Mobile health screening platform for degenerative neurological disorders
Notice bibliographique
Résumé
The new and dynamic field of mHealth - the use of mobile technology applications for healthcare - could improve the well-being of people around the world. Mobile applications can lower costs and improve the quality of healthcare as well as shift behavior to strengthen prevention, all of which can improve health outcomes over the long term. Technologies of mHealth field are a valuable partner in health care's shift towards a delivery model that is patient-centered and value-based. A broad category of brain diseases is Dementia, which causes long term loss of the ability to think and reason clearly that is severe enough to affect a person's daily functioning. The most common form of Dementia is Alzheimer's disease (75%). Although Alzheimer's disease develops differently for every individual, there are many common symptoms. Early symptoms are often mistakenly thought to be 'age-related' concerns, or manifestations of stress. Neurology cognitive tests used for symptoms recognition to such degenerative disorders are generally applied by paper-and-pencil until now. These kinds of tests implemented until now on PCs have typically unfriendly interface and do not take people's capabilities into consideration. Our aim was to develop a mHealth screening platform that combines various neurological tests that will help the diagnosis of early dementia and Alzheimer disease by easy performed self-testing applications, provided by a friendly GUI. The application is composed of the best 3 tests chosen from the paper-and-pencil standard tests, Clock drawing test (CDT), Mini Cog test (MCT) and Montreal Cognitive Assessment test (MoCA). This thesis is important for being one of the first mobile applications for degenerative neurological disorders self-testing that is compatible for tablets and smart-phones regardless witch operating system is running
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 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 ».