Assessment of inattention in the context of delirium screening: one size does not fit all!
Notice bibliographique
Résumé
BACKGROUND: Despite its high prevalence and deleterious consequences, delirium often goes undetected in older hospitalized patients and long-term care (LTC) residents. Inattention is a core symptom of this syndrome. The aim of this study was to explore the usefulness of ten simple and objective attention tests that would enable efficient delirium screening among this population. METHODS: This was a secondary analysis (n = 191) of a validation study conducted in one acute care hospital (ACH) and one LTC facility among older adults with, or without, cognitive impairment. The attention test tasks (n = 10) were drawn from the Concentration subscale the Hierarchic Dementia Scale (HDS). Delirium was defined as meeting the criteria for DSM-5 delirium. The Confusion Assessment Method (CAM) was used to determine the presence of delirium symptoms. RESULTS: The Months of the Year Backward (MOTYB) test, which 57% of participants completed successfully, showed the best balance between sensitivity and specificity (82.6%; 95% CI [61.2-95.0], and 62.5%; 95% CI [54.7-69.8] respectively) for the entire group. Subgroup analyses revealed that no test had both sensitivity and specificity over 50% in participants with cognitive impairment indicated in their medical chart. CONCLUSIONS: Our results revealed that these tests varied greatly in performance and none can be earmarked to become a single-item screening tool for delirium among older patients and residents with, or without, cognitive impairment. The presence of premorbid cognitive impairment may necessitate more extensive assessments of delirium, especially when a change in general status or mental state is observed.
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 | 0,000 | 0,004 |
| 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 ».