Early Strokes Are Associated with More Global Cognitive Deficits in Adults with Sickle Cell Disease
Notice bibliographique
Résumé
This study sought to link neurocognitive profiles in sickle cell disease (SCD) patients with clinical characteristics. We conducted a prospective cohort study of adults with SCD who underwent comprehensive neuropsychological assessment at the UMGGR clinic at Henri Mondor Hospital, Créteil (France). A cluster analysis was performed based on neuropsychological testing scores. The association between clusters and clinical profiles was assessed. Between 2017 and 2021, 79 patients with a mean age of 36 [range 19–65] years were included. On principal component analysis, a 5-factor model presented the best fit (Bartlett’s sphericity test [χ2 (171) = 1345; p < 0.001]), explaining 72% of the variance. The factors represent distinct cognitive domains and anatomical regions. On hierarchical classification, three clusters emerged. Cluster 1 (n = 24) presented deficits in all five factors compared to Cluster 3 (n = 33). Cluster 2 (n = 22) had deficits in all factors, but to a lesser extent than Cluster 1. MoCA scores mirrored the severity of these cognitive deficits. Age, genotype and stroke prevalence did not differ significantly between clusters. However, the time of first stroke occurrence differed significantly between Cluster 1 and 2–3: 78% of strokes occurred during childhood, whereas 80% and 83% occurred during adulthood in Clusters 2 and 3, respectively. Educational attainment was also reduced in Cluster 1. SCD patients with childhood stroke seem to be at increased risk of a global cognitive deficit profile. In addition to existing methods of primary and secondary stroke prevention, early neurorehabilitation should be prioritized in order to reduce the long-term cognitive morbidity of SCD.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».