Prediction of fall-risk factors specific to the old-age Indian population
Notice bibliographique
Résumé
Abstract Background/Objectives The health care infrastructure of India, designed to treat acute problems, can benefit from preventive medicine-based policies that address chronic and non-communicable issues of relevance to India’s growing elderly population. Unintentional fall related injuries are one such issue whose economic burden can be streamlined with proper preventative public health policies. It is imperative that fall-risk factors specific to the Indian population be identified and analyzed for use in geriatric falls-risk assessment. We aim to determine factors predictive of falls in the aging Indian population in this study using Wave 1 data from the World Health Organization Study on Global Ageing and Adult Health (WHO SAGE) in India. Methods Cross-sectional analysis of results from WHO SAGE Wave 1 was conducted. Multivariate analysis was used to determine risk factors of falls specific to the Indian population in adults over the age of 50. Prediction models were created and evaluated using these risk factors and their performances were evaluated. SAGE Wave 1 India was implemented in six states that together provided nationally representative samples. Multistage stratified sampling was used to select these states and systematic sampling was used to select households from villages and urban districts within these states. Data from all individuals over the age of 50 in selected households was compiled for analysis. Findings 34 fall risk factors specific to the Indian population were determined. The model that did not weigh the factors was determined as the best model for possible use in clinically assessing old-age adults at risk for falling. Furthermore, 6 risk factors in the Indian census were used to identify falls risks hotspots on a district-level map of India. Conclusion This analysis can be used in public health policy recommendations and can form a basis for assessing and addressing falls-risk issues in India.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».