Frailty and Risk of Fractures in Patients With Type 2 Diabetes
Notice bibliographique
Résumé
OBJECTIVE We aimed to explore whether frailty was associated with fracture risk and whether frailty could modify the propensity of type 2 diabetes toward increased risk of fractures. RESEARCH DESIGN AND METHODS Data were from a prospective cohort study. Our primary outcome was time to the first incident clinical fragility fracture; secondary outcomes included time to hip fracture and to clinical spine fracture. Frailty status was measured by a Frailty Index (FI) of deficit accumulation. The Cox model incorporating an interaction term (frailty × diabetes) was used for analyses. RESULTS The analysis included 3,149 (70% women) participants; 138 (60% women) had diabetes. Higher bone mineral density and FI were observed in participants with diabetes compared with control subjects. A significant relationship between the FI and the risk of incident fragility fractures was found, with a hazard ratio (HR) of 1.02 (95% CI 1.01–1.03) and 1.19 (95% CI 1.10–1.33) for per-0.01 and per-0.10 FI increase, respectively. The interaction was also statistically significant (P = 0.018). The HR for per-0.1 increase in the FI was 1.33 for participants with diabetes and 1.19 for those without diabetes if combining the estimate for the FI itself with the estimate from the interaction term. No evidence of interaction between frailty and diabetes was found for risk of hip and clinical spine fractures. CONCLUSIONS Participants with type 2 diabetes were significantly frailer than individuals without diabetes. Frailty increases the risk of fragility fracture and enhances the effect of diabetes on fragility fractures. Particular attention should be paid to diabetes as a risk factor for fragility fractures in those who are frail.
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 | 0,000 | 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 | 0,000 |
| 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 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 ».