Screening mild cognitive impairment using aspects of personal, social, and functional lifestyle: Machine Learning Approaches
Notice bibliographique
Résumé
OBJECTIVE: Mild cognitive impairment (MCI) signals cognitive decline beyond normal aging and increases dementia risk. Early identification enables preventative interventions, yet many patients in primary care go undetected. This study examines whether machine learning (ML) models can predict MCI using routinely collected personal, social, and functional lifestyle factors and identifies the most important predictors. METHODS: Data from round 2 and 3 of the National Social Life, Health, and Aging Project was used, including 4,586 older adults with complete Montreal Cognitive Assessment (MoCA) scores. Predictors included demographics, childhood experiences, health behaviors, psychosocial measures, and functional difficulties. Eight ML models-including elastic net, multivariate adaptive regression splines, random forest, oblique random forest, boosted trees, decision trees, and a stacked ensemble-were trained and tuned using repeated cross-validation, with 20% of the dataset withheld for final testing. Model performance was assessed using area under the receiver operator curve (AUROC), accuracy, sensitivity, specificity, and Matthew's correlation coefficient (MCC). RESULTS: Most models achieved good discrimination (AUROC > 0.8), with the stacked ensemble performing best (AUROC = 0.823; MCC = 0.462). The best individual model was logistic regression (AUROC = 0.818). Across models, key predictors of MCI included age, ethnicity, functional difficulties, social disconnectedness, and perceived stress. DISCUSSION: Logistic regression outperformed more complex machine learning models, providing the best combination of predictive accuracy and interpretability for identifying MCI. Across models, age, ethnicity, functional difficulties, social disconnectedness, and stress consistently emerged as key predictors, highlighting their central role in cognitive health. These findings suggest that psychosocial and functional measures can serve as practical indicators for those who need to be screened early for MCI, offering an opportunity for timely intervention and support. However, future work should include longitudinal data and clinical diagnoses to validate and refine these predictive tools.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 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) | 0,001 | 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 ».