#2041 Correlation between protein energy wasting and cognitive impairment in maintenance hemodialysis patients
Notice bibliographique
Résumé
Abstract Background and Aims Maintenance hemodialysis (MHD) patients widely exist malnutrition, which can cause severe cognitive impairment (CI), may relate to protein energy wasting (PEW). Our research aimed at exploring the relationship between PEW and CI. Method A total of 160 MHD patients were included and divided into non-CI (nCI) group and CI group. We collected patients’ general information, laboratory data, anthropometric data, diet data, diagnosis and evaluation results of PEW, and montreal cognitive assessment-basic (MoCA-B) score. Independent sample t-test was used to compare clinical characteristics of patients in different groups. Univariate and multivariate logistic regression analysis (MLR) were used to screen the influencing factors of CI. The receiver operating characteristic (ROC) curve was used to evaluate the predictive value of the constructed model. Results There was significant differences in the detection rate of PEW, prealbumin (PAB), body mass index (BMI), normalized daily protein intake (nDPI), normalized daily energy intake (nDEI), scored patient-generated subjective global assessment (PG-SGA) and malnutrition inflammation score (MIS) score between the nCI and CI groups (P < 0.05). MHD patients merged PEW showed lower scores in MoCA-B total scores, orientation, calculation, abstraction, visual perception and attention compared to MHD patients unmerged PEW (P < 0.05). MLR showed that age, Kt/v, nDPI, MIS score, and PEW were independent influencing factors of CI (P < 0.05). The predictive value of the constructed model based on the aforementioned factors for cognitive impairment was 94.3% (95% CI1, 90.5–98. 1%), the sensitivity and the specificity were 92.4% and 89.7% respectively. The best cut-off for predicting CI was 0.469. Conclusion In MHD patients, PEW is an independent risk factor of CI. The model we build showed great specificity and sensitivity for predicting CI, which can improve the prognosis of patients. 1confidence interval, differentiate from cognitive impairment.
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) | 0,003 | 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 ».