Measuring frailty using self-report and test-based health measures
Notice bibliographique
Résumé
BACKGROUND: previously, frailty indices were constructed using mostly subjective health measures. The reporting error in this type of measure can have implications on the robustness of frailty findings. OBJECTIVE: to examine whether frailty assessment differs when we construct frailty indices using solely self-reported or test-based health measures. DESIGN: secondary analysis of data from The Irish LongituDinal study on Ageing (TILDA). SUBJECTS AND METHODS: 4,961 Irish residents (mean age: 61.9 ± 8.4; 54.2% women) over the age of 50 years who underwent a health assessment were included in this analysis. We constructed three frailty indices using 33 self-reported health measures (SRFI), 33 test-based health measures (TBFI) and all 66 measures combined (CFI). The 2-year follow-up outcomes examined were all-cause mortality, disability, hospitalisation and falls. RESULTS: all three indices had a right-skewed distribution, an upper limit to frailty, a non-linear increase with age, and had a dose-response relationship with adverse outcomes. Levels of frailty were lower when self-reported items were used (SRFI: 0.12 ± 0.09; TBFI: 0.17 ± 0.15; CFI: 0.14 ± 0.13). Men had slightly higher frailty index scores than women when test-based measures were used (men: 0.17 ± 0.09; women: 0.16 ± 0.10). CFI had the strongest prediction for risk of adverse outcomes (ROC: 0.64-0.81), and age was not a significant predictor when it was included in the regression model. CONCLUSIONS: except for sex differences, characteristics of frailty are similar regardless of whether self-reported or test-based measures are used exclusively to construct a frailty index. Where available, self-reported and test-based measures should be combined when trying to identify levels of frailty.
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) | 0,000 | 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 ».