Passively collected data from smartphones improves detection of frontotemporal dementia compared to the MoCA
Notice bibliographique
Résumé
BACKGROUND: Frontotemporal dementia (FTD) is a common young-onset dementia. Challenges to in-person FTD evaluations (e.g., behavioral symptoms, disease rarity), highlight the need to develop remote, low-burden assessment techniques. A growing literature supports passive digital phenotyping for monitoring neurobehavioral change. Thus, we examined the utility of passively collected data from smartphones to detect prodromal or symptomatic FTD compared to that of the Montreal Cognitive Assessment (MoCA), a common cognitive screener. METHOD: 199 adults enrolled in the ALLFTD Mobile App study (mean age = 53.4 [SD = 15.2]; 58% women) completed up to 6 months of passive smartphone monitoring via the ALLFTD Mobile App. 55% were unimpaired [CDR®+NACC FTLD = 0], 22% had prodromal FTD [CDR®+NACC FTLD = 0.5], and 23% had symptomatic FTD [CDR®+NACC FTLD≥1] with a variety of syndromic presentations. Battery percentage was collected frequently (median interval = 45 min), and total daily battery usage was calculated as a proxy for smartphone use (higher battery usage = more smartphone use). Daily step counts were also passively collected. Logistic regression classified prodromal or symptomatic FTD vs. unimpaired as a function of: MoCA score [Model 1]; 7 passive features characterizing average, inter-day variability, and changes over time in smartphone use and movement [Model 2]; or passive smartphone features and MoCA [Model 3]. Analyses were repeated excluding participants with symptomatic FTD to detect prodromal FTD vs. unimpaired. RESULT: The area under the curves (AUCs) for detecting prodromal or symptomatic FTD (vs. unimpaired) from the MoCA alone [Model 1] and passive smartphone features alone [Model 2] were 0.77 (95%CI: 0.70-0.85) and 0.77 (95%CI: 0.70-0.84), respectively. Their combination [Model 3] resulted in a significantly improved AUC of 0.86 (95%CI: 0.80-0.92) compared to Model 1 (p = 0.001). Significant Model 3 predictors included average daily battery usage (p = 0.02), slopes of change in step count (p = 0.04), and MoCA score (p<0.01). When distinguishing prodromal FTD from unimpaired, passive smartphone features alone (AUC = 0.75) were significantly better than the MoCA alone (AUC = 0.66; p<0.01), and their combination had the largest AUC (0.80). CONCLUSION: Results support the utility of novel passively collected information from smartphones for detecting and monitoring FTD without contributing to assessment burden. With continued validation, passive digital monitoring methodologies have potential to increase access to dementia care.
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 | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 0,001 |
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 ».