Good Mood

Introduction

récemment, un nombre croissant d’études ont été publiées afin d’aborder le phénomène de malingering et la détection des symptômes cognitifs malingérés. Un certain nombre d’enquêtes (p. ex., Sartori et coll., 2016b; Walczyk et coll., 2018) indiquent que le malingre survient généralement dans trois grands domaines: la psychopathologie, les troubles cognitifs et les maladies médicales., Dans le contexte des dysfonctionnements cognitifs, les neuropsychologues et les psychologues cliniciens se sont de plus en plus appuyés sur les résultats des évaluations neuropsychologiques pour éclairer leurs opinions sur la nature, l’étendue et la crédibilité des déficiences cognitives revendiquées. Les efforts cliniques et de recherche ont conduit à des méthodes et des instruments de plus en plus sophistiqués et efficaces conçus pour détecter la malingre, ce qui est généralement observé dans la plupart des contextes médico-légaux., Il existe des preuves suggérant que l’incitation externe à malinger implique généralement une compensation financière pour les blessures entraînant des déficiences physiques et / ou des déficits cognitifs. Plus le dysfonctionnement cognitif est étendu, plus la compensation monétaire est attendue et les individus ont un motif important de simuler ou d’exagérer les symptômes.

de manière critique, la plupart des symptômes cognitifs sont facilement falsifiés, même par des examinateurs naïfs Non coachés, afin d’obtenir une compensation économique., Pour la raison mentionnée, il est crucial de s’appuyer sur des outils psychométriques afin de distinguer, sur une base objective, si les résultats des tests neuropsychologiques reflètent avec précision les dysfonctionnements cognitifs ou si les individus ont tenté de simuler ou d’exagérer leurs difficultés (Sartori et al., 2016b, 2017). Alors que les techniques plus récentes reposent sur des outils informatiques complexes (p. ex., Sartori et al., 2016a), les tests sur papier et Crayon (tels que le Test b étudié ici) présentent toujours de grands avantages pratiques.,

une déficience cognitive grave simulée peut être détectée cliniquement en comparant les résultats des tests cognitifs avec les capacités quotidiennes du patient. Activités quotidiennes intactes associées à une déficience grave lors de tests cognitifs taper sur les mêmes fonctions est une indication de malingre. Cependant, les déficiences cognitives légères ne s’accompagnent généralement pas de déficiences de la vie quotidienne et les malingres peuvent être difficiles à détecter en utilisant des stratégies simples consistant à comparer les résultats des tests cognitifs (très faibles) et les activités quotidiennes (préservées)., Afin de surmonter cette limitation, il est possible de s’appuyer sur les résultats fournis par la recherche clinique (Coin et al., 2009; Orrù et coll., 2009).

Une stratégie utilisée dans les tests neuropsychologiques pour détecter la malingre est basée sur l’utilisation de tests simples. Tel que rapporté par l’Académie Américaine de Neuropsychologie Clinique de Consensus de Déclaration de la Conférence sur l’évaluation neuropsychologique de l’effort, du biais de réponse et de la simulation (Heilbronner et coll.,, 2009), ces tests sont généralement bien effectués avec un minimum d’effort par les patients souffrant de maladies neurologiques et psychiatriques, à moins qu’il n’y ait une intention délibérée de Les effectuer mal. La plupart des tests de validité des performances (Pvt) utilisés dans les paramètres de recherche de compensation sont conçus pour détecter les troubles de la mémoire à court terme feints (Boone et al., 2000; Sharland et Gfeller, 2007; Young et coll., 2016). En outre, il existe également des tests pour détecter des déficits simulés dans différents domaines cognitifs, tels que la vitesse de traitement et d’information sur-apprise.,

