Artificial intelligence-based prediction of cognitive frailty: a clinical data approach
Notice bibliographique
Résumé
Cognitive frailty (CF), defined as the co-existence of physical frailty and cognitive impairment without dementia, has two subtypes: reversible cognitive frailty (RCF) and potentially reversible cognitive frailty (PRCF). This study aimed to develop machine learning models for the early prediction of CF by incorporating both RCF and PRCF into a unified framework. Data from 2,173 participants were sourced from the AGELESS and MELoR cohort studies, including clinical, blood, urine, and health status information. Participants were grouped into six CF categories based on the FRAIL scale and MoCA scores from 2020 and 2022. Seven machine learning models, SVM, LR, KNN, RF, CART, LDA, and GNB, were trained using clinical, blood, and urine datasets. Clinical variables outperformed other data types, with SVM, LR, and CART models achieving 95% accuracy and AUC scores of 1.0, while blood- and urine-based models showed lower performance (AUCs of 0.8 and 0.89, respectively). F1 scores and ROC analysis confirmed the robustness of the clinical models, and k-fold and grid search cross-validations showed consistent performance on unseen data, indicating no overfitting. These findings highlight the superior predictive power of clinical variables for identifying both subtypes of CF, supporting their potential for use in early, accurate diagnosis. Nonetheless, external validation using independent cohorts is recommended to ensure broader applicability.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».