Good Mood

Einführung

Kürzlich wurde eine zunehmende Anzahl von Studien veröffentlicht, um das Phänomen des Malingerings und den Nachweis von Malingering kognitiven Symptomen anzugehen. Eine Reihe von Untersuchungen (z.B., Sartori et al., 2016b; Walczyk et al., 2018) zeigen, dass Malingering typischerweise in drei breiten Bereichen auftritt: Psychopathologie, kognitive Beeinträchtigung und medizinische Erkrankungen., Im Zusammenhang mit kognitiven Funktionsstörungen haben sich Neuropsychologen und klinische Psychologen zunehmend auf die Ergebnisse neuropsychologischer Bewertungen verlassen, um ihre Meinungen über Art, Ausmaß und Glaubwürdigkeit behaupteter kognitiver Beeinträchtigungen zu informieren. Klinische und Forschungsbemühungen haben zu immer ausgefeilteren und effektiveren Methoden und Instrumenten zur Erkennung von Malingering geführt, die normalerweise in den meisten medizinisch-rechtlichen Umgebungen beobachtet werden., Es gibt Hinweise darauf, dass ein externer Anreiz für Malinger typischerweise einen finanziellen Ausgleich für Verletzungen beinhaltet, die zu körperlichen Beeinträchtigungen und/oder kognitiven Defiziten führen. Je umfangreicher die kognitive Dysfunktion angezeigt wird, desto mehr monetäre Kompensation wird erwartet und Individuen haben ein signifikantes Motiv, Symptome zu simulieren oder zu übertreiben.

Kritisch gesehen werden die meisten kognitiven Symptome selbst von naiven, nicht trainierten Prüflingen leicht gefälscht, um einen wirtschaftlichen Ausgleich zu erreichen., Aus dem genannten Grund ist es entscheidend, sich auf psychometrische Instrumente zu verlassen, um objektiv zu unterscheiden, ob neuropsychologische Testergebnisse kognitive Funktionsstörungen genau widerspiegeln oder ob Personen versuchten, ihre Schwierigkeiten zu simulieren oder zu übertreiben (Sartori et al., 2016b, 2017). Während neuere Techniken auf komplexen computergestützten Werkzeugen beruhen (z. B. Sartori et al., 2016a) haben Papier-und Bleistifttests (wie der hier untersuchte b-Test) noch große praktische Vorteile.,

Gefälschte schwere kognitive Beeinträchtigungen können klinisch nachgewiesen werden, indem kognitive Testergebnisse mit den Fähigkeiten des Patienten verglichen werden. Ungestörte Alltagsaktivitäten gepaart mit schweren Beeinträchtigungen bei kognitiven Tests sind ein Indiz für Malingering. Leichte kognitive Beeinträchtigungen gehen jedoch normalerweise nicht mit täglichen Lebensbeeinträchtigungen einher, und Maling-Patienten können mit einfachen Strategien, die darin bestehen, kognitive Testergebnisse (sehr niedrig) und tägliche Aktivitäten (erhalten) zu vergleichen, schwer zu erkennen sein., Um diese Einschränkung zu überwinden, ist es möglich, sich auf die Ergebnisse der klinischen Forschung zu verlassen (Coin et al., 2009; Orrù et al., 2009).

Eine Strategie, die in neuropsychologischen Tests zum Nachweis von Malingering verwendet wird, basiert auf der Verwendung einfacher Tests. Wie berichtet von der US-amerikanischen Akademie der Klinischen Neuropsychologie-Konsensus-Konferenz-Anweisung auf die neuropsychologische Bewertung von Aufwand, response bias und Simulation (Heilbronner et al.,, 2009) werden diese Tests in der Regel mit minimalem Aufwand von Patienten mit neurologischen und psychiatrischen Erkrankungen gut durchgeführt, es sei denn, es besteht die absichtliche Absicht, sie schlecht durchzuführen. Die meisten Performance Validity Tests (PVTs), die in Kompensationssucheinstellungen verwendet werden, sind so konzipiert, dass sie vorgetäuschte Kurzzeitgedächtnisstörungen erkennen (Boone et al., 2000; Sharland und Gfeller, 2007; Junge et al., 2016). Darüber hinaus gibt es auch Tests zum Erkennen simulierter Defizite in verschiedenen kognitiven Bereichen, wie zum Beispiel in überlernter Information und Verarbeitungsgeschwindigkeit.,