un tel test est le Test b (Boone et al., 2002). Il se compose d’un livret de 15 pages: chaque page contient 72 stimuli, y compris des b minuscules (stimuli cibles) et d’autres symboles utilisés comme distracteurs, tels que d, q et p minuscules, et des B avec des tiges diagonales ou supplémentaires. Dans l’ensemble, il y a 255 stimuli cibles dans le livret de stimulus: 20 dans la première page, 16 dans la deuxième et 15 dans la troisième. Ces pages sont répétées cinq fois dans un format de plus en plus petit., Le Test B exige que le candidat entoure tous les b qui apparaissent sur chaque page le plus rapidement possible; pendant la tâche, différents types d’erreurs peuvent être commises: erreurs d’omission (en omettant d’encercler les stimuli cibles), erreurs d (en encerclant d) et erreurs de commission (en encerclant les symboles qui ne sont pas b, y compris d). L’examinateur prend note du temps de réponse total, c’est-à-dire du temps dont le participant a besoin pour passer le test., Le total des erreurs et le temps moyen par page sont utilisés pour calculer le score de L’indice D’Effort (ou e-score), qui résulte de l’équation: (total des erreurs d + total des erreurs de commission) × 10 + total des erreurs d’omission + temps moyen par page.

le Test b évalue les compétences surapprouvées et peut être appliqué dans le cadre médico-légal. Les Patients atteints de dysfonctionnement cérébral qui font un effort sur le test sont peu susceptibles d’être mal classés comme non coopératifs. Les Patients atteints de troubles de la mémoire peuvent ne pas échouer au test et cela peut produire moins de faux positifs que le test d’effort basé sur la mémoire., Enfin, une performance du Test B compromise en raison de la présence de symptômes surjoués et en l’absence de troubles d’apprentissage documentés est hautement suspecte de malingre (Boone et al., 2002).

Le Test b peut distinguer les personnes soupçonnées de malingre de nombreux groupes cliniques différents, notamment: trouble dépressif majeur, schizophrénie, traumatisme crânien modéré ou grave, accident vasculaire cérébral, troubles d’apprentissage et personnes âgées en bonne santé (Voir Boone et al., 2002).

Vilar-Lòpez et coll., (2007) ont analysé les performances sur le Test b d’un échantillon de population espagnole présentant un syndrome post-commotionnel (PCS) impliqué dans un litige et non impliqué dans un litige montrant une bonne sensibilité et spécificité. De plus, dans une étude supplémentaire (Vilar-Lòpez et al., 2008), les mêmes auteurs ont analysé les performances des patients présentant une lésion cérébrale traumatique légère., Les participants ont été divisés en trois groupes: le premier groupe n’était impliqué dans aucun processus de recherche d’indemnisation; le deuxième groupe était un groupe de recherche d’indemnisation Non soupçonné de malingre; le troisième groupe comprenait des patients qui demandaient une indemnisation et qui étaient soupçonnés de malingre. Les résultats de l’étude ont montré qu’il existe des différences statistiquement significatives entre les groupes et la classification des malingres par rapport aux Non-malingres. De même, Marshall et coll. (2010) ont étudié la validité du Test b dans la détection du TDAH feint dans un grand échantillon (n = 257).,

Malgré les résultats prometteurs, Shandera et coll. (2010) ont mené une étude sur la validité du Test b dans un échantillon de population adulte souffrant d’un léger retard mental. Les résultats ont montré des résultats insatisfaisants lorsque les malingres doivent être distingués de cet échantillon clinique.

compte tenu de ce résultat, le diagnostic du Test b reste encore flou, dans la distinction entre les troubles neurocognitifs légers et les malingres. À notre connaissance, seuls Dean et al. (2009) ont évalué la spécificité de la démence légère du test B N avec des résultats insatisfaisants.,

afin d’examiner le potentiel du Test b dans la classification de véritables troubles cognitifs à partir de déficits cognitifs feints dans la population âgée, la présente étude a étudié la valeur du Test b dans un échantillon Italien présentant des troubles neurocognitifs légers et chez des personnes âgées en bonne santé appariées à l’âge, chargées de feindre des dysfonctionnements cognitifs. En outre, notre objectif était d’évaluer si les classificateurs d’apprentissage automatique peuvent entraîner une précision de classification accrue par rapport à l’approche plus traditionnelle basée sur les scores de coupure.,

