Frailty prevalence and efficient screening in primary care-based memory clinics
Notice bibliographique
Résumé
BACKGROUND: Little is known about the prevalence of frailty among patients with memory concerns attending a primary care-based memory clinic. OBJECTIVE: This study aims to describe the prevalence of frailty among patients attending a primary care-based memory clinic and to determine if prevalence rates differ based on the screening tool that is used. METHODS: We conducted a retrospective medical record review for all consecutive patients assessed in a primary care-based memory clinic over 8 months. Frailty was measured in 258 patients using the Fried frailty criteria, which relies on physical measures, and the Clinical Frailty Scale (CFS), which relies on functional status. Weighted kappa statistics were calculated to compare the Fried frailty and the CFS. RESULTS: The prevalence of frailty was 16% by Fried criteria and 48% by the CFS. Agreement between Fried frailty and CFS was fair for CFS 5+ (kappa = 0.22; 95% confidence interval: 0.13, 0.32) and moderate for CFS 6+ (kappa = 0.47; 0.34, 0.61). Dual-trait measures of hand grip strength with gait speed were found to be a valid proxy for Fried frailty phenotype. CONCLUSIONS: Among primary care patients with memory concerns, frailty prevalence rates differed based on the measure used. Screening for frailty in this population using measures relying on physical performance may be a more efficient approach for persons already at risk of further health instability from cognitive impairment. Our findings demonstrate how measure selection should be based on the objectives and context in which frailty screening occurs.
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 | 0,003 |
| 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 | 0,001 |
| 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 ».