Good Mood

Inleiding

onlangs is een toenemend aantal studies gepubliceerd om het fenomeen van malingering en de detectie van malingered cognitieve symptomen aan te pakken. Een aantal onderzoeken (bijv., Sartori et al., 2016b; Walczyk et al., 2018) geven aan dat malingering typisch voorkomt in drie brede domeinen: psychopathologie, cognitieve stoornis, en medische ziekte., In de context van cognitieve stoornissen hebben neuropsychologen en klinisch psychologen zich steeds meer gebaseerd op de resultaten van neuropsychologische evaluaties om hun mening te geven over de aard, omvang en geloofwaardigheid van beweerde cognitieve stoornissen. Klinische en onderzoeksinspanningen hebben geleid tot steeds meer geavanceerde en effectieve methoden en instrumenten die zijn ontworpen om malingering te detecteren die meestal worden waargenomen in de meeste medisch-juridische omgevingen., Er zijn aanwijzingen dat externe prikkel voor malinger meestal een financiële compensatie inhoudt voor verwondingen die resulteren in fysieke stoornissen en/of cognitieve tekorten. Hoe uitgebreider de cognitieve dysfunctie wordt weergegeven, hoe meer monetaire compensatie wordt verwacht en individuen hebben een significant motief om symptomen te simuleren of te overdrijven.

kritisch, de meeste van de cognitieve symptomen worden gemakkelijk vervalst, zelfs door naïeve niet-gecoacht examinees om economische compensatie te bereiken., Om de genoemde reden is het cruciaal om te vertrouwen op psychometrische instrumenten om op objectieve basis te onderscheiden of neuropsychologische testscores accuraat cognitieve disfuncties weergeven of dat individuen probeerden hun problemen te simuleren of te overdrijven (Sartori et al., 2016b, 2017). Terwijl meer recente technieken vertrouwen op complexe computer-gebaseerde tools (bijv., Sartori et al., 2016a), papier-en-potloodtesten (zoals de hier onderzochte B-Test) hebben nog steeds grote praktische voordelen.,

vervalst ernstige cognitieve stoornissen kunnen klinisch worden gedetecteerd door cognitieve testresultaten te vergelijken met de dagelijkse vaardigheden van de patiënt. Onberispelijke dagelijkse levensactiviteiten gecombineerd met ernstige stoornissen bij cognitieve tests die op dezelfde functies tikken, is een indicatie van malingering. Echter, milde cognitieve stoornissen gaan meestal niet gepaard met het dagelijks leven stoornissen en simulators kunnen moeilijk te detecteren met behulp van eenvoudige strategieën bestaande uit het vergelijken van cognitieve testresultaten (zeer laag) en dagelijkse activiteiten (bewaard)., Om deze beperking te overwinnen, is het mogelijk om te vertrouwen op de resultaten van het klinisch onderzoek (Coin et al., 2009; Orrù et al., 2009).

een strategie die wordt gebruikt bij neuropsychologische tests voor het opsporen van malingering is gebaseerd op het gebruik van eenvoudige tests. Zoals gerapporteerd door de American Academy of Clinical Neuropsychology Consensus Conference Statement on the neuropsychological assessment of effort ,response bias and malingering (Heilbronner et al.,, 2009), deze tests worden meestal goed uitgevoerd met een minimale inspanning door patiënten die lijden aan neurologische en psychiatrische ziekten, tenzij er een opzettelijke bedoeling om ze slecht uit te voeren. De meeste performance validity tests (PVTs) gebruikt in compensatie-zoekende instellingen zijn ontworpen om geveinsde kortdurende geheugenstoornissen op te sporen (Boone et al., 2000; Sharland and Gfeller, 2007; Young et al., 2016). Verder zijn er ook tests voor het opsporen van gesimuleerde tekorten in verschillende cognitieve gebieden, zoals in overlearned informatie en verwerkingssnelheid.,

