DEVELOPMENT AND EVALUATION OF COGNITIVE IMPAIRMENT SCREENING TOOL BASED ON EYE-TRACKING TECHNOLOGY
Notice bibliographique
Résumé
Abstract Objectives This study aimed to develop a cognitive impairment screening tool based on eye tracking technology (ET-CIS), and apply ET-CIS to community-dwelling older adults to evaluated its screening performance. Methods ET-CIS were developed based on through systematic review, pre-experiments and expert consultation. We recruited older people in the community from July 2022 to November 2022 and collected data including demographics data, Montreal cognitive assessment, the mini-mental state examination, ET-CIS. The t-test and correlation analysis were conducted to screen out statistically significant parameters with of ET-CIS. The screening models were constructed using standardized score assignment, binary logistics regression analysis, and decision tree model in the training set, and were applied in the validation to evaluate the screening performance. The best model was selected as the final scoring model. Results ET-CIS was constructed including applicable objects, pre-assessment preparation, screening dimensions, specific experiments and parameters. A total of 301 subjects were included, including 163 in the cognitively normal group and 138 in the cognitive impairment group. The results showed that the decision tree model results showed that the sensitivity of the training set was 0.752 and the sensitivity of the validation set was 0.818. We use the decision tree model as the final model. Conclusions In this study, ET-CIS was developed including the evaluation of memory function, executive function, visuospatial function and abstract function. The screening model of ET-CIS in community-dwelling older people showed good discrimination, which demonstrated it could be used to effectively screen cognitive impairment in the community in the future.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».