Multifactorial Screening Tool for Determining Fall Risk in Community-Dwelling Adults Aged 50 Years or Over (FallSensing): Protocol for a Prospective Study
Notice bibliographique
Résumé
BACKGROUND: Falls are a major health problem among older adults. The risk of falling can be increased by polypharmacy, vision impairment, high blood pressure, environmental home hazards, fear of falling, and changes in the function of musculoskeletal and sensory systems that are associated with aging. Moreover, individuals who experienced previous falls are at higher risk. Nevertheless, falls can be prevented by screening for known risk factors. OBJECTIVE: The objective of our study was to develop a multifactorial, instrumented, screening tool for fall risk, according to the key risk factors for falls, among Portuguese community-dwelling adults aged 50 years or over and to prospectively validate a risk prediction model for the risk of falling. METHODS: This prospective study, following a convenience sample method, will recruit community-dwelling adults aged 50 years or over, who stand and walk independently with or without walking aids in parish councils, physical therapy clinics, senior's universities, and other facilities in different regions of continental Portugal. The FallSensing screening tool is a technological solution for fall risk screening that includes software, a pressure platform, and 2 inertial sensors. The screening includes questions about demographic and anthropometric data, health and lifestyle behaviors, a detailed explanation about procedures to accomplish 6 functional tests (grip strength, Timed Up and Go, 30 seconds sit to stand, step test, 4-Stage Balance test "modified," and 10-meter walking speed), 3 questionnaires concerning environmental home hazards, and an activity and participation profile related to mobility and self-efficacy for exercise. RESULTS: The enrollment began in June 2016 and we anticipate study completion by the end of 2018. CONCLUSIONS: The FallSensing screening tool is a multifactorial and evidence-based assessment which identifies factors that contribute to fall risk. Establishing a risk prediction model will allow preventive strategies to be implemented, potentially decreasing fall rate. REGISTERED REPORT IDENTIFIER: RR1-10.2196/10304.
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 | 0,013 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».