Predictive power of gait and gait-related cognitive measures in amnestic mild cognitive impairment: a machine learning analysis
Notice bibliographique
Résumé
Introduction: Gait disorders and gait-related cognitive tests were recently linked to future Alzheimer's Disease (AD) dementia diagnosis in amnestic Mild Cognitive Impairment (aMCI). This study aimed to evaluate the predictive power of gait disorders and gait-related neuropsychological performances for future AD diagnosis in aMCI through machine learning (ML). Methods: A sample of 253 aMCI (stable, converter) individuals were included. We explored the predictive accuracy of four predictors (gait profile plus MMSE, DSST, and TMT-B) previously identified as critical for the conversion from aMCI to AD within a 36-month follow-up. Supervised ML algorithms (Support Vector Machine [SVM], Logistic Regression, and k-Nearest Neighbors) were trained on 70% of the dataset, and feature importance was evaluated for the best algorithm. Results: The SVM algorithm achieved the best performance. The optimized training set performance achieved an accuracy of 0.67 (sensitivity = 0.72; specificity = 0.60), improving to 0.70 on the test set (sensitivity = 0.79; specificity = 0.52). Feature importance revealed MMSE as the most important predictor in both training and testing, while gait type was important in the testing phase. Discussion: We created a predictive ML model that is capable of identifying aMCI at high risk of AD dementia within 36 months. Our ML model could be used to quickly identify individuals at higher risk of AD, facilitating secondary prevention (e.g., cognitive and/or physical training), and serving as screening for more expansive and invasive tests. Lastly, our results point toward theoretically and practically sound evidence of mind and body interaction in AD.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».