VasCog Screen test: sensitive in detecting cognitive impairment in patients who had a stroke or with heart failure
Notice bibliographique
Résumé
INTRODUCTION: Vascular diseases, such as stroke and heart failure (HF), are associated with cognitive decline. Vascular cognitive impairment (CI) is commonly found in patients who had a stroke and with HF, ranging from mild CI to dementia. Early detection of CI is crucial for effective management and rehabilitation. This study aimed to develop the VasCog Screen test, a screening tool to detect CI in patients who had a stroke and with HF. METHOD: 427 patients who had a stroke and with HF were assessed using cognitive measures including Mini-Mental State Examination (MMSE), Montreal Cognitive Assessment (MoCA) and a formal neuropsychological battery. The short-MoCA was derived and combined with Symbol Digit Modalities Test (SDMT) to create the VasCog Screen. The discriminatory ability of different tests for CI was compared, establishing optimal cut-off points. Variants of short-MoCA including the SDMT were also evaluated. RESULTS: Similar prevalence rates of CI were found in stroke and HF cohorts. The most prevalent neuropsychological impairment was visuomotor speed, followed by visual memory and visuoconstruction. More than half of the patients were found to have CI. The VasCog Screen outperformed MMSE, MoCA and short-MoCA in detecting CI. The addition of SDMT to variants of the short-MoCA increased diagnostic accuracy. CONCLUSION: The VasCog Screen test offers a cognitive screening tool, which is sensitive to cognitive deficits characteristically found in patients who had a stroke and with HF. It was found to have good sensitivity, specificity and classification accuracy. It is easy to administer in busy clinics, enabling early detection of CI and facilitating appropriate interventions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».