74 * ASSESSMENT OF COGNITION USING COGNITIVE TRAINING APPLICATIONS
Notice bibliographique
Résumé
Introduction: Cognitive training (CT) has been suggested as a treatment to improve cognition in patients with dementia. Given the increased availability and use of smartphone and tablets applications, we investigated the ability of older adults, particularly those with dementia, to engage with these technologies, and whether CT has an alternative role in the assessment of cognition. Methods: Patients with cognitive impairment attending a university hospital memory clinic and day hospital, completed a questionnaire (n = 40) detailing the frequency and breadth of technology use. Participants were then instructed to use a tablet computer and complete three CT apps. CT scores were correlated with demographics, questionnaire results and total Montreal Cognitive Assessment (MoCA) scores. Results: All three CT app tasks were fully completed by 85% (n = 34) of participants; 79.4% (n = 27) would use them again, and 23.5% (n = 8) found using the CT apps ‘easy’. There was a moderate, significant correlation between the number of technology based devices used in the home, and total CT scores (r = 0.41, p = 0.02). Total CT scores were found to be significantly correlated with total MoCA scores (r = 0.78, p < .01). MoCA subtests, apart from delayed recall, were also significantly related to CT scores. After correcting for frequency of technology use, CT scores were found to be significantly predictive of MoCA scores. Conclusions: Total CT scores for patients with mild to moderate dementia reflect MoCA scores, thus providing a possible marker of cognitive function. CT applications may represent a combined diagnostic and treatment modality, which can track cognition over time. It also may be more acceptable to older adults than traditional confrontational cognitive testing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».