Prevalence of frailty in 62 countries across the world: a systematic review and meta-analysis of population-level studies
Notice bibliographique
Résumé
INTRODUCTION: The prevalence of frailty at population level is unclear. We examined this in population-based studies, investigating sources of heterogeneity. METHODS: PubMed, Embase, CINAHL and Cochrane Library databases were searched for observational population-level studies published between 1 January 1998 and 1 April 2020, including individuals aged ≥50 years, identified using any frailty measure. Prevalence estimates were extracted independently, assessed for bias and analysed using a random-effects model. RESULTS: In total, 240 studies reporting 265 prevalence proportions from 62 countries and territories, representing 1,755,497 participants, were included. Pooled prevalence in studies using physical frailty measures was 12% (95% CI = 11-13%; n = 178), compared with 24% (95% CI = 22-26%; n = 71) for the deficit accumulation model (those using a frailty index, FI). For pre-frailty, this was 46% (95% CI = 45-48%; n = 147) and 49% (95% CI = 46-52%; n = 29), respectively. For physical frailty, the prevalence was higher among females, 15% (95% CI = 14-17%; n = 142), than males, 11% (95% CI = 10-12%; n = 144). For studies using a FI, the prevalence was also higher in females, 29% (95% CI = 24-35%; n = 34) versus 20% (95% CI = 16-24%; n = 34), for males. These values were similar for pre-frailty. Prevalence increased according to the minimum age at study inclusion. Analysing only data from nationally representative studies gave a frailty prevalence of 7% (95% CI = 5-9%; n = 46) for physical frailty and 24% (95% CI = 22-26%; n = 44) for FIs. CONCLUSIONS: Population-level frailty prevalence varied by classification and sex. Data were heterogenous and limited, particularly from nationally representative studies making the interpretation of differences by geographic region challenging. Common methodological approaches to gathering data are required to improve the accuracy of population-level prevalence estimates. PROTOCOL REGISTRATION: PROSPERO-CRD42018105431.
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 | 0,035 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,020 | 0,029 |
| Bibliométrie | 0,016 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 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 ».