Mobility screening for fall prediction in the Canadian Longitudinal Study on Aging (CLSA): implications for fall prevention in the decade of healthy ageing
Notice bibliographique
Résumé
BACKGROUND: Guidelines for fall prevention in older adults recommend mobility screening for fall risk assessment; however, there is no consensus on which test to use and at what cutoff. This study aimed to determine the accuracy and optimal cut-off values of commonly used mobility tests for predicting falls in the Canadian Longitudinal Study on Aging (CLSA). METHODS: Mobility tests at baseline included the Timed Up and Go (TUG), Single Leg Stance (SLS), chair-rise and gait speed. Inclusion criteria were: age ≥ 65 years and meeting first-level fall screening criteria (i.e. history of a fall or mobility problem) at baseline. Accuracy of fall prediction at 18-months for each test was measured by the area under the receiver operating curve (AUC). RESULTS: Of 1,121 participants that met inclusion criteria (mean age 75.2 ± 5.9 years; 66.6% women), 218 (19.4%) reported ≥one fall at 18 months. None of the tests achieved acceptable accuracy for identifying individuals with ≥one fall at follow-up. Among women 65-74 and 75-85 years, the TUG identified recurrent fallers (≥two falls) with optimal cut-off scores of 14.1 and 12.9 s (both AUCs 0.70), respectively. Among men 65-74 years, only the SLS showed acceptable accuracy (AUC 0.85) for identifying recurrent fallers with an optimal cutoff of 3.6 s. CONCLUSIONS: Our findings indicate that commonly used mobility tests do not have sufficient discriminability to identify fallers in a population-based sample of community-dwelling older adults. The TUG and SLS can identify recurrent fallers; however, their accuracy and cut-off values vary by age and sex.
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 | 0,004 | 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».