Operationalizing Impaired Performance in Neuropsychological Assessment: A Comparison of the Use of Published <i>Versus</i> Sample-Based Normative Data for the Prediction of Dementia
Notice bibliographique
Résumé
OBJECTIVES: To compare the sensitivity, specificity, and predictive value of published versus sample-based norms to detect early dementia in the Uniform Data Set (UDS). METHODS: The UDS was administered to 526 nondemented participants from the Alzheimer's Disease Neuroimaging Initiative (ADNI). Baseline scores were standardized using published norms and healthy control data from ADNI corrected for age, education, and sex. Subjects obtaining two scores < -1 SD (determined separately using published and sample norms) were labeled "at risk for dementia." Both methods were compared on sensitivity, specificity, and positive/negative predictive value (PPV/NPV) for dementia at follow-up. RESULTS: Risk scores derived from published data had 86.1% sensitivity, 62.0% specificity, 68.6% accuracy, 46.1% PPV, and 92.2% NPV. Those from sample norms were more sensitive (91.0%), less specific (52.9%), and less accurate (63.3%), with worse PPV (42.1%) and similar NPV (94.0%). Sample norms were better at identifying incident dementia cases with relatively lower education than those with higher education. Discrepancies between both methods were more common in women. CONCLUSIONS: Sample norms are marginally more sensitive than published norms for predicting dementia, while published norms are slightly more accurate. Accuracy of risk estimates for women and those with lower education may be increased using locally generated norms.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,025 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».