Risk of falls and fear of falling in older adults residing in public housing in Ontario, Canada: findings from a multisite observational study
Notice bibliographique
Résumé
BACKGROUND: Falls in older adults is a widely researched topic. However, older adults residing in public housing are a vulnerable population that may have unique risk factors for falls. This study aims to describe the prevalence and risk factors for falls, fear of falling, and seeking medical attending for falls in this population. METHODS: Sociodemographic and health-related data was collected as part of a community-based health assessment program with older adults in public housing. Three pre-screening questions identified individuals at potential risk for falls; individuals who screened positive performed the objective Timed Up and Go (TUG) test. Logistic regression was used to evaluate risk factors for four outcome variables: falls in the past year, seeking medical attention for falls, fear of falling, and objectively measured fall risk via TUG test. RESULTS: A total of 595 participants were evaluated, of which the majority were female (81.3%), white (86.7%), did not have a high school diploma (50.0%), and reported problems in mobility (56.2%). The prevalence of falls in the past year was 34.5%, seeking medical attention for falls was 20.2% and fear of falling was 38.8%. The TUG test was completed by 257 participants. Notably, males had significantly reduced odds of seeking medical attention for a fall (OR = 0.50, 95%CI 0.25-0.98) and having a fear of falling (OR = 0.42, 95%CI 0.24-0.76); daily fruit and vegetable consumption was associated with decreased odds of having a fall in the past year (OR = 0.55, 95%CI 0.37-0.83), and alcohol consumption was associated with increased odds of fear of falling (OR = 1.72, 95%CI 1.03-2.88). CONCLUSION: Older adults residing in public housing have unique risk factors associated with social determinants of health, such as low fruit and vegetable consumption, which may increase their risk for falls. The findings of this study can be used to inform falls interventions for this population and identify areas for further research.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».