Introducción
recientemente, se han publicado un número creciente de estudios para abordar el fenómeno del malingering y la detección de síntomas cognitivos malingered. A number of investigations (E.G., Sartori et al., 2016B; Walczyk et al., 2018) indican que el malingering ocurre típicamente en tres dominios amplios: psicopatología, deterioro cognitivo y enfermedad médica., En el contexto de las disfunciones cognitivas, los neuropsicólogos y psicólogos clínicos se han basado cada vez más en los resultados de las evaluaciones neuropsicológicas para informar sus opiniones sobre la naturaleza, el alcance y la credibilidad de las deficiencias cognitivas declaradas. Los esfuerzos clínicos y de investigación han llevado a métodos e instrumentos cada vez más sofisticados y eficaces diseñados para detectar el malingering que se observa típicamente en la mayoría de los entornos médico-legales., Existe evidencia que sugiere que el incentivo externo a malinger típicamente implica una compensación financiera por lesiones que resultan en deficiencias físicas y/o déficits cognitivos. Cuanto más extensa se muestra la disfunción cognitiva, más compensación monetaria se espera y los individuos tienen un motivo significativo para simular o exagerar los síntomas.
críticamente, la mayoría de los síntomas cognitivos son fácilmente falsificados incluso por examinadores naïve no entrenados con el fin de lograr una compensación económica., Por la razón mencionada, es crucial confiar en las herramientas psicométricas para distinguir, sobre una base objetiva, si los puntajes de las pruebas neuropsicológicas reflejan con precisión las disfunciones cognitivas o si los individuos intentaron simular o exagerar sus dificultades (Sartori et al., 2016b, 2017). Mientras que las técnicas más recientes se basan en herramientas informáticas complejas(por ejemplo, Sartori et al., 2016a), las pruebas de papel y lápiz (como la prueba b investigada aquí) todavía tienen grandes ventajas prácticas.,
el deterioro cognitivo grave falsificado se puede detectar clínicamente comparando los resultados de las pruebas cognitivas con las habilidades cotidianas del paciente. Las actividades de la vida diaria intactas junto con un deterioro grave en las pruebas cognitivas tocar las mismas funciones es una indicación de malingering. Sin embargo, las deficiencias cognitivas leves no suelen ir acompañadas de deficiencias de la vida diaria y los pacientes pueden ser difíciles de detectar utilizando estrategias simples que consisten en Comparar los resultados de las pruebas cognitivas (muy bajos) y las actividades diarias (conservadas)., Para superar esta limitación, es posible confiar en los resultados proporcionados por la investigación clínica (Coin et al., 2009; Orrù et al., 2009).
una estrategia utilizada en las pruebas neuropsicológicas para detectar el malingering se basa en el uso de pruebas simples. Según lo informado por la American Academy of Clinical Neuropsychology Consensus Conference Statement on the neuropsychological assessment of effort, response bias and malingering (Heilbronner et al.,, 2009), estas pruebas son típicamente bien realizadas con un mínimo esfuerzo por los pacientes que sufren de enfermedades neurológicas y psiquiátricas, a menos que haya una intención deliberada de realizarlas mal. La mayoría de las pruebas de validez de rendimiento (Pvt) utilizadas en entornos de búsqueda de compensación están diseñadas para detectar trastornos de memoria fingidos a corto plazo (Boone et al., 2000; Sharland y Gfeller, 2007; Young et al., 2016). Además, también hay pruebas para detectar déficits simulados en diferentes áreas cognitivas, como la información sobreaprendida y la velocidad de procesamiento.,
Una de esas pruebas es la prueba b (Boone et al., 2002). Consiste en un folleto de 15 páginas: cada página contiene 72 estímulos, incluyendo B minúsculas (estímulos objetivo) y otros símbolos que se utilizan como distractores, como D minúsculas, q Y p, y B con plicas diagonales o extra. En total, hay 255 estímulos objetivo en el folleto de estímulos: 20 en la primera página, 16 en la segunda y 15 en la tercera. Estas páginas se repiten cinco veces en un formato cada vez más pequeño., La prueba b requiere que el examinado rodee todas las b que aparecen en cada página lo más rápido posible; durante la tarea, se pueden cometer diferentes tipos de errores: errores de omisión (omitiendo rodear los estímulos objetivo), errores d (rodeando las d) y errores de comisión (rodeando los símbolos que no son b, incluyendo las d). El examinador toma nota del tiempo total de respuesta, es decir, del tiempo que el participante necesita para completar la prueba., Los errores totales y el tiempo medio por página se utilizan para calcular la puntuación del índice de esfuerzo (o E-score), que resulta de la ecuación: (errores D totales + errores de comisión total) × 10 + errores de omisión total + tiempo medio por página.
