Порівняльна характеристика скринінгових шкал для виявлення когнітивних порушень
Bibliographic record
Abstract
У роботі йдеться про результати виконаного порівняльного аналізу трьох скринінгових шкал для оцінки когнітивних порушень: Mini-Mental state examination (MMSE), Mini-Cog test, Montreal Cognitive Assessment (MoCA). Нейропсихологічне обстеження провели 25 пацієнтам із цереброваскулярними захворюваннями головного мозку. У результаті проведених досліджень було встановлено, що найменше часу потребує виконання тесту Mini-Cog (у середньому 3 хв), проведення MMSE займало близько 10 хв, а MoCA — 13–15 хв. Тривалість виконання тесту впливала на рівень втомлюваності та виснаження пацієнтів. Результати тесту Mini-Cog не залежали від вихідного рівня освіти, культури та мови. Проте даний тест виявився найменш чутливим і зміг діагностувати лише виражені когнітивні порушення. Перевагами тесту MMSE були можливість визначення рівня когнітивних порушень відповідно до кількості набраних балів та значно вища чутливість порівняно з тестом Mini-Cog. Найчутливішим скринінговим тестом виявився MoCA, проте система формалізованої оцінки даного тесту на сьогодні не передбачає градацію за тяжкістю порушень залежно від набраної кількості балів. Отже, результати проведених досліджень доводять, що вибір нейропсихологічної методики повинен здійснюватися з урахуванням конкретної клінічної ситуації та умов, у яких вона застосовується. Даний порівняльний аналіз загальноприйнятих скринінгових шкал для визначення когнітивних порушень може бути застосований при плануванні діагностичного пошуку для забезпечення ранньої ефективної верифікації змін інтелектуально-мнестичних функцій.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.030 | 0.012 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".