Factors Influencing Cognitive Impairment in Patients Undergoing Hemodialysis: Based on Health Ecological Model
Notice bibliographique
Résumé
INTRODUCTION: Cognitive impairment represents a prevalent issue among patients undergoing hemodialysis (HD). Nevertheless, the majority of existing studies have predominantly focused on its influencing factors from a single-dimensional perspective. This study aimed to comprehensively investigate the multifaceted factors contributing to cognitive impairment in patients undergoing HD by applying the health ecological model. METHOD: Data of 172 patients undergoing HD from the HD unit from China were collected from June 2022 to October 2022. A total of 24 variables were collected across the five dimensions of the health ecological model. The Montreal Cognitive Assessment (MoCA) scale was used to assess cognitive function. LASSO regression was utilized to select relevant variables, and binary logistic regression was employed to determine the independent risk factors associated with cognitive impairment. RESULTS: Gender, age, protein intake, and cholesterol were independently associated with cognitive impairment in patients undergoing HD. The predictive model incorporating these factors achieved a moderate goodness-of-fit (Nagelkerke R2 = 0.543), reflecting their combined contribution to cognitive risk. CONCLUSION: Cognitive impairment is highly prevalent among Chinese patients undergoing HD, influenced by factors such as aging, female sex, insufficient protein intake, and low cholesterol levels. These findings underscore the multifactorial nature of cognitive decline in patients undergoing HD within the framework of a health ecological model, highlighting the need for comprehensive interventions that address biological, behavioral, psychological, disease-related, and social domains.
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 | 0,001 | 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 | 0,000 |
| 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 ».