Nonmotor Features in Parkinson’s Disease: What Are the Most Important Associated Factors?
Notice bibliographique
Résumé
Introduction. The purpose of this study was to demonstrate the frequency and severity of nonmotor symptoms and their correlations with a wide range of demographic and clinical factors in a large cohort of patients with Parkinson's disease (PD). Methods. 268 PD patients were assessed using the validated Movement Disorders Society's Unified Parkinson's Disease Rating Scale (MDS-UPDRS), the Beck Depression Inventory (BDI), Parkinson's Disease Questionnaire (PDQ-39), the Hoehn and Yahr scale (HY), the Schwab and England Activities of Daily Living (SE-ADL) Scale, and the Minimental State Examination (MMSE). Results. Nonmotor symptoms had a strong positive relationship with depression and lower quality of life. Also, age, duration and severity of PD, cognitive impairment, daily dose, and duration of levodopa treatment correlated with the burden of nonmotor symptoms. Patients with postural instability and gait disorder (PIGD) dominance or with the presence of motor complications had higher MDS-UPDRS Part I scores expressing the load of nonmotor features, compared to participants with other disease subtypes or without motor complications. Conclusions. Though the severity of individual nonmotor symptoms was generally rated by PD patients as "mild" or less, we found a significant cumulative effect of nonmotor symptoms on patients' mood, daily activities, and quality of life.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».