How to construct a frailty index from an existing dataset in 10 steps
Notice bibliographique
Résumé
BACKGROUND: The frailty index is commonly used in research and clinical practice to quantify health. Using a health deficit accumulation model, a frailty index can be calculated retrospectively from data collected via survey, interview, performance test, laboratory report, clinical or administrative medical record, or any combination of these. Here, we offer a detailed 10-step approach to frailty index creation, with a worked example. METHODS: We identified 10 steps to guide the creation of a valid and reliable frailty index. We then used data from waves 5 to 12 of the Health and Retirement Study (HRS) to illustrate the steps. RESULTS: The 10 steps are as follows: (1) select every variable that measures a health problem; (2) exclude variables with more than 5% missing values; (3) recode the responses to 0 (no deficit) through 1 (deficit); (4) exclude variables when coded deficits are too rare (< 1%) or too common (> 80%); (5) screen the variables for association with age; (6) screen the variables for correlation with each other; (7) count the variables retained; (8) calculate the frailty index scores; (9) test the characteristics of the frailty index; (10) use the frailty index in analyses. In our worked example, we created a 61-item frailty index following these 10 steps. CONCLUSIONS: This 10-step procedure can be used as a template to create one continuous health variable. The resulting high-information variable is suitable for use as an exposure, predictor or control variable, or an outcome measure of overall health and ageing.
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 | 0,000 |
| 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 ».