Key factors for the assessment of mobility in advanced dementia: A consensus approach
Notice bibliographique
Résumé
INTRODUCTION: Loss of mobility is common in advanced dementia and has important negative consequences related to fall risk, loss of independence, and lack of participation in meaningful activities. The causes of decline are multifactorial, including disease-specific changes in motor function, behavior, and cognition. To optimize clinical management of mobility, there is a need to better characterize capacity for safe and independent mobility. This study aimed to identify key factors that impact on mobility in dementia. METHODS: Expert input was gathered using a modified Delphi consensus approach. The primary criterion for participation was specialist knowledge in mobility or dementia, either as a clinician or a researcher. Participants rated elements of mobility for importance and feasibility of assessment in advanced dementia and prioritized items for inclusion in a mobility staging tool. Descriptive statistics and qualitative content analysis were used to summarize responses. RESULTS: Thirty-six experts completed the first survey with an 80% retention rate over three rounds. One-third of 61 items reached consensus for being both important and feasible to assess, representing five categories of elements. Items reaching agreement for a staging tool included walking, parkinsonism, gait, impulsivity, fall history, agitation, transfers, and posture control. DISCUSSION: This study highlights the need for a multidimensional, dementia-specific approach to mobility assessment. Results have implications for development of assessment methods and management guidelines to support the clinical care of mobility impairment in people with dementia.
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 | 0,013 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,002 |
| 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 ».