Multimorbidity Patterns, Frailty, and Survival in Community-Dwelling Older Adults
Notice bibliographique
Résumé
BACKGROUND: Frailty and multimorbidity are independent prognostic factors for mortality, but their interaction has not been fully explored. We investigated the importance of multimorbidity patterns in older adults with the same level of frailty phenotype. METHODS: In a cohort of 7,197 community-dwelling adults aged 65 years and older, physical frailty status (robust, pre-frail, frail) was defined using shrinking, exhaustion, inactivity, slowness, and weakness. Latent class analysis was used to identify individuals with multimorbidity patterns based on 10 self-reported chronic conditions. We estimated hazard ratios (HR) and incidence rate differences (IRDs) for mortality comparing multimorbidity patterns within each frailty state. RESULTS: Five multimorbidity classes were identified: minimal disease (24.7%), cardiovascular disease (29.0%), osteoarticular disease (27.3%), neuropsychiatric disease (8.9%), and high multisystem morbidity (10.0%). Within each frailty state, the mortality rate per 1,000 person-years over 4 years was greatest in the neuropsychiatric class and lowest in the minimal disease class: robust (56.3 vs 15.7; HR, 2.11 [95% CI: 1.05, 4.21]; IRD, 24.1 [95% CI: -11.2, 59.3]), pre-frail (85.3 vs 40.4; HR, 1.74 [95% CI: 1.28, 2.37]; IRD, 27.1 [95% CI: 7.6, 46.7]), and frail (218.1 vs 96.4; HR, 2.05 [95% CI: 1.36, 3.10]; IRD, 108.4 [95% CI: 65.0, 151.9]). Although HRs did not vary widely by frailty, the excess number of deaths, as reflected by IRDs, increased with greater frailty level. CONCLUSIONS: Considering both multimorbidity patterns and frailty is important for identifying older adults at greater risk of mortality. Of the five patterns identified, the neuropsychiatric class was associated with lower survival across all frailty levels.
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 | 0,001 | 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 | 0,001 |
| 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) | 0,001 | 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 ».