MétaCan
Menu
← Retour à la cohorte
Enregistrement W6930065017 · doi:10.5281/zenodo.11313681

Psychiatric Morbidities, Neurocognitive Impairment, Quality of Life, And Burden of Care in Elderly Patients: A Tertiary Care Hospital-Based Cross-Sectional Study

2023· article· en· W6930065017 sur OpenAlexaboutno aff

Notice bibliographique

RevueZenodo (CERN European Organization for Nuclear Research) · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueDementia and Cognitive Impairment Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNeurocognitiveQuality of life (healthcare)CognitionObservational studyCaregiver burdenPopulationActivities of daily livingCognitive impairmentDepression (economics)

Résumé

récupéré en direct d'OpenAlex

Background: The elderly population suffers from disability and functional impairment due to the increasing age and changing social circumstances. Besides physical illnesses, psychiatric morbidities are frequently encountered among elderly individuals. Functional dependency for the activities of daily living is common among elderly people. All these collectively hamper quality of life in elderly patients and increases the burden of caregivers as well. With this background, the present study was carried out to explore the psychiatric morbidities, quality of life and caregiver burden in elderly population. Aim and Objectives: To study sociodemographic profile, psychiatric morbidities, neurocognitive impairment, quality of life, and burden of care in elderly patients. Method: This was a hospital-based cross-sectional observational study conducted at a tertiary care center. 195 consecutive patients from the various outpatient departments fulfilling the study criteria were enrolled. Subjects were interviewed using a pre-designed study pro-forma. The Montreal Cognitive Assessment (MoCA), the 36-items Short Forn Survey (SF 36) and the Zarit Burden Interview (ZBI) were used for cognitive impairment, quality of life and caregiver burden, respectively. Data was analyzed on SPSS 22.0 using appropriate statistical methods. Results: The mean age of patients was 67.59± 6.09 years. Majority of patients were males (63.08%), married (82.6%), uneducated (43.6%) and unemployed (49.23%) and were staying in a Joint family. 35.38% (N=69) patients were found to be having psychiatric morbidity among which most prevalent class of psychiatric morbidity was Depressive disorder (30.43%). One fourth (24.62%) of the patients had cognitive impairment on MoCA assessment. Mean scores ranging from 30 to 60 out of 100 in Health-Related Quality of life were obtained in all domains of SF-36 with lowest in Physical role limitation domain. The mean score of caregiver burden (ZBI) was 26.12. More than half 59.49% of the caregiver reported as feeling burdened ranging from mild to severe burden, while 40.51% of the caregivers reported no burden at all. The caregivers who were burdened, 72.5% had patients with psychiatric illness, while 52.4% were burdened with patients other than psychiatric morbidity. Conclusion: Despite adequate healthcare, the main issues concerning aging and mental health are prevention, early recognition of major psychiatric morbidities, treatment and quality of life interventions. There is a need to undertake routine screening of psychiatric disorders in geriatric population considering the common occurrence in them. Early diagnosis and timely intervention can improve the quality of life in the elderly and reduce the burden of care in their caregivers.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,310
Écart entre enseignants0,287 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZenodo (CERN European Organization for Nuclear Research)→Même sujetDementia and Cognitive Impairment Research→Travaux en français237 207→