Prediction of Mild Cognitive Impairment Status: Pilot Study of Machine Learning Models Based on Longitudinal Data From Fitness Trackers
Notice bibliographique
Résumé
BACKGROUND: Early signs of Alzheimer disease (AD) are difficult to detect, causing diagnoses to be significantly delayed to time points when brain damage has already occurred and current experimental treatments have little effect on slowing disease progression. Tracking cognitive decline at early stages is critical for patients to make lifestyle changes and consider new and experimental therapies. Frequently studied biomarkers are invasive and costly and are limited for predicting conversion from normal to mild cognitive impairment (MCI). OBJECTIVE: This study aimed to use data collected from fitness trackers to predict MCI status. METHODS: In this pilot study, fitness trackers were worn by 20 participants: 12 patients with MCI and 8 age-matched controls. We collected physical activity, heart rate, and sleep data from each participant for up to 1 month and further developed a machine learning model to predict MCI status. RESULTS: Our machine learning model was able to perfectly separate between MCI and controls (area under the curve=1.0). The top predictive features from the model included peak, cardio, and fat burn heart rate zones; resting heart rate; average deep sleep time; and total light activity time. CONCLUSIONS: Our results suggest that a longitudinal digital biomarker differentiates between controls and patients with MCI in a very cost-effective and noninvasive way and hence may be very useful for identifying patients with very early AD who can benefit from clinical trials and new, disease-modifying therapies.
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 | 0,009 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».