Predicting brain health in older adults through automated language measures
Notice bibliographique
Résumé
Abstract Background With increasing life expectancy, aging‐related neurocognitive challenges are becoming more prevalent worldwide. A continuum of severity, from subjective cognitive decline (SCD) to mild cognitive impairment (MCI) and Alzheimer's disease dementia (ADD), is measurable through cognitive and neuroimaging assessments. However, these approaches are costly, subject to scheduling delays, and reliant on specialized personnel or resources, which are scarce in many regions. Automated speech and language analysis (ASLA) offers an affordable, scalable solution for detecting neurocognitive compromise in underserved areas. Yet, no prior study has employed ASLA to predict neuropsychological and brain measures across this continuum in Spanish‐speaking Latinos. Our study addresses this gap. Method We recruited 150 Chilean individuals with diverse cognitive profiles: 17 healthy controls, 55 with SCD, 57 with MCI, and 21 with ADD. Participants completed 1‐minute phonemic and semantic fluency tasks, alongside cognitive (Addenbrooke's Cognitive Examination‐III [ACE‐III], Montreal Cognitive Assessment [MoCA]) and executive function (INECO Frontal Screening [IFS]) tests and MRI scans. Machine learning models were trained with word‐property and speech‐timing features from fluency responses (both separate and combined), derived via the TELL app, to predict cognitive test outcomes, total gray matter (GM) and white matter volumes, hippocampal GM volume, and a mask encompassing ADD‐sensitive regions. The best regressors were selected based on the 95% confidence intervals of R 2 scores. Pearson's partial correlations between actual and predicted values were computed, controlling for age, sex, and education (and MoCA scores for brain‐related measures). Analyses were repeated for each fluency task, their combination, and their average. Results Significant partial Pearson correlations were obtained for ACE‐III ( r = .55, p < .001), MoCA ( r = .39, p < .001), and IFS ( r = .31, p = .001) scores, as well as for normalized GM volume ( r = .34, p = .006). All results correspond to word‐property features, with combined fluency tasks. Conclusion A fully automated, multivariate pipeline captures cognitive and MRI measures of brain health based on brief fluency tasks. Unlike gold‐standard tests, this approach is examiner‐independent, objective, time‐efficient, and affordable. This approach represents a scalable resource to favor equity in the global fight against dementia and cognitive decline.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».