Latent Class Analysis of Sleep in Mild Cognitive Impairment Patients and its Influencing Factors
Notice bibliographique
Résumé
Background: Individuals with mild cognitive impairment (MCI) frequently experience sleep disorders, which may elevate the risk of developing Alzheimer's disease. Yet, sleep types in MCI patients and the factors influencing them have not been sufficiently investigated. Objective: The objective of this study was to explore potential sleep typing and its influencing factors in patients with MCI using latent class analysis. Methods: A cross-sectional survey was conducted in Jiangsu Province, China. Cognitive function in older adults was assessed using neuropsychological tests, including the Montreal Cognitive Assessment Scale-Beijing version (MoCA), the Mini-Mental State Examination (MMSE), the Activities of Daily Living Scale (ADL), and the Clinical Dementia Rating Scale (CDR). Sleep quality was evaluated using the Pittsburgh Sleep Quality Index (PSQI). Latent class analysis based on PSQI scores and multinomial logistic regression analyses were employed to explore the influencing factors of sleep typing. Results: The study included a total of 611 patients with MCI. Latent class analysis identified three latent classes to categorize the sleep patterns of MCI patients: the good sleep type (56.6%), the insufficient sleep type (29.6%), and the difficulty falling asleep type (13.7%). Potential sleep typing is influenced by gender, chronic disease, physical exercise, social activity, brain exercise, smoking, frailty, subjective cognitive status, and global cognitive function. Conclusions: The findings of this study underscore the notable heterogeneity in the sleep patterns of patients with MCI. Future research may provide targeted prevention and interventions to address the characteristics and influencing factors of patients with different subtypes of sleep 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».