Comparing Approaches to Optimize Cut-off Scores for Short Cognitive Screening Instruments in Mild Cognitive Impairment and Dementia
Notice bibliographique
Résumé
BACKGROUND: Although required to improve the usability of cognitive screening instruments (CSIs), the use of cut-off scores is controversial yet poorly researched. OBJECTIVE: To explore cut-off scores for two short CSIs: the Standardized Mini-Mental State Examination (SMMSE) and Quick Mild Cognitive Impairment (Qmci) screen, describing adjustments in scores for diagnosis (MCI or dementia), age (≤, >75 years), and education (<, ≥12 years), comparing two methods: the maximal accuracy approach, derived from receiver operating characteristic curves, and Youden's Index. METHODS: Pooled analysis of assessments from patients attending memory clinics in Canada between 1999-2010 : 766 with mild cognitive impairment (MCI) and 1,746 with dementia, and 875 normal controls. RESULTS: The Qmci was more accurate than the SMMSE in differentiating controls from MCI or cognitive impairment (MCI and dementia). Employing the maximal accuracy approach, the optimal SMMSE cut-off for cognitive impairment was <28/30 (AUC 0.86, sensitivity 74%, specificity 88%) versus <63/100 for the Qmci (AUC 0.93, sensitivity 85%, specificity 85%). Using Youden's Index, the optimal SMMSE cut-off remained <28/30 but fell slightly to <62/100 for the Qmci (sensitivity 83%, specificity 87%). The optimal cut-off for MCI was <29/30 for the SMMSE and <67/100 for the Qmci, irrespective of technique. The maximal accuracy approach generally produced higher Qmci cut-offs than Youden's Index, both requiring adjustment for age and education. There were no clinically meaningful differences in SMMSE cut-off scores by age and education or method employed. CONCLUSION: Caution should be exercised selecting cut-offs as these differ by age, education, and method of derivation, with the extent of adjustment varying between CSIs.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».