“Likelihood to be diagnosed or misdiagnosed” revisited: the Efficiency Index
Notice bibliographique
Résumé
Objectives: To calculate an “efficiency index” (EI) based on “numbers needed” metrics (specifically to diagnose and to misdiagnose) for cognitive screening instruments which are commonly used in suspected dementia, and to compare these values with those of a previously described “likelihood to be diagnosed or misdiagnosed” (LDM) metric also based on “numbers needed” metrics. Methods: Datasets from pragmatic test accuracy studies examining four brief cognitive screening instruments (Mini-Mental State Examination, MMSE; Montreal Cognitive Assessment, MoCA; Mini-Addenbrooke’s Cognitive Examination, MACE; Free-Cog) were analysed to calculate values for EI and LDM, and to examine their variation with test cut-off for MACE,. Findings: EI and LDM had similar values for all the screening instruments examined but EI was simpler to calculate than LDM. Both metrics showed similar maxima across a range of cut-offs for MACE. The differing score range of EI and LDM allowed the former, but not the latter, to be qualitatively classified as for likelihood ratios, with three of the tests (MMSE, MACE, Free-Cog) achieving a “moderate” increase in the likelihood of dementia diagnosis. Conclusions: The efficiency index (EI) metric indicates the utility or inutility of diagnostic tests in a way that is easily intelligible for both clinicians and patients, illustrating the inevitable trade-off between diagnosis and misdiagnosis.
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 | 0,059 | 0,249 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».