Ein solcher test ist die b-Test (Boone et al., 2002). Es besteht aus einer 15-seitigen Broschüre: Jede Seite enthält 72 Stimuli, einschließlich Kleinbuchstaben b (Zielreize) und andere Symbole, die als Distraktoren verwendet werden, wie Kleinbuchstaben d, q und p, und b ‚ s entweder mit diagonalen oder zusätzlichen Stielen. Insgesamt gibt es 255 Zielreize in der Stimulusbroschüre: 20 auf der ersten Seite, 16 auf der zweiten und 15 auf der dritten Seite. Diese Seiten werden fünfmal in einem immer kleineren Format wiederholt., Der b-Test erfordert, dass der Prüfling alle b ’s, die auf jeder Seite erscheinen, so schnell wie möglich umkreist; Während der Aufgabe können verschiedene Arten von Fehlern begangen werden: Auslassungsfehler (durch Weglassen von Zielreizen), d-Fehler (durch Umkreisen von d‘ s) und Provisionsfehler (durch Umkreisen von Symbolen, die keine b ’s sind, einschließlich d‘ s). Der Prüfer nimmt die gesamte Reaktionszeit zur Kenntnis, nämlich die Zeit, die der Teilnehmer für den Abschluss des Tests benötigt., Gesamtfehler und mittlere Zeit pro Seite werden verwendet, um den Effort Index Score (oder E-Score) zu berechnen, der sich aus der Gleichung ergibt: (total d errors + total commission errors) × 10 + total omission errors + mean time per page.

Der b-Test bewertet übergelernte Fähigkeiten und kann im medizinisch-rechtlichen Rahmen angewendet werden. Patienten mit zerebraler Dysfunktion, die sich um den Test bemühen, werden wahrscheinlich nicht als nicht kooperativ eingestuft. Patienten mit Gedächtnisstörungen können den Test nicht bestehen und dies kann zu weniger Fehlalarmen führen als ein gedächtnisbasierter Aufwandstest., Schließlich ist eine beeinträchtigte b-Testleistung aufgrund des Vorhandenseins von überspielten Symptomen und mangels dokumentierter Lernschwierigkeiten Malingering gegenüber sehr misstrauisch (Boone et al., 2002).

Der b-Test kann mutmaßliche Maling-Patienten aus vielen verschiedenen klinischen Gruppen unterscheiden, darunter: schwere depressive Störung, Schizophrenie, mittelschwere oder schwere Kopfverletzungen, Schlaganfall, Lernschwierigkeiten und gesunde ältere Menschen (siehe Boone et al., 2002).

Vilar-Lòpez et al., (2007) analysierte die Leistungen im b-Test einer spanischen Bevölkerungsstichprobe mit post-concussivem Syndrom (PCS), die an Rechtsstreitigkeiten beteiligt war und nicht an Rechtsstreitigkeiten beteiligt war, die eine gute Sensitivität und Spezifität zeigten. Darüber hinaus in einer zusätzlichen Studie (Vilar-Lòpez et al., 2008) analysierten dieselben Autoren die Leistungen von Patienten mit leichter traumatischer Hirnverletzung., Die Teilnehmer wurden in drei Gruppen eingeteilt: Die erste Gruppe war nicht an entschädigungssuchenden Prozessen beteiligt; Die zweite Gruppe war eine entschädigungssuchende Gruppe, die nicht des Malingerings verdächtigt wurde; Die dritte Gruppe umfasste entschädigungssuchende Patienten, die des Malingerings verdächtigt wurden. Die Ergebnisse der Studie zeigten, dass es statistisch signifikante Unterschiede zwischen den Gruppen und die malingerer versus non-malingerer Klassifizierung. Ähnlich, Marshall et al. (2010) haben die Gültigkeit des b-Tests beim Nachweis von vorgetäuschter ADHS in einer großen Stichprobe untersucht (n = 257).,

Trotz der vielversprechenden Ergebnisse, Shandera et al. (2010) führte eine Studie zur Validität des b-Tests bei einer erwachsenen Bevölkerungsstichprobe durch, die an leichter geistiger Behinderung litt. Die Ergebnisse zeigten unbefriedigende Ergebnisse, wenn Maling-Patienten von dieser klinischen Probe unterschieden werden müssen.

