Reliability of Regression-Based Normative Data for the Oral Symbol Digit Modalities Test: An Evaluation of Demographic Influences, Construct Validity, and Impairment Classification Rates in Multiple Sclerosis Samples
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The oral Symbol Digit Modalities Test (SDMT) has been recommended to assess cognition for multiple sclerosis (MS) patients. However, the lack of adequate normative data has limited its clinical utility. Recently published regression-based norms may resolve this limitation but, because these norms were derived from a relatively small sample, their stability is unclear. We aimed to evaluate the stability of regression-based SDMT norms by comparing existing norms to a cross-validation dataset. First, regression-based normative data were created from a similarly-sized, independent, control sample (n = 94). Next the original and cross-validation norms were compared for equivalency, management of demographic influences, construct validity, and impairment classification rates in a mildly affected MS sample (n = 70). Lastly, similar comparisons were made for a large, representative MS clinic sample (n = 354). We found construct validity and management of demographic influences were equivalent for the two sets of regression-based norms but lower T-scores were obtained using the original dataset, resulting in discrepancies in impairment classification. In conclusion, regression-based norms for the oral SDMT attenuate demographic influences and possess adequate construct validity. However, norms generated using small samples may yield unreliable classification of cognitive impairment. Larger, representative databases will be necessary to improve the clinical utility of regression-based norms.
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.
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 | 0,011 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle