HUBUNGAN ANTARA KADAR high sensitivity-C REACTIVE PROTEIN (hs-CRP) TINGGI DAN GANGGUAN FUNGSI KOGNITIF YANG DI UKUR DENGAN MoCA INA PADA PASIEN LANSIA DENGAN DIABETES MELLITUS TIPE 2 DI RSUD DR.SOETOMO SURABAYA
Notice bibliographique
Résumé
Latar Belakang dan Tujuan \nC-reactive protein merupakan penanda proses inflamasi dan penyakit vaskuler. \nKadar hs-CRP tinggi berhubungan dengan kerusakan jalur frontal-subkortikal \nsehingga mempengaruhi fungsi kognitif. Tujuan penelitian ini adalah untuk \nmengetahui hubungan antara kadar hs-CRP tinggi dan gangguan fungsi kognitif \nyang di ukur dengan MoCA-INA pada pasien lansia dengan Diabetes Mellitus \nTipe 2 di RSUD Dr. Soetomo Surabaya. \nMetode \nStudi kasus kontrol dilakukan pada 90 pasien lansia dengan DM tipe 2 yang \ndatang ke Poliklinik Endokrinologi dan Poliklinik Geriatri RSUD Dr Soetomo \nsejak Desember 2017 hingga Januari 2018. Subyek penelitian dievaluasi fungsi \nkognitifnya dengan pemeriksaan Montreal Cognitive Assessement Versi Indonesia \n(MoCA-INA) kemudian dibagi menjadi kelompok kasus dan kelompok kontrol. \nSetelah itu subyek dilakukan pengambilan darah lengkap dan kadar hs-CRP. \nAnalisis data menggunakan uji chi square. \nHasil \nDidapatkan 90 subyek penelitian yang terbagi menjadi 45 subyek dalam \nkelompok kasus (29 perempuan, 16 laki-laki) dan 45 subyek dalam kelompok \nkontrol (26 perempuan, 19 laki-laki). Kadar hs-CRP tinggi terdapat pada 30 \n(66,7%) orang pada kelompok kasus dan 28 (62,2%) orang pada kelompok \nkontrol. Tidak terdapat hubungan yang bermakna antara kadar hs-CRP tinggi \ndengan fungsi kognitif dimana nilai p = 0,660 dan OR sebesar 1,214 (CI 95%, \n0,512 – 2,882). \nKesimpulan \nTidak ada hubungan antara kadar hs-CRP tinggi dan fungsi kognitif yang di ukur \ndengan MoCA-INA pada pasien lansia dengan DM tipe 2 di RSUD Dr. Soetomo \nSurabaya.
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) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,003 | 0,009 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».