Exploring the link between tooth loss, cognitive function, and brain wellness in the context of healthy aging
Notice bibliographique
Résumé
Abstract Aims The aim of this study was to evaluate the utility of using MRI‐derived tooth count, an indirect and nonspecific indicator of oral/periodontal health, and brain age gap (BAG), an MRI‐based measure of premature brain aging, in predicting cognition in a population of otherwise healthy adults. Methods This retrospective study utilized data from 329 participants from the University of South Carolina's Aging Brain Cohort Repository. Participants underwent neuropsychological testing including the Montreal Cognitive Assessment (MoCA), completed an oral/periodontal health questionnaire, and submitted to high‐resolution structural MRI imaging. The study compared variability on cognitive scores (MoCA) accounted for by MRI‐derived BAG, MRI‐derived total tooth count, and self‐reported oral/periodontal health. Results We report a significant positive correlation between the total number of teeth and MoCA total scores after controlling for age, sex, and race, indicating a robust relationship between tooth count and cognition, r (208) = .233, p < .001. In a subsample of participants identified as being at risk for MCI (MoCA <= 25, N = 36) inclusion of MRI‐based tooth count resulted in an R 2 change of .192 ( H 0 = 0.138 → H 1 = 0.330), F (1,31) = 8.86, p = .006. Notably, inclusion of BAG, a valid and reliable measure of overall brain health, did not significantly improve prediction of MoCA scores in similar linear regression models. Conclusions Our data support the idea that inclusion of MRI‐based total tooth count may enhance the ability to predict clinically meaningful differences in cognitive abilities in healthy adults. This study contributes to the growing body of evidence linking oral/periodontal health with cognitive function.
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 | 0,005 | 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 | 0,000 | 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 ».