SEX DIFFERENCES AND LONGITUDINAL QUANTILES OF FRAILTY TRAJECTORIES WITH MISSING DATA DUE TO DEATH
Notice bibliographique
Résumé
Abstract Scarce evidence exists about frailty trajectories, but the evidence suggests that women live longer with higher levels of frailty. When progression of frailty was studied, the focus has been on mean trajectories and research has ignored death. Here, we aim to assess the role of sex, age, and education in different quantiles of the distribution of frailty trajectories. We derived a frailty index (FI, range 0–1) based on the accumulation of deficits in individuals aged 65 at baseline (n=6929) using data from the Survey of Health, Ageing, and Retirement in Europe (SHARE). We applied weighted Generalized Estimating Equations (weighted GEE) to adjust the quantiles of the FI trajectory by sex, and education. The results show that the median FI trajectory increases with age (b_age0.5=0.008, p < 0.001) and this increase is higher for women than men (b_age*sex0.5=0.003, p < 0.001), but sex differences disappear for the most frail (0.9 percentile) once the missing data process is accounted for (b_age*sex0.9=0.002, p=0.085). For the most frail the increase with age is higher than for those at the median (b_age0.9=0.018, p < 0.001; test diff, p < 0.001) and education reduces the progression of the median FI (b_age*edu0.5=-0.0003, p < 0.001). Our approach advances the understanding of frailty trajectories of older adults, showing differences across quantiles. Thus, this may improve the practice and design of interventions aimed at older adults. In addition, we address the process of missing information and the results show new insights, particularly for those who are most frail.
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 | 0,009 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,004 | 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 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 ».