MétaCan
Menu
Retour à la cohorte
Enregistrement W2968557182 · doi:10.1159/000501365

Accuracy of the Cognitive Assessment Battery in a Primary Care Population

2019· article· en· W2968557182 sur OpenAlexaboutno aff
Anna S. Kvitting, Maria Johansson, Jan Marcusson

Notice bibliographique

RevueDementia and Geriatric Cognitive Disorders Extra · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueDementia and Cognitive Impairment Research
Établissements canadiensnon disponible
Organismes subventionnairesLinköpings Universitet
Mots-clésReceiver operating characteristicCognitionPopulationMontreal Cognitive AssessmentLogistic regressionPrimary careMini–Mental State ExaminationPsychologyNeuropsychological assessmentNeuropsychologyMedicineCognitive impairmentGerontologyAudiologyPsychiatryInternal medicineFamily medicineEnvironmental health

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: There are several cognitive assessment tools used in primary care, e.g., the Mini-Mental State Examination (MMSE) and the Montreal Cognitive Assessment. The Cognitive Assessment Battery (CAB) was introduced as a sensitive tool to detect cognitive decline in primary care. However, primary care validation is lacking. Therefore, we investigated the accuracy of the CAB in a primary care population. OBJECTIVE: To investigate the accuracy of the CAB in a primary care population. METHODS: Data from 46 individuals with cognitive impairment and 33 individuals who visited the primary care with somatic noncognitive symptoms were analyzed. They were investigated with the MMSE, the CAB, and a battery of neuropsychological tests; they also underwent consultation with a geriatric specialist. The accuracy of the CAB was assessed using c-statistics and the area under the receiver operating characteristic curve (AUC) was used to quantify the binary outcomes ("no cognitive impairment" or "cognitive impairment"). RESULTS: The "cognitive impairment" group was significantly different from the unimpaired group for all the subtests of the CAB. When accuracy was based on binary significant reduction or not in one or several domains of the CAB, the AUC varied between 0.685 and 0.772. However, when a summation or logistic regression of several subcategories was performed, using the numerical values for each subcategory, the AUC was >0.9. For comparison, the AUC for the MMSE was 0.849. CONCLUSIONS: The accuracy of the CAB in a primary care population is poor to good when using binary cutoffs. Accuracy can be improved to high when using a summation or logistic regression of the numerical data of the subcategories. Considering CAB time, lack of adequate age norms, and a good accuracy for the MMSE, implementation of the CAB in primary care is not recommended at present based on the results of this study.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,102
Score d'incertitude au seuil0,713

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,285
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDementia and Geriatric Cognitive Disorders ExtraMême sujetDementia and Cognitive Impairment ResearchTravaux en français237 207