Epidemiology of Young Stroke in the Ludhiana Population-Based Stroke Registry
Notice bibliographique
Résumé
Objective: The objective of the study was to determine incidence, risk factors, and short-term outcomes of young stroke in Ludhiana city, Northwest India. Methods: Data were collected on first-ever stroke in patients of age ≥18 years, from hospitals, diagnostic imaging centers, general practitioners, and municipal corporation during March 2011–March 2013 in Ludhiana city, using the World Health Organization Stepwise Approach to Surveillance (WHO STEPS). Outcome was documented using the modified Rankin Scale at 28 days. Results: Of 2948 patients, 700 (24%) were in the age group 18–49 years. Annual incidence in this age group was 46/100,000 person-years (95% confidence interval [CI], 41–51/100,000). Hypertension (84%), diabetes mellitus (48%), and atrial fibrillation (AF) (12%) were found more common in >49 years age group, as compared with 18–49 years age group. Drug abuse (8.7% vs. 6% in age >49 years; P = 0.04) and tobacco intake (8.7% vs. 5.6% in age >49 years; P = 0.02) was more common in young people, that is, 18–49 years age group in comparison to older patients, >49 years age group. Recovery was better in younger subjects (60% vs. 46% in age >49 years P < 0.001). In a multivariable analysis, younger people were more often literate (odds ratio [OR] 2.52; 95% CI, 1.68–3.77; P < 0.001), employed (OR 3.92; 95% CI, 2.20–5.21; P < 0.001), and 374 (60%) had good clinical outcome, modified Rankin Scale <2 at 28 days follow-up as compared with 938 (46%) older patients (OR 1.52; 95% CI, 1.15–2.00; P = 0.003). Conclusion: Hypertension, diabetes mellitus, drug addiction, and tobacco intake were significantly associated with young stroke. Outcome was also better in younger people.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».