Analyse multivariée et prédiction des interrelations entre les mesures cognitives et non cognitives dans l'échantillon de l’évaluation globale de l'ÉLCV

Nous comprenons de plus en plus que de nombreuses variables non cognitives comme l’alimentation et le mode de vie, l'activité physique, la nutrition et d'autres indices de santé physique influencent fortement les différents aspects du « vieillissement cognitif sain ». De plus, les données suggèrent que l’influence de telles variables forme des composantes corrélées qui, considérées ensemble comme groupe ou facteur latent, ont une capacité d’explication et une efficacité prédictive supérieures à toute mesure individuelle examinée séparément. Cependant, pour identifier avec fiabilité ces types de facteurs latents, il faut s’appuyer sur de vastes études qui recueillent des centaines, voire des milliers de mesures sur de larges groupes d'individus. L'Étude longitudinale canadienne sur le vieillissement (ÉLCV) offre exactement le genre d’ensemble de données à grand échantillon nécessaire pour cerner les relations multidimensionnelles complexes entre la cognition et d'autres domaines non cognitifs. À l'aide de méthodes statistiques conçues pour identifier les points communs entre de vastes ensembles de variables, nous relèverons les éléments du mode de vie, de la santé physique et de la participation sociale qui sont le plus étroitement liés à la performance chez la population canadienne vieillissante.

Avec cette étude, nous avons développé des techniques multivariées pour l'analyse d'ensembles de données multi-tableaux, avec des variables regroupées selon différents domaines (par exemple comportemental, physiologique, cognitif). Nous avons développé de nouveaux outils à code source ouvert pour les analyses de variables latentes, y compris l’analyse factorielle multiple, l’analyse discriminante multi-voie et l’alignement des variétés du noyau. Ces méthodes permettent de mapper des groupes de variables sur un espace latent commun pour mieux comprendre et visualiser les relations entre ces ensembles. Il permet également ce que l'on appelle le « transfert de domaine », c'est-à-dire la possibilité de traduire d'un domaine à un autre, à l'aide d'une transformation linéaire ou non linéaire. Le code développé pour ces analyses est disponible sur Github aux URL suivantes :

• https://github.com/bbuchsbaum/multivarious
• https://github.com/bbuchsbaum/genpca
• https://github.com/bbuchsbaum/musca