On the applicability and utility of machine learning in the field of neuropsychology

Dominke, Clara (2026): On the applicability and utility of machine learning in the field of neuropsychology: using the example of differential dementia diagnosis. Dissertation, LMU München: Faculty of Psychology and Educational Sciences

Abstract

Dementia (DEM) and Depression (DEP) represent the most prevalent neuropsychiatric disorders in individuals aged over 65 years. To ensure accurate treatment, correct differentiation between the two is of great importance. However, similar cognitive deficits complicate differential diagnosis in clinical practice. This work investigated for the first time the extent to which machine learning (ML) and different neuropsychological test batteries can improve differential diagnosis between DEM and DEP. The well-established CERAD-NAB, a compilation of individual tests (flexible battery approach) and the newly developed Cognitive Functions Dementia (CFD) test set were used. Accuracies for the differentiation between Alzheimer’s Dementia (DAT) and DEP (Balanced accuracy of 87 %) as well as for the discrimination between DEP and DEM (Balanced accuracy of 80.8%) were high across all algorithms and test batteries used, suggesting that ML algorithms in combination with comprehensive neuropsychological test batteries can aid the differential diagnosis in clinical practice. More research and validation of our results in other samples is however needed for the implementation of such an algorithm in daily clinical routine.

Abstract

Demenz (DEM) und Depression (DEP) stellen die häufigsten neuropsychiatrischen Erkrankungen bei älteren Menschen über 65 Jahren dar. Um eine zufriedenstellende Behandlung zu gewährleisten, ist die richtige Differenzialdiagnostik zwischen beiden Erkrankungen von großer Bedeutung. Allerdings erschweren ähnlich anmutende kognitive Defizite die Differenzialdiagnose in der klinischen Praxis. In dieser Arbeit wurde erstmals untersucht, inwieweit Machine Learning (ML) und verschiedene neuropsychologische Testbatterien die Differentialdiagnose zwischen DEM und DEP verbessern können. Hierzu wurden die demenzspezifische Testbatterie CERAD-NAB, eine individuelle Zusammenstellung verschiedener neurokognitiver Tests (flexible battery approach) sowie das neu entwickelte Test-Set Cognitive Functions Dementia (CFD) angewandt. Die Genauigkeiten für die Unterscheidung zwischen Alzheimer-Demenz (DAT) und DEP (ausgewogene Genauigkeit von 87 %) sowie für die Unterscheidung zwischen DEP und DEM (ausgewogene Genauigkeit von 80.8 %) waren bei allen verwendeten Algorithmen und Testbatterien hoch, was darauf schließen lässt, dass ML-Algorithmen in Kombination mit umfassenden neuropsychologischen Testbatterien die Differentialdiagnose in der klinischen Praxis unterstützen können. Für die Implementierung eines solchen Algorithmus in der klinischen Praxis sind jedoch weitere Forschung und die Validierung der Ergebnisse in größeren Untersuchungsstichproben erforderlich.

• Item Type: Theses (Dissertation, LMU Munich)
• Keywords: Alzheimer’s dementia, depression, neuropsychological assessment, machine learning, differential diagnosis, CERAD-NAB, flexible battery approach, Dementia, CFD
• Subjects: 100 Philosophy and Psychology; 100 Philosophy and Psychology > 150 Psychology; 600 Technology, Medicine; 600 Technology, Medicine > 610 Medical sciences and medicine
• Faculties: Faculty of Psychology and Educational Sciences
• Language: English
• Date of oral examination: 9. February 2026
• 1. Referee: Schenk, Thomas
• Signature of the printed copy: 0001/UMC 31824