Harnessing Artificial Intelligence for Early and Evolution of Alzheimer’s Disease Detections and Enhancing Senior Mental Health through Innovative Art-Singing Therapies: A Multidisciplinary Approach
Notice bibliographique
Résumé
The well-documented therapeutic potential of group singing for patients living with Alzheimer’s disease (PLAD) has been hindered by COVID-19 restrictions, exacerbating loneliness and cognitive decline among seniors in residential and long-term care centers (CHSLDs). Addressing this challenge, the multidisciplinary study aims to develop a patient-oriented virtual reality (XR) interaction system facilitating group singing for mental health support during confinement and enhancing the understanding of the links between Alzheimer’s disease, social interaction, and singing. The researchers also propose to establish an early AD detection system using voice, facial, and non-invasive biometric measurements and validate the efficacy of selected intervention practices. The methodology involves co-designing an intelligent environment with caregivers to support PLAD mental health through online group singing, addressing existing constraints in CHSLDs. The researchers will engage volunteers in remote singing interactions and validate the impact of voice stimulation for PLADs using a control group. The primary expected outcome is the development of an “Intelligent Learning Health Environment,” fostering interactions while adapting to individual PLAD situations and incrementally accumulating knowledge on AD signs. This environment will facilitate the transfer of knowledge and technologies to promote non-verbal interactions via singing, enabling intervention at the first symptoms. Additionally, the research will contribute to transforming CHSLDs’ living environments, informed by neuroscience insights, and potentially extend the “collaborative self-care” approach to support seniors in aging safely and healthily at home.
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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».