Good Mood

Introduzione

Recentemente, un numero crescente di studi sono stati pubblicati al fine di affrontare il fenomeno del malingering e la rilevazione dei sintomi cognitivi malingered. Un certo numero di indagini (ad esempio, Sartori et al., 2016b; Walczyk et al., 2018) indicano che il malingering si verifica in genere in tre ampi domini: psicopatologia, deterioramento cognitivo e malattia medica., Nel contesto delle disfunzioni cognitive, i neuropsicologi e gli psicologi clinici hanno sempre più fatto affidamento sui risultati delle valutazioni neuropsicologiche per informare le loro opinioni sulla natura, l’estensione e la credibilità delle menomazioni cognitive rivendicate. Gli sforzi clinici e di ricerca hanno portato a metodi e strumenti sempre più sofisticati ed efficaci progettati per rilevare malingering che sono tipicamente osservati nella maggior parte delle impostazioni medico-legali., Esistono prove che suggeriscono che l’incentivo esterno a malinger in genere comporta un risarcimento finanziario per lesioni con conseguente menomazione fisica e/o deficit cognitivi. Più ampia è la disfunzione cognitiva, più si prevede una compensazione monetaria e gli individui hanno un motivo significativo per simulare o esagerare eccessivamente i sintomi.

Criticamente, la maggior parte dei sintomi cognitivi sono facilmente falsificati anche da candidati ingenui non allenati al fine di ottenere una compensazione economica., Per la ragione menzionata, è fondamentale affidarsi a strumenti psicometrici per distinguere, su base oggettiva, se i punteggi dei test neuropsicologici riflettono accuratamente le disfunzioni cognitive o se gli individui hanno tentato di simulare o esagerare eccessivamente le loro difficoltà (Sartori et al., 2016b, 2017). Mentre le tecniche più recenti si basano su strumenti complessi basati su computer (ad esempio, Sartori et al., 2016a), i test su carta e matita (come il test b studiato qui) hanno ancora grandi vantaggi pratici.,

Il danno cognitivo grave simulato può essere rilevato clinicamente confrontando i risultati dei test cognitivi con le capacità quotidiane del paziente. Attività di vita quotidiana senza pari in coppia con grave compromissione a test cognitivi toccando le stesse funzioni è un’indicazione di malingering. Tuttavia, le menomazioni cognitive lievi di solito non sono accompagnate da menomazioni della vita quotidiana e i malingerers possono essere difficili da rilevare utilizzando semplici strategie che consistono nel confrontare i risultati dei test cognitivi (molto bassi) e le attività quotidiane (conservate)., Per superare questa limitazione, è possibile fare affidamento sui risultati forniti dalla ricerca clinica (Coin et al., 2009; Orrù et al., 2009).

Una strategia utilizzata nei test neuropsicologici per rilevare il malingering si basa sull’uso di semplici test. Come riportato dall’American Academy of Clinical Neuropsychology Consensus Conference Dichiarazione sulla valutazione neuropsicologica dello sforzo, bias di risposta e malingering (Heilbronner et al.,, 2009), questi test sono in genere ben eseguiti con il minimo sforzo da parte di pazienti affetti da malattie neurologiche e psichiatriche, a meno che non vi sia un’intenzione deliberata di eseguirli male. La maggior parte dei test di validità delle prestazioni (PVT) utilizzati nelle impostazioni di ricerca della compensazione sono progettati per rilevare falsi disturbi della memoria a breve termine (Boone et al., 2000; Sharland e Gfeller, 2007; Young et al., 2016). Inoltre, ci sono anche test per rilevare deficit simulati in diverse aree cognitive, come ad esempio nelle informazioni e nella velocità di elaborazione acquisite.,

Uno di questi test è il test b (Boone et al., 2002). Consiste in un opuscolo di 15 pagine: ogni pagina contiene 72 stimoli tra cui b minuscole (stimoli target) e altri simboli che vengono utilizzati come distrattori, come d minuscole, q e p, e b con steli diagonali o extra. Nel complesso, ci sono 255 stimoli target nel libretto degli stimoli: 20 nella prima pagina, 16 nella seconda e 15 nella terza. Queste pagine vengono ripetute cinque volte in un formato sempre più piccolo., Il test b richiede al candidato di circondare tutti i b che appaiono su ogni pagina il più rapidamente possibile; durante l’attività, possono essere commessi diversi tipi di errori: errori di omissione (omettendo di circondare gli stimoli target), errori d (ruotando i d) e errori di commissione (ruotando i simboli che non sono b, inclusi i d). L’esaminatore prende nota del tempo di risposta totale, vale a dire del tempo che il partecipante ha bisogno per completare il test., Gli errori totali e il tempo medio per pagina vengono utilizzati per calcolare il punteggio dell’indice di sforzo (o E-score), che risulta dall’equazione: (errori d totali + errori di commissione totali) × 10 + errori di omissione totali + tempo medio per pagina.

Il Test b valuta le competenze acquisite e può essere applicato in ambito medico-legale. È improbabile che i pazienti con disfunzione cerebrale che fanno uno sforzo sul test siano classificati erroneamente come non cooperativi. I pazienti con compromissione della memoria non possono fallire nel test e questo può produrre meno falsi positivi rispetto al test di sforzo basato sulla memoria., Infine, una performance del test b compromessa a causa della presenza di sintomi esagerati e in assenza di documentate disabilità di apprendimento è altamente sospetta di malingering (Boone et al., 2002).

Il test b può distinguere i sospetti malati da molti gruppi clinici diversi tra cui: disturbo depressivo maggiore, schizofrenia, lesioni alla testa moderate o gravi, ictus, difficoltà di apprendimento e anziani sani (vedere Boone et al., 2002).

Vilar-Lòpez et al., (2007) ha analizzato le prestazioni sul test b di un campione di popolazione spagnola con sindrome post-concussiva (PCS) coinvolto in contenzioso e non coinvolto in contenzioso mostrando una buona sensibilità e specificità. Inoltre, in uno studio aggiuntivo (Vilar-Lòpez et al., 2008), gli stessi autori hanno analizzato le prestazioni di pazienti con lieve trauma cranico., I partecipanti sono stati divisi in tre gruppi: il primo gruppo non è stato coinvolto in alcun processo di ricerca di compensazione; il secondo gruppo era un gruppo di ricerca di compensazione non sospettato di malingering; il terzo gruppo comprendeva pazienti che chiedevano un risarcimento che erano sospettati di malingering. I risultati dello studio hanno mostrato che esistono differenze statisticamente significative tra i gruppi e la classificazione di malingerer rispetto a quella di non-malingerer. Allo stesso modo, Marshall et al. (2010) hanno studiato la validità del test b nel rilevare l’ADHD finto in un grande campione (n = 257).,

Nonostante i risultati promettenti, Shandera et al. (2010) ha condotto uno studio sulla validità del test b in un campione di popolazione adulta affetto da lieve ritardo mentale. I risultati hanno mostrato risultati insoddisfacenti quando i malingerers richiedono di essere distinti da questo campione clinico.

Dato questo risultato, la diagnosticità del test b rimane ancora poco chiara, nel distinguere tra lievi disturbi neurocognitivi e malingerers. A nostra conoscenza, solo Dean et al. (2009) ha valutato la specificità del test b n demenza lieve con risultati insoddisfacenti.,

Al fine di esaminare il potenziale del test b nella classificazione del deterioramento cognitivo genuino da deficit cognitivi finti nella popolazione anziana, il presente studio ha studiato il valore del test b in un campione italiano con disturbi neurocognitivi lievi e in individui anziani in buona salute, istruiti a fingere disfunzioni cognitive. Inoltre, il nostro obiettivo era quello di valutare se i classificatori di apprendimento automatico possono comportare una maggiore precisione di classificazione rispetto all’approccio più tradizionale basato sui punteggi di cut-off.,

Materiali e metodi

Partecipanti

Sono stati reclutati sessantatré partecipanti di lingua italiana (36 uomini e 27 donne, età media: 73,43 ± 5,97 anni, intervallo: 58-87; istruzione media: 7,03 ± 2,78 anni, intervallo: 3-19). Il campione consisteva in tre gruppi. Il primo gruppo era costituito da pazienti con eziologia neurologica mista, che soddisfacevano i criteri del Manuale diagnostico e statistico per i disturbi mentali-5 (DSM-5) (APA, 2013) per il disturbo neurocognitivo lieve (Gruppo A; n = 21)., Questi pazienti sono stati diagnosticati secondo i criteri DSM-5 per il disturbo neurocognitivo lieve da un neurologo esperto (RV) attraverso interviste anamnestiche, esami neurologici e test neuropsicologici. La valutazione neuropsicologica includeva: Mini Esame di Stato mentale (MMSE, Folstein et al., 1975; Coin et al., 2009) e Batteria di valutazione frontale (FAB, Dubois et al., 2000; Appollonio et al., 2005). Il gruppo A è stato reclutato da un’unità di neurologia nel Nord Est d’Italia.,

Un secondo gruppo (n = 21, Gruppo B) di individui sani con età corrispondente è stato richiesto di completare il test senza istruzioni specifiche mentre un terzo gruppo (n = 21, Gruppo C) di controlli sani con età corrispondente è stato incaricato di rispondere in modo ingannevole al test come se fossero cognitivamente compromessi.

Controlli sani e malingerers (Gruppo B e Gruppo C) sono stati reclutati da due centri ricreativi per anziani.,

Disturbi neurocognitivi lievi

Partecipanti con disturbi neurocognitivi lievi

Partecipanti sani e malati di deterioramento cognitivo

Partecipanti sani

Sono stati reclutati quarantadue partecipanti sani. Non avevano alcuna storia di malattie neurologiche o psichiatriche o abuso di sostanze/alcol. I punteggi corretti da MMSE erano ≥ 26 e nessun partecipante ha ottenuto un punteggio equivalente < 2 sul FAB. Tutti i partecipanti sono stati assegnati in modo casuale a uno dei seguenti due gruppi., Un gruppo (Gruppo B: controlli sani) ha ricevuto l’istruzione standard per il test b (n = 21, 14 maschi e 7 femmine) mentre l’altro (Gruppo C: malingerers) ha ricevuto istruzioni per fingere il test b (n = 21, 8 maschi e 13 femmine) al fine di fingere un disturbo cognitivo. In particolare, i malingerers (Gruppo C) sono stati istruiti a svolgere il MMSE e il FAB nel miglior modo possibile e solo per il test b hanno ricevuto le istruzioni sotto finta (sono stati invitati a simulare adottando strategie in accordo con le loro convinzioni e la conoscenza comune sul deficit cognitivo lieve).,

Procedure sperimentali

Il test b è stato somministrato dopo MMSE e FAB a tutti i partecipanti. Poco prima del compito sperimentale, i partecipanti assegnati al gruppo malingerers sono stati istruiti a mentire sul loro stato cognitivo. Per aumentare la conformità, ai partecipanti è stato dato il seguente scenario: “Dovresti completare il test come sarebbe stato eseguito da un paziente affetto da lieve demenza o lieve deterioramento cognitivo. In particolare, fingi di essere un membro della Commissione che certifica l’invalidità; dovresti convincermi che hai i requisiti per i pagamenti di invalidità.,”Dopo il completamento del test, il gruppo malingerers è stato anche interrogato come segue:” Descrivi la strategia utilizzata e spiega il motivo per cui l’hai scelta.”

Ai pazienti e ai controlli sani è stato richiesto di eseguire tutti i test con il massimo sforzo.

Analisi dei dati

I dati sono stati analizzati utilizzando analisi statistiche non parametriche. Inoltre, al fine di valutare l’accuratezza della classificazione del test b ed evitare l’overfitting, abbiamo ampiamente utilizzato la procedura LOOCV (leave-one-out cross validation) (Cawley e Talbot, 2010)., L’overfitting è un adattamento ottimistico esagerato ai dati derivati dal test del modello sullo stesso set di dati utilizzato per lo sviluppo del modello stesso. Al fine di ottenere una stima realistica dell’errore di classificazione (malingerers vs. pazienti), overfitting dovrebbe essere evitato. Overfitting è un modello di montaggio anormale che di solito è contatore utilizzando out-of-campione di stima di precisione (hold-out metodo), che vengono utilizzati come proxy di accuratezza in campo. Tali stime di accuratezza fuori campione richiedono campioni di grandi dimensioni, che sono difficili da raccogliere con le popolazioni cliniche., È stato dimostrato che la validazione incrociata n-fold è una buona procedura per stimare le vere precisioni in piccoli campioni. Un caso speciale di validazione incrociata n-fold è il LOOCV (Cawley e Talbot, 2010), un metodo di scelta negli studi clinici (Orrù et al., 2012). In LOOCV, il modello statistico viene sviluppato utilizzando solo esempi n − 1 e testato sul restante esemplare. La procedura viene ripetuta ruotando sistematicamente l’esempio left out e l’errore di classificazione out-of-sample è derivato dall’errore medio dei modelli n − 1., Per questo motivo, abbiamo utilizzato LOOCV per ricavare cifre di discriminazione convalidate incrociate tra malati e pazienti.

