Cognitive Impairment and Related Factors Among Middle-Aged and Elderly Patients with Type 2 Diabetes from a Bio-Psycho-Social Perspective
Notice bibliographique
Résumé
OBJECTIVE: This study investigated the biomedical, psychological, and social behavior risk factors for cognitive impairment in middle-aged and elderly patients with type 2 diabetes mellitus (T2DM). METHODS: This cross-sectional study included 240 patients with T2DM. A questionnaire was used to collect demographic and disease-related data on patients, and the Self-rating Depression Scale (SDS), Diabetes Self-care Scale (DSCS), and Social Support Rating Scale (SSRS) were used to assess patients' depression status, self-management behavior, and social support, respectively. The Chinese version of the Montreal Cognitive Assessment (MoCA) was used to evaluate cognitive function, with a score <26 set as the threshold for cognitive impairment. RESULTS: The prevalence of cognitive dysfunction in middle-aged and elderly patients with T2DM was 52.5%. Multivariate logistic regression analysis showed that older age, a history of hypoglycemia within 1 month, and depression were independent risk factors for cognitive impairment. Education for >12 years, urban living, and a higher total score on the DSCS were independent protective factors against cognitive impairment. CONCLUSION: T2DM patients with high risk of cognitive impairment can be identified early from the bio-psycho-social perspective. Patients with T2DM who are older, less educated, living in rural areas, have hypoglycemia history, and have poor self-management of diabetes are at increased risk of cognitive impairment. Closer monitoring of patients with hypoglycemia, early detection of depression, and improving patients' self-management capacity can prevent cognitive impairment in middle-aged and elderly patients with T2DM.
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) | 0,001 | 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 ».