Normative Scores for Malayalam Cognitive Screening Test Battery among Older Adults in Kerala, India
Notice bibliographique
Résumé
Background: Many neuropsychological tests are primarily developed in high-income countries, and normative data are not readily available for low- and middle-income countries (LMICs). We need culturally appropriate cognitive screening tests for India. Objective: Hence, we decided to translate the Hindi cognitive screening test battery (HCSTB) tool to Malayalam and establish the age and education-stratified norms for a Malayalam cognitive screening test battery (MCSTB). Material and Methods: HCSTB was translated to Malayalam, back-translated by bilinguals conversant in Malayalam and English, and pretested on 30 older normal adults. Using a multistage sampling technique, we conducted a descriptive cross-sectional survey in the Thiruvananthapuram district of Kerala, India. We approached older adults aged ≥60 years for informed and written consent. We excluded subjects with depression, functional impairment, cognitive impairment, history of stroke, psychosis, and visual/hearing loss that impaired cognitive assessment. Results: The normative data were derived from 441 older adults: 226 (51%) from rural areas and 215 (49%) from urban areas. Age and education affected the cognitive scores. The time to administer MCSTB among normal adults was approximately 17 minutes. Discussion and Conclusion: The derived normative data showed lower values than the published literature. A limitation of our study was the small number of older people with ≥12 years of education and the lack of neuroimaging of the subjects.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».