Calculating State-Level Estimates of Upcoming Older Adult Health Needs
Notice bibliographique
Résumé
OBJECTIVES: Census demographers have provided projections of the increased numbers of older adults in upcoming decades, but it is less clear whether they will also be any more or less healthy than current seniors. This is critical information for state planners, as the majority of older adults will need assistance with activities of daily living to remain in their homes. Previous longitudinal and cohort studies have yielded national estimates, but those more costly sources are generally beyond the resources of state public health agencies. We provide a more practicable model for assessing state-level changes in health-related quality of life (HRQOL) among middle-aged versus older adults as a guide to probable upcoming home- and community-based service needs. METHODS: We used 2 sets of state Behavioral Risk Factor Surveillance System data 15 years apart to calculate and compare adjusted odds ratios of 8 poor HRQOL measures for middle-aged and older adults. RESULTS: Compared with their peers only 15 years earlier, recent middle-aged adults had higher odds of poor outcomes across all HRQOL measures, whereas adults 65-74 years had higher odds of poor outcomes for far fewer of the measures. Among adults 75 years and older, odds were higher compared with 15 years ago for only 1 measure (multiple days of poor mental health). CONCLUSIONS: Compared with older adults, the health profile of middle-aged adults in this state appears to have worsened much more rapidly in the past 15 years, indicating that these adults will have many more health-related needs when they become seniors. While this model is less sophisticated than others using longitudinal data, it provides the state-level data that are often more compelling to state policy makers.
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 | 0,016 | 0,006 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».