Depression, Disability, and Cognitive Impairment Among Elders With Medical Illnesses Attending Follow-Up Clinics at a Tertiary Care Hospital in Northern Sri Lanka
Notice bibliographique
Résumé
INTRODUCTION: The rising proportion of the elderly is increasingly affected by non-communicable diseases. Despite an abundance of literature suggesting that elders with medical conditions are more vulnerable to depression, disability, and cognitive impairment, these tend to go unnoticed and unaddressed. This study describes the prevalence and correlates of depression, disability, and cognitive impairment among elders with medical illnesses attending follow-up clinics in a tertiary care hospital in northern Sri Lanka. METHODS: This descriptive cross-sectional study was carried out among 122 elders (≥60 years) attending medical clinics at Teaching Hospital Jaffna. Depression, disability, and cognitive impairment were assessed by the 15-item Geriatric Depression Scale, 12-item World Health Organization Disability Assessment Schedule 2.0, and Montreal Cognitive Assessment, respectively. Student's T-Test, ANOVA, and correlation coefficient were used in analyzing data using Statistical Package for Social Sciences 25 (SPSS-v25) (IBM, New York, United States). RESULTS: The mean age of the participants was 68.3 years (SD=5.70); 58 (47.5%) were males and 64 (52.5%) were females. Prevalence of depression was 44.3% (95% CI=35.5-53.1), while disability was 95.9% (95% CI=92.4-99.4) and cognitive impairment was 80.3% (95% CI=73.2-87.4). Depression was significantly associated with gender (p=0.013), marital status (p=0.019), and living arrangement (p<0.001). Cognitive impairment was significantly associated with education level (p=0.045), and disability was associated with education level (p=0.008) and marital status (p=0.027). Among the study participants, only 12 (9.8%) had previously sought professional help for depression, disability, or cognitive impairment. CONCLUSION: Depression, disability, and cognitive impairment are common among the elderly attending medical clinics in Teaching Hospital Jaffna, and are, in most cases, unaddressed.
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 | 0,001 | 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 ».