matériaux et méthodes

Participants

soixante-trois participants italophones ont été recrutés (36 hommes et 27 femmes, âge moyen: 73,43 ± 5,97 ans, intervalle: 58-87; éducation moyenne: 7,03 ± 2,78 ans, intervalle: 3-19). L’échantillon était composé de trois groupes. Le premier groupe était composé de patients présentant une étiologie neurologique mixte, satisfaisant aux critères du Manuel diagnostique et statistique des troubles mentaux-5 (DSM-5) (APA, 2013) pour un trouble neurocognitif léger (Groupe A; n = 21)., Ces patients ont été diagnostiqués selon les critères du DSM-5 pour un trouble neurocognitif léger par un neurologue expert (RV) au moyen d’entretiens anamnestiques, d’examens neurologiques et de tests neuropsychologiques. L’évaluation neuropsychologique comprenait: Mini examen de l’état Mental (MMSE, Folstein et al., 1975; Pièce et coll., 2009) et la batterie D’évaluation frontale (FAB, Dubois et al., 2000; Appollonio et coll., 2005). Le groupe A a été recruté dans une unité de neurologie du Nord-Est de l’Italie.,

un deuxième groupe (n = 21, Groupe B) de personnes en bonne santé appariées selon l’âge a été tenu de compléter le test sans instructions précises, tandis qu’un troisième groupe (n = 21, Groupe C) de témoins appariés selon l’âge en bonne santé a reçu l’instruction de répondre de façon trompeuse au test comme s’ils avaient une déficience cognitive.

des témoins sains et des malingres (Groupe B et Groupe C) ont été recrutés dans deux centres de loisirs pour personnes âgées.,

troubles neurocognitifs légers

Participants atteints de troubles neurocognitifs légers

Participants en bonne santé et personnes Malingreuses de troubles cognitifs

Participants en bonne santé

quarante-deux participants en bonne santé ont été recrutés. Ils n’avaient aucun antécédent de maladie neurologique ou psychiatrique ou d’abus de substances/alcool. Les scores corrigés MMSE étaient ≥ 26 et aucun participant n’a obtenu un score équivalent < 2 sur le FAB. Tous les participants ont été répartis au hasard dans l’un des deux groupes suivants., Un Groupe (Groupe B: témoins sains) a reçu l’instruction standard pour le Test b (n = 21, 14 hommes et 7 femmes) tandis que l’autre (groupe C: personnes malingres) a reçu des instructions pour simuler le Test b (n = 21, 8 hommes et 13 femmes) afin de simuler un trouble cognitif. Plus précisément, les malingreers (Groupe C) ont été invités à effectuer le MMSE et FAB le mieux possible et seulement pour le Test b ont reçu les instructions de sous-simulation (ils ont été invités à simuler en adoptant des stratégies conformes à leurs croyances et aux connaissances communes sur le déficit cognitif léger).,

procédures expérimentales

le Test b a été administré après MMSE et FAB à tous les participants. Juste avant la tâche expérimentale, les participants affectés au groupe malingerers ont été invités à mentir sur leur état cognitif. Pour augmenter la conformité, les participants ont reçu le scénario suivant: « vous devez compléter le test car il serait effectué par un patient souffrant de démence légère ou de déficience cognitive légère. En particulier, prétendez que je suis membre de la Commission qui certifie l’invalidité; vous devriez me convaincre que vous êtes admissible aux prestations d’invalidité., »Après l’achèvement du test, le groupe malingerers a également été interrogé comme suit: « décrivez la stratégie utilisée et expliquez la raison pour laquelle vous l’avez choisie. »

Les Patients et les témoins sains devaient effectuer tous les tests avec leur effort maximal.

analyse des données

Les données ont été analysées à l’aide d’une analyse statistique non paramétrique. De plus, afin d’évaluer la précision de classification du Test b et d’éviter un surajustement, nous avons largement utilisé la procédure de validation croisée sans autorisation (LOOCV) (Cawley et Talbot, 2010)., Le surajustement est un ajustement optimiste exagéré aux données dérivées du test du modèle sur le même ensemble de données utilisé pour développer le modèle lui-même. Afin d’obtenir une estimation réaliste de l’erreur de classification (malingreers vs. patients), un ajustement excessif doit être évité. Le surajustement est un ajustement de modèle anormal qui est généralement contré à l’aide d’une estimation de la précision hors échantillon (méthode hold-out), qui est utilisée comme proxy des précisions sur le terrain. De telles estimations de précision hors échantillon nécessitent de grands échantillons, qui sont difficiles à collecter avec les populations cliniques., Il a été démontré que la validation croisée n-fold est une bonne procédure pour estimer la précision réelle dans de petits échantillons. Un cas particulier de validation croisée du pli n est le LOOCV (Cawley et Talbot, 2010), une méthode de choix dans les études cliniques (Orrù et al., 2012). Dans LOOCV, le modèle statistique est développé en utilisant uniquement des exemples n − 1 et testé sur le modèle restant. La procédure est répétée en tournant systématiquement l’exemple laissé de côté et l’erreur de classification hors échantillon est dérivée de l’erreur moyenne des modèles n − 1., Pour cette raison, nous avons utilisé LOOCV afin de dériver des chiffres de discrimination validés croisés entre les malingreers et les patients.

