PsyCog: A computerised mini battery for assessing cognition in psychosis
Notice bibliographique
Résumé
Despite the functional impact of cognitive deficit in people with psychosis, objective cognitive assessment is not typically part of routine clinical care. This is partly due to the length of traditional assessments and the need for a highly trained administrator. Brief, automated computerised assessments could help to address this issue. We present data from an evaluation of PsyCog, a computerised, non-verbal, mini battery of cognitive tests. Healthy Control (HC) (N = 135), Clinical High Risk (CHR) (N = 233), and First Episode Psychosis (FEP) (N = 301) participants from a multi-centre prospective study were assessed at baseline, 6 months, and 12 months. PsyCog was used to assess cognitive performance at baseline and at up to two follow-up timepoints. Mean total testing time was 35.95 min (SD = 2.87). Relative to HCs, effect sizes of performance impairments were medium to large in FEP patients (composite score G = 1.21, subtest range = 0.52–0.88) and small to medium in CHR patients (composite score G = 0.59, subtest range = 0.18–0.49). Site effects were minimal, and test-retest reliability of the PsyCog composite was good (ICC = 0.82–0.89), though some practice effects and differences in data completion between groups were found. The present implementation of PsyCog shows it to be a useful tool for assessing cognitive function in people with psychosis. Computerised cognitive assessments have the potential to facilitate the evaluation of cognition in psychosis in both research and in clinical care, though caution should still be taken in terms of implementation and study design.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 | 0,001 |
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 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 ».