Investigating the diagnostic accuracy of a paper-and-pencil and a computerized cognitive test battery for pediatric mild traumatic brain injury.
Notice bibliographique
Résumé
OBJECTIVE: This study assessed classification accuracy of paper-and-pencil and computerized cognitive batteries at subacute (SA; 1-11 days) and early chronic (EC; ∼4 months) phases of pediatric mild traumatic brain injury (pmTBI). Two statistical approaches focused on single-subject performance (individual task scores, total impairments) were used to maximize clinical utility. METHOD: Two hundred thirty-five pmTBI and 169 healthy controls (HC) participants aged 8-18 were enrolled, with a subset (190 pmTBI; 160 HC) returning for the EC visit. The paper-and-pencil battery included several neuropsychological tests selected from recommended common data elements, whereas computerized testing was performed with the Cogstate Brief Battery. Hierarchical logistic regressions (base model: Parental education and premorbid reading abilities; full model: Base model and cognitive testing variables) were used to examine sensitivity/specificity, with diagnosis as the dependent variable. RESULTS: Number Sequencing and Cogstate One-Card Learning accuracy significantly predicted SA diagnosis (full model accuracy = 71.6%-71.7%, sensitivity = 80.6%-80.8%, specificity = 59.1%-59.6%), while only immediate recall was significant at EC visit (accuracy = 68.5%, sensitivity = 74.6%, specificity = 61.5%). Other measures (Letter Fluency, Cogstate Detection, and One-Card Learning accuracy) demonstrated higher proportions of impairment for pmTBI subacutely (pmTBI: 11.5%-19.8%; HC: 3.7%-6.1%) but did not improve classification accuracy. Evidence of multiple impairments across the entire testing battery significantly predicted diagnosis at both visits (full model accuracy = 66.2%-68.6%, sensitivity = 71.2%-78.9%, specificity = 54.3%-61.5%). CONCLUSIONS: Current results suggest similar modest diagnostic accuracy for computerized and paper-and-pencil batteries across multiple pmTBI phases. Moreover, findings suggest the total number of impairments may be more clinically useful than any single test or cognitive domain in terms of diagnostic accuracy at both assessment points. (PsycInfo Database Record (c) 2022 APA, all rights reserved).
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 | 0,001 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| 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 ».