The relationship between processing speed and verbal and non-verbal new learning and memory in progressive multiple sclerosis
Notice bibliographique
Résumé
Objective: Processing speed (PS) deficits are the most common cognitive deficits in multiple sclerosis (MS), followed by learning and memory deficits, and are often an early cognitive problem. It has been argued that impaired PS is a primary consequence of MS, which in turn decreases learning. The current analysis examined the association between PS and learning in a large cohort of individuals with progressive MS. Methods: Baseline data from a randomized clinical trial on rehabilitation taking place at 11 centers across North America and Europe were analyzed. Participants included 275 individuals with clinically definite progressive MS (primary, secondary) consented into the trial. Results: Symbol Digit Modalities Test (SDMT) significantly correlated with California Verbal Learning Test-II (CVLT-II) ( r = 0.21, p = 0.0003) and Brief Visuospatial Memory Test–Revised (BVMT-R) ( r = 0.516, p < 0.0001). Receiver operating characteristic (ROC) analysis of the SDMT z score to distinguish between impaired and non-impaired CVLT-II performance demonstrated an area under the curve (AUC) of 0.61 (95% confidence interval (CI): 0.55–0.68) and a threshold of −1.62. ROC analysis between SDMT and BVMT-R resulted in an AUC of 0.77 (95% CI: 0.71–0.83) and threshold of −1.75 for the SDMT z score to predict impaired BVMT-R. Conclusion: Results indicate little ability beyond chance to predict CVLT-II from SDMT (61%), albeit statistically significant. In contrast, there was a 77% chance that the model could distinguish between impaired and non-impaired BVMT-R. Several potential explanations are discussed.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».