소개
최근 증가의 연구가 발표되기 위해서는 주소의 현상을 부리기와 탐지의 malingered 인지는 증상. 다수의 조사(예를 들어,Sartori et al.,2016b;Walczyk 외.,2018)은 malingering 이 일반적으로 정신 병리학,인지 장애 및 의학적 질병의 세 가지 광범위한 영역에서 발생 함을 나타냅니다., 의 컨텍스트에서는 인지적 장애,neuropsychologists 및 임상 심리학자들은 점점 더 의지의 결과에 신경심리학적 평가에게 알려 그들의 의견에 대한 본질에 관하여,어느 정도와 신뢰성을 주장하는 인지적 장애가 있습니다. 임상 연구 활동을 주도하는 점점 더 복잡한 효과적인 방법과 기기를 탐지하도록 설계된 부리기는 일반적으로 관찰에서 가장 medico-법적인 설정합니다., 다는 증거가 제안한 외부 인센티브 malinger 일반적으로 포함한 금전적 보상에 대한 부상 결과에 물리적인 손상 및/또는 인지 적자. 더 광범위한 인지적 장애가 표시되는 더 많은 금전적 보상이 예상되는 개인과 상당한 동기하거나 시뮬레이션을 통해-과장하는 증상입니다.
비판적으로,대부분의 인지는 증상은 쉽게 위조도 naïve non-감독 수험생을 달성하기 위해서 경제적 보상., 앞서 언급한 이유,그것은 매우 중요에 의존하는 심리 도구를 구별하기 위해서,목표에 기초지,neuropsychological 시험 점수 정확하게 반영하는 인지적 장애 또는 개인을 시도하는 시뮬레이션 또는 과장 자신의 어려움을(사르토리 et al.,2016b,2017 년). 보다 최근의 기술은 복잡한 컴퓨터 기반 도구(예:Sartori et al.,2016a),종이 및 연필 테스트(여기에서 조사한 b 테스트와 같은)는 여전히 큰 실질적인 이점을 가지고 있습니다.,
위조 된 중증인지 장애는인지 검사 결과를 환자의 일상적인 능력과 비교함으로써 임상 적으로 감지 할 수 있습니다. 손상되지 않은 일상 생활의 활동과 짝을 심각한 손상에 인식 테스트에 눌러 동일한 기능의 표시 부리기. 그러나,가벼운 인지적 장애가 있지 않은 일반적으로 일상 생활 장애 및 malingerers 감지하기 어려울 수 있을 사용하여 간단한 전략으로 구성된서 비교 인식 테스트 결과(아주 저렴한)및(유)., 이 한계를 극복하기 위해 임상 연구에 의해 제공되는 결과에 의존하는 것이 가능합니다(Coin et al.,2009;Orrù et al., 2009).
malingering 을 탐지하기위한 신경 심리학 적 테스트에 사용되는 하나의 전략은 간단한 테스트의 사용을 기반으로합니다. 보고에 의하여 미국의 임상 합의 컨퍼런스에 성명에 신경심리학적 평가의 노력,응답 바이어스 및 부리기(Heilbronner et al., 2009 년),이러한 테스트는 일반적으로 수행되는 최소한의 노력으로 고통 받는 환자에서 신경학적이고 정신 질환이 없는 한,신중한 기도 수행할 수 있습니다. 보상 추구 설정에서 사용되는 대부분의 성능 유효성 테스트(pvts)는 feigned 단기 기억 장애를 감지하도록 설계되었습니다(Boone et al.,2000;Sharland and Gfeller,2007;Young et al., 2016). 또한 과다한 정보 및 처리 속도와 같은 다른인지 영역에서 시뮬레이션 된 적자를 탐지하기위한 테스트도 있습니다.,
그러한 시험 중 하나는 b 시험(Boone et al., 2002). 로 구성되어 있 15 페이지의 책자:각 페이지가 포함 72 자극을 포함하여 소문자 b 의(대상 자극)및 다른 기호로 사용되는 선택 항목과 같은 소문 d,q,p,b 중 하나의 대각선 또는 추가 유래한다. 전체적으로 자극 책자에는 255 개의 표적 자극이 있습니다:첫 번째 페이지에는 20 개,두 번째 페이지에는 16 개,세 번째 페이지에는 15 개가 있습니다. 이 페이지는 점점 더 작은 형식으로 5 번 반복됩니다., B 테스트가 필요합하는 수험생이 원하는 모든 b 의 나타나는 각 페이지에서 가능한 한 빨리 작업 동안,다른 종류의 오류 수 있습 투:누락 오류가(생략하여 원상 자극),d 오류(으로 돌 d)고,위원회는 오류를(여 돌고 상징되지 않은 b 의 포함하여,d). 심사관은 총 응답 시간,즉 참가자가 시험을 완료하는 데 필요한 시간을 메모합니다., 총 오류를 의미하는 시간당 페이지는 계산하는 데 사용되는 노력 지수(또는 전자 점수),이는 결과 방정식에서:(총 d 오류+총위원회는 오류)×10+총 누락 오류+말은 시간당 페이지입니다.
