Screening for sarcopenia with SARC-F in older patients hospitalized with cardiovascular disease
Notice bibliographique
Résumé
AIMS: SARC-F ≥ 4 points are used for detecting sarcopenia; however, finding a lower SARC-F cut-off value may lead to early detection of sarcopenia. We investigated the SARC-F score with the highest sensitivity and specificity values to identify sarcopenia in older patients with cardiovascular disease (CVD). Motor performances were also examined for each SARC-F score. METHODS AND RESULTS: This retrospective cross-sectional study examined the sensitivity and specificity of every 1-point increase in the SARC-F score to predict sarcopenia. Eligible participants included patients with CVD (≥65 years old) who were admitted for acute CVD treatment and participated in cardiac rehabilitation. Patients completed the SARC-F questionnaire and the sarcopenia assessment. Area under the curves (AUCs) were investigated for the ability to predict sarcopenia. Multivariable linear regression was used to compare the mean value of physical functions (e.g. walking speed, leg strength, and 6 min walking distance) of each SARC-F score. A total of 1066 participants (63.8% male; median age: 76 years) were included. Sarcopenia was present in 401 patients. A SARC-F cut-off ≥2 presented the optimal balance between sensitivity (68.3%) and specificity (55.6%) to detect sarcopenia (AUCs = 0.658; 95% confidence interval: 0.625-0.691). When the patients had low scores (1-3), every 1 point increase in the SARC-F score was associated with lower physical functions such as lower muscle strength and shorter walking distance (all P < 0.001). CONCLUSION: A SARC-F cut-off ≥2 was optimal for screening sarcopenia, and even a low SARC-F score is useful in detecting sarcopenia and low physical function at an early stage in patients with CVD.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».