COGNOSPEAK: a feasibility pilot study of automated speech analysis to aid cognitive assessment post stroke
Notice bibliographique
Résumé
Background Stroke survivors (SSs) often experience cognitive decline following initial stroke, necessitating repeat cognitive assessments. Current methods of assessment, such as Montreal Cognitive Assessment (MoCA), are time-consuming and rely on health-care professionals. Addressing these challenges, we introduce Cognospeak. Methods CognoSpeak is used initially in the acute post-stroke within the hospital and subsequently at home. CognoSpeak assesses cognitive decline via a user interface using a virtual agent. SS answer questions and complete cognitive tests. CognoSpeak uses Artificial intelligence methods to extract and process speech, language, and interactional cues for cognitive decline. Barriers to automated cognitive assessment in SS are also explored. Results In a cohort of 55 SS, a best regression result (Normalized Root Mean Squared Error) of 0.092 was achieved for predicting MOCA score. Identifying cognitive impairment (MoCA score cutoff of < 26) yields a Specificity of 0.73, Sensitivity of 0.75. Demonstrating the first evidence of the system’s robustness in SS. Conclusions CognoSpeak can be used successfully in the acute stroke setting to predict cognitive scores of SS, highlighting its use in streamlining and improving post-stroke cognitive assessment. Challenges of automated assessment on the stroke pathway include patient computer access, anxiety in using information technology resources and post-stroke apathy.
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 | 0,006 | 0,009 |
| 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 | 0,001 | 0,001 |
| 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) | 0,004 | 0,002 |
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 ».