Development of a computerized tool for the chinese version of the montreal cognitive assessment for screening mild cognitive impairment
Notice bibliographique
Résumé
Background:The Montreal Cognitive Assessment (MoCA) is used for screening mild cognitive impairment (MCI), and the Beijing version (MoCA-BJ) is widely used in China. We aimed to develop a computerized tool for MoCA-BJ (MoCA-CC).Methods:MoCA-CC used person-machine interaction instead of patient-to-physician interaction; other aspects such as the scoring system did not differ from the original test. MoCA-CC, MoCA-BJ and routine neuropsychological tests were administered to 181 elderly participants (MCI = 96, normal controls [NC] = 85).Results:A total of 176 (97.24%) participants were evaluated successfully by MoCA-CC. Cronbach's α for MoCA-CC was 0.72. The test–retest reliability (retesting after six weeks) was good (intraclass correlation coefficient = 0.82; P < 0.001). Significant differences were observed in total scores (t = 9.38, P < 0.001) and individual item scores (t = 2.18–8.62, P < 0.05) between the NC and MCI groups, except for the score for “Naming” (t = 0.24, P = 0.81). The MoCA-CC total scores were highly correlated with the MoCA-BJ total scores (r = 0.93, P < 0.001) in the MCI participants. The area under receiver–operator curve for the prediction of MCI was 0.97 (95% confidence interval = 0.95–1.00). At the optimal cut-off score of 25/26, MoCA-CC demonstrated 95.8% sensitivity and 87.1% specificity.Conclusion:The MoCA-CC tool developed here has several advantages over the paper-pencil method and is reliable for screening MCI in elderly Chinese individuals, especially in the primary clinical setting. It needs to be validated in other diverse and larger populations.
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 | 0,000 |
| 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 ».