Prevalence of Mild Cognitive Impairment in Rural Thai Older People, Associated Risk Factors and their Cognitive Characteristics
Notice bibliographique
Résumé
INTRODUCTION: Mild cognitive impairment (MCI) is a transitional stage between normal cognition and dementia. A review showed that 10-15% of those with MCI annually progressed to Alzheimer's disease. OBJECTIVE: This study aimed to investigate the prevalence and risk factors associated with MCI as well as the characteristics of cognitive deficits among older people in rural Thailand. METHODS: A cross-sectional study in 482 people who were 60 years old and over was conducted in northern Thailand. The assessments were administered by trained occupational therapists using demographic and health characteristics, Mental Status Examination Thai 10, Activities of Daily Living - Thai Assessment Scale, 15-item Geriatric Depression Scale and the Montreal Cognitive Assessment-Basic (MoCA-B, Thai version). RESULTS: The mean age of MCI was 68.3 ± 6.82 years, and most had an education ≤4 years. The prevalence of MCI in older people was 71.4% (344 out of 482), and it increased with age. Low education and diabetes mellitus (DM) were the significant risk factors associated with cognitive decline. Older people with MCI were more likely to have an education ≤4 years (RR 1.74, 95% CI 1.21-2.51) and DM (RR 1.19, 95% CI 1.04-1.36) than those who did not. The 3 most common cognitive impairments according to MoCA-B were executive function (86%), alternating attention (33.1%) and delayed recall (31.1%). CONCLUSION: The prevalence of MCI in older Thai people in a rural area is high compared with that in other countries. The explanation might be due to low education and underlying disease associated with MCI. A suitable program that can reduce the prospects of MCI in rural Thailand is needed.
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 | 0,000 |
| 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) | 0,001 | 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 ».