Abstract 19178: Cardiac Rehabilitation in the Elderly: An Under Referred Population That Does Not Attend
Notice bibliographique
Résumé
Introduction: Elderly subjects have been shown in recent years to derive benefit from attending cardiac rehabilitation (CR). However, they are less likely to attend. Further, the dependency of CR referral on patient age has not been explored. Methods: The Alberta Provincial Project for Outcomes Assessment in Coronary Heart Disease (APPROACH) database was used to obtain information on all patients. Subjects with at least one vessel CAD were considered as the pool of subjects to be referred. Patients were categorized according to age, <50 years, 50-60 years, 60-70 years, 70-80 years, and over 80 years of age. Rates of referral to and subsequent attendance at CR were compared across age categories. Logistic regression models were constructed to assess whether age predicted referral or attendance. Results: A total of 25,958 (24.6% female) subjects were included; of those, 3,266 (12.6%) were under 50 years of age, 6,330 (24.4%) were 50-60, 7,618 (29.4%) were 60-70, 6,798 (26.2%) were 70-80, and 1946 (7.5%) were over 80 years of age. Subjects in the higher age ranges had a greater prevalence of congestive heart failure and chronic obstructive pulmonary disease but lower prevalence of diabetes than their younger counterparts (all p<0.0001). Advanced age was associated with both decreased attendance and referral, though the association was stronger with referral (both p<0.0001, Figure 1). Relative to the youngest group, each age category had reduced referral in unadjusted and adjusted models (adjusted OR (95%CI): age 50-60: 0.86 (0.79, 0.95); age 60-70: 0.57 (0.52, 0.63); age 70-80: 0.34 (0.31, 0.38); age>80: 0.15 (0.13, 0.17)). Only the two oldest groups were less likely to attend. Conclusions: Advanced age represents a barrier to CR in two ways: one, elderly subjects are less likely to be referred, and subsequently less likely to attend. As elderly subjects have been shown to derive similar benefits from CR as their younger counterparts, age as a barrier to CR needs to be addressed.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».