Cluster Analysis of Different Impaired Cognitive Domains in Patients With Post-Stroke Cognitive Impairment
Notice bibliographique
Résumé
OBJECTIVES: A cluster analysis was conducted to classify the 7 different cognitive domains affected by PSCI patients, to explore the correlation and similarity between cognitive domains and provide a basis for targeted intervention. METHODS: We collected demographic and disease-related data from 724 PSCI patients. We used Python 3.8 software to perform K-means clustering and hierarchical clustering on the 7 cognitive domains assessed by the MoCA scale, and used the silhouette coefficient to determine the optimal number of clusters k. RESULTS: The results of K-means clustering and hierarchical clustering show that the 7 dimensions of MoCA can be grouped into 2 categories. Cluster 1 scored lower in the cognitive areas of visual space and executive function, attention, language, abstraction, and delayed recall, whereas cluster 2 had higher scores in the naming and orientation domains. The scores in all cognitive domains of cluster 1 are lower than those of cluster 2, indicating severe cognitive impairment. Compared with cluster 2, the subjects in cluster 1 have poor physical health, living conditions, economic status, and social support ability. CONCLUSIONS: The 7 dimensions of MoCA can be divided into 2 categories. In clinical practice, health care professionals should pay special attention to the severity of the patient's condition, the affected area, and individual differences, and develop precise and personalized treatment plans to improve the patient's cognitive function and quality of life.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».