Osteoporosis Knowledge Among Individuals With Recent Fragility Fracture
Notice bibliographique
Résumé
BACKGROUND: To evaluate osteoporosis knowledge among patients with fractures and to evaluate factors associated with osteoporosis knowledge. METHODS: Patients with fragility fractures participated in a telephone interview. Participants were asked what they thought osteoporosis was. Unadjusted odds ratios (OR, 95% CI) were calculated to identify factors associated with a correct definition. Predictors identified in univariate analysis were entered into multivariable logistic regression models. A subset also completed the Facts on Osteoporosis Quiz. RESULTS: One hundred twenty-seven patients (82% women) participated in the study, with mean (SD) age being 67.5 (12.7) years. Ninety-five (75%) respondents gave correct osteoporosis definitions. The odds of an individual providing a correct definition of osteoporosis were higher for those who reported a diagnosis of osteoporosis or those who reported higher education levels, but the odds decreased with increasing age. A total of 49 (39%) respondents completed the Facts on Osteoporosis Quiz; the average score was 13.6 (3.8) of 21. Areas that respondents scored poorly on were related to key risk factors. CONCLUSION: Many patients with fractures are unaware of important risk factors. Education initiatives aimed at improving osteoporosis knowledge should be directed at individuals at high risk of fracture. Nurses and other allied healthcare providers working in fracture clinics, acute care, and rehabilitation settings are in an ideal position to communicate information about osteoporosis and fracture risk to individuals with a recent fragility fracture.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».