Angesichts dieses Ergebnisses bleibt die Diagnostik des b-Tests bei der Unterscheidung zwischen leichten neurokognitiven Störungen und Malingerinnen noch unklar. Unseres Wissens nur Dean et al. (2009) bewertete die Spezifität von b-Test n leichter Demenz mit unbefriedigenden Ergebnissen.,

Um das Potenzial des b-Tests zur Klassifizierung einer echten kognitiven Beeinträchtigung durch vorgetäuschte kognitive Defizite in der älteren Bevölkerung zu untersuchen, hat die vorliegende Studie den b-Testwert in einer italienischen Stichprobe mit leichten neurokognitiven Störungen und bei gesunden Altersgenossen untersucht ältere Personen, angewiesen, kognitive Dysfunktionen vorzutäuschen. Darüber hinaus war es unser Ziel zu bewerten, ob Klassifikatoren für maschinelles Lernen im Vergleich zu dem traditionelleren Ansatz, der auf Cut-Off-Scores basiert, zu einer erhöhten Klassifizierungsgenauigkeit führen können.,

Materialien und Methoden

Teilnehmer

Dreiundsechzig italienischsprachige Teilnehmer wurden rekrutiert (36 Männer und 27 Frauen, Durchschnittsalter: 73,43 ± 5,97 Jahre, Bereich: 58-87; mittlere Bildung: 7,03 ± 2,78 Jahre, Bereich: 3-19). Die Stichprobe Bestand aus drei Gruppen. Die erste Gruppe bestand aus Patienten mit gemischter neurologischer Ätiologie, die die Kriterien des diagnostischen und statistischen Handbuchs für psychische Störungen-5 (DSM-5) (APA, 2013) für leichte neurokognitive Störungen erfüllten (Gruppe A; n = 21)., Diese Patienten wurden nach DSM-5-Kriterien für leichte neurokognitive Störungen von einem erfahrenen Neurologen (RV) durch anamnestische Interviews, neurologische Untersuchungen und neuropsychologische Tests diagnostiziert. Die neuropsychologischen enthalten: Mini Mental State Examination (MMSE, Folstein et al., 1975; Münz et al. 2009) und Frontal Assessment Battery (FAB, Dubois et al., 2000; Appollonio et al., 2005). Gruppe A wurde von einer neurologischen Einheit im Nordosten Italiens rekrutiert.,

Eine zweite Gruppe (n = 21, Gruppe B) gesunder altersbezogener Personen musste den Test ohne spezifische Anweisungen abschließen, während eine dritte Gruppe (n = 21, Gruppe C) gesunder altersbezogener Kontrollen angewiesen wurde, täuschend auf den Test zu reagieren, als wären sie kognitiv beeinträchtigt.

Aus zwei Erholungszentren für ältere Menschen wurden gesunde Kontrolleure und Malingerer (Gruppe B und Gruppe C) rekrutiert.,

Leichte neurokognitive Störungen

Teilnehmer mit leichter neurokognitiver Störung

Gesunde Teilnehmer und Malingerer mit kognitiver Beeinträchtigung

Gesunde Teilnehmer

Zweiundvierzig gesunde Teilnehmer wurden rekrutiert. Sie hatten keine Vorgeschichte von neurologischen oder psychiatrischen Erkrankungen oder Drogen – /Alkoholmissbrauch. MMSE-korrigierte Werte waren ≥ 26 und kein Teilnehmer erhielt eine äquivalente Punktzahl < 2 auf der FAB. Alle Teilnehmer wurden zufällig einer der folgenden zwei Gruppen zugeordnet., Eine Gruppe (Gruppe B: gesunde Kontrollen) erhielt die Standardanweisung für den B-Test (n = 21, 14 Männer und 7 Frauen), während die andere (Gruppe C: Malingerer) Anweisungen erhielt, den b-Test vorzutäuschen (n = 21, 8 Männer und 13 Frauen) um eine kognitive Störung vorzutäuschen. Insbesondere wurden die Malingerers (Gruppe C) angewiesen, MMSE und FAB so gut wie möglich durchzuführen, und nur für den b-Test erhielten sie die vorgetäuschten Anweisungen (sie wurden gebeten, Strategien entsprechend ihren Überzeugungen und dem allgemeinen Wissen über ein leichtes kognitives Defizit zu simulieren).,

Versuchsverfahren

Der b-Test wurde nach MMSE und FAB allen Teilnehmern verabreicht. Kurz vor der experimentellen Aufgabe wurden die der Malingergruppe zugewiesenen Teilnehmer angewiesen, über ihren kognitiven Status zu lügen. Um die Compliance zu erhöhen, erhielten die Teilnehmer das folgende Szenario: „Sie sollten den Test abschließen, da er von einem Patienten mit leichter Demenz oder leichter kognitiver Beeinträchtigung durchgeführt wird. Geben Sie insbesondere vor, dass ich Mitglied der Kommission bin, die Behinderung bescheinigt; Sie sollten mich davon überzeugen, dass Sie für Invaliditätszahlungen qualifizieren.,“Nach Abschluss des Tests wurde auch die Malingerers-Gruppe wie folgt befragt:“ Beschreiben Sie die verwendete Strategie und erklären Sie den Grund, warum Sie sie gewählt haben.“

Patienten und gesunde Kontrollen waren erforderlich, um alle Tests mit maximalem Aufwand durchzuführen.

