Predicting Falls Using the Stroke Assessment of Fall Risk Tool
Notice bibliographique
Résumé
BACKGROUND: Falls in the inpatient stroke population are common, resulting in increased morbidity and slow rehabilitation progress. Falls may result from stroke-specific neurologic deficits; however, assessment of these deficits is lacking in many fall screening tools. OBJECTIVE: To compare the ability to predict falls of the Stroke Assessment of Fall Risk (SAFR) tool, which includes items related to stroke-specific neurologic deficits, and the commonly used Morse Fall Scale, which does not include these items. DESIGN: Prospective cohort study. SETTING: Inpatient tertiary stroke rehabilitation unit. PARTICIPANTS: Patients (N = 220) with acute stroke. MAIN OUTCOME MEASURES: Falls were captured by the medical records from January 2017 to September 2018. Logistic regression analysis evaluated both screening tools for predicting falls by calculating sensitivity, specificity, area under the receiver operating characteristic (AUC-ROC) curve, and odds ratio (OR). We compared SAFR and Morse mean scores between fallers and non-fallers using t-tests. RESULTS: Forty-eight (21.8%) patients experienced ≥1 fall. SAFR, but not Morse, scores showed a statistically significant difference between fallers and non-fallers (P = .001 vs P = .24, respectively). Higher SAFR score was associated with higher odds of falls (OR 1.36, 95% CI [1.12, 1.64]), whereas Morse was not (OR 1.04, 95% CI [0.97, 1.12]). SAFR showed a statistically significant difference in hemi-neglect between fallers and non-fallers (P = .03). Sensitivity and specificity of SAFR were 47.9% and 76.7%, vs 45.8% and 68.0% for Morse, respectively. SAFR positive predictive value and negative predictive value were 36.5% and 84.1%, respectively, similar to Morse (28.6% and 81.8%). The AUC-ROC was 0.65 for SAFR and 0.56 for Morse. CONCLUSIONS: SAFR was significantly associated with fall risk and had better discrimination between fallers and non-fallers than Morse. The neurologic-specific hemi-neglect component of SAFR, a component not present on the Morse, was a fall risk factor. Further research evaluating the predictive value of fall scales that include neurologic deficits is needed.
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 | 0,001 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».