b 테스트는 overlearned 기술을 평가하며 medico-legal 환경에서 적용될 수 있습니다. 시험에 노력을 기울이는 뇌 기능 장애 환자는 비협조적인 것으로 잘못 분류 될 가능성이 있습니다. 기억 장애가있는 환자는 시험에 실패하지 않을 수 있으며 이는 기억 기반 노력 테스트보다 가양 성이 적을 수 있습니다., 마지막으로,지나친 증상의 존재와 문서화 된 학습 장애가없는 경우 손상된 b 테스트 성능은 malingering 의 의심이 높습니다(Boone et al., 2002).
b 테스트를 구별할 수 있습 의심 malingerers 에서 많은 다른 임상 그룹을 포함:주요 우울증 질환,정신분열증,보통 또는 심한 머리 부상,스트로크,배,장애인과 노인 건강(볼 분 et al., 2002).
Vilar-Lòpez 외., (2007)분석에 공연 b 의 테스트 스페인 인구 예제와 충격 증후군(PC)에 관련된 소송에 관여하지 소송을 보여주는 좋은 민감도와 특수성입니다. 또한,추가 연구에서(Vilar-Lòpez et al.,2008),같은 저자들은 경미한 외상성 뇌 손상 환자의 공연을 분석했다., 참가자들이 나누었에는 세 그룹의 첫 번째 그룹에 참여하지 않는 어떤 보상이 추구하는 프로세스,두 번째는 그룹이었 보상을 추구하는 그룹이 의심되지 않 부리기;세 번째 그룹에 포함되는 환자를 찾는 보상들의 의심 부리기. 이 연구의 결과는 그룹과 malingerer 대 non-malingerer 분류간에 통계적으로 유의 한 차이가 있음을 보여주었습니다. 마찬가지로,마샬 등. (2010)은 큰 샘플(n=257)에서 feigned ADHD 를 검출하는 b 테스트의 유효성을 조사했습니다.,
유망한 결과에도 불구하고,Shandera et al. (2010)은 경미한 정신 지체를 앓고있는 성인 인구 표본에서 b 시험의 유효성에 대한 연구를 수행했다. 결과는 malingerers 가이 임상 샘플과 구별 될 것을 요구할 때 불만족스러운 결과를 보였다.
