Correlations between retinal nerve fiber layer thickness and cognitive progression in Parkinson's disease: A longitudinal study
Notice bibliographique
Résumé
BACKGROUND: Retinal abnormalities measured by optical coherence tomography (OCT) have been detected in both Parkinson's disease (PD) and Alzheimer's disease (AD). Cognitive impairment is not only found in AD, but 75-90% of PD patients will also develop dementia in the late stage of disease. We assessed whether baseline retinal nerve fiber layer (RNFL) thickness predicted worsening of cognitive status over time and the correlation between RNFL thickness and the detailed impaired cognitive domains in PD. METHODS: RNFL thickness was measured using high-definition OCT in 78 non-dementia PD patients. Clinical and cognitive assessments were performed at baseline and at 3.61 ± 0.65 years follow-up. Linear mixed-effects models were used to examine associations between RNFL thickness and the changes in cognitive test scores, after adjusting for age, sex, disease duration and education. RESULTS: Analysis of outcomes according to baseline RNFL tertiles showed worse performance in global cognitive tests, delayed memory, and executive functions in patients with a thin RNFL. During follow-up, greater cognitive deterioration was found in thin RNFL tertile patients. Lower baseline average RNFL thickness was associated with greater annualized decline in Mini-Mental State Examination and Montreal Cognitive Assessment. CONCLUSION: The correlation between RNFL thickness and cognitive dysfunction suggests that OCT may be useful for predicting cognitive dysfunction in PD patients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».