The relationship between protein-energy wasting and cognitive impairment in patients receiving maintenance hemodialysis
Notice bibliographique
Résumé
Objectives To investigate the relationship between protein-energy wasting (PEW) and cognitive impairment (CI) in patients undergoing maintenance hemodialysis (MHD). Methods A total of 185 patients undergoing MHD between June 2020 and April 2022 were initially recruited. Among the initially recruited patients, 25 patients were excluded, and 160 patients were finally involved in this study. The Montreal Cognitive Assessment-Basic (MoCA-B) was utilized to assess patients’ cognitive functions. Patients were categorized into two groups based on the presence or absence of PEW as per the diagnostic criteria. The severity of PEW was evaluated using the Scored Patient-Generated Subjective Global Assessment (PG-SGA) and Malnutrition Inflammation Score (MIS). Baseline data, PEW-related indicators, and cognitive function scores were compared between the CI and non-CI groups. Logistic regression analysis was employed to identify the factors influencing CI in patients undergoing MHD. Results There were significant differences between the two groups in terms of age, educational level, Kt/V, PEW detection rate, PEW-related indicators [albumin (ALB)], lean body mass, arm muscle circumference (AMC), normalized dietary protein intake (nDPI), PG-SGA score, and MIS score (p < 0.05). The MoCA-B scores of MHD patients with PEW were significantly lower than those of patients without PEW (p < 0.05). The two groups exhibited significant differences in executive function, orientation, abstraction, delayed recall, and attention scores (p < 0.05). Multivariate logistic regression analysis indicated that age, PEW severity, Kt/V, and ALB were significant influential factors of CI in patients undergoing MHD (p < 0.05). Conclusion PEW was closely associated with CI in patients undergoing MHD. Those combined with PEW were more likely to develop CI, and to suffer from more severe CI. Active precautionary measures should be taken against PEW to delay the progression of CI in patients undergoing MHD.
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 | 0,000 | 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 | 0,000 | 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) | 0,001 | 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 ».