MétaCan
Menu
Retour à la cohorte
Enregistrement W2972703168 · doi:10.1101/19006403

Intrinsic capacity as a framework for Integrated Care for Older People (ICOPE); insights from the 10/66 Dementia Research Group cohort studies in Latin America, India and China

2019· preprint· en· W2972703168 sur OpenAlexaboutno aff
Martin Prince, Daisy Acosta, Mariella Guerra, Yueqin Huang, K. S. Jacob, Ivonne Z. Jiménez‐Velázquez, AT Jotheeswaran, Juan J. Llibre Rodríguez, Aquiles Salas, Ana Luisa Sosa, Isaac Acosta, Rosie Mayston, Zhaorui Liu, Jorge J. Llibre‐Guerra, Matthew Prina, Adolfo Valhuerdi

Notice bibliographique

RevuemedRxiv · 2019
Typepreprint
Langueen
DomaineMedicine
ThématiqueFrailty in Older Adults
Établissements canadiensnon disponible
Organismes subventionnairesWellcome Trust
Mots-clésDementiaMoodGerontologyCohortMedicinePopulationCognitive declineQuarter (Canadian coin)Latin AmericansHealth carePsychologyGeographyEnvironmental healthDiseaseEconomic growthPsychiatryPolitical science

Résumé

récupéré en direct d'OpenAlex

Abstract Background The World Health Organization has reframed health and healthcare for older people around achieving the goal of healthy ageing. Recent evidence-based guidelines on Integrated Care for Older People focus on maintaining intrinsic capacity, addressing declines in mobility, nutrition, vision and hearing, cognition, mood and continence aiming to prevent or delay the onset of care dependence. The target group (with one or more declines in intrinsic capacity) is broad, and implementation at scale may be challenging in less-resourced settings. Planning can be informed by assessing the prevalence of intrinsic capacity, characterising the target group, and validating the general approach by evaluating risk prediction for incident dependence and mortality. Methods Population-based cohort studies in urban sites in Cuba, Dominican Republic, Puerto Rico, Venezuela, and rural and urban sites in Peru, Mexico, India and China. Sociodemographic, behaviour and lifestyle, health, healthcare utilisation and cost questionnaires, and physical assessments were administered to all participants, with ascertainment of incident dependence, and mortality, three to five years later. Results In the 12 sites in eight countries, 17,031 participants were surveyed at baseline. Intrinsic capacity was least likely to be retained for locomotion (71.2%), vision (71.3%), cognition (73.5%), and mood (74.1%). Only 30% retained full capacity across all domains, varying between one quarter and two-fifths in most sites. The proportion retaining capacity fell sharply with increasing age, and declines affecting multiple domains were more common. Poverty, morbidity (particularly dementia, depression and stroke), and disability were concentrated among those with DIC, although only 10% were frail, and a further 9% had needs for care. Hypertension and lifestyle risk factors for chronic disease, healthcare utilization and costs were more evenly distributed in the general older population. 15,901 participants were included in the mortality cohort (2,602 deaths/ 53,911 person years of follow-up), and 12,965 participants in the dependence cohort (1900 incident cases/ 38,377 person-years). DIC (any decline, and number of domains affected) strongly and independently predicted incident dependence and death. Relative risks were higher for those who were frail, but were also substantially elevated for the much larger sub-groups yet to become frail. Mortality was mainly concentrated in the frail and dependent sub-groups. Conclusions Our findings support the strategy to optimize intrinsic capacity in pursuit of healthy ageing. Most needs for care arise in those with declines in intrinsic capacity who are yet to become frail. Implementation at scale requires community-based screening and assessment, and a stepped-care approach to intervention. Community healthcare workers’ roles would need redefinition to engage, train and support them in these tasks. ICOPE could be usefully integrated into community programmes orientated to the detection and case management of chronic diseases including hypertension and diabetes.

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)0,007
score de la tête « metaresearch » (Gemma)0,008
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 enseignants0,248
Score d'incertitude au seuil0,493

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0040,006
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,003
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,068
Tête enseignante GPT0,362
Écart entre enseignants0,295 · 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

Citations5
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxivMême sujetFrailty in Older AdultsTravaux en français237 207