Predictive Models of Cognitive Fatigue in Multiple Sclerosis
Notice bibliographique
Résumé
OBJECTIVE: Cognitive fatigue (CF) can be defined as decreased performance with sustained cognitive effort. The present study examined the interrelatedness of disease severity, fatigue, depression, and sleep quality in order to evaluate their predictive roles of CF in MS. Four theoretical models examining these variables were assessed. METHODS: Fifty-eight individuals with a diagnosis of MS were recruited. CF was measured by examining last third versus first third performance on the Paced Auditory Serial Addition Test (PASAT). The PASAT and self-report measures of fatigue, depression, and sleep quality were administered. Path analysis was used to evaluate each of the models. RESULTS: CF was correlated only with depression (r = .362, p = .006) and sleep quality (r = .433, p = .001). Sleep quality was the greatest significant independent predictor of CF (β = .433, t(1,55) = 3.53, p < .001), accounting for 17.3% of the total variance. The best fitting model showed sleep quality as the largest contributor to CF; however, depression played a smaller predictive role. Furthermore, depression emerged as the strongest predictor of sleep quality and fatigue. Disease severity weakly predicted depression. CONCLUSIONS: Sleep quality is the most significant predictor of CF in MS. As such, sleep quality may be a treatable cause of CF. Sleep quality itself, however, accounted for only 17.3% of the variance in CF suggesting that other variables which were not formally assessed in this sample (e.g., anxiety, etc.) may also play a predictive role. Follow-up studies should evaluate how results may differ with a larger sample size.
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 | 0,010 |
| 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 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».