Integrating Frailty Research into the Medical Specialties—Report from a U13 Conference
Notice bibliographique
Résumé
Although the field of frailty research has expanded rapidly, it is still a nascent concept within the clinical specialties. Frailty, conceptualized as greater vulnerability to stressors because of significant depletion of physiological reserves, predicts poorer outcomes in several medical specialties, including cardiology, human immunodeficiency virus care, and nephrology, and in the behavioral and social sciences. Lack of a consensus definition, proliferation of measurement tools, inadequate understanding of the biology of frailty, and lack of validated clinical algorithms for frail individuals hinders incorporation of frailty assessment and frailty research into the specialties. In 2015, the American Geriatrics Society, the National Institute on Aging (NIA), and the Alliance for Academic Internal Medicine held a conference for awardees of the NIA-sponsored Grants for Early Medical/Surgical Specialists Transition into Aging Research program to review the current state of knowledge regarding frailty in the subspecialties and to highlight examples of integrating frailty research into the medical specialties. Research questions to advance frailty research into specialty medicine are proposed.
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 | 0,064 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,010 | 0,005 |
| Science ouverte | 0,003 | 0,015 |
| Intégrité de la recherche | 0,014 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».