Moving the needle on fall prevention: A Geriatric Emergency Care Applied Research (GEAR) Network scoping review and consensus statement
Notice bibliographique
Résumé
BACKGROUND: Although falls are common, costly, and often preventable, emergency department (ED)-initiated fall screening and prevention efforts are rare. The Geriatric Emergency Medicine Applied Research Falls core (GEAR-Falls) was created to identify existing research gaps and to prioritize future fall research foci. METHODS: GEAR's 49 transdisciplinary stakeholders included patients, geriatricians, ED physicians, epidemiologists, health services researchers, and nursing scientists. We derived relevant clinical fall ED questions and summarized the applicable research evidence, adhering to the Preferred Reporting Items for Systematic Reviews and Meta-Analyses for Scoping Reviews. The highest-priority research foci were identified at the GEAR Consensus Conference. RESULTS: We identified two clinical questions for our review (1) fall prevention interventions (32 studies) and (2) risk stratification and falls care plan (19 studies). For (1) 21 of 32 (66%) of interventions were a falls risk screening assessment and 15 of 21 (71%) of these were combined with an exercise program or physical therapy. For (2) 11 fall screening tools were identified, but none were feasible and sufficiently accurate for ED patients. For both questions, the most frequently reported study outcome was recurrent falls, but various process and patient/clinician-centered outcomes were used. Outcome ascertainment relied on self-reported falls in 18 of 32 (56%) studies for (1) and nine of 19 (47%) studies for (2). CONCLUSION: Harmonizing definitions, research methods, and outcomes is needed for direct comparison of studies. The need to identify ED-appropriate fall risk assessment tools and role of emergency medical services (EMS) personnel persists. Multifactorial interventions, especially involving exercise, are more efficacious in reducing recurrent falls, but more studies are needed to compare appropriate bundle combinations. GEAR prioritizes five research priorities: (1) EMS role in improving fall-related outcomes, (2) identifying optimal ED fall assessment tools, (3) clarifying patient-prioritized fall interventions and outcomes, (4) standardizing uniform fall ascertainment and measured outcomes, and (5) exploring ideal intervention components.
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 | 0,332 | 0,421 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,010 | 0,013 |
| Bibliométrie | 0,035 | 0,024 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,016 | 0,020 |
| Science ouverte | 0,011 | 0,027 |
| Intégrité de la recherche | 0,019 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».