MétaCan
Menu
Retour à la cohorte
Enregistrement W4415598008 · doi:10.2196/preprints.85339

Gamified Cognitive Training Using Digital Mahjong in Older Adults: A Randomized Controlled Trial (Preprint)

2025· article· W4415598008 sur OpenAlexaboutno aff
Heng‐Hsin Tung, Chen-Yuan Kuo, Pei‐Lin Lee, Chih‐Wen Chang, Kun‐Hsien Chou, Ching‐Po Lin, Chih‐Kuang Liang, Liang‐Kung Chen

Notice bibliographique

Revuenon disponible
Typearticle
Langue
DomaineSocial Sciences
ThématiqueTechnology Use by Older Adults
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRandomized controlled trialCognitionCognitive trainingInsulaNeuroimagingDementiaQuality of life (healthcare)Montreal Cognitive AssessmentPsychological intervention

Résumé

récupéré en direct d'OpenAlex

BACKGROUND Gamified digital training may support long-term engagement in aging populations, yet randomized evidence linking behavioral effects to convergent neuroimaging outcomes remains limited. OBJECTIVE To test whether a home-based digital Mahjong (DMG) program enhances cognition in community-dwelling older adults and to characterize training-related brain changes using multimodal MRI. METHODS We conducted a single-blind, parallel-group randomized controlled trial in Taipei, Taiwan (July 2020–November 2021). Community-dwelling adults aged ≥55 years were randomized (1:1) to a 6-month DMG intervention or to no intervention. The intervention consisted of two 30-minute sessions per week delivered via an iPad app, in which participants played against three computer-controlled opponents, and included an incentivized walking component (Mi Band step tracking with in-game tokens). Primary MRI outcomes were gray matter volume (GMV), regional homogeneity (ReHo), fractional amplitude of low-frequency fluctuations (fALFF), and global brain connectivity (GBC). Secondary outcomes included cognition (Montreal Cognitive Assessment), physical activity (IPAQ), mental health (Brief Resilience Scale; Demoralization Scale–Mandarin Version), quality of life (EQ-5D with VAS), physical fitness/body composition, and blood biomarkers. Per-protocol analyses were performed. Voxel-wise imaging analyses used ANCOVA in SPM12 with FWE correction at the cluster level (p<.05). RESULTS Sixty participants were enrolled (30 per group); 29 in the intervention and 27 in the control group completed primary endpoint assessments. Compared with controls, the DMG group showed a greater improvement in MoCA delayed recall (between-group difference -0.79 points; 95% CI -1.538 to -0.042; p=.04). Neuroimaging revealed increased ReHo in the right insula (FWE-corrected p<.05) and decreased GMV in the left frontal pole/orbitofrontal cortex, with reduced fALFF in the left frontal pole. Changes in delayed recall were positively associated with right insular ReHo and also showed significant associations with right anterior cingulate gyrus (ReHo) and with left inferior frontal gyrus and right paracingulate gyrus (fALFF) (all FWE-corrected p<.05). In exploratory dose analyses, right insular ReHo correlated with total practice sessions (r=0.48, p=.009). Among physiological outcomes, the intervention group had a larger reduction in diastolic blood pressure (e.g., -3.50 mmHg; 95% CI -6.91 to -0.09; p=.04), while thyroid-stimulating hormone decreased but remained within the normal range. CONCLUSIONS A 6-month home-based digital Mahjong program with scheduled twice-weekly practice improved delayed recall in older adults and induced targeted functional brain changes—most prominently increased right-insular homogeneity—whereas structural frontal alterations did not mirror cognitive gains. Gamified training is a feasible approach to engage salience- and control-related networks and support memory; larger multi-arm studies with preregistered dose–response tests are warranted. CLINICALTRIAL ClinicalTrials.gov NCT05808426

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0030,002
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,304
Écart entre enseignants0,286 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetTechnology Use by Older AdultsTravaux en français237 207