Good Mood

Innledning

Nylig, et økende antall studier som har vært publisert for å ta fenomenet malingering og påvisning av malingered kognitive symptomer. En rekke undersøkelser (f.eks., Sartori et al., 2016b; Walczyk et al., 2018) tyder på at malingering oppstår vanligvis i tre brede domener: psykopatologi, kognitiv svikt, og medisinsk sykdom., I sammenheng med kognitive dysfunksjoner, neuropsychologists og kliniske psykologer har i økende grad avhengig av resultatene av nevropsykologiske vurderinger for å informere sine meninger om art, omfang og troverdighet hevdet kognitive vansker. Klinisk og vitenskapelig innsats har ført til stadig mer avanserte og effektive metoder og instrumenter som er utformet for å oppdage malingering som er vanligvis observert i de fleste rettsmedisinske innstillinger., Bevis finnes noe som tyder på at ytre motivasjon for å malinger vanligvis innebærer økonomisk kompensasjon for skader som resulterer i fysiske svekkelser og/eller kognitiv svikt. Den mer omfattende kognitiv dysfunksjon er vist, er det mer økonomisk kompensasjon er forventet og enkeltpersoner har vesentlig motiv for å simulere eller over-overdrive symptomer.

Kritisk, de fleste av kognitive symptomer er lett forfalsket selv ved naive ikke-trent kandidater for å oppnå økonomisk kompensasjon., For de nevnte grunn, det er viktig å stole på psykometriske verktøy for å skille mellom, på et objektivt grunnlag, om nevropsykologiske testresultater nøyaktig gjenspeiler kognitive dysfunksjoner eller om enkeltpersoner forsøkt å simulere eller over-overdrive sine problemer (Sartori et al., 2016b, 2017). Mens nyere teknikker stole på komplekse pc-baserte verktøy (f.eks., Sartori et al., 2016a), papir-og-blyant-tester (for eksempel b-Test undersøkt her) fortsatt har store praktiske fordeler.,

Forfalsket alvorlig kognitiv svikt kan være klinisk oppdaget ved å sammenligne kognitiv test resultater med pasienten dagligdagse ferdigheter. Usvekket daglige aktiviteter sammen med alvorlig svikt i kognitive tester trykke på de samme funksjonene er en indikasjon på malingering. Imidlertid, mild kognitiv svikt er ikke vanligvis ledsaget av dagliglivet nedskrivninger og malingerers kan være vanskelig å oppdage ved hjelp av enkle strategier som består i å sammenligne kognitiv test resultater (svært lav) og daglige aktiviteter (bevart)., For å overvinne denne begrensningen, er det mulig å stole på resultatene gitt av klinisk forskning (Mynt et al., 2009; Orrù et al., 2009).

En strategi som brukes i nevropsykologiske tester for å oppdage malingering er basert på bruk av enkle tester. Som rapportert av American Academy of Klinisk Nevropsykologi Konsensus Konferanse Uttalelse om nevropsykologisk vurdering av innsats, response bias og malingering (Heilbronner et al.,, 2009), disse testene er vanligvis godt utført med et minimum innsats av pasienter som lider av nevrologiske og psykiatriske sykdommer, med mindre det er en bevisst intensjon om å utføre dem dårlig. De fleste ytelse gyldighet tester (PVTs) som brukes i kompensasjon-søker innstillinger er laget for å oppdage hyklerske kort sikt minne lidelser (Boone et al. I 2000; Sharland og Gfeller, 2007; Young et al., 2016). Videre er det også tester for å oppdage simulert underskudd i ulike kognitive områder, for eksempel i overlearned informasjon og behandling hastighet.,

