Incidence of post-stroke cognitive impairment in patients with first-ever ischemic stroke: a multicenter cross-sectional study in China
Notice bibliographique
Résumé
Background: Post-stroke cognitive impairment (PSCI) is a common sequela after stroke. China has a large population of stroke survivors, but a large-scale survey on the incidence and risk factors for PSCI has not been undertaken. We aimed to calculate the incidence and risk factors for vascular cognitive symptoms among first-ever stroke survivors in China through a multicenter cross-sectional study. Methods: From May 1, 2019 to November 30, 2019, patients with a clinical diagnosis of first-ever ischemic stroke were recruited from 563 hospitalized-based stroke center networks in 30 provinces of China. Cognitive impairment was measured by 5-min National Institute of Neurological Disease and Stroke-Canadian Stroke Network (NINDS-CSN) at 3-6 months after the indexed stroke. Stepwise multivariate regression and stratified analysis were performed to assess the association between PSCI and demographic variables. Findings: A total of 24,055 first-ever ischemic stroke patients were enrolled, with an average age of 70.25 ± 9.88 years. The incidence of PSCI as per the 5-min NINDS-CSN was 78.7%. Age ≥75 years old (OR: 1.887, 95%CI: 1.391-2.559), western regional residence (OR: 1.620, 95%CI: 1.411-1.860) and lower education level were associated with increased PSCI risk. Hypertension might be related to non-PSCI (OR: 0.832, 95%CI: 0.779-0.888). For patients under 45 years old, unemployment was an independent risk factor for PSCI (OR: 6.097, 95%CI: 1.385-26.830). For patients who were residents of the southern region (OR: 1.490, 95%CI: 1.185-1.873) and non-manual workers (OR: 2.122, 95%CI: 1.188-3.792), diabetes was related to PSCI. Interpretation: PSCI is common in Chinese patients with first-ever stroke, and many risk factors are related to the occurrence of PSCI. Funding: The Beijing Hospitals Authority Youth Program (No. QMS20200801); Youth Program of the National Natural Science Foundation of China (No. 81801142); the Key Project of Science and Technology Development of China Railway Corporation (No. K2019Z005); The Capital Health Research and Development of Special (No. 2020-2-2014); Science and Technology Innovation 2030-Major Project (No. 2021ZD0201806).
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) | 0,001 | 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 | 0,001 |
| 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 ».