住院老年痴呆患者营养状况及相关因素调查

目的调查住院老年痴呆患者营养状况并探索相关因素,为对老年痴呆患者开展整合型照护服务提供参考。方法采用整群抽样方法选取在广元市精神卫生中心住院的339例老年痴呆患者为研究对象,采用简短营养状况量表(MNA)、简易精神状态评价量表(MMSE)、患者健康问卷抑郁量表(PHQ-9)和口腔卫生筛查量表(D-E-N-T-A-L)进行评定。依据MNA评分计算营养不良与潜在营养不良的发生率,采用有序Logistic回归分析和多元Logistic回归分析探索营养不良的影响因素。结果共检出有营养问题的老年痴呆患者235例(69. 3%),其中营养不良151例(44. 5%),潜在营养不良84(24. 8%)。住院老年痴呆患者营养状况的影响因素分别为已婚(OR=0. 58,95%CI:0. 35～0. 95,P=0. 03)、口腔健康状况(OR=1. 26,95%CI:1. 04～1. 51,P=0. 02)、抑郁(OR=1. 09,95%CI:1. 05～1. 13,P0. 01)和认知功能(OR=0. 92,95%CI:0. 90～0. 95,P0. 01)。结论营养不良在住院老年痴呆患者中较常见,无配偶、口腔健康状况不良、存在抑郁情绪以及认知功能受损是营养不良的主要相关因素。     

基于卷积神经网络的阿尔茨海默病与行为异常型额颞叶痴呆的鉴别诊断模型研究北大核心CSCD

目的 构建一个基于卷积神经网络的深度学习分类模型,以鉴别阿尔茨海默病（Alzheimer＇s disease,AD）和行为异常型额颞叶痴呆（behavioral variant of frontotemporal dementia,bvFTD）患者,旨提高鉴别诊断正确率。方法分别对医生诊断的47例很可能AD患者和39例很可能bvFTD患者进行头颅MRI扫描,对结构MRI数据进行预处理后,根据AAL2模板和Harvard-Oxford模板提取全脑不同脑区的灰质体积特征,采用卷积神经网络进行构建分类模型,并对构建的模型进行与传统机器学习方法的对比试验、主要差异脑区的分类试验和年龄差异探讨试验。结果卷积神经网络基于AAL2模板和Harvard-Oxford模板数据的最高分类正确率分别为82.6%和83.7%,明显优于传统机器学习方法的75.6%和76.7%,2个模板的26个和31个可能主要差异脑区的最高分类正确率分别为79.1%和80.2%。结论AD与bvFTD可以通过基于卷积神经网络的深度学习模型获得较高的分类正确率,提示该模型可用于辅助鉴别诊断。