Quality of Life in Elderlies: A Cross-sectional and Field-based Study in Iran
Notice bibliographique
Résumé
Background: Quality of life (QOL) in the elderly has not been investigated as much as their life expectancy. Objectives: The present study aimed to evaluate the elders’ QOL. Methods: In this study, 386 elders were selected using the multistage cluster random sampling method. The Leiden-Padua (LIEPAD) questionnaire, consisting of the core components (CCQOL) and moderators (MQOL) of QOL, was used and analyzed with SPSS software. Results: The interviewees’ mean age was 68.12 ± 6.24 years. The QOL score was 83.67 ± 13.75 (out of 127), consisting of 27 (6.9%) elders with low, 316 (81.8%) elders with moderate, and 43 (11%) elders with high levels of QOL. The CCQOL and MQOL scores were 70.68 ± 9.42 (out of 93), and 20.94 ± 2.30 (out of 34), respectively. According to the multivariate analysis, sleep disorders (B = -0.15), osteoporosis (B = -0.14), female gender (B = -0.13), and not being the source of family income (B = -0.13) were inversely correlated with QOL. In contrast, sleep disorders, facing violence, female gender, migraine, psychological diseases, and not being the source of family income were inversely correlated with CCQOL. Sexual problems, facing violence, no supplementary insurance coverage, inability to walk, and migraine had inverse correlations with MQOL. Conclusions: Seven out of ten elders had a moderate level of QOL, while elderly females and elders with chronic diseases or those who were not the source of family income had lower levels of QOL. Accordingly, the elders’ QOL can be improved by integrating the elders’ care programs in the health centers.
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 | 0,005 | 0,003 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».