Transitions in Frailty Status in Older Adults in Relation to Mobility: A Multistate Modeling Approach Employing a Deficit Count
Notice bibliographique
Résumé
OBJECTIVES: To investigate how changes in frailty status and mortality risk relate to baseline frailty state, mobility performance, age, and sex. DESIGN: Cohort study. SETTING: The Yale Precipitating Events Project, New Haven, Connecticut. PARTICIPANTS: Seven hundred fifty-four community-dwelling people aged 70 and older at baseline followed up at 18, 36, and 54 months. MEASUREMENTS: Frailty status, assessed at 18-month intervals, was defined using a frailty index (FI) as the number of deficits in 36 health variables. Mobility was defined as time in seconds on the rapid gait test, in which participants walked back and forth over a 20-foot course as quickly as possible. Multistate transition probabilities were calculated with baseline frailty, mobility, age, and sex estimated using Poisson and logistic regressions in survivors and those who died, respectively. RESULTS: In multivariable analyses, baseline frailty status and age were significantly associated with changes in frailty status and risk of death, whereas mobility was significantly associated with the frailty but not with mortality. At all values of the FI, participants with better mobility were more likely than those with poor mobility to remain stable or to improve. For example, at 54 months, 20.6% (95% confidence interval (CI)=16-25.2) of participants with poor mobility had the same or fewer deficits, compared with 32.4% (95% CI=27.9-36.9) of those with better mobility. CONCLUSION: A multistate transition model effectively measured the probability of change in frailty status and risk of death. Mobility, age, and baseline frailty were significant factors in frailty state transitions.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».