EXPLORING AI FOR DEMENTIA CARE SUPPORT IN NORTHERN ONTARIO: A LITERATURE REVIEW
Notice bibliographique
Résumé
Abstract Dementia is the seventh leading cause of death globally, significantly impairs cognitive abilities and memory loss. Artificial intelligence (AI) has the potential to revolutionize dementia care by assisting healthcare professionals in diagnosing, managing, and treating dementia worldwide. We conducted literature review using Google Scholar, PubMed, and Laurentian libraries (OMNI), focusing on key terms such as “dementia,” “Alzheimer’s disease,” “artificial intelligence,” and “healthcare.” This review covered peer-reviewed publications from 2014 to 2023, aiming to fill gaps in this research area. The search yielded five relevant articles, identifying three core themes: AI’s impact on Alzheimer’s disease and related dementias (ADRD), early detection and diagnosis of ADRD, and AI’s role in supporting healthcare professionals, caregivers, and patients. Zhang et al. (2023) emphasized AI’s role in diagnosing Alzheimer’s disease using MRI, PET scans, biomarkers, and advanced machine learning applications. Hane et al. (2020) highlighted the use of machine learning models for assessing ADRD risk by analyzing clinical notes to prevent nursing home admissions and reduce care costs. Xie et al. (2020) explored the use of assistive AI devices by caregivers to manage ADRD, reducing patient dependence. Li et al. (2020) focused on voice-activated AI tools that help caregivers manage nutrition and reduce their workload. Gustavsson, Svanberg, and Mullersdorf (2015) examined the benefits of the interactive robotic “Justo Cat” in enhancing communication in dementia care. This review suggests conducting ethnographic participatory focused-groups with thematic analysis to inform policymakers in developing specialized educational programs, integrating advanced AI, expanding digital health and telemedicine, and launching community-driven initiatives.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,015 | 0,024 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».