Social vulnerability and survival across levels of frailty in the Honolulu-Asia Aging Study
Notice bibliographique
Résumé
PURPOSE: we evaluated mortality risk in relation to social vulnerability across levels of frailty among a cohort of older Japanese-American men. METHODS: in secondary analysis of the Honolulu-Asia Aging Study (HAAS), participants (n = 3,271) were aged 72-93 years at baseline. A frailty index (FI) created using 58 potential health deficits to quantify participants' frailty level at baseline, with four frailty strata: 0.0 < FI ≤ 0.1 (n = 1,074); 0.1 < FI ≤ 0.20 (n = 1,549); 0.2 < FI ≤ 0.30 (n = 472); FI > 0.3 (n = 176). Similarly, a social vulnerability index was created using 19 self-reported social deficits. Cox proportional hazard modelling was employed to estimate the impact of social vulnerability across the four levels of frailty, accounting for age, smoking, alcohol use and variation in health deficits within each frailty level. RESULTS: for the fittest participants, social vulnerability was associated with mortality (hazards ratio (HR) = 1.04, 95% confidence interval (CI) = 1.01, 1.07; P value = 0.008). Similarly, for those considered at risk for frailty, each social deficit was associated with a 5% increased risk of mortality. For frail individuals, the Cox regression analyses indicated that social vulnerability was not significantly associated with mortality (0.2 < FI ≤ 0.3: HR = 1.016, 95% CI = 0.98, 1.06; P value = 0.442; FI > 0.3: HR = 0.98, 95% CI = 0.93, 1.04). CONCLUSIONS: for the fittest and at-risk HAAS participants, the accumulation of social deficits was associated with significant increases in mortality risk. For frail individuals (FI > 0.20), the estimation of mortality risk may depend more so on intrinsic factors related to their health.
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) | 0,000 | 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 ».