een van deze tests is de B-Test (Boone et al., 2002). Het bestaat uit een 15 pagina ’s tellend boekje: elke pagina bevat 72 stimuli waaronder kleine letters b’ s (doelprikkels) en andere symbolen die worden gebruikt als afleiding, zoals kleine letters d, q en p, en b ‘ s met diagonale of extra stengels. In totaal zijn er 255 doelprikkels in het stimulusboekje: 20 op de eerste pagina, 16 op de tweede en 15 op de derde. Deze pagina ‘ s worden vijf keer herhaald in een steeds kleiner formaat., De B-Test vereist dat de examinator Alle b ’s die op elke pagina verschijnen zo snel mogelijk omcirkelt; tijdens de taak kunnen verschillende soorten fouten worden begaan: weglating fouten (door het weglaten om te cirkelen doel stimuli), d fouten (door het cirkelen d’ s), en Commissie fouten (door het cirkelen symbolen die geen b ‘s, met inbegrip van d’ s). De examinator neemt nota van de totale responstijd, namelijk van de tijd die de deelnemer nodig heeft om de test af te ronden., Totale fouten en gemiddelde tijd per pagina worden gebruikt om de Inspanningsindexscore (of E-score) te berekenen, die resulteert uit de vergelijking: (totaal d-fouten + totaal commissiefouten) × 10 + totaal weglatingsfouten + gemiddelde tijd per pagina.

De B-Test evalueert overlearned skills en kan worden toegepast in de medisch-juridische setting. Patiënten met een cerebrale disfunctie die moeite doen met de test zullen waarschijnlijk niet als niet-coöperatief worden geclassificeerd. Patiënten met een geheugenstoornis mogen niet falen op de test en dit kan minder valse positieven produceren dan geheugengebaseerde inspanningstest., Tot slot, een gecompromitteerde B-test prestaties als gevolg van de aanwezigheid van overgeplayed symptomen en in afwezigheid van gedocumenteerde leerstoornissen is zeer verdacht van malingering (Boone et al., 2002).

De B-Test kan vermoede simulatoren onderscheiden van veel verschillende klinische groepen, waaronder: depressieve stoornis, schizofrenie, matig of ernstig hoofdletsel, beroerte, leerstoornissen en gezonde ouderen (zie Boone et al., 2002).

Vilar-Lòpez et al., (2007) analyseerde de prestaties op de B-Test van een Spaanse populatie steekproef met post-concussief syndroom (PCS) betrokken bij geschillen en niet betrokken bij geschillen tonen goede gevoeligheid en specificiteit. Bovendien, in een aanvullende studie (Vilar-Lòpez et al., 2008), analyseerden dezelfde auteurs de prestaties van patiënten met mild traumatisch hersenletsel., De deelnemers werden verdeeld in drie groepen: de eerste groep was niet betrokken bij enige compensatie-zoekende processen; de tweede groep was een compensatie-zoekende groep die niet verdacht werd van malingering; de derde groep omvatte patiënten die compensatie zochten die verdacht werden van malingering. De resultaten van de studie toonden aan dat er statistisch significante verschillen tussen de groepen en de malingeraar versus niet-malingeraar classificatie zijn. Ook Marshall et al. (2010) hebben de geldigheid van de Test B in het ontdekken van geveinsde ADHD in een grote steekproef (n = 257) onderzocht.,

ondanks de veelbelovende resultaten, Shandera et al. (2010) een studie uitgevoerd naar de geldigheid van de B-Test in een volwassen populatie steekproef die lijden aan milde mentale retardatie. De resultaten toonden onbevredigende resultaten wanneer simulators moeten worden onderscheiden van dit klinische Monster.

