Planning Health Services for Seniors: Can We Use Patient’s Own Perception?
Notice bibliographique
Résumé
ObjectivesThe objectives of this study were to identify needs and to estimate whether self-reported health can be used as an indicator of service needs among seniors.MethodsThis was a cross-sectional survey. Age- and sex-adjusted logistic regression was used to estimate the link between functional status indicators and fair or poor self-reported health. Forward stepwise logistic regression was performed to identify the strongest contributors of poor health. Positive predictive value (PPV), sensitivity, and specificity were calculated to identify whether health perception could be used to identify people in need of physical rehabilitation services.Results142 seniors agreed to answer the survey, yielding a response rate of 73%. Among the respondents (mean age 79±7; 60% women), 40% rated their health as fair or poor. Seniors perceiving their health as fair or poor had higher odds of reporting impairments, activity limitations, and participation restrictions (OR ranging from 2.37 95%CI: 1.03-5-45 to 12.22 95%CI: 2.68-55.78) in comparison to those perceiving their health as good or better. The strongest contributors for poor/fair health were depression, difficulty performing household tasks, pain, and dizziness (c-statistic = 0.91 and a maximum adjusted r-squared of 0.60). Self-rated health used as singleitem showed a positive predictive value (PPV) of 1, sensitivity of 52%, and specificity of 100%.ConclusionOur results indicate that all seniors participating in this study and reporting fair or poor health have indicators of need for further rehabilitation services. Asking patients to rate their own health may be an alternate way of querying about need, as many older persons are afraid to report disability because of fear of further institutionalization.
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 | 0,001 | 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 | 0,009 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| 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 ».