Moving towards the detection of frailty with biomarkers: A population health study
Notice bibliographique
Résumé
Aging adults experience increased health vulnerability and compromised abilities to cope with stressors, which are the clinical manifestations of frailty. Frailty is complex, and efforts to identify biomarkers to detect frailty and pre-frailty in the clinical setting are rarely reproduced across cohorts. We developed a predictive model incorporating biological and clinical frailty measures to identify robust biomarkers across data sets. Data were from two large cohorts of older adults: "Invecchiare in Chianti (Aging in Chianti, InCHIANTI Study") (n = 1453) from two small towns in Tuscany, Italy, and replicated in the Atherosclerosis Risk in Communities Study (ARIC) (n = 6508) from four U.S. communities. A complex systems approach to biomarker selection with a tree-boosting machine learning (ML) technique for supervised learning analysis was used to examine biomarker population differences across both datasets. Our approach compared predictors with robust, pre-frail, and frail participants and examined the ability to detect frailty status by race. Unique biomarker features identified in the InCHIANTI study allowed us to predict frailty with a model accuracy of 0.72 (95% confidence interval (CI) 0.66-0.80). Replication models in ARIC maintained a model accuracy of 0.64 (95% CI 0.66-0.72). Frail and pre-frail Black participant models maintained a lower model accuracy. The predictive panel of biomarkers identified in this study may improve the ability to detect frailty as a complex aging syndrome in the clinical setting. We propose several concrete next steps to keep research moving toward detecting frailty with biomarker-based detection methods.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».