Functional risk for fracture by safe functional motion testing: a short version of the safe functional motion test
Notice bibliographique
Résumé
Background: ‘Unsafe’ movement strategies used to perform everyday activities were quantified using scores for tasks included in the Short Form Safe Functional Motion test series (SSFM). Baseline scores were independently associated with incident fractures after adjusting for factors known to effect fracture risk. The purpose of the present study is to determine whether the SSFM, a series of tests of habitual motion, is associated with incident fragility fracture at any skeletal sites. Methods: An osteoporosis clinic database was queried for adults with baseline SSFM scores and corresponding data for prevalent fractures, femoral neck bone mineral density (fnBMD), osteoporosis medication use, and incident fractures at 1-year and 3-year follow ups [ n = 1700 (118 incident fractures) and n = 1058 (202 incident fractures), respectively]. Multiple logistic regressions, adjusted for sex, age, fnBMD, osteoporosis medication use, and any prevalent fractures at baseline, were used to determine whether baseline SSFM scores were associated with incident fragility fractures. Results: An Sfm-3 score was a significant independent predictor of any fracture at 1 year [adjusted odds ratio (95% CI) = 1.118 (1.025, 1.219) for each 10-point decrease in Sfm-3; p = 0.012], and 3-year follow up [adjusted odds ratio (95% CI) = 1.183 (1.098, 1.274) for each 10-point decrease in Sfm-3; p < 0.0001]. Conclusions: Scores on the SSFM predict fracture risk such that for each 10-point drop in score the odds of fracture are increased by up to 18% independent of risk associated with age, bone mineral density, use of bone-sparing medications, and history of a fracture.
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 | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».