Using minimal clinically important differences to measure long-term transitions of osteosarcopenia: The New Mexico Aging Process Study
Notice bibliographique
Résumé
BACKGROUND/OBJECTIVE: By having a better understanding of transitions in osteosarcopenia, interventions to reduce morbidity and mortality can be better targeted. The aim of this study was to show the rationale and method of using minimal clinically important differences (MCID's) to classify transitions, and the effects of demographic variables on transitions in a 9-year follow-up data from the New Mexico Aging Process Study (NMAPS). METHODS: Transitions were identified in four aspects of osteosarcopenia: bone mineral density (BMD), appendicular skeletal muscle mass/body mass index ratio (ASM/BMI), grip strength and gait speed. Transitions were identified using a MCID score. As there is currently no available MCID for BMD and ASM/BMI, those were determined using a distribution-based and an anchor-based method. Total transitions were calculated for all four measures of osteosarcopenia in all transition categories (maintaining a health status, beneficial transition, harmful transitions). Poisson regression was used to test for effects of demographic variables, including age, sex, physical activity, medication, and health status, on transitions. RESULTS: Over the 9-year follow-up, a total of 2163 MCID-derived BMD transitions were reported, 1689 ASM/BMI transitions, 2339 grip strength transitions, and 2151 gait speed transitions. Additionally, some MCID-derived transition categories were associated with sex, age, and health status. CONCLUSION: Use of MCID-derived transitions reflected the fluctuation and the dynamic nature of health in older adults. Future research should focus on transitions of modifiable markers in osteosarcopenia to design intervention trials.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».