Does Fall Arrest Strategy Training Added to a Fall Prevention Programme Improve Balance, Strength, and Agility in Older Women? A Pilot Study
Notice bibliographique
Résumé
Purpose: The purpose of this study was to determine the effect of a unique exercise programme (Fall Arrest Strategy Training, or FAST) on upper body strength, range of motion (ROM), and fall risk in older women. FAST was designed to improve upper body capacity to prevent injury when a fall cannot be avoided. Method: A quasi-randomized site design included 71 older women (aged 67–95 y, mean age 83 years), who participated either in a standard fall prevention programme (Staying on Your Feet, or SOYF; n=29) or in SOYF combined with FAST (n=42). The women were measured three times—at baseline, after the 12-week intervention, and again 12 weeks later—for upper body strength, ROM, and fall risk factors (fall risk questionnaire, balance, mobility, and leg strength). Results: No significant differences were found in age, physical activity, or cognitive or functional status between the SOYF–standard and the SOYF–FAST groups. Both groups improved their fall risk status after the intervention, with no significant differences between them; however, the SOYF–FAST group showed greater improvements in upper extremity strength and ROM (p=0.007). Conclusion: FAST can feasibly be integrated into fall prevention programming, with additional gains in upper body strength and ROM in older women.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».