Evaluation of a multimodal diagnostic algorithm for prediction of cognitive impairment in elderly patients with dizziness
Notice bibliographique
Résumé
BACKGROUND: The current diagnostic workup for chronic dizziness in elderly patients often neglects neuropsychological assessment, thus missing a relevant proportion of patients, who perceive dizziness as a subjective chief complaint of a concomitant cognitive impairment. This study aimed to establish risk prediction models for cognitive impairment in chronic dizzy patients based on data sources routinely collected in a dizziness center. METHODS: 7.1 years, 41.0% women) with chronic dizziness were prospectively characterized by (1) neuro-otological testing, (2) quantitative gait assessment, (3) graduation of focal brain atrophy and white matter lesion load, and (4) cognitive screening (MoCA). A linear regression model was trained to predict patients' total MoCA score based on 16 clinical features derived from demographics, vestibular testing, gait analysis, and imaging scales. Additionally, we trained a binary logistic regression model on the same data sources to identify those patients with a cognitive impairment (i.e., MoCA < 25). RESULTS: = 0.49; mean absolute error: 1.7). The most important risk-predictors of cognitive impairment were age (β = - 0.75), pathological Romberg's sign (β = - 1.05), normal caloric test results (β = - 0.8), slower timed-up-and-go test (β = - 0.67), frontal (β = - 0.6) and temporal (β = - 0.54) brain atrophy. The binary classification yielded an area under the curve of 0.84 (95% CI 0.70-0.98) in distinguishing between cognitively normal and impaired patients. CONCLUSIONS: The need for cognitive testing in patients with chronic dizziness can be efficiently approximated by available data sources from routine diagnostic workup in a dizziness center.
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 | 0,002 |
| 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 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 ».