How do we define and measure sarcopenia? A meta-analysis of observational studies
Notice bibliographique
Résumé
OBJECTIVE: this study aimed to investigate how sarcopenia has been defined and measured in the literature reporting its prevalence, and how different definitions and measurement tools can affect prevalence estimates. DESIGN: systematic review and meta-analysis. SETTING AND PARTICIPANTS: community-dwelling older people. METHODS: meta-analysis of data collected from observational studies. We performed an electronic search in five databases to identify studies reporting the prevalence of sarcopenia. We used descriptive statistics to present data pertaining sarcopenia definition and measurement tools, and the quality-effects model for meta-analysis of pooled prevalence. RESULTS: we found seven different operational definitions for sarcopenia and a variety of tools applied to assess the sarcopenic markers; muscle mass, muscle strength and physical performance. The prevalence of sarcopenia varied between the definitions with general estimates ranging from 5% based on the European Working Group on Sarcopenia in Older People (EWGSOP1) criterion to 17% with the International Working Group on Sarcopenia. According to the tool used to assess muscle mass, strength and physical performance, prevalence values also varied within definitions extending from 1 to 7%, 1 to 12% and 0 to 22%, respectively. CONCLUSION AND IMPLICATIONS: the criteria used to define sarcopenia, as well as the measurement tools applied to assess sarcopenic markers have influence in the prevalence of sarcopenia. The establishment of a unique definition for sarcopenia, the use of methods that guarantee an accurate evaluation of muscle mass and the standardisation of measurement tools are necessary to allow a proper diagnosis and comparison of sarcopenia prevalence among populations.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| 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 | 0,000 |
| 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 ».