Exploring frailty in Brazil: an analysis of the ELSI-Brazil survey
Notice bibliographique
Résumé
The Brazilian aging population will challenge publicly funded health services, on which most Brazilians rely. The country must prepare for aging-associated health challenges such as frailty. We used data from the Brazilian Longitudinal Study of Aging (ELSI-Brazil) to generate a standardized Frailty Index (FI), assess frailty levels among this population, and supply reliable and nationwide information. In total, 9,901 adults aged 50 years or older were studied in the second wave of ELSI-Brazil. A 53-item FI was created according to a standardized protocol. Logistic regression was used to determine the association between frailty levels and disability/health status, whereas the relationship between frailty level, disabilities, and healthcare use was analyzed by a negative binomial regression. Frailty was high, with a 0.19 weighted mean FI score and 0.19 median. Frailty distribution was right-skewed, with higher levels in women and increased exponentially with age. Widow(er)s, black and mixed-race individuals, and those living in rural areas had higher levels of frailty. Regression models showed that higher frailty was associated with poorer self-assessment of health, higher disability, and greater use of healthcare services. This study shows a high prevalence of frailty in Brazilian middle-aged and older adults and its association with disability, health status, and healthcare service use. These relevant findings can inform healthcare policies and design services prioritizing this population's health, particularly for those using public healthcare.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».