Which cutoff value of the Montreal Cognitive Assessment should be used for post-stroke cognitive impairment? A systematic review and meta-analysis on diagnostic test accuracy
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
Background:Post-stroke cognitive impairment (PSCI) is one of the serious complications of stroke. The Montreal Cognitive Assessment (MoCA), as a brief cognitive impairment screening tool, is widely used in stroke survivors. However, some studies have suggested that the use of the universal cutoff value of 26 may be inappropriate for detecting cognitive impairments in stroke settings.Aim:We conducted this study to identify the optimal cutoff value of the MoCA in screening for PSCI.Methods:PubMed, CINAHL, Embase, the Cochrane Library, and Web of Science were searched for eligible studies until March 23, 2023. All studies were screened by two independent researchers. The quality of each article was evaluated by the Quality Assessment of Diagnostic Accuracy Studies-2 tool. A bivariate mixed-effects model was used to pool sensitivity, specificity, positive likelihood ratio, negative likelihood ratio, diagnostic odds ratio, and the summary receiver operating characteristic curve.Results:Twenty-four studies with a total of 4231 patients were included in this review. Despite the lack of evidence of publication bias, a high degree of heterogeneity was observed. A meta-analysis revealed that a cutoff value of 21/22 yielded the best diagnostic accuracy. The optimal cutoff varied in different regions, stroke types, and stroke phases as well.Conclusion:The optimal cutoff of MoCA was 21/22 for stroke populations rather than the initially recommended cutoff of 26. A revised (lower) cutoff should be considered for stroke survivors.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,066 | 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