Early Detection and Management of Cognitive Impairment in Parkinson's Disease: A Predictive Model Approach
Notice bibliographique
Résumé
OBJECTIVE: The study aims to identify risk factors associated with cognitive impairment in Parkinson's disease and to develop a predictive model to facilitate early clinical detection, diagnosis, and management, thereby enhancing patient prognosis and quality of life. METHODS: A total of 351 PD patients were enrolled from the Department of Neurology at the First Hospital of Shanxi Medical University between January 2022 and December 2023. Cognitive function was evaluated using the Montreal Cognitive Assessment (MoCA) scale, and patients were subsequently categorized into cognitively normal (PD-NC) and cognitively impaired (PD-CI) groups. A logistic regression analysis was conducted to identify risk factors, and a predictive model was constructed and validated. RESULTS: Among the 351 patients with PD, 188 cases were in the PD⁃NC group and 163 cases were in the PD⁃CI group, with an incidence of cognitive impairment of 46.4%. Logistic regression analysis indicated that H-Y classification, HAMA score, homocysteine, uric acid, and folic acid were significant predictors and were incorporated into the regression equation. The constructed prediction model had an area under the receiver operating characteristic curve of 0.738. CONCLUSIONS: The cognitive function of PD patients is influenced by H-Y classification, HAMA score, homocysteine, uric acid, and folic acid. The constructed prediction model demonstrates good discrimination and calibration, providing a reference basis for early clinical identification and intervention of cognitive impairment in Parkinson's disease patients.
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 | 0,000 | 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 ».