gezien dit resultaat is de diagnosticiteit van de B-Test nog steeds onduidelijk, wat betreft het onderscheid tussen milde neurocognitieve stoornissen en simulatoren. Voor zover wij weten, alleen Dean et al. (2009) evalueerde de specificiteit van B test n milde dementie met onbevredigende resultaten.,

om het potentieel van de B-Test te onderzoeken voor het classificeren van echte cognitieve stoornissen uit geveinsde cognitieve tekorten bij de oudere populatie, is in deze studie de B-testwaarde onderzocht in een Italiaanse steekproef met milde neurocognitieve stoornissen en bij gezonde oudere personen die op dezelfde leeftijd zaten, met de instructie cognitieve disfuncties te veinzen. Verder was ons doel om te evalueren of machine learning classifiers kunnen resulteren in een verhoogde classificatienauwkeurigheid in vergelijking met de meer traditionele aanpak op basis van cut-off scores.,

materialen en methoden

deelnemers

63 Italiaans sprekende deelnemers werden aangeworven (36 mannen en 27 vrouwen, gemiddelde leeftijd: 73,43 ± 5,97 jaar, spreiding: 58-87; gemiddelde opleiding: 7,03 ± 2,78 jaar, spreiding: 3-19). De steekproef bestond uit drie groepen. De eerste groep bestond uit patiënten met gemengde neurologische etiologie die voldeden aan de criteria van het Diagnostic and Statistical Manual for Mental Disorders-5 (DSM-5) (APA, 2013) voor milde neurocognitieve stoornis (Groep A; n = 21)., Deze patiënten werden gediagnosticeerd volgens DSM-5 criteria voor milde neurocognitieve stoornis door een deskundige neuroloog (RV) door middel van anamnestische interviews, neurologische onderzoeken en neuropsychologische testen. De neuropsychologische beoordeling omvatte: Mini Mental State Examination (MMSE, Folstein et al., 1975; Coin et al., 2009) en frontale Beoordelingsbatterij (FAB, Dubois et al., 2000; Appollonio et al., 2005). Groep A werd gerekruteerd uit een neurologische eenheid in het noordoosten van Italië.,

een tweede groep (N = 21, Groep B) van gezonde, Op leeftijd afgestemde personen was vereist om de test zonder specifieke instructies te voltooien, terwijl een derde groep (N = 21, Groep C) van gezonde, Op leeftijd afgestemde controles werd geïnstrueerd om bedrieglijk op de test te reageren alsof ze cognitief waren aangetast.

gezonde controlepersonen en simulatoren (Groep B en Groep C) werden gerekruteerd uit twee recreatiecentra voor ouderen.,

lichte neurocognitieve stoornissen

deelnemers met lichte neurocognitieve stoornissen

gezonde deelnemers en simulatoren met cognitieve stoornissen

gezonde deelnemers

tweeënveertig gezonde deelnemers werden gerekruteerd. Ze hadden geen voorgeschiedenis van neurologische of psychiatrische aandoeningen of alcoholmisbruik. MMSE gecorrigeerde scores waren ≥ 26 en geen enkele deelnemer behaalde een gelijkwaardige score < 2 op de FAB. Alle deelnemers werden willekeurig toegewezen aan een van de volgende twee groepen., Eén groep (groep B: gezonde controlegroep) kreeg de standaardinstructie voor de B-Test (n = 21, 14 mannetjes en 7 vrouwtjes) terwijl de andere groep (groep C: simulatoren) instructies kreeg om de B-Test te veinzen (n = 21, 8 mannetjes en 13 vrouwtjes) om een cognitieve stoornis te faken. Specifiek, de simulatoren (Groep C) werden geïnstrueerd om de MMSE en FAB zo goed mogelijk uit te voeren en alleen voor de B-Test ontvingen de onder veinzen instructies (ze werden gevraagd om te simuleren door het aannemen van strategieën in overeenstemming met hun overtuigingen en de algemene kennis over milde cognitieve deficit).,

experimentele Procedures

de B-Test werd na MMSE en FAB aan alle deelnemers toegediend. Vlak voor de experimentele taak kregen de deelnemers van de simulatorgroep de opdracht te liegen over hun cognitieve status. Om de compliance te verhogen, kregen de deelnemers het volgende scenario: “Je moet de test voltooien zoals het zou worden uitgevoerd door een patiënt die lijdt aan lichte dementie of lichte cognitieve stoornissen. In het bijzonder, doe alsof ik lid ben van de Commissie die een handicap certificeert; u moet mij ervan overtuigen dat u in aanmerking komt voor arbeidsongeschiktheidsuitkeringen.,”Na afloop van de test werd de simulatorgroep ook als volgt ondervraagd: “Beschrijf de gebruikte strategie en leg uit waarom je die gekozen hebt.”

