Consequences of age and education correction of cognitive screening tests – A simulation study of the MoCA test in Italy
Notice bibliographique
Résumé
BACKGROUND: Cognitive screening tools are widely used in clinical practice to screen for age-related cognitive impairment and dementia. These tools' test scores are known to be influenced by age and education, leading to routine correction of raw scores for these factors. Despite these corrections being common practice, there is evidence suggesting that corrected scores may perform worse in terms of discrimination than raw scores. OBJECTIVE: To address the ongoing debate in the field of dementia research, we assessed the impact of the corrections on discrimination, specificity, and sensitivity of the Montreal Cognitive Assessment test in Italy, both for the overall population and across age and education strata. METHODOLOGY: We created a realistic model of the resident population in Italy in terms of age, education, cognitive impairment and test scores, and performed a simulation study. RESULTS: We confirmed that the discrimination performance was higher for raw scores than for corrected scores in discriminating patients with cognitive impairment from individuals without (areas under the curve of 0.947 and 0.923 respectively). With thresholds determined on the overall population, raw scores showed higher sensitivities for higher-risk age-education groups and higher specificities for lower-risk groups. Conversely, corrected scores showed uniform sensitivity and specificity across demographic strata, and thus better performance for certain age-education groups. CONCLUSION: Raw and corrected scores show different performances due to the underlying causal relationships between the variables. Each approach has advantages and disadvantages, the optimal choice between raw and corrected scores depends on the aims and preferences of practitioners and policymakers.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».