Factors Affecting Quality of Life among Post-Stroke Patients in the Sub-Himalayan Region
Notice bibliographique
Résumé
Abstract Background Stroke is one of the most debilitating conditions contributing to significant disability and death globally. Identifying risk factors for quality of life (QoL) will enable to improve home-based rehabilitation in post-stroke phase. Objective This study was aimed to identify the risk factors of QoL in stroke patients in the sub-Himalayan region. Materials and Methods A cross-sectional hospital-based study assessed the QoL among stroke patients within a week after the onset of acute stroke and then re-evaluated at 3 months. World Health Organization QoL-BREF, Beck Depression Inventory, the Barthel Index, and Montreal Cognitive Assessment (MOCA) were used to seek data on QoL, depression, cognitive, and functional dependence status, respectively. Appropriate statistics were used to compute the results. Results In total, 129 stroke patients recruited, out of which 102 returned to a 3-month follow-up. QoL, MOCA, disability index, and depression score were compared using Wilcoxon Singed-rank test. In multivariate analysis, depression and disability together predicted 60% of the variance for physical QoL ( p < 0.0001). Similarly, poststroke depression and disability together predicted 61% of the variance for psychological QoL ( p < 0.0001) in stroke patients. Conclusion Findings indicated that depression and disability are leading risk factors of QoL in stroke patients. Early identification of poststroke depression and functional dependence status is, therefore, essential to devise screening procedure and to develop targeted intervention to improve rehabilitation outcomes.
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 | 0,001 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».