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ1SE, CV ರಿಂದ ಹೆಚ್ಚುತ್ತಿರುವ ಕ್ರಮಬದ್ಧಗೊಳಿಸುವಿಕೆಯ ದಿಕ್ಕಿನಲ್ಲಿ ಕನಿಷ್ಠ ಸಿವಿ ದೋಷದ ಒಂದು ಪ್ರಮಾಣಿತ ದೋಷದೊಳಗೆ ಅದು ಕಂಡುಬಂದಿದೆMinErr ಸಹ ಪರಿಗಣಿಸಲಾಗಿತ್ತು. ಅಂದರೆ, ಸ್ಪಾರ್ಸರ್ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು at ನಲ್ಲಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ1SE, ವಿರಳ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು at ನಲ್ಲಿ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆMinErr. 108 ನರರೋಗಶಾಸ್ತ್ರೀಯ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಒಳಗೊಂಡಿರುವ GM ಮತ್ತು WM ನಿಯತಾಂಕಗಳ ಪ್ರತಿಯೊಂದು ಸಂಯೋಜನೆಗೂ ಕಡಿಮೆ ಮುನ್ಸೂಚಕಗಳನ್ನು ಹೊಂದಿರುವ ಕ್ರಮಬದ್ಧಗೊಳಿಸಿದ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಮಾದರಿಯನ್ನು ಹುಡುಕುವ ಈ ವಿಧಾನವನ್ನು ಪುನರಾವರ್ತಿಸಲಾಯಿತು.
ಆಯ್ದ ವೈಶಿಷ್ಟ್ಯಗಳ ಕಾರ್ಯಕ್ಷಮತೆ
ವಿರಳ ಮತ್ತು ಸ್ಪಾರ್ಸರ್ ವೈಶಿಷ್ಟ್ಯಗಳ ಉಪಯುಕ್ತತೆಯನ್ನು ನಿರ್ಣಯಿಸಲು, ರಿಸೀವರ್ ಆಪರೇಟಿಂಗ್ ಕ್ಯಾರೆಕ್ಟಿಕಲ್ (ಆರ್ಒಸಿ) ಕರ್ವ್ ಅನ್ನು ಅಳೆಯುವ ಮೂಲಕ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ಮಾದರಿ ಮತ್ತು ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರಗಳಲ್ಲಿ (ಎಸ್‌ವಿಎಂ) ಎಲ್ಲಾ ಎಕ್ಸ್‌ಎನ್‌ಯುಎಮ್ಎಕ್ಸ್ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ಹೋಲಿಸಲಾಗಿದೆ. ಕರ್ನಲ್ ಕ್ರಿಯೆಯಂತೆ ರೇಖೀಯ ಕರ್ನಲ್ ಮತ್ತು ಐದು ಪಟ್ಟು ಸಿ.ವಿ ಯಿಂದ ಹೈಪರ್‌ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು ಹೊಂದುವಂತೆ, ಮೂರು ಗುಂಪುಗಳ ಪ್ರತಿಯೊಂದು ಜೋಡಿಯ ಎಲ್ಲ ವ್ಯಕ್ತಿಗಳಿಗೆ ಎಸ್‌ವಿಎಂ ತರಬೇತಿ ನೀಡಲಾಯಿತು. ಆರ್ಒಸಿ ಕರ್ವ್ (ಎಯುಸಿ) ಯ ಅಡಿಯಲ್ಲಿರುವ ಪ್ರದೇಶವನ್ನು ಪ್ರತಿ ಮಾದರಿಗೆ ಅದರ ಕಾರ್ಯಕ್ಷಮತೆಯ ಪರಿಮಾಣಾತ್ಮಕ ಅಳತೆಯಾಗಿ ಲೆಕ್ಕಹಾಕಲಾಗಿದೆ. ದೀರ್ಘ ಪರೀಕ್ಷೆಗಳು (20) ಪ್ರತಿ ಜೋಡಿ ಮಾದರಿಗಳ ನಡುವೆ ಎಯುಸಿಯನ್ನು ಹೋಲಿಸಲು ಬಳಸಿಕೊಳ್ಳಲಾಯಿತು. ಎಯುಸಿ ಎ ನಲ್ಲಿ ಭಿನ್ನವಾದಾಗ p0.05 ನ ಮೌಲ್ಯ, ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಎರಡು ಮಾದರಿಗಳಲ್ಲಿ ಹೋಲಿಸಲಾಗುವುದಿಲ್ಲ ಎಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ.
ವರ್ಗೀಕರಣದ ನಿಖರತೆ
ವರ್ಗೀಕರಣ ಮಾದರಿಗಳ ನಿರ್ಮಾಣದ ವೈಶಿಷ್ಟ್ಯಗಳ ಉತ್ಪಾದನೆ ಮತ್ತು ಆಯ್ಕೆಯಿಂದ ಸ್ಕೀಮ್ಯಾಟಿಕ್ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಚಿತ್ರದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ ಫಿಗರ್ಎಕ್ಸ್ಎನ್ಎಕ್ಸ್. ಮೂರು ಗುಂಪುಗಳ ಪ್ರತಿ ಜೋಡಿಗೆ, ಎಸ್‌ವಿಎಂ ವರ್ಗೀಕರಣ ಮಾದರಿಗಳನ್ನು ಆಯ್ದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ict ಹಿಸುವವರಂತೆ ಬಳಸಿ ರಚಿಸಲಾಗಿದೆ. ರಜೆ-ಒನ್- CV ಟ್ ಸಿವಿ ಸ್ಕೀಮ್ ಅನ್ನು ಬಳಸುವುದರ ಮೂಲಕ ನಾವು ವರ್ಗೀಕರಣ ಮಾದರಿಗಳ ನಿಖರತೆಯನ್ನು ನಿರ್ಣಯಿಸಿದ್ದೇವೆ, ಉದಾಹರಣೆಗೆ ಪ್ರತಿ ಎಡಗೈ ವ್ಯಕ್ತಿಗೆ ಮಾದರಿಯ ಹೊರಗಿನ ವರ್ಗೀಕರಣದ ನಿಖರತೆಯನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗಿದೆ ಮತ್ತು ನಂತರ ಅದು ಎಲ್ಲ ವ್ಯಕ್ತಿಗಳಲ್ಲೂ ಸರಾಸರಿ. ಕ್ರಮಪಲ್ಲಟನೆ ಪರೀಕ್ಷೆಗಳನ್ನು ಬಳಸುವುದರ ಮೂಲಕ ನಿಖರತೆಯ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಹತ್ವವನ್ನು ಅಂದಾಜಿಸಲಾಗಿದೆ. ಮೂರು ಗುಂಪುಗಳ ಪ್ರತಿಯೊಂದು ಜೋಡಿಯ ನಡುವೆ ವರ್ಗೀಕರಿಸಲು ಪ್ರಾಯೋಗಿಕ ಶೂನ್ಯ ವಿತರಣೆಯನ್ನು ವ್ಯಕ್ತಿಗಳ ಲೇಬಲ್‌ಗಳನ್ನು ಪದೇ ಪದೇ ಅನುಮತಿ ನೀಡುವ ಮೂಲಕ ಮತ್ತು ಕ್ರಮಬದ್ಧ ಲೇಬಲ್‌ಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ನಿಖರತೆಯನ್ನು ಅಳೆಯುವ ಮೂಲಕ ಉತ್ಪಾದಿಸಲಾಗುತ್ತದೆ. ಅನುಮತಿಸದ ಲೇಬಲ್‌ಗಳಿಗೆ ನಿಖರತೆಯನ್ನು ಅಳೆಯುವಾಗ a ನಲ್ಲಿ ಶೂನ್ಯ ವಿತರಣೆಗಿಂತ ಹೆಚ್ಚು ಅಥವಾ ಸಮವಾಗಿರುತ್ತದೆ p0.05 ನ ಮೌಲ್ಯ, ಅದು ಅವಕಾಶ ಮಟ್ಟಕ್ಕಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಭಿನ್ನವಾಗಿದೆ ಎಂದು ನಿರ್ಧರಿಸಲಾಯಿತು (ನಿಖರತೆ = 50%). ಇದಲ್ಲದೆ, ಮೂರು ಗುಂಪುಗಳ ಪ್ರತಿಯೊಂದು ಜೋಡಿಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯನ್ನು ವಿವರಿಸಲು ಗೊಂದಲ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ದೃಶ್ಯೀಕರಿಸಲಾಯಿತು.
