Analysis of current status and influencing factors of elderly stroke patients' attention
Notice bibliographique
Résumé
Objective To explore the attention level and influencing factors of elderly stroke patients. Methods From September 2019 to September 2020, 178 elderly stroke patients over 60 years old who were hospitalized in the Department of Neurosurgery and Neurology of a grade A hospital in Tangshan City, Hebei Province were selected as the research objects. Pittsburgh Sleep Quality Index (PSQI) and hospitals were used. Research tools such as the Anxiety and Depression Scale (HAD) and the Montreal Cognitive Assessment Scale (MoCA) were used for investigation and research. Use SPSS 25. 0 statistical software for statistical analysis. Results The results of the study showed that gender, drinking alcohol, sleep quality, anxiety, depression, stroke type and cognitive impairment were the main influencing factors for attention disorders in the elderly after stroke. Conclusion This study found that the research subjects had a higher incidence of attention disorders, and older stroke patients who were men, usually drinking alcohol, poor sleep quality, anxiety, depression, and ischemic stroke with cognitive impairment were more likely to have attention dysfunction. (目的 探讨老年脑卒中患者的注意力水平及影响因素。方法 选取2019年9月～2020年9月河北省唐山市某三甲医院神经外科、神经内科住院的178例60岁以上的老年脑卒中患者为研究对象, 应用匹兹堡睡眠质量指数量表(PSQI)、医院焦虑抑郁量表(HAD)、蒙特利尔认知评估量表(MoCA)等研究工具进行调查研究。使用SPSS 25. 0统计软件进行统计分析。结果 研究结果显示: 性别、是否饮酒、睡眠质量、有无焦虑、有无抑郁、卒中类型、是否有认知功能障碍是卒中后老年人注意力障碍的主要影响因素。结论 老年脑卒中患者注意力障碍发生率较高, 且男性、平常习惯饮酒、睡眠质量差、有焦虑、抑郁、及缺血性脑卒中并有认知功能障碍的老年脑卒中患者更易发生注意力障碍。)
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 | 0,000 | 0,001 |
| 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 | 0,000 | 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) | 0,002 | 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 ».