Optimal cut-off scores for the Mini Mental State Examination and Montreal Cognitive Assessment to detect MCI and dementia in Multiple System Atrophy
Notice bibliographique
Résumé
BACKGROUND: Mild cognitive impairment (MCI) and dementia are reported in up to 44 % and 7 % of patients with Multiple system atrophy (MSA), respectively. The sensitivity and discriminative power of brief cognitive screening tools such as the Mini-Mental State Examination (MMSE) and the Montreal Cognitive Assessment (MoCA) for detecting MCI and dementia in MSA has not yet been evaluated. OBJECTIVE: The aim of this study was to determine the optimal cut-off scores of the MMSE and MoCA for accurately differentiating MSA patients with MCI and dementia from those with normal cognition. The fluency item of MoCA was also assessed separately for the same purpose. METHODS: Sixty-two MSA patients underwent a comprehensive II level neuropsychological evaluation, in order to diagnose dementia or MCI. ROC analyses were used to establish the optimal cut-off scores for MCI and dementia, respectively. RESULTS: According to the II level neuropsychological evaluation, 4.8 % of MSA patients met criteria for dementia and 53,2 % for MCI. The optimal MMSE cut-off scores were 20.5 for dementia (AUC = 0.915) and 26.5 for MCI (AUC = 0.698). For MoCA, the most accurate cut-offs were 14.0 to detect dementia (AUC = 0.919) and 19.5 to detect MCI (AUC = 0.702).ROC analysis suggested that both tests were more accurate to identify MCI than dementia. The optimal cut-off for MoCA fluency item to identify MCI was 8.5 words (AUC = 0.717). CONCLUSION: Our findings support MMSE and MoCA as effective and accessible tools to detect MCI and dementia in MSA. MoCA fluency item emerged as a reliable tool to detect MCI.
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 | 0,008 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».