How to choose the most appropriate cognitive test to evaluate cognitive complaints in primary care
Notice bibliographique
Résumé
BACKGROUND: Despite the wealth of research devoted to the performance of individual cognitive tests for diagnosing cognitive impairment (including mild cognitive impairment and dementia), it can be difficult for general practitioners to choose the most appropriate test for a patient with cognitive complaints in daily practice. In this paper we present a diagnostic algorithm for the evaluation of cognitive complaints in primary care. The rationale behind this algorithm is that the likelihood of cognitive impairment -which can be determined after history taking and an informant interview- should determine which cognitive test is most suitable. METHODS: We distinguished three likelihoods of cognitive impairment: not likely, possible or likely. We selected cognitive tests based on pre-defined required test features for each of these three situations and a review of the literature. We incorporated the cognitive tests in a practical diagnostic algorithm. RESULTS: Based on the available literature, in patients with complaints but where cognitive impairment is considered to be unlikely the clock-drawing test can be used to rule out cognitive impairment. When cognitive impairment is possible the Montreal cognitive assessment can be used to rule out cognitive impairment or to make cognitive impairment more likely. When cognitive impairment is likely the Mini-Mental State Examination can be used to confirm the presence of cognitive impairment. CONCLUSIONS: We propose a diagnostic algorithm to increase the efficiency of ruling out or diagnosing cognitive impairment in primary care. Further study is needed to validate and evaluate this stepwise diagnostic algorithm.
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 | 0,003 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 ».