Prevalence of cognitive impairment in acute ischaemic stroke and use of Alberta Stroke Programme Early CT Score (ASPECTS) for early prediction of post-stroke cognitive impairment
Notice bibliographique
Résumé
AIM OF THE STUDY: This study aims to assess the prevalence of post-stroke cognitive impairment, and to evaluate the correlation of ASPECTS with impaired cognition. MATERIALS AND METHODS: 150 patients presenting with acute middle cerebral artery territory ischaemic stroke were included in this study. Risk factors of ischaemic stroke and the initial NIHSS were determined. An initial and a follow-up non-contrast CT brain were carried out after seven days which were assessed by ASPECTS. The prevalence of cognitive impairment was determined by MoCA during the follow up of patients after three months. Correlations of ASPECTS, NIHSS and MoCA were done by Spearman correlation. Multivariate logistic regression analysis was carried out for the independent variables of cognitive impairment. RESULTS: The prevalence of post-stroke cognitive impairment in this study, according to the threshold for cognitive impairment with a MoCA score of 25 or less, was 25.3% (38 patients). Significant positive correlations between ASPECTS and total MoCA test domains were found (r = 0.73 and P = 0.002). Logistic regression analysis demonstrated that the independent factors associated with cognitive impairment were older age, certain domains of the MoCA test like executive functions, memory, attention, language, NIHSS, HTN, and ASPECTS. CONCLUSIONS AND CLINICAL IMPLICATIONS: There is a prevalence of cognitive impairment in about 25% of patients after three months of follow-up in cases with acute ischaemic stroke. ASPECTS is directly correlated with cognitive impairment, and may be considered as a biomarker of post-stroke 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».