Risk factors for cognitive impairment in chronic kidney disease: A cross-sectional study
Notice bibliographique
Résumé
<b>Background: </b>Chronic kidney disease (CKD) is a leading public health problem, affecting more than 800 million people worldwide. CKD is frequently associated with complications, including cardiovascular disease, anemia, osteoporosis, and cognitive impairment (CI), which can range from moderate to severe and impact patients’ quality of life. This study aims to test the prevalence of CI among patients with CKD and determine associated disease severity measures and elements related to CI.<br /> <b>Methods: </b>This is a cross-sectional observational study done in a tertiary medical center in a developing country’s healthcare setting. A cohort of 319 patients with CKD has been recruited. The participants took the Montreal cognitive assessment (MoCA) test. Clinical variables included comorbidities, medications, and laboratory tests from patients’ electronic records. Multivariate logistic regression analysis was used to predict factors related to MoCA ratings of &lt; 26 and ≥ 26 after adjusting for applicable covariates.<br /> <b>Results: </b>41.7% of the individuals had a MoCA score of less than 26, indicating mild CI. Factors significantly associated with cognitive problems included older age, lower educational attainment, reduced estimated glomerular filtration rate, advanced stage of CKD, and use of benzodiazepines.<br /> <b>Conclusion: </b>The study highlights the high prevalence of CI among CKD patients and identifies several modifiable and non-modifiable risk factors. Early screening and targeted interventions should help reduce CKD patients’ mental suffering and CI.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».