Screening for frailty in primary care: Accuracy of gait speed and hand-grip strength.
Notice bibliographique
Résumé
OBJECTIVE: To examine the accuracy of individual Fried frailty phenotype measures in identifying the Fried frailty phenotype in primary care. DESIGN: Retrospective chart review. SETTING: A community-based primary care practice in Kitchener, Ont. PARTICIPANTS: A total of 516 patients 75 years of age and older who underwent frailty screening. MAIN OUTCOME MEASURES: Using modified Fried frailty phenotype measures, frailty criteria included gait speed, hand-grip strength as measured by a dynamometer, and self-reported exhaustion, low physical activity, and unintended weight loss. Sensitivity, specificity, accuracy, and precision were calculated for single-trait and dual-trait markers. RESULTS: Complete frailty screening data were available for 383 patients. The overall prevalence of frailty based on the presence of 3 or more frailty criteria was 6.5%. The overall prevalence of individual Fried frailty phenotype markers ranged from 2.1% to 19.6%. The individual criteria all showed sensitivity and specificity of more than 80%, with the exception of weight loss (8.3% and 97.4%, respectively). The positive predictive value of the single-item criteria in predicting the Fried frailty phenotype ranged from 12.5% to 52.5%. When gait speed and hand-grip strength were combined as a dual measure, the positive predictive value increased to 87.5%. CONCLUSION: There is a need for frailty measures that are psychometrically sound and feasible to administer in primary care. While use of gait speed or grip strength alone was found to be sensitive and specific as a proxy for the Fried frailty phenotype, use of both measures together was found to be accurate, precise, specific, and more sensitive than other possible combinations. Assessing both measures is feasible within primary care.
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 | 0,002 |
| 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 ».