MétaCan
Menu
Retour à la cohorte
Enregistrement W2985631976 · doi:10.3389/fneur.2019.01068

Correlation Between Diabetic Cognitive Impairment and Diabetic Retinopathy in Patients With T2DM by 1H-MRS

2019· article· en· W2985631976 sur OpenAlexaboutno aff
Xuefang Lu, Wei Gong, Zhi Wen, Lanhua Hu, Zhoufeng Peng, Yunfei Zha

Notice bibliographique

RevueFrontiers in Neurology · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueRetinal Imaging and Analysis
Établissements canadiensnon disponible
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésDiabetic retinopathyMedicineCognitive impairmentCorrelationCognitionDiabetes mellitusInternal medicineOphthalmologyEndocrinologyPsychiatryMathematics

Résumé

récupéré en direct d'OpenAlex

Objective: To explore the correlation between diabetic cognitive impairment(DCI) and diabetic retinopathy (DR) through examining the cognitive function and the metabolism of the cerebrum in T2DM by 1H-MRS. Methods: 53 patients with T2DM were enrolled for this study. According to the fundus examination, the patients were divided into DR group (n=26) and T2DM without DR group (T2DM group, n=27). 30 healthy adults were selected as a control group (HC group, n=30). The cognitive function was measured by Montreal Cognitive Assessment (MoCA). The peak areas of N-acetylaspartate (NAA), Cho-line (Cho), Creatine (Cr) and Myo-inositol (mI), and their ratios were detected by proton magnetic resonance spectroscopy (1H-MRS). The difference analysis between the three groups was performed by one-way ANOVA. When p0.05). Conclusion: DCI is closely correlated with the DR in patients with T2DM. The hippocampal brain metabolism may have some changes in two sides of NAA in patients with DR, 1H-MRS may provide effective imaging strategies and methods to early diagnosis brain damage and quantitative assessment cognitive function in T2DM.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,003
Tête enseignante GPT0,199
Écart entre enseignants0,196 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations33
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in NeurologyMême sujetRetinal Imaging and AnalysisTravaux en français237 207