Incidence and Risk Factors of Elder Mistreatment in the Community: A Longitudinal Population-Based Study
Notice bibliographique
Résumé
Abstract Prior population-based elder mistreatment (EM) risk factor research has focused on problem prevalence using cross-sectional designs, which cannot make causal inferences between proposed risk factors and EM or discern existing cases from new cases entering the population. This study sought to estimate the incidence of EM and identify risk factors for new cases. It is a ten-year prospective, population-based cohort study with data collected between 2009 (Wave 1) and 2019 (Wave 2). Based on Wave 1 random, stratified sampling to recruit English/Spanish-speaking, cognitively intact, community-dwelling older adults (age ≥ 60) across New York State, this study conducted computer assisted telephone interviews (CATI) with 628 respondents participating in both Wave 1 and Wave 2 interviews (response rate=60.7%). Ten-year EM incidence was regressed on factors related to physical vulnerability, living arrangement, and socio-cultural characteristics using logistic regression. Ten-year incidence rates included overall EM (11.4%), financial abuse (8.5%), emotional abuse (4.1%), physical abuse (2.3%), and neglect (1.0%). Poor self-rated health at Wave 1 significantly predicted increased risk of new Wave 2 overall EM (odds ratio [OR]=2.8), emotional abuse (OR=3.67), physical abuse (OR=4.21), and financial abuse (OR=2.8). Black older adults were at significantly heightened risk of overall EM (OR=2.61), specifically financial abuse (OR=2.8). Change from co-residence (Wave 1) toward living alone (Wave 2) significantly predicted financial abuse (OR=2.74). Healthcare visits represent important opportunities to detect at-risk older adults. Race is highlighted as an important social determinant for EM requiring urgent attention. This study represents the first longitudinal, population-based EM incidence study.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».