PRESERVING THE DISCRETENESS OF DEFICITS LEADS TO LOWER FRAILTY INDEX IN INDIVIDUALS LIVING IN LONG-TERM CARE
Notice bibliographique
Résumé
Abstract The frailty index (FI), based on the deficit accumulation model, has potential to advance healthcare, but conventional coding of raw scores introduces noise. This study assesses the impact of the two different coding approaches on the FI. Two FI were calculated using 43 variables from 29,758 older (> 65 years old) Canadians adults (84.6 ± 8 years old; 64% female) living in long-term care. Scores were coded as 0, 0.5, or 1 regardless of the number of levels (grouped), or preserved (e.g., a 4 level variable was coded as 0, 0.33, 0.67, or 1; discrete). FI was correlated to age. Each ordinal variable was removed from the FI to further test the impact of the two coding approaches. The median FI for the grouped approach (0.302 (0.221 – 0.372)) was higher relative to the discrete approach (0.237 (0.170 - 0.307)). The discrete (r = .91) and grouped (r = .93) FI showed similar relationships to age. Removal of any ordinal variable reduced the grouped FI it by 0.004 or 0.016, whereas removal lead to both increases (range: 0.003 - 0.001) and reductions (range: 0.002 - 0.008) for the discrete FI. Using a grouped coding approach when quantifying frailty status artificially inflates FI among a large sample of older Canadians adults living in long-term care. The study underscores the importance of future FI research to adopt a discrete coding approach that accurately reflects the true level of impairment, for reducing noise in statistical models and better clinical utility.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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 ».