MemTrax: a computerized continuous recognition task using in screening and monitoring for cognitive change

Ya ZHANG, Zhong PEI

PDF(861 KB)
  • ISSN 2096-5516 CN 10-1536/R
  • Sponsored: China Association for Alzheimer’s Disease
快速检索
Chinese Journal of Alzheimer's Disease and Related Disorders ›› 2025, Vol. 8 ›› Issue (3) : 200-206. DOI: 10.3969/j.issn.2096-5516.2025.03.008
Review

MemTrax: a computerized continuous recognition task using in screening and monitoring for cognitive change

Author information +
History +

Abstract

Cognitive impairment is the primary symptom of Alzheimer's disease (AD), manifesting as memory loss and changes in other cognitive functions. Currently, cognitive tools such as the mini-mental state examination (MMSE) and the montreal cognitive assessment (MoCA) are widely used to evaluate overall cognitive function in patients. However, these scales are time-consuming and require experienced clinicians to conduct face-to-face testing. This review aims to introduce MemTrax, a computerized continuous recognition task, and its application in cognitive assessment. In this test, subjects are required to complete a picture recognition task within approximately 90 seconds to assess their cognitive functions, mainly episodic memory, including memory processing, storage, retrieval, and reaction time.Previous studies have confirmed that its efficacy in identifying normal individuals, mild cognitive impairment (MCI), and AD patients is superior to MoCA. Moreover, combining with other biomarkers can further enhance its diagnostic efficacy, and it is also potential for assessment of treatment efficacy. Here we also introduce the application of MemTrax in various types of cognitive disorder diseases. Finally, this article proposes that MemTrax can be used as a digital tool to establish a systematic neuroscience database in the future, combining machine learning and other biomarkers to predict early dementia, as well as for large-scale cognitive screening and continuous cognitive monitoring.

Key words

Cognitive impairment / MemTrax / Episodic memory / Digital cognitive screening tools

Cite this article

EndNote

Ris (Procite)

Bibtex

Download Citations
Ya ZHANG , Zhong PEI. MemTrax: a computerized continuous recognition task using in screening and monitoring for cognitive change. Chinese Journal of Alzheimer's Disease and Related Disorders. 2025, 8(3): 200-206 https://doi.org/10.3969/j.issn.2096-5516.2025.03.008
认知损害是阿尔茨海默病（Alzheimer's disease，AD）的主要症状，也可以出现在其它中枢性神经系统疾病中，主要表现为记忆受损和其他认知功能如注意力、语言及执行功能等的改变。目前AD患者的数量在不断增加且大多数患者在就诊时已经到了中晚期[1]。因此，寻找有效的用于早期认知筛查的认知工具非常重要。

1 MemTrax的开发

MemTrax作为一个数字化连续记忆认知测试工具，涉及记忆（包括记忆的处理、存储和再现）以及注意力、视空间、执行功能等多个认知域，在评价情景记忆和反应时间方面很有潜力[2]。情景记忆损害被认为是AD早期记忆损害的主要表现[3-4]，因此可应用于AD早期筛查。MemTrax原来是一个面向线下受试者的记忆测试，通过向受试者播放50张幻灯片的形式来进行情景记忆评估[5]。前期的研究已经证明这种连续性的记忆测试能够用于早期痴呆的筛查，之后在此基础上开发了MemTrax这个数字化版本用于更大规模的包括反应时间的认知筛查(http://www.memtrax.com)[2]。
在MemTrax测试中会播放50张图片，其中有25张重复出现，25张未重复出现。它要求受试者记住每一张图片并对重复出现过的图片做出及时的反应（即在使用触屏设备时点击图片，或使用电脑时点击键盘空格键）。每张图片受试者只有不超过3秒的反应时间来识别，总的测试在90秒左右可以完成。这项测试提供了多种反应认知功能的指标，如正确点击数（指对重复出现的图片作出正确反应次数）、错误点击数（对单独出现的图片作出反应次数）、正确拒绝率（corrected rejections，CRs，指对单独出现的图片不做反应的%）、再认失败率（指未对重复图片作出反应的%）、总正确率（The total percent correct，MTx-%C，指正确率和正确拒绝率）、平均反应时间（average response time，MTx-RT，指对重复出现的图片做出反应的平均时间），以及一个综合得分（composite score, MTx-Cp, 即MTx-%C与MTx-RT的倒数相乘）[6-7]。其中MTx-%C、CRs、MTx-RT以及MTx-Cp这几个指标广泛用于相关的研究中，它们代表了大脑中的不同处理模式，研究发现MTx-%C涉及记忆的再认，这是内侧颞叶的功能，而CRs代表抑制处理，涉及额叶的功能[7]。这些研究结果与其它类似的CRT工具的结果一致，这表明记忆的再现需要不同脑区共同参与[8-9]。
一项总测试量为322 996的大样本量研究探究了这几项指标的人群分布。研究表明90%的受试者的测试结果能达到80%的正确率（即40个正确的反应），而反应时间呈偏态分布，其中中位数为0.890秒，1%的结果用时短于0.62秒，1%用时长于1.57秒[10]。研究还发现反应时间可以通过“逆指数”函数来精确解释，即每增加一个特定的时间步（大约100毫秒），就需要动员成倍的神经元发挥功能[7⇓⇓-10]。
研究发现多种因素会影响MemTrax的各项指标得分，其中年龄和教育程度在其中发挥很大的作用[2⇓⇓-5]。但研究发现性别并不会导致MemTrax的结果出现偏差。一些社会性和情绪性的因素，如生活和工作压力、孤独感、延长的工作时间同样会影响到情景记忆的功能[11]。这些结果提示我们需要结合年龄、教育程度和其它潜在的因素来综合判断MemTrax的测试结果，从而应用于早期痴呆的筛查。

