The frailty index based on laboratory test data as a tool to investigate the impact of frailty on health outcomes: a systematic review and meta-analysis
Notice bibliographique
Résumé
The frailty index (FI) quantifies frailty as deficit accumulation. It has been adapted to employ laboratory test data (FI-Lab). Our objective was to systematically review and meta-analyse the FI-Lab's ability to predict mortality. Secondary objectives were to review the FI-Lab's association with adverse health outcomes and whether FI-Lab scores differed between the sexes. A systematic literature search was carried out using six online databases to identify studies that measured the FI-Lab in humans. Hazard ratios (HRs) were combined in a meta-analysis to create a pooled risk estimate for mortality. Of the 1,201 papers identified, spanning January 2010 until 11 July 2022, 38 were included. FI-Lab scores per 0.01 unit increase predicted mortality overall (HR = 1.04; 95% confidence interval (CI) = 1.03-1.05) and for studies with a mean age of 81+ years (HR = 1.04; 95% CI = 1.03-1.05). The quality of evidence for these meta-analyses are moderate and high, respectively. Further, higher FI-Lab scores were associated with more frequent adverse health outcomes. Sex differences in FI-Lab scores varied, with no consistent indication of a sex effect. The FI-Lab is associated with mortality and with a variety of adverse health outcomes. No consistent sex differences in FI-Lab scores were observed, with several studies in disagreement. Notably, these conclusions were most relevant to older (65+ years old) individuals; further evidence in younger people is needed in both clinical and population representative studies.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 ».