Early-Life War Exposure and Later-Life Frailty Among Older Adults in Vietnam: Does War Hasten Aging?
Notice bibliographique
Résumé
OBJECTIVES: This study aimed to assess the nature and degree of association between exposure to potentially traumatic wartime experiences in early life, such as living in a heavily bombed region or witnessing death firsthand, and later-life frailty. METHOD: The Vietnam Health and Aging Study included war survivors in Vietnam, 60+, who completed a survey and health exam between May and August 2018. Latent class analysis (LCA) is used to construct classes exposed to similar numbers and types of wartime experiences. Frailty is measured using a deficit accumulation approach that proxies biological aging. Fractional logit regression associates latent classes with frailty scores. Coefficients are used to calculate predicted frailty scores and expected age at which specific levels of frailty are reached across wartime exposure classes. RESULTS: LCA yields 9 unique wartime exposure classes, ranging from extreme exposure to nonexposed. Higher frailty is found among those with more heavy/severe exposures with a combination of certain types of experiences, including intense bombing, witnessing death firsthand, having experienced sleep disruptions during wartime, and having feared for one's life during war. The difference in frailty-associated aging between the most and least affected individuals is more than 18 years. DISCUSSION: War trauma hastens aging and warrants greater attention toward long-term implications of war on health among vast postconflict populations across the globe.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».