Sociodemographic, functional disability and severe illness predict extreme fatigue among older adults in Ghana
Notice bibliographique
Résumé
Abstract Background Extreme fatigue is a disabling but under-recognized condition among older adults. However, 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). Participants had a mean age of 59.9 ± 8.3 years (maximum age = 99 years), and the sample comprised 2,159 (44.63%) males and 2,679 (55.37%) females. Extreme fatigue was self-reported and recorded dichotomously (yes/no). 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, highlighting the need for geriatric care to extend beyond clinical treatment to include simple, community-level approaches that support daily functioning and healthy ageing, aligned with SDG 3.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| 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) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».