EARLY FRAILTY PHENOTYPES AND PREDICTIONS OF COGNITIVE AGING: EVIDENCE FROM THE VICTORIA LONGITUDINAL STUDY
Notice bibliographique
Résumé
Abstract Frailty is an aging condition that reflects multisystem decline. A prominent approach to frailty assessment is to create an index, whereby responses across multiple indicators of aging systems are summed to create a single score. These studies indicate that frailty is associated with adverse aging outcomes (e.g., mortality, dementia). We employ a data-driven approach to detecting and differentiating emerging frailty phenotypes and examine their associations with non-demented cognitive aging trajectories. Participants (n = 653; M age = 70.6, range 53-95) were community-dwelling older adults from the Victoria Longitudinal Study. Participants contributed (a) baseline data for 30 frailty-related items representing deficits across 7 domains (e.g., instrumental and cardiovascular health) and (b) longitudinal data for latent variables of executive function, speed, and memory. For each participant, we calculated the proportion of deficits present in each frailty-related domain and submitted these data to a latent profile analysis (LPA; Mplus 7.0). We used latent growth modeling (LGM) to test these frailty phenotypes for prediction of cognitive performance and decline. LPA results revealed three profiles, one large normal low-frailty profile and two emerging frailty phenotypes. Whereas the latter represented profiles of individuals with respiratory-type frailty (i.e., marked impairment in respiratory function; 7%) and mobility-type frailty (i.e., marked impairment in mobility function; 9%), the former featured limited impairment across frailty domains (83%). Findings from LGM indicated that these profiles were differentially related to cognitive performance and decline. Data-driven approaches can help detect early differentiation of frailty profiles and contribute to personalized intervention.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».