A Prediction Algorithm For Fall Risk Assessment Among Community-Dwelling Elderly People
Notice bibliographique
Résumé
Worldwide, life expectancy has steadily increased over the years.However, the integrity and the functionality of physiological systems reduce over time making older people more vulnerable to adverse events such as falls.Consequences of falls can include physical injuries (hip fractures), psychological issues (fear of falling) and social isolation (need for assistance) increasing the demand for healthcare services (hospitalization, rehabilitation, institutionalization).Despite many studies investigated the most predisposing factors to a fall risk, this study aimed at identifying those factors through a multidimensional health assessment of elderly people crossing over multiple health domains such as nutritional, clinical, psychological, social, and functional.The acquired variables were processed in terms of data cleaning and coding, to make them ready for subsequent statistical evaluation.Correlation and regression analyses were performed to find out the relevance of the variables with respect to the fall event.The most significant variables were accounted for the development of the predictive index.Each predictor was associated with a score according to specific weights so that the sum of the answers to each question of the index gave the final fall risk index.Its validation was assessed over the sample of the study by comparing the index output to that of the multidimensional evaluation and the one of a common fall risk test.Clinicians will benefit from this tool for a fast and easy screening of fall risk among community-dwelling seniors to act promptly on those subjects at increased risk, and preventively on low-risk subjects.This way, it is possible to optimize time, costs, and resources for sustainable and effective management of patient care.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».