Self-reported health condition severity and ambulation status postmajor dysvascular limb loss
Notice bibliographique
Résumé
BACKGROUND: Individuals with dysvascular lower limb amputations (LLA) secondary to complications of peripheral arterial disease (PAD) and/or diabetes have high rates of co-morbidities. OBJECTIVES: To describe self-reported health condition severity and their association with sociodemographic factors and ambulations status among individuals with major dysvascular LLA. STUDY DESIGN: Cross sectional telephone and in person survey with adults with major dysvascular LLA living in the community setting in Ontario, Canada. METHODS: Survey by phone/in person, and completion of the Dysvascular Conditions Scale and Special Interest in Amputee Medicine Mobility (SIGAM) Grade by each participant. RESULTS: Two hundred thirty-one individuals with major dysvascular LLAs participated in the study. Most of them were male individuals (80.5%) and had undergone a transtibial amputation (74%). On average, participants were 3.4 years postlimb loss and had five identified Dysvascular Conditions Scale health conditions. The top five reported health conditions were diabetes, hypertension, phantom limb pain, musculoskeletal pain, and back pain. With the exclusion of hypertension, these conditions were also perceived by respondents to be quite severe for their impact. Vision impairment was also rated as being severe in nature. Lower mobility Special Interest Group in Amputee Medicine grades were associated with higher health condition severity scores. CONCLUSIONS: Individuals with dysvascular limb loss experience high multimorbidity with perceived negative impact on their overall wellness and function. Rehabilitation and self-management strategies to help patients with dysvascular LLAs to manage chronic health conditions may improve outcomes.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».