Facteurs de risque de chutes chez les aînés vivant dans la communauté et ayant recours aux services de soutien à domicile : modèle de risques élargi avec covariables dépendantes du temps et événements récurrents
Notice bibliographique
Résumé
Dans les études longitudinales, il devient diffi cile de déterminer les facteurs de risque de chutes, car l’exposition varie durant la période de suivi et les sujets peuvent subir un événement plus d’une fois. Or, les analystes font peu de cas de ces considérations et n’utilisent pas nécessairement les bonnes méthodes statistiques. En règle générale, on se concentre sur la proportion des personnes ayant fait une chute ou le temps écoulé jusqu’à la première chute. Dans un cas comme dans l’autre, on fait abstraction de l’hypothèse fondamentale de l’indépendance des événements et on écarte par le fait même des données pertinentes. Dans le présent article, nous examinons les méthodes en usage actuellement et nous proposons une extension du modèle de risques de Cox. Nous illustrons cette version étendue du modèle par une étude des facteurs de risque susceptibles d’être associés à des chutes parmi un groupe de 959 personnes âgées. Enfi n, nous comparons les résultats obtenus avec la méthode de Wei, Lin et Weissfeld (ci-après désignés WLW) et ceux obtenus avec plusieurs autres méthodes. Les facteurs d’exposition étudiés qu’ils soient fixes ou variables dans le temps comprennent les caractéristiques socio-démographiques, l’indice de masse corporelle (IMC), le risque nutritionnel, la consommation d’alcool, les dangers de l’environnement domiciliaire, la démarche et l’équilibre, et la consommation de médicaments. Notre étude révèle que les méthodes utilisées couramment pour analyser les facteurs de risque de chutes sont inadéquates, car elles créent un biais appréciable comparativement au modèle de WLW, qui utilise des covariables dépendantes du temps. Les résultats de notre étude montrent également qu’il peut être vain de modéliser la première survenue d’un événement, étant donné que le risque de survenue varie entre les chutes.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».