Risks and protective factors for cognitive maintenance in men and women: A secondary analysis of the longitudinal SHARE data
Notice bibliographique
Résumé
OBJECTIVE: Maintaining good or excellent cognition is important for the autonomy and quality of life of older adults. Cognitive maintenance in later life results from the combined influence of protective and risk factors, yet broader structural contexts - such as gender, socioeconomic status (SES) and welfare regimes - may also play a crucial role. However, no study has comprehensively assessed how individual and structural factors interact to influence cognitive maintenance in older adults. This study evaluates the relative contributions of sociodemographic factors, dementia risks and protective factors, SES and welfare type to cognitive maintenance in older men and women over a four-year follow-up. STUDY DESIGN: We conducted a secondary analysis of the longitudinal data from waves 5 and 7 (2013-2017) of the Survey on Health, Aging, and Retirement in Europe (SHARE). METHODS: Cognitive maintenance was operationalized as stable good delayed recall performance over four years. A series of multilevel logistic regression models was constructed, with a country of residence included as a random effect. Analyses were stratified by gender and welfare regime to examine contextual differences. RESULTS: Age and SES emerged as the strongest predictors of cognitive maintenance in both genders, with a steeper SES gradient among women. The country of residence was the next most important predictor, while individual risk and protective factors contributed relatively less to the probability of cognitive maintenance. Stratification by welfare type revealed differences in cognitive maintenance prevalence, particularly in corporative and socio-democratic welfare regimes. CONCLUSION: Population-level interventions aimed at reducing social inequalities, promoting inclusion and addressing gender disparities should be central to cognitive health promotion strategies. Further research is needed to identify the active components of different welfare models that support cognitive maintenance, particularly in so-called corporative and socio-democratic countries.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».