Diagnostic accuracy of the Montreal Cognitive Assessment in screening for cognitive impairment in initially hospitalized COVID-19 patients: Findings from the prospective multicenter NeNeSCo study
Notice bibliographique
Résumé
Objective: This study aimed to investigate the prevalence and nature of cognitive impairment among severely ill COVID-19 patients and the effectiveness of the Montreal Cognitive Assessment (MoCA) in detecting it. Method: We evaluated cognition in COVID-19 patients hospitalized during the first wave (March to June 2020) from six Dutch hospitals, nine months post-discharge, using a comprehensive multi-domain neuropsychological test battery. Test performance was corrected for sex, age, and education differences and transformed into z-scores. Scores within each cognitive domain were averaged and categorized as average and above (z-score ≥ -0.84), low average (z-score -1.28 to -0.84), below average (z-score -1.65 to -1.28), and exceptionally low (z-score < -1.65). Patients were classified with cognitive impairment if at least one domain's z-score fell below -1.65. We assessed the MoCA's accuracy using both the original cutoff (<26) and an "optimal"cutoff determined by Youden's index. Results: Cognitive impairment was found in 12.1% (24/199) of patients, with verbal memory and mental speed most affected (6.5% and 7% below -1.65, respectively). The MoCA had an area under the curve of 0.84. The original cutoff showed sensitivity of 83% and specificity of 66%. Using the identified optimal cutoff of <24, maintained sensitivity while improving specificity to 81%. Conclusions: Cognitive impairment prevalence in initially hospitalized COVID-19 patients is lower than initially expected. Verbal memory and processing speed are primarily affected. The MoCA is a valuable screening tool for these impairments and lowering the MoCA cutoff to <24 improves specificity.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».