Psykometriske egenskaper for norsk oversettelse av Montreal Cognitive Assessment -en valideringsstudie.
Bibliographic record
Abstract
Formål: Med en økende andel eldre i befolkningen vil antallet personer med kognitiv svikt og demens øke. Det er behov for gode, valide verktøy som kan brukes ved screening av pasienter med mistenkt kognitiv svikt og demens. Montreal Cognitive Assessment (MOCA) er oversatt til norsk, men er ikke validert. Hovedformålet med denne masteroppgaven var å validere den norske versjonen av MoCA. Dette innebærer å finne frem til korrekt grenseverdi som kan brukes ved screening av personer med demens. Teoretisk forankring: Oppgaven bygger på relevant litteratur om blant annet validering, statistikk og analyser, samt om kognitiv svikt, demens, aldring og kognitiv testing. Metode: En tverrsnittsstudie der man undersøkte 133 pasienter som var henvist til hhv. fastlegen eller spesialisthelsetjenesten for utredning av kognitiv svikt og demens. Alle pasienter ble undersøkt etter standardiserte protokoller («gullstandard»), og diagnoser ble satt på grunnlag av denne utredningen. MoCA ble i tillegg gjennomført på alle pasienter. Den som gjennomførte MoCA var blindet for resultatene på utredningen ellers. Den som satte diagnose var blindet for resultatene på MoCA. Resultater: Optimal grenseverdi for å skille mellom personer med demens vs. personer med SCI eller MCI viste seg å være på ≤20. Ved denne grenseverdien fant vi svært god sensitivitet (88.5) og god spesifisitet (72.2), samt god PPV (73) og NPV (88.1). Grenseverdien endret seg ikke når MoCA-skåren ble justert for lav utdanning (≤12 år). Konklusjon: MoCA har god diagnostisk nøyaktighet for å skille personer med demens fra personer med SCI/MCI, og ansees som et egnet screeningverktøy til bruk til dette formålet
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 | 0.057 | 0.152 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.036 | 0.008 |
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".