帕金森病认知诊断的最佳MMSE和MoCA截止值:一个数据驱动的决策树模型

科学领域:

• 神经学 神经学
• 认知科学 认知科学
• 医学诊断 医学诊断 医学诊断

背景情况:

• 在帕金森病 (PD) 中诊断认知障碍是复杂的,因为各种症状和过时的标准.
• 目前的查工具,如MMSE和MoCA,缺乏对PD的标准化切断,阻碍了准确的诊断.
• 现有的切断值受到小样本大小,不充分的验证和不一致的年龄和教育调整的限制.

研究的目的:

• 在一个大型帕金森病 (PD) 队列中确定最佳的迷你心理状态检查 (MMSE) 和蒙特利尔认知评估 (MoCA) 切断线.
• 为了分类PD患者的认知功能范围:正常认知 (PD-NC),轻度认知障碍 (PD-MCI) 和痴呆症 (PDD).
• 开发一个决策树模型,供医生在对PD患者的认知评估中使用.

主要方法:

• 对1780名意大利PD患者的回顾性分析,具有II级认知评估.
• 利用接收器运行特征 (ROC) 分析来确定最佳的MMSE和MoCA原始分数截止值.
• 采用机器学习决策树方法来验证切断点并探索额外的临床特征.

主要成果:

• 一个决策树模型确定了痴呆症的MMSE ≤24和PD-MCI的MMSE ≤27.
• 纳入MoCA ≤22改善了PD-MCI和PD-NC之间的歧视.
• 在最终模型中,年龄和教育并不是重要的因素;MMSE和MoCA显示出高灵敏度和特异性.

结论:

• 一个新的临床决策树模型提供了PD-MCI和PDD的准确和有效诊断.
• 该模型利用验证的MMSE和MoCA切断值来改善帕金森病的认知查.
• 这种方法为临床医生提供了一种实用的工具,以加快PD患者的认知工作.