Abstracts from the 44th Annual Scientific Meeting of the Canadian Geriatrics Society
Notice bibliographique
Résumé
Background/Purpose: Frailty in older adults can increase the risk of adverse health outcomes after surgery.This retrospective study investigated how the change in frailty scores following hip fracture relates to health outcomes. Method:The Pictorial Fit-Frail Scale (PFFS) scores were determined retrospectively by review of hospital electronic health records (EHRs) pre-admission and five days post-surgery on a random sample of 181 hip fracture patients 65 years and older.The change in PFFS scores were categorized as: no change (0 to <4), mild (4 to <8), moderate (8 to <12), and severe change (12 or greater).Associations between frailty change categories and length of stay (LOS), mortality, discharge location, and alternate level of care (ALC) days in acute care were analyzed using partial correlations. Results:The average age was 83.1 years (SD 8.2) and 74.0%female.The mean PFFS scores were 10.9 (SD 7.4) prior to admission and 19.2 (SD 5.5) five days post-surgery.Almost a quarter (23.2%) had a severe change in PFFS score and 39.2% had a mild or no change.There was a statistically significant positive correlation between the magnitude of change of the PFFS score and the LOS (r=0.21),ALC days (r=0.23),mortality (r=0.22), and not returning home (r=0.46)when controlling for age and PFFS pre-admission.Discussion: Health data collected in hospital EHRs can be used to determine frailty levels pre-admission and post-surgery.The change in frailty, measured by the PFFS, correlates with health outcomes.Patients with severe changes in frailty post-surgery have worse health outcomes.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 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 ».