MétaCan
Menu
Retour à la cohorte
Enregistrement W2899788222 · doi:10.1186/s12877-018-0955-4

Prevalence of frailty, cognitive impairment, and sarcopenia in outpatients with cardiometabolic disease in a frailty clinic

2018· article· en· W2899788222 sur OpenAlexaboutno aff
Yoshiaki Tamura, Joji Ishikawa, Yoshinori Fujiwara, M. Tanaka, Nobuo Kanazawa, Yuko Chiba, Ai Iizuka, Sho Kaito, Jun Tanaka, Masamitsu Sugie, Takashi Nishimura, Akiko Kanemaru, Keigo Shimoji, Hirohiko Hirano, Ko Furuta, Akihiko Kitamura, Satoshi Seino, Shoji Shinkai, Kazumasa Harada, Shunei Kyo, Hideki Ito, Atsushi Araki

Notice bibliographique

RevueBMC Geriatrics · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueFrailty in Older Adults
Établissements canadiensnon disponible
Organismes subventionnairesNational Center for Geriatrics and Gerontology
Mots-clésMedicineSarcopeniaMontreal Cognitive AssessmentOutpatient clinicGerontologyDementiaPhysical therapyPopulationDiseaseDiabetes mellitusCognitionObservational studyInternal medicinePsychiatry

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Although frailty and cognitive impairment are critical risk factors for disability and mortality in the general population of older inhabitants, the prevalence and incidence of these factors in individuals treated in the specialty outpatient clinics are unknown. METHODS: We recently established a frailty clinic for comprehensive assessments of conditions such as frailty, sarcopenia, and cognition, and planned 3-year prospective observational study to identify the risk factors for progression of these aging-related statuses. To date, we recruited 323 patients who revealed symptoms suggestive of frailty mainly from a specialty outpatient clinic of cardiology and diabetes. Frailty status was diagnosed by the modified Cardiovascular Health Study (mCHS) criteria and some other scales. Cognitive function was assessed by Mini-Mental State Examination (MMSE), Japanese version of the Montreal Cognitive Assessment (MoCA-J), and some other modalities. Sarcopenia was defined by the criteria of the Asian Working Group for Sarcopenia (AWGS). In this report, we outlined our frailty clinic and analyzed the background characteristics of the subjects. RESULTS: Most patients reported hypertension (78%), diabetes mellitus (57%), or dyslipidemia (63%), and cardiovascular disease and probable heart failure also had a higher prevalence. The prevalence of frailty diagnosed according to the mCHS criteria, cognitive impairment defined by MMSE (≤27) and MoCA-J (≤25), and of AWGS-defined sarcopenia were 24, 41, and 84, and 31%, respectively. The prevalence of frailty and cognitive impairment increased with aging, whereas the increase in sarcopenia prevalence plateaued after the age of 80 years. No significant differences were observed in the prevalence of frailty, cognitive impairment, and sarcopenia between the groups with and without diabetes mellitus, hypertension, or dyslipidemia with a few exceptions, presumably due to the high-risk subjects who had multiple cardiovascular comorbidities. A majority of the frail and sarcopenic patients revealed cognitive impairment, whereas the frequency of suspected dementia among these patients were both approximately 20%. CONCLUSIONS: We found a high prevalence of frailty, cognitive impairment, and sarcopenia in patients with cardiometabolic disease in our frailty clinic. Comprehensive assessment of the high-risk patients could be useful to identify the risk factors for progression of frailty and cognitive decline.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,318
Écart entre enseignants0,282 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations111
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMC GeriatricsMême sujetFrailty in Older AdultsTravaux en français237 207