Factors associated with poor glycaemic control in type 2 diabetic elderly patients with mildcognitive impairment
Notice bibliographique
Résumé
Recently, data has indicated a higher incidence of mild cognitive impairment (MCI) in patients with diabetes. Old age is a risk factor for cognitive deterioration and dementia. The aim of the study was to find the factors associated with poor glycaemic control in type 2 diabetic elderly patients with MCI. Materials and method. A cross-sectional study was conducted on 87 diabetic patients with MCI in an outpatient clinic. All subjects were screened for MCI using the Montreal Cognitive Assessment (MoCA). Detailed medical history and collection of blood test samples were performed. Results. 83.9% of participants had poor glycaemic control. A positive correlation was found between HbA1c level and number of visit to a doctor per year, number of co-morbidities, duration of T2DM, triglycerides and fasting glucose level; and a negative correlation between HbA1c level and years of education, HDL cholesterol level and MoCA score. The univariate logistic regression models revealed factors which are associated with poor glycemic control are: less years of education, higher no of visit to doctor per year, increased number of co-morbidities, presence of CVD, retinopathy, higher levels of triglycerides and fasting glucose, lower level of HDL cholesterol, lower MoCA score. Multivariable model revealed that higher plasma levels of fasting glucose and triglycerides are significant predictors. Conclusions. There is a high prevalence of poor glycemic control patients among elderly diabetics with MCI. Higher plasma levels of fasting glucose and triglycerides seems to be the most important predictors of poor glycemic control, however father larger studies are needed to elucidate these relationships.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».