Testing machine learning of multimodal digital markers for early detection of cognitive impairment in Alzheimer's Disease rhoda
Notice bibliographique
Résumé
BACKGROUND: Alzheimer's disease (AD) precision medicine will advance through the application of two key technological advances: 1) digital technologies that can more deeply characterize clinically relevant symptoms and 2) machine learning (ML) approaches the can classify subgroups with shared characteristics that could align with specific treatment plants. This study leverages a digital data collection platform for enhanced characterization and NetraAI, an artificial intelligence (AI) platform to analyze multimodal data to differentiate causal and non-causal subpopulations within a cohort and integrates a "No Call" system to exclude ambiguous data points. METHOD: We analyzed data from 98 Boston University Alzheimer's Disease Research Center participants and 453 variables derived from digital tasks administered over two months. Eight participants were clinically diagnosed as mild cognitive impairment. Digital measures included sleep metrics (57 measures), clinical scales (324 measures), and cognitive performance assessments (72 GoNoGo and Code Substitution measures). Of the 98 subjects, 81 were cognitively unimpaired and 17 transitioned to MCI during the course of study enrollment. RESULT: ). We examined 81 cognitively intact (e.g., non-transitioners; Class 0) and 17 MCI transitioners (Class 1) related to Go/No-Go and Code Substitution tasks. Go/No-Go Inter-Trial Intervals (ITI), REM sleep percentage, and maximum apnea duration were key predictors. Shorter, more stable ITI times (inter-trial intervals between tasks), higher REM sleep percentage, and shorter apnea durations were strongly correlated with non-transitioners. A 10-fold cross-validation yielded an average accuracy of 80.89%. CONCLUSION: Our findings present an ongoing effort on the potential of explainable AI to validate digital measures to identify those with MCI. While the current model effectively identifies prevalent non-transitioners, it remains limited in identifying prevalent transitioners. Future research will focus on refining model sensitivity and balancing classification performance.
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 | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».