What can we learn about dementia from research in Indigenous populations?
Notice bibliographique
Résumé
Indigenous peoples represent up to 5% of the world's population (almost 400 million people), representing thousands of individual cultures and language groups. The health status of older Indigenous peoples has been little researched, partly related to lower life expectancy and the consideration that Indigenous peoples do not live long enough to experience the common “geriatric syndromes” such as dementia, frailty, and falls. Statistics from Australia and Canada now report that Indigenous populations are undergoing rapid aging, with many examples of survivorship to old age (Arkles et al., 2010; Jacklin et al., 2012). The systematic review by Warren et al. (2015) is a timely one, in that it reminds clinicians interested in old age that this “fourth” World population deserves further attention. Researchers that have worked with these groups to produce population estimates are relatively few. In their systematic review, Warren et al. (2015) demonstrate wide variation in prevalence rates of dementia. They conclude that a major cause of this heterogeneity in prevalence is due to basic methodological differences. In particular, those studies that have utilized already acquired routine data may be biased. The type and direction of this bias can be complex. For example, Cotter et al. (2012) using routinely collected data, concluded that the prevalence of dementia in Aboriginal Australians in the Northern Territory was not higher than non-Aboriginal prevalence. Using similar methodologies some years later the conclusion was that the Aboriginal population had markedly higher rates (Li et al., 2014). In the intervening period, a dementia awareness campaign coupled with the development of a culturally appropriate screening tool probably resulted in greater detection in routine care.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».