En slik test er b-Test (Boone et al., 2002). Det består av et 15-siders hefte: hver side inneholder 72 stimuli inkluderer små b (target stimuli) og andre symboler som er brukt som distractors, for eksempel små d, q og s, og b er enten med diagonal eller ekstra stammer. Totalt sett er det 255 mål stimuli i stimulans hefte: 20 på den første siden, 16 i den andre, og 15 i den tredje. Disse sidene er gjentatt fem ganger i en stadig mindre format., B-Test krever examinee til å sette ring rundt alle de andre b-er som skal vises på hver side så raskt som mulig, i løpet av oppgaven, ulike typer feil kan være begått: unnlatelse feil (ved å utelate å sirkel mål stimuli), d feil (ved å sirkle d s), og kommisjonen feil (ved å sette ring rundt symboler som ikke er b-er, inkludert d-er). Sensor tar til etterretning av totalt responstid, nemlig av den tid som deltakeren har behov for å ha fullført testen., Total feil og gjennomsnittlig tid per side er brukt til å beregne Krefter Index Score (eller E-score), som resultater fra formelen: (sum d feil + sum kommisjonen feil) × 10 + total unnlatelse feil + gjennomsnittlig tid per side.

Det b-Test vurderer overlearned ferdigheter og kan brukes i den rettsmedisinske innstillingen. Pasienter med cerebral dysfunksjon som gjør en innsats på testen er lite sannsynlig å bli klassifisert som ikke-samarbeidsvillige. Pasienter med hukommelsessvikt kan ikke mislykkes på test og dette kan gi mindre falske positiver enn minne-basert innsats test., Til slutt, en kompromittert b-Test ytelse på grunn av tilstedeværelsen av overplayed symptomer og i fravær av dokumenterte lærevansker er svært mistenkelig av malingering (Boone et al., 2002).

Det b-Test kan skille mistenkt malingerers fra mange ulike kliniske grupper inkluderer: major depressive lidelse, schizofreni, moderat eller alvorlig hodeskade, hjerneslag, lærevansker, og friske eldre (se Boone et al., 2002).

Vilar-Lòpez et al., (2007) analyserte forestillinger på b-Test av en spansk populasjon utvalg med post-concussive syndrom (PC-er) som er involvert i rettssaker, og ikke involvert i rettstvister som viser god sensitivitet og spesifisitet. Videre, i en annen studie (Vilar-Lòpez et al., 2008), de samme forfatterne analyserte forestillinger av pasienter med mild traumatisk hjerneskade., Deltakerne ble delt inn i tre grupper: den første gruppen var ikke involvert i noen form for kompensasjon-søker prosesser; den andre gruppen var en kompensasjon-søker-gruppe som ikke er mistenkt for malingering, og den tredje gruppen inkluderte pasienter som søker erstatning som var mistenkt for malingering. Resultatene av studien viste at det er statistisk signifikante forskjeller mellom gruppene og malingerer versus ikke-malingerer klassifisering. På samme måte, Marshall et al. (2010) har undersøkt gyldigheten av b-Test for å påvise hyklerske ADHD i et stort utvalg (n = 257).,

til Tross for den lovende resultater, Shandera et al. (2010) gjennomførte en studie på gyldigheten av b-Test i en voksen befolkning eksempel lider av mild mental retardasjon. Resultatene viste tilfredsstillende resultater når malingerers trenger å skilles fra denne klinisk eksempel.

Gitt dette resultatet, diagnosticity av b-Test er fortsatt uklart skille mellom Mild Nevrokognitiv Lidelser og malingerers. Vår kunnskap, bare Dean et al. (2009) har vurdert spesifisitet av b-test n mild demens med utilfredsstillende resultater.,

for å undersøke potensialet av b-Test i klassifisere ekte kognitiv svikt fra hyklerske kognitiv svikt i den eldre delen av befolkningen, den foreliggende studie har undersøkt b-Test verdi i en italiensk eksempel med Mild Nevrokognitiv Lidelser og i sunn alder-matchet eldre individer, blir bedt om å late kognitive dysfunksjoner. Videre er målet vårt var å vurdere om maskinlæring classifiers kan resultere i en økt klassifisering nøyaktighet i forhold til den mer tradisjonelle tilnærmingen basert på cut-off skårer.,

