Point-of-care testing using a neuropsychology pocketcard set
Notice bibliographique
Résumé
Neurocognitive screening instruments usually require printed sheets and additional accessories, and can be unsuitable for low-threshold use during ward rounds or emergency workup, especially in patients with motor impairments. Here, we test the utility of a newly developed neuropsychology pocketcard set for point-of-care testing. For aphasia and neglect assessment, modified versions of the Language Screening Test and the Bells Test were validated on 63 and 60 acute stroke unit patients, respectively, against expert clinical evaluation and the original pen-and-paper Bells Test. The pocketcard aphasia test achieved an excellent area under the curve (AUC) of 0.94 (95% CI: 0.88–1, \(\it p\) < 0.001). Using an optimal cut-off of \(\geq\)2 mistakes, sensitivity was 91% and specificity was 81%. The pocketcard Bells Task, measured against the clinical neglect diagnosis, achieved higher sensitivity (89%) and specificity (88%) than the original paper-based instrument (78% and 75%, respectively). Separately, executive function tests (modified versions of the Trail Making Test [TMT] A and B, custom Stroop color naming task, vigilance 'A' Montreal Cognitive Assessment item) were validated on 44 inpatients with epilepsy against the EpiTrack® test battery. Pocketcard TMT performance was significantly correlated with the original EpiTrack® versions (A: \(\it r\) = 0.64, \(\it p\) < 0.001; B: \(\it r\) = 0.75, \(\it p\) < 0.001). AUCs for the custom Stroop task, TMT A and TMT B for discriminating between normal and pathological EpiTrack® scores were acceptable, excellent and outstanding, respectively. Quick point-of-care testing using a pocketcard set is feasible and yields diagnostically valid information.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 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 ».