P4‐207: EMPLOYING ARTIFICIAL INTELLIGENCE IN THE DEVELOPMENT OF A SELF‐ADMINISTERED, COMPUTERISED COGNITIVE ASSESSMENT FOR THE ASSESSMENT OF NEURODEGENERATION
Notice bibliographique
Résumé
We developed the Integrated Cognitive Assessment (ICA), a novel, computerised cognitive assessment test that aims at screening for cognitive impairment in a way that can simplify and accelerate that diagnosis of Alzheimer's Dementia (AD) and Mild Cognitive Impairment (MCI) .The test is self-administered, takes approximately five minutes and primarily focuses on measuring speed of information processing and utilises artificial intelligence in order to improve its predictive power.The ICA is independent of language and education and is free from learning bias (i.e. practice effect). We carried a head-to-head comparison of the ICA against the Montreal Cognitive Assessment (MoCA) and the Addenbrooke's Cognitive Assessment (ACE-III) in 69 participants of which 19 had a diagnosis of Mild AD, 21 had a diagnosis of MCI and 29 healthy volunteers where participants' age range varied from 50 to 83 years (mean= 67.1 years; Standard Deviation= 7.7 years). ICA's AI component (AI-engine) utilised a logistic regression model and yielded an Area-under-the-Receiver-Operating-Characteristic-Curve (AUC) score of 81.7% when discriminating between detection of cognitive impairment in the MCI and AD groups and the healthy volunteers group. The AUC for MoCA was at 73.5% and for the ACE-III at 73.9%.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».