MétaCan
Menu
Retour à la cohorte
Enregistrement W3188240383 · doi:10.1001/jamanetworkopen.2021.17758

Estimated Incidence and Factors Associated With Risk of Elder Mistreatment in New York State

2021· article· en· W3188240383 sur OpenAlexaff
David Burnes, David Hancock, John Eckenrode, Mark S. Lachs, Karl Pillemer

Notice bibliographique

RevueJAMA Network Open · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueElder Abuse and Neglect
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNational Institute on AgingNational Institutes of Health
Mots-clésElder abusePsychosocialPopulationLandlineMedicineGerontologyPsychological abuseContext (archaeology)Physical abuseDemographyPoison controlSuicide preventionDomestic violencePsychiatryMedical emergencyEnvironmental health

Résumé

récupéré en direct d'OpenAlex

Importance: Elder mistreatment is associated with major health and psychosocial consequences and is recognized by clinicians, policy makers, and researchers as a pervasive problem affecting a rapidly aging global population. Objective: To estimate the incidence of elder mistreatment and identify factors associated with the risk of new cases. Design, Setting, and Participants: This research is a 10-year, longitudinal, population-based, cohort study of the incidence of elder mistreatment in New York State households conducted between 2009 (wave 1) and 2019 (wave 2). At wave 1, random digit-dial (landline and cellular telephones) stratified sampling was done to recruit English-speaking and/or Spanish-speaking, cognitively intact, community-dwelling older adults (aged ≥60 years) across New York State. The current study conducted computer-assisted telephone interviews with older adults who participated in wave 1 and gave permission to be contacted again for wave 2 interviews (response rate, 60.7%). Data analysis was performed from October 2020 to January 2021. Exposures: Physical factors (health status, functional capacity, and age), living arrangement (coresidence), and sociocultural characteristics (sex, race/ethnicity, geocultural context, and household income). Main Outcomes and Measures: Ten-year incidence for overall elder mistreatment and subtypes (financial abuse, emotional or psychological abuse, physical abuse, and neglect) were measured using adapted versions of the Conflict Tactics Scale, the Duke Older Americans Resources and Services scale, and the New York State Elder Mistreatment Prevalence Study financial abuse tool. Results: The analytical sample included 628 older adults (mean [SD] age at wave 1, 69.20 [6.95] years; age at wave 2, 79.40 [6.93] years; 504 non-Hispanic White individuals [80.9%]; 406 women [64.6%]). Ten-year incidence rates were 11.4% (95% CI, 8.8%-14.3%) for overall elder mistreatment, 8.5% (95% CI, 6.3%-10.9%) for financial abuse, 4.1% (95% CI, 2.6%-5.7%) for emotional abuse, 2.3% (95% CI, 1.2%-3.6%) for physical abuse, and 1.0% (95% CI, 0.3%-1.8%) for neglect. Poor self-rated health at wave 1 was associated with increased risk at wave 2 of new overall mistreatment (odds ratio [OR], 2.86; 95% CI, 1.35-5.84), emotional abuse (OR, 3.67; 95% CI, 1.15-11.15), physical abuse (OR, 4.21; 95% CI, 1.14-13.70), and financial abuse (OR, 2.80; 95% CI, 1.16-6.38). Compared with non-Hispanic White participants, Black participants were at heightened risk of overall mistreatment (OR, 2.61; 95% CI, 1.16-5.70) and financial abuse (OR, 2.80; 95% CI, 1.09-6.91). A change from coresidence to living alone was associated with increased risk of financial abuse (OR, 2.74; 95% CI, 1.01-7.21). Conclusions and Relevance: These findings suggest that health care visits may be important opportunities to detect older adults who are at risk of mistreatment. Race is highlighted as an important social determinant for elder mistreatment requiring urgent attention.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,117
Score d'incertitude au seuil0,970

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,053
Tête enseignante GPT0,315
Écart entre enseignants0,261 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJAMA Network OpenMême sujetElder Abuse and NeglectTravaux en français237 207