Taking the tester out of the SDMT: A proof of concept fully automated approach to assessing processing speed in people with MS
Notice bibliographique
Résumé
Background: One factor hindering the widespread use of cognitive testing for people with multiple sclerosis (pwMS) is the need for a tester to administer tests. Objective: To undertake a proof of concept study assessing the feasibility of a fully automated speech recognition version of the Symbol Digit Modalities Test (auto-SDMT) in detecting abnormalities in processing speed in pwMS. Methods: A sample of 50 pwMS and 32 matched healthy control (HC) subjects was tested with the auto-SDMT and the Brief International Cognitive Assessment for MS (BICAMS). Results: The percentages of MS participants impaired on the auto-SDMT and the traditional oral SDMT were 34% and 32%, respectively. Excellent convergent validity was found between the two tests (MS: r = −0.806, p < 0.001 and HC: r = −0.629, p < 0.001). The auto-SDMT had a similar sensitivity and specificity to the traditional oral SDMT in predicting overall impairment on the BICAMS. Conclusion: The auto-SDMT is a sensitive measure for detecting processing speed deficits in pwMS. The test, the first entirely computer administrated oral response version of the SDMT, uses speech recognition technology, thereby eliminating the need for a human tester. Replication of the results is required in a larger representative sample of pwMS.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».