Aphasia after acute ischemic stroke: epidemiology and impact on tertiary care resources
Notice bibliographique
Résumé
Introduction. This study aimed to reveal the disease burden of aphasia after acute ischemic stroke (AIS) at the national level and investigate the impact of aphasia on tertiary care resources and patient outcomes. We aimed to investigate the length of stay (LOS) and discharge modified Rankin Scale (mRS) score in aphasic, acute ischemic stroke (AIS) patients in order to estimate aphasia-related disease burden at a national level. Material and method. The local database from the Cluj-Napoca Emergency County Hospital (CNECH), the second largest stroke center in Romania was used to export demographics, baseline clinical and laboratory data, inpatient length of stay (LOS), NIH Stroke Scale (NIHSS), and discharge modified Rankin Scale (mRS) score data for all AIS patients admitted during March 2019. Results and discussions. Of 92 patients included in the study, 30 (32.6 %) had aphasia on admission. In a marginally significant unadjusted hierarchical multiple regression model, individuals with aphasia had a LOS of 1.86 days longer than stroke survivors without aphasia. In an adjusted version of the model, the NIHSS score at baseline was a significant predictor for LOS. In addition, the presence of aphasia was associated with a 1.49 increase in the mean mRS score. Aphasia was a marginally significant predictor for increased LOS. Presence of aphasia was more likely to produce a poor functional outcome. Conclusions. Considering an estimated impact of approximately EUR 3 million on direct medical expenditure annually, future policymaking efforts should improve prevention of stroke and improved access to post-stroke aphasia care in Romania. Keywords: aphasia; acute ischemic stroke; length of stay; disability, outcome,
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 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».