PRE-FRAILTY IN OLDER ADULTS: PREVALENCE AND ASSOCIATED FACTORS
Notice bibliographique
Résumé
ABSTRACT Objective: to analyze pre-frailty prevalence in older adults residing in the community and associated factors. Method: a cross-sectional study, carried out with 291 elderly people registered in Family Health Strategy units. Pre-frailty was measured using the Edmonton Frail Scale, and the other variables were measured using different instruments. Data were collected from June to August 2018. Data analysis was performed using the Mantel Haenszel chi-square test, Fisher’s test and Poisson multivariate regression. Results: pre-frailty prevalence was 69.42% (95% CI; 63.77%-74.66%). Factors associated with pre-frailty were: low education (PR=1.37; 95% CI: 1.11-1.71), dependence on basic (PR=1.39; 95% CI: 1.22-1.59) and instrumental activities of daily living (PR=1.58; 95% CI: 1.40-1.78), depressed mood (PR=1.58; 95% CI: 1.40-1.78). =1.53; 95% CI: 1.31 1.78), negative self-rated health (PR=1.39; 95% CI: 1.15-1.69), polypharmacy (PR=1.30; CI 95%: 1.13-1.50), and nutritional risk (PR=1.27; 95% CI: 1.09-1.46). Conclusion: pre-frailty prevalence was higher than that found in other studies that used the same instrument, and the variables associated with this outcome demonstrated the existence of a common phenomenon among older adults. These are important results, as they highlight the need for investment in research and preventive interventions on the clinical, functional and social conditions of this population. Furthermore, it is necessary to invest in professional training programs for the comprehensive care of older adults, especially with regard to frailty assessment and prevention.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».