ಅಸ್ತವ್ಯಸ್ತಗೊಂಡ ಗೇಮರುಗಳಿಗಾಗಿ (ಡಿಜಿ) ಮತ್ತು ಆರೋಗ್ಯಕರ ನಾನ್-ಗೇಮರ್ಸ್ (ಎಚ್ಎನ್), ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ (ಎನ್ಜಿ) ಮತ್ತು ಎಚ್ಎನ್ ನಡುವೆ ಮತ್ತು ಡಿಜಿ ಮತ್ತು ಎನ್ಜಿ ನಡುವೆ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಮಾದರಿಗಳ ನಿರ್ಮಾಣದವರೆಗೆ ನರರೋಗಶಾಸ್ತ್ರದ ವೈಶಿಷ್ಟ್ಯಗಳ ಉತ್ಪಾದನೆ ಮತ್ತು ಆಯ್ಕೆಯಿಂದ ಸ್ಕೀಮ್ಯಾಟಿಕ್ ಕಾರ್ಯವಿಧಾನಗಳು. ಜಿಎಂ, ಬೂದು ವಸ್ತು; ಡಬ್ಲ್ಯೂಎಂ, ಬಿಳಿ ಮ್ಯಾಟರ್.
ಫಲಿತಾಂಶಗಳು
ವೈಶಿಷ್ಟ್ಯದ ಆಯ್ಕೆ
ಚಿತ್ರ ಫಿಗರ್ಎಕ್ಸ್ಎನ್ಎಕ್ಸ್ ಆಯ್ದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಅವುಗಳ ಗುಣಾಂಕ ಅಂದಾಜುಗಳು ಮತ್ತು ಟೇಬಲ್‌ನೊಂದಿಗೆ 108 ವೈಶಿಷ್ಟ್ಯಗಳಲ್ಲಿ ಪ್ರದರ್ಶಿಸುತ್ತದೆ ಟೇಬಲ್ಎಕ್ಸ್ಎನ್ಎಕ್ಸ್ ಮೂರು ಗುಂಪುಗಳ ಪ್ರತಿಯೊಂದು ಜೋಡಿಯ ನಡುವಿನ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಕ್ರಮಬದ್ಧಗೊಳಿಸಿದ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಮಾದರಿಯ ಸಂಬಂಧಿತ ಬಿಗಿಯಾದ ಮಾಹಿತಿಯನ್ನು ವಿವರಿಸುತ್ತದೆ. ಇದಲ್ಲದೆ, ಚಿತ್ರ S1 ಯಾವ ಸಿವಿ ಸಿವಿ ದೋಷವನ್ನು ನೀಡುತ್ತದೆ ಮತ್ತು features ನಲ್ಲಿ ಎಷ್ಟು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ1SE ಹಾಗೆಯೇ at ನಲ್ಲಿMinErr. ಆರೋಗ್ಯಕರ ಗೇಮರುಗಳಿಗಾಗಿ ಮತ್ತು ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಲಾಸ್ಸೊ (ಲಾಸ್ಸೊ ತೂಕ = ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್) ಮತ್ತು ಇತರ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಸ್ಥಿತಿಸ್ಥಾಪಕ ನಿವ್ವಳ (ಲಾಸ್ಸೊ ತೂಕ = ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್) ಮೂಲಕ ವೈಶಿಷ್ಟ್ಯದ ಆಯ್ಕೆಯಲ್ಲಿ ಕನಿಷ್ಠ ಸಿವಿ ದೋಷವನ್ನು ಪಡೆಯಲಾಗಿದೆ.
ಮೂರು ಜೋಡಿಗಳ ಪ್ರತಿಯೊಂದು ಜೋಡಿಯ ನಡುವಿನ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಕ್ರಮಬದ್ಧಗೊಳಿಸಿದ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್‌ನಲ್ಲಿ ಆಯ್ದ ನರರೋಗಶಾಸ್ತ್ರದ ಲಕ್ಷಣಗಳು. ಆರೋಗ್ಯಕರ ನಾನ್-ಗೇಮರ್ಸ್ (ಎಚ್ಎನ್) ಮತ್ತು ಡಿಜಿ ನಡುವಿನ ವರ್ಗೀಕರಣದಲ್ಲಿ ಅಸ್ತವ್ಯಸ್ತಗೊಂಡ ಗೇಮರ್‌ಗಳನ್ನು (ಡಿಜಿ) 1 ಎಂದು, ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ (ಎನ್ಜಿ) ಎಚ್ಎನ್ ಮತ್ತು ಎನ್ಜಿ ನಡುವಿನ ವರ್ಗೀಕರಣದಲ್ಲಿ 1 ಎಂದು ಮತ್ತು ಎನ್ಜಿ ಮತ್ತು ಡಿಜಿ ನಡುವಿನ ವರ್ಗೀಕರಣದಲ್ಲಿ ಡಿಜಿ 1 ಎಂದು ಸಂಕೇತಗೊಳಿಸಲಾಗಿದೆ. ಬಾರ್‌ನ ಗಾತ್ರವು ಆಯಾ ವೈಶಿಷ್ಟ್ಯದ ಗುಣಾಂಕದ ಗಾತ್ರವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, ಅಂದರೆ ಶೂನ್ಯೇತರ ಗುಣಾಂಕಗಳ ವೈಶಿಷ್ಟ್ಯಗಳು ಆಯ್ದವು. ಪ್ರದರ್ಶಿಸಲಾದ ಮಿದುಳುಗಳು ಉತ್ತಮ ನೋಟದಿಂದ ಆಯ್ದ ವೈಶಿಷ್ಟ್ಯಗಳಿಗೆ ಅನುಗುಣವಾದ ಬೂದು ದ್ರವ್ಯ ಮತ್ತು ಬಿಳಿ ದ್ರವ್ಯದ ಅಂಶಗಳನ್ನು ಚಿತ್ರಿಸುತ್ತದೆ. ಕೆಂಪು ಅಥವಾ ನೀಲಿ ಬಣ್ಣದಲ್ಲಿನ ವೈಶಿಷ್ಟ್ಯಗಳು at ನಲ್ಲಿ ನಿರ್ಧರಿಸಲಾದ ಸ್ಪಾರ್ಸರ್ ವೈಶಿಷ್ಟ್ಯಗಳಲ್ಲಿ ಸೇರಿಸಲ್ಪಟ್ಟವುಗಳನ್ನು ಸೂಚಿಸುತ್ತವೆ1SE ಹಾಗೆಯೇ at ನಲ್ಲಿ ನಿರ್ಧರಿಸಲಾದ ವಿರಳ ವೈಶಿಷ್ಟ್ಯಗಳಲ್ಲಿMinErr, ಆದರೆ ಹಳದಿ ಅಥವಾ ಕೆನ್ನೇರಳೆ ಬಣ್ಣದಲ್ಲಿರುವವರು ವಿರಳ ವೈಶಿಷ್ಟ್ಯಗಳಲ್ಲಿ ಮಾತ್ರ ಸೇರಿಸಿಕೊಂಡಿರುವುದನ್ನು ಸೂಚಿಸುತ್ತಾರೆ. ಮೆದುಳಿನ ಘಟಕಗಳ ಲೇಬಲ್‌ಗಳನ್ನು ಕೋಷ್ಟಕಗಳಲ್ಲಿ ನೀಡಲಾಗಿದೆ S1 ಮತ್ತು S2. ಎಲ್, ಎಡ; ಆರ್, ಸರಿ.
