Impact of Stroke History on Cognitive Function, White Matter Hyperintensities, and Circulating BDNF Levels
Notice bibliographique
Résumé
BACKGROUND: The present study aims to investigate the impact of stroke history on cognitive function, white matter hyperintensities (WMHs), and circulating brain-derived neurotrophic factor (BDNF) levels in brain lesion patients. METHODS: In this study, we enrolled 228 individuals exhibiting clinical symptoms of stroke from the Golestan Cohort Study. The participants were categorized into two groups based on their stroke history. Subsequently, 120 patients with a history of stroke and 108 patients without obvious brain lesions were subjected to comparative analysis using magnetic resonance imaging (MRI). Montreal Cognitive Assessment (MoCA) and Fazekas scores were used to evaluate cognitive function and WMH burden, respectively. In addition, circulating BDNF levels were measured using the Human BDNF Elisa kit. RESULTS: Totally, 228 patients were recruited in the study with a mean age of 63.8 years. Stroke was found in 52.6%. MoCA scores and plasma BDNF levels were significantly lower in patients with a history of stroke compared to people without such a history after adjusting for age, sex, education and type of residency (adjusted regression coefficient (RC) (95% CI)=-4.0 (-5.0 to -3.0), -3.2 (-4.2 to -2.2), respectively). In addition, the intensity burden of white matter was higher in the stroke group (adjusted RC (95% CI)=1.2 (0.8 to 1.6). CONCLUSION: The study suggests that a multi-biomarker approach, encompassing measures such as the MoCA score, Fazekas score, and circulating BDNF levels, can provide valuable insight into the neurological status of post-stroke patients and highlight potential avenues for improving patient outcomes through early detection and intervention strategies.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».