Association between clinical frailty, illness severity and post-discharge survival: a prospective cohort study of older medical inpatients in Norway
Notice bibliographique
Résumé
PURPOSE: Study associations between frailty, illness severity and post-discharge survival in older adults admitted to medical wards with acute clinical conditions. METHODS: Prospective cohort study of 195 individuals (mean age 86; 63% females) admitted to two medical wards with acute illness, followed up for all-cause mortality for 20 months after discharge. Ward physicians screened for frailty and quantified its degree from one to eight using Clinical Frailty Scale (CFS), while clinical illness severity was estimated by New Early Warning Score 2 (NEWS2) and laboratory illness severity was calculated by a frailty index (FI-lab) using routine blood tests. RESULTS: CFS, NEWS2 and FI-lab scores were independently associated with post-discharge survival in an adjusted Cox proportional hazards model with age, ward category (acute geriatric and general medical) and comorbidity as covariates. Adjusted hazard ratios and 95% confidence intervals were 1.54 (1.24-1.91) for CFS, 1.12 (1.03-1.23) for NEWS2, and 1.02 (1.00-1.05) for FI-lab. A frailty × illness severity category interaction effect (p = 0.003), suggested that the impact of frailty on survival was greater in those experiencing higher levels of illness severity. Among patients with at least moderate frailty (CFS six to eight) and high illness severity according to both NEWS2 and FI-lab, two (13%) were alive at follow-up. CONCLUSION: Frailty screening aided prognostication of survival following discharge in older acutely ill persons admitted to medical wards. The prognostic value of frailty increased when combined with readily available illness severity markers acquired during admission.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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 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 ».