Determining appropriate screening tools and cut-points for cognitive impairment in an elderly Chinese sample.
Notice bibliographique
Résumé
The establishment of normative data and screening cut-points for cognitive tasks is important to ensure the effective and timely detection of mild cognitive impairment (MCI) and Alzheimer's disease (AD). These need to be culturally relevant and account for known factors that impact on cognition such as age, education, and gender. In this study, 1,068 elderly Chinese residents of Shanghai completed a comprehensive series of cognitive tasks as part of a community screening study with 1027 meeting criteria for analysis, age M(SD) = 72.54 (8.40). MCI was detected in 267 individuals, AD in 50, and 710 had normal cognition. Receiver Operator Characteristic curve analysis indicated that the Mini-Mental State Examination (MMSE) and the Montreal Cognitive Assessment (MoCA) best differentiated normal cognition from MCI and AD. We present suggested cut-points to differentiate between normal cognition and MCI and AD for the total sample, and when split according to education levels, age, and gender. Trends suggest that the MoCA was better suited to detecting MCI, and the MMSE was better for detecting AD. For younger and more educated participants, only a slight impairment was necessary to meet screening criteria, while a larger impairment was necessary for older and less educated participants. Both tasks had a high negative predictive values for MCI and AD, and variable positive predictive values. The cut-points presented can be used to inform future work using the MMSE and MoCA to screen for MCI and AD in older Chinese people. (PsycINFO Database Record
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 ».