Sociodemographic, functional disability and severe illness predict extreme fatigue among older adults in Ghana
Notice bibliographique
Résumé
<title>Abstract</title> Background Extreme fatigue is a disabling but under-recognized condition among older adults. Meanwhile, studies investigating impact of sociodemographic and health-related factors on extreme fatigue among older adults in Ghana are limited. This study, therefore, examined the prevalence and predictors of extreme fatigue among older adults in Ghana. Methods We analyzed cross-sectional data among community-dwelling older adults aged 50+ (N = 4,838) extracted from the 2023 Ghana Annual Household Income and Expenditure Survey (AHIES). Descriptive statistics were applied to estimate the prevalence of extreme fatigue. A multivariable model estimated adjusted associations, with significance at p < 0.05. Results Overall, 17.03% of participants reported experiencing extreme fatigue. In the multivariable model, severe illness (aOR = 5.16, 95% CI: 4.21–6.31), functional disability (aOR = 1.31, 95% CI: 1.05–1.63), rural residence (aOR = 1.26, 95% CI: 1.06–1.50), and basic labor occupations (aOR = 1.41, 95% CI: 1.13–1.78) predicted higher likelihood of experiencing extreme fatigue. Also, older adults of Gurma (aOR = 2.94, 95% CI: 2.05–4.19) and other ethnic groups (aOR = 1.73, 95% CI: 1.12–2.65) had higher odds of experiencing extreme fatigue. On the other hand, older adults in Northern (aOR = 0.31, 95% CI: 0.22–0.43) and Southern Ghana (aOR = 0.48, 95% CI: 0.40–0.58) were less likely to report extreme fatigue. Conclusion Chronic illness, functional disability, occupation, and regional disparities emerged as key predictors, underscoring the need for targeted health interventions such as tailored self-management education and Community-based exercise programs.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».