ಟೇಬಲ್ 1
ಮೂರು ಗುಂಪುಗಳ ಪ್ರತಿ ಜೋಡಿ ನಡುವಿನ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಕ್ರಮಬದ್ಧಗೊಳಿಸಿದ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್‌ನ ಮಾಹಿತಿಯನ್ನು ಹೊಂದಿಸುವುದು.
| ಎಚ್ಎನ್ ವರ್ಸಸ್ ಡಿಜಿ | ಎಚ್ಎನ್ ವರ್ಸಸ್ ಎನ್ಜಿ | ಎನ್ಜಿ ವರ್ಸಸ್ ಡಿಜಿ | ||
|---|---|---|---|---|
| ನಿಯತಾಂಕ | GM | ದಪ್ಪ | ದಪ್ಪ | ಸಂಪುಟ |
| WM | FA | RD | MD | |
| ಲಾಸ್ಸೊ ತೂಕ | 0.5 | 1 | 0.5 | |
| ವಿರಳ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು at ನಲ್ಲಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆMinErr | ಸಿವಿ ದೋಷ | 37.3681 | 41.7876 | 133.3857 |
| ವೈಶಿಷ್ಟ್ಯಗಳ ಸಂಖ್ಯೆ | 43 | 21 | 11 | |
| ಸ್ಪಾರ್ಸರ್ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು at ನಲ್ಲಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ1SE | ಸಿವಿ ದೋಷ | 46.5681 | 50.0435 | 141.2622 |
| ವೈಶಿಷ್ಟ್ಯಗಳ ಸಂಖ್ಯೆ | 34 | 12 | 1 | |
ಲಾಸ್ಸೊ (ಲಾಸ್ಸೊ ತೂಕ = ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್) ಅಥವಾ ಸ್ಥಿತಿಸ್ಥಾಪಕ ನಿವ್ವಳ (ಲಾಸ್ಸೊ ತೂಕ = ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್) ಬಳಸಿ ಕ್ರಮಬದ್ಧಗೊಳಿಸಿದ ಲಾಜಿಸ್ಟಿಕ್ ಹಿಂಜರಿಕೆಯನ್ನು ನಡೆಸಲಾಗಿದೆಯೆ ಎಂದು ಲಾಸ್ಸೊ ತೂಕವು ಸೂಚಿಸುತ್ತದೆ..
ಎಚ್ಎನ್, ಆರೋಗ್ಯಕರ ನಾನ್ ಗೇಮರ್ಸ್; ಡಿಜಿ, ಅಸ್ತವ್ಯಸ್ತಗೊಂಡ ಗೇಮರುಗಳಿಗಾಗಿ; ಎನ್ಜಿ, ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ; ಜಿಎಂ, ಬೂದು ವಸ್ತು; ಡಬ್ಲ್ಯೂಎಂ, ಬಿಳಿ ಮ್ಯಾಟರ್; ಎಫ್ಎ, ಫ್ರ್ಯಾಕ್ಷನಲ್ ಅನಿಸೊಟ್ರೊಪಿ; ಆರ್ಡಿ, ರೇಡಿಯಲ್ ಡಿಫ್ಯೂಸಿವಿಟಿ; ಎಂಡಿ, ಸರಾಸರಿ ಡಿಫ್ಯೂಸಿವಿಟಿ; ಸಿ.ವಿ., ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ.
ಆರೋಗ್ಯಕರ ಅಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ಅಸ್ತವ್ಯಸ್ತಗೊಂಡ ಗೇಮರುಗಳಿಗಾಗಿ ತಾರತಮ್ಯದಲ್ಲಿ, 43 ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು at ನಲ್ಲಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆMinErr 24 GM ಪ್ರದೇಶಗಳ ದಪ್ಪ ಮತ್ತು 19 WM ಟ್ರ್ಯಾಕ್ಟ್‌ಗಳ FA, ಮತ್ತು 34 ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು1SE 15 GM ಪ್ರದೇಶಗಳ ದಪ್ಪ ಮತ್ತು 19 WM ಟ್ರ್ಯಾಕ್ಟ್‌ಗಳ FA ಅನ್ನು ಒಳಗೊಂಡಿದೆ. ಆರೋಗ್ಯಕರ ಗೇಮರುಗಳಿಗಾಗಿ ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿನ ವ್ಯತ್ಯಾಸದಲ್ಲಿ, 21 ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು at ನಲ್ಲಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆMinErr 12 GM ಪ್ರದೇಶಗಳ ದಪ್ಪ ಮತ್ತು 9 WM ಟ್ರ್ಯಾಕ್ಟ್‌ಗಳ RD ಮತ್ತು 12 ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು1SE 6 GM ಪ್ರದೇಶಗಳ ದಪ್ಪ ಮತ್ತು 6 WM ಟ್ರ್ಯಾಕ್ಟ್‌ಗಳ RD ಅನ್ನು ಒಳಗೊಂಡಿದೆ. ಅಸ್ತವ್ಯಸ್ತಗೊಂಡ ಮತ್ತು ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ ವರ್ಗೀಕರಣದಲ್ಲಿ, 11 ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು at ನಲ್ಲಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆMinErr 7 GM ಪ್ರದೇಶಗಳ ಪರಿಮಾಣ ಮತ್ತು 4 WM ಟ್ರ್ಯಾಕ್ಟ್‌ಗಳ MD ಅನ್ನು ಒಳಗೊಂಡಿದೆ, ಮತ್ತು ಒಂದು ವೈಶಿಷ್ಟ್ಯವನ್ನು at1SE ಒಂದು GM ಪ್ರದೇಶದ ಪರಿಮಾಣಕ್ಕೆ ಅನುರೂಪವಾಗಿದೆ.
ಆಯ್ದ ವೈಶಿಷ್ಟ್ಯಗಳ ಕಾರ್ಯಕ್ಷಮತೆ
ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊಂದಿರುವ ಮಾದರಿ ಮತ್ತು ಎಲ್ಲಾ 108 ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊಂದಿರುವ ಮಾದರಿಯ ನಡುವೆ, ಪ್ರತಿ ವಿಧದ ಗೇಮರುಗಳಿಗಾಗಿ ಮತ್ತು ಎಸ್‌ವಿಎಂಗಳಿಂದ ಆರೋಗ್ಯಕರ ನಾನ್-ಗೇಮರ್‌ಗಳ ನಡುವಿನ ತಾರತಮ್ಯದಲ್ಲಿ ಎಯುಸಿಯ ದೃಷ್ಟಿಯಿಂದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೋಲಿಸಬಹುದಾಗಿದೆ (ಚಿತ್ರ (Figure3) .3). ಅಸ್ತವ್ಯಸ್ತಗೊಂಡ ಮತ್ತು ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ ವರ್ಗೀಕರಣದಲ್ಲಿ, ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊಂದಿರುವ ಮಾದರಿಯನ್ನು at ನಲ್ಲಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆMinErr (AUC = 0.83, p = 0.006) ಅಥವಾ at ನಲ್ಲಿ1SE (AUC = 0.72, p <0.001) ಎಲ್ಲಾ 108 ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ (ಎಯುಸಿ = 0.90) ಮಾದರಿಗಿಂತ ಕಳಪೆ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರಿಸಿದೆ.
ರಿಸೀವರ್ ಆಪರೇಟಿಂಗ್ ಕ್ಯಾರೆಕ್ಟಿಕಲ್ ಕರ್ವ್ (ಎಯುಸಿ) ಯ ಅಡಿಯಲ್ಲಿರುವ ಪ್ರದೇಶದ ಪರಿಭಾಷೆಯಲ್ಲಿನ ಕಾರ್ಯಕ್ಷಮತೆಯ ಹೋಲಿಕೆ ಮಾದರಿಗಳ ನಡುವೆ ಮತ್ತು ವೈಶಿಷ್ಟ್ಯದ ಆಯ್ಕೆಯೊಂದಿಗೆ ಪ್ರತಿ ಜೋಡಿ ಮೂರು ಗುಂಪುಗಳ ನಡುವೆ ವರ್ಗೀಕರಣದ ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರಗಳಿಂದ. 108 ವೈಶಿಷ್ಟ್ಯಗಳ ಮಾದರಿ (ಘನ ರೇಖೆಯಿಂದ ಸೂಚಿಸಲ್ಪಟ್ಟಿದೆ) ವೈಶಿಷ್ಟ್ಯದ ಆಯ್ಕೆಯಿಲ್ಲದೆ ಅದಕ್ಕೆ ಅನುರೂಪವಾಗಿದೆ, ಆದರೆ ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ವೈಶಿಷ್ಟ್ಯಗಳ ಮಾದರಿಗಳು at ನಲ್ಲಿ ಆಯ್ಕೆ ಮಾಡಲಾದ ವಿರಳ ಮತ್ತು ಸ್ಪಾರ್ಸರ್ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತವೆ.MinErr (ಡ್ಯಾಶ್ ಮಾಡಿದ ರೇಖೆಯಿಂದ ಸೂಚಿಸಲಾಗುತ್ತದೆ) ಮತ್ತು1SE (ಕ್ರಮವಾಗಿ ಡ್ಯಾಶ್-ಡಾಟ್ ರೇಖೆಯಿಂದ ಸೂಚಿಸಲಾಗುತ್ತದೆ). ಎಚ್ಎನ್, ಆರೋಗ್ಯಕರ ನಾನ್ ಗೇಮರ್ಸ್; ಡಿಜಿ, ಅಸ್ತವ್ಯಸ್ತಗೊಂಡ ಗೇಮರುಗಳಿಗಾಗಿ; ಎನ್ಜಿ, ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ.