2 MemTrax相较其它认知工具的优势

目前临床上有很多认知测试工具，如简易精神状态检查量表（mini-mental state examination，MMSE）[12]和蒙特利尔认知评估量表（montreal cognitive assessment，MoCA）[13]，然而这些量表需要经验丰富的临床医生、面对面的测试方式以及不少于10分钟的测试时长来实现认知评估[14]。相比之下，MemTrax作为线上记忆认知测试，用时约1.5分钟，且不需要临床医生在旁边监测。这种基于视觉刺激的测试形式很大程度缩小了语言和文化差异的影响，能够在全世界不同国家广泛应用[15]。此外，传统的纸质工具由于版本有限，同一受试者多次测试会存在学习效应，因此不适用于长期监测，而MemTrax的优势在于它有一个相当大的图片资源库，最大程度减少学习效应的干扰，能够用于长期的个体化认知水平监测。
近年来，随着信息技术的发展，研究者们开发了很多数字化认知测试工具，除了MemTrax，还有其它的包括传统量表数字化版本，如数字化eMoCA（electronic MoCA, eMoCA）和电子化画钟测试dCDT（digital clock drawing test, dCDT），以及一些新产品如CogState、Geras Solutions 认知测试（GSCT）、Neurotrack 认知成套测验（NCB）等（见表1）。
Tab1 Comprehensive cognitive screening tools and their efficacy and limitations

表1 整体认知功能筛查工具及其效能和局限性

筛查工具 测试时长 效能 局限性
简易精神状态检查量表（MMSE）[12] 5~10分钟 临床上最常见的认知水平量表。 需要经验丰富的临床医生、面对面的测
试方式以及有一定文化和语言差异的
影响。
蒙特利尔认知评估量表（MoCA）[13] 10分钟 区分MCI和轻度AD的敏感性比MMSE更高。 与MMSE一致。
简易认知状态评估量表（Mini-Cog）[16] 3~5分钟 Mini-Cog测试操作性强，用时短，便于在社区
和保健机构推广。		 相关研究关于其敏感性和特异性的差异
较大，无法判断准确性。
数字化MoCA（eMoCA）[17-18] 10分钟 eMoCA与纸质版的MoCA的测试结果有很强的
相关性。		 需要特定的设备和专业人员的指导。
电子化画钟测试（dCDT）[19-20] 大约2分钟 dCDT识别MCI的敏感性为0.86（95%CI为
0.75~0.92），特异性为0.92（95%CI为
0.69~0.98），而纸质版CDT的敏感性为0.63
（95%CI为0.49~0.75），特异性为0.77（95%CI
为0.68~0.84）。		 涉及的认知域较少。
BrainCheck[21-22] 3~5分钟 在认知严重受损和中度受损的受试者和健康受试
者之间有明显的差异（P=0.02），且该测试的
综合得分提示敏感性为81%，特异性为94%。		 需要患者和家属（知情者）都提供问卷
信息。
CogState[23-24] 20分钟左右 区分MCI和健康人的敏感性为78%，特异性为
90%。		 测试时长明显大于MemTrax。
Geras Solutions Cognitive Test (GSCT)[25-26] 20~30分钟 区分MCI和AD的分界值为45，敏感性为
91%，特异性为55%。		 测试时长明显大于MemTrax，且研究结
果缺少健康对照组的比较。
Neurotrack Cognitive Battery(NCB)[27] 13分钟 测试中符号匹配和路径点这两个模块结合起
来诊断AD的敏感度为94%，特异度为90%
（AUC=0.97）。		 测试时长明显大于MemTrax，且研究数
据来自日本队列，需要在更大范围的
人群进行验证。
Cambridge Neuropsychological Test Automated Battery (CANTAB)[28] 超过30分钟 与传统的神经心理测试量表有一定的适配性。 测试时长较长且模块多，受试者不易理
解。
Computerized Cognitive Screen (CoCoSc)[29] 15分钟 测试分数在区分健康人和认知障碍人群的敏感性
为0.78，特异性为0.69（AUC=0.78）。		 测试时长较长，且数据来源的样本量较
小。
这些工具都能通过简便易懂的方式完成认知测试，而MemTrax的最大优势在于它能够在约1.5分钟快速进行记忆认知水平筛查。另一方面，MemTrax是用于评估情景记忆，更适合用于早期痴呆的筛查。然而，目前并没有相关的研究对比MemTrax和其它数字化工具在区分正常人与MCI、MCI与AD患者之间的效能。未来可以通过开展进一步的研究来证实MemTrax在这方面的优势。

3 MemTrax在AD和其它认知障碍疾病中的应用

3.1 MemTrax在AD中的应用

3.1.1 用于区分对照组、MCI和AD患者

MemTrax可以用于区分健康对照、MCI和AD患者，且具有较高的敏感性和特异性。研究表明MTx-%C在区分健康人与MCI方面有很好的效果，而另一个指标MTx-Cp在区分MCI和AD患者时能达到更好的效能[30]。这个结果提示正确率的下降是认知损害的开始，而正确率和反应时间同时下降提示MCI向AD进展。这项研究进一步对比了MoCA在这方面的效能，发现MoCA在区分正常人与MCI以及MCI与AD时的敏感性和特异性都比MemTrax低，表明MemTrax在识别认知损害方面明显优于MoCA。因此，未来临床上评估认知水平，尤其是评估早期认知损害时，可以考虑用数字化的MemTrax代替传统纸质量表用于指导临床诊断。

3.1.2 用于评价治疗效果

MemTrax可用于对比治疗前后的认知水平变化，用于评价治疗效果。MemTrax能够通过简便的图片测试提供正确率和反应时间等客观指标，因此对比不同时期的测试结果可以直观反应认知状态的改变。有研究用MemTrax作为认知评估工具来评估一个新的AD治疗策略的疗效[31]，尽管研究中主要关注的指标是治疗前后患者的工作能力变化，但在10名参与者中最严重的患者经过治疗能从无法完成MemTrax到出现明显进步，说明MemTrax在评估认知治疗效果方面也具有一定的应用前景。但这项研究样本量较小，而且并未给出确切的MemTrax测试数据，因此我们无法明确MemTrax在反映疗效上的作用。后续相关药物疗效的研究可以考虑进一步优化疗效评价的流程设计，发挥MemTrax在认知评估方面的优势，从而提供更多的证据来证实MemTrax在治疗效果评价方面的应用效能。

3.1.3 结合生物标记物提高筛查效率

近年来AD相关生物标记物逐渐成为早期诊断的参考指标[32-33]。以往的研究证实MemTrax结合AD的血浆标记物可以提高MCI诊断的效率。研究发现MemTrax结合血浆标记物p-tau181和Aβ42/40能准确区分出健康对照和MCI或AD患者，并且ROC曲线下面积（AUC）从0.780（单独使用MemTrax）提高到0.975（MemTrax结合血液标记物）[34]。由于MemTrax测试方式以及血液样本的采集都相对简便易行，检查人员不需要额外的培训，且两者结合诊断率高，因此可以进一步推广到基层和社区的大规模认知筛查中，以提高AD早期诊断率。
Tab 2 Research on MemTrax

