老年脑白质病变认知功能下降影响因素研究 Research of Influential Factors of Cognitive Function Decline in Aged Patients with White Matter Lesion
Notice bibliographique
Résumé
目的 探讨老年脑白质病变（white matter lesion，WML）患者认知功能下降的影响因素及预测因子。 方法 连续登记2014年9月-2016年9月期间，郑州大学第一附属医院老年病科、神经内科门诊及住 院的无认知功能障碍的WML患者，收集患者人口学资料、血管危险因素及磁共振成像检查结果。入 组时行蒙特利尔认知评估量表（Montreal cognitive assessment scale，MoCA）及脑白质改变分级量表 （age-related white matter changes rating scale，ARWMCRs）评定。根据1年随访时MoCA量表评分分为轻 度认知功能障碍（mild cognitive impairment，MCI）组和无认知障碍组。通过单因素和多因素Logistic回 归分析，判断老年WML患者认知功能下降的影响因素及预测因子。 结果 研究共入组118例WML患者，其中男性67例，女性51例，平均年龄（68.07±3.70）岁。1年随访时 有100例（84.75％）患者保持原有认知状态不变，18例（15.25％）进展为MCI。Logistic回归分析发现高 血压病[比值比（odds ratio，OR）1.47，95%可信区间（confidence interval，CI）1.08～1.93，P =0.013）]和 糖尿病（OR 1.38，95%CI 1.01～1.88，P =0.042）是WML患者进展为MCI的独立危险因素，ARWMCRs评分 ≥8分（OR 1.84，95%CI 1.38～2.47，P =0.004）是WML患者进展为MCI的独立预测因子。 结论 高血压病和糖尿病是WML患者进展为MCI的独立危险因素，ARWMCRs评分≥8分是WML患者进 展为MCI的独立预测因子。 Abstract: Objective To explore the influential factors and predictive factors of cognitive function decline in patients with white matter lesion (WML). Methods WML patients without cognitive dysfunction from out-patients and in-patients in departments of geriatrics and neurology in the first affiliated hospital of Zhengzhou University from September 2014 to September 2016 were registered consecutively. Their general demographic data, vascular risk factors, biochemical test results and magnetic resonance imaging were collected. Montreal cognitive assessment scale (MoCA) and age - related white matter changes rating scale (ARWMCRs) evaluation were used. According to 1 year follow-up MoCA evaluation scores, the patients were divided into group with mild cognitive impairment (MCI) and group without MCI. Single factor analysis and multi-factors Logistic regression analysis were used to find out the influential factors and predictive factors of cognitive decline in aged patients with WML. Results There were 118 cases of WML including 67 males and 51 females, with mean age of 68.07±3.70 years old. At 1 year follow-up, 100 patients’ (84.75%) cognitive state remained unchanged and the rest 18 patients (15.25%) were diagnosed with MCI. Logistic regression analysis demonstrated that hypertension [odds ratio (OR)=1.47, 95%confidence interval(CI) 1.08-1.93, P =0.013] and diabetes (OR 1.38, 95%CI 1.01-1.88, P =0.042) were independent risk factors of MCI,and ARWMCRs ≥8 scores (OR 1.84, 95%CI 1.38-2.47, P =0.004) was predictive factor of MCI. Conclusion Hypertension and diabetes are independent risk factors of MCI, and ARWMCRs ≥8 scores is the predictive factor of MCI.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,040 | 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 ».