patiënten en gezonde controles waren nodig om alle testen met hun maximale inspanning uit te voeren.

gegevensanalyse

gegevens werden geanalyseerd met behulp van niet-parametrische statistische analyse. Verder hebben we uitgebreid gebruik gemaakt van de leave-one-out cross validation (LOOCV) procedure (Cawley and Talbot, 2010) om de classificatienauwkeurigheid van de B-Test te evalueren en overbevissing te voorkomen., Overbevissing is een overdreven optimistische aanpassing aan de gegevens die voortvloeien uit het testen van het model op dezelfde dataset die wordt gebruikt voor de ontwikkeling van het model zelf. Om een realistische inschatting te maken van de classificatiefout (simulators vs.patiënten), moet overbevissing worden vermeden. Overbevissing is een abnormale modelmontage die meestal tegengaat met behulp van schatting van de nauwkeurigheid buiten het monster (hold-out-methode), die worden gebruikt als een proxy van nauwkeurigheid in het veld. Dergelijke Out-of-sample nauwkeurigheid schattingen vereisen grote monsters, die moeilijk te verzamelen met klinische populaties., Er is aangetoond dat n-voudige kruisvalidatie een goede procedure is voor het schatten van echte nauwkeurigheid in kleine monsters. Een speciaal geval van n-voudige kruisvalidatie is de LOOCV (Cawley and Talbot, 2010), een voorkeursmethode in klinische studies (Orrù et al., 2012). In LOOCV wordt het statistische model ontwikkeld met alleen n-1-voorbeelden en getest op het resterende exemplaar. De procedure wordt herhaald waarbij systematisch het weggelaten voorbeeld wordt gedraaid en de classificatiefout buiten de steekproef wordt afgeleid van de gemiddelde fout van de N − 1-modellen., Om deze reden hebben we LOOCV gebruikt om cross gevalideerde Discriminatiecijfers tussen simulatoren en patiënten af te leiden.

onlangs is aangetoond dat psychometrische testen kunnen worden uitgebreid met behulp van, naast meer traditionele statistische methoden, machine learning (ML) technieken (James et al., 2013). ML is al gebruikt om high-performance classificatiemodellen te ontwikkelen die gericht zijn op het detecteren van malingers (Monaro et al., 2018a, b).

gegevensanalyse is uitgevoerd met behulp van SPSS en Weka 3.8 (Hall et al., 2009).,

resultaten

niet-parametrische statistische analyse

gemiddelden en standaardafwijkingen voor leeftijd, opleiding en testscores worden gerapporteerd in Tabel 1. Omdat niet alle testscores normaal over groepen verdeeld waren, werden niet-parametrische groepsvergelijkingen (Kruskal-Wallis ANOVAs) berekend. Groepen verschilden niet significant in leeftijd en jaren van onderwijs, maar ze verschilden in de MMSE en FAB scores, met Groep A scoort significant slechter dan de groep B (gezonde controles) en C (simulatoren) op MMSE en FAB.,

zoals getoond verschilden de groepen significant op alle B-testscores. Tabel 2 geeft een overzicht van de resultaten van Mann-Whitney U-testanalyses die werden gebruikt in paarsgewijze vergelijkingen met B-testgegevens (voor Bonferroni gecorrigeerde significantieniveaus werden vastgesteld op 0,02)., Simulatoren (Groep C) maakten meer commissiefouten (waaronder d-fouten) en weglatingsfouten, en behaalden significant hogere E-scores dan controles en patiënten (respectievelijk Groep B en A). Gezonde controlepersonen presteerden ook significant beter dan patiënten op deze scores. Groepsvergelijkingen op responstijden waren ook significant, met controles die de test significant sneller voltooiden dan simulatoren en patiënten, die niet significant van elkaar verschilden.

