Refining MoCA Interpretation in An Outpatient Clinic Via Logistic Regression and Base Rate Adjustment: A Pilot Study
Notice bibliographique
Résumé
Objectives The Montreal Cognitive Assessment (MoCA) is a screening measure for mild cognitive impairment (MCI) and major neurocognitive disorder (MNCD). Typical cutoff scores for the MoCA are ≤ 26 for MCI and ≤ 18 for MNCD; however; overreliance on cutoff scores can result in misdiagnosis. Our study used logistic regression analyses and predictive probabilities at a range of base rates to view MoCA scores along a continuum rather than a dichotomous variable. Methods Data from 49 memory clinic outpatients were analyzed. Logistic regressions and base rate adjustments were used to provide predicted probabilities of no diagnosis, MCI, and MNCD for possible scores on the MoCA at different base rates. Results Using cumulative logistic regression, 11 cases were predicted to have no diagnosis (22.4%), 25 to have MCI (51%), and 13 to have MNCD (26.5%). Using standardized beta coefficients, scores of ≥24, 18-23, and ≤17 resulted in predictive probabilities of .50 or greater when diagnosing normal cognition (NC), MCI, and MNCD, respectively. Finally, predictive probabilities were calculated for MoCA scores at diagnosis base rates ranging from 10% to 90%. Conclusions Cutoff scores commonly used to assist with interpreting MoCA results may limit its diagnostic utility due to treating cognitive impairment as a dichotomous variable. Our study highlights how logistic regression analyses can be used to refine MoCA interpretation by viewing scores along a continuum and accounting for base rates of a condition of interest within a population, thus providing more meaningful test findings for providers and patients and their caregivers.
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 | 0,036 | 0,121 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».