Relationships Between Body Composition and Cognitive Impairment in Hospitalised Middle-Aged Type 2 Diabetic Patients
Notice bibliographique
Résumé
Yao-Shuang Li,1,2,* Yan-Lan Liu,2,* Jun-Jia Wang,2,3 Nahal Haghbin,4 Xiao-He Wang,5 Wei-Ran Jiang,6 Hui-Na Qiu,2 Long-Fei Xia,1,2 Fan Wu,2,7 Chen-Ying Lin,1,2 Jing-Bo Li,2 Jing-Na Lin2 1Tianjin Union Medical Center, Tianjin Medical University, Tianjin, People’s Republic of China; 2Department of Endocrinology, Tianjin Union Medical Center, Nankai University Affiliated Hospital, Tianjin, People’s Republic of China; 3Tianjin Union Medical Center, Tianjin University of Traditional Chinese Medicine, Tianjin, People’s Republic of China; 4School of Global Health, Chinese Center for Tropical Diseases Research, Shanghai Jiao Tong University School of Medicine, Shanghai, People’s Republic of China; 5Institute of Non-Communicable Diseases Control and Prevention, Tianjin Center for Disease Control and Prevention, Tianjin, People’s Republic of China; 6Eastman Institute for Oral Health, University of Rochester Medical Center, Rochester, NY, USA; 7Tianjin Union Medical Center, School of Medicine, Nankai University, Tianjin, People’s Republic of China*These authors contributed equally to this workCorrespondence: Jing-Na Lin; Jing-Bo Li, Email 13207628978@163.com; doctorljb@aliyun.comObjective: The aim of this study was to elucidate the relationship between specific body composition and the risk of Cognitive Impairment (CI) in middle-aged Type 2 Diabetes Mellitus (T2DM) patients.Methods: This cross-sectional study included 504 hospitalized patients with T2DM from the Department of Endocrinology and Metabolism of the Tianjin Union Medical Center. Subjects were grouped by sex, and cognitive status was assessed using the Montreal Cognitive Assessment (MoCA). The relationship between body composition and cognitive ability was investigated with the use of linear regression analysis. The association between body composition and CI risk was determined by logistic regression analysis.Results: The prevalence of CI was 39.3% in middle-aged T2DM patients. After adjusting for age, education, marriage status, carotid atherosclerosis, cerebrovascular disease and hemoglobin, multiple linear regression analysis showed that lean mass index (LMI), body mass index (BMI) and appendicular skeletal muscle index (SMI) were significant predictors for the MoCA scores in men (p < 0.05). In addition, BMI (OR 0.913, 95% CI 0.840– 0.992) and LMI (OR 0.820, 95% CI 0.682– 0.916) were independent protective factors for CI in males. After adjusted for age, education, marriage status, dietary control of diabetes and cerebrovascular disease, visceral obesity (VO, OR 1.950, 95% CI 1.033– 3.684) and abdominal obesity (AO, OR 2.537, 95% CI 1.191– 5.403) were risk factors for CI in female patients.Conclusion: The results suggest that there may be different mechanisms underlying the relationship of body compositions and cognitive performance between middle-aged male and female patients with T2DM. In addition, our finding of potential determinants of cognitive impairment may facilitate the development of intervention programs for middle-aged type 2 diabetic patients. Nevertheless, more large prospective studies looking at cognition and changes in body composition over time are needed in the future to further support their association.Keywords: cognitive impairment, diabetes, middle age, body composition, sex
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».