la prueba b evalúa las habilidades superaprendidas y puede aplicarse en el entorno médico-legal. Es poco probable que los pacientes con disfunción cerebral que hacen un esfuerzo en la prueba sean clasificados erróneamente como no cooperativos. Los pacientes con deterioro de la memoria no pueden fallar en la prueba y esto puede producir menos falsos positivos que la prueba de esfuerzo basada en la memoria., Finalmente, un rendimiento comprometido de la prueba B debido a la presencia de síntomas exagerados y en ausencia de discapacidades de aprendizaje documentadas es altamente sospechoso de malingering (Boone et al., 2002).
la prueba b puede distinguir a los pacientes sospechosos de muchos grupos clínicos diferentes, incluyendo: trastorno depresivo mayor, esquizofrenia, lesión en la cabeza moderada o grave, accidente cerebrovascular, problemas de aprendizaje y ancianos sanos (ver Boone et al., 2002).
Vilar-Lòpez et al., (2007) analizaron el desempeño en la prueba b de una muestra de población española con síndrome post-conmoción (SSP) involucrada en litigios y no involucrada en litigios, mostrando una buena sensibilidad y especificidad. Además, en un estudio adicional (Vilar-Lòpez et al., 2008), los mismos autores analizaron el desempeño de pacientes con lesión cerebral traumática leve., Los participantes se dividieron en tres grupos: el primer grupo no participó en ningún proceso de búsqueda de compensación; el segundo grupo fue un grupo de búsqueda de compensación No sospechoso de malingering; el tercer grupo incluyó pacientes que buscaban compensación que eran sospechosos de malingering. Los resultados del estudio mostraron que hay diferencias estadísticamente significativas entre los grupos y la clasificación malingerer versus no malingerer. Del mismo modo, Marshall et al. (2010) han investigado la validez de la prueba b para detectar el TDAH fingido en una muestra grande (n = 257).,
a pesar de los resultados prometedores, Shandera et al. (2010) realizaron un estudio sobre la validez de la prueba b en una muestra de población adulta con retraso mental leve. Los resultados mostraron resultados insatisfactorios cuando los pacientes requieren ser distinguidos de esta muestra clínica.
dado este resultado, el diagnóstico de la prueba b sigue siendo poco claro, en la distinción entre los trastornos neurocognitivos leves y los enfermos. Hasta donde sabemos, solo Dean et al. (2009) evaluaron la especificidad de la prueba B N demencia leve con resultados insatisfactorios.,
con el fin de examinar el potencial de la prueba b en la clasificación de deterioro cognitivo genuino de déficits cognitivos fingidos en la población de edad avanzada, el presente estudio investigó el valor de la prueba b en una muestra italiana con trastornos neurocognitivos leves y en individuos de edad avanzada sanos emparejados, instruidos para fingir disfunciones cognitivas. Además, nuestro objetivo era evaluar si los clasificadores de aprendizaje automático pueden resultar en una mayor precisión de clasificación en comparación con el enfoque más tradicional basado en puntajes de corte.,
materiales y métodos
Participantes
Se reclutaron sesenta y tres participantes de habla italiana (36 hombres y 27 mujeres, Edad Media: 73,43 ± 5,97 años, rango: 58-87; educación media: 7,03 ± 2,78 años, rango: 3-19). La muestra constó de tres grupos. El primer grupo estaba formado por pacientes con etiología neurológica mixta, que cumplían los criterios del Manual Diagnóstico y Estadístico de trastornos mentales-5 (DSM-5) (APA, 2013) para trastorno neurocognitivo leve (Grupo A; n = 21)., Estos pacientes fueron diagnosticados de acuerdo con los criterios DSM-5 Para trastorno neurocognitivo leve por un neurólogo experto (RV) a través de entrevistas anamnésicas, exámenes neurológicos y pruebas neuropsicológicas. La evaluación neuropsicológica incluyó: mini examen del estado Mental (MMSE, Folstein et al., 1975; Coin et al., 2009) y la batería de evaluación Frontal (Fab, Dubois et al., 2000; Appollonio et al., 2005). El grupo A fue reclutado de una unidad de Neurología en el noreste de Italia.,
se requirió que un segundo grupo (N = 21, grupo B) de individuos sanos emparejados por edad completara la prueba sin instrucciones específicas, mientras que un tercer grupo (n = 21, Grupo C) de controles sanos emparejados por edad respondiera engañosamente a la prueba como si tuvieran una discapacidad cognitiva.
