Cognitive screening and education: assessing the Montreal Cognitive Assessment’s validity in older Ugandan populations
Notice bibliographique
Résumé
Background: Cognitive screening tools such as the Montreal Cognitive Assessment (MoCA) are widely used to detect cognitive impairments. However, their accuracy in low- and middle-income countries (LMICs) may be affected by variations in educational levels. This study examined the impact of educational attainment on MoCA performance in older Ugandan adults, considering sex- and age-related differences. Methods: A cross-sectional study was conducted in Wakiso District, Uganda, involving adults aged ≥ 65 years. Their MoCA scores were analyzed in relation to their educational attainment, sex, and age. Multiple linear regression models were used to determine the independent effect of education on cognitive performance after adjusting for age and sex. Sensitivity analyses were conducted using multiple imputations for missing data. Results: Higher educational attainment was significantly associated with a better MoCA performance (β = 1.73, 95% CI: 1.22–2.24, p < 0.001). Age was negatively associated with MoCA scores (β = −0.13, 95% CI: −0.19 to −0.07, p < 0.001), whereas male sex was positively associated (β = 1.89, 95% CI: 0.56–3.22, p = 0.005). The interaction terms (education × sex and education × age) were not significant, indicating that the effect of education was consistent across demographic subgroups. The final regression model explained 42.7% of the variance in the MoCA scores (adjusted R2 = 0.43, p < 0.001). The sensitivity analysis confirmed the robustness of the findings. Conclusions: Educational attainment impacts MoCA performance in older Ugandans, highlighting the need for region-specific norms and culturally adapted cognitive screening in LMICs.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 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 ».