Analysis of influencing factors of cognitive impairment after moderate traumatic brain injury
Notice bibliographique
Résumé
Objective To analyze the influencing factors of cognitive impairment after moderate traumatic brain injury and to develop prognostic models for cognitive impairment after moderate traumatic brain injury. Methods A prospective study was performed on 104 patients with moderate traumatic brain injury at Department of Neurosurgery, the Third Xiangya Hospital, Central South University from November 2016 to February 2018. The cognitive function at 3 months after injury was assessed using the Montreal cognitive assessment (MoCA) score. The impact of various lesions on cognitive function was analyzed using univariate and multivariate logistic regression. Prognostic models was established based on logistic regression analysis results. The validation sampling was used to compute the accuracy, sensitivity and specificity of the prognostic models. Results Logistic regression analysis revealed that age (OR=1.118, 95%CI: 1.000-1.250, P=0.049), education (OR=0.202, 95%CI: 0.041-0.988, P=0.045), Glasgow coma scale (GCS) score (OR=2.582, 95%CI: 1.242-5.369, P=0.011) and injury cause (OR=0.429, 95%CI: 0.201-0.915, P=0.029) were independent risk factors of cognitive impairment after moderate traumatic brain injury. The prognostic model based on the risk factors of admission had favorable performance (P>0.05 for partial chi square test, 0.902 for area under curve). The accuracy of the prognostic model was 88.6%. The sensitivity and specificity were 55.6% and 100.0% respectively. Conclusions Age, education, GCS score and injury cause are influencing factors of cognitive impairment after moderate traumatic brain injury, based on which the established model could be used to timely and accurately predict the prognosis of cognitive impairment after moderate traumatic brain injury. Key words: Craniocerebral trauma; Cognitive disorder; Logistic models; Forecasting models
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».