Detection of cognitive impairment and enhancement of cognitive abilities using serious games and machine learning

Abstract

Mild Cognitive Impairment (MCI) constitutes a critical transitional stage in the continuum of cognitive decline, during which timely, valid, and adaptive interventions can slow down or even reverse progression toward dementia. Despite significant advances in digital health, existing approaches to serious games for cognitive rehabilitation are characterized by theoretical fragmentation, limited multimodality, and a lack of empirically grounded design models. This dissertation addresses these gaps through the development and evaluation of CogniFrame, a novel, multidimensional, human-centered, and scientifically grounded theoretical framework for the design of serious games aimed at cognitive enhancement and assessment in older adults with MCI. The research methodology follows a multi-level approach that integrates theoretical synthesis, expert evaluation, clinical investigation, and computational analysis. CogniFrame is grounded in contemporary theories of cognitive neuroscience, learning principles, and human-centered design, structuring eight dimensions that guide the lifecycle of digital interventions. CogniFrame was empirically applied and evaluated through the development of the COGNIPLAT platform, whose effectiveness was examined via a pilot randomized controlled trial involving older adults with MCI, using standardized psychometric instruments (MoCA, RAVLT, DST, TMT, FAQ). In parallel, interaction data generated during gameplay were analyzed using machine learning algorithms (e.g., RF, SVM) to investigate their validity and reliability as digital biomarkers of cognitive function and cognitive impairment. The results demonstrate significant improvements in memory, attention, and executive functions among participants who used the COGNIPLAT platform, confirming the activation of cognitive mechanisms embedded in the design of CogniFrame. Furthermore, the machine learning models developed showed that interaction metrics can classify cognitive status with high accuracy and serve as reliable indicators for early detection. The integration of theoretical, methodological, and computational findings indicates that CogniFrame constitutes a comprehensive and empirically validated framework that bridges the gap between conceptual models and actionable, meaningful digital interventions. Overall, this dissertation provides a unified theoretical foundation, a validated design methodology, empirical evidence of cognitive improvement, and new insights into the use of digital biomarkers in individuals with MCI. Particular emphasis is placed on the dimension of detecting and monitoring cognitive status through machine learning techniques, which leverage low-burden interaction data to enable timely, reliable, and scalable assessment of cognitive function. The findings indicate that serious games—when designed based on CogniFrame—can function simultaneously as tools for cognitive rehabilitation and as adaptive, data-driven systems for continuous cognitive monitoring and early detection.