表2 MemTrax的相关研究

作者 发表年份 研究方法 研究内容 研究结果
Ashford JW, et al[5] 2011 横断面研究，有848名年龄段在40~97岁的参与者最终完成测试。样本量较大，局限性在于由于其横断面设计，无法确定因果关系。 该研究使用幻灯片对线下受试者进行认知功能评估，分析年龄、性别和教育程度在其中的作用。 研究表明这种方式能够筛查早期痴呆，且年龄和教育程度是影响记忆能力的因素，而性别间没有明显差异。
Bredesen DE[31] 2014 病例研究，总共纳入10名AD患者，随访时间长，但样本量较小。 研究中使用MemTrax作为测试治疗前后认知功能改变的工具。 有一个病人在治疗前后MemTrax测试有明显改善（研究并未给出明确的MemTrax测试结果）。
Weiner MW, et al[43] 2018 依托BHR在线平台的大规模观察性研究，通过收录参与者的基线数据（超过57 000例）和纵向数据（超过28 000例），用于AD相关研究。 MemTrax作为BHR网站认知测试的组成部分之一。 这种线上评估系统能够低成本地收集大量信息用于神经科学临床研究。
Cholerton B, et al[39] 2019 依托BHR的纵向队列研究，纳入总样本量为11 813例。 该研究利用BHR网站检索收集帕金森病患者信息。 MemTrax的反应时(p=0.001)在帕金森病组和非帕金森组有明显的差异。
Bergeron MF, et al[40] 2019 横断面研究，样本量为18 395例，结合机器学习方法用于预测建模。 利用机器学习来分析MemTrax在区分不同健康质量评分（HealthQScore）水平的有效性。 利用新模型可以增强MemTrax作为一种有效的认知健康筛查工具的敏感性和特异性。
Ashford JW, et al[2] 2019 横断面研究，依托MemTrax测试平台纳入18 477例有效测试结果。 该研究对18 477例年龄段为21~99岁的测试结果及其年龄、性别等数据进行分析。 研究发现在可能的影响因素里，年龄会明显影响测试结果，而性别则没有明显影响。
van der Hoek MD, et al[41] 2019 横断面研究，从社区中纳入82例老年人，依据MoCA结果分为认知正常组（45例）和MCI（37例）。 受试者基于MoCA的结果分成两组，检验MemTrax的区分能力。 研究表明MemTrax反应时低于0.87~0.91s的范围，正确率低于85％~90%的范围可以认为是MCI。
Bergeron MF et al[36] 2020 横断面研究，总样本量259例，利用机器学习构建预测模型。 利用机器学习探索MemTrax预测认知水平与严重程度的最佳模型。 研究发现朴素贝叶斯（Na¨ıve Bayes）是最优的模型，其整体分类性能为0.9093。
Liu X, et al[30] 2021 横断面研究，纳入150例志愿者，包含50例正常对照，50例MCI和50例AD。 研究比较了MemTrax和MoCA在区分健康对照与MCI、MCI与AD病人的效能。 1.区分健康人与MCI，MTx-%C的AUC为
0.839（敏感性72%，特异性84%），MoCA的AUC为0.740（敏感性54%，特异性86%）。
2.区分MCI和AD，MTx-Cp的AUC为0.799
（敏感性70%。特异性82%），MoCA的AUC为0.767（敏感性84%，特异性62%）。
Ashford JW, et al[10] 2022 横断面研究，分析了344 165名个体完成的602 272次测试数据，纳入322 996例有效测试进入后续分析。 在MemTrax初次测试结果中分析正确率和反应时的人群分布情况。 63%的受试者能达到45个正确数（即90%正确率），92%的受试者能达到40个正确数（即80%正确率）；而反应时总体呈偏态分布，中位数为0.890s，1%受试者快于0.62s，1%受试者慢于1.57s。
Liu W, et al[42] 2023 横断面研究，纳入26 633例测试数据，利用广义可加模型（Generalized additive models for location, shape and scale，GAMLSS）生成年龄和教育水平特异性的百分位曲线。 利用GAMLSS生成的年龄和教育水平特异性百分位曲线，分析其拟合优度，同时研究反应速度和正确率之间的关系。 基于MemTrax这一大规模筛查工具，利用GAMLSS可以应用于建立认知衰退的非线性百分位曲线。
Zhao X, et al[37] 2023 横断面研究，纳入104例急性缺血性卒中患者，其中60例为卒中后认知障碍（post-stroke cognitive impairment，PSCI）。 分析MemTrax区分PSCI和非PSCI的效能。 MTx-%C和MTx-Cp在识别PSCI有很好的效应，AUC分别为0.919和0.925。
Chen W, et al[34] 2023 横断面研究，纳入99名认知功能正常的健康老年人和101名MCI-AD患者。 研究旨在验证MemTrax结合AD相关血液标记物区分健康人和MCI-AD患者的效能。 在区分MCI-AD和健康人时，MemTrax和MoCA有类似的效能。利用机器学习结合MemTrax和血液标记物的预测模型能达到最好的AUC为0.975（95%CI为0.950-0.999）。
Mei Q, et al[11] 2024 横断面研究，采用抽样方法在线收集数据，共有9 433名来自304个城市的医院工作人员参与。 这是一项在中国医疗相关群体中探究焦虑和抑郁流行病学的研究，研究中使用MemTrax作为情景记忆的评价指标。 在医疗环境的压力状态下大约1/3（32.1%）的参与者MTx-%C的得分小于80%；教育程度和工作职位会影响测试结果。
Clifford JO Jr, et al[7] 2024 横断面研究，纳入18 255例测试数据。 对纳入的MemTrax数据进行了分析，以研究性别、年龄以及MemTrax指标的分布情况。 通过分析各种指标，MemTrax可以用于检测情景记忆、执行功能、处理速度以及与年龄相关的认知能力变化。
Liu Y, et al[38] 2024 横断面研究，纳入61名健康对照（HC）、102名认知正常的PD患者（PD-N）、74名轻度认知障碍的PD患者（PD-MCI）和52名痴呆的PD患者（PD-D）。 评估MemTrax记忆测试在检测帕金森病（PD）患者认知障碍中的临床效用。 检测PD-MCI的最优MTx-%C和MTx-Cp截断值分别为75%和50.0；检测PD-D的最优MTx-%C、MTx-RT和MTx-Cp截断值分别为69%、1.341秒和40.6。

