Exploration of Risk Factors for Mild and Major Neurocognitive Disorders in A Sample of Elderly Population
Notice bibliographique
Résumé
Background: Early identification and management of modifiable risk factors for neurocognitive disorders is becoming more important to slow progression of the disease, which would be very beneficial for both the patient and the caregiver. Aim: Assessing risk factors for mild and major neurocognitive disorders among a sample of elderly population in Suez Canal Area. Patients and Methods: This cross-sectional comparative analytical study was conducted on a sample of 156 elderly people ≥60 years old in Suez Canal Area over the period from March 2022 to February 2023. Study tools included a semi-structured clinical interview to assess sociodemographic, medical and lifestyle risk factors, DSM-5 criteria to diagnose mild and major neurocognitive disorders, The Montreal Cognitive Assessment scale to assess cognitive function, and The Activities of Daily Living Questionnaire to assess functional impairment and dependency. Results: Mild and major neurocognitive disorders have multiple sociodemographic, medical and lifestyle risk factors, including: aging, lower education, female gender, non-married status, unemployment and physical work, lower income, less physical, cognitive and social activities, increased number of chronic diseases and family history of cognitive impairment. Conclusion: Multiple modifiable risk factors for mild and major neurocognitive disorders could be identified, and their management may contribute to lowering burden of neurocognitive disorders.
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 ».