Η Ήπια Γνωστική Εξασθένηση (Mild Cognitive Impairment, MCI) αποτελεί ένα κρίσιμο μεταβατικό στάδιο στη συνέχεια της γνωστικής έκπτωσης, κατά το οποίο έγκαιρες, έγκυρες και προσαρμοστικές παρεμβάσεις μπορούν να επιβραδύνουν ή και να αναστρέψουν την πορεία προς την άνοια. Παρά τη σημαντική πρόοδο στην ψηφιακή υγεία, οι υπάρχουσες προσεγγίσεις στα παιχνίδια σοβαρού σκοπού για γνωστική αποκατάσταση χαρακτηρίζονται από θεωρητική αποσπασματικότητα, περιορισμένη πολυτροπικότητα και έλλειψη εμπειρικά τεκμηριωμένων μοντέλων σχεδίασης. Η παρούσα διατριβή αντιμετωπίζει αυτά τα κενά μέσω της ανάπτυξης και αξιολόγησης του CogniFrame, ενός νέου, πολυδιάστατου, ανθρωποκεντρικού και επιστημονικά θεμελιωμένου θεωρητικού πλαισίου για τον σχεδιασμό παιχνιδιών σοβαρού σκοπού που στοχεύουν στη γνωστική ενδυνάμωση και αξιολόγηση ηλικιωμένων με MCI. Η ερευνητική μεθοδολογία ακολουθεί μια πολυεπίπεδη προσέγγιση που συνδυάζει θεωρητική σύνθεση, αξιολόγηση από ειδικούς, κλινική διερεύνηση και υπολογιστική ανάλυση. Το CogniFrame βασίζεται σε σύγχρονες θεωρίες γνωστικής νευροεπιστήμης, αρχές μάθησης και ανθρωποκεντρικό σχεδιασμό, οργανώνοντας οκτώ διαστάσεις που καθοδηγούν τον κύκλο ζωής ψηφιακών παρεμβάσεων. Το CogniFrame εφαρμόστηκε και αξιολογήθηκε εμπειρικά μέσω της ανάπτυξης της πλατφόρμας COGNIPLAT, της οποίας η αποτελεσματικότητα διερευνήθηκε μέσω πιλοτικής τυχαιοποιημένης ελεγχόμενης δοκιμής σε ηλικιωμένους με MCI, με χρήση σταθμισμένων ψυχομετρικών εργαλείων (MoCA, RAVLT, DST, TMT, FAQ). Παράλληλα, δεδομένα αλληλεπίδρασης από το παιχνίδι αναλύθηκαν με αλγορίθμους μηχανικής μάθησης (RF, SVM κ.ά.) με στόχο τη διερεύνηση της εγκυρότητας και αξιοπιστίας τους ως ψηφιακών βιοδεικτών της γνωστικής λειτουργίας και της γνωστικής εξασθένισης. Τα αποτελέσματα δείχνουν σημαντικές βελτιώσεις στη μνήμη, την προσοχή και τις εκτελεστικές λειτουργίες των συμμετεχόντων που χρησιμοποίησαν την πλατφόρμα COGNIPLAT, επιβεβαιώνοντας την ενεργοποίηση γνωστικών μηχανισμών που ενσωματώνονται στο σχεδιασμό του CogniFrame. Επιπλέον, τα μοντέλα μηχανικής μάθησης που αναπτύχθηκαν έδειξαν ότι οι μετρικές αλληλεπίδρασης μπορούν να ταξινομήσουν με υψηλή ακρίβεια τη γνωστική κατάσταση και να λειτουργήσουν ως αξιόπιστοι δείκτες έγκαιρης ανίχνευσης. Η σύνθεση θεωρητικών, μεθοδολογικών και υπολογιστικών ευρημάτων καταδεικνύει ότι το CogniFrame αποτελεί ένα ολοκληρωμένο και εμπειρικά επικυρωμένο πλαίσιο που γεφυρώνει το χάσμα μεταξύ εννοιολογικών μοντέλων και εφαρμόσιμων, ουσιαστικών ψηφιακών παρεμβάσεων. Συνολικά, η διατριβή προσφέρει μία ενιαία θεωρητική βάση, μια επικυρωμένη μεθοδολογία σχεδιασμού, εμπειρικά τεκμήρια γνωστικής βελτίωσης και νέες γνώσεις για τη χρήση ψηφιακών βιοδεικτών σε άτομα με MCI. Ιδιαίτερη σημασία αποδίδεται στη διάσταση της ανίχνευσης και παρακολούθησης της γνωστικής κατάστασης μέσω τεχνικών μηχανικής μάθησης, οι οποίες αξιοποιούν δεδομένα αλληλεπίδρασης χαμηλής παρεμβατικότητας για την έγκαιρη, αξιόπιστη και κλιμακούμενη εκτίμηση της γνωστικής λειτουργίας. Τα ευρήματα δείχνουν ότι τα παιχνίδια σοβαρού σκοπού —όταν σχεδιάζονται με βάση το CogniFrame— μπορούν να λειτουργήσουν ταυτόχρονα ως εργαλεία γνωστικής αποκατάστασης και ως προσαρμοστικά, δεδομενοκεντρικά συστήματα συνεχούς γνωστικής παρακολούθησης και έγκαιρης ανίχνευσης.