Detecting cognitive impairment in cerebrovascular disease using gait, dual tasks, and machine learning
Notice bibliographique
Résumé
BACKGROUND: Cognitive impairment is common after a stroke, but it can often go undetected. In this study, we investigated whether using gait and dual tasks could help detect cognitive impairment after stroke. METHODS: We analyzed gait and neuropsychological data from 47 participants who were part of the Ontario Neurodegenerative Disease Research Initiative. Based on neuropsychological criteria, participants were categorized as impaired (n = 29) or cognitively normal (n = 18). Nested cross-validation was used for model training, hyperparameter tuning, and evaluation. Grid search with cross-validation was used to optimize the hyperparameters of a set of feature selectors and classifiers. Different gait tests were assessed separately. RESULTS: The best classification performance was achieved using a comprehensive set of gait metrics, measured by the electronic walkway, that included dual-task costs while performing subtractions by ones. Using a Support Vector Machine (SVM), we could achieve a sensitivity of 96.6%, and a specificity of 61.1%. An optimized threshold of 27 in the Montreal Cognitive Assessment (MoCA) revealed lower classification performance than the gait metrics, although differences in classification results were not significant. Combining the classifications provided by MoCA with those provided by gait metrics in a majority voting approach resulted in a higher specificity of 72.2%, and a high sensitivity of 93.1%. CONCLUSIONS: Our results suggest that gait analysis can be a useful tool for detecting cognitive impairment in patients with cerebrovascular disease, serving as a suitable alternative or complement to MoCA in the screening for cognitive impairment.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».