Génération de données normatives à partir de l'administration en ligne de la batterie automatisée des tests neuropsychologiques de Cambridge en utilisant un cadre bayésien

Introduction Les données cognitives normatives peuvent distinguer un handicap d'une fonction cognitive saine et un déclin pathologique d'un vieillissement normal. Les méthodes traditionnelles pour dériver des données normatives nécessitent généralement des échantillons extrêmement grands de participants en bonne santé, en stratifiant la variation des tests par groupes d'âge pré-spécifiés et caractéristiques démographiques clés (âge, sexe, éducation). Les approches de régression linéaire peuvent fournir des données normatives à partir de jeux de données échantillonnés de manière plus dispersée, mais les distributions non normales des résultats de nombreux tests cognitifs peuvent entraîner une violation des hypothèses du modèle, limitant la généralisabilité. Méthode L'étude actuelle propose un nouveau cadre bayésien pour la génération de données normatives. Les participants (n = 728 ; 368 hommes et 360 femmes, âgés de 18 à 75 ans) ont complété la batterie automatisée des tests neuropsychologiques de Cambridge via le site de crowdsourcing de recherche Prolific.ac. Les participants ont complété des tests de mémoire de reconnaissance visuospatiale (test de mémoire de travail spatial), de mémoire épisodique visuelle (test d'apprentissage par association paire) et d'attention soutenue (test de traitement rapide de l'information visuelle). Les résultats des tests ont été modélisés en fonction de l'âge à l'aide de modèles linéaires généralisés bayésiens, capables de dériver des distributions postérieures des données authentiques, en s'appuyant sur une large famille de distributions. Les algorithmes de la chaîne de Markov Monte Carlo ont généré un grand ensemble de données synthétiques à partir des distributions postérieures pour chaque mesure de résultat, capturant les distributions normatives de la cognition en fonction de l'âge, du sexe et de l'éducation. Résultats La comparaison avec les méthodes stratifiées et de régression linéaire a montré des résultats convergents, l'approche bayésienne produisant des tendances similaires d'âge, de sexe et d'éducation dans les données, ainsi qu'une catégorisation similaire des niveaux de performance individuelle. Conclusion Cette étude documente une méthode nouvelle, reproductible et robuste pour décrire la performance cognitive normative avec le vieillissement en utilisant un grand ensemble de données.