Higher Inflammatory Markers are correlated with Worse Cognitive Function in Coronavirus Disease-2019 Patients
Notice bibliographique
Résumé
AIM: This study aimed to determine the correlation between inflammation with cognitive function in COVID-19 patients. METHODS: We recruited COVID-19 patients using consecutive sampling methods in Adam Malik General Hospital Medan, Indonesia. The neutrophil-to-lymphocyte ratio (NLR,) C-reactive protein (CRP), D-dimer, and ferritin serum levels were measured as inflammatory markers . Cognitive function was assessed in several cognitive domains using Forward Digit Span for attention, Bacward Digit Span for working memory, and Trail Making Test parts A and B for executive function. The correlation between inflammatory markers and cognitive function was analyzed using Spearman correlation test. RESULTS: This study involved 40 COVID-19 patients consisting of 13 (32.5%) males and 27 (67.5%) females; the median age of the patients was 39.5 (19–65) years. We found that higher D-dimer and ferritin levels were significantly correlated with worse BDS scores (r = −0.369 p = 0.019 and r = −0.408 p = 0.009, respectively) and higher ferritin level was also correlated with worse FDS score (r = −0.365 p = 0.020 and). Higher D-dimer and ferritin levels were also significantly correlated with a longer time of completion of TMT-B (r = 0.363 p = 0.022 and r = 0.433 p = 0.005) and higher ferritin level was also correlated with a longer time of completion of TMT-A (r = 0.438 P=0.005). There were no significant correlations between NLR and CRP levels with cognitive function. CONCLUSION: Higher inflammatory markers are correlated with worse attention, working memory, and executive function in COVID-19 patients.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».