Correlation between serum cystatin-C levels and cognitive impairment
Notice bibliographique
Résumé
Objective To investigate the correlation between serum cystatin-C (Cys-C) levels and cognitive impairment. Methods A perspective study involving 273 patients in our hospital was performed from 2013 to 2015.They were divided into the cognitive impairment group and the control group.Cys-C measurement results and cognitive impairment assessment scores were collected.Possible influence factors were adjusted, and the correlation between Cys-C levels and mild cognitive impairment was analyzed. Results The distribution of age, hypertension, diabetes mellitus, smoking, drinking, dyslipidemia, and creatinine showed significant differences between the groups at different Cys-C levels (all P<0.05). There was a significant difference in the Cys-C level between the cognitive impairment group and the control group 〔(0.727±0.082) mg/L vs. (0.514±0.045)mg/L, t=23.68, P<0.01〕. The Cys-C level was negatively correlated with the scores of mini-mental state examination (MMSE) and Montreal cognitive assessment (MOCA) in the cognitive impairment group (r=-0.318 and -0.572, P<0.05). The incidence of cognitive impairment was elevated with increasing Cys-C levels (χ2=13.12, P<0.01). Logistic regression analysis showed that high levels of Cys-C (OR=3.298, 95% CI: 1.417-7.675, P=0.001), history of diabetes mellitus (OR=7.971, 95% CI: 3.036-31.562, P=0.03), education level (OR=2.237, 95% CI: 1.022-4.896, ), smoking (OR=5.692, 95% CI: 1.060-2.614), drinking (OR=1.227, 95% CI: 0.083-1.228), and dyslipidemia (OR=2.267, 95% CI: 1.177-4.366) are independent risk factors for cognitive impairment. Conclusions High serum cystatin C levels are closely correlated with the risk of cognitive impairment occurrence. Key words: Cysteine proteinase inhibitors; Cognitive impairment
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».