Sensibilité et spécificité du Mini Cognitive Evaluation (MCE) dans le dépistage des troubles neurocognitifs légers
Bibliographic record
Abstract
Introduction : la recherche liée au trouble cognitif léger (TCL) fournit des informations sur les mécanismes de la maladie au stade pré-démence et permet le développement d’examens complémentaires ayant pour but une détection précoce (PET-amyloïde, biomarqueurs du LCR). Cela a pour but d'établir des stratégies de prévention et de développer des interventions thérapeutiques et non thérapeutiques pour le TCL et la démence. Cependant, il n’existe pas à ce jour de test de dépistage suffisamment sensible et spécifique. Cette étude a pour but de déterminer si le MCE est supérieur au MMSE et au MoCA pour discriminer les patients des témoins. Matériel et méthode : la discrimination du MCE concernant le dépistage des TCL a été comparée au MMSE et au MoCA avec comme examen de référence diagnostic la batterie GRECogVASC, par analyse de régression logistique ajustée sur les facteurs de confusion (âge, niveau socio-culturel). Résultats : le MoCA est sélectionné pour discriminer les patients des témoins (n=91 ; OR : 0.618, IC95 % : 0.556-0.688 ; p=0.000) ; pour discriminer les patients AVC (n=45) des témoins (n=508) et les patients Dégénératifs (n=46) des témoins (n=508). On retrouve un effet plafond du MMSE et du MoCA alors que le MCE présente une distribution d’allure gaussienne. Discussion et conclusion : ces résultats ont montré que le MoCA est plus discriminant que le MCE et le MMSE. Cependant, les patients inclus dans la pré-étude du MCE étaient constitués d’AVC uniquement. Le calibrage du MCE semble trop stricte diminuant la capacité de discrimination du test. Il faudrait donc revoir les techniques de calibration d’autant plus que certains subtests semblent plus discriminants que d’autres.
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 | 0.008 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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".