Screening for Cognitive Impairment in the Neurologist's office (P3.218)
Notice bibliographique
Résumé
<OBJECTIVE: To develop/validate a semi-structured interview to screen MS patients for cognitive impairment (CI) in a clinic setting. BACKGROUND: Neuropsychological evaluation can be time consuming and difficult to access. During routine visits, clinicians are not always able to adequately determine if CI is present. METHODS: This interview was designed to guide a discussion regarding five domains of everyday life to determine change in functional ability related to CI. Tasks/scenarios were identified from each domain and explored regarding subjective complaints and feedback received from others, such as a supervisor or family member. Phase 1 (Interview development): 20 MS patients with subjective complaints of CI were interviewed and tested with the MACFIMS battery. Questions regarding the five categories were refined. Prompts regarding suitable tasks for the interviewer were developed. Phase 2 (Interview Validation): A neurologist/MS specialist, MS clinic nurse practitioner or community neurologist used the interview tool on 60 MS patients with subjective complaints of CI, which was objectively assessed by MACFIMS. Bayesian statistics were used to calculate sensitivity, specificity, positive predictive value (PPV) and negative predictive value (NPV). RESULTS: Data from phase 2 is presented. Subjects had a mean age of 44.4 years (SD 10.6), years of education 13.9 (SD 2.9) and were diagnosed with MS 8.9 years (SD 10.0) ago. Most were female (48, 80.0[percnt]), Caucasian (55, 91.7[percnt]) and had RRMS (44, 73.3[percnt]). Median EDSS was 3 (range 0 - 7.0) and 30 (50[percnt]) were taking disease modifying medications. 50 (83.3[percnt]) were impaired on at least one test in the MACFIMS battery, most frequently the SDMT (37, 61.8[percnt]). The interview had a sensitivity of 95[percnt], specificity of 40.0[percnt], PPV 76.0[percnt] and NPV 80.0[percnt]. CONCLUSIONS: This interview tool can be used to screen MS patients for CI in a clinic setting. The study was funded by an unrestricted grant from BiogenIdec.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,009 | 0,003 |
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 ».