Determinants of post-stroke cognitive impairment in patients with periodontal disease
Notice bibliographique
Résumé
INTRODUCTION: Periodontal disease (PD) is a risk factor for stroke and cardiovascular disease. The effect of PD on post-stroke cognitive impairment (PSCI) remains underexplored. METHODS: A cross-sectional analysis of the Periodontal tReatment to Eliminate Minority InEquality and Rural disparities in Stroke (PREMIERS) study participants was conducted. Baseline cognitive function was assessed using the Montreal Cognitive Assessment (MoCA) within 90 days of the index event. MoCA score ≤21 indicated severe PSCI. White matter hyperintensity, indicating cerebral small vessel disease (cSVD), was evaluated using the Fazekas scale on MRI. Due to non-normal MoCA distribution, two analytical approaches were employed: 1) logistic regression using dichotomized MoCA scores based on clinically relevant cutoffs and 2) generalized linear mixed modeling after bootstrap normalization that examined MoCA scores continuously. RESULTS: Among 280 participants with PD, 48% exhibited severe PSCI. Both analytical approaches demonstrated that severe PD, African American (AA) race, and greater stroke severity significantly and independently predicted severe PSCI, while advanced education was protective. Fazekas' scale showed no significant associations with PSCI. CONCLUSIONS: This study identifies PD severity as a novel and independent contributor to early PSCI. Traditional predictors like AA race, educational attainment, and stroke severity remained significant. CLINICAL TRIAL REGISTRATION INFORMATION: https://www. CLINICALTRIALS: gov; Unique identifier: NCT02541032.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».