从使用贝叶斯框架的剑桥神经心理测试自动化电池的基于网络的管理中生成规范性数据
Elizabeth Wragg1, Caroline Skirrow1,2, Pasquale Dente1
1Clinical Science, Cambridge Cognition, Cambridge, United Kingdom.
Frontiers in digital health
|October 7, 2024
概括
这项研究引入了一种新的贝叶斯框架,用于生成规范性认知数据. 这种强大的方法准确地模拟了跨年龄,性别和教育的认知表现,克服了传统方法的局限性.
科学领域:
- 神经科学是一个神经科学.
- 认知心理学 认知心理学
- 生物统计学 生物统计学
背景情况:
- 建立规范性认知数据对于区分健康功能与损伤和病态衰老至关重要.
- 传统方法需要大量的样本,并与非正常的数据分布作斗争.
- 线性回归模型由于违反了假设,因此在概括性上存在局限性.
研究的目的:
- 为规范性认知数据生成提出和验证一个新的贝叶斯框架.
- 作为年龄,性别和教育的函数来建模认知测试结果.
- 克服传统规范性数据导出方法的局限性.
主要方法:
- 用贝叶斯通用线性模型框架来生成规范数据.
- 使用贝叶斯方法对728名参与者 (18至75岁) 的认知测试结果进行了建模.
- 采用马尔科夫链蒙特卡洛算法,从后置分布生成合成数据集.
主要成果:
- 贝叶斯方法产生了与传统分层和线性回归方法一致的结果.
- 在认知表现数据中显示了类似的年龄,性别和教育趋势.
- 与现有方法相比,显示了个别性能水平的类似分类.
结论:
- 一种新的,可复制和强大的贝叶斯方法来描述随着衰老的规范性认知表现已经被记录下来.
- 这个框架有效地模拟认知数据,考虑年龄,性别和教育程度.
- 这种方法为规范性认知数据提供了更好的概括性.
