GAMBARAN FUNGSI KOGNITIF PADA PASIEN DENGAN KADAR FERITIN SERUM RENDAH DI RUMAH SAKIT UMUM DAERAH DR. ZAINOEL ABIDIN BANDA ACEH
Notice bibliographique
Résumé
Pemeriksaan yang paling sensitif untuk menilai defisiensi besi adalah feritin serum. Kadar feritin serum yang rendah menggambarkan penurunan cadangan besi tubuh. Kadar feritin serum yang rendah berhubungan dengan menurunnya proses metabolik yang mempengaruhi fungsi otak sehingga dapat menyebabkan gangguan fungsi kognitif. Penelitian ini bertujuan untuk mengetahui gambaran fungsi kognitif pada pasien dengan kadar feritin serum rendah di Rumah Sakit Umum Daerah dr. Zainoel Abidin Banda Aceh. Jenis penelitian ini adalah deskriptif dengan rancangan cross sectional. Pengambilan sampel dari tanggal 19 Oktober sampai dengan 11 Desember 2017. Subjek penelitian dikumpulkan dengan metode accidental sampling. Kadar feritin serum didapatkan dari hasil pemeriksaan laboratorium dan fungsi kognitif dinilai menggunakan kuisioner Montreal Cognitive Assesment versi Indonesia (MoCA-Ina). Hasil penelitian didapatkan 30 subjek penelitian yang memenuhi kriteria inklusi. Berdasarkan penelitian ini didapatkan kasus kadar feritin rendah paling banyak pada usia ?56 tahun (30%), jenis kelamin wanita (60%), tingkat pendidikan terakhir tamat SMA (40%), dan IRT (26,6%). Kadar feritin paling banyak yaitu feritin serum sangat rendah ?12 ng/mL (86,67%). Pasien dengan kadar feritin rendah yang memiliki fungsi kognitif normal 13,34% sedangkan yang mengalami gangguan fungsi kognitif 86,66%. Gangguan kognitif pada pasien dengan kadar feritin serum rendah bertambah seiring dengan kadar feritin sangat rendah ?12 ng/mL (88,5%), bertambahnya usia (85,5%), jenis kelamin pria (91,7%), dan tingkat pendidikan yang lebih rendah (66,7%).Kata kunci: Kadar feritin serum rendah, fungsi kognitif, MoCA-Ina
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».