Cognitive Screening in Asia: Recognizing the Role of the Patient-Family Unit
Notice bibliographique
Résumé
BACKGROUND/AIMS: Cognitive screening programmes may improve awareness and help at-risk subjects receive earlier medical attention. Cognitive profiles of subjects who attend cognitive screening by personal choice (self-referred) compared to those where the referral was initiated by family members (family-referred) were compared. METHODS: A cross-sectional survey of community subjects attending a cognitive screening initiative. Performance on the MMSE, Frontal Assessment Battery (FAB), Elderly Cognitive Assessment Questionnaire (ECAQ) and Even Briefer Assessment Scale for Depression was evaluated. RESULTS: A total of 342 subjects with a mean age of 59.2 +/- 9.0 years were screened. Overrepresentation of Chinese and Indian subjects and underrepresentation of Malay subjects was noted. The prevalence of cognitive impairment ranged from 7.0 to 9.6% depending on the screening instrument used. Of the 342 subjects, 267 were self-referred, while 75 subjects were family-referred. Family-referred subjects had lower MMSE (p < 0.001), lower ECAQ (p < 0.001) and lower FAB (p < 0.001) scores but were not more depressed compared to self-referred subjects (p = 0.904). Only the difference in ECAQ scores remained significant after adjustment for baseline differences in age and education. The prevalence of hypertension, diabetes mellitus and hypercholesterolaemia was not statistically different between the 2 groups. CONCLUSIONS: Family members play a crucial role in the diagnosis of cognitive impairment, especially in older subjects with fewer years of education.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».