Manhattan Vision Screening and Follow-up Study (NYC-SIGHT): a nested cross-sectional assessment of falls risk within a cluster randomised trial
Notice bibliographique
Résumé
BACKGROUND: To investigate the feasibility of using the Stopping Elderly Accidents, Deaths and Injuries (STEADI) Falls Risk Tool Kit during community-based eye health screenings to assess falls risk of participants enrolled in the Manhattan Vision Screening and Follow-Up Study (NYC-SIGHT). METHODS: Cross-sectional analysis of data from a 5-year prospective, cluster-randomised clinical trial conducted in affordable housing developments in New York City in adults age 40 years and older. Prescreening questions determined whether participants were at risk of falling. STEADI tests classified participants at low, moderate or high risk of falling. Multivariate logistic regression determined odds of falls risk of all enrolled participants. RESULTS: 708 participants completed the eye health screening; 351 (49.6%) performed STEADI tests; mean age: 71.0 years (SD±11.3); 72.1% female; 53.6% Black, non-Hispanic, 37.6% Hispanic/Latino. Level of falls risk: 32 (9.1%) low, 188 (53.6%) moderate and 131 (37.3%) high. Individuals age >80 (OR 5.921, 95% CI (2.383 to 14.708), p=0.000), had blurry vision (OR 1.978, 95% CI (1.186 to 3.300), p=0.009), high blood pressure (OR 2.131, 95% CI (1.252 to 3.628), p=0.005), arthritis (OR 2.29876, 95% CI (1.362 to 3.875), p=0.002) or foot problems (OR 5.239, 95% CI (2.947 to 9.314), p=0.000) had significantly higher odds of falling, emergency department visits or hospitalisation due to falling. CONCLUSION: This study detected a significant amount of falls risk in an underserved population. The STEADI Falls Risk screening questions were easy for eye care providers to ask, were highly predictive of falls risk and may be adequate for referral to occupational health and/or physical therapy.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».