Materialer og Metoder

Deltakere

Seksti-tre italiensk-talende deltakerne ble rekruttert (36 menn og 27 kvinner, mean alder: 73.43 ± 5.97 år, område: 58-87; betyr utdanning: 7.03 ± 2.78 år, område: 3-19). Prøven besto av tre grupper. Den første gruppen besto av pasienter med blandet nevrologiske etiologi, som oppfyller kriteriene for Diagnostic and Statistical Manual for Mental Disorders-5 (DSM-5) (APA, 2013) for Mild Nevrokognitiv Lidelse (Gruppe A; n = 21)., Disse pasientene ble diagnostisert i henhold til DSM-5 kriteriene for Mild Nevrokognitiv Lidelse av en ekspert nevrolog (RV) gjennom anamnestic intervjuer, nevrologiske undersøkelser, og nevropsykologiske tester. Den nevropsykologisk vurdering inkludert: Mini-Mental State Examination (MMSE, Folstein et al., 1975; Mynt et al. 2009) og Frontal Assessment Battery (FAB, Dubois et al. I 2000; Appollonio et al., 2005). Gruppe A ble rekruttert fra en nevrologisk enhet i nordøst-Italia.,

En annen gruppe (n = 21, Gruppe B) av sunn alder-matchet personer som var nødvendig for å fullføre testen uten spesifikk instruksjoner, mens en tredje gruppe (n = 21, Gruppe C) av sunn alder-matchede kontroller ble bedt om å svare svikefullt til testen som om de var kognitivt svekket.

Friske kontroller og malingerers (Gruppe B og Gruppe C) ble rekruttert fra to rekreasjon sentre for eldre mennesker.,

Mild Nevrokognitiv Lidelser

Deltakere Med Mild Nevrokognitiv Lidelse

Friske Deltakere og Malingerers av Kognitiv Svikt

Friske Deltakere

Førti-to sunn deltakerne ble rekruttert. De hadde ingen historie med nevrologiske eller psykiske sykdommer eller stoff/alkohol misbruk. MMSE korrigert resultat ble ≥ 26 og ingen deltaker fikk et tilsvarende resultat < 2 på FAB. Alle deltakerne ble tilfeldig fordelt til en av følgende to grupper., Den ene gruppen (Gruppe B: friske kontroller) ble gitt standard instruksjon for b-Test (n = 21, 14 menn og 7 kvinner), mens den andre (Gruppe C: malingerers) mottok instruksjoner å late b-Test (n = 21, 8 menn og 13 kvinner) for å fake en kognitiv lidelse. Spesielt, den malingerers (Gruppe C) ble bedt om å gjennomføre MMSE og FAB så best som mulig og bare for b-Test mottatt under feigning instruksjoner (de ble bedt om å simulere ved å vedta strategier i samsvar med sin tro og felles kunnskap om mild kognitiv underskudd).,

Eksperimentelle Prosedyrer

b-Testen ble administrert etter MMSE og FLOTT til alle deltakerne. Like før den eksperimentelle oppgaven, deltakere som er tilordnet til malingerers gruppen ble bedt om å lyve om sine kognitive status. For å øke compliance, ble deltakerne gitt følgende scenario: «Du skal fullføre testen som det ville være utført av en pasient som lider av mild demens eller mild kognitiv svikt. I særdeleshet, late som jeg er medlem av den Kommisjonen som sertifiserer uførhet; du skal overbevise meg om at du er kvalifisert for uførhet betalinger.,»Etter gjennomføring av testen, malingerers gruppen ble også stilt spørsmål som følger: «å Beskrive den strategien som brukes og forklare hvorfor du har valgt det.»

– Pasienter og friske kontroller var nødvendig for å gjennomføre alle testene med maksimal innsats.