이 결과를 감안할 때 B 검사의 진단 가능성은 경미한 신경인지 장애와 malingerers 를 구별하는 데 여전히 불분명합니다. 우리의 지식에,딘 외. (2009)는 불만족스러운 결과로 b 검사 n 경증 치매의 특이성을 평가했다.,
기 위해서는 잠재력을 검사하는 테스트 분류에서 정품인지 장애에서 거짓인지 적자에서 노인 인구,본 연구는 조사 b 가치를 시험에서 이탈리아의 샘플과 함께 온화한 Neurocognitive 장애고 건강한 나이에 일치하는 노인들을 지시하는 시늉을 인지적 장애. 또한,우리의 목적이었는지 여부를 평가 학습 기계류에서 발생할 수 있습 증가의 분류정확도에 비해 더 많은 전통적인 접근 방식에 따라 cut-off 점수가 있습니다.,
재료 및 방법
참가자
Sixty-three 이탈리아-말하는 참가자 모집(36 남성과 여성 27,평균 연령:73.43±5.97 년,범위:58-87;균 교육:7.03±2.78 년,범위:3-19). 샘플은 세 그룹으로 구성되었습니다. 첫 번째 그룹에 구성되어 환자의 혼합 신경학적 원인,기준을 만족하는 진단 및 통계 설명서에 대한 정신적 장애-5(DSM-5)(APA,2013)가벼운 신경인지장애(그룹;n=21)., 이 환자는 진단을 받에 따라 DSM-5 에 대한 기준에 온화한 Neurocognitive 질환 전문가에 의해 신경(RV)을 통해 anamnestic 인터뷰,신경험 및 신경심리학적 테스트합니다. 신경 심리학 적 평가에는 미니 정신 상태 검사(MMSE,Folstein et al.,1975;코인 외.,2009)및 정면 평가 배터리(FAB,Dubois et al.,2000;Appollonio et al., 2005). 그룹 A 는 이탈리아의 북동부에있는 신경학 단위에서 모집되었다.,
두 번째 그룹(n=21,그룹 B)의 건강한 나이에 일치하는 개인에 필요한 테스트를 완료하지 않고 특정 지시 동안 세 번째 그룹(n=21,C)의 건강한 나이트라는 지시를 받았 거짓으로 대응하는 테스트를 만들었으로 인식하고 있습니다.
건강한 대조군과 malingerers(그룹 B 와 그룹 C)는 노인을위한 두 개의 레크리에이션 센터에서 모집되었습니다.,
가벼운 Neurocognitive 장애
참가자들과 함께 온화한 Neurocognitive 장애
건강한 참가자와 Malingerers 의 인지 장애
건강한 참가자
Forty-two 건강 참가자 모집 했다. 그들은 신경 학적 또는 정신과 적 질병이나 물질/알코올 남용의 병력이 없었습니다. MMSE 보정 점수는≥26 이었고 참가자는 FAB 에서 동등한 점수<2 를 얻지 못했습니다. 모든 참가자는 다음 두 그룹 중 하나에 무작위로 할당되었습니다., 하나는 그룹이(그룹 B:건강한 컨트롤)주어졌다는 표준이 지침에 대한 테스트 b(n=21,14 남성과 여성 7)다른 하나는 동안(C:malingerers)받은 지침을 가하 테스트 b(n=21,8 남성과 13 일 암컷)하기 위해서 가짜인지 장애입니다. 특히,malingerers(C)도록 명령을 수행하 MMSE 및 팹뿐만 아니라 다른 나라들에 대해서만 b 테스트를 받은 밑에 가짜 지침(그들은 물을 시뮬레이션을 채택하여 전략에 따라 자신의 신념과 일반적인에 대한 지식을 가벼운 인지 적자).,
실험 절차
B 시험은 모든 참가자에게 MMSE 및 FAB 후에 투여되었다. 실험 과제 직전에 malingerers 그룹에 배정 된 참가자는 자신의인지 상태에 대해 거짓말을하도록 지시 받았다. 을 증가시 준수,참가자들은 다음과 같은 시나리오:”당신은 테스트를 완료하는 것으로 수행하여 환자의 고통에서 온화한 치매 또는 온화한 인지적 장애 발생합니다. 특히,척 나원회의 구성원을 인증하는 장애인해야 합니다 나를 설득 당신이 자격이 있는 장애에 대한 지불.,”테스트 완료 후 malingerers 그룹도 다음과 같이 질문했습니다.”사용 된 전략을 설명하고 선택한 이유를 설명하십시오.”