Recentemente, è stato dimostrato che i test psicometrici possono essere aumentati utilizzando, oltre a metodi statistici più tradizionali, tecniche di machine learning (ML) (James et al., 2013). ML è già stato utilizzato per sviluppare modelli di classificazione ad alte prestazioni volti a rilevare malingerers (Monaro et al., 2018a, b).

L’analisi dei dati è stata eseguita utilizzando SPSS e Weka 3.8 (Hall et al., 2009).,

Risultati

Analisi statistica non parametrica

Le medie e le deviazioni standard per età, istruzione e punteggi dei test sono riportate nella Tabella 1. Poiché non tutti i punteggi dei test erano normalmente distribuiti tra i gruppi, sono stati calcolati confronti di gruppo non parametrici (Kruskal-Wallis ANOVAs). I gruppi non differivano significativamente per età e anni di istruzione, ma differivano nei punteggi MMSE e FAB, con il punteggio del Gruppo A significativamente peggiore rispetto al gruppo B (controlli sani) e C (malingerers) su MMSE e FAB.,

Come mostrato, i gruppi differivano significativamente su tutti i punteggi dei test b. La tabella 2 riporta i risultati delle analisi del test Mann-Whitney U utilizzate nei confronti a coppie sui dati del test b (i livelli di significatività corretti da Bonferroni sono stati fissati a 0,02)., I malingerers (Gruppo C) hanno commesso più errori di commissione (compresi gli errori d) e errori di omissione e hanno ottenuto punteggi E significativamente più elevati rispetto ai controlli e ai pazienti (Gruppo B e A, rispettivamente). Anche i controlli sani hanno sovraperformato significativamente i pazienti su questi punteggi. Anche i confronti di gruppo sui tempi di risposta sono stati significativi, con i controlli che hanno completato il test in modo significativamente più rapido rispetto a malingerers e pazienti, che non differivano significativamente l’uno dall’altro.

I modelli di errore hanno rivelato che i pazienti e i controlli hanno commesso più errori di omissione che errori di commissione (inclusi errori d), mentre i malingerers hanno commesso più errori di commissione in generale, seguiti da errori di omissione e errori d.

Accuratezza della classificazione tra pazienti e malati

Nell’applicazione del Test b in ambito medico-legale, più interessante è il confronto tra malati e pazienti., Dato che in un ambiente medico-legale, l’individuo è malingering incline, l’obiettivo è quello di identificare se il candidato è un vero e proprio caso patologico o un malingerer. Per questo motivo, il massimo interesse è nel distinguere efficacemente (nel nostro esperimento) i pazienti dai malingerers sulla sola base dei risultati del test B. I punteggi di soglia che classificano correttamente il 90% dei pazienti per ogni misura (errori di omissione, errori d, errori di commissione, tempo di risposta ed E-score insieme all’AUC) hanno determinato un’elevata precisione di classificazione (vedere Tabella 3)., Ad esempio, per quanto riguarda gli errori di omissione, un cut-off >56 ha classificato correttamente il 90% dei pazienti (Gruppo A) e il 90,4% dei malati (Gruppo C).

Questo risultato, tuttavia, può soffrire di overfitting., Come riportato sopra, al fine di valutare l’efficacia del test b ed evitare l’overfitting, abbiamo testato diversi modelli di apprendimento automatico utilizzando la procedura LOOCV.

