Physical mobility determinants among older adults: a scoping review of self-reported and performance-based measures
Notice bibliographique
Résumé
Objective To synthesise the available evidence on physical factors, such as muscle strength and power, body mass index and their association with older adults’ self-reported and performance-based mobility outcomes.Method This review followed the Askey and O'Malley framework. We systematically searched PubMed, EMBASE, PsychINFO, Web of Science, AgeLine, Allied and Complementary Medicine Database, and Cumulative Index to Nursing and Allied Health Literature databases, from Jan. 2000 to Jan. 2022. Teams of two reviewers independently conducted title, abstract, full-text screening, and data extraction using predefined inclusion and exclusion criteria.Result A total of 239 quantitative articles, mostly cross-sectional design, conducted in 32 countries were included in this review. We identified 18 physical factors significantly associated with mobility outcomes in the expected direction. Muscle strength, body composition, falls (number and history of), and chronic conditions (number of and type) were the most studied physical factors.Conclusion Older adults with muscle weakness, weight concerns, history of falls, and chronic conditions had poorer mobility outcomes, such as slower gait speed, poor balance, limited community mobility and poor driving outcomes compared to their counterparts. Studies exploring the role of physical factors on the use of an assisted device, transportation, or driving, are limited.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».