Self-management difficulties in Swedish older adults and associations with sociodemographic factors, number of conditions, depression and health status
Notice bibliographique
Résumé
Objective This study describes patterns of self-management ease and difficulty among older adults with long-term health conditions and the associations with gender, level of education, number of conditions, depression and/or health status.Materials and methods Cross-sectional data were collected between 2021–2022 in a municipality in northern Sweden. The survey included demographic and health-related questions. To assess self-management ease or difficulty and symptoms of depression, the Patient Reported Inventory of Self-Management of Chronic Conditions (PRISM-CC) and the Geriatric Depression Scale were used. 516 older adults between 72–73 years of age with long-term health conditions were included. Descriptive statistics and logistic regression were used to describe patterns of self-management ease and difficulty and to examine which factors were associated with self-management difficulty.Results Most older adults did not experience self-management difficulty. There were, however, differences between the seven PRISM-CC domains. The Internal domain (managing negative emotions and stress) had the highest percentage (25.39%) of older adults with self-management difficulty. In all domains, there was also a subgroup of individuals (n = 26) that had noticeably lower PRISM-CC scores (more difficulty). A strong association between having depressive symptoms or having poor health status and self-management difficulty was found.Conclusion This study highlights the need for regular mental health screenings and individualized self-management support for older adults. Future research should explore intervention strategies that integrate mental health support into self-management programs for individuals with long-term health conditions.
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 ».