Impact of the medical fitness model on long term health outcomes in older adults
Notice bibliographique
Résumé
BACKGROUND: Physical inactivity is common among older adults and is associated with poor health outcomes. Medical fitness facilities provide a medically focused approach to physical fitness and can improve physical activity in their communities. This study aimed to assess the relationship between membership in the medical fitness model and all-cause mortality, health care utilization, and major adverse cardiac events in older adults. METHODS: A propensity weighted retrospective cohort study linked individuals that attended medical fitness facilities to provincial health administrative databases. Older adults who had at least 1 year of health coverage from their index date between January 1st, 2005 to December 31st 2015 were included. Controls were assigned a pseudo-index date at random based on the frequency distribution of index dates in members. Members were stratified into low frequency attenders (< 1 Weekly Visits) and regular frequency attenders (> 1 Weekly Visits). Time to event models estimated the hazard ratios (HRs) for risk of all-cause mortality and major adverse cardiac event. Negative binomial models estimated the risk ratios (RRs) for risk of hospitalizations, outpatient primary care visits and emergency department visits. RESULTS: Among 3,029 older adult members and 91,734 controls, members had a 45% lower risk of all-cause mortality (HR: 0.55, 95% CI: 0.50 - 0.61), 20% lower risk of hospitalizations (RR: 0.80, 95% CI: 0.75 - 0.84), and a 27% (HR: 0.72, 95% CI: 0.66 - 0.77), lower risk of a major adverse cardiovascular event. A dose-response effect with larger risk reductions was associated with more frequent attendance as regular frequency attenders were 4% more likely to visit a general practitioner for a routine healthcare visit (RR: 1.04, 95% CI: 1.01 - 1.07), but 23% less likely to visit the emergency department (RR: 0.87, 95% CI: 0.82 - 0.92). CONCLUSIONS: Membership at a medical fitness facility was associated with a decreased risk of mortality, health care utilization and cardiovascular events. The medical fitness model may be an alternative approach for public health strategies to promote positive health behaviors in older adult populations.
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) | 0,000 | 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 ».