récemment, il a été démontré que les tests psychométriques peuvent être augmentés en utilisant, en plus des méthodes statistiques plus traditionnelles, des techniques d’apprentissage automatique (ML) (James et al., 2013). Le ML a déjà été utilisé pour développer des modèles de classification à haute performance visant à détecter les malingres (Monaro et al., 2018a, b).

l’analyse des données a été effectuée à L’aide de SPSS et Weka 3.8 (Hall et al., 2009).,

résultats

analyse statistique non paramétrique

Les moyennes et les écarts types pour l’âge, le niveau de scolarité et les résultats aux tests sont présentés dans le tableau 1. Comme tous les résultats des tests n’étaient pas normalement répartis entre les groupes, des comparaisons de groupes non paramétriques (Kruskal-Wallis ANOVAs) ont été calculées. Les groupes ne différaient pas significativement en âge et en années d’études, mais ils différaient en ce qui concerne les scores MMSE et FAB, le groupe A obtenant des scores significativement plus mauvais que les groupes B (témoins sains) et C (personnes malingres) sur MMSE et FAB.,

Comme indiqué, les groupes diffèrent significativement sur tous les b les résultats des tests. Le tableau 2 présente les résultats des analyses du test U de Mann-Whitney utilisées dans les comparaisons par paires sur les données du Test b (les niveaux de signification corrigés par Bonferroni ont été fixés à 0,02)., Les malingreers (Groupe C) ont commis plus d’erreurs de commission (y compris les erreurs d) et d’omission, et ont obtenu des scores e significativement plus élevés que les témoins et les patients (Groupe B et A, respectivement). Les contrôles sains ont également nettement surpassé les patients sur ces scores. Les comparaisons de groupe sur les temps de réponse ont également été significatives, les témoins ayant terminé le test beaucoup plus rapidement que les malingres et les patients, qui ne différaient pas significativement les uns des autres.

Les modèles D’erreurs ont révélé que les patients et les témoins faisaient plus d’erreurs d’omission que d’erreurs de commission (y compris les erreurs d), tandis que les malingreers faisaient plus d’erreurs de commission en général, suivies des erreurs d’omission et des erreurs D.

précision de la Classification entre les Patients et les malingres

dans l’application du Test b dans un cadre médico-légal, la comparaison entre les malingres et les patients est la plus intéressante., Étant donné que dans un cadre médico-légal, la personne est sujette à la malingre, l’objectif est de déterminer si l’examinateur est un cas pathologique réel ou un malingre. Pour cette raison, l’intérêt maximal est de distinguer efficacement (dans notre expérience) les patients des malingres sur la seule base des résultats du Test B. Les scores seuils qui classent correctement 90% des patients pour chaque mesure (erreurs d’omission, erreurs d, erreurs de commission, temps de réponse et score E avec L’ASC) ont donné lieu à une grande précision de classification (Voir tableau 3)., Par exemple, en ce qui concerne les erreurs d’omission, un seuil >56 classait correctement 90% des patients (Groupe A) et 90,4% des malingres (Groupe C).

