COMORBIDITY, DISABILITY, AND FRAILTY PROFILES AS DETERZMINANTS OF HOSPITALIZATION AMONG OLDER ADULTS
Notice bibliographique
Résumé
Population aging increases the need to better understand the determinants of hospitalization in order to improve the quality of services. However, usual health measures often prove to be poorly predictive of hospitalization. The aim of this research is to determine whether physiological health measures designed for older adults, namely the Short Physical Performance Battery (SPPB) (Guralnik et al., 1994), frailty phenotypes (Fried et al., 2001), and profiles of functional decline (Lunney et al., 2003), are better predictors of hospital use. We use longitudinal data from the International Mobility in Aging Study (IMIAS), carried out between 2012 and 2014 in four countries (Canada, Brazil, Colombia, Albania) among individuals aged 65–74 at baseline (n=1724). Differences between health systems provide additional insights into the determinants of hospitalization. Health profiles from 2012, besides other confounders, are used to explain hospitalization in 2014. SPPB scores are computed using objective measures of gait speed, chair-stands, and balance. Frailty phenotype variables are created according to Fried’s classification into robust, pre-frail, and frail. Four profiles of functional decline are created: (1) terminal illness – cancer and at least one ADL disability; (2) organ failure – heart or lung disease and at least 2 ADL disabilities, (3) low reserve – stroke or more than 2 ADL disabilities, and (4) other respondents. Sample attrition is corrected by means of a Heckman selection Probit model. Our results indicate that a score below 8 on SPPB, the pre-frailty phenotype, and a profile of organ failure are significantly associated with hospitalization. Cross-country differences are discussed.
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 | 0,000 |
| 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 | 0,000 | 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 ».