Notice bibliographique
Résumé
The rise of digital tools - online cognitive tests, AI-powered diagnostics, smart watches, and other app-based symptom trackers - offers unprecedented opportunities for the early detection and improved management of conditions like Alzheimer's disease and other dementias. Digital platforms offer a number of advantages over more traditional paper-and-pencil approaches, including increased sensitivity, increased specificity, ease of administration, broader performance measures (e.g. response times, attempt counts, and error types), as well as the number and depth of cognitive domains assessed. We have recently developed a five-minute, web-based cognitive 'screener' for detecting the early signs of dementia. A machine learning approach was used to identify the two most informative cognitive tasks from an initial library of 12 possibilities, covering working memory, attention, reasoning and problem-solving. The evaluation model used 22 features from these tasks, including reaction times and error rates, to predict if an individual was cognitively healthy or potentially impaired. The model was trained on data from over 8,000 healthy individuals and more than 3,000 patients aged 50+. It was further validated with a different group of 800 healthy individuals and 1,000 patients, achieving an accuracy rate of over 80%. In individuals clinically diagnosed with Alzheimer's disease, 100% were accurately flagged for further testing. The results confirm that digital cognitive screeners for dementia offer comparable or superior accuracy relative to their traditional paper-and-pencil counterparts, can be easily scaled for mass deployment, and are a cost-effective and convenient approach to early detection.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 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) | 0,004 | 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 ».