Developing Machine Learning Models for Cognitive Disorder Classification Using Administrative Health Data and Specialist‐Confirmed Diagnoses
Notice bibliographique
Résumé
BACKGROUND: Mild cognitive impairment (MCI) and dementia affect a growing proportion of the aging population, placing significant demands on healthcare systems. While administrative health records (AHRs) capture broad healthcare data, their usefulness in identifying MCI and dementia is limited by a lack of expert-confirmed diagnostic information. The Prospective Registry for Persons with Memory Symptoms (PROMPT) provides specialist-confirmed diagnoses and detailed clinical information, creating a unique opportunity to validate machine learning (ML) models in real-world settings. By linking PROMPT's registry data with population-level AHRs, this study addresses current gaps in early detection and staging of cognitive decline, with implications for both clinical practice and health policy. METHOD: We analyzed data from 1,901 adults referred to a tertiary memory clinic in Calgary, Canada (2010-2023), with records linked to provincial Administrative Health Records (AHRs). Cognitive status was classified as "no objective impairment" (NOI), mild cognitive impairment (MCI), or dementia through comprehensive multidisciplinary assessments, including neuropsychological testing and specialist evaluations. Predictor variables derived from AHRs encompassed diagnostic codes, medication dispensations, and healthcare utilization patterns. We developed and compared multiple machine learning (ML) algorithms, including logistic regression, random forests, and ensemble methods, against previously established rule-based approaches from a Canadian study. Model performance was evaluated using the F1 score to balance sensitivity and specificity, along with overall accuracy metrics. RESULTS: Of the 1,901 participants (mean age 73 years, 52% male), 34% (n = 646) were diagnosed with dementia, 44% (n = 836) with MCI, 12% (n = 228) with NOI, and 10% (n = 191) received an 'uncertain' diagnosis. Initial analyses demonstrated expected patterns in cognitive assessment scores across diagnostic groups, including the Mini-Mental State Examination (MMSE) and Montreal Cognitive Assessment (MoCA). Complete model performance metrics, including sensitivity, specificity, and area under the receiver operating characteristic curve (AUC), are currently being finalized and will be presented. CONCLUSION: Forthcoming results will clarify how specialist-confirmed data from PROMPT can enhance ML-based classification of MCI and dementia in AHRs. These findings have the potential to improve surveillance of cognitive disorders, inform healthcare resource allocation, and guide earlier interventions. By integrating advanced analytics with validated clinical information, this project could shape future approaches to dementia care in Canada and beyond.
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 | 0,011 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».