Clinical Utility of the Informant AD8 as a Dementia Case Finding Instrument in Primary Healthcare
Notice bibliographique
Résumé
The informant AD8 has excellent discriminant ability for dementia case finding in tertiary healthcare settings. However, its clinical utility for dementia case finding at the forefront of dementia management, primary healthcare, is unknown. Therefore, we recruited participants from two primary healthcare centers in Singapore and measured their performance on the Mini-Mental State Examination (MMSE), Montreal Cognitive Assessment (MoCA), Clinical Dementia Rating (CDR), and a local formal neuropsychological battery, in addition to the AD8. Logistic regression was conducted to examine the associations between demographic factors and dementia. Area under the receiver operating characteristics (ROC) curve analysis was used to establish the optimal cut-off points for dementia case finding. Of the 309 participants recruited, 243 (78.7%) had CDR = 0, 22 (7.1%) CDR = 0.5, and 44 (14.2%) CDR ≥1. Age was strongly associated with dementia, and the optimal age for dementia case finding in primary healthcare settings was ≥75 years. In this age group, the AD8 has excellent dementia case finding capability and was superior to the MMSE and equivalent to the MoCA [AD8 AUC (95% CI): 0.95 (0.91-0.99), cut-off: ≥3, sensitivity: 0.90, specificity: 0.88, PPV: 0.79 and NPV: 0.94; MMSE AUC (95% CI): 0.87 (0.79-0.94), p = 0.04; MoCA AUC (95% CI): 0.88 (0.82-0.95), p = 0.06]. In conclusion, the AD8 is well suited for dementia case finding in primary healthcare settings.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».