controles sanos y enfermos (grupo B y Grupo C) fueron reclutados de dos centros recreativos para personas mayores.,
trastornos neurocognitivos leves
participantes con trastorno neurocognitivo leve
participantes sanos y enfermos de Deterioro Cognitivo
participantes sanos
cuarenta y dos participantes sanos fueron reclutados. No tenían antecedentes de enfermedades neurológicas o psiquiátricas o abuso de sustancias / alcohol. Las puntuaciones corregidas por MMSE fueron ≥ 26 y ningún participante obtuvo una puntuación equivalente < 2 en el FAB. Todos los participantes fueron asignados aleatoriamente a uno de los dos grupos siguientes., Un Grupo (Grupo B: controles sanos) recibió la instrucción estándar para la prueba b (n = 21, 14 hombres y 7 mujeres), mientras que el otro (grupo C: malingerers) recibió instrucciones para fingir la prueba b (n = 21, 8 hombres y 13 mujeres) con el fin de fingir un trastorno cognitivo. En concreto, se instruyó a los malingerers (Grupo C) para que realizaran el MMSE y el FAB lo mejor posible y solo para la prueba b recibieron las instrucciones de simulación (se les pidió que simularan adoptando estrategias de acuerdo con sus creencias y el conocimiento común sobre el déficit cognitivo leve).,
procedimientos experimentales
La Prueba b fue administrada después de MMSE y FAB a todos los participantes. Justo antes de la tarea experimental, los participantes asignados al grupo de malingerers recibieron instrucciones de mentir sobre su estado cognitivo. Para aumentar el cumplimiento, a los participantes se les dio el siguiente escenario: «debe completar la prueba, ya que sería realizada por un paciente que sufre de demencia leve o deterioro cognitivo leve. En particular, finge que soy miembro de la Comisión que certifica la discapacidad; debes convencerme de que calificas para pagos por discapacidad.,»Después de completar la prueba, el grupo de malingerers también fue cuestionado de la siguiente manera: «describa la estrategia utilizada y explique la razón por la que la ha elegido.»
Los pacientes y los controles sanos fueron obligados a realizar todas las pruebas con su máximo esfuerzo.
análisis de datos
los datos fueron analizados mediante análisis estadístico no paramétrico. Además, con el fin de evaluar la precisión de la clasificación de la prueba b y evitar el sobreajuste, se utilizó ampliamente el procedimiento de validación cruzada sin salida (loocv) (Cawley y Talbot, 2010)., El sobreajuste es un ajuste optimista exagerado a los datos derivados de probar el modelo en el mismo conjunto de datos utilizado para desarrollar el modelo en sí. Para lograr una estimación realista del error de clasificación (pacientes vs.pacientes), se debe evitar el sobreajuste. El sobreajuste es un ajuste de modelo anormal que generalmente es contrario utilizando la estimación de precisión fuera de la muestra (método de retención), que se utilizan como un proxy de las precisiones en el campo. Tales estimaciones de precisión fuera de la muestra requieren muestras grandes, que son difíciles de recolectar con poblaciones clínicas., Se ha demostrado que la validación cruzada n-fold es un buen procedimiento para estimar las precisiones verdaderas en muestras pequeñas. Un caso especial de validación cruzada n-fold es el LOOCV (Cawley y Talbot, 2010), un método de elección en estudios clínicos (Orrù et al., 2012). En LOOCV, el modelo estadístico se desarrolla utilizando solo ejemplos n – 1 y se prueba en el ejemplar restante. El procedimiento se repite rotando sistemáticamente el ejemplo excluido y el error de clasificación fuera de la muestra se deriva del error promedio de los modelos n-1., Por esta razón, hemos utilizado LOOCV para obtener cifras de discriminación validadas cruzadas entre pacientes y pacientes.
