Medical Comorbidity and Rehabilitation Efficiency in Geriatric Inpatients
Notice bibliographique
Résumé
OBJECTIVES: To measure and describe medical comorbidity in geriatric rehabilitation patients and investigate its relationship to rehabilitation efficiency. DESIGN: Prospective, multivariate, within-subject design. SETTING: The Geriatric Rehabilitation inpatient unit of the SCO Health Service in Ottawa, Canada. PARTICIPANTS: One hundred ten patients, with a mean age of 82 years. MEASUREMENTS: The rehabilitation efficiency ratio, based on gains in functional status achieved with rehabilitation treatment, and the length of stay were computed for all patients. Values were regressed on the scores of the Cumulative Illness Rating Scale (CIRS), the Mini-Mental State Examination, and the Geriatric Depression Scale to establish predictive power. RESULTS: The findings suggest that geriatric rehabilitation patients experience considerable medical comorbidity. Sixty percent of patients had impairments across six of the 13 dimensions of the CIRS, whereas 36% of patients had impairments across 11 of the 13 dimensions. In addition, medical comorbidity was negatively related to rehabilitation efficiency. This relationship was significant even after controlling for age, cognitive status, depressive symptoms, and functional independence status at admission. CONCLUSION: Medical comorbidity was a significant predictor of rehabilitation efficiency in geriatric patients. Comorbidity scores >5 were prognostic of poorer rehabilitation outcomes and can serve as an empirical guide in estimating a patient's suitability for rehabilitation. Medical comorbidity predicted both the overall functional change achieved with retabilitation (Functional Independence Measure gains) and the rate at with which those gains were reached (rehabilitation efficiency ratio).
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 ».