Abstract P63: Post-Stroke Cognitive Complaints and Normal MoCA Scores: A Possible Role for Machine Learning-Augmented Cognitive Screening
Notice bibliographique
Résumé
Background: The Montreal Cognitive Assessment (MoCA) may be insufficiently sensitive to cognitive impairment in high-functioning stroke survivors. We examined the ability of a machine learning (ML) algorithm to distinguish young stroke survivors with mRS of 0-1 and MoCA >26 vs. age-matched controls. Methods: As part of a study comparing performance of the NIH Toolbox Cognitive Battery (NIHTB-CB) in characterizing cognitive deficits in young survivors, we assessed 52 survivors and 53 healthy controls. Voice recordings of subjects describing the Cookie Theft photo were analyzed using a Natural Language Processing algorithm incorporating 335 lexical and acoustic features. We used a stratified five-fold cross validation, performing a feature selection step before training where we selected for inclusion into the model the first k features with the highest absolute correlation with labels in the training fold. Area under the receiver operating curve (AUC) was calculated for each model. Results: MoCA was >26 in 83% of controls and 63% of stroke survivors. Using a Gaussian Naive Bayes Classifier, AUC for stroke survivors vs. controls in those with MoCA >26 was 0.74 (95%CI 0.58-0.91). Informative non-acoustic features included lexical and syntactic complexity, info-units (ie. features in the picture) and spatial orientation of info-units. The analysis is ongoing and relation with NIHTB-CB scores will be reported subsequently. Conclusions: There is a ceiling effect of the MoCA. Automated ML assessments may serve as efficient screening adjuncts prior to more detailed cognitive assessments in high-functioning stroke survivors with cognitive complaints. Further work is needed.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».