Feasibility, reliability and predictive validity of digital cognitive assessments in a diverse cohort of community‐residing older adults
Notice bibliographique
Résumé
Abstract Background Digital cognitive assessments repeated over multiple days improve reliability compared to “single‐shot” assessments due to within person variability in function. Further, digital assessments are possible when clinic visits are not. We show the utility of digital approaches using data from the Einstein Aging Study (EAS) diverse cohort of community‐dwelling older adults. Method Participants were administered conventional and ambulatory digital assessments annually. The later consisted of a 2‐week burst of digital cognitive and behavioral/exposure measures obtained 6 times/day. Digital cognitive assessments included three tests (processing speed (Symbol Match), visual short‐term memory binding (Color Shape), and spatial working memory (Grid Memory)). Exposure assessment included daily stress, pain, and subjective sleep quality. Feasibility was measured as compliance defined as proportion of completed assessments. Frequency of annual assessments completed was evaluated throughout the COVID‐19 pandemic. For digital measures, reliability was calculated using intraclass correlations (ICCs) across days within a burst and across annual visits. ICCs for conventional measures across annual visits were also computed. To assess predictive validity, we used Cox proportional hazard models to examine whether mean and variability of performance on the 3 digital cognitive tasks predicted incident MCI. Result Compliance rates overall were 88% and were ≥ 85% in strata based on MCI status, age, race/ethnicity, education or prior experience with smartphones (Table 1). Data collection was maintained throughout the pandemic (Figure 1). ICCs for the digital cognitive measures was consistently high (>0.93). The same was true for exposure measures of stress, subjective sleep and pain (>.88). ICCs across annual follow‐up for digital measures ranged from 0.87 to 0.96 compared to 0.51 to 0.87 for conventional cognitive measures. Regarding predictive validity, worse mean performance in all three digital cognitive measures and higher within‐person variability (SD) in symbol search and color shape were associated with higher risk of incident MCI. Conclusion Digital assessments are feasible to administer, have high reliability and show predictive validity for MCI. They may provide useful tools in observational studies and clinical trials due to improved classification of cognitive status and feasibility in situations where in person assessments are not possible.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».