Cognitive Deficits in Patients of Depressive Disorder
Notice bibliographique
Résumé
OBJECTIVE: To determine the frequency of cognitive deficits in patients of Depressive disorder. METHODOLOGY: This cross-sectional study was conducted at Jinnah Post Graduate Medical Centre (JPMC), Karachi,from September 2018 to March 2019. The sample size of 250 was calculated through customary techniques, and the sampling technique was non-probability consecutive sampling. Those patients who were diagnosed with cases of depressive disorder were enrolled in the study. The data were analyzed using SPSS (Statistical Packages of Social Sciences) version 22.0. RESULTS: Out of the total of 250 cases, 114 (45.60%) were males, and 136 (54.40%) were females with an average age of 33.6211.07 years. Among 250, the majority, 178 (71.20%), were married and Illiterate 90 (36.00%). Among all participants, 136 (54.4%) belonged to middle socio-economic and 120 (68.0%) were household by occupation. Out of 250 cases, 135 (54%) were drug nave, while 114 (45.6%) were on active treatment. Cognitive dysfunction was present among 169 (67.6%). Educational status, treatment status, and duration of diseases were considerably related, with cognitive dysfunction having a p-value of less than 0.05. CONCLUSION: The rate of Cognitive dysfunctions among patients with depressive disorder is high and alarming.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».