Data Analyse

Data ble analysert ved hjelp av nonparametric statistisk analyse. Videre, for å vurdere om klassifisering nøyaktigheten av b-Test og unngå overfitting, vi mye brukt leave-one-out cross validation (LOOCV) prosedyre (Cawley og Talbot, 2010)., Overfitting er en overdrevet optimistisk tilpasning til dataene fra testing av modellen på det samme datasettet som er brukt for å utvikle selve modellen. For å oppnå realistisk estimat av standard feil (malingerers vs. pasienter), overfitting bør unngås. Overfitting er en unormal modell som passer er vanligvis counter å bruke out-of-sample korrektheten estimering (hold-ut-metoden), som brukes som en proxy-i-feltet nøyaktighet. Slike out-of-sample korrektheten beregninger krever store prøver, som er vanskelig å samle inn med kliniske populasjoner., Det har vist seg at n-fold cross validering er en god fremgangsmåte for å estimere sant nøyaktighet i små prøver. Et spesielt tilfelle av n-fold cross validation er LOOCV (Cawley og Talbot, 2010), en metode for valg i kliniske studier (Orrù et al., 2012). I LOOCV, den statistiske modellen er utviklet ved hjelp av bare n − 1 eksempler og testet på den resterende forbilde. Prosedyren gjentas roterende systematisk venstre eksempel ut og out-of-sample klassifisering feil er avledet fra gjennomsnittlig feil på n − 1-modeller., Av denne grunn, har vi brukt LOOCV for å oppnå cross validert diskriminering tall mellom malingerers og pasienter.

Nylig, har det blitt vist at psykometriske tester kan bli utvidet ved hjelp av, på toppen av flere tradisjonelle statistiske metoder, maskinlæring (ML) teknikker (James et al., 2013). ML har allerede blitt brukt til å utvikle høy ytelse klassifisering modeller rettet mot å oppdage malingerers (Monaro et al., 2018a,b).

Data analyse har blitt utført ved hjelp av SPSS og Weka 3.8 (Hall et al., 2009).,

Resultater

Nonparametric Statistisk Analyse

Middel og standardavvik for alder, utdanning, og test score er rapportert i Tabell 1. Fordi ikke alle testresultater var normalt fordelt på grupper, nonparametric gruppe sammenligninger (Kruskal-Wallis ANOVAs) ble beregnet. Grupper gjorde ikke signifikant forskjellige i alder og år med utdanning, men de skilte seg i MMSE og FAB score, med Gruppen En scoring betydelig verre enn Gruppe B (friske kontroller) og C (malingerers) på MMSE og FAB.,

Som vist, grupper signifikant ulik på alle b-Test score. Tabell 2 rapporterer resultatene av Mann-Whitney U test analyser som brukes i parvis sammenlikning på b-Test data (Bonferroni-korrigert betydning nivåene ble satt til 0,02)., Malingerers (Gruppe C) gjort mer kommisjonen feil (inkludert d feil og mangler feil, og oppnådd betydelig høyere E-score enn kontroller og pasienter (Gruppe B og A, henholdsvis). Friske kontroller også betydelig bedre enn pasienter på disse poengsummene. Gruppe sammenligninger på responstid var også betydelig, med kontroller for å ha fullført testen betydelig raskere enn malingerers og pasienter, som ikke avvike vesentlig fra hverandre.

Feil mønstre avdekket at pasienter og kontroller gjort mer unnlatelse feil enn kommisjonen feil (inkludert d-feil), mens malingerers gjort mer kommisjonen feil generelt, etterfulgt av feil og utelatelser d feil.

Klassifisering Nøyaktighet Mellom Pasienter og Malingerers

ved bruk av b-Test i en rettsmedisinske innstillingen, mest interessant er sammenligningen mellom malingerers og pasienter., Gitt at i en rettsmedisinske innstillingen, individet er malingering utsatt, målet er å identifisere om examinee er en ekte patologisk tilfelle eller en malingerer. For denne grunn, maksimal interesse er effektivt skille (i vårt eksperiment) pasienter fra malingerers eneste grunnlag av b-Test resultater. Terskelen poeng at klassifisere riktig 90% av pasienter for hvert tiltak (unnlatelse feil, d feil, kommisjonen feil, responstid, og E-score sammen med AUU) resulterte i en høy klassifisering nøyaktighet (se Tabell 3)., For eksempel, når det gjelder utelatelsen feil, en cut-off >56 klassifisert 90% av pasientene (Gruppe A) og 90.4% av malingerers (Gruppe C) på riktig måte.

