Prediction of post-stroke cognitive impairment by Montreal Cognitive Assessment (MoCA) performances in acute stroke: comparison of three normative datasets
Notice bibliographique
Résumé
BACKGROUND: Cognitive assessment in acute stroke is relevant for identifying patients at risk of persistent post-stroke cognitive impairment (PSCI). Despite preliminary evidence on MoCA accuracy, there is no consensus on its optimal score in the acute stroke setting to predict PSCI. AIMS: (1) To explore whether the application of different normative datasets to MoCA scores obtained in the acute stroke setting results in variable frequency of patients defined as cognitively impaired; (2) to assess whether the normality cut-offs provided by three normative datasets predict PSCI at 6-9 months; (3) to calculate alternative MoCA cut-offs able to predict PSCI. METHODS: Consecutive stroke patients were reassessed at 6-9 months with extensive neuropsychological and functional batteries for PSCI determination. RESULTS: Out of 207 enrolled patients, 118 (57%) were followed-up (mean 7.4 ± 1.7 months), and 77 of them (65%) received a PSCI diagnosis. The application of the normality thresholds provided by the 3 normative datasets yielded to variable (from 28.5% to 41%) rates of patients having an impaired MoCA performance, and to an inadequate accuracy in predicting PSCI, maximizing specificity instead of sensitivity. In ROC analyses, a MoCA score of 22.82, adjusted according to the most recent normative dataset, achieved a good diagnostic accuracy in predicting PSCI. CONCLUSIONS: The classification of acute stroke patients as normal/impaired based on MoCA thresholds proposed by general population normative datasets underestimated patients at risk of persistent PSCI. We calculated a new adjusted MoCA score predictive of PSCI in acute stroke patients to be further tested in larger studies.
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 | 0,003 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».