MétaCan
Menu
Retour à la cohorte
Enregistrement W3107352485 · doi:10.1111/jan.14638

Conversion between Mini‐Mental State Examination and Montreal Cognitive Assessment scores in older adults undergoing selective surgery using Rasch analysis

2020· article· en· W3107352485 sur OpenAlexaboutno aff
Xiaoying Chen, Huangliang Wen, Jinni Wang, Yayan Yi, Jialan Wu, Xiaoyan Liao

Notice bibliographique

RevueJournal of Advanced Nursing · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueIntensive Care Unit Cognitive Disorders
Établissements canadiensnon disponible
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésMontreal Cognitive AssessmentRasch modelIntraclass correlationCognitive impairmentMedicineCognitionPhysical therapyMini–Mental State ExaminationPsychometricsPsychiatryStatisticsClinical psychologyMathematics

Résumé

récupéré en direct d'OpenAlex

AIMS: To develop and validate a conversion table between the MMSE and the MoCA using Rasch analysis in older adults undergoing selective surgery and examine its diagnostic accuracy in detecting cognitive impairment. DESIGN: Cross-sectional study. METHODS: Older patients [N = 129; age 66.0 (4.6) years, education 7.7 (3.5) years] undergoing elective surgery were recruited from December 2017 to June 2018. All participants completed the MMSE and MoCA and 113 of them completed a battery of neuropsychological tests. Common person linking based on Rasch analysis was performed to develop the conversion table. The conversions were validated by calculating the intraclass correlation coefficient (ICC), score differences between actual and converted scores, and root mean squared error of the difference (RMSE). The diagnostic accuracy of the conversions for detecting cognitive impairment was also tested. RESULTS: The MoCA [person measure: 1.3 (1.1) logits] was better targeted to the patients than the MMSE [person measure: 3.2 (1.3) logits]. Conversion from MoCA to MMSE scores (ICC 0.84, 95% CI 0.77-0.88; RMSE 1.36) was more precise than conversion from MMSE to MoCA (ICC 0.82, 95% CI 0.75-0.87; RMSE 2.56). Conversion from MoCA to MMSE demonstrated better diagnostic accuracy in detecting cognitive impairment than the actual MMSE, whereas conversion from MMSE to MoCA exhibited the opposite pattern. CONCLUSION: Conversion from MoCA to MMSE was more precise and had better diagnostic accuracy in detecting pre-operative cognitive impairment in older patients undergoing selective surgery than conversion from MMSE into MoCA. IMPACT: The finding is useful for interpreting, comparing, and integrating cognitive measurements in surgical settings and clinical research. Statistically sound conversion between MoCA and MMSE based on Rasch analysis is now possible for surgical setting and clinical research.

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)0,002
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 enseignants0,143
Score d'incertitude au seuil0,727

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
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 Opus0,017
Tête enseignante GPT0,316
Écart entre enseignants0,299 · 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

Citations9
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced NursingMême sujetIntensive Care Unit Cognitive DisordersTravaux en français237 207