CLINICAL EFFICACY OF A DIGITAL COGNITIVE ASSESSMENTS IN DETECTING COGNITIVE IMPAIRMENTS: A POOLED ANALYSIS
Notice bibliographique
Résumé
Abstract Dementia has become a public health concern worldwide with significant social and economic impacts. Early detection of dementia, which involves diagnosis of mild cognitive impairment (MCI), a possible prestage of dementia, is crucial for timely interventions, care planning, and reducing healthcare costs. To promote proactive screening, it is important to equip primary care providers with assessment tools that are not only validated and reliable but also easy-to-administer and seamlessly integrated into their routine workflows. BrainCheck’s cognitive assessment tool (BC-Assess), with its demonstrated high diagnostic efficacy, usability, and feasibility of implementation, offers a promising solution. This study aimed to re-evaluate the efficacy of BC-Assess in identifying MCI and dementia based on a pooled dataset. The dataset included BC-Assess data of 193 individuals (age mean=73.7; SD=11.2), comprising those with normal cognition (NC; N=48) and those diagnosed with MCI (N=53) or dementia (N=92), acquired from two previous studies and from BrainCheck’s clinical partners. Each individual’s cognitive status was determined based on results from provider clinical diagnoses (N=158; 82%) or from the Montreal Cognitive Assessment (N=35; 18%). Significant differences in BC-Assess overall scores were found between the three groups (p<.001). ROC analysis shows that BC-Assess can achieve high sensitivity (>=85%) and specificity (>=81%) in distinguishing MCI and dementia patients from those with normal cognition, comparable with performance level obtained previously from a single data source. These results demonstrate the ability of BC-Assess to hold its diagnostic efficacy over combined data collected from different settings.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,009 |
| 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 | 0,001 |
| 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 ».