Population Normative Data for Commonly Used Neuropsychological Measures in Older Nigerian Adults in the READD‐ ADSP study
Notice bibliographique
Résumé
BACKGROUND: Diagnostic classification of neurocognitive disorders (e.g., Alzheimer's disease) relies heavily on norm-based neuropsychological tests. Classification is optimized by the use of population-specific norms to provide appropriate reference groups. For this study, we established key adjustments for commonly used US and African neuropsychological measures in the Recruitment and Retention for Alzheimer's Disease Diversity Genetic Cohorts in the Alzheimer's Disease Sequencing Project (READD-ADSP). METHOD: Our dataset was drawn from older adults residing in three urban sites in Nigeria (Ibadan, Lagos, and Zaria) who were enrolled in the READD-ADSP study. Eligible participants were adjudicated as non-cognitively impaired; had no impairment on the Clinical Dementia Rating (CDR); a score of >=7 on the Intervention for Dementia in Elderly Africans (IDEA) cognitive screen; no functional impairment; no neuropsychiatric concerns; and no major health concerns/diseases. The dataset consisted of 226 individuals (71.3±6.7 years old, 43% Male, 8.9±6.3 years of education, and 73% were literate). Linear regression analyses estimated the effect of age, sex, education, and literacy (yes/no) on select neuropsychological tests including: Montreal Cognitive Assessment (MoCA), CERAD Word List, Category Fluency (Animal Naming), Verbal Fluency, Multilingual Naming Test (MINT), Number Span, Stick Design (SDT), and IDEA Cognitive screen (IDEA). RESULT: values for the 12 regression models ranged between 0.32 (Verbal Fluency) and 0.05 (Stick Design Immediate); nine of the models were significant; three models failed to attain significance (CERAD (Immediate and Delay) and the IDEA. Years of education was the most common significant factor. Individuals with greater education performed better on the MoCA, Animal Naming, Verbal Fluency, MINT, Numbers Forward, and Numbers Backward. Literacy was significant for three tests (Vegetable Naming, Numbers Forward, and SDT-Delay. Age was significant for Animal Naming, MINT, SDT (Immediate and Delay). Finally, sex was significant for CERAD (Immediate, Vegetable Naming, and Numbers Backwards. CONCLUSION: This study is a first step in addressing the need to develop test norms in the Nigeria population. Not surprisingly, years of education was often the most robust factor that needed to be adjusted for in these countries. We can use the regressions/normative values to provide age, sex, education, and literacy adjusted Z-scores to clinical adjudicators.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».