Datenanalyse

Daten wurden mit nichtparametrischer statistischer Analyse analysiert. Darüber hinaus haben wir zur Bewertung der Klassifizierungsgenauigkeit des b-Tests und zur Vermeidung von Überanpassungen ausgiebig das Leave-One-Out-Kreuzvalidierungsverfahren (LOOCV) angewendet (Cawley und Talbot, 2010)., Überanpassung ist eine übertriebene optimistische Anpassung an die Daten, die aus dem Testen des Modells auf demselben Datensatz stammen, der für die Entwicklung des Modells selbst verwendet wird. Um eine realistische Schätzung des Klassifizierungsfehlers (Malingerers vs. Patienten) zu erreichen, sollte eine Überanpassung vermieden werden. Overfitting ist eine abnormale Modellanpassung, die normalerweise unter Verwendung einer Schätzung der Genauigkeit außerhalb der Stichprobe (Hold-Out-Methode) durchgeführt wird, die als Proxy für Genauigkeit im Feld verwendet wird. Solche Genauigkeitsschätzungen außerhalb der Stichprobe erfordern große Proben, die bei klinischen Populationen schwer zu sammeln sind., Es wurde gezeigt, dass die n-fache Kreuzvalidierung ein gutes Verfahren zur Schätzung wahrer Genauigkeiten in kleinen Stichproben ist. Ein Sonderfall der n-fachen Kreuzvalidierung ist das LOOCV (Cawley und Talbot, 2010), eine Methode der Wahl in klinischen Studien (Orrù et al., 2012). In LOOCV wird das statistische Modell nur anhand von n − 1-Beispielen entwickelt und am verbleibenden Beispiel getestet. Das Verfahren wird wiederholt, indem das ausgelassene Beispiel systematisch gedreht wird, und der Klassifizierungsfehler außerhalb der Stichprobe wird aus dem durchschnittlichen Fehler der n-1-Modelle abgeleitet., Aus diesem Grund haben wir LOOCV verwendet, um quer validierte Diskriminierungszahlen zwischen Maling-Patienten und Patienten abzuleiten.

Kürzlich wurde gezeigt, dass psychometrische Tests zusätzlich zu traditionelleren statistischen Methoden durch Techniken des maschinellen Lernens (ML) ergänzt werden können (James et al., 2013). ML wurde bereits verwendet, um Hochleistungsklassifizierungsmodelle zu entwickeln, die darauf abzielen, Malingerer zu erkennen (Monaro et al., 2018a,b).

Die Datenanalyse wurde mit SPSS und Weka 3.8 durchgeführt (Hall et al., 2009).,

Ergebnisse

Nichtparametrische statistische Analyse

Mittelwerte und Standardabweichungen für Alter, Bildung und Testergebnisse sind in Tabelle 1 angegeben. Da nicht alle Testergebnisse normalerweise über Gruppen verteilt waren, wurden nichtparametrische Gruppenvergleiche (Kruskal-Wallis-ANOVAs) berechnet. Die Gruppen unterschieden sich nicht signifikant in Alter und Bildungsjahren, unterschieden sich jedoch in den MMSE-und FAB-Werten, wobei die Gruppe A signifikant schlechter bewertet wurde als die Gruppe B (gesunde Kontrollen) und C (Malingerers) auf MMSE und FAB.,

Wie gezeigt unterschieden sich Gruppen bei allen b-Testergebnissen signifikant. Tabelle 2 berichtet über die Ergebnisse von Mann-Whitney-U-Testanalysen, die bei paarweisen Vergleichen mit b-Testdaten verwendet wurden (Bonferroni-korrigierte Signifikanzniveaus wurden auf 0,02 festgelegt)., Maling-Patienten (Gruppe C) machten mehr Provisionsfehler (einschließlich D-Fehler) und Unterlassungsfehler und erhielten signifikant höhere E-Scores als Kontrollen und Patienten (Gruppe B bzw. Gesunde Kontrollen übertrafen die Patienten auch signifikant bei diesen Werten. Gruppenvergleiche zu den Ansprechzeiten waren ebenfalls signifikant, wobei die Kontrollen den Test signifikant schneller abschlossen als Maling-Patienten und Patienten, die sich nicht signifikant voneinander unterschieden.

