A Hierarchical Bayesian Latent Class Model for the Diagnostic Performance of Mini-Mental State Examination and Montreal Cognitive Assessment in Screening Mild Cognitive Impairment Due to Alzheimer's Disease
Notice bibliographique
Résumé
BACKGROUND: The Mini-Mental State Examination (MMSE) and Montreal Cognitive Assessment (MoCA) are low costing and noninvasive neuropsychological tests in screening Mild Cognitive Impairment (MCI) due to Alzheimer's disease (AD). There is no consensus on which test performs better in detecting MCI due to AD based on the different imperfect reference standards. Therefore, we conducted a meta-analysis to assess the diagnostic performance of MMSE and MoCA for screening MCI due to AD in the absence of a gold standard. METHODS: Six electronic databases were searched for relevant studies until April, 2022. A hierarchical Bayesian latent class model was used to estimate the pooled sensitivity and specificity of MoCA and MMSE in the absence of a gold standard. RESULTS: 90 eligible studies covering 21273 individuals for MMSE, 26631 individuals for MoCA were included in this meta-analysis. The pooled sensitivity was 0.71(95%CI: 0.67-0.74) for MMSE and 0.85(95%CI: 0.83-0.88) for MoCA, while the pooled specificity was 0.71(95%CI: 0.68-0.74) for MMSE and 0.79(95%CI: 0.76-0.81) for MoCA. MoCA was useful to "rule in" and "rule out" the diagnosis of MCI due to AD with higher positive likelihood ratio (4.07; 95%CI: 3.60-4.62) and lower negative likelihood ratio (0.18; 95%CI: 0.16-0.22). Moreover, the diagnostic odds ratio of MoCA was 22.08(95%CI: 17.24-28.29), which showed significantly favorable diagnostic performance. CONCLUSIONS: It suggests that MoCA has greater diagnostic performance than MMSE for differentiating MCI due to AD when the gold standard is absent. However, these results should be taken with caution given the heterogeneity observed.
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 | 0,001 |
| Bibliométrie | 0,001 | 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 ».