Longitudinal evaluation of injurious falls and fall prevention strategy use among people with multiple sclerosis
Notice bibliographique
Résumé
Falls among people with multiple sclerosis (MS) are often injurious. We conducted a prospective cohort study using data collectedat baseline, 12 months and 24 months to investigate the prevalence of self-reported injurious falls and trends in fall preventionstrategy use among people with MS over this period. Fifty-eight community-dwelling people with MS between the ages of18 and 50 years, with Expanded Disability Status Scale (EDSS) scores < 6.0, were recruited. Measures included self reportedinjurious falls in the past year and scores on the Fall Prevention Strategies Survey (FPSS). A total of 43 subjects completed thestudy. Prevalence of self-reported injurious falls was 40%, 35%, and 16% respectively at each time point. Seventy-one percent ofsubjects reporting injurious falls at baseline (12/17) also reported injurious falls at 12 and/or 24 months. Subjects were dividedinto three subgroups for further analysis: subjects reporting injurious falls at baseline (N = 17); subjects reporting no injuriousfalls at baseline but subsequent injurious falls (N = 8), and subjects reporting no injurious falls over the 24-months (N = 18). That analysis revealed variations in injurious fall experiences and fall prevention strategy use by subgroup. FPSS scores for eachsubgroup improved at 24-months compared to baseline. Subgroup analyses yielded insights into sources of variation in injuriousfall rates. Findings point to the potential value of using: a) self-reported history of injurious falls to predict future injuriousfalls; and b) brief interventions to motivate engagement in fall prevention behaviors. Additional studies are needed to test thesehypotheses.
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 | 0,044 | 0,022 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».