I predittori utilizzati nello sviluppo del modello di apprendimento automatico sono stati i seguenti: età, istruzione, genere, errori d, errori di commissione, errori di omissione, RT totale (sec), E-score. È stata utilizzata la tecnica leave-one-out cross validation (LOOCV) (ad esempio, Vapnik e Chapelle, 2000). Tale tecnica lascia un singolo caso fuori dal campione di allenamento utilizzato per sviluppare il modello., Dopo che il modello è stato sviluppato, la sua precisione viene testata (fuori campione) in questo soggetto hold-out. Il processo viene ripetuto per tutti i casi nel campione (quando si confrontano pazienti e malingers, 42-1). L’errore viene quindi calcolato in media sui calcoli 42-1 e questo errore medio è una stima dell’errore fuori campione. Il LOOCV è il metodo di scelta quando è disponibile un numero limitato di casi come, ad esempio, negli studi di neuroimaging (Orrù et al., 2012).,

Le nove caratteristiche sopra menzionate sono state inserite in diversi classificatori di apprendimento automatico, che sono stati addestrati a classificare ogni soggetto come appartenente a una delle due categorie di interesse (pazienti e malati). In particolare, abbiamo selezionato i seguenti classificatori come rappresentativi di diverse categorie di classificatori: Naïve Bayes, Regressione logistica, Macchina vettoriale di supporto alla regressione logistica semplice e Foresta casuale (Manuale WEKA per la versione 3-7-8, Bouckaert et al., 2013). I risultati tra i diversi classificatori sono riportati nella tabella 4.,

Tutti i classificatori basati su ipotesi diverse e rappresentativi di diverse classi di classificatori hanno prodotto risultati accurati simili con cifre simili sia per errori falsi positivi che falsi negativi.

I risultati riportati nella Tabella 5 si riferiscono al confronto tra pazienti e simulatori.,

Infine, un classificatore Random Forest multiclass che classifica i soggetti ma in tre classi (pazienti, controlli sani e malingerers) e non in due categorie come riportato nelle Tabelle 4, 5 ha prodotto i seguenti risultati: (1) accuratezza complessiva = 79.4; (2) AUC = 0.87; (3) F1 = 0.8., I pazienti correttamente classificati come sopra erano 17/21, i controlli sani erano 15/21 e i malingerers erano 18/21.

Tutti i modelli ML riportati sopra sono opachi e la logica sottostante che produce la classificazione finale non è semplice., Per avere una più chiara comprensione della classificazione logica, abbiamo eseguito un modello di albero ML che seleziona ottimale regola di decisione che massimizza la precisione della classificazione, il J48 (Quinlan, 1993), che ha dato il seguente ottimale regola di decisione:

se l’omissione di errori < = 78, quindi il soggetto è classificato come un paziente con una precisione pari a 95.,2%;

e

se gli errori di omissione sono> 78, allora il soggetto è classificato un simulatore con precisione pari all ‘ 86%.

Il principio di decisione menzionato non è il miglior classificatore, ma fornisce un modo semplice per comprendere la regola, che si traduce in un’elevata precisione nella classificazione dei pazienti e dei malati., Come originariamente indicato da Boone (2000), gli errori di omissione sono quelli che contribuiscono maggiormente a distinguere correttamente i simulatori dai pazienti e anche questa ricerca indica che la classificazione ottimale potrebbe essere basata su una regola basata sul numero di omissioni.

Inoltre, è stata utilizzata un’analisi correlazionale per evidenziare quale dei predittori contribuisce al massimo alla corretta classificazione dei pazienti rispetto ai simulatori. I risultati sono stati i seguenti: omissione = 0,81; commissione = 0,66; E-score = 0,66; errori d = 0,56., Random Forest consente anche di ordinare l’importanza dei predittori nel contribuire alla classificazione accurata e l’importanza dei predittori è stata simile a quella risultante dall’analisi correlazionale riportata sopra con il massimo contributo alla classificazione proveniente da errori di omissione e commissione e E-score.,

Discussione

Sebbene gli sforzi clinici e di ricerca abbiano portato a metodi sempre più sofisticati e abbiano prodotto risultati promettenti per rilevare il malingering, ci sono ancora significative sfide teoriche e pratiche nella rilevazione del malingering, specialmente nella popolazione anziana con disturbi neurocognitivi lievi. Il deterioramento cognitivo grave simulato può essere rilevato clinicamente confrontando punteggi bassi ai risultati dei test cognitivi e il funzionamento ininterrotto derivato dalla vita quotidiana., In effetti, le attività di vita quotidiana ininterrotte in coppia con una grave compromissione nei test cognitivi che sfruttano le stesse funzioni sono indicative di malingering. Tuttavia, i disturbi neurocognitivi lievi di solito non sono accompagnati da menomazioni della vita quotidiana e i malingerers possono essere difficili da rilevare utilizzando semplici strategie che consistono nel confrontare i risultati dei test cognitivi (molto bassi) e le attività quotidiane (conservate).