Fehler-Muster ergab, dass Patienten und Kontrollen aus mehr Unterlassung Fehler als die Kommission Fehler (einschließlich d-Fehlern), während malingerers gemacht Kommission Fehler im Allgemeinen, gefolgt von Auslassung Fehler-und d-Fehler.

Klassifizierungsgenauigkeit zwischen Patienten und Maling-Patienten

Bei der Anwendung des b-Tests in medizinisch-rechtlicher Hinsicht ist der Vergleich zwischen Maling-Patienten und Patienten am interessantesten., Da in einem medizinisch-rechtlichen Umfeld die Person anfällig für Malingering ist, besteht das Ziel darin, festzustellen, ob es sich bei dem Untersuchten um einen echten pathologischen Fall oder einen Malingerer handelt. Aus diesem Grund besteht das maximale Interesse darin, (in unserem Experiment) Patienten allein aufgrund der b-Testergebnisse effizient von Maling-Patienten zu unterscheiden. Schwellenwerte, die 90% der Patienten für jede Maßnahme korrekt klassifizieren (Auslassungsfehler, d-Fehler, Provisionsfehler, Reaktionszeit und E-Score zusammen mit der AUC), führten zu einer hohen Klassifizierungsgenauigkeit (siehe Tabelle 3)., Was beispielsweise die Auslassfehler betrifft, so klassifizierte ein Cut-off >56 90% der Patienten (Gruppe A) und 90,4% der Malingerer (Gruppe C) korrekt.

Dieses Ergebnis kann jedoch unter Überanpassungen leiden., Wie oben berichtet, haben wir verschiedene Machine-Learning-Modelle mit dem LOOCV-Verfahren getestet, um die Wirksamkeit des b-Tests zu bewerten und Überanpassungen zu vermeiden.

Die Prädiktoren, die bei der Entwicklung des Modells für maschinelles Lernen verwendet wurden, waren die folgenden: Alter, Bildung, Geschlecht, d-Fehler, Provisionsfehler, Auslassungsfehler, Gesamt-RT (sec), E-Score. Die leave-one-out cross validation (LOOCV) (z.B., Vapnik und Chapelle, 2000) – Technik verwendet wurde. Eine solche Technik lässt einen einzigen Fall aus der zur Entwicklung des Modells verwendeten Trainingsprobe übrig., Nachdem das Modell entwickelt wurde, wird seine Genauigkeit (außerhalb der Probe) in diesem Hold-Out-Subjekt getestet. Der Prozess wird für alle Fälle in der Probe wiederholt (beim Vergleich von Patienten und Malingern, 42-1). Der Fehler wird dann über die 42-1-Berechnungen gemittelt und dieser durchschnittliche Fehler ist eine Schätzung des Out-of-Sample-Fehlers. Das LOOCV ist die Methode der Wahl, wenn eine kleine Anzahl von Fällen verfügbar ist, wie zum Beispiel in Neuroimaging-Studien (Orrù et al., 2012).,

Die neun oben genannten Merkmale wurden in verschiedene maschinelle Lernklassifikatoren eingegeben, die darauf trainiert wurden, jedes Fach als zu einer der beiden Interessenkategorien (Patienten und Malingerer) gehörend zu klassifizieren. Insbesondere haben wir die folgenden Klassifikatoren als repräsentativ für verschiedene Kategorien von Klassifikatoren ausgewählt: Naive Bayes, logistische Regression, einfache logistische Regressionsunterstützungsvektormaschine und Random Forest (WEKA-Handbuch für Version 3-7-8, Bouckaert et al., 2013). Ergebnisse unter verschiedenen Klassifikatoren werden in Tabelle 4 berichtet.,

Alle Klassifikatoren, die auf unterschiedlichen Annahmen basieren und für verschiedene Klassen von Klassifikatoren repräsentativ sind, ergaben ähnliche genaue Ergebnisse mit ähnlichen Zahlen sowohl für falsch positive als auch falsch negative Fehler.

Die Ergebnisse in Tabelle 5 beziehen sich auf den Vergleich zwischen Patienten und Simulatoren.,

Schließlich ergab ein Random Forest-Mehrklassenklassifikator, der die Probanden klassifiziert, jedoch in drei Klassen (Patienten, gesunde Kontrollen und Malingerer) und nicht in zwei Kategorien, wie in den Tabellen 4, 5 berichtet, die folgenden Ergebnisse: (1) Gesamtgenauigkeit = 79.4; (2) AUC = 0.87; (3) F1 = 0.8., Patienten, die korrekt wie oben erwähnt klassifiziert wurden, waren 17/21, gesunde Kontrollen waren 15/21 und Maling-Patienten waren 18/21.

Alle oben genannten ML-Modelle sind undurchsichtig und die zugrunde liegende Logik, die die endgültige Klassifizierung ergibt, ist nicht einfach., Um ein klareres Verständnis der Klassifizierungslogik zu erhalten, haben wir ein Baummodell ML ausgeführt, das die optimale Entscheidungsregel auswählt, die die Klassifizierungsgenauigkeit maximiert, das J48 (Quinlan, 1993), das die folgende optimale Entscheidungsregel ergab:

wenn die Auslassfehler < = 78 sind, wird das Subjekt als Patient mit einer Genauigkeit von 95 klassifiziert.,2%;

und

wenn die Auslassfehler > 78 sind, wird das Subjekt als Simulator mit einer Genauigkeit von 86% klassifiziert.

Das erwähnte Entscheidungsprinzip ist nicht der beste Klassifikator, bietet jedoch eine einfache Möglichkeit, die Regel zu verstehen, was zu einer hohen Genauigkeit bei der Klassifizierung von Patienten und Malern führt., Wie ursprünglich von Boone (2000) angedeutet, sind Auslassungsfehler diejenigen, die mehr dazu beitragen, Simulatoren korrekt von Patienten zu unterscheiden, und auch diese Forschung zeigt, dass eine optimale Klassifizierung auf einer Regel basieren könnte, die auf der Anzahl der Auslassungen basiert.

Zusätzlich wurde eine Korrelationsanalyse verwendet, um hervorzuheben, welcher der Prädiktoren maximal zur korrekten Klassifizierung von Patienten gegenüber Simulatoren beiträgt. Die Ergebnisse waren die folgenden: Wegfall = 0.81; Kommission = 0.66; E-score = 0.66; d Fehler = 0.56., Random Forest erlaubt es auch, die Bedeutung der Prädiktoren für den Beitrag zur genauen Klassifizierung zu sortieren, und die Bedeutung der Prädiktoren war ähnlich der aus der oben berichteten Korrelationsanalyse resultierenden Korrelationsanalyse mit dem maximalen Beitrag zur Klassifizierung aufgrund von Auslassungen und Provisionsfehlern und E-Score.,

Diskussion

Obwohl klinische und Forschungsbemühungen zu immer ausgefeilteren Methoden geführt und vielversprechende Ergebnisse zur Erkennung von Malingering erbracht haben, gibt es immer noch erhebliche theoretische und praktische Herausforderungen bei der Erkennung von Malingering, insbesondere bei älteren Menschen mit leichten neurokognitiven Störungen. Gefälschte schwere kognitive Beeinträchtigungen können klinisch nachgewiesen werden, indem niedrige Werte bei kognitiven Testergebnissen und eine ungestörte Funktion aus dem täglichen Leben verglichen werden., In der Tat sind ungestörte tägliche Lebensaktivitäten gepaart mit schweren Beeinträchtigungen bei kognitiven Tests, die auf die gleichen Funktionen tippen, ein Hinweis auf Malingering. Leichte neurokognitive Störungen gehen jedoch normalerweise nicht mit täglichen Lebensbeeinträchtigungen einher, und Maling-Patienten können mit einfachen Strategien, die darin bestehen, kognitive Testergebnisse (sehr niedrig) und tägliche Aktivitäten (erhalten) zu vergleichen, schwer zu erkennen sein.

Es gibt eine Reihe von Strategien, um kognitive Defizite zu erkennen., Zum Beispiel ist der Medical Symptom Validity Test (MSVT) ein weit verbreiteter Gedächtnistest mit drei integrierten Aufwandsmaßnahmen, die darauf abzielen, Vortäuschungen zu erkennen (Green, 2004; Dandachi-FitzGerald und Merckelbach, 2013). Das MSVT hat in experimentellen Studien, in denen Kontrollen mit Malingerern verglichen wurden, die angewiesen wurden, Gedächtnisprobleme vorzutäuschen, beeindruckend hohe Empfindlichkeits-und Spezifitätsraten erreicht (Merten et al., 2005).

Der b-Test gehört zur gleichen Testklasse, den sogenannten Performance Validity Tests (z.B.,, Rey 15 items, Reznek, 2005), bei denen es sich um Tests handelt, die auch für stark kognitiv Beeinträchtigte sehr einfach sind.

