A Regression Tree Analysis to Identify Factors Predicting Frailty: The International Mobility in Aging Study
Notice bibliographique
Résumé
INTRODUCTION: Frailty is a complex geriatric syndrome with a multifaceted etiology. We aimed to identify the best combinations of risk factors that predict the development of frailty using recursive partitioning models. METHODS: We analyzed reports from 1,724 community-dwelling men and women aged 65-74 years participating in the International Mobility in Aging Study (IMIAS). Frailty was measured using frailty phenotype scale that included five physical components: unintentional weight loss, weakness, slow gait, exhaustion, and low physical activity. Frailty was defined as presenting three of the above five conditions, having one or two conditions indicated prefrailty and showing none as robust. Socio-demographic, physical, lifestyle, psycho-social, and life-course factors were included in the analysis as potential predictors. RESULTS: 21% of pre-frail and robust participants showed a worse stage of frailty in 2014 compared to 2012. In addition to functioning variables, fear of falling (FOF), income, and research site (Canada vs. Latin America vs. Albania) were significant predictors of the development of frailty. Additional significant predictors after exclusion of functioning factors included education, self-rated health, and BMI. CONCLUSIONS: In addition to obvious risk factors for frailty (such as functioning), socio-economic factors and FOFs are also important predictors. Clinical assessment of frailty should include measurement of these factors to identify high-risk individuals.
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) | 0,000 | 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 | 0,000 |
| 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 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 ».