Relationships between Freezing of Gait Severity and Cognitive Deficits in Parkinson’s Disease
Notice bibliographique
Résumé
Freezing of gait (FOG) is one of the most debilitating motor symptoms experienced by patients with Parkinson's disease (PD), as it can lead to falls and a reduced quality of life. Evidence supports an association between FOG severity and cognitive functioning; however, results remain debatable. PD patients with (PDFOG+, n = 41) and without FOG (PDFOG-, n = 39) and control healthy subjects (n = 41) participated in this study. The NIH toolbox cognition battery, the Montreal Cognitive Assessment (MoCA), and the interval timing task were used to test cognitive domains. Measurements were compared between groups using multivariable models and adjusting for covariates. Correlation analyses, linear regression, and mediation models were applied to examine relationships among disease duration and severity, FOG severity, and cognitive functioning. Significant differences were observed between controls and PD patients for all cognitive domains. PDFOG+ and PDFOG- exhibited differences in Dimensional Change Card Sort (DCCS) test, interval timing task, and MoCA scores. After adjusting for covariates in two different models, PDFOG+ and PDFOG- differed in both MoCA and DCCS scores. In addition, significant relationships between FOG severity and cognitive function (MoCA, DCCS, and interval timing) were also found. Regression models suggest that FOG severity may be a predictor of cognitive impairment, and mediation models show the effects of cognitive impairment on the relationship between disease severity and FOG severity. Overall, this study provides insight into the relationship between cognitive and FOG severity in patients with PD, which could aid in the development of therapeutic interventions to manage both.
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 | 0,002 | 0,002 |
| 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 | 0,001 | 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 ».