Is frailty a stable predictor of mortality across time? Evidence from the Cognitive Function and Ageing Studies
Notice bibliographique
Résumé
Background: age-specific mortality reduction has been accompanied by a decrease in the prevalence of some diseases and an increase in others. Whether populations are becoming 'healthier' depends on which aspect of health is being considered. Frailty has been proposed as an integrative measure to quantify health status. Objective: to investigate changes in the near-term lethality of frailty before and after a 20-year interval using the frailty index (FI), a summary of age-related health deficit accumulation. Design: baseline data from the Cognitive Function and Ageing Studies (CFAS) in 1991 (n = 7,635) and 2011 (n = 7,762). Setting: three geographically distinct UK centres (Newcastle, Cambridgeshire and Nottingham). Subjects: individuals aged 65 and over (both institutionalised and community-living). Methods: a 30-item frailty score was used, which includes morbidities, risk factors and subjective measures of disability. Missing items were imputed using multiple imputations by chained equations. Binomial regression was used to investigate the relationship between frailty, age, sex and cohort. Two-year mortality was modelled using logistic regression. Results: mean frailty was slightly higher in CFAS II (0.19, 95% confidence interval (CI): 0.19-0.20) than CFAS I (0.18, 95% CI: 0.17-0.18). Two-year mortality in CFAS I was higher than in CFAS II (odds ratio (OR) = 1.16, 95% CI: 1.03-1.30). The association between frailty and 2-year mortality was non-linear with an OR of ~1.6 for each 0.10 increment in the FI. Conclusions: the relationship between frailty and mortality did not significantly differ across the studies. Severe frailty as an indicator of mortality is shown to be a stable construct.
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 | 0,001 |
| 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 ».