Wirksamkeit eines MCI-spezifischen computerisierten kognitiven Übungsprogrammes bei Personen mit MCI
Notice bibliographique
Résumé
Hintergrund: Die Prävalenz dementieller Erkrankungen ebenso wie der leichten kognitiven Einschränkungen (MCI), die ein erhöhtes Konversionsrisiko zur Demenz aufweisen, ist in den letzten Jahren stetig gestiegen. Da aktuell keine evidenzbasierten pharmakologischen Interventionen zur Verfügung stehen, werden non-pharmakologische Interventionen in der Forschung bei Personen mit MCI forciert. Diese beinhalten unter anderem kognitives Training, das im Zuge der Digitalisierung meist computergestützt (CCT) durchgeführt wird. CCTs tragen dabei zu einer Verbesserung der kognitiven Fähigkeiten von Personen mit MCI bei. Die Wirksamkeit wird durch die Integration eines lernenden Systems unterstützt, das maschinelles Lernen nutzt, um die Übungen auf das optimale Leistungsniveau des Einzelnen abzustimmen und so ein personalisiertes Training zu ermöglichen. Zielsetzung: Evaluation eines neu entwickelten MCI-spezifischen CCT (iCCT) im Rahmen von zwei RCT-Studien hinsichtlich ihrer Wirksamkeit auf die kognitive Leistung einer Person mit MCI unter Einbezug einer aktiven Kontrollgruppe. Methode: Die Daten stammen aus der BrainFit-Nutrition Studie (BF-N; n=228) sowie der Pilotstudie MCI-CCT (n=89). Im Rahmen von MCI-CCT wurde lediglich das iCCT mit der aktiven Kontrollgruppe (bCCT) verglichen. Im Rahmen von BF-N wurde neben der kognitiven Intervention noch eine Ernährungsintervention durchgeführt (pflanzenbasierte Ernährung vs. Ernährung gemäß der DGE). Beide Studien wurden digital durchgeführt. Die kognitive Leistung wurde zu Beginn und nach sechs Monaten mit dem Montreal Cognitive Assessment (MoCA) erfasst. Die Auswertung der Auswirkungen des CCT auf die kognitive Leistung der Menschen mit MCI erfolgte mittels t-Tests für abhängige Stichproben sowie ANOVA und ANCOVA. Bei den BF-N Ergebnissen handelt es sich aktuell um erste deskriptive Analysen. Ergebnisse: In der Pilotstudie führten beide CCTs zu einem signifikanten Anstieg der durchschnittlichen globalen Kognition (CG:0,9 Pkt; IG:2,2 Pkt). In einem um Störfaktoren bereinigten multiplen Regressionsmodell war die Interaktion zwischen Zeit und Gruppe statistisch signifikant (F = 4.92; p = .029, partieller η2 = .057). In der BF-N Studie zeigte sich über alle vier Gruppen (Kombination der beiden Interventionsarme) hinweg eine signifikante Verbesserung der kognitiven Leistung (p < .001) um durchschnittlich ca. 2,2 Punkte. Allerdings wurde zwischen den vier Gruppen kein bedeutsamer Unterschied in der Änderung der kognitiven Leistung festgestellt. Auch im direkten Vergleich der beiden CCTs, unter Einbezug der Kombination mit einer Ernährungsintervention, zeigte sich kein Unterschied (Δ = 0,3 Pkt, n.s.). Implikation für Forschung und/oder (Versorgungs-)Praxis: Menschen mit MCI, die zu Hause leben, können ihre kognitiven Fähigkeiten innerhalb von sechs Monaten klinisch relevant verbessern, wenn sie dreimal pro Woche für 30 Minuten ein Multi-Tasking-CCT benutzen. Der Einsatz von maschinellem Lernen erhöht bei alleiniger Anwendung des CCT die Wirksamkeit des kognitiven Trainings und verbessert die Zufriedenheit der Nutzenden. Wird das CCT mit einer weiteren Interventionskomponente kombiniert, zeigt sich, dass die Sensibilisierung für die eigene Gesundheit gruppenübergreifend zu einer Verbesserung der kognitiven Fähigkeiten beiträgt und für alle vier Gruppen ein klinisch relevanter Anstieg der kognitiven Fähigkeiten erreicht werden kann.
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 | 0,016 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
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 ».