SPPB as a predictor of functional loss of hospitalized older adults
Notice bibliographique
Résumé
Abstract Introduction: Immobility is associated with adverse outcomes such as loss of functional capacity and longer hospitalization. Objective: To assess intra-hospital mobility at admission as a predictor of loss of functional capacity during older adults´ hospitalization. Methods: A prospective cohort study was conducted, and personal and hospital related risk factors were assessed at admission and discharge. To determine whether Short Physical Performance Battery (SPPB) on admission could predict loss of functional capacity during hospitalization, a ROC curve was performed and area under the curve (AUC) was calculated. Binary logistic regression models were used to identify predictors of loss of functional capacity. Model 1 contained only SPPB. Model 2 SPPB was matched with age, sex, instrumental activity of daily living (IADL), cognition, depression and surgery. Data were entered into SPSS version 18.0. Results: 1,191 patients were included with a mean age of 70.02 (± 7.34). SPPB cutoff point of 6.5 (sensitivity 62%, specificity 54%) identified 593 (49.8%) patients at risk for functional loss. In logistic regression, SPPB alone showed prediction of functional loss (p < 0.001, OR 1.8, 95% CI = 1.5-2.5) between admission and discharge. Model 1 explained between 22 to 32% of the variation in functional capacity. In Model 2, three variables contributed to the loss. SPPB 6.5 increased 1.8 times (95% CI = 1.3-2.4), being a woman increased 1.4 times (95% CI = 1.0-1.8) and not having surgery increased 2 times (95% CI = 1.4-2.8) the chance of having functional loss during hospitalization. Conclusion: SPPB is a good instrument to predict loss of functional capacity in hospitalized older adults.
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) | 0,012 | 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 ».