Ce résultat, cependant, peuvent souffrir de surapprentissage., Comme indiqué ci-dessus, afin d’évaluer l’efficacité du Test b et d’éviter le surajustement, nous avons testé différents modèles d’apprentissage automatique en utilisant la procédure LOOCV.

les prédicteurs utilisés pour développer le modèle d’apprentissage automatique étaient les suivants: âge, éducation, sexe, erreurs d, erreurs de commission, erreurs d’omission, total RT (sec), e-score. La technique de validation croisée sans autorisation (LOOCV) (p. ex., Vapnik et Chapelle, 2000) a été utilisée. Une telle technique laisse un seul cas hors de l’échantillon de formation utilisé pour développer le modèle., Une fois le modèle développé, sa précision est testée (hors échantillon) dans ce sujet hold-out. Le processus est répété pour tous les cas de l’échantillon (en comparant les patients et les malingers, 42-1). L’erreur est ensuite moyennée sur les calculs 42-1 et cette erreur moyenne est une estimation de l’erreur hors échantillon. Le LOOCV est la méthode de choix lorsqu’un petit nombre de cas sont disponibles comme, par exemple, dans les études de neuroimagerie (Orrù et al., 2012).,

Les neuf caractéristiques mentionnées ci-dessus ont été entrées dans différents classificateurs d’apprentissage automatique, qui ont été formés pour classer chaque sujet comme appartenant à l’une des deux catégories d’intérêt (patients et malingres). En particulier, nous avons sélectionné les classificateurs suivants comme représentatifs de différentes catégories de classificateurs: Naïve Bayes, régression logistique, simple régression logistique Support Vector Machine et Random Forest (manuel WEKA pour la Version 3-7-8, Bouckaert et al., 2013). Les résultats des différents classificateurs sont présentés au Tableau 4.,

tous les classificateurs basés sur des hypothèses différentes et représentatifs de différentes classes de classificateurs ont donné des résultats précis similaires avec des chiffres similaires pour les erreurs faux positifs et faux négatifs.

les résultats présentés dans le tableau 5 font référence à la comparaison entre les patients et les simulateurs.,

enfin, un classificateur multiclasse de forêt aléatoire qui classe les sujets mais en trois classes (patients, témoins sains et malingres) et non en deux catégories comme indiqué dans les tableaux 4, 5 a donné les résultats suivants: (1) précision globale = 79,4; (2) ASC = 0,87; (3) F1 = 0,8., Les Patients correctement classés comme susmentionnés étaient 17/21, les témoins sains étaient 15/21 et les malingres étaient 18/21.

Tous les modèles de ML mentionnés ci-dessus sont opaques et la logique sous-jacente qui conduit à la classification finale n’est pas simple., Afin d’avoir une compréhension plus claire de la logique de classification, nous avons exécuté un modèle D’arborescence ML qui sélectionne la règle de décision optimale qui maximise la précision de classification, le J48 (Quinlan, 1993), qui a donné la règle de décision optimale suivante:

Si les erreurs d’omission sont < = 78, une précision égale à 95.,2%;

et

si l’omission des erreurs sont > 78, puis le sujet est classé un simulateur avec une précision égale à 86%.

le principe de décision mentionné n’est pas le meilleur Classificateur mais donne un moyen facile de comprendre la règle, ce qui se traduit par une grande précision dans la classification des patients et des malingres., Comme indiqué à L’origine par Boone (2000), les erreurs d’omission sont celles qui contribuent le plus à distinguer correctement les simulateurs des patients et cette recherche indique également que la classification optimale pourrait être basée sur une règle basée sur le nombre d’omissions.

en outre, une analyse corrélationnelle a été utilisée pour mettre en évidence lequel des prédicteurs contribue le plus à la classification correcte des patients par rapport aux simulateurs. Les résultats étaient les suivants: omission = 0,81; commission = 0,66; score E = 0,66; erreurs d = 0,56., La forêt aléatoire permet également de trier l’importance des prédicteurs dans la contribution à la classification précise et l’importance des prédicteurs était similaire à celle résultant de l’analyse corrélationnelle rapportée ci-dessus, la contribution maximale à la classification provenant des erreurs d’omission et de commission et du score E.,

