Robust demographically-adjusted normative data for the Montreal Cognitive Assessment (MoCA): Results from the systolic blood pressure intervention trial
Notice bibliographique
Résumé
To generate robust, demographically-adjusted regression-based norms for the Montreal Cognitive Assessment (MoCA) using a large sample of diverse older US adults. Baseline MoCA scores were examined for participants in the Systolic Blood Pressure Intervention Trial (SPRINT). A robust, cognitively-normal sample was drawn from individuals not subsequently adjudicated with cognitive impairment through 4 years of follow-up. Multivariable Beta-Binomial regression was used to model the association of demographic variables with MoCA performance and to create demographically-stratified normative tables. Participants' (N = 5,338) mean age was 66.9 ± 8.8 years, with 35.7% female, 63.1% White, 27.4% Black, 9.5% Hispanic, and 44.5% with a college or graduate education. A large proportion scored below published MoCA cutoffs: 61.4% scored below 26 and 29.2% scored below 23. A disproportionate number falling below these cutoffs were Black, Hispanic, did not graduate from college, or were ≥75 years of age. Multivariable modeling identified education, race/ethnicity, age, and sex as significant predictors of MoCA scores (p<.001), with the best fitting model explaining 24.4% of the variance. Model-based predictions of median MoCA scores were generally 1 to 2 points lower for Black and Hispanic participants across combinations of age, sex, and education. Demographically-stratified norm-tables based on regression modeling are provided to facilitate clinical use, along with our raw data. By using regression-based strategies that more fully account for demographic variables, we provide robust, demographically-adjusted metrics to improve cognitive screening with the MoCA in diverse older adults.
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 | 0,006 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».