MoCA Test: normative and diagnostic accuracy data for seniors with heterogeneous educational levels in Brazil
Notice bibliographique
Résumé
INTRODUCTION: The Montreal Cognitive Assessment (MoCA) has been described as a good tool to detect cognitive impairment. The ideal MoCA cutoff score is still under debate. The aim was to provide MoCA norms and accuracy data for seniors with a lower education level, including illiterates. METHODS: Data originated from an epidemiological study conducted in the municipality of Tremembe, Brazil. The Brazilian MoCA test was applied as part of the cognitive assessment in all participants. Of the 630 participants, 385 were classified as cognitively normal (CN) and were included in the normative data set, 110 individuals were diagnosed with dementia and 135 were classified as having cognitive impairment no dementia (CIND). RESULTS: The total scores varied significantly according to age and education among the three diagnostic groups: CN, CIND and dementia (p < 0.001). To distinguish participants with CN from dementia, the best MoCA cutoff was 15 points (sensitivity 90%, specificity 77%) and to differentiate those with CN from CIND, the MoCA cutoff was 19 points (sensitivity 84%, specificity 49%). Those scores varied according to education level. CONCLUSIONS: The MoCA test did not have a high accuracy for detecting CIND in the population with a low educational level. Nevertheless, this tool may be used to detect dementia, especially in individuals with more than five years of education, if a lower cutoff score is adopted.
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 | 0,000 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».