MoCA and MMSE scores in patients with mild cognitive impairment and dementia in a memory clinic in Bogotá
Bibliographic record
Abstract
Introducción. Diferentes pruebas neuropsicológicas permiten explorar las funciones cognitivas del adulto mayor, en un tiempo corto. En Colombia se dispone de pocos estudios sobre puntuaciones y puntos de corte para el MMSE y para el MoCA en relación al diagnóstico de deterioro cognitivo. Objetivo. Describir la distribución de las puntuaciones del MMSE y el MoCA y los puntos de corte con mejor discriminación, para el diagnóstico de deterioro cognitivo leve y demencia, en una muestra de pacientes de Bogotá. Material y métodos. Se evaluaron 248 pacientes por un equipo multidisciplinario, que consultaron a la Clínica de Memoria del HIUSJ entre 2009-2012, siguiendo un protocolo establecido. Se identificaron las puntuaciones del MoCA y MMSE, que permitieron obtener el mayor porcentaje de pacientes correctamente clasificados. Resultados. En el 70% de los pacientes con DCL y en el 69 % de los sujetos normales, se encontraron puntuaciones del MMSE inferiores o iguales a 28. En 91% de pacientes con DCL y 84% de los sujetos normales, se presentaron puntuaciones del MoCA inferiores o iguales a 25. Los pacientes con cualquier tipo de demencia, presentaron puntuaciones del MMSE inferiores o iguales a 27 e inferiores o iguales a 24 en el MoCA. Conclusión. Según el presente estudio, el tamizaje de funciones cognitivas, utilizando el MoCA, clasifica de manera más acertada que el MMSE, a los sujetos con deterioro cognitivo. Creemos que en atención primaria, estos puntos de
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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".