Predicting Cognitive Impairment in Cerebrovascular Disease Using Spoken Discourse Production
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose: Dementia due to cerebrovascular disease (CVD) is common. Detecting early cognitive decline in CVD is critical because addressing risk factors may slow or prevent dementia. This study used a multidomain discourse analysis approach to determine the spoken language signature of CVD-related cognitive impairment. Method: Spoken language and neuropsychological assessment data were collected prospectively from 157 participants with CVD as part of the Ontario Neurodegenerative Disease Research Initiative, a longitudinal, observational study of neurodegenerative disease. Participants were categorized as impaired ( n = 92) or cognitively normal for age ( n = 65) based on neuropsychology criteria. Spoken language samples were transcribed orthographically and annotated for 13 discourse features, across five domains. Discriminant function analyses were used to determine a minimum set of discourse variables, and their estimated weights, for maximizing diagnostic group separation. Results: The optimal discriminant function that included 10 of 13 discourse measures correctly classified 78.3% of original cases (69.4% cross-validated cases) with a sensitivity of 77.2% and specificity of 80.0%. Conclusion: Spoken discourse appears to be a sensitive measure for detecting cognitive impairment in CVD with measures of productivity, information content, and information efficiency heavily weighted in the final algorithm.
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.
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 découle