Investigating the Prevalence and Predictors of Apathy among the Canadian Long-Term Care Residents: A Secondary Data Analysis
Notice bibliographique
Résumé
BACKGROUND: In long-term care facilities (LTCF), apathy is a prevalent issue, leading to cognitive decline, functional impairment, and increased mortality risk. Despite its significance, apathy often remains underrecognized and undermanaged in these settings. Recognizing and addressing the predictors of apathy is critical for early intervention and improved care outcomes. PURPOSE: This study aims to assess the prevalence of apathy and identify its associated risk factors among newly admitted residents in the Canadian LTCF, using the InterRAI Minimum Data Set (MDS 2.0). METHODS: We conducted a cross-sectional analysis of MDS 2.0 admission assessment data between 2015 and 2019, covering 157,596 residents across six Canadian provinces and one territory. Apathy was measured using the Apathy Index of the MDS 2.0, with the biopsychosocial model guiding the analysis. RESULTS: The prevalence of apathy was 12.5% (19,758 individuals). The most significant predictors include cognitive impairments, specific age groups, hearing impairments, vision impairments, facility size and location. CONCLUSIONS: The findings of this study underscore the need for tailored strategies in LTCF to address apathy, considering individual, institutional, and regional variations. Emphasis on environmental and personal factors is crucial in the management and prevention of apathy in these settings.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,009 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».