Factors Influencing Older Persons’ Transitions to Facility-Based Care Settings: A Scoping Review
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Older adults (≥65 years) are living longer with complex health needs and wish to remain at home as their care needs change. We aimed to determine which factors influence older persons' transitions from home living to facility-based care (FBC) settings such as long-term care facilities or assisted living. RESEARCH DESIGN AND METHODS: Through a scoping review of 7 databases, we considered all academic literature examining factors influencing transitions from home living to FBC. Only English articles were reviewed. Based on the Meleis' Health Transition (MHT) model, we categorized findings into: (a) transition conditions; (b) patterns of response; and (c) health services and interventions. RESULTS: We included 204 unique studies. Age, cognitive/functional impairments, and caregiver burden were the most consistent risk factors for older persons' transitions to FBC. Caregiver burden was the only consistent risk factor in both quantitative and qualitative literature. Other factors around health service use or nonmedical factors were examined in a small number of studies, or demonstrated mixed or nonsignificant results. Key research gaps relate to transitions to intermediate levels of FBC, research in public health systems, and research employing qualitative and interventional methods. DISCUSSION AND IMPLICATIONS: We expanded the MHT model to capture informal caregivers and their critical role in transitions from home to FBC settings. More research is needed to address practical needs of clients and caregivers while at home, and self-directed care funding models could be expanded. Theory-driven interventional research focusing on caregivers and successful hospital discharge is critically needed.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».