INTRODUCING EFRAILTY: SIMPLIFYING SELECTION OF FRAILTY ASSESSMENT TOOLS
Notice bibliographique
Résumé
Abstract Health care providers recognize the importance of frailty assessment for older adults, but they may be unfamiliar with which frailty assessment tool to use. We sought to create an accessible website to assist clinicians in choosing an effective, evidence-based frailty screening tool. We selected commonly used frailty tools based on the literature and worked with a web designer to develop the eFrailty website prototype. A short description of each tool’s key features and estimated time for assessment is included for each frailty tool. An algorithm based on differences in patient characteristics, clinical scenarios, available information, and time for assessment was created to guide users. Modeled after the highly popular ePrognosis website, eFrailty is designed to guide clinicians to select the ideal frailty tool for their clinical context. The site prompts clinicians to choose between patients considering stressful treatment (e.g., major surgery), or patients with or without serious illness. Depending on available information, clinicians choose between ‘Self reports/records only,’ or ‘Performance tests available’ including cognitive screens or physical performance testing. Alternatively, Clinicians may use the eFrailty comparison table which builds on the work of several systematic reviews of frailty identification tools to easily select the best instrument for their patient. A recent addition to the site is a crosswalk to compare scores between different frailty assessment tools. Future directions for eFrailty include beta testing to gather clinician input from point of care use.
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 | 0,043 | 0,158 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,006 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,013 |
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 ».