Association between Patient‐Reported Health Status and Physical Activity Six Months after Upper and Lower Limb Fractures in Working‐Aged Adults
Notice bibliographique
Résumé
INTRODUCTION: Physical activity limitations are common following upper and lower limb fractures in adults of working age. There is a lack of research investigating the factors associated with these limitations, such as pain, mental health problems, and mobility impairments. OBJECTIVES: To report health status (EQ-5D) 6 months after upper and lower limb fracture in adults of working age (ages 18-69 years), and to determine the association between sedentary behavior (sitting time) and physical activity (steps, moderate-intensity physical activity [MPA]) 2 weeks and 6 months post-fracture with health status 6 months post-fracture. DESIGN: Prospective cohort study. SETTING: Major (level I) trauma center. PARTICIPANTS: Sixty-three adults 18-69 years of age with upper or lower limb fractures who were recruited consecutively. MAIN OUTCOME MEASURES: Participants wore ActiGraph and activPAL accelerometers for 10 days, 2 weeks and 6 months post-fracture. At 6 months, participants completed the EQ-5D. We used linear mixed-effects multivariable regression analyses to explore associations between EQ-5D domains and sitting time, steps, or physical activity. RESULTS: Participants with mobility problems (compared to participants without) were highly sedentary at 2 weeks (β = 0.86, P = .04), took fewer steps/d (Ratio of Geometric Means [RGM] = 0.62, P = .02) and engaged in less MPA (RGM = 0.32, P = .01). In addition, they engaged in less MPA at 6 months (RGM = 0.52, P = .02). Participants with self-care problems (compared with participants without) took fewer steps per day at 6 months (RGM = 0.78, P = .04), and engaged in less MPA at 2 weeks (RGM = 0.31, P = .01) and 6 months (RGM = 0.48, P = .02). CONCLUSIONS: Adults with mobility and self-care problems 6 months post-fracture engaged in high levels of sedentary behavior and low levels of physical activity. These findings can guide clinicians on health problems to target in order to maximize recovery of physical activity following fracture.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».