Relevance of Complaint Severity in Predicting the Progression of Subjective Cognitive Decline and Mild Cognitive Impairment: A Machine Learning Approach
Notice bibliographique
Résumé
BACKGROUND: The presence of subjective cognitive complaints (SCCs) is a core criterion for diagnosis of subjective cognitive decline (SCD); however, no standard procedure for distinguishing normative and non-normative SCCs has yet been established. OBJECTIVE: To determine whether differentiation of participants with SCD according to SCC severity improves the validity of the prediction of progression in SCD and MCI and to explore validity metrics for two extreme thresholds of the distribution in scores in a questionnaire on SCCs. METHODS: Two hundred and fifty-three older adults with SCCs participating in the Compostela Aging Study (CompAS) were classified as MCI or SCD at baseline. The participants underwent two follow-up assessments and were classified as cognitively stable or worsened. Severity of SCCs (low and high) in SCD was established by using two different percentiles of the questionnaire score distribution as cut-off points. The validity of these cut-off points for predicting progression using socio-demographic, health, and neuropsychological variables was tested by machine learning (ML) analysis. RESULTS: Severity of SCCs in SCD established considering the 5th percentile as a cut-off point proved to be the best metric for predicting progression. The variables with the main role in conforming the predictive algorithm were those related to memory, cognitive reserve, general health, and the stability of diagnosis over time. CONCLUSION: Moderate to high complainers showed an increased probability of progression in cognitive decline, suggesting the clinical relevance of standard procedures to determine SCC severity. Our findings highlight the important role of the multimodal ML approach in predicting progression.
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| 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) | 0,001 | 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 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 ».