Behavioral marker-based predictive modeling of functional status for older adults with subjective cognitive decline and mild cognitive impairment: Study protocol
Notice bibliographique
Résumé
Objective: This study describes a research protocol for a behavioral marker-based predictive model that examines the functional status of older adults with subjective cognitive decline and mild cognitive impairment. Methods: A total of 130 older adults aged ≥65 years with subjective cognitive decline or mild cognitive impairment will be recruited from the Dementia Relief Centers or the Community Service Centers. Data on behavioral and psychosocial markers (e.g. physical activity, mobility, sleep/wake patterns, social interaction, and mild behavioral impairment) will be collected using passive wearable actigraphy, in-person questionnaires, and smartphone-based ecological momentary assessments. Two follow-up assessments will be performed at 12 and 24 months after baseline. Mixed-effect machine learning models: MErf, MEgbm, MEmod, and MEctree, and standard machine learning models without random effects [random forest, gradient boosting machine] will be employed in our analyses to predict functional status over time. Results: The results of this study will be fundamental for developing tailored digital interventions that apply deep learning techniques to behavioral data to predict, identify, and aid in the management of functional decline in older adults with subjective cognitive decline and mild cognitive impairment. These older adults are considered the optimal target population for preventive interventions and will benefit from such tailored strategies. Conclusions: Our study will contribute to the development of self-care interventions that utilize behavioral data and machine learning techniques to provide automated analyses of the functional decline of older adults who are at risk for dementia.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».