A closer look at frailty in <scp>ESRD</scp>: Getting the measure right
Notice bibliographique
Résumé
Patients treated with dialysis have low levels of physical functioning and activity. Whether this translates into frailty or not may depend on how the frailty phenotype is operationalized. This is a secondary analysis of data from the Renal Exercise Demonstration Project to evaluate two methods of operationalizing the Fried phenotype for frailty: Using measured walking speed and muscle weakness (FRAILmeas) and using substitution of the Physical Function Scale (PF) from the SF-36 questionnaire for walking speed and muscle weakness (FRAILsubst). Complete data for both measures were available for 188 hemodialysis patients. The frailty score (FRAILmeas) was the sum of criteria scores for measured gait speed, chair stand, body mass index, vitality, and physical activity. The frailty score (FRAILsubst) substituted the PF scale score (<75) as a surrogate measure for gait speed and for weakness. The frailty score ranged from 0 to 5. Scores ≥3 were categorized as frail, and <3 as not frail. The substitution of the PF score for walking speed and muscle weakness resulted in 78% of patients being categorized as frail compared to 24% using actual measured walking speed and muscle weakness (P < .001). The component of frailty that had the highest prevalence was low physical activity (average 54% of subjects). Frailty (using the FRAILmeas) was higher in patients with increasing age, female gender, and lower self-reported PF. Frailty is highly prevalent in hemodialysis patients; however, measured constructs of the components of frailty should be used to report the frailty phenotype.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 | 0,001 |
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 tête enseignante, 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 ».