recientemente, se ha demostrado que las pruebas psicométricas pueden aumentarse mediante el uso, además de métodos estadísticos más tradicionales, de técnicas de aprendizaje automático (ML) (James et al., 2013). ML ya se ha utilizado para desarrollar modelos de clasificación de alto rendimiento destinados a detectar malingerers (Monaro et al., 2018a, b).
el análisis de datos se ha realizado utilizando SPSS y Weka 3.8 (Hall et al., 2009).,
resultados
análisis estadístico no paramétrico
Los promedios y las desviaciones estándar para la edad, la escolaridad y los puntajes de las pruebas se presentan en la tabla 1. Debido a que no todos los puntajes de las pruebas se distribuyeron normalmente entre los grupos, se calcularon las comparaciones de grupos no paramétricas (Kruskal-Wallis ANOVAs). Los grupos no se diferenciaron significativamente en edad y años de escolaridad, pero sí en las puntuaciones MMSE y FAB, siendo el grupo A significativamente peor que el grupo B (controles sanos) y C (enfermos) en MMSE y FAB.,
la Tabla 1. Características demográficas y rendimiento en la prueba b para cada grupo de participantes y Kruskal-Wallis ANOVAs.
Como se muestra, los grupos difirieron significativamente en todos los b resultados de las Pruebas. En la tabla 2 se presentan los resultados de los análisis de la prueba U de Mann-Whitney utilizados en las comparaciones por pares en los datos de la prueba b (los niveles de significación corregidos por Bonferroni se fijaron en 0,02)., Los enfermos (Grupo C) cometieron más errores de comisión (incluyendo errores d) y errores de omisión, y obtuvieron puntuaciones e significativamente más altas que los controles y los pacientes (grupo B y a, respectivamente). Los controles sanos también superaron significativamente a los pacientes en estas puntuaciones. Las comparaciones grupales sobre los tiempos de respuesta también fueron significativas, con controles completando la prueba significativamente más rápido que los pacientes y los pacientes, que no diferían significativamente entre sí.
la Tabla 2., Comparaciones de U de Mann-Whitney entre grupos con puntajes en las pruebas B.
Los patrones de Error revelaron que los pacientes y los controles cometieron más errores de omisión que Errores de comisión (incluidos los errores d), mientras que los pacientes cometieron más errores de comisión en general, seguidos de errores de omisión y errores D.
precisión de clasificación entre pacientes y pacientes
al aplicar la prueba b en un entorno médico-legal, lo más interesante es la comparación entre pacientes y pacientes., Dado que en un entorno médico-legal, el individuo es propenso al malingering, el objetivo es identificar si el examinado es un caso patológico real o un malingerer. Por esta razón, el máximo interés está en distinguir de manera eficiente (en nuestro experimento) a los pacientes de los enfermos sobre la única base de los resultados de la prueba B. Las puntuaciones umbral que clasifican correctamente al 90% de los pacientes para cada medida (errores de omisión, errores d, errores de comisión, tiempo de respuesta y E-score junto con el AUC) dieron como resultado una alta precisión de clasificación (Ver Tabla 3)., Por ejemplo, en cuanto a los errores de omisión, un cut-off >56 clasificó correctamente al 90% de los pacientes (Grupo A) y al 90,4% de los pacientes (Grupo C).
la Tabla 3. B valores de corte de la prueba con sensibilidad y especificidad asociadas para discriminar a los pacientes de los simuladores.
Este resultado, sin embargo, pueden sufrir de sobreajuste., Como se informó anteriormente, con el fin de evaluar la eficacia de la prueba b y evitar el sobreajuste, probamos diferentes modelos de aprendizaje automático utilizando el procedimiento LOOCV.
