Prevalence of Cognitive Impairment and Its Determinants among Older Adults in Urban South India – A Cross-sectional Study
Notice bibliographique
Résumé
BACKGROUND: Cognitive impairment is a growing public health challenge for older adults in nations like India due to demographic changes and chronic diseases, significantly impacting daily function. Despite its importance, there is limited research in quantifying the burden of cognitive impairment. AIMS: This study aims to assess the prevalence of cognitive impairment among the elderly in an urban area and to determine the associated factors. SUBJECTS AND METHODS: A community-based cross-sectional study was conducted between July 2024 and February 2025 in an urban area of Chengalpattu district, Tamil Nadu. 300 participants aged 60 years and above were selected using two-stage random sampling. Data were collected using a sociodemographic questionnaire, Montreal Cognitive Assessment (MoCA), Katz index of independence of activities of daily living (ADL) and DASS-21 scale. Logistic regression analysis was used to identify factors associated with cognitive impairment (MoCA score ≤24). RESULTS: The prevalence of cognitive impairment was 36.67%. Mild Cognitive Impairment (MCI) was present in 11.67% of participants. Multivariate analysis revealed that engaging in leisure activities was protective against cognitive impairment (adjusted odds ratio [AOR] 0.332). Factors significantly associated with higher odds of cognitive impairment included gait disturbances (AOR 2.872), dependence in ADL (AOR 5.983) and depression (AOR 7.393). CONCLUSIONS: Cognitive impairment is highly prevalent among the elderly in this urban South Indian community. Promoting leisure activities and addressing modifiable factors such as depression, functional dependence and gait disturbances are important strategies for mitigating cognitive decline in this population.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 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 ».