Um zu beurteilen, ob der b-Test bei der Identifizierung dieser Art von Malignomen helfen kann, verabreichten wir den b-Test einer Gruppe von Patienten mit leichter neurokognitiver Störung. Diese Gruppe war im Vergleich zu gesunden Kontrollen angewiesen zu reagieren tückisch auf dem Prüfstand (künstlich herzustellen ähnliche Muster der kognitiven Beeinträchtigung) und eine Gruppe von gesunden Kontrollen angewiesen, wahrheitsgemäß beantworten, um den test.,

Die Hauptergebnisse zeigen, dass Maling-Patienten im b-Test bei allen aus dem Test abgeleiteten Parametern mit Ausnahme der gesamten Ansprechzeit schlechter abschnitten als Kontrollen und Patienten. Insbesondere machten Patienten und Kontrollen mehr Unterlassungsfehler als Kommissionsfehler, einschließlich d-Fehler, während Maling-Patienten unverhältnismäßig mehr Kommissionsfehler machten, gefolgt von Unterlassungsfehlern und d-Fehlern. Diese Ergebnisse spiegeln die Strategien zur Täuschung genau wider, wie die Maling-Forscher verbal berichten., Tatsächlich gab die Hälfte von ihnen an, dass sie zufällige Unterlassungs-und Provisionsfehler gemacht hatten, während ungefähr ein Viertel von ihnen anzeigte, dass sie versuchten, alle Ziele zu umkreisen, die nicht b waren. Die Hälfte der Maling-Nutzer berichtete auch, dass sie ihre Reaktionszeit absichtlich verlangsamt hätten. Daher können Maling-Patienten aufgrund ihrer Fehlermuster von den Wahrsagern unterschieden werden, was sich radikal von denen unterscheidet, die von Patienten gezeigt wurden. Im Gegensatz dazu haben Patienten und gesunde Kontrollen ein ähnliches Muster von Reaktionen und Fehlern., Während die Kontrollen bei allen Fehlerwerten signifikant besser abliefen als die Patienten, zeigten beide Gruppen mehr Fehler der Auslassung als die Kommission, während, wie oben berichtet, Maling-Patienten das entgegengesetzte Muster zeigten.

Die gemeldeten Daten in unserer Studie stehen im Einklang mit der ursprünglichen Validierung-Experimente aus Boone et al. (2002), die dokumentierte, dass es für echte Patienten mit Depressionen, Schlaganfall, traumatischer Hirnverletzung, Schizophrenie, Lernbehinderung und fortgeschrittenem Alter sehr ungewöhnlich war, Nicht-bs als bs falsch zu identifizieren., Daten aus der aktuellen Studie erweitern diese Beobachtung auf ältere Patienten mit leichter Demenz.

Die Patienten in unserem Experiment führten den b-Test viel langsamer durch als die Boone et al. (2002) Patienten (darunter hauptsächlich psychiatrische Patienten). Diese Ergebnisse stimmen mit Beobachtungen überein, dass eine kognitive Verlangsamung bei früher Demenz eine Rolle spielt (McGuinness et al., 2010) und legen nahe, dass die Reaktionszeiten einen sehr begrenzten Wert bei der Unterscheidung zwischen tatsächlicher und vorgetäuschter leichter Demenz haben. Im Gegenteil, Fehler bei übergelernten Informationsaufgaben scheinen viel effizienter zu sein., Die Art der neurologischen Störungen, die mit einer leichten kognitiven Beeinträchtigung einhergehen, kann den Grund erklären, warum Indizes, die auf der Zeit basieren, bei der Erkennung von Malignomen nicht besonders nützlich sind.

In unserer Studie verlangsamen Malingerers absichtlich ihre Leistung. Eine verringerte Reaktionsgeschwindigkeit ist jedoch auch ein Merkmal der meisten neurologischen Erkrankungen, und dies kann der Grund sein, warum Indizes, die auf dem Timing basieren, möglicherweise nicht in der Lage sind, zwischen Malingerern und Patienten effektiv zu unterscheiden.,

