Establishment and evaluation of a clinical prediction model for cognitive impairment in patients with cerebral small vessel disease
Notice bibliographique
Résumé
BACKGROUND: There are currently no effective prediction methods for evaluating the occurrence of cognitive impairment in patients with cerebral small vessel disease (CSVD). AIMS: To investigate the risk factors for cognitive dysfunction in patients with CSVD and to construct a risk prediction model. METHODS: A retrospective study was conducted on 227 patients with CSVD. All patients were assessed by brain magnetic resonance imaging (MRI), and the Montreal Cognitive Assessment (MoCA) was used to assess cognitive status. In addition, the patient's medical records were also recorded. The clinical data were divided into a normal cognitive function group and a cognitive impairment group. A MoCA score < 26 (an additional 1 point for education < 12 years) is defined as cognitive dysfunction. RESULTS: A total of 227 patients (mean age 66.7 ± 6.99 years) with CSVD were included in this study, of whom 68.7% were male and 100 patients (44.1%) developed cognitive impairment. Age (OR = 1.070; 95% CI = 1.015 ~ 1.128, p < 0.05), hypertension (OR = 2.863; 95% CI = 1.438 ~ 5.699, p < 0.05), homocysteine(HCY) (OR = 1.065; 95% CI = 1.005 ~ 1.127, p < 0.05), lacunar infarct score(Lac_score) (OR = 2.732; 95% CI = 1.094 ~ 6.825, P < 0.05), and CSVD total burden (CSVD_score) (OR = 3.823; 95% CI = 1.496 ~ 9.768, P < 0.05) were found to be independent risk factors for cognitive decline in the present study. The above 5 variables were used to construct a nomogram, and the model was internally validated by using bootstrapping with a C-index of 0.839. The external model validation C-index was 0.867. CONCLUSIONS: The nomogram model based on brain MR images and clinical data helps in individualizing the probability of cognitive impairment progression in patients with CSVD.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».