Trajectories of Frailty With Aging: Coordinated Analysis of Five Longitudinal Studies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: There is an urgent need to better understand frailty and its predisposing factors. Although numerous cross-sectional studies have identified various risk and protective factors of frailty, there is a limited understanding of longitudinal frailty progression. Furthermore, discrepancies in the methodologies of these studies hamper comparability of results. Here, we use a coordinated analytical approach in 5 independent cohorts to evaluate longitudinal trajectories of frailty and the effect of 3 previously identified critical risk factors: sex, age, and education. RESEARCH DESIGN AND METHODS: We derived a frailty index (FI) for 5 cohorts based on the accumulation of deficits approach. Four linear and quadratic growth curve models were fit in each cohort independently. Models were adjusted for sex/gender, age, years of education, and a sex/gender-by-age interaction term. RESULTS: Models describing linear progression of frailty best fit the data. Annual increases in FI ranged from 0.002 in the Invecchiare in Chianti cohort to 0.009 in the Longitudinal Aging Study Amsterdam (LASA). Women had consistently higher levels of frailty than men in all cohorts, ranging from an increase in the mean FI in women from 0.014 in the Health and Retirement Study cohort to 0.046 in the LASA cohort. However, the associations between sex/gender and rate of frailty progression were mixed. There was significant heterogeneity in within-person trajectories of frailty about the mean curves. DISCUSSION AND IMPLICATIONS: Our findings of linear longitudinal increases in frailty highlight important avenues for future research. Specifically, we encourage further research to identify potential effect modifiers or groups that would benefit from targeted or personalized interventions.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,010 |
| 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 découle