Dette resultatet, men kan lide fra overfitting., Som referert ovenfor, for å evaluere effektiviteten av b-Test og unngå overfitting, vi testet ulike maskinlæring modeller ved hjelp av LOOCV prosedyre.

prediktorer som brukes i utvikling av maskinen læring modellen var følgende: alder, utdanning, kjønn, d feil, kommisjonen feil, utelatelser feil, totalt RT (sek), E-score. Den leave-one-out cross validation (LOOCV) (f.eks., Vapnik og Chapelle, 2000) teknikk ble brukt. Slik en teknikk som etterlater en enkelt sak ut av opplæringen for eksempel brukes til å utvikle modellen., Etter at modellen er utviklet, nøyaktighet er testet ut av utvalget) i denne hold-ut motivet. Prosessen gjentas for alle saker i utvalget (når man sammenligner pasienter og malingers, 42-1). Feilen er deretter fordelt på de 42-1 beregninger og denne gjennomsnittlig feil er en estimering av out-of-sample feil. Den LOOCV er metoden for valget når et lite antall tilfeller er tilgjengelig, slik som for eksempel i bildediagnostiske undersøkelser (Orrù et al., 2012).,

nine funksjonene som er nevnt ovenfor er oppgitt i annen maskin læring classifiers, som var opplært til å klassifisere hver gjenstand som tilhører en av de to kategoriene av interesse (pasienter og malingerers). I særdeleshet, har vi valgt følgende classifiers som representative for ulike kategorier av classifiers: Naiv Bayes, Logistisk Regresjon, Enkel Logistisk regresjon Support Vector Machine, og Random Forest (WEKA Manual for Versjon 3-7-8, Bouckaert et al., 2013). Resultater blant annet classifiers er rapportert i Tabell 4.,

Alle classifiers basert på ulike forutsetninger og representant for forskjellige klasser av classifiers gitt lignende nøyaktige resultater med tilsvarende tall både for falske positive og falske negative feil.

resultatene rapportert i Tabell 5 se sammenligningen mellom pasienter og simulatorer.,

til Slutt, en Random Forest multiclass classifier som klassifiserer fag, men i tre klasser (pasienter, friske kontroller, og malingerers) og ikke i to kategorier som er rapportert i Tabellene 4, 5 ga følgende resultater: (1) samlet nøyaktighet = 79.4; (2) AUU = 0.87; (3) F1 = 0.8., Pasienter riktig klassifisert som nevnte var 17/21, friske kontrollene ble 15/21, og malingerers var 18/21.

Alle ML modeller rapportert ovenfor er ugjennomsiktig og den underliggende logikken som gir den endelige klassifiseringen er ikke enkelt., For å få en klarere forståelse av klassifisering av logikk, vi har kjørt i et tre-modellen ML som velger optimal beslutning regel som maksimerer klassifisering nøyaktighet, J48 (Quinlan, 1993), som ga følgende optimale avgjørelsen regel:

dersom utelatelsen feil < = 78, deretter motivet er klassifisert som en pasient med en nøyaktighet lik 95.,2%;

og

dersom utelatelsen feil > 78, så motivet er klassifisert en simulator med nøyaktighet tilsvarer 86%.

De nevnte beslutning prinsippet er ikke den beste classifier men gir en enkel måte å forstå regelen, noe som resulterer i høy nøyaktighet i å klassifisere pasienter og malingerers., Som opprinnelig ble angitt av Boone (2000), utelatelse feil er de som er mer å bidra i riktig skille simulatorer fra pasienter og også denne forskningen viser at optimal klassifisering kan være basert på en regel som er basert på antall utelatelser.

I tillegg, en correlational analyse har blitt brukt til å markere hvilke av prediktorer maksimalt bidrar til riktig klassifisering av pasienter vs. simulatorer. Resultatene var følgende: unnlatelse = 0.81; kommisjonen = 0.66, E-score = 0.66; d feil = 0.56., Random Forest er også avgjørende for å sortere viktigheten av prediktorer i å bidra til nøyaktig klassifisering og viktigheten av prediktorer var lik som resulterer fra correlational analyse rapportert ovenfor med den maksimale bidrag til klassifisering kommer fra unnlatelse, og kommisjonen feil og E-score.,