Foutpatronen toonden aan dat patiënten en controles meer omissie-fouten maakten dan commissiefouten (inclusief d-fouten), terwijl simulatoren meer commissiefouten maakten in het algemeen, gevolgd door omissie-fouten en d-fouten.

Classificatienauwkeurigheid tussen patiënten en simulatoren

bij de toepassing van de B-Test in een medisch-juridische omgeving is de vergelijking tussen simulatoren en patiënten het interessantst., Gezien het feit dat in een medisch-juridische setting, het individu is malingering gevoelig, het doel is om te bepalen of de examinee is een echte pathologische geval of een malingeraar. Daarom is het maximale belang om (in ons experiment) patiënten efficiënt te onderscheiden van simulatoren op basis van de B testresultaten. Drempelscores die 90% van de patiënten voor elke maat correct classificeren (omissie-fouten, d-fouten, commissiefouten, responstijd en E-score samen met de AUC) resulteerden in een hoge classificatienauwkeurigheid (zie Tabel 3)., Wat bijvoorbeeld de weglating fouten betreft, classificeerde een cut-off >56 90% van de patiënten (Groep A) en 90,4% van de simulatoren (Groep C) correct.

Dit resultaat kan echter lijden onder overbevissing., Zoals hierboven vermeld, hebben we verschillende machine learning-modellen getest met behulp van de LOOCV-procedure om de effectiviteit van de B-Test te evalueren en overbevissing te voorkomen.

bij de ontwikkeling van het machine learning model werden de volgende voorspellers gebruikt: leeftijd, opleiding, geslacht, d-fouten, commissiefouten, weglatingsfouten, totaal RT (sec), E-score. De leave-one-out cross validation (LOOCV) (bijv. Vapnik en Chapelle, 2000) techniek werd gebruikt. Een dergelijke techniek laat een enkel geval uit de training Monster gebruikt om het model te ontwikkelen., Nadat het model is ontwikkeld, wordt de nauwkeurigheid ervan Getest (uit het monster) in dit hold-out onderwerp. Het proces wordt herhaald voor alle gevallen in de steekproef (bij het vergelijken van patiënten en malingers, 42-1). De fout wordt dan gemiddeld over de 42-1 berekeningen en deze gemiddelde fout is een schatting van de out-of-sample fout. De LOOCV is de methode van keuze wanneer een klein aantal gevallen beschikbaar zijn, zoals bijvoorbeeld in neuroimaging studies (Orrù et al., 2012).,

de negen bovengenoemde kenmerken werden opgenomen in verschillende machine learning classifiers, die werden opgeleid om elk onderwerp te classificeren als behorend tot een van de twee categorieën van belang (patiënten en simulatoren). In het bijzonder selecteerden we de volgende classifiers als representatief voor verschillende categorieën classifiers: naïeve Bayes, logistieke regressie, eenvoudige logistieke regressie ondersteuning Vector Machine, en Random Forest (Weka handleiding voor versie 3-7-8, Bouckaert et al., 2013). De resultaten van de verschillende classificeerders worden vermeld in Tabel 4.,

alle classifiers op basis van verschillende aannames en representatief voor verschillende klassen van classifiers leverden vergelijkbare nauwkeurige resultaten met vergelijkbare cijfers voor zowel foutpositieve als foutnegatieve fouten.

de resultaten in Tabel 5 hebben betrekking op de vergelijking tussen patiënten en simulatoren.,

ten slotte leverde een willekeurige Forest multiclass classifier die de proefpersonen classificeert, maar in drie klassen (patiënten, gezonde controlepersonen en simulatoren) en niet in twee categorieën, zoals gerapporteerd in Tabel 4, 5, de volgende resultaten op: (1) algemene nauwkeurigheid = 79,4; (2) AUC = 0,87; (3) F1 = 0,8., Patiënten correct geclassificeerd als bovengenoemde waren 17/21, gezonde controles waren 15/21, en simulators waren 18/21.

alle hierboven gerapporteerde ML-modellen zijn ondoorzichtig en de onderliggende logica die de uiteindelijke classificatie oplevert, is niet eenvoudig., Om de classificerende logica beter te begrijpen, hebben we een tree model ML uitgevoerd dat de optimale beslissingsregel selecteert die de classificatienauwkeurigheid maximaliseert, de J48 (Quinlan, 1993), die de volgende optimale beslissingsregel opleverde:

als de omissie fouten < = 78 zijn, dan wordt de proefpersoon geclassificeerd als een patiënt met een nauwkeurigheid gelijk aan 95.,2%;

en

indien de weglating fouten > 78 zijn, wordt de proefpersoon geclassificeerd als een simulator met een nauwkeurigheid gelijk aan 86%.

het genoemde beslissingsbeginsel is niet de beste classificeerder, maar geeft een gemakkelijke manier om de regel te begrijpen, wat resulteert in een hoge nauwkeurigheid bij het classificeren van patiënten en simulatoren., Zoals oorspronkelijk aangegeven door Boone (2000), zijn omissie fouten die meer bijdragen aan het correct onderscheiden van simulatoren van patiënten en ook dit onderzoek geeft aan dat optimale classificatie zou kunnen worden gebaseerd op een regel die is gebaseerd op het aantal omissies.

daarnaast is een correlatieanalyse gebruikt om te benadrukken welke van de voorspellers maximaal bijdraagt aan de juiste classificatie van patiënten vs.simulatoren. De resultaten waren: weglating = 0,81; Commissie = 0,66; E-score = 0,66; d fouten = 0,56., Willekeurig Forest maakt het ook mogelijk om het belang van de voorspellers bij te dragen aan de nauwkeurige classificatie te sorteren en het belang van de voorspellers was vergelijkbaar met dat van de hierboven gerapporteerde correlatieanalyse, waarbij de maximale bijdrage aan de classificatie afkomstig was van weglating en commissiefouten en E-score.,

discussie

hoewel klinische en onderzoeksinspanningen hebben geleid tot steeds geavanceerdere methoden en veelbelovende resultaten hebben opgeleverd om malingering op te sporen, zijn er nog steeds belangrijke theoretische en praktische uitdagingen in de detectie van malingering, vooral bij ouderen met milde neurocognitieve stoornissen. Vervalst ernstige cognitieve stoornis kan klinisch worden gedetecteerd door het vergelijken van lage scores op cognitieve testresultaten en onberispelijk functioneren afgeleid van het dagelijks leven., In feite, onberispelijke dagelijkse leven activiteiten gecombineerd met ernstige stoornis bij cognitieve tests tikken op dezelfde functies zijn indicatief voor malingering. Echter, milde neurocognitieve stoornissen gaan meestal niet gepaard met het dagelijks leven stoornissen en simulatoren kunnen moeilijk te detecteren met behulp van eenvoudige strategieën bestaande uit het vergelijken van cognitieve testresultaten (zeer laag) en dagelijkse activiteiten (bewaard).

een aantal strategieën zijn beschikbaar om malingers van cognitieve tekorten te identificeren., De Medical symptoom Validity Test (Msvt) is bijvoorbeeld een veelgebruikte geheugentest met drie ingebouwde inspanningsmaatregelen die gericht zijn op het detecteren van veinzen (Green, 2004; Dandachi-FitzGerald and Merckelbach, 2013). De MSVT heeft indrukwekkend hoge mate van gevoeligheid en specificiteit bereikt in experimentele studies die controles hebben vergeleken met simulatoren geïnstrueerd om geheugenproblemen te veinzen (Merten et al., 2005).

