The Prevalence of Mild Cognitive Impairment among Chinese People: A Meta-Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Mild cognitive impairment (MCI) induced the majority number of dementia patients. The prevalence of MCI in China varied across studies with different screening tools and diagnostic criteria. OBJECTIVE: A systematic review and meta-analysis was conducted to estimate the pooled MCI prevalence among the population aged 55 years and older in China. METHODS: PubMed, EMBASE, CNKI, Wanfang, CQVIP, and CBMdisc were searched for studies on prevalence of MCI among Chinese elderly between January 1, 1980, and February 10, 2020. The quality assessment was conducted via external validity, internal validity, and informativity, the pooled prevalence was calculated through the random-effect model, and the homogeneity was evaluated by Cochran's Q test and I2. RESULTS: Fifty-three studies with 123,766 subjects were included. The pooled prevalence of MCI among Chinese elderly was 15.4% (95% CI: 13.5-17.4%). Subgroup analyses indicated that the prevalence calculated with different screening tools was 20.2% (95% CI: 15.1-25.9%) for Montreal Cognitive Assessment (MoCA) and 13.0% (95% CI: 10.7-15.5%) for Mini-Mental State Examination (MMSE). According to different diagnostic criteria, the prevalence was 14.8% (95% CI: 12.2-17.6%) for Petersen criteria, 15.0% (95% CI: 12.7-17.5%) for DSM-IV, and 21.2% (95% CI: 17.5-25.2%) for Chinese Expert Consensus on Cognitive Impairment (CECCI). Besides, women, older adults, illiterate people, rural residents, and those who lived with unhealthy lifestyles and morbidity showed higher prevalence. CONCLUSIONS: The prevalence of MCI in China was 15.4%, which varied by demographics, lifestyles, morbidity, screening tools, and diagnostic criteria. In further studies, screening tools and diagnosis criteria should be considered when estimating MCI prevalence.
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.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,009 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle