Prevalence and Factors Related to Urinary Incontinence in the Elderly: A Systematic Review
Notice bibliographique
Résumé
Urinary incontinence (UI) is a prevalent condition among the elderly, affecting approximately 30%-50% of individuals over 65 years old. Understanding the prevalence of UI and its associated risk factors is crucial for improving management and treatment strategies. This systematic review aims to synthesize existing literature on the prevalence of UI and identify significant risk factors influencing its occurrence in diverse populations. A comprehensive literature search was conducted across multiple databases, including PubMed, Scopus, the Cochrane Library, and Web of Science, for studies published after 2014. Studies were included if they reported the prevalence of UI and associated risk factors in elderly populations. Data extraction focused on overall prevalence rates, demographic information, and specific risk factors along with their respective odds ratios or risk ratios, or prevalence ratios, confidence intervals, and p-values. The methodological quality of the included studies was assessed using the Newcastle-Ottawa Scale tool. A total of 12 studies met the inclusion criteria, revealing a wide prevalence range of UI from 14.2% to 82.9%. Gender-specific prevalence shows that among men, rates can be as low as 20% (monthly UI) and as high as 35.96%, while women exhibit prevalence rates from 15% to 66.1%. Significant risk factors identified include female sex, increased body mass index, history of cancer, diabetes, cognitive impairment, and mobility limitations. The odds ratios for these factors varied, indicating a robust association with the occurrence of UI across different populations. The findings of this systematic review underscore the high prevalence of UI incontinence and its multifactorial nature, emphasizing the need for targeted screening and intervention strategies. Increased awareness among healthcare professionals about the significant risk factors associated with UI can facilitate early identification and improve patient outcomes, ultimately enhancing the quality of life for those affected.
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 | 0,007 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,009 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».