Predictors of Gait Speed in Patients after Hip Fracture
Notice bibliographique
Résumé
PURPOSE: Following hip fracture, patients demonstrate greatly reduced walking speeds 1 year later compared with age-matched elders. The purpose of our study was to examine the factors that relate to gait speed in patients after hip fracture. METHODS: Forty-two men and women (mean age 79 +/- 7.5 years) who sustained a hip fracture participated in this study. Linear regression analysis was used to determine a statistical model that best predicted gait speed, the dependent variable. Gait speed was measured with a computerized gait mat. The independent variables were age, sex, height, weight, time post-fracture, medications, mental status, depression, balance confidence, Medical Outcome Studies, Short Form (SF-36), balance, and lower extremity isometric force. All subjects were discharged from physical therapy services, and measurements were taken, on average, 17 weeks post-fracture. RESULTS: Using stepwise regression, 72% of the variance in gait speed was explained by summed lower extremity strength normalized by body weight, general health (SF-36), and balance confidence (Activities-specific Balance Confidence Scale). CONCLUSIONS: Impairments (summed lower extremity strength) and risk factors (perception of general health and balance confidence) are important predictors of gait speed in elders after hip 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».