Prevalence, involved domains, and predictor of cognitive dysfunction in systemic lupus erythematosus
Notice bibliographique
Résumé
Background Cognitive Dysfunction (CD) can occur in Systemic Lupus Erythematosus (SLE) before the occurrence of Neuropsychiatric Lupus Erythematosus (NPSLE). Given the reversibility and fluctuation of SLE-related CD, the research for possible predictors is of great significance for early detection and intervention. Objective We sought to determine the prevalence, involved domains, and possible predictors of CD in SLE patients. Methods We conducted a retrospective cross-sectional study at Nanfang Hospital from 2018 to 2019. A total of 78 SLE patients were recruited. The Montreal Cognitive Assessment (MoCA) scale was used to screen cognitive function. Demographic, clinical, and laboratory characteristics were collected. The serum anti-methyl-d-aspartate receptor (anti-NMDAR) antibody and S100β were measured by enzyme-linked immunosorbent assay (ELISA). Multivariate logistic regression analysis and ROC curve were used to assess the predictor of SLE-related CD. Results Of 78 recruited patients,53 (67.9%) had CD. It mainly involved delayed recall, abstract generalization, verbal repetition, and fluency. The disease activity index (SLEDAI) was not associated with SLE-related CD ( p > 0.05). Multivariate logistic regression showed that an increase in each year of education there was a decrease in the likelihood of CD (OR 0.261, CI 0.080-0.857, p = 0.027) whereas with each unit increase in serum anti-NMDAR antibody there was an increased likelihood of SLE-related CD (OR 1.568, CI 1.073–2.292, p = 0.020). Conclusion The prevalence of SLE-related CD was 67.9% in our study and SLE-related CD was not associated with disease activity. Serum anti-NMDAR antibody can be used as a predictor for SLE-related CD.
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) | 0,000 | 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 | 0,000 |
| 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 ».