Prevalence and risk factors of hallucination in patients with Parkinson disease
Notice bibliographique
Résumé
Objective To investigate the prevalence and risk factors of hallucination in patients with Parkinson disease(PD),and to analysis the relationship between hallucination and different types of PD. Methods We recruited 163 patients with PD from outpatient department in Beijing Tiantan Hospital. The subjects were divided into two groups, the hallucination group and the non-hallucination group. We assessed both the two groups respectively with UPDRS, Hohen-Yahr rank, Hamilton Depression Scale(HAMD), Pittsburgh Sleep Quality Index(PSQI), Fagitue Severity Scale(FSS), Parkinson fatigue scale(PFS),Mini-Mental State Examination(MMSE) and Montreal Cognitive Assessment (MoCA). Then we compared the difference between the two groups, statistical cluster analysis was used to study the relationship between heterogeneity and hallucination. Results In our 163 patients with PD, 20 of them (12.27%) had hallucination. The hallucination and non-hallucination groups had no difference in sex, age, age of onset, duration of illness, long-term complications and the scores of UPDRS, PSQI, FSS, PFS, MMSE and MoCA (P0.05). The proportion of dyskinesia (35.0%) in hallucination group was significantly higher than that (9.1%) in the non-hallucination group. There were also significant differences in scores of postural stability, H-Y, UPDRS I, UPDRS II, HAMD and Levodopa Equivalents between the two groups. Logistic regression revealed that depression was the independent risk factor for hallucination in PD patients. Conclusions Hallucination is one of the common non-motor symptom in all types of PD. Postural stability, the severity of disease, Levodopa Equivalents and depression are all important risk factors in PD hallucination, and depression is the only independent risk factor.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».