de B-Test behoort tot dezelfde klasse van tests, de zogenaamde prestatievaliditeitstests (bijv.,, Rey 15 items, Reznek, 2005), die tests zijn die ook voor de zeer cognitief gehandicapten zeer gemakkelijk zijn.

om te beoordelen of de B-Test kan helpen bij het identificeren van dit type simulatoren, hebben we de B-Test toegediend aan een groep patiënten met een lichte neurocognitieve stoornis. Deze groep werd vergeleken met gezonde controles die werden geïnstrueerd om bedrieglijk op de test te reageren (kunstmatig vergelijkbare patronen van cognitieve stoornissen produceren) en een groep gezonde controles die werden geïnstrueerd om naar waarheid op de test te reageren.,

belangrijke resultaten tonen aan dat simulatoren slechter scoorden dan de controlegroep en patiënten op de B-Test, op alle parameters die van de test zijn afgeleid, behalve de totale responstijd. Met name maakten patiënten en controles meer omissie-fouten dan fouten van de Commissie, waaronder fouten van de Commissie, terwijl de simulatoren onevenredig meer fouten van de Commissie maakten, gevolgd door fouten van de Commissie en fouten van de Commissie. Deze bevindingen sluiten nauw aan bij de strategieën voor veinzen zoals mondeling gerapporteerd door de simulatoren., In feite gaf de helft van hen aan dat ze willekeurige omissie-en commissiefouten hadden gemaakt, terwijl ongeveer een kwart van hen aangaf dat ze probeerden om alle doelwitten te cirkelen die geen b ‘ s waren. Daarom kunnen malingers worden onderscheiden van de waarheidvertellers op basis van hun foutpatronen, die radicaal anders is dan die getoond door patiënten. Patiënten en gezonde controlepersonen hebben daarentegen een vergelijkbaar patroon van responsen en fouten., Hoewel de controles op alle foutscores significant beter presteerden dan patiënten, vertoonden beide groepen meer fouten van omissie dan Commissie, terwijl, zoals hierboven vermeld, simulatoren het tegenovergestelde patroon vertoonden.

de gegevens gerapporteerd in onze studie zijn consistent met de oorspronkelijke validatieexperimenten van Boone et al. (2002), die documenteerde dat het zeer ongebruikelijk was voor echte patiënten met depressie, beroerte, traumatisch hersenletsel, schizofrenie, leerstoornis, en gevorderde leeftijd om niet-b ’s als b’ s verkeerd te identificeren., Gegevens uit de huidige studie breiden deze observatie uit tot oudere patiënten met lichte dementie.

patiënten in ons experiment voerden de B-Test veel langzamer uit dan de Boone et al. (2002) patiënten (waaronder voornamelijk psychiatrische patiënten). Deze bevindingen zijn consistent met waarnemingen dat cognitieve vertraging prominent aanwezig is bij vroege dementie (McGuinness et al., 2010) en suggereren dat responstijden zeer beperkte waarde hebben in het onderscheiden van werkelijke versus geveinsde milde dementie. Integendeel, fouten bij over-geleerde informatie taken lijken veel efficiënter te zijn., De aard van neurologische aandoeningen geassocieerd met milde cognitieve stoornissen kan de reden verklaren waarom indexen op basis van tijd niet bijzonder nuttig zijn bij het opsporen van malingers.

in onze studie vertragen simulators opzettelijk hun prestaties. Nochtans, is de verminderde reactiesnelheid ook een kenmerk van de meeste neurologische voorwaarden en dit kan de reden zijn waarom de indexen die op timing worden gebaseerd niet kunnen effectief tussen simulators en patiënten onderscheiden.,