환자와 건강한 대조군은 최대한의 노력으로 모든 검사를 수행해야했습니다.
데이터 분석
데이터를 비모수 통계 분석을 사용하여 분석 하였다. 또한 b 테스트의 분류 정확도를 평가하고 오버 피팅을 피하기 위해 loocv(leave-one-out cross validation)절차(Cawley and Talbot,2010)를 광범위하게 사용했습니다., 과대 적합 과장 낙관적에 맞는 데이터 파생 테스트에서는 모델에서 동일한 데이터세트를 개발하는데 사용하는 모델이다. 분류 오류(malingerers vs.patients)에 대한 현실적인 추정을 달성하기 위해서는 과다 피팅을 피해야합니다. 과대 적합 비정상적인 모델에 맞는 일반적으로 카운터를 사용하여 샘플을 추정 정확도(잡아웃 방법)으로 사용되는 프록시의 필드를 정확도를 확인합니다. 이러한 샘플 외 정확도 추정에는 임상 집단으로 수집하기가 어려운 대규모 샘플이 필요합니다., N-fold cross validation 은 작은 샘플에서 진정한 정확성을 추정하기위한 좋은 절차임을 보여주었습니다. N-fold cross 검증의 특별한 경우는 임상 연구에서 선택 방법 인 LOOCV(Cawley and Talbot,2010)입니다(Orrù et al., 2012). LOOCV 에서 통계 모델은 n−1 예제 만 사용하여 개발되고 나머지 하나의 예시에서 테스트됩니다. 절차는 좌측 아웃 예제를 체계적으로 회전 반복 및 아웃-오브-샘플 분류 오차는 n-1 모델의 평균 오차로부터 도출된다., 이러한 이유로 우리는 malingerers 와 환자 간의 교차 검증 된 차별 수치를 도출하기 위해 LOOCV 를 사용했습니다.
최근에,보다 전통적인 통계 방법,기계 학습(ML)기술(James et al., 2013). ML 은 이미 malingerers 를 검출하기위한 고성능 분류 모델을 개발하는 데 사용되었습니다(Monaro et al.,2018a,b).
데이터 분석은 SPSS 및 Weka3.8 을 사용하여 수행되었다(Hall et al., 2009).,
결과
비모수적 통계 분석
수단 및 표준 편차에 대한 시대,교육,시험 점수 보고서 표 1. 지 않기 때문에 모든 시험 점수가 일반적으로 배포되는 걸 그룹,비모수 그룹 비교(Kruskal-스 분산 분석)계산되었다. 그룹에게 다르지 않에서 나이와 교육의 년,하지만 그들은 달랐 MMSE 및 팹 점수,그룹과 함께 점수보다 훨씬 더 그룹 B(건강한 컨트롤)C(malingerers)에 MMSE 및 FAB.,
표 1. 각 참가자 그룹 및 Kruskal-Wallis ANOVAs 에 대한 b 테스트의 인구 통계 학적 특성 및 성능.
과 같이,그룹 크게 달랐 모 b 시험 점수가 있습니다. 표 2 는 b 테스트 데이터에 대한 쌍별 비교에 사용 된 Mann-Whitney U 테스트 분석의 결과를보고합니다(Bonferroni 보정 된 유의 수준은 0.02 로 설정됨)., Malingerers(C)더위원회는 오류를 포함하여(d 류)오류 및 생략,그리고 얻을 크게 높이는 전자 점수 이상 제어와 환자는(B 그룹과 각각). 건강한 대조군은 또한이 점수에서 환자를 크게 상회했다. 그룹 비교에서 응답 시간도 있었다 중요한 컨트롤을 완료하는 시험이 훨씬 더 빠르게 보다 malingerers 및 환자에게 다르지 않습니다.
표 2., Mann-B 시험 점수에 그룹 간의 휘트니 U 비교.
오류가 패턴을 공개하는 환자와 컨트롤 더 누락 오류보다 위원회는 오류를 포함하여(d 류)하는 동안,malingerers 더위원회에 오류가 일반적으로,뒤에 오류 및 생략 d 오류가 있습니다.
