Screening for post-stroke neurocognitive disorders in diverse populations: A systematic review
Notice bibliographique
Résumé
Objective: Although neurocognitive disorders (NCD) are common post-stroke, many populations do not have adapted cognitive screens and cut-offs. We therefore reviewed the appropriateness of the Mini-Mental State Examination (MMSE), Montreal Cognitive Assessment (MoCA) and Oxford Cognitive Screen (OCS) for diagnosing NCD in culturally diverse stroke populations. Method: Using an extensive search string, diagnostic accuracy studies for MMSE, MoCA and OCS in the stroke population were retrieved from four databases. We compared translations and adaptations, adjustments in scores and cut-offs, and their diagnostic accuracy. Results: The search resulted in 28 MMSE, 39 MoCA and 5 OCS-studies in 13 western, educated, industrialized, rich and democratic (WEIRD) and 4 other countries. There was a lack of studies on South-American, African, and non-Chinese-Asian populations. All three tests needed adaptation for less WEIRD populations and populations with languages with non-Latin features. Optimal MMSE and OCS subtest cut-offs were similar across WEIRD and less WEIRD populations, whereas optimal MoCA cut-offs appeared lower for less WEIRD populations. The use of adjusted scores resulted in different optimal cut-offs or similar cut-offs with better accuracy. Conclusions: MoCA, MMSE and OCS are promising tools for diagnosing post-stroke-NCD. For culturally diverse populations, translation, adaptation and adjusted scores or cut-offs are necessary for diagnostic accuracy. Available studies report scarcely about their sample’s cultural background and there is a lack of diagnostic accuracy studies in less WEIRD or culturally diverse populations. Future studies should report more cultural characteristics of their sample to provide better insight into the tests’ accuracy in culturally diverse populations.
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 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| 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 ».