MétaCan
Menu
Retour à la cohorte
Enregistrement W2982804252 · doi:10.1136/jnnp-2019-abn-2.148

161 Qualitative aspects of cognition in MS & audit of MoCA in LTHTR natalizumab cohort

2019· article· en· W2982804252 sur OpenAlexaboutno aff
Claire Gall

Notice bibliographique

RevueJournal of Neurology Neurosurgery & Psychiatry · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNatalizumabCohortCognitionAuditMontreal Cognitive AssessmentMedicinePsychologyInternal medicineMultiple sclerosisPsychiatryBusinessCognitive impairmentAccounting

Résumé

récupéré en direct d'OpenAlex

Cognitive impairment in MS is very relevant to treatment decisions & management. It may be a presenting clinical feature of natalizumab-associated PML ; conversely improvement in cognition may be seen in treatment of MS. There is some evidence for the Montreal Cognitive Assessment as a screening tool in MS. MoCA was performed as a cognitive baseline for PML surveillance for patients on natalizumab. 83 natalizumab-treated patients were identified. Moca scores were available for 72 patients. Scores ranged from 15 -30 (Score is out of 30 and the cut off for ‘normal’ is >/=26). Average score 25.7. Age range 18–69, average age 47. 30 patients (41.7%) scored below cut off. Subsection scores were available for 27 patients. These will be described in more detail. Patients with low scores were often observed to have frequent DNA letters on file. Two patients had longitudinal data. This audit suggests a high prevalence of cognitive impairment in line with reports which in some cases seems quite severe. MoCA seems to be a usefool screening tool and alerts us to the need for detailed consent & follow-up as well as indicating qualitative aspects of cognitive dysfunction to enable practical strategies to be employed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,015
Score d'incertitude au seuil0,030

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,013
Tête enseignante GPT0,320
Écart entre enseignants0,306 · 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 source (Gemma direct ou Codex distillé), 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

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Neurology Neurosurgery & PsychiatryMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207