Language and pain predict persistent depression among seriously ill home care clients
Notice bibliographique
Résumé
Abstract Objectives This study examined potential predictors of persistent depressive symptoms in a cohort of seriously ill older adults (aged 65+ years) receiving home care services. Methods This was a retrospective cohort study using secondary data collected from the Resident Assessment Instrument for Home Care for all assessments completed between 2001 and 2020. The cohort included seriously ill individuals with depressive symptoms at baseline and who continued to have depressive symptoms on reassessment within 12 months ( n = 8,304). Serious illness was defined as having severe health instability, a prognosis of less than 6 months, or a goal of care related to palliative care (PC) on admission to the home care program. Results The mean age of the sample was 80.8 years (standard deviation [SD] = 7.7), 61.1% were female, and 82.1% spoke English as their primary language. The average length of time between assessments was 4.9 months (SD = 3.3). During that time, 64% of clients had persistent symptoms of depression. A multivariate logistic regression model found that language, pain, caregiver burden, and cognitive impairment were the most significant predictors of experiencing persistent depressive symptoms. Significance of results Persistent depressive symptoms are highly prevalent in this population and, left untreated, could contribute to the person experiencing a “bad death.” Some of the risk factors for this outcome are amenable to change, making it important to continually assess and flag these factors so interventions can be implemented to optimize the person’s quality of life for as long as possible.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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 ».