Frailty and mortality: Utility of Frail-VIG index in ED short-stay units for older adults
Notice bibliographique
Résumé
BACKGROUND: Frailty assessment allows the identification of patients at risk of death. The aim here was to study the ability of Frail-VIG Index (FI-VIG) in order to discriminate frailty groups of older adults and garner its correlation with mortality in an Emergency-Department Short-Stay Unit (ED-SSU). METHODS: Our observational, single-center, prospective study consecutively included patients over 65-years-old admitted between March 1, 2021, and April 30, 2021. RESULTS: 302 patients were included (56 % women), mean age 83 ± 8 years, and 39.1 % of them had a functional disability whilst 16.5 % of them had dementia. A total of 174 patients (58 %) met the frailty criteria (FI-VIG ≥ 0.2): 111 (63.8 %) had mild frailty (FI-VIG 0.2-0.36), 52 (29.9 %) had moderate frailty (FI-VIG 0.36-0.55), and 11 (6.3 %) had advanced frailty (FI-VIG > 0.55). Mortality at 30 days, 6 months, and 1 year was analyzed: no frailty was 6.3 %, 10.8 %, and 12.5 %, respectively; mild frailty was 10.8 %, 22.5 %, and 22.5 %, respectively; moderate frailty was 25 %, 34.6 %, and 42.3 %, respectively; advanced frailty was 36.4 %, 54.5 %, and 3.6 %, respectively. This shows the significant differences between the groups (1-year mortality p < 0.001). Mild frailty vs. non-frail HR was 2.47 (95 %CI 1.12-5.46), moderate frailty vs. non-frail HR was 6.93 (95 %CI 3.16-15.23), and advanced frailty vs. non-frail HR was 11.29 (95 %CI 3.54-36.03). The mean test time was 7 min. CONCLUSIONS: There was a strong correlation between frailty degree and mortality at 1, 6, and 12 months. FI-VIG is fast and easy-to-use in this setting. It is routine implementation in ED-SSUs could enable early risk stratification.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».