Development and Validation of the Short-Form BrainOK: An Efficient Digital Screening Tool for Mild Cognitive Impairment
Notice bibliographique
Résumé
Background/Objectives: Population aging requires scalable approaches for early identification of cognitive decline, particularly mild cognitive impairment (MCI). Although the full 11-task BrainOK smartphone assessment showed excellent discrimination (AUC = 0.941), its administration time constrains large-scale use. To develop and validate a brief Short-Form BrainOK (SF-BrainOK) that preserves diagnostic performance while substantially reducing testing time. Methods: We enrolled 168 community-dwelling older adults (≥60 years). MCI was defined using the Montreal Cognitive Assessment (MoCA; score ≤ 23) as the reference standard. Candidate tasks were selected from the original BrainOK via LASSO-based preselection. To maximize data utilization given the limited sample size, model performance was evaluated using Leave-One-Out Cross-Validation (LOOCV). The cut-off value was determined by maximizing Youden’s J. Results: The final two-task model combined executive function task (Rule-based Drumming I) and memory task (Password Memory I). On the independent test set, discrimination was robust (AUC = 0.783), with sensitivity = 0.75 (95% CI: 0.63–0.85, specificity = 0.71 (95% CI: 0.62–0.80, and accuracy = 0.765 (95% CI: 0.65–0.79) at the optimal cutoff. Conclusions: SF-BrainOK provides a brief, two-task digital screen that markedly reduces administration time while maintaining effective diagnostic performance. By targeting executive function and memory—domains repeatedly shown to be sensitive to early MCI-related change—SF-BrainOK supports scalable, opportunistic screening and the timely identification of at-risk individuals in resource-constrained settings.
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 | 0,001 |
| 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) | 0,000 | 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 ».