Development of a Machine Learning Model to Discriminate Mild Cognitive Impairment Subjects from Normal Controls in Community Screening
Notice bibliographique
Résumé
Background: Mild cognitive impairment (MCI) is a transitional stage between normal aging and probable Alzheimer’s disease. It is of great value to screen for MCI in the community. A novel machine learning (ML) model is composed of electroencephalography (EEG), eye tracking (ET), and neuropsychological assessments. This study has been proposed to identify MCI subjects from normal controls (NC). Methods: Two cohorts were used in this study. Cohort 1 as the training and validation group, includes184 MCI patients and 152 NC subjects. Cohort 2 as an independent test group, includes 44 MCI and 48 NC individuals. EEG, ET, Neuropsychological Tests Battery (NTB), and clinical variables with age, gender, educational level, MoCA-B, and ACE-R were selected for all subjects. Receiver operating characteristic (ROC) curves were adopted to evaluate the capabilities of this tool to classify MCI from NC. The clinical model, the EEG and ET model, and the neuropsychological model were compared. Results: We found that the classification accuracy of the proposed model achieved 84.5 ± 4.43% and 88.8 ± 3.59% in Cohort 1 and Cohort 2, respectively. The area under curve (AUC) of the proposed tool achieved 0.941 (0.893–0.982) in Cohort 1 and 0.966 (0.921–0.988) in Cohort 2, respectively. Conclusions: The proposed model incorporation of EEG, ET, and neuropsychological assessments yielded excellent classification performances, suggesting its potential for future application in cognitive decline prediction.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».