Automated free speech analysis reveals distinct markers of Alzheimer’s and frontotemporal dementia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Dementia can disrupt how people experience and describe events as well as their own role in them. Alzheimer’s disease (AD) compromises the processing of entities manifested by nouns, while behavioral variant frontotemporal dementia (bvFTD) entails a depersonalized perspective, signaled by an increase of third-person references. Yet, no study has examined whether these patterns can be captured in spontaneous discourse via natural language processing tools (NLP). We asked persons with AD (n = 21), bvFTD (n = 21), and healthy controls (n = 21) to narrate a typical day of their lives and calculated the proportion of nouns, verbs, and first- or third-person markers via part-of-speech and morphological tagging. Inferential statistics and machine learning were used for group-level and subject-level discrimination. The above linguistic features were correlated with patients’ cognitive outcomes, captured through the Montreal Cognitive Assessment (MoCA). We found that, compared with HCs, AD (but not bvFTD) patients produced significantly fewer nouns, while bvFTD (but not AD) patients used significantly more third-person markers. Machine learning analyses showed that these features identified individuals with AD and bvFTD (AUC = 0.76). No linguistic feature was significantly correlated with MoCA scores in either patient group. Taken together, we suggest that differential markers of AD and bvFTD can be automatically detected in spontaneous routine descriptions. By targeting specific features linked to each disorder’s cognitive profile, our approach favors interpretability for enhanced syndrome characterization, diagnosis, and monitoring.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle