Nutrition Status, Muscle Mass, and Frailty in Older People: A Cross-Sectional Study Conducted in Cyprus
Notice bibliographique
Résumé
Objective Aging is a worldwide serious public health problem. Frailty is also becoming an alarming geriatric syndrome. This study was conducted to analyze the relationship of frailty with nutritional and muscle status in individuals aged 65 and older.Method The study was carried out between July 2018 and September 2019 among 347 people aged 65 and older residing in Cyprus. All the data were collected and measured with face-to-face interview method by the researcher which includes demographic information, a retrospective 1-day food consumption record, Edmonton Frailty Scale (EFS), anthropometric measurements, hand grip strength, muscle mass, and walking speed.Results The average age of individuals was 73.12 ± 6.78 years. When sex, education levels, and drug usage were compared with EFS levels, severity of frailty was found to be significantly higher in females, non-educated individuals, and in individuals using 3 or more drugs everyday (p < 0.05). Body mass index (BMI) values of non-frail participants were found significantly higher than mildly, moderately, and severely frail participants (p < 0.05). It was observed that there was a statistically significant and negative correlation between the participants’ EFS scores and muscle mass (p < 0.05). A negative correlation between hand grip strength and EFS scores was also observed. Energy and protein intake was not found to be significantly different in EFS level groups, while calcium intake of participants with mild, moderate, and severe frailty was found to be significantly lower than in those who were not frail or apparently vulnerable (p < 0.05).Conclusions Being female, having low education levels, using more than 3 drugs per day, and having lower muscle mass increases frailty levels. As a consequence, higher education, decreasing the number of drugs used per day, and preserving muscle mass with adequate activity are important cornerstones of decreasing frailty risk.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».