Development and validation of a frailty index based on Australian Aged Care Assessment Program data
Notice bibliographique
Résumé
OBJECTIVES: To develop and validate a frailty index, derived from aged care eligibility assessment data. DESIGN: Retrospective cohort study; analysis of the historical national cohort of the Registry of Senior Australians (ROSA). PARTICIPANTS: 903 996 non-Indigenous Australians aged 65 years or more, living in the community and assessed for subsidised aged care eligibility during 2003-2013. MAIN OUTCOME MEASURES: 44-item frailty index; summary statistics for frailty index score distribution; predictive validity with respect to mortality and entry into permanent residential aged care during the five years after assessment. RESULTS: The mean frailty index score during 2003-2013 was 0.20 (SD, 0.07; range, 0-0.41); the proportion of assessed older people with scores exceeding 0.20 increased from 32.1% in 2003-2005 to 75.0% in 2012-2013. The risks of death and entry into permanent residential aged care at one, three and five years increased with frailty index score level (at one year, high [over 0.35] v low scores [under 0.05]: hazard ratio for death, 5.99; 95% CI, 5.69-6.31; for entry into permanent residential aged care, 8.70; 95% CI, 8.32-9.11). The predictive validity (area under the receiver operating characteristic curve) of Cox proportional hazard models including age, sex, and frailty index score was 0.64 (95% CI, 0.63-0.64) for death and 0.63 (95% CI, 0.62-0.63) for entry into permanent residential aged care within one year of assessment. CONCLUSIONS: We used Australian aged care eligibility assessment program data to construct and validate a frailty index. It can be employed in aged care research in Australia, but its application to aged care planning requires further investigation.
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 | 0,001 |
| 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 | 0,001 | 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 ».