Cognitive Decline Profiles in Mild Cognitive Impairment: A Novel Convenient Multi‐Domain Screening Tool Perspective
Notice bibliographique
Résumé
BACKGROUND: Mild cognitive impairment (MCI) is an intermediate stage between cognitively unimpaired (CU) and dementia, often considered a critical phase for early detection. Mini-Mental State Examination (MMSE) and Hippocampal volume (HV) are commonly used to evaluate cognitive impairment. However, the sensitivity of these methods for detecting early MCI remains relatively low. Montreal Cognitive Assessment (MoCA) is more sensitive than MMSE in detecting MCI but is also more time-consuming and complex, requiring greater examiner expertise. There is an unmet need for a screening tool quicker and more convenient than MoCA while being more sensitive than HV. The Virtual Reality Eye-tracking Cognitive Assessment (VECA) represents a novel approach that integrates virtual reality, eye-tracking technology, and machine learning to evaluate multiple cognitive domains efficiently. This study aims to explore cognitive decline patterns across MCI subgroups using VECA and compare its diagnostic performance to HV. METHODS: A total of 125 MCI patients and 190 CU individuals from the Shenzhen multi-modal Aging Research (STAR) cohort underwent neuropsychological assessments, VECA, and 3D-T1WI MRI. MCI patients were divided into four subgroups (Q1-MCI to Q4-MCI) based on their MoCA and MMSE scores. Statistical analyses were performed using SPSS 27.0. The performances were compared using the DeLong test in MedCalc. RESULTS: In the Q1-MCI subgroup, functions of abstraction, calculation, execution, memory, and recall consistently performed best. In the Q2-MCI and Q3-MCI subgroups, abstraction, calculation, execution, and memory functions consistently performed best. In the Q4-MCI subgroup, calculation, execution, and memory functions consistently performed best. No significant differences in attention function were observed among the four groups, with AUC values consistently demonstrating lower scores than other cognitive functions (p < 0.05). Besides, VECA (Total Score) demonstrated higher AUC values (0.746 for Q1-MCI subgroup, 0.845-0.964 for Q2-MCI to Q4-MCI subgroup) than HV in all subgroups (p < 0.05). CONCLUSION: VECA demonstrates strong potential as a rapid and efficient screening tool, requiring only 5 minutes to administer and consistently outperforming HV in differentiating MCI across all stages. VECA findings indicate that attention remains relatively preserved during MCI, while impairments in calculation, execution, and memory become progressively more pronounced in later stages.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».