Tracking changes in frailty throughout later life: results from a 17-year longitudinal study in the Netherlands
Notice bibliographique
Résumé
Background: to better understand the development of frailty with ageing requires longitudinal studies over an extended time period. Objective: to investigate changes in the degree of frailty during later life, and the extent to which changes are determined by socio-demographic characteristics. Methods: six measurement waves of 1,659 Dutch older adults aged 65 years and over in the Longitudinal Aging Study Amsterdam (LASA) yielded 5,211 observations over 17 years. At each wave, the degree of frailty was measured with a 32-item frailty index (FI), employing the deficit accumulation approach. Socio-demographic characteristics included age, sex, educational level and partner status. Generalized Estimating Equation (GEE) analyses were performed to study longitudinal frailty trajectories. Results: higher baseline FI scores were observed in older people, women, and those with lower education or without partner. The overall mean FI score at baseline was 0.17, and increased to 0.39 after 17 years. The average doubling time in the number of deficits was 12.6 years, and this was similar in those aged 65-74 years and those aged 75+. Partner status was associated with changes over time in FI score, whereas sex and educational level were not. Conclusions: this longitudinal study showed that the degree of frailty increased with ageing, faster than the age-related increase previously observed in cross-sectional studies. Even so, the rate of deficit accumulation was relatively stable during later life.
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 ».