Presentation of three French screening tools to detect the lexico-semantic breakdown in mild cognitive impairment and Alzheimer's disease
Notice bibliographique
Résumé
Lexico-semantic difficulties are amongst the first symptoms of Alzheimer's disease (AD). Lexical impairment manifests itself through word retrieval difficulties while semantic disorder impairs general knowledge. This profile already occurs in mild cognitive impairment (MCI), constituting a predictive feature of conversion in AD. The aim of this study is to present three tools to rapidly screen lexical and semantic disorder. 97 participants allocated in 3 groups contributed to this Belgian-Quebec study: one group of MCI (N=35, MOCA for French-Canadian =24.18+/-2.3 ; MMSE for Belgian =26.71+/-1.38), one group of AD (N=13, MMSE=24.7+/-2.52) and one control group (N=49, MOCA for French-Canadian=27.79+-1.9 ; MMSE for Belgian=29.07+/-.79). Three tools were administered : 1) the mini Semantic Knowledge Questionnaire (SKQ) composed of 12 multiple choice questions interrogating semantic properties of objects ; 2) The Short Test of naming for Alzheimer's Disease (STN-AD) comprising 11 pictures in black and white to name and 3) the mini-Montreal Semantic Memory Protocol (mini-MSMP) comprising 26 questions interrogating functional or categorical features of objects. The ANOVA indicated that all the three tools (mini-SKQ : F(2 ;94)=8.440 ; p<.001 ; STN-AD : F(2 ;94)=17.760 ; p<.001; mini-MSMP: F(2 ;94)=7.273 ; p=.001) allowed for differentiating our groups. Post hoc tests (Bonferroni) showed that MCI and AD performed poorer than the control group for all three tools (p<.05). The mini-SQK, the STN-AD and the mini-MSMP are three original tools used to evaluate the early lexical and semantic alteration. Their rapid administration made them instrument of choice for an early detection of MCI and AD.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».