Prevalence of and risk factors for pre-sarcopenia among healthcare professionals
Notice bibliographique
Résumé
ObjectivesSarcopenia, characterized by a progressive loss of skeletal muscle mass and function, constitutes a health issue that remains largely undiagnosed. Few studies focused on the presence of sarcopenia in healthcare professionals. This study examined the prevalence of and risk factors for sarcopenia among this cohort.MethodsFor this cross-sectional study, we recruited healthcare professionals from the National Cheng Kung University Hospital in Taiwan. Sarcopenia was defined in accordance with the European Working Group on Sarcopenia in Older People (2010) and the Asian Working Group for Sarcopenia (2019) guidelines. Skeletal muscle mass indices were measured via bioelectrical impedance analysis. Muscle strength was evaluated with a hand-grip test and physical performance was assessed based on 6-meter walk gait speed. Hormone levels were examined. Logistic regression was used to determine the prevalence of sarcopenia and its risk factors.ResultsOne hundred participants (41.8 ± 13.3 years, 53% female) were recruited. The overall prevalence of sarcopenia was 22.0% (male/female: 4%/18%), with most cases identified as pre-sarcopenia (19.0%). Logistic regression revealed age, alcohol consumption, calf circumference, protein mass, and serum albumin concentration were associated with sarcopenia.ConclusionsThis is the first study to investigate sarcopenia in healthcare professionals. The findings indicate a high prevalence of pre-sarcopenia associated with higher age, smaller calf circumference, lower protein mass and serum albumin concentration. Light alcohol consumption may have a protective effect. Our results emphasize the importance of paying special attention to the impact of sarcopenia in the healthcare industry and raising awareness of its potential harm.
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 | 0,004 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».