Frailty and the impacts of the COVID-19 pandemic on community-living middle-aged and older adults: an analysis of data from the Canadian Longitudinal Study on Aging (CLSA)
Notice bibliographique
Résumé
BACKGROUND: frailty imparts a higher risk for hospitalisation, mortality and morbidity due to COVID-19 infection, but the broader impacts of the pandemic and associated public health measures on community-living people with frailty are less known. METHODS: we used cross-sectional data from 23,974 Canadian Longitudinal Study on Aging participants who completed a COVID-19 interview (Sept-Dec 2020). Participants were included regardless of whether they had COVID-19 or not. They were asked about health, resource, relationship and health care access impacts experienced during the pandemic. Unadjusted and adjusted prevalence of impacts was estimated by frailty index quartile. We further examined if the relationship with frailty was modified by sex, age or household income. RESULTS: community-living adults (50-90 years) with greater pre-pandemic frailty reported more negative impacts during the first year of the pandemic. The frailty gradient was not explained by socio-demographic or health behaviour factors. The largest absolute difference in adjusted prevalence between the most and least frail quartiles was 15.1% (challenges accessing healthcare), 13.3% (being ill) and 7.4% (increased verbal/physical conflict). The association between frailty and healthcare access differed by age where the youngest age group tended to experience the most challenges, especially for those categorised as most frail. CONCLUSION: although frailty has been endorsed as a tool to inform estimates of COVID-19 risk, our data suggest it may have a broader role in primary care and public health by identifying people who may benefit from interventions to reduce health and social impacts of COVID-19 and future pandemics.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».