Automated word class and person usage metrics as markers of Alzheimer’s and frontotemporal dementia
Notice bibliographique
Résumé
Abstract Background Dementia impacts the way individuals perceive and describe everyday events. Alzheimer's disease (AD) notably affects processing of entities manifested by nouns, while behavioral variant frontotemporal dementia (bvFTD) often presents a detached, third‐person perspective. Yet, the potential of natural language processing tools (NLP) to detect these variations in spontaneous speech remains explored. To tackle this gap, we analyzed both patterns via automated discourse‐level metrics in individuals with AD and bvFTD, contrasting them with healthy controls (HCs). Methods Persons with AD (n = 21), bvFTD (n = 21), as well as HCs (n = 21), narrated a typical day of their lives. We analyzed the frequency of nouns and verbs, along with first‐ or third‐person usage, via part‐of‐speech and morphological tagging, respectively. Inferential statistics and machine learning were used to examine whether these features were useful for discriminating patients from HCs at both the group and the subject level. We further evaluated whether such features correlated with cognitive symptom severity, as captured through the Montreal Cognitive Assessment (MoCA). Results Compared with HCs, AD (but not bvFTD) patients exhibited a lower proportion of nouns, without differences in verb ratio. Conversely, persons with bvFTD (but not those with AD) had a greater proportion of third‐person markers and a reduced proportion of first‐person markers. Machine learning analyses showed that these features robustly identified individuals within each group (AUCs = 0.75). No linguistic feature was significantly correlated with MoCA scores in either patient group. Conclusions Spontaneous daily narratives offer distinct markers for AD and bvFTD, detectable through automated analysis. Focusing on specific linguistic attributes relevant to each type of dementia not only aids in understanding but also enhances diagnosis and tracking of these conditions. Overall, our findings attest to the relevance of NLP tools as a viable, cost‐effective means to identify scalable dementia markers.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».