Prospective Association Among Diabetes Diagnosis, HbA1c, Glycemia, and Frailty Trajectories in an Elderly Population
Notice bibliographique
Résumé
OBJECTIVE Frailty is a dynamic state of vulnerability in the elderly. We examined whether individuals with overt diabetes or higher levels of HbA1c or fasting plasma glucose (FG) experience different frailty trajectories with aging. RESEARCH DESIGN AND METHODS Diabetes, HbA1c, and FG were assessed at baseline, and frailty status was evaluated with a 36-item frailty index every 2 years during a 10-year follow-up among participants from the English Longitudinal Study of Ageing (ELSA). Mixed-effects models with age as time scale were used to assess whether age trajectories of frailty differed as a function of diabetes, HbA1c, and FG. RESULTS Among 5,377 participants (median age [interquartile range] 70 [65, 77] years, 45% men), 35% were frail at baseline. In a model adjusted for sex, participants with baseline diabetes had an increased frailty index over aging compared with those without diabetes. Similar findings were observed with higher levels of HbA1c, while FG was not associated with frailty. In a model additionally adjusted for income, social class, smoking, alcohol, and hemoglobin, only diabetes was associated with an increased frailty index. Among nonfrail participants at baseline, both diabetes and HbA1c level were associated with a higher increased frailty index over time. CONCLUSIONS People with diabetes or higher HbA1c levels at baseline had a higher frailty level throughout later life. Nonfrail participants with diabetes or higher HbA1c also experienced more rapid deterioration of frailty level with aging. This observation could reflect a role of diabetes complications in frailty trajectories or earlier shared determinants that contribute to diabetes and frailty risk in later life.
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 | 0,001 |
| 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 ».