A REGRESSION TREE FOR IDENTIFYING RISK FACTORS FOR FEAR OF FALLING: THE INTERNATIONAL MOBILITY IN AGING STUDY (IMIAS)
Notice bibliographique
Résumé
BACKGROUND: We determine the best combination of factors for predicting the risk of developing Fear of Falling (FOF) in community-dwelling older people via Classification Regression Tree (CaRT) analysis. METHODS: Participants of International Mobility in Aging Study (IMIAS). Community-dwelling older adults living in Canada: Kingston (Ontario), Saint-Hyacinthe (Quebec); Albania (Tirana); and Latin America: Natal (Brazil), Manizales (Colombia). In 2014, 1,725 participants (aged 65- 74) were assessed. With a retention rate of 81%, in 2016, 1,409 individuals were reassessed. These risk factors for FOF were entered into the CaRT: age, sex, education, self-rated health, comorbidity, body mass index, medication, visual impairment, frailty, cognitive deficit, depression, fall history, and Short Physical Performance Battery (SPPB) total scores, walking aid use, and mobility disability measured by the Nagi questionnaire. RESULTS: The classification tree included 12 end-groups representing differential risks of FOF with a minimum of two and a maximum of five predictors. The first split in the tree involved impaired physical function (SPPB scores). Respondents with less than 8 in SPPB score and mobility disability had 82% risk of developing FOF at the end of 2 years follow-up. In respondents with no impaired physical functioning, the risk of developing FOF varied between 4% and 39.8%. Predictors in this branch of the tree were ‘low level of education’, ‘poor self-rated health’ and ‘living with non-spouse persons’. CONCLUSION: This classification tree included different groups based on specific combinations of a maximum of five easily measurable predictors with emphasis on impaired physical functioning risk factors for developing FOF.
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 | 0,002 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».