MétaCan
Menu
Retour à la cohorte
Enregistrement W4410454326 · doi:10.1080/02703181.2025.2505842

Accuracy of Body Fat Cutoff Points in Predicting Fall Risk Among Older Women

2025· article· en· W4410454326 sur OpenAlexaff
Renata Perucelo Romero, Fernando Tadaaki Yabushita, Denilson Castro Teixeira, Nuno de Noronha da Costa Bispo, Rubens Alexandre da Silva, Márcio Rogério de Oliveira

Notice bibliographique

RevuePhysical & Occupational Therapy In Geriatrics · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueBody Composition Measurement Techniques
Établissements canadiensUniversité du Québec à Chicoutimi
Organismes subventionnairesnon disponible
Mots-clésCutoffMedicineGerontologyDemographyPhysical medicine and rehabilitationPhysicsSociology

Résumé

récupéré en direct d'OpenAlex

Introduction Physiological changes occur with aging, including a reduction in body weight and lean mass, along with an increase in body fat. Overweight and/or obese older adults have an increased risk of falls.Aim To identify the cutoff points for fall risk in older women based on body fat mass and fat percentage.Method This cross-sectional study included 182 older women (age: 70 ± 6 for the non-fallers group and 68 ± 6 for the fallers group). Body weight and height were measured, and body composition analysis was performed using bioelectrical impedance analysis. The receiver operating characteristic (ROC) curve was used to determine cutoff values.Results The cutoff point for fat mass was 25 kg, and for fat percentage, it was 35%, with an area under the curve (AUC) of 0.71 and 0.72, respectively.Conclusion The cutoff points of 25 kg for body fat mass and 35% for fat percentage may serve as references for identifying older women at an increased risk of falls.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,716

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,334
Écart entre enseignants0,313 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePhysical & Occupational Therapy In GeriatricsMême sujetBody Composition Measurement TechniquesTravaux en français237 207