Discussion

bien que les efforts cliniques et de recherche aient conduit à des méthodes de plus en plus sophistiquées et aient donné des résultats prometteurs pour détecter la malingre, il existe encore des défis théoriques et pratiques importants dans la détection de la malingre, en particulier chez la population âgée souffrant de troubles neurocognitifs légers. Une déficience cognitive grave simulée peut être détectée cliniquement en comparant de faibles scores aux résultats des tests cognitifs et un fonctionnement intact dérivé de la vie quotidienne., En fait, les activités quotidiennes intactes associées à une déficience grave lors de tests cognitifs touchant les mêmes fonctions sont indicatives de la malingre. Cependant, les troubles neurocognitifs légers ne sont généralement pas accompagnés de déficiences de la vie quotidienne et les malingres peuvent être difficiles à détecter en utilisant des stratégies simples consistant à comparer les résultats des tests cognitifs (très faibles) et les activités quotidiennes (préservées).

un certain nombre de stratégies sont disponibles pour identifier les personnes malingreuses de déficits cognitifs., Par exemple, le test de validité des symptômes médicaux (MSVT) est un test de mémoire largement utilisé avec trois mesures d’effort intégrées qui visent à détecter la feinte (Green, 2004; Dandachi-FitzGerald et Merckelbach, 2013). Le MSVT a atteint des taux de sensibilité et de spécificité impressionnants dans des études expérimentales qui ont comparé des témoins à des malingres chargés de feindre des problèmes de mémoire (Merten et al., 2005).

le Test b appartient à la même classe de tests, les tests dits de validité de performance (par exemple,, Rey 15 items, Reznek, 2005), qui sont des tests très faciles également pour les personnes très atteintes de troubles cognitifs.

afin d’évaluer si le Test b peut aider à identifier ce type de malingreers, nous avons administré le Test b à un groupe de patients atteints d’un trouble neurocognitif léger. Ce groupe a été comparé à des témoins sains chargés de répondre de manière trompeuse au test (produisant artificiellement des schémas similaires de déficience cognitive) et à un groupe de témoins sains chargés de répondre honnêtement au test.,

Les principaux résultats montrent que les malingres ont obtenu des résultats plus médiocres que les témoins et les patients au Test b, sur tous les paramètres dérivés du test, à l’exception du temps de réponse total. Notamment, les patients et les contrôles ont commis plus d’erreurs d’omission que d’erreurs de commission, y compris les erreurs d, tandis que les malingreers ont commis un nombre disproportionné d’erreurs de commission, suivies des erreurs d’omission et des erreurs D. Ces résultats reflètent étroitement les stratégies de feinte rapportées verbalement par les malingreers., En fait, la moitié d’entre eux ont indiqué avoir commis des erreurs d’omission et de commission aléatoires, tandis qu’environ un quart d’entre eux ont indiqué avoir tenté d’encercler toutes les cibles qui n’étaient pas des b. La moitié des malingreers ont également déclaré avoir délibérément ralenti leur temps de réponse. Par conséquent, les malingres peuvent être distingués des diseurs de vérité en fonction de leurs modèles d’erreur, ce qui est radicalement différent de ceux montrés par les patients. En revanche, les patients et les témoins sains ont un schéma similaire de réponses et d’erreurs., Alors que les contrôles ont obtenu de meilleurs résultats que les patients sur tous les scores d’erreur, les deux groupes ont affiché plus d’erreurs d’omission que de commission, tandis que, comme indiqué ci-dessus, les malingreers ont affiché la tendance opposée.

Les données rapportées dans notre étude sont cohérentes avec les expériences de validation originales de Boone et al. (2002), qui ont documenté qu’il était très inhabituel pour de véritables patients souffrant de dépression, d’AVC, de lésions cérébrales traumatiques, de schizophrénie, de troubles d’apprentissage et d’âge avancé d’identifier à tort les non-b comme des b., Les données de la présente étude étendent cette observation aux patients plus âgés atteints de démence légère.

Les Patients de notre expérience ont effectué le Test b beaucoup plus lentement que Boone et al. (2002) patients (qui comprenaient principalement des patients psychiatriques). Ces résultats concordent avec les observations selon lesquelles le ralentissement cognitif est important dans la démence précoce (McGuinness et al., 2010) et suggèrent que les temps de réponse ont une valeur très limitée pour différencier la démence légère réelle et feinte. Au contraire, les erreurs sur les informations apprises tâches semblent être beaucoup plus efficace., La nature des troubles neurologiques associés à une déficience cognitive légère peut expliquer la raison pour laquelle les indices basés sur le temps ne sont pas particulièrement utiles pour détecter les malingreers.

