Inconsistencies between measures of cognitive dysfunction in childhood acute lymphoblastic leukemia survivors: Description and understanding
Notice bibliographique
Résumé
OBJECTIVES: The frequency of cognitive difficulties in childhood cancer survivors varies according to the measurement strategy. The goal of this research is to (a) describe agreements and differences between measures of working memory and attention (b) identify contributors of these differences, such as emotional distress, affects, and fatigue. METHODS: We used data available for 138 adults successfully treated for childhood acute lymphoblastic leukemia (ALL) (PETALE cohort). Working memory and attention were assessed using subtests from the WAIS-IV and self-reported questionnaires (BRIEF-SR and CAARS-S:L). Potential contributors included emotional distress, anxiety, depression (BSI-18), affects (PANAS), and fatigue (PedsQL-MFS). We explored measurement agreements and differences using diagnostic indices and multivariate regression models. RESULTS: The frequencies of working memory and attention deficits were higher when using cognitive tests (15%-21%) than with self-reports (10%-11%). Self-reported questionnaires showed high specificity (median 0.87) and low sensitivity (median 0.10), suggesting they did not reliably identify positive cases on cognitive tests. We identified negative affectivity as a possible contributor to inconsistencies between self-report and test results. CONCLUSIONS: When measuring working memory and attention in childhood ALL survivors, cognitive test results and self-reports should not be considered equivalent. At best, self-report may be used for screening (high specificity), but not to assess prevalence in large samples. Self-reported difficulties are also probably influenced by the negative mood in this population.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».