MétaCan
Menu
Retour à la cohorte
Enregistrement W2914798795 · doi:10.1093/gerona/glz002

A Regression Tree for Identifying Risk Factors for Fear of Falling: The International Mobility in Aging Study (IMIAS)

2019· article· en· W2914798795 sur OpenAlexafffundabout
Carmen‐Lucía Curcio, Yan Yan Wu, Afshin Vafaei, Juliana Fernandez de Souza Barbosa, Ricardo Oliveira Guerra, Jack M. Guralnik, Fernando Gómez

Notice bibliographique

RevueThe Journals of Gerontology Series A · 2019
Typearticle
Langueen
DomaineHealth Professions
ThématiqueBalance, Gait, and Falls Prevention
Établissements canadiensLakehead University
Organismes subventionnairesNational Institute on Minority Health and Health DisparitiesCanadian Institutes of Health Research
Mots-clésFear of fallingGerontologyDepression (economics)MedicineActivities of daily livingFalling (accident)CartPsychologyInjury preventionPhysical therapyPoison controlPsychiatryEnvironmental healthGeography

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: We determine the best combination of factors for predicting the risk of developing fear of falling (FOF) in older people via Classification Regression Tree (CaRT) analysis. METHODS: Community-dwelling older adults living in Canada, Albania, Brazil, and Colombia were from International Mobility in Aging Study (IMIAS). In 2014, 1,725 participants (aged 65-74) were assessed. With a retention rate of 81%, in 2016, 1,409 individuals were reassessed. Risk factors for FOF were entered into the CaRT: age, sex, education, self-rated health, comorbidity, medication, visual impairment, frailty, cognitive deficit, depression, fall history, Short Physical Performance Battery (SPPB), 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-year follow-up. Between 23.2% and 82.3% of the risk of developing FOF in 2 years of follow-up were explained by only five variables: age, sex, self-rated health, functional impairment measured by SPPB, and mobility disability. In those with no functional impairment or mobility disability, levels of education, sex, and self-rated health were important predictors of FOF in the future. 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 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)0,014
score de la tête « metaresearch » (Gemma)0,022
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 enseignants0,014
Score d'incertitude au seuil0,074

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,022
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,004
Bibliométrie0,0050,004
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,128
Tête enseignante GPT0,446
Écart entre enseignants0,317 · 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

Citations45
Publié2019
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueThe Journals of Gerontology Series AMême sujetBalance, Gait, and Falls PreventionTravaux en français237 207