Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Using non-medical risk factors related to dementia and cognitive decline for developing an evidencebased e-health tool
KTH, School of Information and Communication Technology (ICT).
2016 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

The number of dementia cases is increasing worldwide. Most research and development in this area is related to the prevention of dementia, and to the development of various prediction tools for dementia. The tools made available take most of the medical data into account while calculating risk scores, with only a small amount of non-medical data. There is a lot of data related to medical and non-medical risk factors available from various sources which can be retrieved and analysed in real time, but this is today not used in any risk score tool for risk score calculation. As part of the project Multimodal strategies to promote a healthy brain in ageing: Innovative evidence-based tools (MULTI-MODE), a new risk score is being developed to be used in a new ICT-based tool for dementia prediction.

Identification of non-medical data and a good model to fill the gap between data available at the server and using this data in risk score calculation may help in increasing the predictability of tools. In this thesis, some of the existing risk factors for the prediction of dementia are described, and the importance of non-medical factors in calculating risk scores is discussed. Additional non-medical factors are identified that could be included in future versions of the risk score. A database design for storing risk score information efficiently is presented, as is an app structure that can be used at the server side to validate the user input and to increase the effectiveness of a prediction tool.

Abstract [sv]

Antal demensfall ökar över hela världen. Forskning och utveckling inom detta område är relaterat till att förebygga demens och att utveckla olika prognosverktyg för demens. Flera tillgängliga verktyg tar hänsyn till medicinska data i beräkning av riskpoäng, med endast en liten mängd av icke-medicinska data. Det finns en hel del data om medicinska och icke-medicinska faktorer online, men de används idag inte för riskpoängberäkning. Som en del av projektet Multimodala strategier för att främja en frisk hjärna i åldrande: Innovativa evidensbaserade verktyg (MULTI-MODE), så har en ny metod utvecklats för att användas i ett nytt IT-baserat verktyg för demensförutsägelse.

Identifiering av icke-medicinska data och en bra modell för att överbrygga gapet mellan tillgängliga data på servern och använda dessa data i riskberäkning kan bidra till att öka precisionen hos verktyg. I den här studien beskrivs en del befintliga riskfaktorer för förutsägelse av demens och vikten av icke-medicinska faktorer i beräkning av risk diskuteras. Ytterligare icke-medicinska faktorer identifieras som skulle kunna ingå i framtida versioner av riskverktyg (såsom appar). Vissa identifierade riskfaktorer har analyserats och visade att effekten av att införa icke-medicinska faktorer ökar precisionen i resultaten. En databasdesign för lagring av riskinformation på ett effektivt sätt presenteras, liksom en appstruktur som kan användas på serversidan för att validera några av de parametrar som kan öka effektiviteten av verktyget.

Place, publisher, year, edition, pages
2016. , p. 62
Series
TRITA-ICT-EX ; 2016:186
Keywords [en]
Alzheimer’s disease, Dementia, Mild cognitive impairment, Risk factors, Dementia risk score, Cognitive decline, Cognitive training, Dementia prevention, Evidence-based prediction, Risk score app.
Keywords [sv]
Alzheimers sjukdom, Demens, Kognitiv svikt, Riskfaktorer, Kognitiv träning, Demensförebyggande, Evidensbaserad förutsägelse.
National Category
Computer Engineering
Identifiers
URN: urn:nbn:se:kth:diva-199191OAI: oai:DiVA.org:kth-199191DiVA, id: diva2:1060594
Subject / course
Computer Science
Educational program
Master of Science - Distributed Computing
Examiners
Available from: 2016-12-29 Created: 2016-12-29 Last updated: 2018-01-13Bibliographically approved

Open Access in DiVA

fulltext(2037 kB)152 downloads
File information
File name FULLTEXT01.pdfFile size 2037 kBChecksum SHA-512
b654ca5a573702da673659b11ee221e0b0fcae11336f2777977a3c674ff863816d38dd78fc99bff4ac6573d2b59010187e2d411bfe74ce678737787bea65ddec
Type fulltextMimetype application/pdf

By organisation
School of Information and Communication Technology (ICT)
Computer Engineering

Search outside of DiVA

GoogleGoogle Scholar
Total: 152 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 117 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf