Risk factors of intracerebral hemorrhage- a cross sectional study
Notice bibliographique
Résumé
BACKGROUND:
 Stroke is the most common cause of disability and a leading cause of mortality worldwide. Though the incidence is falling in West but probably rising in Asia. The burden of stroke risk factors in Pakistan is enormous. Data on stroke incidence and prevalence from Pakistan is scarce; however, there are several reported case series in literature highlighting significant differences in terms of stroke epidemiology, risk factors and stroke subtypes/patterns. METHODS: This descriptive cross sectional study was conducted from August 2019 to February 2020, on 109 patients from medical units of DHQ Teaching Hospital Abbottabad. Diagnosis of cerebrovascular accidents was made on focal neurological deficit lasting more than 24 hours. CT scan brain was done in all patients to detect intra cerebral bleed. Detailed history and medical records were carefully scrutinized in the patients of intracerebral bleed to detect factors leading to it like uncontrolled hypertension. Fasting blood glucose, fasting serum cholesterol and fasting triglycerides were done to detect uncontrolled diabetes and hyperlipidemia. Data was collected on a structured proforma and analysed using SPSS 20. RESULTS: Majority of the patients were 39.81%(n=41) >70 years of age, 71 (68.93%) were male and 32 (31.07%) female, frequency of intracerebral bleed among patients presenting with acute cerebrovascular accidents was recorded in 8.74%(n=9), among them 66.67%(n=6) had history of uncontrolled hypertension, 44.44%(n=4) had diabetes and 33.33%(n=3) had hyperlipidemia.
 CONCLUSIONS: Frequency of intracerebral bleed is higher among patients presenting with cerebrovascular accidents, hypertension is recorded the most common risk factor for this complication.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».