Primary care detection of Alzheimer’s disease using a self-administered digital cognitive test and blood biomarkers
Notice bibliographique
Résumé
After the clinical implementation of amyloid-β-targeting therapies for people with cognitive impairment due to Alzheimer's disease (AD), there is an urgent need to efficiently identify this patient population in primary care. Therefore, we created a brief and self-administered digital cognitive test battery (BioCog). Based on its sub-scores, a logistic regression model was developed in a secondary care cohort (n = 223) and then evaluated in an independent primary care cohort comprising 19 primary care centers (n = 403). In primary care, BioCog had an accuracy of 85% when using a single cutoff to define cognitive impairment, which was significantly better than the assessment of primary care physicians (accuracy 73%). The accuracy increased to 90% when using a two-cutoff approach. BioCog had significantly higher accuracy than standard paper-and-pencil tests (that is, Mini-Mental State Examination, Montreal Cognitive Assessment, Mini-Cog) and another digital cognitive test. Furthermore, BioCog combined with a blood test could detect clinical, biomarker-verified AD with an accuracy of 90% (one cutoff), significantly better than standard-of-care (accuracy 70%) or when using the blood test alone (accuracy 80%). In conclusion, this proof-of-concept study shows that a brief, self-administered digital cognitive test battery can detect cognitive impairment and, when combined with a blood test, accurately identify clinical AD in primary care.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».