2795 Using the dynamics of the frailty index to assess population health across different countries
Notice bibliographique
Résumé
Abstract Background Worldwide population ageing is motivating how to measure the health of ageing populations. One approach is to compare dynamics of frailty, assessed by the cumulative-deficit frailty index, across different populations. We aim to compare the frailty distribution, mortality risk, and change in frailty over time between 18 countries. Methods Using data from five harmonised international surveys (HRS, SHARE, ELSA, CHARLS and MHAS) we assessed frailty with a 40-item frailty index (baseline, 2-, 4- and 6-year follow-up), along with mortality status. We constructed separate regression models for participants with the fewest baseline health deficits (‘zero-state’—assessing ambient health of the population) and the rest of the population (‘non-zero-state’). Using logistic and negative binomial, respectively, we assessed the odds of mortality and the rate of deficit accumulation (i.e. change in frailty index) between countries, adjusted for baseline frailty, age, and sex. Results Highest baseline frailty, mortality risk, and the most rapid increases in frailty were observed in Mexico, followed by China. Differences in mortality risk and deficit accumulation were similar regardless of baseline frailty. Lowest mortality risk and the slowest rates of deficit accumulation were observed in Scandinavian countries and in Switzerland. Differences between Central/Southern European countries, USA and UK varied when comparing zero-state with non- zero-state models. For example, mortality rates and deficit accumulation were relatively lower among the healthiest subset of the USA (and to a lesser extent UK) population. However, when modelling those with some degree of baseline frailty, mortality and deficit accumulation in the USA were relatively higher compared to European countries. Conclusion Dynamics of the frailty index can provide insights into population-level differences in health across different settings. For some, but not all, countries, findings are sensitive to the degree of frailty present at baseline, which may reflect inequalities in healthcare provision or access.
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 ».