ವರ್ಗೀಕರಣದ ನಿಖರತೆ
S ನಲ್ಲಿ ಆಯ್ಕೆ ಮಾಡಲಾದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಎಸ್‌ವಿಎಂಗಳ ವರ್ಗೀಕರಣದಲ್ಲಿMinErr, ನಿಖರತೆ 98% ಗಿಂತ ಹೆಚ್ಚಿತ್ತು, ಇದು ಅವಕಾಶ ಮಟ್ಟಕ್ಕಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಾಗಿದೆ (p <0.001), ಆರೋಗ್ಯಕರ ಅಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ಪ್ರತಿಯೊಂದು ಪ್ರಕಾರದ ಗೇಮರುಗಳಿಗಾಗಿನ ವ್ಯತ್ಯಾಸದಲ್ಲಿ (ಚಿತ್ರ (Figure4A) .4A). ಅವಕಾಶ ಮಟ್ಟಕ್ಕಿಂತ ನಿಖರತೆ ಇನ್ನೂ ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಾಗಿದೆ (p = 0.002) ಆದರೆ ಅಸ್ತವ್ಯಸ್ತಗೊಂಡ ಮತ್ತು ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿನ ವರ್ಗೀಕರಣದಲ್ಲಿ 69.8% ನಷ್ಟು ಕಡಿಮೆ, ನಿರ್ದಿಷ್ಟವಾಗಿ ಅಸ್ತವ್ಯಸ್ತವಾಗಿರುವ ಗೇಮರುಗಳಿಗಾಗಿ ಸರಿಯಾದ ಗುರುತಿಸುವಿಕೆಯಲ್ಲಿ ಕಡಿಮೆ ಸಂವೇದನೆಯನ್ನು (47.4%) ತೋರಿಸುತ್ತದೆ. ಸ್ಪಾರ್ಸರ್ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು at ನಲ್ಲಿ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ1SE ಇದೇ ರೀತಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರದರ್ಶಿಸಲಾಗಿದೆ (ಚಿತ್ರ (Figure4B) 4B) ಆದರೆ ಸಾಮಾನ್ಯ ಗೇಮರ್‌ಗಳಿಂದ ಅಸ್ತವ್ಯಸ್ತಗೊಂಡ ಗೇಮರುಗಳಿಗಾಗಿ ಸರಿಯಾದ ವ್ಯತ್ಯಾಸದಲ್ಲಿ ಕಡಿಮೆ ಸಂವೇದನೆಯನ್ನು (2.6%) ತೋರಿಸಿದೆ.
ಬಳಸುವಾಗ ಮೂರು ಗುಂಪುಗಳ ಪ್ರತಿ ಜೋಡಿ ನಡುವಿನ ವರ್ಗೀಕರಣದಲ್ಲಿ ಗೊಂದಲ ಮ್ಯಾಟ್ರಿಕ್‌ಗಳು (ಎ) ವಿರಳ ಮತ್ತು (ಬಿ) ಸ್ಪಾರ್ಸರ್ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು at ನಲ್ಲಿ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆMinErr ಮತ್ತು at ನಲ್ಲಿ1SE, ಕ್ರಮವಾಗಿ, ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರಗಳಲ್ಲಿ. ಕೆಳಗಿನ-ಬಲ ಕೋಶವು ವರ್ಗೀಕರಣ ನಿಖರತೆ (ಎಸಿಸಿ), ಕೆಳಗಿನ-ಎಡ ಕೋಶ ನಿಜವಾದ negative ಣಾತ್ಮಕ ದರ (ಟಿಎನ್‌ಆರ್) ಅಥವಾ ನಿರ್ದಿಷ್ಟತೆ, ಕೆಳಗಿನ-ಮಧ್ಯಮ ಕೋಶ ನಿಜವಾದ ಧನಾತ್ಮಕ ದರ (ಟಿಎನ್‌ಆರ್) ಅಥವಾ ಸೂಕ್ಷ್ಮತೆ, ಮೇಲಿನ-ಬಲ ಕೋಶ negative ಣಾತ್ಮಕ ಮುನ್ಸೂಚಕ ಮೌಲ್ಯ (ಎನ್‌ಪಿವಿ) ), ಮತ್ತು ಮಧ್ಯಮ-ಬಲ ಕೋಶ ಧನಾತ್ಮಕ ಮುನ್ಸೂಚಕ ಮೌಲ್ಯ (ಪಿಪಿವಿ). ಟಿಪಿ, ನಿಜವಾದ ಧನಾತ್ಮಕ; ಟಿಎನ್, ನಿಜವಾದ ನಕಾರಾತ್ಮಕ; ಎಫ್‌ಪಿ, ಸುಳ್ಳು ಧನಾತ್ಮಕ; ಎಫ್ಎನ್, ಸುಳ್ಳು ನಕಾರಾತ್ಮಕ.
ಚರ್ಚೆ
ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ಡಿಎಸ್‌ಎಂ-ಎಕ್ಸ್‌ಎನ್‌ಯುಎಮ್‌ಎಕ್ಸ್‌ನಲ್ಲಿ ಪ್ರಸ್ತಾಪಿಸಲಾದ ಐಜಿಡಿಎಸ್ನೊಂದಿಗೆ ವರ್ಗೀಕರಿಸಲಾದ ರೋಗಶಾಸ್ತ್ರೀಯ ಮತ್ತು ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ವಿರಳವಾದ ನರರೋಗಶಾಸ್ತ್ರೀಯ ವೈಶಿಷ್ಟ್ಯಗಳಿಂದ ಪ್ರತಿನಿಧಿಸಬಹುದೇ ಎಂದು ಪರೀಕ್ಷಿಸಲು ನಾವು ಪ್ರಯತ್ನಿಸಿದ್ದೇವೆ. ಅಸ್ತವ್ಯಸ್ತಗೊಂಡ ಮತ್ತು ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ ಕ್ರಮವಾಗಿ 5 ಮತ್ತು 43 ವೈಶಿಷ್ಟ್ಯಗಳ ಪ್ರಕಾರ, ಆರೋಗ್ಯಕರ ಗೇಮರುಗಳಿಗಾಗಿ ಅಲ್ಲ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ ಸಂಬಂಧಿಸಿದಂತೆ ಅಸ್ತವ್ಯಸ್ತವಾಗಿರುವ ಗೇಮರುಗಳಿಗಾಗಿ 21 ವೈಶಿಷ್ಟ್ಯಗಳ ಪ್ರಕಾರ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ. ವಿರಳವಾದ ನರರೋಗಶಾಸ್ತ್ರೀಯ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸಿಕೊಂಡು, ಅಸ್ತವ್ಯಸ್ತಗೊಂಡ ಮತ್ತು ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ ಆರೋಗ್ಯಕರ ಅಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ಯಶಸ್ವಿಯಾಗಿ ತಾರತಮ್ಯ ಮಾಡಬಹುದು, ಆದರೆ ಅಸ್ತವ್ಯಸ್ತಗೊಂಡ ಮತ್ತು ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ ವರ್ಗೀಕರಣವು ತುಲನಾತ್ಮಕವಾಗಿ ಸವಾಲಾಗಿತ್ತು.