los predictores utilizados en el desarrollo del modelo de aprendizaje automático fueron los siguientes: edad, educación, género, errores d, errores de comisión, errores de omisión, RT total (sec), e-score. Se utilizó la técnica de validación cruzada sin exclusiones (Loocv) (por ejemplo, Vapnik y Chapelle, 2000). Tal técnica deja un solo caso fuera de la muestra de entrenamiento utilizada para desarrollar el modelo., Después de que se desarrolla el modelo, se prueba su precisión (fuera de la muestra) en este sujeto de retención. El proceso se repite para todos los casos de la muestra (al comparar pacientes y malingers, 42-1). El error se promedia sobre los cálculos 42-1 y este error promedio es una estimación del error fuera de la muestra. El LOOCV es el método de elección cuando se dispone de un pequeño número de casos como, por ejemplo, en estudios de neuroimagen (Orrù et al., 2012).,
las nueve características mencionadas anteriormente fueron introducidas en diferentes clasificadores de machine learning, que fueron entrenados para clasificar cada sujeto como perteneciente a una de las dos categorías de interés (pacientes y pacientes). En particular, seleccionamos los siguientes clasificadores como representativos de diferentes categorías de clasificadores: Bayes Naïve, regresión logística, máquina vectorial de soporte de regresión logística Simple y Bosque Aleatorio(manual WEKA para la versión 3-7-8, Bouckaert et al., 2013). Los resultados entre los diferentes clasificadores se presentan en la Tabla 4.,
la Tabla 4. Precisiones medidas por % correct, área bajo la curva (AUC) y F1 obtenidas por cinco clasificadores ML diferentes en validación cruzada sin excepción.
todos los clasificadores basados en diferentes supuestos y representativos de diferentes clases de clasificadores arrojaron resultados precisos similares con cifras similares tanto para errores falsos positivos como falsos negativos.
los resultados reportados en la Tabla 5 se refieren a la comparación entre pacientes y simuladores.,
la Tabla 5. Comparación entre pacientes y enfermos, correctamente identificados por cada clasificador.
finalmente, un clasificador multiclase Random Forest que clasifica a los sujetos pero en tres clases (pacientes, controles sanos y enfermos) y no en dos categorías como se informa en las tablas 4, 5 arrojó los siguientes resultados: (1) Precisión global = 79.4; (2) AUC = 0.87; (3) F1 = 0.8., Los pacientes clasificados correctamente como antes mencionados fueron 17/21, los controles sanos fueron 15/21 y los enfermos fueron 18/21.
Todos los modelos de ML descritos anteriormente son opacos y la lógica subyacente que produce la clasificación final no es sencilla., Con el fin de tener una comprensión más clara de la lógica de clasificación, hemos ejecutado un modelo de árbol ML que selecciona la regla de decisión óptima que maximiza la precisión de clasificación, el J48 (Quinlan, 1993), que produjo la siguiente regla de decisión óptima:
Si los errores de omisión son < = 78, entonces el sujeto se clasifica como un Precisión igual a 95.,2%;
y
si los errores de omisión son > 78, entonces el sujeto es clasificado como un simulador con exactitud igual a 86%.
el principio de decisión mencionado no es el mejor clasificador, pero da una manera fácil de entender la regla, lo que resulta en una alta precisión en la clasificación de pacientes y pacientes., Como indicó originalmente Boone (2000), los errores de omisión son los que más contribuyen a distinguir correctamente a los simuladores de los pacientes y también esta investigación indica que la clasificación óptima podría basarse en una regla que se base en el número de omisiones.
además, se ha utilizado un análisis correlacional para resaltar cuál de los predictores contribuye al máximo a la correcta clasificación de los pacientes frente a los simuladores. Los resultados fueron los siguientes: omisión = 0,81; Comisión = 0,66; e-score = 0,66; errores d = 0,56., Random Forest también permite ordenar la importancia de los predictores para contribuir a la clasificación precisa y la importancia de los predictores fue similar a la resultante del análisis correlacional reportado anteriormente con la contribución máxima a la clasificación proveniente de errores de omisión y comisión y E-score.,
discusión
aunque los esfuerzos clínicos y de investigación han llevado a métodos cada vez más sofisticados y han arrojado resultados prometedores para detectar el malingering, todavía existen desafíos teóricos y prácticos significativos en la detección del malingering, especialmente en la población anciana con trastornos neurocognitivos leves. El deterioro cognitivo grave falsificado se puede detectar clínicamente comparando puntuaciones bajas en los resultados de las pruebas cognitivas y el funcionamiento impecable derivado de la vida diaria., De hecho, las actividades de la vida diaria intactas junto con un deterioro grave en las pruebas cognitivas que tocan las mismas funciones son indicativas de malingering. Sin embargo, los trastornos neurocognitivos leves no suelen ir acompañados de deficiencias de la vida diaria y los pacientes pueden ser difíciles de detectar utilizando estrategias simples que consisten en Comparar los resultados de las pruebas cognitivas (muy bajos) y las actividades diarias (conservadas).
