Comparing Montreal Cognitive Assessment Performance in Parkinson’s Disease Patients: Age- and Education-Adjusted Cutoffs vs. Machine Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: The Montreal Cognitive Assessment (MoCA) is recommended for general cognitive evaluation in Parkinson's disease (PD) patients. However, age- and education-adjusted cutoffs specifically for PD have not been developed or systematically validated across PD cohorts with diverse education levels. METHODS: In this retrospective analysis, we utilized data from 1,293 Korean patients with PD whose cognitive diagnoses were determined through comprehensive neuropsychological assessments. Age- and education-adjusted cutoffs were formulated based on 1,202 patients with PD. To identify the optimal machine learning model, clinical parameters and MoCA domain scores from 416 patients with PD were used. Comparative analyses between machine learning. METHODS: and different cutoff criteria were conducted on an additional 91 consecutive patients with PD. RESULTS: The cutoffs for cognitive impairment decrease with increasing age within the same education level. Similarly, lower education levels within the same age group correspond to lower cutoffs. For individuals aged 60-80 years, cutoffs were set as follows: 25 or 24 years for those with more than 12 years of education, 23 or 22 years for 10-12 years, and 21 or 20 years for 7-9 years. Comparisons between age- and education-adjusted cutoffs and the machine learning method showed comparable accuracies. The cutoff method resulted in a higher sensitivity (0.8627), whereas machine learning yielded higher specificity (0.8250). CONCLUSION: Both the age- and education-adjusted cutoff. METHODS: and machine learning. METHODS: demonstrated high effectiveness in detecting cognitive impairment in PD patients. This study highlights the necessity of tailored cutoffs and suggests the potential of machine learning to improve cognitive assessment in PD patients.
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.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 découle