Un certo numero di strategie sono disponibili per identificare malingerers di deficit cognitivi., Ad esempio, il Medical Symptom Validity Test (MSVT) è un test di memoria ampiamente utilizzato con tre misure di sforzo integrate che mirano a rilevare la finta (Green, 2004; Dandachi-FitzGerald e Merckelbach, 2013). L’MSVT ha raggiunto tassi incredibilmente alti di sensibilità e specificità in studi sperimentali che hanno confrontato i controlli con i malingerers incaricati di fingere problemi di memoria (Merten et al., 2005).

Il Test b appartiene alla stessa classe di test, i cosiddetti test di validità delle prestazioni (ad es.,, Rey 15 articoli, Reznek, 2005), che sono test che sono molto facili anche per gli altamente cognitivamente alterati.

Al fine di valutare se il Test b può aiutare a identificare questo tipo di malingerers, abbiamo somministrato il Test b a un gruppo di pazienti con disturbo neurocognitivo lieve. Questo gruppo è stato confrontato con controlli sani istruiti a rispondere in modo ingannevole al test (producendo artificialmente modelli simili di deterioramento cognitivo) e un gruppo di controlli sani istruiti a rispondere in modo veritiero al test.,

I risultati principali mostrano che i malingerers hanno ottenuto un punteggio più basso rispetto ai controlli e ai pazienti nel test b, su tutti i parametri derivati dal test ad eccezione del tempo di risposta totale. In particolare, i pazienti e i controlli hanno commesso più errori di omissione che errori di commissione, compresi gli errori d,mentre i malingerers hanno commesso più errori di commissione in modo sproporzionato, seguiti da errori di omissione e errori D. Questi risultati rispecchiano da vicino le strategie per fingere come riportato verbalmente dai malingerers., Infatti, la metà di loro ha indicato che hanno fatto errori di omissione e commissione casuali, mentre circa un quarto di loro ha indicato che hanno tentato di circondare tutti gli obiettivi che non erano di b. La metà dei malingerers ha anche riferito che hanno deliberatamente rallentato il loro tempo di risposta. Pertanto, i malingerers possono essere distinti dai truth-tellers in base ai loro schemi di errore, che è radicalmente diverso da quelli mostrati dai pazienti. Al contrario, i pazienti e i controlli sani hanno un modello simile di risposte ed errori., Mentre i controlli eseguiti significativamente migliore rispetto ai pazienti su tutti i punteggi di errore, entrambi i gruppi visualizzati più errori di omissione di commissione, mentre, come riportato sopra, malingerers visualizzato il modello opposto.

I dati riportati nel nostro studio sono coerenti con gli esperimenti di validazione originali di Boone et al. (2002), che ha documentato che era altamente insolito per i pazienti genuini con depressione, ictus, lesioni cerebrali traumatiche, schizofrenia, difficoltà di apprendimento e età avanzata identificare erroneamente i non-b come b., I dati dello studio attuale estendono questa osservazione ai pazienti più anziani con demenza lieve.

I pazienti nel nostro esperimento hanno eseguito il test b molto più lentamente rispetto a Boone et al. (2002) pazienti (che includevano principalmente pazienti psichiatrici). Questi risultati sono coerenti con le osservazioni che il rallentamento cognitivo è prominente nella demenza precoce (McGuinness et al., 2010) e suggeriscono che i tempi di risposta hanno un valore molto limitato nel differenziare la demenza lieve reale rispetto a quella finta. Al contrario, gli errori sulle attività di informazione troppo apprese sembrano essere molto più efficienti., La natura dei disturbi neurologici associati a un lieve deterioramento cognitivo può spiegare il motivo per cui gli indici basati sul tempo non sono particolarmente utili nel rilevare i malingerers.

