Digital Screening for Early Identification of Cognitive Impairment: A Narrative Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As longevity increases, cognitive decline in older adults has become a growing concern. Consequently, an increasing interest in the potential of digital tools (e.g., serious games (SG) and virtual reality (VR)) for early screening of Mild Cognitive Impairment (MCI) is emerging. Traditional cognitive assessments like the Mini-Mental State Examination (MMSE) and Montreal Cognitive Assessment (MoCA) are widely used but have limitations related to cultural bias and manual scoring, while their digital adaptations, such as MOCA-CC, maintain diagnostic accuracy while offering remote administration and automated scoring. Innovative tools, such as the Virtual Super Market (VSM) test and Panoramix Suite, instead, assess cognitive domains like memory, attention, and executive function while promoting engagement and preserving ecological validity, making assessments more reflective of real-world tasks. Several studies show that these tools exhibit strong diagnostic performance, with sensitivity and specificity often exceeding 80%. However, although digital tools offer advantages in accessibility and user engagement, challenges remain concerning technological literacy, data privacy, and long-term validation. Future research should focus on validating these tools across diverse populations and exploring hybrid models that combine traditional and digital assessments, as digital tools show promise in transforming cognitive screening and enabling earlier interventions for cognitive decline. This article is categorized under: Psychology > Development and Aging Neuroscience > Cognition.
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.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 découle