Investigating sex differences in connected speech across the Alzheimer's disease spectrum using machine learning
Notice bibliographique
Résumé
BACKGROUND: Alterations in connected speech (CS), such as when describing a picture, have been identified in Alzheimer's disease (AD) and could act as markers of subjective (SCI) and mild cognitive impairment (MCI), and offer opportunities for therapeutic intervention. Machine learning has shown promise in classifying individuals along the AD spectrum using CS features. However, subtle sex differences in language may influence symptom presentation and classification accuracy. We investigated the impact of sex on CS and classification performance across the AD spectrum. METHODS: We analysed Cookie Theft scene descriptions from 751 participants in the CCNA COMPASS-ND cohort. Forty lexical, semantic and syntactic CS features were extracted using a Python-based pipeline, and used to train ten logistic regression models. Classification of AD, vascular-AD (v-AD), MCI, vascular-MCI (v-MCI), and SCI versus cognitively unimpaired (CU) participants was performed separately for men and women using 5-fold cross-validation. Age and education were regressed from features within each fold. Mean area under the curve (AUC) was calculated and sex differences in classification performance assessed using Bonferroni-corrected t-tests. Features were then ranked based on standardised model coefficients. RESULTS: Women were classified with higher AUC than men in SCI, MCI, and v-AD, though only MCI remained significant after correction (p = 0.02). SCI and MCI classifications performed above chance for women, but below chance for men (Figure 1). We therefore focused on important features for v-AD classifications, which performed above chance for both sexes, using feature rankings. Compared to CU men, men with v-AD produced fluent speech that lacked detail, with more words indicating lexical access difficulties (e.g "remember"), yet syntactically complex speech (more subordinate phrases and left branching children), which may indicate compensation for lexical difficulties. Compared to CU women, women with v-AD produced non-fluent speech with more filled pauses (e.g. "um"), that was repetitive and relied on more common words and phrases, yet also syntactically complex (more subordinate phrases and coordinating conjunctions). CONCLUSIONS: Sex-stratified classification models revealed differences in performance, with implications for research and clinical applications. Linguistic markers may be more sensitive for women along the AD spectrum, highlighting the importance of sex-stratified analyses.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».