Subjective Cognitive Impairment in Major Depressive Disorder: Predictors and Clinical Outcomes
Notice bibliographique
Résumé
Aim: Individuals with subjective cognitive impairment (SCI) and major depressive disorder (MDD) are at high risk of developing neurodegenerative diseases. Studies suggest that SCI may be associated with concurrent cognitive performance and is also strongly associated with depressive symptoms. In this context, we aimed to evaluate the relationship between SCI and depression severity and to reveal predictive factors for SCI with current cognitive performance. Methods: Forty-two patients with MDD were divided into two groups: patients with and without SCI. All participants were administered the Montreal Cognitive Assessment (MoCA) and the Hamilton Depression Rating Scale (HAM-D). A logistic regression model was used to add demographic characteristics to the results obtained. Results: Individuals with SCI (n=21) were older (p=0.014) and less educated (p=0.006) than non-SCI patients (n=21) with MDD. Additionally, the mean of the MoCA total score was significantly higher in the non-SCI group (Student's t Test, p=0.011). Depression severity was the same throughout the groups (HAM-D, 𝜒2: 2.10, p= 0.28). Language dysfunction is one of the MoCA subtests, language impairment emerged as a key predictor in the binary logistic regression model, identified through Backward Wald elimination, for detecting depressive patients with SCI (p=0.007; OR=0.366; 95% CI 0.177-0.756). Conclusion: Our findings suggest that SCI accurately reflects concurrent cognitive performance in a clinic-based sample of MDD. The results also suggest that the clinical interpretation of SCI should take into account the possible impact of depression on the language domain.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 | 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 ».