DEFINING MINIMAL IMPORTANT DIFFERENCES AND ESTABLISHING CATEGORIES FOR THE FRAILTY INDEX
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We aimed to define minimal clinically important differences (MID) in the Frailty Index (FI) and to establish FI categories (FIc) in two clinical and three population cohorts. Data came from the Survey of Health, Ageing, and Retirement in Europe (SHARE: n = 29851, median age in years [range]: 63.0 [50.0–104.0]), the Canadian Study of Health and Ageing (n = 5516, 80.0 [70.0–104.0], the National Health and Nutrition Examination Survey [n = 3146, 66.0 [50.0–85.0], the Older Patient Information Database [n = 912, 81.0 [56.0–103.0], and the Canadian Immunization Research Network Serious Outcomes Surveillance Network (SOS: n = 6063, 80.0 [65.0–105.0]). FIs were constructed using the deficit accumulation approach. MIDs were defined by Cohen’s effect sizes and bootstrapping analysis. The FIc were determined by Clinical Frailty Scale (CFS) levels and validated by stratum-specific likelihood ratios (SSLRs) against adverse health outcomes. The most conservative MID in the FI across the cohorts was 0.03 [95% CI: 0.03, 0.03]. Results remained similar when stratified by age and sex. The FIc identified based on the CFS was <0.20, 0.20–0.30, 0.30–0.40, >0.40. The FIc displayed a dose-response relationship with ≥2 weeks of hospitalization (e.g. SHARE SSLRs: 0.491 [95% CI: 0.448, 0.536], 1.017 [0.908, 1.154], 1.746 [1.472, 2.035], 2.620 [2.276, 3.051]) and mortality (e.g. SOS SSLRs: 0.500 [95% CI: 0.442, 0.556], 0.924 [0.819, 1.033], 1.733 [1.486, 1.980], 3.264 [2.825, 3.722]). Identifying the MID in the FI and establishing the FIc can assist with using frailty as an outcome in interventional studies.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle