Implementing Frailty Into Clinical Practice: A Cautionary Tale
Notice bibliographique
Résumé
BACKGROUND: Little is known about the contribution of frailty in improving patient-level prediction beyond readily available clinical information. The objective of this study is to compare the predictive ability of 129 combinations of seven frailty markers (cognition, energy, mobility, mood, nutrition, physical activity, and strength) and quantify their contribution to predictive accuracy beyond age, sex, and number of chronic diseases. METHODS: Two cohorts from the Established Populations for Epidemiologic Studies of the Elderly were used. The model with the best predictive fit in predicting 6-year incidence of disability was determined using the Akaike Information Criterion. Predictive accuracy was measured by the C statistic. RESULTS: Incident disability was 23% in one cohort and 20% in the other cohort. The "best model" in each cohort was found to be a model including between five and seven frailty markers including cognition, mobility, nutrition, physical activity, and strength. Predictive accuracy of the 129 models ranged from 0.73 to 0.77 across both cohorts. Adding frailty markers to age, sex, and chronic disease increased predictive accuracy by up to 3% in both cohorts (p < .001). The contribution of frailty increased up to 9% in the oldest age group. CONCLUSIONS: Adding frailty markers provided a modest increase in patient-level prediction of disability. Such a modest increase may still be worthwhile because while age, sex, and the number of chronic diseases are not modifiable, frailty may be. Further studies examining the contribution of frailty in improving prediction are needed before adopting frailty as a prognostic tool.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,266 | 0,441 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,003 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,028 |
| Communication savante | 0,018 | 0,017 |
| Science ouverte | 0,011 | 0,012 |
| Intégrité de la recherche | 0,020 | 0,062 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».