P.013 Machine Learning on Drawing Tests of Cognition: A Systematic Review
Notice bibliographique
Résumé
Background: Machine learning (ML) methods hold promise in allowing early detection of dementia. We performed a systematic review to assess the quality of published evidence for using ML methods applied to drawing tests of cognition, and to describe the accuracy of the methods. Methods: Embase, Medline, and Cochrane Central Library databases were searched for potential studies up to December 8, 2018 by four independent reviewers. Included articles satisfied the following criteria: 1) use of ML on 2) a drawing test in order to 3) assess cognition. The quality of evidence was then assessed using GRADE methodology. Results: The initial search yielded 4620 citations. Of these, 64 were eligible for full text review. 18 articles then met inclusion criteria. Median AUC across all models was 0.765, with certain ML algorithms performing better in terms of AUC or diagnostic accuracy. However, based on GRADE, the quality of evidence was deemed very low. Conclusions: ML has been applied by several groups to drawing tests of cognition. The quality of evidence is currently too low to make recommendations on their use. Future work must focus on improving reporting, and using standard algorithms and larger, more diverse datasets to improve comparability and generalizability.
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 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 | 0,012 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».