Diskusjon

Selv om kliniske og forskning innsats har ført til stadig mer sofistikerte metoder og har gitt lovende resultater å oppdage malingering, er det fortsatt betydelige teoretiske og praktiske utfordringer i påvisning av malingering, spesielt i den eldre delen av befolkningen med Mild Nevrokognitiv Lidelser. Falske alvorlig kognitiv svikt kan påvises klinisk ved å sammenligne lave skårer på kognitiv test resultater og usvekket fungerer hentet fra dagliglivet., Faktisk, usvekket daglige aktiviteter sammen med alvorlig svikt i kognitive tester trykke på de samme funksjonene er en indikasjon på malingering. Imidlertid, Mild Nevrokognitiv Lidelser er ikke vanligvis ledsaget av dagliglivet nedskrivninger og malingerers kan være vanskelig å oppdage ved hjelp av enkle strategier som består i å sammenligne kognitiv test resultater (svært lav) og daglige aktiviteter (bevart).

En rekke strategier er tilgjengelige for å identifisere malingerers av kognitiv svikt., For eksempel, det Medisinske Symptom Gyldighet Test (MSVT) er en mye brukt testen med tre innebygde innsats for tiltak som tar sikte på å oppdage feigning (Green, 2004; Dandachi-FitzGerald og Merckelbach, 2013). Den MSVT har oppnådd imponerende høye priser på sensitivitet og spesifisitet i eksperimentelle studier som har sammenlignet kontroller med malingerers bedt om å late problemer med minne (Merten et al., 2005).

Det b-Test tilhører samme klasse av tester, den såkalte ytelse gyldighet tester (f.eks.,, Rey 15 elementer, Reznek, 2005), som er tester som er veldig lett også for høyt kognitivt svekket.

for å vurdere om b-Test kan bidra til å identifisere denne typen malingerers, vi administreres b-Test til en gruppe av pasienter med Mild Nevrokognitiv Lidelse. Denne gruppen ble sammenliknet med friske kontroller bedt om å svare svikefullt til test (kunstig produksjon lignende mønstre av kognitiv svikt) og en gruppe av friske kontroller bedt om å svare sannferdig til test.,

Store resultatene viser at malingerers scoret mer dårlig enn kontroller og pasienter på b-Test, på alle parametere som er avledet fra testen, bortsett fra for den totale responstid. Spesielt, pasienter og kontroller gjort mer unnlatelse feil enn kommisjonen feil, inkludert d feil, mens malingerers laget uforholdsmessig mer kommisjonen feil, etterfulgt av feil og utelatelser d feil. Disse funnene nært speilet strategier for feigning som rapportert muntlig av malingerers., Faktisk, halvparten av dem viste at de laget tilfeldig unnlatelse, og kommisjonen feil, mens om lag en fjerdedel av dem viste at de forsøkte å circle alle mål som ikke var b-tallet. Halvparten av malingerers rapporterte også at de bevisst redusert responstiden. Derfor, malingerers kan skilles fra sannheten-tellers basert på deres feil mønstre, som er radikalt forskjellig fra de viste av pasienter. I kontrast, pasienter og friske kontroller har lignende mønster av svar og feil., Mens kontrollene utført betydelig bedre enn pasienter på alle feil score, begge grupper viste mer feil, utelatelse enn kommisjonen, mens, som referert ovenfor, malingerers vises det motsatte mønsteret.

De data som rapporteres i vår studie er i samsvar med den opprinnelige validering eksperimenter fra Boone et al. (2002), som dokumenterte at det var svært uvanlig for ekte pasienter med depresjon, hjerneslag, traumatisk hjerneskade, schizofreni, lærevansker, og avanserte alder for å misidentify ikke-b ‘ s som b-tallet., Data fra denne studien utvide denne observasjonen til eldre pasienter med mild demens.

Pasientene i vårt eksperiment utført på b-Test mye saktere enn de gjorde Boone et al. (2002) pasienter (som omfattet det meste psykiatriske pasienter). Disse funnene er i overensstemmelse med observasjoner som kognitiv bremse er fremtredende i tidlig demens (McGuinness et al. 2010) og tyder på at responstid ha svært begrenset verdi i å skille faktiske versus lot mild demens. Tvert imot, feil på over-lærte informasjon om oppgaver som synes å være mye mer effektiv., Arten av nevrologiske sykdommer forbundet med mild kognitiv svikt kan forklare grunnen til at indekser basert på tid er ikke spesielt nyttig i å oppdage malingerers.

