Risk Factors for Falling Among Community-Based Seniors Using Home Care Services
Notice bibliographique
Résumé
BACKGROUND: Despite the plethora of information concerning risk factors for falls, limited research efforts have focused on the issue of the differences in risk factors for falls based on fall status, or more specifically one-time versus chronic/recurrent fallers. Given that multiple falls have been found to be associated with negative outcomes, such as an increased risk of institutionalization, more research in this area is warranted. METHODS: The purpose of this investigation was to determine the risk factors for nonfallers versus fallers (1+ falls), and for nonfallers/one-time fallers versus recurrent fallers (2+ falls). All participants (N = 2304) in this study were receiving home care services from 10 community-based agencies (Community Care Access Centres) in Ontario, Canada. The Minimum Data Set-Home Care (MDS-HC) is an assessment instrument that covers several key domains, such as service use, function, health, and social support. Nurses trained to administer the MDS-HC assessed each of the participants within their homes. RESULTS: Of the 2304 participants in the study, 27% fell one or more times, and 10% experienced multiple falls (2+ falls). In the two final logistic regression models for risk of falling (0 falls vs 1+ falls) and multiple falling (0 falls/1 fall vs 2+ falls), the independent variables that remained significant included gender, gait, environmental hazards, and the Changes in Health, End Stage Disease and Signs and Symptoms of Medical Problems Scale. Also significant in the model for multiple falls was the Cognitive Performance Scale, Parkinson's disease, and perceived health status. CONCLUSIONS: Overall, distinguishing individuals into different fall status classifications is important from a clinical perspective, as it is the recurrent faller who would benefit to the greatest extent from fall prevention efforts and from the negative outcomes associated with multiple falls (i.e., mortality). One of the most significant barriers in determining risk factors for falls is the lack of consistency in the variables/tools used in the research. As such, utilizing a standardized tool, such as the MDS-HC, would assist researchers in making comparisons between different settings.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 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 ».