Cognitive Impairment and Its Associated Risk Factors in the Elderly With Type 2 Diabetes Mellitus
Notice bibliographique
Résumé
Cognitive impairment is not only common but may also act as a precursor for dementia. Moreover, diabetes mellitus has been shown to promote the progression of dementia. This study aims to determine the prevalence of cognitive impairment and its associated risk factors among the elderly patients having type 2 diabetes mellitus (T2DM) in Hospital Kuala Lumpur, Malaysia. This is a cross-sectional study involving 113 participants who were attending the physician clinic. The participants were selected using the universal sampling method. The tools included a sociodemographic questionnaire, the Montreal Cognitive Assessment, the Depression Anxiety Stress Scale, and the Mini-International Neuropsychiatry Interview. Descriptive analysis was performed and followed by multiple logistic regression. The prevalence of cognitive impairment, depressive disorder, and anxiety disorder was 46.9, 10.6, and 2.7%, respectively. Indians (aOR = 4.90, 95% CI = 1.57-15.27) as well as participants who had completed their secondary (aOR = 0.34; 95% CI = 0.12-0.96) and tertiary (aOR = 0.05; 95% CI = 0.01-0.26) levels of education were significantly associated with cognitive impairment. The prevalence of cognitive impairment was high as well as significantly associated with the ethnicity and education levels of the elderly participants. Indeed both secondary and tertiary education decreased the odds ratio of developing cognitive impairment when compared with no formal and primary education. To determine and reduce the potential risk factors which contribute to cognitive impairment, an early diagnosis of T2DM is crucial. The early detection and treatment of T2DM as well as its associated risk factors are key factors in protecting against 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 | 0,000 |
| 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 | 0,000 |
| 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 ».