The development of "clinically sensible" tools to screen for cognitive impairment in community-dwelling elderly persons. Bridging the gap between research and clinical practice by balancing discriminant ability vs. practicality.
Notice bibliographique
Résumé
Background. Despite its prevalence and clinical relevance, cognitive impairment typically remains undetected in 50% of cases. Objective. To develop clinically sensible (quick, simple, acceptable), accurate and readily recalled screens for cognitive impairment based on easily reproducible analytic strategies. Methods. The Canadian Study of Health and Aging (CSHA-1) served as the derivation data set. 3MS cognitive screening questions which were judged as most likely to be employed by busy clinicians and which were significantly associated (via chi2 analysis) with cognitive impairment were selected as independent variables for multivariate analysis. The screening tests derived from logistic regression and recursive partitioning analyses which most closely approximated the sensitivity and specificity of the entire 3MS were externally validated. Results. Two logistic regression based scales and two recursive partitioning algorithms demonstrated sensitivities and specificities approaching those of the complete 3MS (approximately 80% and 60% respectively). The sensitivity was superior to that of the MMSE. Conclusion. Readily reproducible multivariate analysis based strategies can be developed which generate practical screening tests with psychometric properties approaching those of the 3MS. Given the existence of verification bias, these screens as well as screens with higher sensitivity and lower specificity must be validated prospectively before they can be clinically employed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».