El cribado cognitivo en adultos mayores con bajo nivel educativo: una propuesta de protocolo

Abstract

Introducción: Diferenciar entre envejecimiento normal y deterioro cognitivo patológico es un desafío clínico. Los tests para detectar trastornos neurocognitivos pueden no ser adecuados para personas con bajo nivel educativo y cultural, afectando su desempeño independientemente del grado de alteración cognitiva.

Objetivos e hipótesis: La tesis busca diseñar una batería de pruebas cognitivas que combine herramientas con y sin sesgo por nivel educativo (NE), para mejorar la detección de deterioro cognitivo en las personas mayores con bajo nivel de alfabetización. Se espera que las pruebas sin sesgo educativo sean más precisas y confiables en esta población.

Metodología: Se reclutaron 78 adultos mayores de 50 años pertenecientes al área de salud del Hospital Comarcal del Noroeste (Caravaca de la Cruz, Murcia, España), clasificados según su nivel educativo y estado cognitivo, excluyendo a aquellos con patologías psiquiátricas o neurodegenerativas severas. La evaluación incluyo una batería de tests emparejados en función del sesgo por nivel educativo, administrada en dos órdenes diferentes para reducir el sesgo de secuencia. Se emplearon métodos estadísticos con SPSS y R, incluyendo Machine Learning (Random Forest y Boruta) para identificar tareas predictivas del estado cognitivo y educativo.

Resultados: Los individuos con un alto NE demostraron un rendimiento superior en diversas evaluaciones, tanto los sujetos sanos como en aquellos con deterioro cognitivo. Tests como el Minimental State Examination, y las tareas relacionadas con la lectoescritura o el cálculo, evidencian las mayores diferencias en el desempeño entre individuos con alto y bajo NE. El interés principal del estudio fue comparar al grupo de alto NE con deterioro cognitivo con los sujetos sanos con bajo NE, destacando que el desempeño entre ellos es comparable en las herramientas de cribado convencionales, y en algunos casos, el grupo de alto NE presenta resultados superiores, compensando el deterioro cognitivo mediante su formación académica. En contraste, solo la puntuación total y el ítem de recuerdo diferido del Fototest favorecen al grupo de sujetos sanos con bajo NE. Herramientas y tareas adicionales, como contar del 20 al 1, el Boston Naming Test – 15 (BNT-15) y el Test del Reloj a la Orden, se revelaron adecuadas para sujetos con bajo NE. Los modelos de clasificación identificaron el Fototest, el BNT-15, el Test de Lectura de Relojes, el Test de Acentuación de Palabras y la Copia del Cubo del ACE-III como variables predictoras significativas para la asignación de los individuos a sus respectivos grupos.

Conclusiones: El NE afecta significativamente al rendimiento en las herramientas de cribado cognitivo clásicas, con individuos de alto NE mostrando mejor desempeño. El NE también puede compensar el deterioro cognitivo en determinados tests. Las tareas deben adaptarse al NE para evitar sesgos y mejorar la precisión en la detección del deterioro cognitivo. Se recomienda una selección cuidadosa de herramientas según el NE para optimizar la evaluación cognitiva.

Introduction: Differentiating between normal aging and pathological cognitive decline poses a clinical challenge. Tests designed to detect neurocognitive disorders may not be suitable for individuals with low educational and cultural backgrounds, potentially affecting their performance regardless of the degree of cognitive impairment.

Objectives and Hypotheses: This thesis aims to develop a battery of cognitive tests that combines tools with and without educational level (EL) bias to enhance the detection of cognitive decline in older adults with low literacy levels. It is hypothesized that tests without educational bias will be more accurate and reliable in this population.

Methodology: 78 older adults aged 50 and over from the Hospital Comarcal del Noroeste (Caravaca de la Cruz, Murcia, Spain) were recruited, classified by their educational level and cognitive status, excluding those with severe psychiatric or neurodegenerative disorders. The assessment included a battery of paired tests based on educational bias, administered in two different sequences to minimize order effects. Statistical methods using SPSS and R, including Machine Learning (Random Forest and Boruta), were employed to identify predictive tasks for cognitive and educational status.

Results: Individuals with high EL exhibited superior performance across various evaluations, both among healthy subjects and those with cognitive impairment. Tests such as the Minimental State Examination and tasks related to literacy or calculation showed the greatest performance differences between high and low EL individuals. The primary interest of the study was to compare the high EL cognitive impairment group with low EL healthy subjects, highlighting that their performance is comparable on conventional screening tools, with high EL individuals sometimes outperforming, compensating for cognitive decline through their academic background. Conversely, only the total score and the delayed recall item of the Phototest favored the low NE healthy group. Additional tools and tasks, such as counting from 20 to 1, the Boston Naming Test – 15 (BNT-15), and the Clock Drawing Test, proved effective for low NE individuals. Classification models identified the Phototest, BNT-15, Clock Reading Test, Word Accentuation Test, and the Cube Copy from the ACE-III as significant predictive variables for assigning individuals to their respective groups.

Conclusions: EL significantly impacts performance on classical cognitive screening tools, with individuals of high EL showing better performance. EL can also compensate for cognitive decline on certain tests. Tasks should be adapted to EL to avoid biases and improve the accuracy of cognitive decline detection. Careful selection of tolos based on EL is recommended to optimize cognitive assessment