Contribution of individual and cumulative frailty-related health deficits on cardiac rehabilitation completion
Notice bibliographique
Résumé
BACKGROUND: Despite the high burden of frailty among cardiac rehabilitation (CR) participants, it is unclear which frailty-related deficits are related to program completion. METHODS: Data from a single-centre exercise- and education-based CR program were included. A frailty index (FI) based on 25 health deficits was constructed. Logistic regression was used to estimate the odds of CR completion based on the presence of individual FI items. The odds of completion for cumulative deficits related to biomarkers, body composition, quality of life, as well as a composite of traditional and non-traditional cardiovascular risk factor domains were examined. RESULTS: A total of 3,756 individuals were included in analyses. Eight of 25 FI variables were positively associated with program completion while 8 others were negatively associated with completion. The variable with the strongest positive association was the food frequency questionnaire score (OR 1.27 (95% CI 1.14, 1.41), whereas the deficit with strongest negative association was a decline in health over the last year (OR 0.74 (95% CI 0.58, 0.93). An increased number of cardiovascular deficits were associated with an increased odds of CR completion (OR per 1 deficit increase 1.16 (95% CI 1.11, 1.22)). A higher number of traditional CR deficits were predictive of CR completion (OR 1.22 (95% CI 1.16, 1.29)), but non-traditional measures predicted non-completion (OR 0.95 (95% CI 0.92, 0.97)). CONCLUSION: A greater number of non-traditional cardiovascular deficits was associated with non-completion. These data should be used to implement intervention to patients who are most vulnerable to drop out to maximize retention.
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 | 0,002 |
| 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) | 0,000 | 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 ».