I vår studie, malingerers med vilje forsinke deres prestasjoner. Imidlertid redusert respons hastighet er også en funksjon av de fleste nevrologiske tilstander, og dette kan være grunnen til at indekser basert på timing-kan ikke være i stand til å effektivt skille mellom malingerers og pasienter.,

I tillegg til standard statistiske analyser, hvis resultatene er oppsummert ovenfor, har vi brukt en mer avansert analyse basert på ML teknikker. Vi har også rapportert om klassifisering nøyaktighet basert på K-fold Cross Validation (spesielt leave-one-out cross validation, LOOCV; vanligvis regnes som den beste teknikken for håndtering av slike problemer i små prøver) for å få forventningsrette estimater av out-of-sample nøyaktighet., Denne analysen viste at malingerers kan skilles fra pasienter utelukkende på b-Test ytelse med en samlet nøyaktighet på 90% eller mer (maksimal nøyaktighet med den Enkle Logistiske classifier). Ulike typer av maskinlæring modeller viste lignende resultater. Mens noen classifiers har en svært kompleks beslutning regler (f.eks., Random Forest), andre kan være mer intuitivt for klinikeren., For eksempel, en optimal beslutning treet ga følgende vedtak regel:

dersom utelatelsen feil < = 78, så motivet er klassifisert som en pasient med en nøyaktighet lik 95.2%;

og

hvis > 78 er en simulator med nøyaktighet tilsvarer 86%.

til Tross for den lavere utdanningsnivå (M = 6.7, SD = 2.2), friske kontroller mener responstid (M = 634.76, SD= 236.23) og kommisjonen feil (M = 1.28, SD=2.,75) var lik de som rapporteres av Boone et al. (2002). Eldre kontroller (utdanningsnivå = 15.2 år, mener responstid = 10.8 min; mener kommisjonen feil = 1.0). Styrer i den aktuelle studien begått flere feil utelatelser enn i Boone og kolleger eksempel (mean unnlatelse feil: 18.0 versus 8.0). Disse funnene tyder på at utdanningen ser ut til å ha liten innvirkning på b-Test ytelse, noe som tyder på at b-Test er relativt upåvirket av examinee utdanning nivå.,

En begrensning i denne studien innebærer bruk av instruert malingerers (også kalt eksperimentelle malingerers). Instruert malingerers generelt produsere forhøyet følsomhet priser fordi de har en tendens til å late mer overdrevet enn de i «den virkelige verden» kolleger (Boone et al., 2005). I tillegg, i denne studien, malingerers ble bedt om å late en sykdom som kvalifiserer for uførhet kompensasjon, slik at deltakerne kan ha forsøkt å videre over-overdrive kognitiv svikt., Følsomhet priser i vår studie krever derfor fremtidige replikering i rettsmedisinske innstillinger ved hjelp av deltakerne som er spontant motivert til å falsk snarere enn instruert til å late kognitive lidelser.

Data

datasettet som er brukt og som ble analysert i denne studien, er tilgjengelig fra den korresponderende forfatter ved rimelig anmodning.

Etikk Uttalelse

etisk komité for Kliniske Studier av provinsene i Belluno og Treviso (Italia) godkjent eksperimentell prosedyre., Alle fag ga skriftlig informert samtykke i samsvar med Erklæringen av Helsinki.

Forfatter Bidrag

GS og FG unnfanget eksperimentet. GP, RV, og GS designet for eksperimentell oppgave. GP bidratt til friske personer datainnsamling. RV og GP bidratt til å friske pasienter datainnsamling. GÅ og AG bidratt til data-analyse. GÅ og KB bidratt til å tolke dataene. GP, GS, KB, og GÅ skrevet manus. Alle forfatterne revidert manuskriptet kritisk og ga endelig godkjenning for den versjonen til å bli publisert.,

interessekonflikt Uttalelse

forfatterne erklærer at forskningen ble utført i fravær av kommersielle eller finansielle forhold som kan oppfattes som en potensiell interessekonflikt.