Screening for Cognitive Impairment in Parkinson's Disease: Improving the Diagnostic Utility of the MoCA through Subtest Weighting
Notice bibliographique
Résumé
BACKGROUND: Given the high prevalence of cognitive impairment in Parkinson's disease (PD), cognitive screening is important in clinical practice. The Montreal Cognitive Assessment (MoCA) is a frequently used screening test in PD to detect mild cognitive impairment (PD-MCI) and Parkinson's disease dementia (PD-D). However, the proportion in which the subtests are represented in the MoCA total score does not seem reasonable. We present the development and preliminary evaluation of an empirically based alternative scoring system of the MoCA which aims at increasing the overall diagnostic accuracy. METHODS: In study 1, the MoCA was administered to 40 patients with PD without cognitive impairment (PD-N), PD-MCI, or PD-D, as defined by a comprehensive neuropsychological test battery. The new MoCA scoring algorithm was developed by defining Areas under the Curve (AUC) for MoCA subtests in a Receiver Operating Characteristic (ROC) and by weighting the subtests according to their sensitivities and specificities. In study 2, an independent sample of 24 PD patients (PD-N, PD-MCI, or PD-D) was tested with the MoCA. In both studies, diagnostic accuracy of the original and the new scoring procedure was calculated. RESULTS: Diagnostic accuracy increased with the new MoCA scoring algorithm. In study 1, the sensitivity to detect cognitive impairment increased from 62.5% to 92%, while specificity decreased only slightly from 77.7% to 73%; in study 2, sensitivity increased from 68.8% to 81.3%, while specificity stayed stable at 75%. CONCLUSION: This pilot study demonstrates that the sensitivity of the MoCA can be enhanced substantially by an empirically based weighting procedure and that the proposed scoring algorithm may serve the MoCA's actual purpose as a screening tool in the detection of cognitive dysfunction in PD patients better than the original scoring of the MoCA. Further research with larger sample sizes is necessary to establish efficacy of the alternate scoring system.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».