<p>Which Balance Subcomponents Distinguish Between Fallers and Non-Fallers in People with COPD?</p>
Notice bibliographique
Résumé
Rationale: Chronic obstructive pulmonary disease (COPD) is an increasingly prevalent lung disease linked to dysfunctional balance and an increased risk of falls. The Balance Evaluation Systems Test (BESTest) evaluates the six underlying subcomponents of functional balance. The aim of this study was to determine the specific balance subcomponents and cut-off scores that discriminate between fallers and non-fallers with COPD to guide fall risk assessment and prevention. Methods: -tests were used to explore the differences in the BESTest sub-system scores between fallers and non-fallers. Receiver operating characteristic curves were used to determine the optimal subcomponent cut-off scores that identified fallers, and the area under the curve (AUC) was used to assess test accuracy. Results: Data from 72 subjects with COPD (mean age, 70.3 ± 7.4y; mean forced expiratory volume in 1 second, 38.9 ± 15.8% predicted) were analyzed. Two BESTest subcomponents, stability limits/verticality (fallers: 75.4%, non-fallers: 83.8%; p=0.002) and postural responses (fallers: 67.5%, non-fallers: 79.7%; p=0.008) distinguished between fallers and non-fallers. Stability limits/verticality had an AUC of 0.70 and optimal cut-off score of 73.8% for identifying fallers; postural responses had an AUC of 0.67 and optimal cut-off score of 69.4%. Conclusion: The stability limits/verticality and postural responses subcomponents of the BESTest distinguished between fallers and non-fallers with COPD. The stability limits/verticality subcomponent can also be used to identify whether an individual with COPD is at risk of falling using a cut-off score of 73.8%. These findings suggest that specific subcomponents of balance could be targeted to optimize fall risk assessment and prevention in COPD.
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 ».