How to Identify Patients with Cancer at Risk of Falling: A Review of the Evidence
Notice bibliographique
Résumé
BACKGROUND: Clinical experience and a limited number of studies suggest that a cancer diagnosis confers a high risk of accidental falls. The negative sequelae of falls in older persons are well documented; risk factors for falls in this population have been extensively investigated and evidence for the efficacy of interventions to reduce falls is steadily emerging. It is not known whether the risk factors for falls and effective interventions for falls risk reduction in patients with cancer are different from those in older persons. METHODS: Electronic databases MEDLINE, Embase, and CINAHL were searched for studies of risk factors for falls or effective interventions for falls risk reduction in patients with cancer. Assessment of study quality was performed. Data analysis was descriptive. RESULTS: Seven studies designed to identify the risk factors for falls in patients with cancer and one study to determine the predictive validity of a screening tool for falls in patients with cancer were included. All had methodological shortcomings, precluding the generation of a new synthesis from this review, but highlighting important design and statistical issues. CONCLUSIONS: Further research is needed to identify patients at risk and inform the design of an interventional model to reduce falls risk. Investigators should be cognizant of the limitations of using cross-sectional study design to answer this research question, should employ validated tools to measure exposure variables, use reliable methods to ascertain the occurrence of falls and appropriate statistical models to adjust for confounding variables.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».