Identification of Frailty and Its Risk Factors in Elderly Hospitalized Patients from Different Wards: A Cross-Sectional Study in China
Notice bibliographique
Résumé
Yao-Dan Liang,1,2 Yao-Nan Zhang,3 Yan-Ming Li,4 Yu-Hui Chen,5 Jing-Yong Xu,6 Ming Liu,7 Jing Li,8 Zhao Ma,9 Lin-Lin Qiao,10 Zi Wang,11 Jie-Fu Yang,1 Hua Wang1 1Department of Cardiology, Beijing Hospital, National Center of Gerontology, Beijing, People’s Republic of China; 2Chinese Academy of Medical Sciences, Peking Union Medical College, Beijing, People’s Republic of China; 3Department of Orthopedics; 4Department of Pulmonary and Critical Care Medicine; 5Department of Neurology; 6Department of General Surgery; 7Department of Urology; 8Department of Geriatrics; 9Department of Rehabilitation; 10Department of Traditional Chinese Medicine; 11Department of Cardiac Surgery, Beijing Hospital, National Center of Gerontology, Beijing, People’s Republic of ChinaCorrespondence: Hua Wang; Jie-Fu YangDepartment of Cardiology, Beijing Hospital, National Center of Gerontology, No. 1, Dahua Road, Dongcheng District, Beijing 100730, People’s Republic of ChinaTel +86 13911680467; +86 13601292259Fax +86-010-58115035Email wh74220@aliyun.com; yangjiefu2011@126.comObjectives: To survey the difference of frailty prevalence in elderly inpatients amongdifferent wards; to compare the diagnostic performance of five frailty measurements (Clinical Frailty Scale [CFS], FRAIL, Fried, Edmonton, Frailty Index [FI]) in identifying frailty; and to explore the risk factors of frailty in elderly inpatients.Participants and methods: This was a cross-sectional study including 1000 inpatients (mean age 75.2±6.7 years, 51.5% male; 542, 229, and 229 patients from cardiology, non-surgical, and surgical wards, respectively) in a tertiary hospital from September 2018 to February 2019. We applied the combined index to integrate the five frailty measurements mentioned above as the gold standard of frailty diagnosis. Multivariate logistic regression models were used to determine the independent risk factors of frailty.Results: Frailty prevalence was 32.3% (Fried), 36.2% (CFS), 19.2% (FRAIL), 25.2% (Edmonton), 35.1% (FI) in all patients. The frailty was more common in non-surgical wards, regardless of the frailty assessment tools used (non-surgical wards: 27.5% to 51.5%; cardiology ward: 14.9% to 29.3%; surgical wards: 18.8% to 41.9%). CFS≥5 showed a sensitivity of 94.1% and a specificity of 85.2% for all patients. FI≥0.25 showed a sensitivity of 94.8% and a specificity of 87.0% for all patients. Age [odds ratio (OR) = 1.089, P<0.001], education level (OR = 0.782, P=0.001), heart rate (OR = 1.025, P<0.001), albumin (OR = 0.911, P=0.002), log D-dimer (OR = 2.940, P<0.001), ≥5 comorbidities (OR = 2.164, P=0.002), and ≥5 medications (OR = 2.819, P<0.001) were independently associated with frailty in all participants.Conclusion: Frailty is common among elderly inpatients, especially in non-surgical wards. CFS is a preferred screening tool and FI may be an optimal assessment tool. Old age, low educational level, fast heart rate, low albumin, high D-dimer, ≥5 comorbidities, and polypharmacy are independent risk factors of frailty in elderly hospitalized patients.Keywords: frailty, elderly hospitalized patients, wards, risk factor, China
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».