3.2 MemTrax在其它认知障碍疾病中的应用

MemTrax不仅仅用于AD的认知筛查，在其它涉及到认知损害的疾病中也可以应用。血管性痴呆（vascular dementia，VaD）是仅次于AD的一种常见痴呆类型[35]，研究发现在VaD-MCI和VaD中，MemTrax两个指标——正确率和反应时间都有明显的统计学差异[36]。同时，该研究运用了机器学习构建痴呆风险预测模型，发现在预测血管性痴呆的严重程度方面模型的性能要优于AD，但这种差异并不是由MemTrax本身引起的，这是因为血管性痴呆的预测模型还包含了高血压、糖尿病、高脂血症等风险因素在内，这些血管性损伤因素优化了预测模型的效能。
在血管性认知障碍的应用方面，既往研究还证实MemTrax在判断中风后认知障碍（PSCI）时有较高的敏感性和特异性，正确率MTx-%C的临界值为78%[37]。说明MemTrax有助于评估中风后认知障碍在恢复期的认知水平，帮助判断患者认知变化和治疗效果，指导下一步治疗方案的调整。这进一步证实了MemTrax可以用于不同疾病的认知水平监测和治疗效果判定，具有较好的临床实用价值。
MemTrax也可用于帕金森病（parkinson's disease，PD）的认知水平和运动症状严重程度的判断。在一项研究中通过对健康对照（HC）、认知正常的帕金森患者（PD-N）、轻度认知障碍的帕金森患者（PD-MCI）以及痴呆帕金森患者（PD-D）四组人群的MemTrax测试结果进行分析[38]，MTx-%C在四组人之间比较有明显的差异（P<0.001），说明MemTrax在反映PD患者的认知状态方面也具有较好的效能。该研究还发现PD-D患者的反应时长MTx-RT明显较长，与PD-MCI（P=0.008）和PD-N（P<0.001）两组都有统计学差异，说明MemTrax同时还可以反映PD患者运动症状的严重程度。另一研究也发现在正常组和帕金森病组之间，MemTrax的反应时长MTx-RT（P=0.001）与帕金森病诊断组显著相关[39]。上述结果说明MemTrax不仅可用于认知水平的判断，在一些运动障碍疾病中也能在一定程度上反映患者运动症状的严重程度。因此后续的研究也可以进一步探究运动障碍疾病患者MemTrax的表现情况，作为反映运动症状的一项辅助指标。

