Utilidad de la MIS en la predicción del desarrollo de demencia en enfermos de Parkinson
Bibliographic record
Abstract
Introducción: la Enfermedad de Parkinson (EP) es la segunda enfermedad neurodegenerativa en frecuencia y su prevalencia está en aumento. Uno de los síntomas más problemáticos de la EP es la demencia que es debida a un deterioro cognitivo cortical posterior. La evaluación de la afectación cortical posterior podría identificar a los pacientes con riesgo de demencia. Este deterioro no se puede evaluar con los instrumentos de screening habituales como la escala Montreal Cognitive Assessment (MoCA), pero el Memory Index Score de la MoCA (MIS) podría ser adecuado. Objetivos: comparar la correlación de la MoCA y la MIS con la funcionalidad cognitiva en el momento de su administración con la funcionalidad cognitiva medida un año más tarde y evaluar la capacidad del MIS de mejorar un modelo predictivo de demencia. Metodología: sobre una cohorte de 132 pacientes con EP sin demencia se compararon las correlaciones de las puntuaciones totales de MoCA y MIS con la funcionalidad cognitiva medida por Parkison’s disease – Cognitive Functional Rating Scale (PD-CFRS) como medida de demencia. Esto se realizó tanto para la PD-CFRS basal como al año. Se compararon modelos predictivos de demencia que incluían MIS o MoCA con otro que no los incluía. Resultados: la correlación de la MoCA con la PD-CFRS en dos mediciones con un año de diferencia disminuye (ρ=-0,57 vs ρ=-0,45) mientras que la MIS aumenta la suya (ρ=-0,21 vs ρ=-0,25). El modelo de predicción de demencia basado en datos clínicos se ve mejorado con la asociación de la MoCA. Sin embargo, la mejoría es mayor si se le asocia la MIS. Conclusiones: la MIS de la MoCA V8 tiene una influencia en el riesgo de desarrollo de demencia en los pacientes con Parkinson mayor al año de la evaluación que en el momento de la evaluación, al contrario que la puntuación principal de la MoCA, lo que sugiere que, pasado el suficiente tiempo, la MIS tendrá mayor relevancia en el riesgo de desarrollo de demencia que la MoCA. La MIS tiene capacidad de mejorar las predicciones de desarrollo de demencia basadas en datos clínicos habituales.
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 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| 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".