Dementia detection from brain activity during sleep
Notice bibliographique
Résumé
Abstract Background Dementia is a growing cause of disability and loss of independence in the elderly, yet remains largely under‐diagnosed. Early detection and classification of dementia may help close this diagnostic gap and improve management of disease progression. EEG sleep patterns have been identified as a potential biomarker to detect Alzheimer’s disease and other neurodegenerative diseases. Method From a dataset of 9834 polysomnograms, sleep architecture and microstructure features such as frequency band powers, EEG coherence, and spindle density were extracted. Patients were labeled as belonging to dementia, mild cognitive impairment (MCI), or cognitively normal (CN) groups based on clinical diagnosis, Montreal Cognitive Assessment (MoCA), Mini‐Mental State Exam (MMSE) scores, Clinical Dementia Rating (CDR) and medications. We trained logistic regression, random forest, and XGBoost models to classify patients into Dementia, MCI, and CN groups. Result Nested cross validation results show an AUC of 0.81 (F1 = 0.76) for binary classification of dementia vs CN groups and a mean AUC of 0.75 (F1 =0.57) for multiclass classification of dementia vs. MCI vs CN groups. REM latency, spindle activity, duration, frequency, slow wave oscillation, delta/alpha band power in wake, N1 theta/alpha band power in N1 were among the top weighted features. Conclusion Our dementia classification algorithms show promise for incorporating dementia screening techniques into routine sleep EEG and providing diagnostic, monitoring, and prognostication capabilities.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| 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) | 0,001 | 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 ».