Less habitual knee-bent sitting and more lying time are associated with worse frailty, mobility and balance in long-term care residents
Notice bibliographique
Résumé
The impact of habitual postures on frailty, and balance, mobility, and transfer ability, particularly among people in long-term care. We sought to characterize the time spent in detailed postures and the relationships they have with frailty and Hierarchical Assessment of Balance and Mobility (HABAM) among older adults living in long-term care. Forty-four moderate-to-severely frail long-term care residents were recruited (36 females; age: 83 ± 10 years; body mass index: 31.8 ± 7.6 kg/m 2 ). Participants wore an activPAL on their torso, thigh, and shin for 3.6 ± 0.5 days. Frailty was determined via a 65-item index and Clinical Frailty Scale (CFS). Functional abilities were measured using the HABAM. Linear regressions, adjusted for age and body mass index, demonstrated that higher frequency of sit-to-stand transitions (18 ± 23 transitions/day), standing time (52 ± 87 min/day) and step counts (442 ± 945 steps/day) were associated with lower frailty (frailty index: 0.438 ± 0.115) and higher HABAM scores (23.2 ± 16.3/67.0; all, p ≤ 0.034). Knee-bent sitting (142 ± 228 min/day) was associated with higher HABAM and lower frailty index scores (both, p ≤ 0.002). More non-upright time (1337 ± 133 min/day) and lying time (1138 ± 372 min/day) were associated with worse frailty index and HABAM scores (all, p ≤ 0.021). There were no associations between straight-legged sitting (56 ± 227 min/day) with frailty index or HABAM scores (both, p ≥ 0.219). Overall, participant posture was mostly characterized by a horizontal thigh (sitting or lying), with ~1 h/day upright. Intervention models promoting upright time, sit-to-stand transitions, and knee-bent sitting rather than lying are warranted for frailty and HABAM management.
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) | 0,001 | 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 ».