Unveiling peripheral neuropathy and cognitive dysfunction in diabetes: an observational and proof-of-concept study with video games and sensor-equipped insoles
Notice bibliographique
Résumé
Background: Proactive screening for cognitive dysfunction (CD) and peripheral neuropathy (PNP) in elderly patients with diabetes mellitus is essential for early intervention, yet clinical examination is time-consuming and prone to bias. Objective: We aimed to investigate PNP and CD in a diabetes cohort and explore the possibility of identifying key features linked with the respective conditions by machine learning algorithms applied to data sets obtained in playful games controlled by sensor-equipped insoles. Methods: In a cohort of patients diagnosed with diabetes (n=261) aged over 50 years PNP and CD were diagnosed based on complete physical examination (neuropathy symptom and disability scores, and Montreal Cognitive Assessment). In an observational and proof-of-concept study patients performed a 15 min lasting gaming session encompassing tutorials and four video games with 5,244 predefined features. The steering of video games was solely achieved by modulating plantar pressure values, which were measured by sensor-equipped insoles in real-time. Data sets were used to identify key features indicating game performance with correlation regarding CD and PNP findings. Thereby, machine learning models (e.g. gradient boosting and lasso and elastic-net regularized generalized linear models) were set up to distinguish patients in the different groups. Results: =0.04). Predictive game features were identified that significantly correlated with CD (n=59), PNP (n=40), or both (n=59). These features allowed to set up classification models that were enriched by individual risk profiles (i.e. gender, age, weight, BMI, diabetes type, and diabetes duration). The obtained models yielded good predictive performance with the area under the receiver-operating-characteristic curves reaching 0.95 for CD without PNP, 0.83 for PNP without CD, and 0.84 for CD and PNP combined. Conclusions: The video game-based assessment was able to categorize patients with CD and/or PNP with high accuracy. Future studies with larger cohorts are needed to validate these results and potentially enhance the discriminative power of video games.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».