Assessment of cognitive function in systemic lupus erythematosus, rheumatoid arthritis, and multiple sclerosis by computerized neuropsychological tests
Notice bibliographique
Résumé
OBJECTIVE: Computerized neuropsychological testing may facilitate screening for cognitive impairment in systemic lupus erythematosus (SLE). This study was undertaken to compare patients with SLE, patients with rheumatoid arthritis (RA), and patients with multiple sclerosis (MS) with healthy controls using the Automated Neuropsychological Assessment Metrics (ANAM). METHODS: Patients with SLE (n = 68), RA (n = 33), and MS (n = 20) were compared with healthy controls (n = 29). Efficiency of cognitive performance on 8 ANAM subtests was examined using throughput (TP), inverse efficiency (IE), and adjusted IE scores. The latter is more sensitive to higher cognitive functions because it adjusts for the impact of simple reaction time on performance. The results were analyzed using O'Brien's generalized least squares test. RESULTS: Control subjects were the most efficient in cognitive performance. MS patients were least efficient overall (as assessed by TP and IE scores) and were less efficient than both SLE patients (P = 0.01) and RA patients (P < 0.01), who did not differ. Adjusted IE scores were similar between SLE patients, RA patients, and controls, reflecting the impact of simple reaction time on cognitive performance. Thus, 50% of SLE patients, 61% of RA patients, and 75% of MS patients had impaired performance on >or=1 ANAM subtest. Only 9% of RA patients and 11% of SLE patients had impaired performance on >or=4 subtests, whereas this was true for 20% of MS patients. CONCLUSION: ANAM is sensitive to cognitive impairment. While such computerized testing may be a valuable screening tool, our results emphasize the lack of specificity of slowed performance as a reliable indicator of impairment of higher cognitive function in SLE patients.
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 | 0,001 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».