ಡಿಎಸ್ಎಮ್-ಎಕ್ಸ್ಎನ್ಎಮ್ಎಕ್ಸ್ನಲ್ಲಿ ಪ್ರಸ್ತಾಪಿಸಲಾದ ಐಜಿಡಿಎಸ್ನೊಂದಿಗೆ ಐಜಿಡಿಯ ರೋಗಲಕ್ಷಣ ಆಧಾರಿತ ವಿವರಣಾತ್ಮಕ ವರ್ಗೀಕರಣವನ್ನು ವ್ಯಾಪಕವಾಗಿ ಅಳವಡಿಸಿಕೊಳ್ಳಲಾಗುತ್ತಿದೆ. ಐಜಿಡಿಎಸ್ನ ಪ್ರಾಯೋಗಿಕ ಸಿಂಧುತ್ವವನ್ನು ಅನೇಕ ದೇಶಗಳಲ್ಲಿ ದೃ confirmed ಪಡಿಸಲಾಗಿದೆ (3, 21, 22), ಐದು ಅಥವಾ ಹೆಚ್ಚಿನ ಐಜಿಡಿಎಸ್ ವಸ್ತುಗಳನ್ನು ಅನುಭವಿಸುವ ಮಿತಿ ಒಂದು ನಿರ್ದಿಷ್ಟ ಆಯ್ಕೆಯಾಗಿಲ್ಲ, ಮತ್ತು ಇಂಟರ್ನೆಟ್ ಆಧಾರಿತ ಆಟಗಳನ್ನು ಆಡುವ ವ್ಯಕ್ತಿಗಳನ್ನು ವರ್ಗೀಕರಿಸುವ ಇತರ ವಿಧಾನಗಳನ್ನು ಸೂಚಿಸಬಹುದು (12). ಮೆದುಳಿನ ಇಮೇಜಿಂಗ್ ಡೇಟಾ ಮತ್ತು ಜನಸಂಖ್ಯಾ, ನಡವಳಿಕೆ ಮತ್ತು ರೋಗಲಕ್ಷಣದ ದತ್ತಾಂಶಗಳಂತಹ ಅನೇಕ ರೀತಿಯ ಕ್ಲಿನಿಕಲ್ ಡೇಟಾಗಳು ಹೆಚ್ಚು ಲಭ್ಯವಾಗುವುದರಿಂದ, ಮಾನಸಿಕ ಅಸ್ವಸ್ಥತೆಯ ರೋಗನಿರ್ಣಯಕ್ಕೆ ಹೆಚ್ಚುವರಿ ಡೇಟಾವನ್ನು ಮೇಲಾಗಿ ಬಳಸಿಕೊಳ್ಳಬಹುದು. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಪರಿಮಾಣಾತ್ಮಕ ಮಾಹಿತಿಯ ಬೃಹತ್ ಕಾರಣದಿಂದಾಗಿ, ಮೆದುಳಿನ ಇಮೇಜಿಂಗ್ ಡೇಟಾವು ಕಂಪ್ಯೂಟೇಶನಲ್ ವಿಧಾನಗಳಿಗೆ ಸೂಕ್ತವಾಗಿರುತ್ತದೆ ಮತ್ತು .ಹಿಸಲು ಉಪಯುಕ್ತವಾಗಿರುತ್ತದೆ. ವಾಸ್ತವವಾಗಿ, ಪ್ರಾಯೋಗಿಕವಾಗಿ ಸಂಬಂಧಿಸಿದ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುವ ಮುನ್ಸೂಚನೆಯಲ್ಲಿ ಇತರ ಕ್ಲಿನಿಕಲ್ ಡೇಟಾಗೆ ಹೋಲಿಸಿದರೆ ಮೆದುಳಿನ ಇಮೇಜಿಂಗ್ ಡೇಟಾವು ಉತ್ತಮ ಮುನ್ಸೂಚಕ ಮೌಲ್ಯಗಳನ್ನು ಹೊಂದಿದೆ ಎಂದು ತೋರಿಸಲಾಗಿದೆ.23).
ಎಂಎಲ್ ಆಧಾರಿತ ರೋಗನಿರ್ಣಯದ ವರ್ಗೀಕರಣವನ್ನು ಇತ್ತೀಚೆಗೆ ಇತರ ವ್ಯಸನಕಾರಿ ನಡವಳಿಕೆಗಳು ಮತ್ತು ಅಸ್ವಸ್ಥತೆಗಳಿಗೆ ಅನ್ವಯಿಸಲಾಗಿದೆ (24-28), ಐಜಿಡಿಯ ರೋಗಲಕ್ಷಣ ಆಧಾರಿತ ವರ್ಗೀಕರಣವು ಗಣನೆ ಆಧಾರಿತ ವರ್ಗೀಕರಣದ ಸವಾಲನ್ನು ಎದುರಿಸುತ್ತಿದೆ. ಏಕೆಂದರೆ ಐಜಿಡಿಯನ್ನು ಅನುಸರಿಸುವ ಮೆದುಳಿನ ಅಂಗರಚನಾ ವೈಪರೀತ್ಯಗಳು ಹಿಂದಿನ ಅಧ್ಯಯನಗಳಲ್ಲಿ ಪುನರಾವರ್ತಿತವಾಗಿ ವರದಿಯಾಗಿದೆ (5-7, 9), ಐಜಿಡಿಯ ರೋಗನಿರ್ಣಯಕ್ಕಾಗಿ ಮೆದುಳಿನ ಚಿತ್ರಣ ದತ್ತಾಂಶ ಸಂಭಾವ್ಯ ಬಯೋಮಾರ್ಕರ್‌ಗಳಿಂದ ಇಂತಹ ನರರೋಗಶಾಸ್ತ್ರೀಯ ಮಾಹಿತಿಯನ್ನು ನಾವು ಪರಿಗಣಿಸಿದ್ದೇವೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ವ್ಯಕ್ತಿಗಳ ವರ್ಗಗಳ ನಡುವಿನ ನರರೋಗಶಾಸ್ತ್ರೀಯ ವ್ಯತ್ಯಾಸಗಳನ್ನು ವಿವರಿಸುವುದನ್ನು ಮೀರಿ, ಸಾಕಷ್ಟು ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಒದಗಿಸಬಲ್ಲ ಪ್ರಮುಖ ನರರೋಗಶಾಸ್ತ್ರದ ವೈಶಿಷ್ಟ್ಯಗಳ ಗುಂಪನ್ನು ಗುರುತಿಸುವುದು ನಮ್ಮ ಗುರಿಯಾಗಿತ್ತು.
ನಾವು 108 ನರರೋಗಶಾಸ್ತ್ರದ ವೈಶಿಷ್ಟ್ಯಗಳಲ್ಲಿ, ಸಂಪೂರ್ಣ ಕ್ರಮಬದ್ಧಗೊಳಿಸಿದ ಹಿಂಜರಿಕೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ್ದೇವೆ. ನಾವು GM ಮತ್ತು WM ನಿಯತಾಂಕಗಳ ಎಂಟು ಸಂಯೋಜನೆಗಳನ್ನು ಪರಿಗಣಿಸಿದಾಗ, ಮೂರು ಗುಂಪುಗಳ ಪ್ರತಿಯೊಂದು ಜೋಡಿಯನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ನಿಯತಾಂಕಗಳ ವಿಭಿನ್ನ ಸಂಯೋಜನೆಗಳನ್ನು ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ. ರೋಗಶಾಸ್ತ್ರೀಯ ಗೇಮರುಗಳಿಗಾಗಿ ಆರೋಗ್ಯಕರ ನಾನ್-ಗೇಮರ್‌ಗಳಿಂದ ಪ್ರತ್ಯೇಕಿಸಲು ಜಿಎಂ ಪ್ರದೇಶಗಳ ದಪ್ಪ ಮತ್ತು ಡಬ್ಲ್ಯುಎಂ ಟ್ರ್ಯಾಕ್ಟ್‌ಗಳ ಸಮಗ್ರತೆಯು ಉತ್ತಮವಾಗಿದೆ, ಆದರೆ ಜಿಎಂ ಪ್ರದೇಶಗಳ ಪರಿಮಾಣ ಮತ್ತು ಡಬ್ಲ್ಯೂಎಂ ಟ್ರ್ಯಾಕ್ಟ್‌ಗಳ ಡಿಫ್ಯೂಸಿವಿಟಿ ಸಂಯೋಜನೆಯು ರೋಗಶಾಸ್ತ್ರೀಯ ಗೇಮರ್‌ಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಉತ್ತಮವಾಗಿದೆ ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ. ಇದಲ್ಲದೆ, ಅನೇಕ ಮೆದುಳಿನ ಘಟಕಗಳು ಸಾಮಾನ್ಯವಾಗಿ ನ್ಯೂರೋಅನಾಟೊಮಿಕ್ ವೈಶಿಷ್ಟ್ಯಗಳಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದ್ದರೂ, ಆರೋಗ್ಯಕರ ಅಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ರೋಗಶಾಸ್ತ್ರೀಯ ಮತ್ತು ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿನ ವ್ಯತ್ಯಾಸಕ್ಕೆ ಮುಖ್ಯವಾದರೂ, ಕೆಲವು ಜಿಎಂ ಪ್ರದೇಶಗಳು ಮತ್ತು ಡಬ್ಲ್ಯುಎಂ ಪ್ರದೇಶಗಳು ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿವೆ, ಆದರೆ ರೋಗಶಾಸ್ತ್ರೀಯ ಗೇಮರುಗಳಿಗಾಗಿ ಅಲ್ಲ . ಈ ಆವಿಷ್ಕಾರಗಳು ಜಿಎಂ ಮತ್ತು ಡಬ್ಲ್ಯುಎಂ ನಿಯತಾಂಕಗಳ ನ್ಯೂರೋಅನಾಟೊಮಿಕಲ್ ಬಯೋಮಾರ್ಕರ್‌ಗಳಂತೆ ಸಾರ್ವತ್ರಿಕವಾಗಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಸಂಯೋಜನೆ ಇಲ್ಲದಿರಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ವರ್ಗೀಕರಿಸಬೇಕಾದ ಗುಂಪುಗಳ ಪ್ರಕಾರ ಜಿಎಂ ಮತ್ತು ಡಬ್ಲ್ಯೂಎಂ ನಿಯತಾಂಕಗಳ ನಿರ್ದಿಷ್ಟ ಸಂಯೋಜನೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡಬೇಕಾಗುತ್ತದೆ.
ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿನ ವ್ಯತ್ಯಾಸಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ವಿರಳ ಲಕ್ಷಣಗಳು, ಆರೋಗ್ಯಕರ ನಾನ್-ಗೇಮರ್‌ಗಳಿಂದ, ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ರೋಗಶಾಸ್ತ್ರೀಯ ಗೇಮರುಗಳಿಗಾಗಿ ಮತ್ತು ಆರೋಗ್ಯಕರವಾಗಿ ಪರಿವರ್ತನೆಯ ಹಂತದಲ್ಲಿದೆ ಎಂದು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ. ಗೇಮರುಗಳಿಗಾಗಿ ಅಲ್ಲ. ಇದಲ್ಲದೆ, ಪ್ರತಿಯೊಂದು ಪ್ರಕಾರದ ಗೇಮರುಗಳಿಗಾಗಿ ಮತ್ತು ಆರೋಗ್ಯವಂತ ಗೇಮರುಗಳಿಗಾಗಿನ ತಾರತಮ್ಯಕ್ಕಿಂತ ಎರಡು ಬಗೆಯ ಗೇಮರುಗಳಿಗಾಗಿ ವರ್ಗೀಕರಣಕ್ಕೆ ಕಡಿಮೆ ವಿರಳ ಲಕ್ಷಣಗಳು ರೋಗಶಾಸ್ತ್ರೀಯ ಮತ್ತು ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ಪರಸ್ಪರ ಭಿನ್ನವಾಗಿರುತ್ತವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ ಆರೋಗ್ಯಕರ ನಾನ್-ಗೇಮರ್‌ಗಳಿಂದ ಭಿನ್ನವಾಗಿರುವುದಕ್ಕಿಂತ ನರರೋಗಶಾಸ್ತ್ರದ. ಅಂತೆಯೇ, ವಿರಳ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ಉತ್ಪತ್ತಿಯಾಗುವ ವರ್ಗೀಕರಣ ಮಾದರಿಗಳು ಪ್ರತಿಯೊಂದು ಪ್ರಕಾರದ ಗೇಮರುಗಳಿಗಾಗಿ ಮತ್ತು ಆರೋಗ್ಯಕರ ನಾನ್-ಗೇಮರ್‌ಗಳ ನಡುವಿನ ತಾರತಮ್ಯದಲ್ಲಿ 98% ಗಿಂತ ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ನೀಡಿತು ಆದರೆ ಎರಡು ರೀತಿಯ ಗೇಮರ್‌ಗಳ ನಡುವಿನ ವರ್ಗೀಕರಣದಲ್ಲಿ 70% ಗಿಂತ ಕಡಿಮೆ ನಿಖರತೆಯನ್ನು ನೀಡಿತು. ಅಂದರೆ, ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ಆರೋಗ್ಯಕರ ಅಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ಮತ್ತು ರೋಗಶಾಸ್ತ್ರೀಯ ಗೇಮರುಗಳಿಗಾಗಿ ಭಿನ್ನತೆಯನ್ನು ಹೊಂದಿದ್ದರು, ಆದರೆ ರೋಗಶಾಸ್ತ್ರೀಯ ಮತ್ತು ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸುವಲ್ಲಿ ಮಿತಿಗಳಿವೆ.
ಎರಡು ವಿಧದ ಗೇಮರುಗಳಿಗಾಗಿ ಈ ಕಡಿಮೆ ವ್ಯತ್ಯಾಸವು ಕೆಲವು ಕಲ್ಪನೆಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಮೊದಲನೆಯದಾಗಿ, ರೋಗಲಕ್ಷಣದ ಆಧಾರಿತ ವರ್ಗೀಕರಣ ಮತ್ತು ಗಣನೆ ಆಧಾರಿತ ವರ್ಗೀಕರಣದ ನಡುವಿನ ಹೊಂದಾಣಿಕೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸಬಹುದು. ಐಜಿಡಿಎಸ್‌ನಲ್ಲಿ ಐದು ಅಥವಾ ಹೆಚ್ಚಿನ ಮಾನದಂಡಗಳನ್ನು ಅನುಭವಿಸುವ ಉದ್ದೇಶಿತ ರೋಗನಿರ್ಣಯದ ಮಿತಿಯನ್ನು ಐಜಿಡಿಯ ಅತಿಯಾದ ರೋಗನಿರ್ಣಯವನ್ನು ತಡೆಗಟ್ಟಲು ಸಂಪ್ರದಾಯಬದ್ಧವಾಗಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದ್ದರೂ (12), ನರರೋಗಶಾಸ್ತ್ರದಲ್ಲಿ ಸಾಕಷ್ಟು ರೋಗಶಾಸ್ತ್ರೀಯ ಬದಲಾವಣೆಗಳನ್ನು ಅನುಭವಿಸುವ ಆದರೆ ಐಜಿಡಿ ಮಿತಿಯನ್ನು ತೃಪ್ತಿಪಡಿಸದ ಗೇಮರುಗಳಿಗಾಗಿ ಇರುವಿಕೆಯನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುವುದಿಲ್ಲ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಐಜಿಡಿಎಸ್ ಐಜಿಡಿ ಮಿತಿಗಳನ್ನು ಸಾಮಾನ್ಯ ಗೇಮರುಗಳಿಗಾಗಿ ತೃಪ್ತಿಪಡಿಸಿದ ಗೇಮರುಗಳಿಗಾಗಿ ಮಾತ್ರ ನಾವು ಸೇರಿಸಿದ್ದೇವೆ, ಇದರಿಂದಾಗಿ ಐಜಿಡಿ ಇಲ್ಲ ಎಂದು ರೋಗನಿರ್ಣಯ ಮಾಡಿದ ಗೇಮರುಗಳಿಗಾಗಿ ಸಾಮಾನ್ಯವಾಗಿ ಈ ಅಧ್ಯಯನದಲ್ಲಿ ತೋರಿಸಿರುವ ಗೇಮಿಂಗ್ ಅಲ್ಲದ ಆರೋಗ್ಯವಂತ ವ್ಯಕ್ತಿಗಳಿಂದ ದೂರವಿರಬಹುದು. ಎರಡನೆಯದಾಗಿ, ನರರೋಗಶಾಸ್ತ್ರೀಯ ಬಯೋಮಾರ್ಕರ್‌ಗಳನ್ನು ಮಾತ್ರ ಅವಲಂಬಿಸಿರುವ ವರ್ಗೀಕರಣದಲ್ಲಿನ ಸವಾಲನ್ನು ಗಮನಿಸಬಹುದು. ರೋಗಶಾಸ್ತ್ರೀಯ ಮತ್ತು ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ಹೆಚ್ಚಿನ ಅಸಮಾನತೆಯನ್ನು ಸೆರೆಹಿಡಿಯಬಲ್ಲ ಇತರ ಬಯೋಮಾರ್ಕರ್‌ಗಳನ್ನು ಸೇರಿಸುವ ಮೂಲಕ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸಬಹುದು. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಮೆದುಳಿನಲ್ಲಿನ ಕ್ರಿಯಾತ್ಮಕ ಬದಲಾವಣೆಗಳನ್ನು ಐಜಿಡಿಯಲ್ಲಿ ಸಹ ಪ್ರದರ್ಶಿಸಲಾಗುತ್ತದೆ (29-33), ಕಾರ್ಯ ಮತ್ತು ಮೆದುಳಿನ ಅಂಗರಚನಾಶಾಸ್ತ್ರವನ್ನು ಮೆದುಳಿನ ಬಯೋಮಾರ್ಕರ್‌ಗಳೆಂದು ಪರಿಗಣಿಸಬಹುದು. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಮೆದುಳಿನಲ್ಲಿನ ಬದಲಾವಣೆಗಳು ಇಂಟರ್ನೆಟ್ ಗೇಮಿಂಗ್ ವ್ಯಸನದ ಬಹುಆಯಾಮದ ಅಂಶಗಳ ಭಾಗವಾಗಿದೆ ಎಂಬುದನ್ನು ನಾವು ಗಮನಿಸಲು ಬಯಸುತ್ತೇವೆ, ಇದರಿಂದಾಗಿ ಇತರ ಅಂಶಗಳು, ಇಂಟರ್ನೆಟ್ ಗೇಮಿಂಗ್ ಚಟಕ್ಕೆ ಕನಿಷ್ಠ ಆಂತರಿಕ ಮತ್ತು ಬಾಹ್ಯ ಅಪಾಯಕಾರಿ ಅಂಶಗಳಲ್ಲ (34), ರೋಗಶಾಸ್ತ್ರೀಯ ಮತ್ತು ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಮತ್ತು ಗೇಮಿಂಗ್ ಅಲ್ಲದ ಆರೋಗ್ಯವಂತ ವ್ಯಕ್ತಿಗಳಿಂದ ಗೇಮರುಗಳಿಗಾಗಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಹೆಚ್ಚು ಸಂಪೂರ್ಣ ಮಾದರಿಗಳಲ್ಲಿ ಸೇರಿಸಬೇಕು.
ಇಲ್ಲಿ, ವರ್ಗೀಕರಣ ಮಾದರಿಗಳಿಗೆ ಪ್ರಮುಖ ಲಕ್ಷಣಗಳನ್ನು ಗುರುತಿಸಲು ನಾವು ಲಾಸ್ಸೊ ಮತ್ತು ಸ್ಥಿತಿಸ್ಥಾಪಕ ನಿವ್ವಳದಂತಹ ವಿರಳತೆ-ಉತ್ತೇಜಿಸುವ ಅಂದಾಜುಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಕ್ರಮಬದ್ಧಗೊಳಿಸಿದ ಹಿಂಜರಿಕೆಯನ್ನು ಬಳಸಿದ್ದೇವೆ. ವೈಶಿಷ್ಟ್ಯದ ಆಯ್ಕೆ ಅಥವಾ ಆಯಾಮದ ಕಡಿತದಲ್ಲಿ ವಾಸ್ತವವಾಗಿ ಕ್ರಮಶಾಸ್ತ್ರೀಯ ವ್ಯತ್ಯಾಸಗಳಿವೆ, ಮತ್ತು ಮಾದರಿ ನಿರ್ಮಾಣದಲ್ಲಿ ಆಯ್ದ ವೈಶಿಷ್ಟ್ಯಗಳ ಬಳಕೆಗಾಗಿ ವಿವಿಧ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳಬಹುದು (35). ಕ್ರಮಬದ್ಧಗೊಳಿಸಿದ ಹಿಂಜರಿಕೆಯನ್ನು ಬಳಸುವ ನಮ್ಮ ವಿಧಾನವು ನರರೋಗಶಾಸ್ತ್ರೀಯ ವೈಶಿಷ್ಟ್ಯಗಳಲ್ಲಿನ ವಿರಳತೆಗೆ ಸಂಬಂಧಿಸಿದ ಒಂದು ಪೂರ್ವಭಾವಿ umption ಹೆಯನ್ನು ನೀಡುತ್ತದೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ ನಾವು ನಂಬಿರುವಂತೆ, ಅಂತಹ umption ಹೆಯು ಸ್ವೀಕಾರಾರ್ಹ ಎಂದು ಒದಗಿಸಲಾಗಿದೆ, ಕ್ರಮಬದ್ಧಗೊಳಿಸಿದ ಹಿಂಜರಿತವು ಒಂದು ಸಮರ್ಥನೀಯ ವಿಧಾನವಾಗಿರಬಹುದು ಮತ್ತು ಆಯ್ದ ವಿರಳ ವೈಶಿಷ್ಟ್ಯಗಳು ಸಮರ್ಪಕವಾಗಿ ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯ ವರ್ಗೀಕರಣ ಮಾದರಿಗಳನ್ನು ರಚಿಸುವ ನಿರೀಕ್ಷೆಯಿದೆ. ಆದರೆ ಹೆಚ್ಚಿನ ವಿರಳತೆಯ ಆಧಾರದ ಮೇಲೆ ಸರಳವಾದ ವರ್ಗೀಕರಣ ಮಾದರಿಗಳು ಯಾವಾಗಲೂ ಹೋಲಿಸಬಹುದಾದ ಅಥವಾ ಸುಧಾರಿತ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರದರ್ಶಿಸುವುದಿಲ್ಲ ಎಂಬುದು ಗಮನಾರ್ಹ. ವಾಸ್ತವವಾಗಿ, ಕ್ರಮಬದ್ಧಗೊಳಿಸುವಿಕೆಯ ನಿಯತಾಂಕದ ಪ್ರಕಾರ ವಿರಳತೆಯ ಹಂತದ ವಿಭಿನ್ನ ಆಯ್ಕೆಗಳ ನಡುವೆ, ರೋಗಶಾಸ್ತ್ರೀಯ ಮತ್ತು ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ವರ್ಗೀಕರಣದಂತಹ ಹೆಚ್ಚು ಸವಾಲಿನ ವರ್ಗೀಕರಣ ಸಮಸ್ಯೆಗಳಲ್ಲಿ ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೆಚ್ಚಿನ ಸ್ಪಾರ್ಸಿಟಿ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಾದರಿಯನ್ನು ಒದಗಿಸುವ ಸಾಧ್ಯತೆಯಿಲ್ಲ.
ಹೆಚ್ಚುವರಿಯಾಗಿ, ವರ್ಗೀಕರಣ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ನಾವು ಎಸ್‌ವಿಎಂಗಳನ್ನು ಎಂಎಲ್ ತಂತ್ರವಾಗಿ ಬಳಸಿದ್ದೇವೆ, ಏಕೆಂದರೆ ಅವು ಹೆಚ್ಚು ಜನಪ್ರಿಯವಾಗಿವೆ. ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸಲು ಇತರ ಸುಧಾರಿತ ವಿಧಾನಗಳನ್ನು ಬಳಸಬಹುದು, ಆದಾಗ್ಯೂ ಪ್ರಾಯೋಗಿಕ ಸನ್ನಿವೇಶಗಳ ಮೇಲೆ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅವಲಂಬನೆಯಿಂದಾಗಿ ವಿಭಿನ್ನ ವಿಧಾನಗಳ ನಡುವಿನ ತುಲನಾತ್ಮಕ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೀರ್ಮಾನಿಸಲಾಗುವುದಿಲ್ಲ.19). ಮತ್ತೊಂದೆಡೆ, ಶಾಸ್ತ್ರೀಯ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳು ಮತ್ತು ಎಂಎಲ್ ತಂತ್ರಗಳ ನಡುವಿನ ತುಲನಾತ್ಮಕ ಕಾರ್ಯಕ್ಷಮತೆಗಾಗಿ, ನಾವು ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಮೂಲಕ ವರ್ಗೀಕರಣವನ್ನು ನಡೆಸಿದ್ದೇವೆ ಮತ್ತು ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಮತ್ತು ಎಸ್‌ವಿಎಂಗಳು ಎಂಬ ಎರಡು ವಿಧಾನಗಳನ್ನು ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಹೋಲಿಸಬಹುದು ಎಂದು ತೋರಿಸಿದೆ (ಚಿತ್ರ S2). ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಶಾಸ್ತ್ರೀಯ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳು ಯಾವಾಗಲೂ ಎಂಎಲ್ ತಂತ್ರಗಳಿಗಿಂತ ಕೆಳಮಟ್ಟದಲ್ಲಿರುವುದಿಲ್ಲ ಎಂದು ಪುನರಾವರ್ತಿಸಬಹುದು.36).
ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದಲ್ಲಿ, ವರ್ಗೀಕರಣ ಮಾದರಿಗಳನ್ನು ರಚಿಸಿದ ವಿರಳವಾದ ನರರೋಗಶಾಸ್ತ್ರೀಯ ಬಯೋಮಾರ್ಕರ್‌ಗಳ ದೃಷ್ಟಿಯಿಂದ ಐಜಿಡಿಯ ರೋಗಲಕ್ಷಣ ಆಧಾರಿತ ವರ್ಗೀಕರಣವನ್ನು ಪ್ರತಿನಿಧಿಸಬಹುದು ಎಂದು ನಾವು ಬಹಿರಂಗಪಡಿಸಿದ್ದೇವೆ. ಇದಲ್ಲದೆ, ನರರೋಗಶಾಸ್ತ್ರದ ದೃಷ್ಟಿಯಿಂದ, ರೋಗರಹಿತ ಗೇಮರುಗಳಿಗಾಗಿ ಗೇಮಿಂಗ್ ಅಲ್ಲದ ಆರೋಗ್ಯವಂತ ವ್ಯಕ್ತಿಗಳಿಗಿಂತ ರೋಗಶಾಸ್ತ್ರೀಯ ಗೇಮರುಗಳಿಗಾಗಿ ಕಡಿಮೆ ವ್ಯತ್ಯಾಸವನ್ನು ತೋರಿಸಬಹುದು ಎಂದು ನಾವು ತೋರಿಸಿದ್ದೇವೆ. ಪ್ರಸ್ತುತ ರೋಗನಿರ್ಣಯ ವ್ಯವಸ್ಥೆಗಳು ಡಿಎಸ್ಎಮ್-ಎಕ್ಸ್‌ಎನ್‌ಯುಎಮ್‌ಎಕ್ಸ್‌ನಂತಹ ವಿವರಣಾತ್ಮಕ ವರ್ಗೀಕರಣವನ್ನು ಚಿನ್ನದ ಮಾನದಂಡಗಳಾಗಿ ಅವಲಂಬಿಸಿದ್ದರೂ, ರೋಗಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಗೇಮರುಗಳಿಗಾಗಿ ನರರೋಗಶಾಸ್ತ್ರೀಯ ಮಾರ್ಪಾಡುಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ವಸ್ತುನಿಷ್ಠ ಬಯೋಮಾರ್ಕರ್‌ಗಳನ್ನು ಬಳಸುವುದರ ಮೂಲಕ ಹೆಚ್ಚಿನ ಕಾಳಜಿಯನ್ನು ಕಂಡುಹಿಡಿಯಬೇಕಾಗಬಹುದು ಎಂದು ನಾವು ಸೂಚಿಸುತ್ತೇವೆ. ಕಂಪ್ಯೂಟೇಶನಲ್ ವಿಧಾನಗಳ ಅಳವಡಿಕೆ ಮನೋವೈದ್ಯಶಾಸ್ತ್ರದಲ್ಲಿ ಬದಲಾಯಿಸಲಾಗದ ಪ್ರವೃತ್ತಿಯೆಂದು ತೋರುತ್ತದೆ, ಆದರೆ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಕ್ಲಿನಿಕಲ್ ಪರಿಸರಕ್ಕೆ ಅನ್ವಯಿಸಲು ಬಹಳ ದೂರ ಹೋಗಬಹುದು. ಮೆದುಳಿನ ಚಿತ್ರಣ ಮತ್ತು ಇತರ ಕ್ಲಿನಿಕಲ್ ದತ್ತಾಂಶಗಳಿಂದ ವಿರಳ ವೈಶಿಷ್ಟ್ಯಗಳ ಅತ್ಯುತ್ತಮ ಆಯ್ಕೆಗಾಗಿ ಹುಡುಕಾಟವನ್ನು ನಂತರದ ಅಧ್ಯಯನಗಳಲ್ಲಿ ನಡೆಸಬೇಕಾಗಿದೆ, ಮತ್ತು ದೀರ್ಘಾವಧಿಯಲ್ಲಿ, ಈ ಪ್ರಯತ್ನಗಳು ಐಜಿಡಿಯ ಲೆಕ್ಕಾಚಾರ ಆಧಾರಿತ ರೋಗನಿರ್ಣಯವನ್ನು ಉತ್ತೇಜಿಸುತ್ತದೆ.
ಲೇಖಕ ಕೊಡುಗೆಗಳು
ಡಿ-ಜೆಕೆ ಮತ್ತು ಜೆ-ಡಬ್ಲ್ಯೂಸಿ ಅಧ್ಯಯನದ ಪರಿಕಲ್ಪನೆ ಮತ್ತು ವಿನ್ಯಾಸದ ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊಂದಿದ್ದವು. ಎಚ್‌ಸಿ ಭಾಗವಹಿಸುವವರ ಕ್ಲಿನಿಕಲ್ ಪಾತ್ರ ಮತ್ತು ಆಯ್ಕೆಯನ್ನು ನಡೆಸಿತು. ಸಿಪಿ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸಿ ಹಸ್ತಪ್ರತಿಯನ್ನು ರಚಿಸಿದರು. ಎಲ್ಲಾ ಲೇಖಕರು ವಿಷಯವನ್ನು ವಿಮರ್ಶಾತ್ಮಕವಾಗಿ ಪರಿಶೀಲಿಸಿದ್ದಾರೆ ಮತ್ತು ಪ್ರಕಟಣೆಗಾಗಿ ಅಂತಿಮ ಆವೃತ್ತಿಯನ್ನು ಅನುಮೋದಿಸಿದ್ದಾರೆ.
ಬಡ್ಡಿ ಹೇಳಿಕೆ ಸಂಘರ್ಷ
ಲೇಖಕರು ಯಾವುದೇ ವಾಣಿಜ್ಯ ಅಥವಾ ಆರ್ಥಿಕ ಸಂಬಂಧಗಳ ಅನುಪಸ್ಥಿತಿಯಲ್ಲಿ ನಡೆಸಿದ ಸಂಶೋಧನೆಯು ಸಂಭವನೀಯ ಘರ್ಷಣೆಗೆ ಕಾರಣವಾಗಬಹುದು ಎಂದು ಘೋಷಿಸುತ್ತದೆ.
ಅಡಿಟಿಪ್ಪಣಿಗಳು
ಧನಸಹಾಯ. ಈ ಸಂಶೋಧನೆಯನ್ನು ಕೊರಿಯಾದ ವಿಜ್ಞಾನ ಮತ್ತು ಐಸಿಟಿ ಸಚಿವಾಲಯ (NRF-2014M3C7A1062893) ನಿಂದ ಧನಸಹಾಯ ಪಡೆದ ನ್ಯಾಷನಲ್ ರಿಸರ್ಚ್ ಫೌಂಡೇಶನ್ ಆಫ್ ಕೊರಿಯಾ (NRF) ಮೂಲಕ ಬ್ರೈನ್ ಸೈನ್ಸ್ ರಿಸರ್ಚ್ ಪ್ರೋಗ್ರಾಂ ಬೆಂಬಲಿಸಿದೆ.
ಪೂರಕ ವಸ್ತು
ಈ ಲೇಖನದ ಪೂರಕ ವಸ್ತುವನ್ನು ಆನ್ಲೈನ್ನಲ್ಲಿ ಕಾಣಬಹುದು: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material
ಉಲ್ಲೇಖಗಳು
;