환자와 Malingerers 사이의 분류 정확도
b 테스트를 medico-legal 환경에서 적용 할 때 가장 흥미로운 것은 malingerers 와 환자 간의 비교입니다., 어는 의학적 법적을 설정,개별 부리기는 경향이 목표입니다 여부를 확인하는 수험생은 실시 병리학적인 경우 또는 malingerer. 이러한 이유로 최대 관심사는 효율적으로 구분(에서 우리의 실험)환자에서 malingerers 에서 유일한 기준의 테스트 결과를 얻을 수 있습니다. 임계값 점수를 올바르게 분류 90%의 환자에 대한 각 측정값(생략 오류,d 오류,위원회는 오류 응답 시간,전자 점수와 함께 AUC)결과가 높은 분류정확도(참조 Table3)., 예를 들어,누락 오류와 관련하여 컷오프>56 은 환자의 90%(그룹 A)와 malingerers(그룹 C)의 90.4%를 올바르게 분류했습니다.
표 3. 시뮬레이터에서 환자를 차별하기 위해 관련 민감도와 특이성을 가진 b 시험 점수 컷오프.그러나 이러한 결과는 과다 피팅으로 인해 어려움을 겪을 수 있습니다., 으로 보고하기 위하여 위에서,효율성을 평가의 시험을 피 과잉 맞춤리 테스트 다양한 기계 학습 모델을 사용하여 LOOCV 절차입니다.
예측을 개발하는 데 사용되는 기계 학습은 모델들은 다음 연령,학력,성별,d 오류,위원회의 오류,누락,오류를 총 RT(sec),전자 점수입니다. Leave-one-out cross validation(LOOCV)(예:Vapnik and Chapelle,2000)기술이 사용되었습니다. 이러한 기술은 모델을 개발하는 데 사용 된 교육 샘플에서 하나의 단일 사례를 남깁니다., 모델이 개발 된 후,이 홀드 아웃 주제에서 정확도가 테스트됩니다(샘플 제외). 이 과정은 샘플의 모든 경우에 대해 반복됩니다(환자와 말링 어를 비교할 때,42-1). 그런 다음 오류는 42-1 계산에 걸쳐 평균화되며이 평균 오차는 샘플 외 오차의 추정치입니다. LOOCV 는 예를 들어 신경 영상 연구(Orrù et al., 2012).,
아홉 위에 언급된 기능에 입력한 다양한 기계 학습 분류하는 훈련을 했을 분류하는 모든 과목에 속하는 것으로 두 가지 중 하나 카테고리의 관심(환자 및 malingerers). 특히,우리가 선택한 다음류의 대표자의 다른 카테고리 분류:naive Bayes,로지스틱 회귀분석,간단한 로지스틱 회귀 Support Vector Machine,그리고 임의의 숲(웨 설명서 버전 3-7-8,Bouckaert et al., 2013). 다른 분류 자들 사이의 결과는 표 4 에보고되어있다.,
표 4. Leave-one-out cross validation 에서 5 가지 ML 분류기로 얻은%correct,곡선 아래 영역(AUC)및 F1 로 측정 한 정확도.
모든 분류에 따라 다른 가정하고 담당자의 서로 다른 클래스의 분류이 나왔고 유사한 정확한 결과와 비슷한 수치는 모두 긍정 오류 및 부정 오류가 있습니다.
표 5 에보고 된 결과는 환자와 시뮬레이터 간의 비교를 참조하십시오.,
표 5. 각 분류 자에 의해 올바르게 식별 된 환자와 말링 환자 간의 비교.
마지막으로,임의의 숲래스의 분류를 분류하는 과목이지만에서는 세 개의 클래스(환자 건강 컨트롤 malingerers)지 두 가지 범주로 보고서블 4,5 이 나왔고 결과는 다음과 같습니다.(1)전체 정확도=79.4;(2)AUC=0.87;(3)F1=0.8., 앞서 언급 한 것으로 올바르게 분류 된 환자는 17/21,건강한 대조군은 15/21,말링 환자는 18/21 이었다.
