Frailty Measures in Patients Listed for Lung Transplantation.
Notice bibliographique
Résumé
<h4>Background</h4>The study aimed to determine whether the addition of cognitive impairment, depression, or both, to the assessment of physical frailty (PF) is associated with the risk of lung transplant (LTX) waitlist mortality.<h4>Methods</h4>Since March 2013, all patients referred for LTX evaluation underwent PF assessment. Cognition was assessed using the Montreal Cognitive Assessment and depression assessed using the Depression in Medical Illness questionnaire. We assessed the association of 4 composite frailty measures: PF ≥3 of 5 = frail, cognitive frailty (CogF ≥ 3 of 6 = frail), depressive frailty (DepF ≥ 3 of 6 = frail), and combined frailty (ComF ≥ 3 of 7 = frail) with waitlist mortality.<h4>Results</h4>The prevalence of PF was 78 (22%), CogF 100 (28%), DepF 105 (29%), and ComF 124 (34%). Waitlist survival in the non-PF group was 94% ± 2% versus 71% ± 7% in the PF group (p < 0.001). Cox proportional hazards regression analysis demonstrated that PF (Adjusted HR, 4.88; 95% CI, 2.06 - 11.56), mild cognitive impairment (Adjusted HR, 3.03; 95% CI, 1.05 - 8.78) and hypoalbuminemia (Adjusted HR, 0.89; 95% CI, 0.82 - 0.97) were independent predictors of waitlist mortality. There was no significant difference in the area under the curve of the 4 frailty measures.<h4>Conclusions</h4>The addition of cognitive function and depression variables to the PF assessment increased the number of patients classified as frail. However, the addition of these variables, does not strengthen the association with LTX waitlist mortality compared to the PF measure.
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 ».