- Pacheco Lorenzo, Moisés R.
- Valladares Rodríguez, Sonia María
- Fernández Iglesias, Manuel José
- Anido Rifón, Luis Eulogio
Antecedentes: Este estudio analiza la viabilidad de integrar técnicas de aprendizaje automático en DigiMoCA, un agente conversacional basado en el T-MoCA para la detección precoz del deterioro cognitivo en personas mayores.
Método: Se reclutó una muestra de 46 participantes con distintos niveles de deterioro cognitivo, edades y sexos. Cada participante realizó varias pruebas de referencia, así como dos sesiones de DigiMoCA. A continuación, se diseñó e implementó una arquitectura de procesamiento de datos para probar diferentes algoritmos de aprendizaje automático (ML).
Resultados: Las pruebas de validez predictiva realizadas con la Evaluación Cognitiva de Montreal por Teléfono (T-MoCA) arrojaron resultados prometedores, y el algoritmo con mejor rendimiento alcanzó un 𝑅�����2 = 0,81 y un RMSE de 1,84. Las pruebas de validez de criterio para distinguir entre personas que padecen deterioro cognitivo leve (DCL) y personas sin DCL mostraron un área bajo la curva ROC de 0,98 en el mejor de los casos, con una sensibilidad del 100 % y una especificidad del 93 %. Por lo tanto, la inclusión del aprendizaje automático permite aprovechar de forma más eficaz la información capturada con DigiMoCA, mejorando su potencial de detección del DCL.
Conclusiones: La integración de técnicas de aprendizaje automático en DigiMoCA mostró una validez predictiva y de criterio prometedora, lo que indica la eficacia del enfoque para discernir los niveles de deterioro cognitivo y facilitar intervenciones oportunas para las personas en riesgo de deterioro cognitivo. A pesar de las limitaciones en el tamaño y la heterogeneidad de la muestra, los resultados superan notablemente a los de trabajos anteriores relacionados, sentando las bases para futuras investigaciones y poniendo de manifiesto el potencial de los agentes conversacionales para este fin., Antecedentes: Este estudo analiza a viabilidade de integrar técnicas de aprendizaxe automática en DigiMoCA, un axente conversacional baseado no T-Moca para a detección precoz da deterioración cognitiva en persoas maiores.
Método: Recrutouse unha mostra de 46 participantes con distintos niveis de deterioración cognitiva, idades e sexos. Cada participante realizou varias probas de referencia, así como dúas sesións de DigiMoCA. A continuación, deseñouse e implementou unha arquitectura de procesamiento de datos para probar diferentes algoritmos de aprendizaxe automática (ML).
Resultados: As probas de validez preditiva realizadas coa Avaliación Cognitiva de Montreal por Teléfono (T-Moca) guindaron resultados prometedores, e o algoritmo con mellor rendemento alcanzou un *𝑅�����2 = 0,81 e un RMSE de 1,84. As probas de validez de criterio para distinguir entre persoas que padecen deterioración cognitiva leve (DCL) e persoas sen DCL mostraron unha área baixo a curva ROC de 0,98 no mellor dos casos, cunha sensibilidade do 100% e unha especificidade do 93%. Por tanto, a inclusión da aprendizaxe automática permite aproveitar de forma máis eficaz a información capturada con DigiMoCA, mellorando o seu potencial de detección do DCL., Background: This study investigates the feasibility of integrating machine learning techniques into DigiMoCA, a
T-MoCA-based conversational agent for the early screening of cognitive impairment in senior adults.
Method: A sample of 46 participants with varying cognitive decline levels, age, and gender was recruited.
Each participant undertook several gold standard tests as well as 2 administrations of DigiMoCA. Then, a data
processing architecture was designed and implemented to test different Machine Learning (ML) algorithms.
Results: Predictive validity testing using the Telephone Montreal Cognitive Assessment (T-MoCA) yielded
promising results, with the best-performing algorithm achieving an 𝑅����2 = 0.81 and RMSE of 1.84. Criterion
validity testing for discerning between individuals suffering from mild cognitive impairment (MCI) and nonMCI individuals showed an area under the ROC curve of 0.98 in the best case, with 100% sensitivity and 93%
specificity. Thus, the inclusion of machine learning allows to exploit more effectively the information captured
with DigiMoCA, improving its MCI screening potential.
Conclusions: Integrating machine learning techniques into DigiMoCA showed promising predictive and criterion validity, indicating the efficacy of the approach in discerning cognitive decline levels and facilitating timely
interventions for individuals at risk of cognitive decline. Despite limitations in sample size and heterogeneity,
the findings notably outperform previous related work, laying a foundation for future research and showcasing
the potential of conversational agents for this purpose., Universidade de Vigo/CISUG, Agencia Estatal de Investigación | Ref. PID2020-115137RB-I00, Xunta de Galicia | Ref. GPC-ED431B 2023/37