위에보고 된 모든 ML 모델은 불투명하며 최종 분류를 산출하는 기본 논리는 간단하지 않습니다., 하기 위해 더 명확한 이해의 분류는 논리,우리는 실행하는 나무 모델 ML 를 선택하는 최적의 결정에는 규칙을 극대화 분류 정확도,J48(퀸란,1993),이 나왔고 다음과 같은 최적의 의사 결정을 규:
경우 생략에 오류가<=78, 다음 주제로 분류됩니다 환자 정확도와 같 95.,2%;
경우 생략에 오류가>78,다음 주제로 시뮬레이터와 함께 정확성을 동등하 86%.
언급된 결정이 원칙이지 않고 최고의 분류만을 제공하는 쉬운 방법을 이해하는 규칙에서 결과에서 높은 정확도를 분류하는 환자와 malingerers., 으로 원래에 표시된 분(2000),누락 오류를 하는 이들은 더 많은 기여 올바르게 구분 시뮬레이터에서 환자들 또한 이러한 연구는 최적의 분류될 수 있에 기초한 원칙을 기반으로의 번호를 누락.
또한,이제 분석을 사용되었습을 강조하는 예측을 최대로 기여하는 정확한 분류의 환자에 대한 시뮬레이터. 결과는 다음과 같습니다:누락=0.81;커미션=0.66;E-점수=0.66;d 오류=0.56., 임의의 숲 또한 허가를 일종의 중요성을 예측에 기여하는 정확한 분류의 중요성을 예측변수와 비슷하다는 것에서 유래 이제 분석 보고와 함께 위한 최대 공헌 분류에서 나오는 생략과위원회에 오류가와 전자 점수입니다.,
토론
지만 임상 연구 활동을 주도했다는 점점 더 정교한 방법이고 나왔는 유망한 결과를 검출하 부리기,여전히 중요한 이론 및 실제 과제에서 감지의 부리기에 특히 노인 인구로 가벼운전에 신경 장애가 있습니다. 짜 심각한 인지적 장애 검출될 수 있는 임상적으로 비교하여 낮은 점수에는 인식 테스트 결과 손상되지 않은 기능에서 파생됩니다., 사실,손상되지 않은 일상 생활의 활동과 짝을 심각한 손상에 인식 테스트에 눌러 동일한 기능을 나타내는 부리기. 그러나,가벼운 Neurocognitive 장애지 않은 일반적으로 일상 생활 장애 및 malingerers 감지하기 어려울 수 있을 사용하여 간단한 전략으로 구성된서 비교 인식 테스트 결과(아주 저렴한)및(유).
인지 적자의 malingerers 를 식별하기 위해 전략의 번호를 사용할 수 있습니다., 예를 들어 의학적 증상이 유효성 테스트(MSVT)는 널리 사용되는 메모리 테스트와 함께 세 가지 구축에 노력을 측정하는 것을 목표로 감지하는 겉으로 꾸미(녹색,2004;Dandachi-피츠제럴드와 Merckelbach,2013). 이 MSVT 가 인상적으로 달성 높은 요금의 민감도와 특이성에서 실험적인 연구에 비해 컨트롤 malingerers 지시하는 시늉을 메모리 문제(Merten et al., 2005).
b 테스트는 동일한 클래스의 테스트,소위 성능 유효성 테스트(예:,,Rey15items,Reznek,2005),이는 고인지 장애인에게도 매우 쉬운 테스트입니다.
