The Reciprocal Relationship between Frailty and Depressive Symptoms among Older Adults in Rural China: A Cross-Lag Analysis
Notice bibliographique
Résumé
(1) Objective: This study aimed to investigate the reciprocal relationship between frailty and depressive symptoms using longitudinal data among older adults in China. (2) Methods: Data derived from 2014 and 2017 waves of a longitudinal study of 1367 older adults aged 70–84 years, living in rural areas of Jiangsu Province, China. Cross-lagged panel model and a multiple group model were used to examine the temporal effect of frailty on depressive symptoms and vice versa. (3) Results: Frailty was associated with subsequent increase in depressive symptoms, such that participants with higher levels of frailty increase the risks of depressive symptoms (b = 0.090, p < 0.01). Depressive symptoms were significant predictors of increased frailty (b = −0.262, p <0.001). However, older men and older women had no significant differences in the reciprocal relationship between frailty and depressive symptoms. (4) Conclusions: In conclusion, we find a significant bi-directional relationship between frailty and depressive symptoms. This finding confirms the dyadic model of frailty and depression. Implications for interventions and policy to help frail and depressive older adults are discussed.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».