Modelling longitudinal cognitive test data with ceiling effects and left skewness
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Cognitive tests such as the Mini Mental State Examination (MMSE) may result in data with discrete and skewed distributions that necessitate proper statistical models for valid inference. We review different longitudinal approaches to model cognitive decline data in older individuals and provide recommendations for model choice and result interpretation. We used data from the Alzheimer’s Disease Neuroimaging Initiative study and focused on MMSE scores as response variable collected on up to four visits over a two-year period in older individuals (mean age 73 years). At baseline individuals were classified as having Alzheimer’s disease (AD), early or late mild cognitive impairment, subjective memory concern, or being cognitively normal. We considered generalized additive models for location, scale and shape (GAMLSS) with binomial/beta-binomial response distribution and parametric/non-parametric random effects, selected the best model and used graphs for illustration. Binomial model with non-parametric random intercept and slope fit the data the best according to the Bayesian Information Criterion. The three-way interaction between time, age and diagnostic group was statistically significant suggesting that AD individuals had the steepest cognitive decline among all groups, especially in younger individuals. Furthermore, males and APOE4 carriers had worse cognitive performance, while more educated people had better cognitive performance compared to less educated. Various plots are used to illustrate and aid in interpretation of the results. GAMLSS are an appropriate class of models providing interpretable results for repeatedly measured cognitive test data. We recommend that they are used more widely, accompanied by effect estimation, statistical testing and visualizations for illustration.
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.
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 | 0,000 |
| 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 | 0,000 | 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 découle