4 展望

MemTrax是一个高效、便捷的数字化记忆认知测试工具，且能在不同文化和语言的地区下广泛使用。基于这种优势，它可以作为一项线上工具应用于构建基于互联网的神经科学研究平台。The Brain Health Registry (BHR)就是一个成功的例子，它是一个集合了线上收集的问卷信息和神经心理相关数据的网站，其中就包含了MemTrax等相关数字化测评量表的数据。该网站目前已经注册了超过10万名参与者，有30多项研究引用了其中的数据，与17项其它研究进行了联合注册，用于开发新型在线评估工具的平台[43]。然而，目前中国还没有这样的在线信息收集系统，因此在未来可以将MemTrax这样的便捷数字工具应用于临床大数据的收集分析，建立在线神经科学信息库便于大规模的临床研究。同时还可以通过整合现有的远程医疗平台，建立完备的患者健康档案，同时实现长期的远程监测，根据患者测试的结果给予线上的随访意见或调整用药方案，从而达成精准化病情管理的目的。
基于这种简便易行的测试方式，MemTrax既可以实现居家自测，也能推广到社区医院和初级保健机构等，在基层实现大规模的认知初筛。同时，制定通用的痴呆风险等级评定标准，由基层医疗工作者引导可疑的高风险人群到上级医院完善相关检查，促进AD的“早诊早治”和医疗资源的合理分配。
此外，有不少研究将MemTrax结合到近年来的热门领域——机器学习中，来构建疾病风险预测模型，进一步提高疾病诊断效能[34,36,40]。然而目前研究仍存在一些局限性，主要是纳入研究的人群限于某些特定地区，需要更广泛的数据来更加准确地区分正常人群和认知障碍人群。未来我们可以利用MemTrax线上测试的优势扩大研究人群范围，整合患者的基本信息（如年龄、性别、教育水平和病史），结合血液标志物以及神经影像学结果，来构建一个高效的风险预测模型，促进AD的个性化和精准预测。
总之，作为一个可以长期自我监测认知水平的便捷相对客观数字应用，MemTrax具有较强的痴呆风险筛查能力，同时不需要研究者监督测试，也不需要特殊仪器设备，且最大化排除了语言文化差异的干扰，这些优势都方便它在全球范围内推广使用。未来，MemTrax可以实现长期的家庭监测和大规模的社区筛查，在AD和其它认知障碍的早期筛查、病情进展和疗效观察中发挥重要作用。
利益冲突声明：所有作者在本研究中均不存在利益冲突。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
2024 Alzheimer's disease facts and figures[J]. Alzheimers Dement, 2024, 20(5):3708-3821.
本文引用 [1]
[2]
Ashford JW, Tarpin-Bernard F, Ashford CB, et al. A computerized continuous-recognition task for measurement of episodic memory[J]. J Alzheimers Dis, 2019, 69(2):385-399.
本文引用 [4]
[3]
McDonough IM, Festini SB, Wood MM, et al. Risk for Alzheimer's disease: a review of long-term episodic memory encoding and retrieval fMRI studies[J]. Ageing Res Rev, 2020, 62: 101133.
本文引用 [2]
[4]
Teng E, Manser PT, Shah M, et al. The use of episodic memory tests for screening in clinical trials for early Alzheimer's disease: a comparison of the free and cued selective reminding test (FCSRT) and the repeatable battery for the assessment of neuropsychological status (RBANS)[J]. J Prev Alzheimers Dis, 2023, 10(1): 41-49.
本文引用 [2]
[5]
Ashford JW, Gere E, Bayley PJ, et al. Measuring memory in large group settings using a continuous recognition test[J]. J Alzheimers Dis, 2011, 27(4):885-895.
本文引用 [3]
[6]
Ashford JW, Clifford JO, Bergeron MF, et al. Advancing screening for cognitive impairment: the memtrax continuous recognition test[J]. Aging (Albany NY), 2023, 15(12):5230-5231.
本文引用 [1]
[7]
Clifford JO Jr, Anand S, Tarpin-Bernard F, et al. Episodic memory assessment: effects of sex and age on performance and response time during a continuous recognition task[J]. Front Hum Neurosci, 2024, 18:1304221.
本文引用 [4]
[8]
Yonelinas AP, Otten LJ, Shaw KN, et al. Separating the brain regions involved in recollection and familiarity in recognition memory[J]. J Neurosci, 2005, 25(11):3002-3008.
本文引用 [2]
[9]
Suzuki M, Johnson JD, Rugg MD, et al. Decrements in hippocampal activity with item repetition during continuous recognition: an fMRI study[J]. J Cogn Neurosci, 2011, 23(6):1522-1532.
本文引用 [2]
[10]
Ashford JW, Clifford JO, Anand S, et al. Correctness and response time distributions in the MemTrax continuous recognition task: analysis of strategies and a reverse-exponential model[J]. Front Aging Neurosci, 2022, 14:1005298.
本文引用 [3]
[11]
Mei Q, Li W, Feng H, et al. Chinese hospital staff in anxiety and depression: not only comfort patients but also should be comforted - a nationwide cross-sectional study[J]. J Affect Disord, 2024, 360:126-136.
本文引用 [2]
[12]
