Association between small vessel disease and slow gait speed in older adults with cognitive impairment
Notice bibliographique
Résumé
Subjective cognitive decline and mild cognitive impairment are often associated with gait disturbances, increasing dementia risk. Cerebral small vessel disease (CSVD) may underlie these associations. Objective: To examine the association between CSVD lesion types and locations with slow gait speed in older adults with subjective cognitive decline and mild cognitive impairment. Methods: In this cross-sectional study, 124 older adults met the inclusion criteria. Participants underwent clinical evaluation, gait speed assessment, and brain magnetic resonance imaging. CSVD burden was assessed using the STRIVE-2 criteria and quantified using Fazekas and modified Scheltens scales. Logistic regression analyses were conducted to calculate odds ratios (OR) with 95% confidence intervals. Results: Individuals with slow gait were older, had lower education levels, and a higher prevalence of hypertension. Neuroimaging analysis revealed a significant association between slow gait and global white matter hyperintensities (WMH) burden (Fazekas score ≥2: 34.5 vs. 12.1%, p<0.003; Scheltens score ≥5: 65.8 vs. 42.4%, p<0.010). Regional WMH analysis showed increased burden in frontal and occipital regions in the slow gait group. Lacunar infarcts were more prevalent in the slow gait group (15.2 vs. 3.4%, p=0.028). Multivariate analysis revealed that lacunar infarcts and WMH in specific brain regions remained significant predictors of slow gait, even after adjusting for confounders. Conclusion: CSVD, particularly lacunar infarcts and specific WMH patterns, is associated with slow gait in this population. Early identification and management of CSVD may help mitigate its impact on gait and functional status.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».