Semantic memory navigation in mild cognitive impairment: Automated markers with neural and biofluid correlates
Pérez, G., Caro, I., Ponferrada, J., Ferrante, F., Valdez, J., Migeot, J., Sosa Welford, A., Olavarría, L., Lillo, P., Thumala, D., Okuma, C., Cerda, M., Henríquez, F., Pelle, P., Durán, C., Ibáñez, A., Ferrer, L., Slachevsky, A. & García, A. M. (2026). Semantic memory navigation in mild cognitive impairment: Automated markers with neural and biofluid correlates. NeuroImage 338, 122070.
Las tareas de fluidez verbal son muy comunes en las evaluaciones de deterioro cognitivo leve (DCL). Sin embargo, su evaluación se limita tradicionalmente al recuento de respuestas válidas. Este enfoque subjetivo restringe el análisis a métodos univariados y pasa por alto qué dimensiones de la memoria semántica se ven afectadas, lo que introduce sesgos humanos y limita el valor informativo. Abordamos estas brechas con un novedoso marco automatizado. Noventa y seis participantes (53 con DCL y 43 personas sin deterioro cognitivo) realizaron tareas de fluidez fonémica y semántica junto con pruebas cognitivas estándar. Las propiedades de las palabras (p. ej., frecuencia, granularidad, longitud) y las características temporales (p. ej., número de pausas) fueron (i) extraídas automáticamente para discriminar entre los grupos mediante clasificación por aprendizaje automático, (ii) comparadas con medidas cognitivas estándar (Prueba de Trazado A, Prueba de Trazado B, la subpuntuación de memoria episódica del Examen Cognitivo de Addenbrooke, la amplitud de dígitos y el Mini-examen del Estado Mental), y (iii) se utilizaron para predecir los patrones cerebrales y la concentración plasmática de tau 217 fosforilada (pTau217). Nuestro enfoque arrojó un rendimiento de clasificación sólido al combinar las propiedades de las palabras y las características temporales del habla (área bajo la curva característica operativa del receptor [AUC] = 0,81, intervalo de confianza [IC] del 95 % = [0,71; 0,89]), superando a las medidas cognitivas (AUC = 0,77, IC = [0,68; 0,85]). La frecuencia, la granularidad y la distancia semántica se correlacionaron con el volumen de materia gris de regiones relacionadas con la semántica que suelen presentar atrofia en el DCL. Ninguna característica de fluidez se asoció con los patrones de conectividad funcional. La granularidad se asoció moderadamente con los niveles de pTau217. En resumen, los análisis automatizados de fluidez facilitan la detección del DCL, al captar patrones neurocognitivos y de biomarcadores de gran detalle en esta afección.
Para acceder al artículo, hacé click aquí.
Semantic memory navigation in mild cognitive impairment: Automated markers with neural and biofluid correlates
Pérez, G., Caro, I., Ponferrada, J., Ferrante, F., Valdez, J., Migeot, J., Sosa Welford, A., Olavarría, L., Lillo, P., Thumala, D., Okuma, C., Cerda, M., Henríquez, F., Pelle, P., Durán, C., Ibáñez, A., Ferrer, L., Slachevsky, A. & García, A. M. (2026). Semantic memory navigation in mild cognitive impairment: Automated markers with neural and biofluid correlates. NeuroImage 338, 122070.
Verbal fluency tasks are ubiquitous in mild cognitive impairment (MCI) screenings. Yet, their assessment is traditionally limited to valid response counts. This subjective approach constrains analysis to univariate methods and overlooks which semantic memory dimensions are affected, introducing human bias while limiting informativeness. We tackled these gaps with a novel automated framework. Ninety-six participants (53 with MCI, 43 cognitively unimpaired individuals) performed phonemic and semantic fluency tasks alongside standard cognitive tests. Word properties (e.g., frequency, granularity, length) and timing features (e.g., number of pauses) were (i) automatically extracted to discriminate between groups via machine learning classification, (ii) benchmarked against standard cognitive measures (Trail Making Test-A, Trail Making Test-B, episodic memory subscore from the Addenbrooke’s Cognitive Examination, digit span, and Mini-mental State Examination), and (iii) used to predict brain patterns and plasma phosphorylated tau 217 (pTau217) concentration. Our approach yielded robust classification performance when using word properties and speech timing features combined (Area under the receiver operating characteristic curve [AUC] = 0.81, 95% confidence interval [CI] = [0.71, 0.89]), outperforming cognitive measures (AUC = 0.77, CI = [.68, 0.85]). Frequency, granularity, and semantic distance correlated with the gray matter volume of semantic-related regions commonly atrophied in MCI. No fluency feature was associated with functional connectivity patterns. Granularity was moderately associated with pTau217 levels. In sum, automated fluency analyses facilitate MCI detection, capturing fine-grained neurocognitive and biomarker patterns in the condition.
To access the full paper, please click here.
