Exploring the relationship between national economic indicators and relative fitness and frailty in middle-aged and older Europeans
Notice bibliographique
Résumé
BACKGROUND: on an individual level, lower-income has been associated with disability, morbidity and death. On a population level, the relationship of economic indicators with health is unclear. OBJECTIVE: the purpose of this study was to evaluate relative fitness and frailty in relation to national income and healthcare spending, and their relationship with mortality. DESIGN AND SETTING: secondary analysis of data from the Survey of Health, Ageing and Retirement in Europe (SHARE); a longitudinal population-based survey which began in 2004. SUBJECTS: a total of 36,306 community-dwelling people aged 50 and older (16,467 men; 19,839 women) from the 15 countries which participated in the SHARE comprised the study sample. A frailty index was constructed as the proportion of deficits present in relation to the 70 deficits available in SHARE. The characteristics of the frailty index examined were mean, prevalence of frailty and proportion of the fittest group. RESULTS: the mean value of the frailty index was lower in higher-income countries (0.16 ± 0.12) than in lower-income countries (0.20 ± 0.14); the overall mean frailty index was negatively correlated with both gross domestic product (r = -0.79; P < 0.01) and health expenditure (r = -0.63; P < 0.05). Survival in non-frail participants at 24 months was not associated with national income (P = 0.19), whereas survival in frail people was greater in higher-income countries (P < 0.05). CONCLUSIONS: a country's level of frailty and fitness in adults aged 50+ years is strongly correlated with national economic indicators. In higher-income countries, not only is the prevalence of frailty lower, but frail people also live longer.
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) | 0,000 | 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 ».