Frailty indices based on self-report, blood-based biomarkers and examination-based data in the Canadian Longitudinal Study on Aging
Notice bibliographique
Résumé
BACKGROUND: Frailty can be operationalised using the deficit accumulation approach, which considers health deficits across multiple domains. We aimed to develop, validate and compare three different frailty indices (FI) constructed from self-reported health measures (FI-Self Report), blood-based biomarkers (FI-Blood) and examination-based assessments (FI-Examination). METHODS: Up to 30,027 participants aged 45-85 years from the baseline (2011-2015) comprehensive cohort of the Canadian Longitudinal Study on Aging were included in the analyses. Following standard criteria, three FIs were created: a 48-item FI-Self Report, a 23-item FI-Blood and a 47-item FI-Examination. In addition a 118-item FI-Combined was constructed. Mortality status was ascertained in July 2019. RESULTS: FI-Blood and FI-Examination demonstrated broader distributions than FI-Self Report. FI-Self Report and FI-Blood scores were higher in females, whereas FI-Examination scores were higher in males. All FI scores increased nonlinearly with age and were highest at lower education levels. In sex and age-adjusted models, a 0.01 increase in FI score was associated with a 1.08 [95% confidence interval (CI): 1.07,1.10], 1.05 (1.04,1.06), 1.07 (1.05,1.08) and a 1.13 (1.11,1.16) increased odds of mortality for FI-Self Report, FI-Blood, FI-Examination and FI-Combined, respectively. Inclusion of the three distinct FI types in a single model yielded the best prognostic accuracy and model fit, even compared to the FI-Combined, with all FIs remaining independently associated with mortality. CONCLUSION: Characteristics of all FIs were largely consistent with previously established FIs. To adequately capture frailty levels and to improve our understanding of the heterogeneity of ageing, FIs should consider multiple types of deficits including self-reported, blood and examination-based measures.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: oui | Observationnel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: oui | Observationnel | low |
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 | 0,002 | 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 | 0,001 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».