Hay varias estrategias disponibles para identificar a los enfermos de déficits cognitivos., Por ejemplo, la prueba de validez de síntomas médicos (MSVT) es una prueba de memoria ampliamente utilizada con tres medidas de esfuerzo incorporadas que tienen como objetivo detectar la simulación (Green, 2004; Dandachi-FitzGerald y Merckelbach, 2013). El MSVT ha alcanzado tasas impresionantemente altas de sensibilidad y especificidad en estudios experimentales que han comparado controles con malingerers instruidos para fingir problemas de memoria (Merten et al., 2005).
la prueba b pertenece a la misma clase de pruebas, las llamadas pruebas de validez de rendimiento (p. ej.,, Rey 15 items, Reznek, 2005), que son pruebas que son muy fáciles también para las personas con discapacidad cognitiva alta.
para evaluar si la prueba b puede ayudar a identificar este tipo de pacientes, se administró la prueba b a un grupo de pacientes con trastorno neurocognitivo leve. Este grupo se comparó con controles sanos instruidos para responder engañosamente a la prueba (produciendo artificialmente patrones similares de deterioro cognitivo) y un grupo de controles sanos instruidos para responder con veracidad a la prueba.,
los resultados principales muestran que los pacientes obtuvieron puntuaciones más bajas que los controles y los pacientes en la prueba b, en todos los parámetros derivados de la prueba, excepto en el tiempo de respuesta total. En particular, los pacientes y los controles cometieron más errores de omisión que Errores de comisión, incluidos los errores d, mientras que los pacientes cometieron desproporcionadamente más errores de comisión, seguidos de errores de omisión y errores D. Estos hallazgos reflejan de cerca las estrategias para fingir según lo informado verbalmente por los malingerers., De hecho, la mitad de ellos indicaron que cometieron errores de omisión y comisión al azar, mientras que aproximadamente una cuarta parte de ellos indicaron que intentaron rodear a todos los objetivos que no eran B. La Mitad de los malingerers también informaron que ralentizaron deliberadamente su tiempo de respuesta. Por lo tanto, los malingerers se pueden distinguir de los que dicen la verdad basados en sus patrones de error, que es radicalmente diferente de los mostrados por los pacientes. Por el contrario, los pacientes y los controles sanos tienen un patrón similar de respuestas y errores., Mientras que los controles se desempeñaron significativamente mejor que los pacientes en todas las puntuaciones de error, ambos grupos mostraron más errores de omisión que de comisión, mientras que, como se informó anteriormente, los pacientes mostraron el patrón opuesto.
los datos reportados en nuestro estudio son consistentes con los experimentos de validación originales de Boone et al. (2002), que documentó que era muy inusual que los pacientes genuinos con depresión, accidente cerebrovascular, lesión cerebral traumática, esquizofrenia, discapacidad de aprendizaje y edad avanzada identificaran erróneamente a los no-b como B., Los datos del estudio actual extienden esta observación a los pacientes de edad avanzada con demencia leve.
Los pacientes de nuestro experimento realizaron la prueba b mucho más lentamente que Boone et al. (2002) patients (which included mostly psychiatric patients). Estos hallazgos son consistentes con las observaciones de que la desaceleración cognitiva es prominente en la demencia temprana (McGuinness et al., 2010) y sugieren que los tiempos de Respuesta tienen un valor muy limitado para diferenciar la demencia leve real frente a la fingida. Por el contrario, los errores en las tareas de información sobre-aprendidas parecen ser mucho más eficientes., La naturaleza de los trastornos neurológicos asociados con el deterioro cognitivo leve puede explicar la razón por la cual los índices basados en el tiempo no son particularmente útiles para detectar pacientes.
