De la condition physique à la cognition : prédiction par apprentissage automatique des performances cognitives à partir de paramètres physiologiques chez des adultes en bonne santéFrom Fitness to Cognition: Machine-Learning Prediction of Cognitive Performance Using Physiological Parameters in Healthy Adults.
- L'étude a utilisé 39 variables physiologiques pour prédire les performances au Trail Making Test.
- Un modèle de forêt aléatoire a atteint une précision de 70,83 % avec 10 caractéristiques sélectionnées.
- L'interprétation via SHAP a identifié l'âge, la résistance vasculaire systémique et la fréquence cardiaque de repos comme prédicteurs de temps de réponse plus long.
L'article présente une méthode innovante combinant physiologie et apprentissage automatique pour estimer les performances cognitives chez l'adulte sain, avec des implications potentielles pour le suivi cognitif, mais sans application clinique directe et avec une performance modérée.
L'étude est transversale et ne permet pas d'inférer la causalité. L'échantillon se limite à des adultes en bonne santé, généralisabilité limitée aux populations cliniques. La performance de classification (AUC 71,2%) est modérée, nécessitant une validation supplémentaire. Le critère de jugement (TMT dichotomisé à la médiane) peut ne pas capturer toute la variabilité cognitive.
Cette étude examine la faisabilité d'utiliser des indicateurs physiologiques et cardiaques autonomes, combinés à l'apprentissage automatique interprétable, pour évaluer les performances cognitives relatives chez 240 adultes en bonne santé. Une forêt aléatoire avec 10 caractéristiques sélectionnées a atteint 70,83 % de précision. Les résultats suggèrent que des paramètres cardiovasculaires et autonomes peuvent modérément discriminer les performances au Trail Making Test. Les caractéristiques clés, comme l'âge, la résistance vasculaire systémique, la fréquence cardiaque de repos, et des indices de variabilité cardiaque, sont modifiables par l'exercice.
L'étude a utilisé 39 variables physiologiques pour prédire les performances au Trail Making Test. Un modèle de forêt aléatoire a atteint une précision de 70,83 % avec 10 caractéristiques sélectionnées. L'interprétation via SHAP a identifié l'âge, la résistance vasculaire systémique et la fréquence cardiaque de repos comme prédicteurs de temps de réponse plus long. Un volume d'éjection systolique plus élevé, un débit cardiaque plus élevé et une plus grande puissance haute fréquence prédisaient des temps plus courts. Ces résultats soutiennent la faisabilité d'une évaluation cognitive basée sur des mesures physiologiques, potentiellement modifiables par l'exercice.
Cette approche pourrait permettre un suivi cognitif à faible charge pour les adultes en bonne santé. Les paramètres physiologiques modifiables (comme la condition cardiorespiratoire) pourraient être ciblés par des interventions pour améliorer la cognition. L'utilisation de caractéristiques accessibles via des wearables pourrait faciliter une évaluation cognitive personnalisée et fréquente.
Modéré