Nel nostro studio, malingerers intenzionalmente rallentare le loro prestazioni. Tuttavia, la velocità di risposta ridotta è anche una caratteristica della maggior parte delle condizioni neurologiche e questo può essere il motivo per cui gli indici basati sui tempi potrebbero non essere in grado di distinguere efficacemente tra malingerers e pazienti.,

Oltre all’analisi statistica standard, i cui risultati sono stati riassunti sopra, abbiamo applicato un’analisi più avanzata basata su tecniche ML. Abbiamo anche riportato precisioni di classificazione basate sulla validazione incrociata K-fold (in particolare la validazione incrociata leave-one-out, LOOCV; di solito considerata la migliore tecnica per gestire tali problemi in piccoli campioni) al fine di ottenere stime imparziali di precisioni fuori campione., Questa analisi ha indicato che i malingerers possono essere distinti dai pazienti esclusivamente sulle prestazioni del test b con una precisione complessiva del 90% o più (massima precisione con il classificatore logistico semplice). Diversi tipi di modelli di apprendimento automatico hanno mostrato risultati simili. Mentre alcuni classificatori hanno regole decisionali molto complesse (ad esempio, Foresta casuale) altri possono essere più intuitivi per il clinico., Per esempio, una decisione ottimale albero ha dato il seguente regola di decisione:

se l’omissione di errori < = 78, quindi il soggetto è classificato come un paziente con una precisione pari al 95,2%;

e

se > 78 è un simulatore di con accuratezza pari all ‘ 86%.

Nonostante il livello di istruzione inferiore (M = 6.7, SD = 2.2), il tempo medio di risposta dei controlli sani (M = 634.76, SD= 236.23) e gli errori di commissione (M = 1.28, SD=2.,75) erano simili a quelli riportati da Boone et al. (2002). Controlli più vecchi (livello di istruzione = 15,2 anni; tempi di risposta medi = 10,8 min; errori di commissione medi = 1,0). I controlli nello studio attuale hanno commesso più errori di omissione rispetto al campione di Boone e colleghi (errori di omissione medi: 18.0 contro 8.0). Questi risultati suggeriscono che l’istruzione sembra avere un impatto minore sulle prestazioni del test b, suggerendo che il test b non è relativamente influenzato dal livello di istruzione del candidato.,

Una limitazione dello studio attuale prevede l’uso di malingerers istruiti (chiamati anche malingerers sperimentali). I malingerers istruiti generalmente producono tassi di sensibilità elevati perché tendono a fingere più eccessivamente delle loro controparti “reali” (Boone et al., 2005). Inoltre, nell’attuale studio, i malingerers sono stati istruiti a fingere una malattia che si qualifica per il risarcimento della disabilità, quindi i partecipanti potrebbero aver tentato di esagerare ulteriormente il deterioramento cognitivo., I tassi di sensibilità nel nostro studio richiedono, quindi, una futura replica in contesti medico-legali utilizzando partecipanti che sono spontaneamente motivati a fingere piuttosto che istruiti a fingere disturbi cognitivi.

Disponibilità dei dati

Il set di dati utilizzato e analizzato durante lo studio in corso è disponibile presso l’autore corrispondente su ragionevole richiesta.

Dichiarazione Etica

Il comitato etico per le Sperimentazioni Cliniche delle province di Belluno e Treviso (Italia) ha approvato la procedura sperimentale., Tutti i soggetti hanno dato il consenso informato scritto in conformità con la Dichiarazione di Helsinki.

Contributi dell’autore

GS e FG hanno concepito l’esperimento. GP, RV, e GS progettato il compito sperimentale. GP ha contribuito all’acquisizione dei dati di soggetti sani. RV e GP hanno contribuito all’acquisizione dei dati dei pazienti sani. GO e AG hanno contribuito all’analisi dei dati. GO e KB hanno contribuito all’interpretazione dei dati. GP, GS, KB e GO hanno redatto il manoscritto. Tutti gli autori hanno rivisto criticamente il manoscritto e hanno dato l’approvazione finale per la versione da pubblicare.,

Dichiarazione sul conflitto di interessi

Gli autori dichiarano che la ricerca è stata condotta in assenza di relazioni commerciali o finanziarie che potrebbero essere interpretate come un potenziale conflitto di interessi.