기 위해서 여부를 평가하는 b 시험을 식별하는 데 도움이 될 수 있습니다 이 유형의 malingerers,우리 관리 테스트 b 그룹의 환자와 가벼운 Neurocognitive 장애입니다. 이 그룹에 비해 건강한 컨트롤을 지시하여 거짓으로 대응하는 테스트(인위적으로 생산 유사한 패턴을 인지장애)그리고 그룹의 건강한 컨트롤을 지시하는 정직하게 응답을 테스트합니다.,
주요 결과는 malingerers 득점보다 더 부 컨트롤 및 환자에 b,테스트에서 모든 매개변수에서 파생된 테스트를 제외한 총 응답 시간입니다. 특히,환자 및 컨트롤 더 누락 오류보다 위원회는 오류를 포함하여,d 오류하는 동안,malingerers 만든 어울리지 않게 더위원회는 오류를 뒤에 오류 및 생략 d 오류가 있습니다. 이 연구 결과는 malingerers 에 의해 구두로보고 된 바와 같이 사임하기위한 전략을 면밀히 반영합니다., 사실,그들의 절반을 표시하는 그들이 만들어 임의의 생략과위원회에 오류하는 동안,약 그들의 분기에 표시하는 시도를 원한 모든 목표는 없었습니다. 의 절반 malingerers 또한 보고 그들은 의도적으로 둔 그들의 응답 시간입니다. 따라서 malingerers 는 오류 패턴에 따라 진실 창구와 구별 될 수 있으며 이는 환자가 보여준 것과 근본적으로 다릅니다. 대조적으로,환자와 건강한 대조군은 반응과 오류의 패턴이 비슷합니다., 동 컨트롤 수행보다 훨씬 더 나은 환자 모두에 오류가 점수를,두 그룹이 표시되 이상의 오류를 생략의 보다 위원회는 동 보고,위 malingerers 표시되는 반대의 패턴입니다.
우리 연구에서보고 된 데이터는 Boone et al.의 원래 검증 실험과 일치합니다. (2002),는 문서화하는것은 매우 특별한 우울증 환자,뇌졸중,뇌손상,정신분열증,배우 장애인,그리고 고급 세 misidentify 비 b b 습니다., 현재 연구의 데이터는 경미한 치매를 가진 노인 환자에게이 관찰을 확장합니다.
우리의 실험에서 환자들은 Boone et al.보다 b 테스트를 훨씬 더 느리게 수행했습니다. (2002)환자(주로 정신과 환자를 포함). 이러한 결과는인지 적 둔화가 초기 치매에서 두드러진다는 관찰과 일치한다(McGuinness et al.,2010)및 반응 시간은 실제 대 경증 치매를 차별화하는 데 매우 제한된 가치가 있음을 시사한다. 반대로 지나치게 학습 된 정보 작업에 대한 오류는 훨씬 더 효율적인 것으로 보입니다., 자연의 신경학적 질환과 연결된 온화한 인지적 장애를 설명할 수 있는 이유는 인덱스에 기반한 시간에 특히 유용하지 않는 검출 malingerers.
우리의 연구에서 malingerers 는 의도적으로 성능을 저하시킵니다. 그러나,감소된 응답 속도로도 기능의 가장 신경 조건이 될 수 있다는 이유는 인덱스에 기반 타이밍하지 못할 수 있습 효과적으로 차별화 사 malingerers 고 환자입니다.,
그 결과가 위에 요약 된 표준 통계 분석 외에도 ML 기술을 기반으로 한보다 진보 된 분석을 적용했습니다. 또한 우리보고 분류 정확도를 기반으로 K-fold 십자가 유효성 검사(특히나 하나 십자가 검증,LOOCV;으로 간주된 최고의 기술에 대한 처리 등의 문제에서 작은 샘플)를 얻기 위해서는 편견의 추정의 샘플을 정확도를 확인합니다., 이 분석 표 malingerers 따라 다음과 같이 구별할 수 있습니다 환자에 독점적으로 b 성능 테스트 전체의 정확도가 90%또는 그 이상(최대 정확도와 간단한 로지스틱 분류). 다른 유형의 기계 학습 모델은 비슷한 결과를 보여주었습니다. 는 동안 어떤 분류자는 매우 복잡한 규칙을 결정(예:임의의 숲)다른 사람들 수 있습니다 더 직관적인에 대한 임상., 예를 들어,최적의 의사 결정 트리 나왔고 다음과 같은 결정을 규:
경우 생략에 오류가<=78,다음 주제로 분류됩니다 환자 정확도와 같은 95.2%;
경우>78 시뮬레이터와 함께 정확성을 동등하 86%.
에도 불구하고 낮은 교육 수준(M=6.7,SD=2.2),건강하 제어’평균 응답 시간(M=634.76,SD=236.23)과위원회에 오류가(M=1.28,SD=2.,75)는 Boone et al.에 의해보고 된 것과 유사했다. (2002). 이전 제어(교육 수준으=15.2 년 평균 응답 시간=10.8min;을 의미 위원회는 오류=1.0). 컨트롤 현재 연구에서 투 더 많은 생략 오류상에서의 분과 동료 샘플(평균 누락 오류가:18.0 대 8.0). 이러한 연구 결과는 교육을 가지고 나타나는 최소한의 영향에 대 b 성능 테스트 제안하는 테스트는 비교적에 의해 영향을 받는 수험생 교육 수준입니다.,
현재 연구의 한계는 지시 된 malingerers(실험 malingerers 라고도 함)의 사용을 포함합니다. 지시 malingerers 일반적으로 생산하는 높은 감도 요금을 경향이 있기 때문에 시늉을 더 지나치게 보다는 그들의 실제 대응(분 et al., 2005). 또한 현재 연구에서,malingerers 지시를 받았다 가는 질병에 대한 자격장애는 보상,도록 참가자가 시도했을 가능성이 있는 더 이상-과장 인지적 장애 발생합니다., 민감도 비율에서 우리의 연구는 필요에 따라서 향후에 복제 medico-법적인 설정을 사용하여 참가자들은 자발적으로 동기를 가짜보다는 지시하는 시늉을 인지적 장애가 있습니다.
데이터 가용성
데이터 집합을 사용하고 분석하는 동안 현재 연구에서 사용할 수 있는 해당 저자에 따라 합리적인 요청입니다.
윤리 선언문
Belluno 및 Treviso(이탈리아)지방의 임상 시험 윤리위원회는 실험 절차를 승인했습니다., 모든 피험자는 헬싱키 선언에 따라 서면 정보에 입각 한 동의를했습니다.
저자 기여
GS 와 FG 는 실험을 고안했다. GP,RV 및 GS 는 실험 작업을 설계했습니다. Gp 는 건강한 피험자 데이터 수집에 기여했습니다. Rv 와 GP 는 건강한 환자 데이터 수집에 기여했습니다. GO 와 ag 는 데이터 분석에 기여했습니다. GO 와 KB 는 데이터 해석에 기여했습니다. GP,GS,KB 및 go 는 원고 초안을 작성했습니다. 모든 저자는 원고를 비판적으로 수정하고 출판 될 버전에 대한 최종 승인을 주었다.,
이해의 충돌 문
저자가 선언하는 연구가 수행되었의 부재에서 어떠한 상업 또는 금융 서비스를 제공하는 것으로 해석될 수 있는 잠재적인 이해의 충돌.
미국 정신과 협회(2013). DSM-5:정신 장애의 진단 및 통계 매뉴얼. (워싱턴 DC:미국 정신과 협회),5.쨈챘짹쨀째쩔징 쨉청쨋처 쨘쨍쩔징 쨈챘쩔짤 쨘쨍쩔징 쨈챘쩔짤 쨘쨍쩔징 쨈챘쩔짤 쨘쨍쩔징 쨈챘쩔짤 쨘쨍쨈쨈. B 테스트 매뉴얼. 로스 앤젤레스:서양 심리 서비스.나는 이것이 어떻게 작동하는지 잘 모르겠습니다., (2004). Microsoft Windows 용 GREEN 의 의료 증상 유효성 검사(MSVT):사용 설명서. 에드먼턴,캐나다:그린의 출판.
Google Scholar
