Analyzing Mobility Indicators Using Machine Learning to Detect Mild Cognitive Impairment: A Systematic Scoping Review
Notice bibliographique
Résumé
The global aging population is rapidly increasing, and the prevalence of age-related cognitive conditions, such as mild cognitive impairment (MCI), is becoming more common. This condition, which represents intermediate stages between normal aging and dementia, underscores the importance of early detection and timely intervention to address the growing demand for health services. Traditional cognitive assessments have limitations, such as the consistency of results, prompting the need for innovative technology-based solutions.This study aimed to examine how technology-based mobility data collection methods and machine learning algorithms are used to detect MCI in adults.A systematic scoping review was conducted to identify papers that analyzed mobility-related data using machine learning algorithms, focusing on adults aged 18 or older with MCI. Seven databases were searched: MEDLINE, EMBASE, IEEE Xplore, PsycINFO, Scopus, Web of Science, and ACM Digital Library, yielding 2,901 papers.Twenty-four papers met the inclusion criteria, highlighting 116 mobility indicators used to classify or indicate MCI. Wearable devices were the most common data collection method, with mobile applications being the least utilized. The most frequently reported mobility indicator for walking was walking speed. For driving, indicators included the number of hard braking events, the number of night trips, and speed. Logistic regression, random forest, and neural networks were the most used machine learning algorithms. Overall, the mean accuracy, sensitivity, and specificity of all the algorithms were 86.1% (standard deviation [SD] = 6.7%), 84% (SD = 6.5%), and 72.8% (SD = 12%), respectively. The mean area under the curve and the harmonic mean of precision and recall scores (F1) were 0.77 (SD = 0.08) and 0.83 (SD = 0.16), respectively.This review highlights the use of technology-based methods, particularly wearable devices, in assessing mobility and applying machine learning algorithms to detect MCI. However, a notable gap in research on mobile app-based mobility monitoring suggests a promising direction for future studies.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 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 ».