A new method for community-based intelligent screening of early Alzheimer’s disease populations based on digital biomarkers of the writing process
Notice bibliographique
Résumé
Background: In response to the shortcomings of the current Alzheimer's disease (AD) early populations assessment, which is based on neuropsychological scales with high subjectivity, low accuracy of repeated measurements, tedious process and dependence on physicians, it was found that digital biomarkers based on the writing process can effectively characterize the cognitive deficits of patients with mild cognitive impairment (MCI) due to AD. Methods: This study designed a digital writing assessment paradigm, extracted dynamic handwriting and image data during the paradigm assessment process, and analyzed digital biomarkers of the writing process to assess subjects' cognitive functions. A total of 72 subjects, including 34 health controls (HC) and 38 MCI due to AD, were enrolled in this study. Results: Their combined screening efficacy of digital biomarkers based on the MCI writing process due to AD populations having an area under curve (AUC) of 0.918, and a confidence interval (CI) of 0.854-0.982, was higher than the Montreal Cognitive Assessment Scale (AUC = 0.859, CI = 0.772-0.947) and the Mini-mental State Examination Scale (AUC = 0.783, CI = 0.678-0.888). Conclusion: Therefore, digital biomarkers based on the writing process can characterize and quantify the cognitive function of MCI due to AD populations at a fine-grained level, which is expected to be a new method for intelligent screening and early warning of early AD populations in a community-based physician-free setting.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,002 |
| 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) | 0,003 | 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 ».