Zusätzlich zur statistischen Standardanalyse, deren Ergebnisse oben zusammengefasst wurden, haben wir eine fortgeschrittenere Analyse basierend auf ML-Techniken angewendet. Wir haben auch Klassifizierungsgenauigkeiten berichtet, die auf der K-fachen Kreuzvalidierung basieren (insbesondere Leave-One-Out-Kreuzvalidierung, LOOCV; in der Regel als die beste Technik für die Behandlung solcher Probleme in kleinen Proben angesehen), um unvoreingenommene Schätzungen von Out-of-Sample-Genauigkeiten zu erhalten., Diese Analyse ergab, dass Maling-Patienten von Patienten ausschließlich anhand der b-Testleistung mit einer Gesamtgenauigkeit von 90% oder mehr unterschieden werden können (maximale Genauigkeit mit dem einfachen logistischen Klassifikator). Verschiedene Arten von Modellen für maschinelles Lernen zeigten ähnliche Ergebnisse. Während einige Klassifikatoren hochkomplexe Entscheidungsregeln haben (z. B. Random Forest), können andere für den Kliniker intuitiver sein., Zum Beispiel ergab ein optimaler Entscheidungsbaum die folgende Entscheidungsregel:

wenn die Auslassfehler < = 78 sind, wird das Subjekt als Patient mit einer Genauigkeit von 95,2% klassifiziert;

und

if > 78 ist ein Simulator mit einer Genauigkeit von 86%.

Trotz des niedrigeren Bildungsniveaus (M = 6.7, SD = 2.2), der mittleren Reaktionszeit gesunder Kontrollen (M = 634.76, SD= 236.23) und Provisionsfehler (M = 1.28, SD=2.,75) waren denen ähnlich, die von Boone et al. (2002). Ältere Kontrollen (Bildungsniveau = 15,2 Jahre; mittlere Reaktionszeiten = 10,8 min; mittlere Provisionsfehler = 1,0). Die Kontrollen in der aktuellen Studie haben mehr Auslassungsfehler begangen als in der Stichprobe von Boone und Kollegen (mittlere Auslassungsfehler: 18.0 versus 8.0). Diese Ergebnisse legen nahe, dass Bildung einen geringen Einfluss auf die Leistung des b-Tests zu haben scheint, was darauf hindeutet, dass der b-Test vom Bildungsniveau des Prüflings relativ unberührt bleibt.,

Eine Einschränkung der aktuellen Studie beinhaltet die Verwendung von instruierten Malern (auch experimentelle Malern genannt). Instruierte Maling-Patienten produzieren im Allgemeinen erhöhte Empfindlichkeitsraten, weil sie dazu neigen, übermäßig vorzutäuschen als ihre „realen“ Kollegen (Boone et al., 2005). Darüber hinaus wurden in der aktuellen Studie Malingerers angewiesen, eine Krankheit vorzutäuschen, die für eine Behindertenentschädigung in Frage kommt, sodass die Teilnehmer möglicherweise versucht haben, die kognitive Beeinträchtigung weiter zu übertreiben., Sensitivitätsraten in unserer Studie erfordern daher eine zukünftige Replikation in medizinisch-rechtlichen Umgebungen unter Verwendung von Teilnehmern, die spontan motiviert sind, kognitive Störungen vorzutäuschen, anstatt angewiesen zu werden.

Datenverfügbarkeit

Der während der aktuellen Studie verwendete und analysierte Datensatz ist auf angemessene Anfrage beim entsprechenden Autor erhältlich.

Ethikerklärung

Die Ethikkommission für klinische Studien der Provinzen Belluno und Treviso (Italien) hat das experimentelle Verfahren genehmigt., Alle Probanden gaben ihre schriftliche Einwilligung gemäß der Erklärung von Helsinki.

Autorenbeiträge

GS und FG haben das Experiment konzipiert. GP, RV und GS entwarfen die experimentelle Aufgabe. GP trug zur Datenerfassung gesunder Probanden bei. RV und GP trugen zur Datenerfassung gesunder Patienten bei. GO und AG haben zur Datenanalyse beigetragen. GO und KB haben zur Dateninterpretation beigetragen. GP, GS, KB und GO entwarf das Manuskript. Alle Autoren revidierten das Manuskript kritisch und gaben die endgültige Genehmigung für die Veröffentlichung der Version.,

Interessenkonflikterklärung

Die Autoren erklären, dass die Untersuchung ohne kommerzielle oder finanzielle Beziehungen durchgeführt wurde, die als potenzieller Interessenkonflikt ausgelegt werden könnten.

American Psychiatric Association (2013). DSM-5: Diagnostisches und statistisches Handbuch für psychische Störungen. (Washington, DC: amerikanische Psychiatrische Vereinigung), 5.

Google Scholar

, Boone, K., Lu, P., und Herzberg, D. S. (2002). Das b-Testhandbuch. Los Angeles: Western Psychological Service.

Google Scholar

Grün, P., (2004). Green ’s medical symptom validity test (MSVT) für Microsoft Windows: User‘ s manual. Edmonton, Kanada: Green ‚ s Publishing.

Google Scholar