en nuestro estudio, los malingerers intencionalmente ralentizan su rendimiento. Sin embargo, la velocidad de respuesta reducida también es una característica de la mayoría de las afecciones neurológicas y esta puede ser la razón por la cual los índices basados en el tiempo pueden no ser capaces de diferenciar efectivamente entre pacientes y pacientes.,
además del análisis estadístico estándar, cuyos resultados se han resumido anteriormente, hemos aplicado un análisis más avanzado basado en técnicas de ML. También hemos reportado precisiones de clasificación basadas en la validación cruzada de K-fold (específicamente la validación cruzada de leave-one-out, LOOCV; generalmente considerada como la mejor técnica para manejar estos problemas en muestras pequeñas) con el fin de obtener estimaciones imparciales de precisiones fuera de la muestra., Este análisis indicó que los pacientes pueden distinguirse de los pacientes exclusivamente en el rendimiento de la prueba b con una precisión general del 90% o más (precisión máxima con el clasificador logístico Simple). Diferentes tipos de modelos de aprendizaje automático mostraron resultados similares. Mientras que algunos clasificadores tienen reglas de decisión muy complejas (por ejemplo, bosque Aleatorio), otros pueden ser más intuitivos para el clínico., Por ejemplo, un árbol de decisión óptimo produjo la siguiente regla de decisión:
Si los errores de omisión son < = 78, entonces el sujeto se clasifica como un paciente con una precisión igual al 95.2%;
If>78 es un simulador con una precisión igual al 86%.
a pesar del menor nivel educativo (M = 6,7, de = 2,2), el tiempo medio de respuesta de los controles sanos (M = 634,76, de= 236,23) y los errores de comisión (M = 1,28, de=2.,75) fueron similares a los reportados por Boone et al. (2002). Controles más antiguos (nivel educativo = 15,2 años; tiempo medio de respuesta = 10,8 min; errores medios de comisión = 1,0). Los controles en el presente estudio cometieron más errores de omisión que en la muestra de Boone y colegas (errores de omisión promedio: 18.0 versus 8.0). Estos hallazgos sugieren que la educación parece tener un impacto menor en el rendimiento de la prueba b, lo que sugiere que la prueba b no se ve afectada relativamente por el nivel de educación del examinado.,
una limitación del estudio actual implica el uso de malingerers instruidos (también llamados malingerers experimentales). Los malingerers instruidos generalmente producen tasas de sensibilidad elevadas porque tienden a fingir más excesivamente que sus contrapartes del «mundo real» (Boone et al., 2005). Además, en el estudio actual, se instruyó a los pacientes a fingir una enfermedad que califica para una compensación por discapacidad, por lo que los participantes pueden haber intentado exagerar aún más el deterioro cognitivo., Las tasas de sensibilidad en nuestro estudio requieren, por lo tanto, replicación futura en entornos médico-legales utilizando participantes que están espontáneamente motivados para fingir en lugar de instruidos para fingir trastornos cognitivos.
disponibilidad de los datos
el conjunto de datos utilizado y analizado durante el presente estudio está disponible en el autor correspondiente previa solicitud razonable.
Declaración de Ética
El Comité de Ética para Ensayos Clínicos de las provincias de Belluno y Treviso (Italia) aprobó el procedimiento experimental., Todos los sujetos dieron su consentimiento informado por escrito de acuerdo con la Declaración de Helsinki.
contribuciones de los autores
GS y FG concibieron el experimento. GP, RV y GS diseñaron la tarea experimental. GP contribuyó a la adquisición de datos de sujetos sanos. El VD y el GP contribuyeron para la adquisición de datos de pacientes sanos. GO y AG contribuyeron al análisis de datos. GO y KB contribuyeron a la interpretación de los datos. GP, GS, KB, y GO redactaron el manuscrito. Todos los autores revisaron críticamente el manuscrito y dieron la aprobación final para que la versión fuera publicada.,
Declaración de conflicto de intereses
los autores declaran que la investigación se realizó en ausencia de relaciones comerciales o financieras que pudieran ser interpretadas como un potencial conflicto de intereses.
American Psychiatric Association (2013). DSM-5: Manual Diagnóstico y estadístico de los trastornos mentales. (Washington, DC: American Psychiatric Association), 5.
Google Scholar
Boone, K., Lu, P., and Herzberg, D. S. (2002). El manual de prueba B. Los Angeles: Western Psychological Service.
Google Scholar
Green, P., (2004). Green’s medical symptom validity test (MSVT) for Microsoft Windows: manual del usuario. Edmonton, Canada: Green’s Publishing.
Google Scholar
