Diagnostic accuracy of multi-component spatial-temporal gait parameters in older adults with amnestic mild cognitive impairment
Notice bibliographique
Résumé
Objective: This study aimed to develop a diagnostic model of multi-kinematic parameters for patients with amnestic mild cognitive impairment (aMCI). Method: In this cross-sectional study, 94 older adults were included (33 cognitively normal, CN; and 61 aMCI). We conducted neuropsychological battery tests, such as global cognition and cognitive domains, and collected gait parameters by an inertial-sensor gait analysis system. Multivariable regression models were used to identify the potential diagnostic variables for aMCI. Receiver operating characteristic (ROC) curves were applied to assess the diagnostic accuracy of kinematic parameters in discriminating aMCI from healthy subjects. Results: Multivariable regression showed that multi-kinematic parameters were the potential diagnostic variables for aMCI. The multi-kinematic parameter model, developed using Timed Up and Go (TUG) time, stride length, toe-off/heel stride angles, one-leg standing (OLS) time, and braking force, showed areas under ROC (AUC), 0.96 [95% confidence interval (CI), 0.905-0.857]; sensitivity, 0.90; and specificity, 0.91. In contrast, a single kinematic parameter's sensitivity was 0.26-0.95 and specificity was 0.21-0.90. Notably, the separating capacity of multi-kinematic parameters was highly similar to Montreal Cognitive Assessment (MoCA; AUC: 0.96 vs. 0.95). Compared to cognitive domain tests, the separating ability was comparable to Auditory Verbal Learning Test (AVLT) and Boston Naming Test (BNT; AUC: 0.96 vs. 0.97; AUC: 0.96 vs. 0.94). Conclusion: We developed one diagnostic model of multi-kinematic parameters for patients with aMCI in Foshan.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».