Feasibility and Effects of Cognitive Training with the COGNIPLAT Game Platform in Elderly with Mild Cognitive Impairment: Pilot Randomized Controlled Trial
Notice bibliographique
Résumé
This study examines the effectiveness of a new multi-domain multimodal cognitive training game platform, COGNIPLAT, in improving cognitive performance in elderly with mild cognitive impairment (MCI). The platform combines standard serious games and cognitive stimulation leveraging virtual and augmented reality technologies. A double-arm, evaluator-blinded randomized controlled trial was conducted with 21 elderly participants in the MCI spectrum, with 11 in the intervention group (INT) and 10 in the control group (CTL). Feasibility was assessed in terms of adherence, effective learning, and perceived usefulness. The INT attended 24 training sessions, 60 minutes long, twice a week, whereas the CTL engaged in normal daily activities and usual care. Results showed that the INT had a statistically significant change in the Montreal Cognitive Assessment score, stages List B Recall, Short-term delayed Recall, and Long-term delayed Recall of the Rey Auditory Verbal Learning Test (RAVLT), Trail Making Test-A and B test scores, Digit Span Test (DST) Forward Span, and Functional Activities Questionnaire score. A trend level difference was also found for the RAVLT Recognition and the DST Backward Span. No significant differences were found for the CTL in any of the metrics. The completion rate of the INT was 91%, and the attendance rate was 100% for participants who completed the follow-up segment of the study. The engagement level was high, and effective learning was observed between the participants. The perceived usability and usefulness of the game platform was assessed as high. This study provides evidence of a positive effect of a multi-domain multimodal-based cognitive training program in elderly with MCI, with broader benefits on cognition by inducing more cooperative transfer effects over different domains.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».