Nonmedical problems among older adults visiting the emergency department for low acuity conditions: A prospective multicentre cohort study
Notice bibliographique
Résumé
Background: Data on the predictors of nonmedical problems (NMP) in older adults attending the emergency department (ED) for low acuity conditions is lacking and could help rapid identification of patients with NMP and integration of these needs into care planning. Objectives: To determine the prevalence and predictors of NMP among older adults attending EDs for low acuity conditions. Methods: Prospective cohort study in eight EDs (May-August 2021). We included cognitively intact ≥65 years old adults assigned a low triage acuity (3-5) using the CTAS. A questionnaire focusing on 11 NMP was administered. We used multiple logistic regression to identify predictors of NMP. Results: Among the 1,061 participants included, the mean age was 77.1 ± 7.6, majority were female, and 41.6 % lived alone. At least one NMP was reported by 704 persons. Prevalence of each NMP: outdoor (41.1 %) and indoor (30.2 %) mobility issues, difficult access to dental care (35.1 %), transportation (4.1 %) and medication (5.4 %), loneliness (29.5 %), food insecurity (10.3 %), financial difficulties (9.5 %), unsafe living situation (4.1 %), physical/psychological violence (3.4 %), and abuse/neglect (3.3 %). Predictors of NMP were: age (OR 1.04 for each additional year), living alone (OR 2.20), pre-existing mental health conditions (OR 3.12), heart failure (OR 1.42), recent surgery/admission (OR 1.75), memory decline (OR 2.76), no family physician (OR 1.74) and consulting for a fall/functional decline (OR 2.48). Conclusions: Nonmedical problems are frequent among older adults. We need to implement holistic ED processes that integrate these problems into care planning.
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) | 0,001 | 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 ».