Prevalence of Cognitive Impairment before Prostate Cancer Treatment
Notice bibliographique
Résumé
Cognitive impairment is common among patients with different types of cancer, even before cancer treatment, but no data were reported among patients with prostate cancer (PCa), who may be at high risk due to advanced age. This study aims to estimate the prevalence of cognitive impairment before PCa treatment. Between February 2018 and April 2021, the NEON-PC cohort recruited 605 patients with PCa proposed for treatment at the Portuguese Institute of Oncology of Porto. The Montreal Cognitive Assessment (MoCA) was used to assess cognitive performance. Participants with a MoCA < 1.5 standard deviations (SD) of age- and education-specific normative values were considered to have probable cognitive impairment (PCI) and were referred for a comprehensive neuropsychological assessment. Data from the population-based cohort EPIPorto (n = 351 men aged ≥40 years, evaluated in 2013−2015) were used for comparison. The prevalence of PCI was 17.4% in EPIPorto and 14.7% in NEON-PC (age- and education-adjusted odds ratio: 0.82, 95%CI: 0.58,1.18). Neuropsychological assessment was performed in 63 patients with PCa: 54.0% had cognitive impairment. These results suggest that the impact of PCa on cognitive performance could be negligible in the short term, contrary to what other studies have reported regarding other types of cancer.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».