Folstein MF, Folstein SE, McHugh PR, et al. "Mini-mental state" a practical method for grading the cognitive state of patients for the clinician[J]. J Psychiatr Res, 1975, 12(3):189-198.
本文引用 [2]
[13]
Nasreddine ZS, Phillips NA, Bédirian V, et al. The montreal cognitive assessment, MoCA: a brief screening tool for mild cognitive impairment[J]. J Am Geriatr Soc, 2005, 53(4):695-699.
本文引用 [2]
[14]
Lin JS, O'Connor E, Rossom RC, et al. Screening for cognitive impairment in older adults: an evidence update for the U.S. preventive services task force[R]. Rockville (MD): Agency for Healthcare Research and Quality (US), 2013: 14-05198-EF-1.
本文引用 [1]
[15]
Zhou X, Ashford JW. Advances in screening instruments for Alzheimer's disease[J]. Aging Med (Milton), 2019, 2(2):88-93.
本文引用 [1]
[16]
Fage BA, Chan CC, Gill SS, et al. Mini-cog for the detection of dementia within a community setting[J]. Cochrane Database Syst Rev, 2021, 7(7): CD010860.
本文引用 [1]
[17]
Berg JL, Durant J, Léger GC, et al. Comparing the electronic and standard versions of the montreal cognitive assessment in an outpatient memory disorders clinic: a validation study[J]. J Alzheimers Dis, 2018, 62(1):93-97.
本文引用 [1]
[18]
Wallace SE, Donoso Brown EV, Simpson RC, et al. A comparison of electronic and paper versions of the montreal cognitive assessment[J]. Alzheimer Dis Assoc Disord, 2019, 33(3):272-278.
本文引用 [1]
[19]
Chan JYC, Bat BKK, Wong A, et al. Evaluation of digital drawing tests and paper-and-pencil drawing tests for the screening of mild cognitive impairment and dementia: a systematic review and meta-analysis of diagnostic studies[J]. Neuropsychol Rev, 2022,566-576.
本文引用 [1]
[20]
Buckley RA, Atkins KJ, Fortunato E, et al. A novel digital clock drawing test as a screening tool for perioperative neurocognitive disorders: a feasibility study[J]. Acta Anaesthesiol Scand, 2021, 65(4):473-480.
本文引用 [1]
[21]
Ehrensperger MM, Taylor KI, Berres M, et al. BrainCheck - a very brief tool to detect incipient cognitive decline: optimized case-finding combining patient- and informant-based data[J]. Alzheimers Res Ther, 2014, 6(9):69.
本文引用 [1]
[22]
Groppell S, Soto-Ruiz KM, Flores B, et al. A rapid, mobile neurocognitive screening test to aid in identifying cognitive impairment and dementia (BrainCheck): cohort study[J]. JMIR Aging, 2019, 2(1):e12615.
本文引用 [1]
[23]
Fredrickson J, Maruff P, Woodward M, et al. Evaluation of the usability of a brief computerized cognitive screening test in older people for epidemiological studies[J]. Neuroepidemiology, 2010, 34(2):65-75.
本文引用 [1]
[24]
de Jager CA, Schrijnemaekers AC, Honey TE, et al. Detection of MCI in the clinic: evaluation of the sensitivity and specificity of a computerised test battery, the hopkins verbal learning test and the MMSE[J]. Age Ageing, 2009, 38(4):455-460.
本文引用 [1]
[25]
Bloniecki V, Hagman G, Ryden M, et al. Digital screening for cognitive impairment - a proof of concept study[J]. J Prev Alzheimers Dis, 2021, 8(2):127-134.
本文引用 [1]
[26]
Bloniecki V, Ulfvarson J, Javanshiri K, et al. The geras solutions cognitive test for assessing cognitive impairment: normative data from a population-based cohort[J]. J Prev Alzheimers Dis, 2023, 10(2):207-211.
本文引用 [1]
[27]
Glenn JM, Bryk K, Myers JR, et al. The efficacy and practicality of the neurotrack cognitive battery assessment for utilization in clinical settings for the identification of cognitive decline in an older japanese population[J]. Front Aging Neurosci, 2023, 15:1206481.
本文引用 [1]
[28]
Ashford MT, Aaronson A, Kwang W, et al. Unsupervised online paired associates learning task from the cambridge neuropsychological test automated battery (CANTAB®) in the brain health registry[J]. J Prev Alzheimers Dis, 2024, 11(2): 514-524.
本文引用 [1]
[29]
Wong A, Fong CH, Mok VC, et al. Computerized cognitive screen (CoCoSc): a self-administered computerized test for screening for cognitive impairment in community social centers[J]. J Alzheimers Dis, 2017, 59(4):1299-1306.
本文引用 [1]
[30]
Liu X, Chen X, Zhou X, et al. Validity of the memtrax memory test compared to the montreal cognitive assessment in the detection of mild cognitive impairment and dementia due to Alzheimer's disease in a chinese cohort[J]. J Alzheimers Dis, 2021, 80(3):1257-1267.
本文引用 [2]
[31]
Bredesen DE. Reversal of cognitive decline: a novel therapeutic program[J]. Aging (Albany NY), 2014, 6(9):707-717.
本文引用 [2]
[32]
Jack CR Jr, Bennett DA, Blennow K, et al. NIA-AA research framework: toward a biological definition of Alzheimer's disease[J]. Alzheimers Dement, 2018, 14(4):535-562.
本文引用 [1]
[33]
Nakamura A, Kaneko N, Villemagne VL, et al. High performance plasma amyloid-β biomarkers for Alzheimer's disease[J]. Nature, 2018, 554(7691):249-254.
本文引用 [1]
[34]
Chen W, Lin C, Su F, et al. Early diagnosis of mild cognitive impairment due to Alzheimer's disease using a composite of memtrax and blood biomarkers[J]. J Alzheimers Dis, 2023, 94(3):1093-1103.
本文引用 [3]
[35]
O'Brien JT, Thomas A. Vascular dementia[J]. Lancet, 2015, 386(10004):1698-1706.
本文引用 [1]
[36]
Bergeron MF, Landset S, Zhou X, et al. Utility of memtrax and machine learning modeling in classification of mild cognitive impairment[J]. J Alzheimers Dis, 2020, 77(4):1545-1558.
本文引用 [3]
[37]
Zhao X, Dai S, Zhang R, et al. Using memtrax memory test to screen for post-stroke cognitive impairment after ischemic stroke: a cross-sectional study[J]. Front Hum Neurosci, 2023, 17:1195220.
本文引用 [2]
[38]
Liu Y, Wu L, Chen W, et al. The memtrax memory test for detecting and assessing cognitive impairment in parkinson's disease[J]. Parkinsonism Relat Disord, 2024, 120: 106016.
本文引用 [2]
[39]
Cholerton B, Weiner MW, Nosheny RL, et al. Cognitive performance in parkinson's disease in the brain health registry[J]. J Alzheimers Dis, 2019, 68(3):1029-1038.
本文引用 [2]
[40]
Bergeron MF, Landset S, Tarpin-Bernard F, et al. Episodic-memory performance in machine learning modeling for predicting cognitive health status classification[J]. J Alzheimers Dis, 2019, 70(1):277-286.
本文引用 [2]
[41]
van der Hoek MD, Nieuwenhuizen A, Keijer J, et al. The memtrax test compared to the montreal cognitive assessment estimation of mild cognitive impairment[J]. J Alzheimers Dis, 2019, 67(3):1045-1054.
本文引用 [1]
[42]
Liu W, Yu L, Deng Q, et al. Toward digitally screening and profiling AD: a GAMLSS approach of memtrax in china[J]. Alzheimers Dement, 2024, 20(1):399-409.
本文引用 [1]
[43]
Weiner MW, Aaronson A, Eichenbaum J, et al. Brain health registry updates: an online longitudinal neuroscience platform[J]. Alzheimers Dement, 2023, 19(11):4935-4951.
本文引用 [2]
PDF(861 KB)

60

Accesses

0

Citation

Detail
Sections
Recommended

/

〈 〉