Prevalence and factors associated with cognitive impairment among persons with type 2 diabetes mellitus: A cross-sectional study in medical college hospitals of South India
Notice bibliographique
Résumé
Background The increased prevalence of diabetes is of a major concern in the background of a developing country like India with tremendous population. Diabetes Mellitus type 2 leads to complications if not diagnosed early and started on treatment. Adding to this, persons with Type 2 Diabetes Mellitus (T2DM) are also vulnerable to develop cognitive impairment and affects many cognitive domains. Therefore, recognition of cognitive disorders among diabetic persons with T2DM are important. Method ology: This is a cross sectional study done in persons with T2DM attending two tertiary care teaching hospitals. There were a total of 108 study participants aged ≥18 years and the study was done for one month. Cognitive screening was carried out using Montreal Cognitive Assessment (MoCA) and a score of ≥26 out of 30 was considered as normal cognitive function. Results It was observed that 45 (41.70 %) of the participants had cognitive impairment and it was found to be higher among persons aged ≥60 years, 27 (75.0 %) when compared to age <60 years, 36 (50.0 %). This association was found to be statistically significant (p = 0.02). Of the 58 participants who had diabetes for >7years, 41 (70.70 %), had cognitive impairment while 17 (29.30 %) did not have (p < 0.01). Cognitive impairment was found to be significantly higher among participants with hypertension (74.20 %) when compared to those without hypertension (59.70 %). Conclusion Prevalence of cognitive impairment in persons with T2DM was found out to be 58.30 %. Duration of diabetes ≥7 years was found to be the significant factor associated with cognitive impairment in our research.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».