naast de standaard statistische analyse, waarvan de resultaten hierboven zijn samengevat, hebben wij een meer geavanceerde analyse op basis van ML-technieken toegepast. We hebben ook classificatienauwkeurigheden gerapporteerd op basis van K-fold Cross Validation (in het bijzonder leave-one-out cross validation, LOOCV; meestal beschouwd als de beste techniek voor het omgaan met dergelijke problemen in kleine monsters) om onbevooroordeelde schattingen van Out-of-sample nauwkeurigheid te verkrijgen., Uit deze analyse bleek dat Simple Logistic classifier (simple Logistic classifier) de Simple Logistic classifier (simple Logistic classifier) over het geheel genomen 90% of meer nauwkeurig van patiënten kan onderscheiden. Verschillende soorten machine learning modellen toonden vergelijkbare resultaten. Terwijl sommige classifiers zeer complexe beslissingsregels hebben (bijvoorbeeld Random Forest), kunnen anderen meer intuïtief zijn voor de clinicus., Een optimale beslissingsboom leverde bijvoorbeeld de volgende beslissingsregel op:

als de weglating fouten < = 78 zijn, dan wordt de proefpersoon geclassificeerd als een patiënt met een nauwkeurigheid gelijk aan 95,2%;

en

If > 78 is een simulator met een nauwkeurigheid gelijk aan 86%.

ondanks het lagere opleidingsniveau (m = 6,7, SD = 2,2), de gemiddelde responstijd van gezonde controles (m = 634,76, SD= 236,23) en fouten bij de Commissie (m = 1,28, SD=2.,75) waren vergelijkbaar met die gerapporteerd door Boone et al. (2002). Oudere controles (opleidingsniveau = 15,2 jaar; gemiddelde responstijden = 10,8 min; gemiddelde commissiefouten = 1,0). Controles in de huidige studie deden meer omissie fouten dan in de Boone en collega’ s steekproef (gemiddelde omissie fouten: 18.0 versus 8.0). Deze bevindingen suggereren dat het onderwijs een kleine impact lijkt te hebben op de prestaties van de B-Test, wat suggereert dat de B-Test relatief onaangetast is door het opleidingsniveau van de examinator.,

een beperking van de huidige studie omvat het gebruik van geïnstrueerde simulators (ook experimentele simulators genoemd). Geïnstrueerde simulators produceren over het algemeen verhoogde gevoeligheidspercentages omdat ze de neiging hebben om excessiever te veinzen dan hun “echte” tegenhangers (Boone et al., 2005). Bovendien, in de huidige studie, simulators werden geïnstrueerd om een ziekte te veinzen die in aanmerking komt voor invaliditeitscompensatie, zodat deelnemers kunnen hebben geprobeerd om verder te overdrijven de cognitieve stoornis., Gevoeligheidspercentages in onze studie vereisen daarom toekomstige replicatie in medisch-juridische omgevingen met behulp van deelnemers die spontaan gemotiveerd zijn om te vervalsen in plaats van geïnstrueerd om cognitieve stoornissen te veinzen.

beschikbaarheid van gegevens

de dataset die tijdens het huidige onderzoek is gebruikt en geanalyseerd, is op redelijk verzoek beschikbaar bij de overeenkomstige auteur.

ethische verklaring

de ethische commissie voor klinische proeven van de provincies Belluno en Treviso (Italië) heeft de experimentele procedure goedgekeurd., Alle proefpersonen gaven schriftelijke geïnformeerde toestemming overeenkomstig de Verklaring van Helsinki.

Auteursbijdragen

GS en FG ontwierpen het experiment. GP, RV en GS ontwierpen de experimentele taak. GP droeg bij aan het verzamelen van gegevens bij gezonde proefpersonen. RV en GP droegen bij aan het verzamelen van gegevens bij gezonde patiënten. GO en AG hebben bijgedragen aan data-analyse. GO en KB hebben bijgedragen aan de interpretatie van gegevens. GP, GS, KB, en GO hebben het manuscript opgesteld. Alle auteurs reviseerden het manuscript kritisch en gaven de definitieve goedkeuring voor de publicatie van de versie.,

belangenconflict verklaring

De auteurs verklaren dat het onderzoek werd uitgevoerd zonder enige commerciële of financiële relatie die als een potentieel belangenconflict kon worden opgevat.