dans notre étude, les malingreers ralentissent intentionnellement leurs performances. Cependant, la vitesse de réponse réduite est également une caractéristique de la plupart des conditions neurologiques et c’est peut-être la raison pour laquelle les index basés sur le timing peuvent ne pas être en mesure de différencier efficacement les malingres et les patients.,

en plus de l’analyse statistique standard, dont les résultats ont été résumés ci-dessus, nous avons appliqué une analyse plus avancée basée sur des techniques de ML. Nous avons également rapporté des précisions de classification basées sur la Validation croisée K-fold (en particulier la validation croisée sans une seule sortie, LOOCV; généralement considérée comme la meilleure technique pour traiter de tels problèmes dans de petits échantillons) afin d’obtenir des estimations impartiales des précisions hors échantillon., Cette analyse a indiqué que les malingres peuvent être distingués des patients exclusivement sur la performance du Test b avec une précision globale de 90% ou plus (précision maximale avec le classificateur logistique Simple). Différents types de modèles d’apprentissage automatique ont montré des résultats similaires. Alors que certains classificateurs ont des règles de décision très complexes (p. ex., forêt aléatoire), d’autres peuvent être plus intuitifs pour le clinicien., Par exemple, une décision optimale de l’arbre ont donné les résultats suivants règle de décision:

si l’omission des erreurs sont < = 78, le sujet n’est classé comme un patient avec une précision égale à 95,2%;

et

si > 78 est un simulateur avec une précision égale à 86%.

malgré le niveau d’éducation inférieur (M = 6,7, SD = 2,2), le temps de réponse moyen des contrôles sains (m = 634,76, SD= 236,23) et les erreurs de commission (M = 1,28, SD=2.,75) étaient semblables à celles rapportées par Boone et coll. (2002). Contrôles plus anciens (niveau d’éducation = 15,2 ans; temps de réponse moyens = 10,8 min; erreurs de commission moyennes = 1,0). Les contrôles de la présente étude ont commis plus d’erreurs d’omission que dans L’échantillon de Boone et de ses collègues (erreurs d’omission moyennes: 18,0 contre 8,0). Ces résultats suggèrent que l’éducation semble avoir un impact mineur sur le rendement du Test b, ce qui suggère que le Test b n’est relativement pas affecté par le niveau de scolarité des candidats.,

une limitation de la présente étude implique l’utilisation de malingres instruits (également appelés malingres expérimentaux). Les malingres instruits produisent généralement des taux de sensibilité élevés parce qu’ils ont tendance à feindre plus excessivement que leurs homologues du « monde réel” (Boone et al., 2005). De plus, dans la présente étude, on a demandé aux personnes malingres de feindre une maladie admissible à une indemnisation pour invalidité, de sorte que les participants ont peut-être tenté d’exagérer davantage la déficience cognitive., Les taux de sensibilité de notre étude nécessitent donc une réplication future dans des contextes médico-légaux en utilisant des participants qui sont spontanément motivés à simuler plutôt qu’à feindre des troubles cognitifs.

disponibilité des données

l’ensemble de données utilisé et analysé au cours de la présente étude est disponible auprès de l’auteur correspondant sur demande raisonnable.

déclaration D’éthique

Le Comité d’éthique des essais cliniques des provinces de Belluno et de Trévise (Italie) a approuvé la procédure expérimentale., Tous les sujets ont donné leur consentement éclairé par écrit conformément à la déclaration d’Helsinki.

contributions des auteurs

GS et FG ont conçu l’expérience. GP, RV et GS ont conçu la tâche expérimentale. GP a contribué à l’acquisition de données de sujets sains. RV et GP ont contribué à l’acquisition de données de patients en bonne santé. GO et AG ont contribué à l’analyse des données. ALLER KO contribué à l’interprétation des données. GP, GS, KB et GO ont rédigé le manuscrit. Tous les auteurs ont révisé le manuscrit de manière critique et ont donné l’approbation finale pour la version à publier.,

déclaration de conflit d’intérêts

Les auteurs déclarent que la recherche a été menée en l’absence de toute relation commerciale ou financière pouvant être interprétée comme un conflit d’intérêts potentiel.