Additive and interactive effects of social, financial and environmental factors on gait speed among community dwelling older adults in Nigeria: A cross-sectional study
Notice bibliographique
Résumé
Gait speed is considered the sixth vital sign in geriatric care, due to its predictive role in health and social outcomes. Although various factors influence gait speed, environmental and social factors are frequently overlooked, particularly in developed regions with distinct cultural perspectives. The study examines how these environmental, financial and social factors additively or interactively influence gait speed of community dwelling older adults in Nigeria. We employed a cross-sectional study design included 408 community-dwelling older adults (mean [S.D] = 68.0(6.6) years) from a city in Nigeria. We administer validated measures to assess nine neighborhood environmental factors, five social factors and self-reported income. Gait Speed was assessed using the 10-metre walk test and categorized < 0.8m/s (slow speed) and ≥0.8m/s (normal). Logistic regression analysis was used to determine the predictors of gait speed in this dichotomized form. Slow gait speed prevalence was 72.4%. The additive model revealed that age (OR = 0.798, p < 0.001), social network (OR = 1.079, p < 0.01), and neighborhood surroundings (OR = 1.117, p < 0.01) were significant predictors of high gait speed. In the interaction model, age, social network, and neighborhood surroundings remained significant predictors and education level became significant: secondary education (OR = 3.986, p = 0.047) and tertiary education (OR = 4.580, p = 0.038) associated with higher odds of high gait speed. Findings suggest that enhancing social networks and improving neighborhood environments may be crucial in promoting better mobility outcomes, particularly among diverse older adults.
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 | 0,001 |
| 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 ».