The Role of Social and Demographic Factors in Shaping Frailty in Europe
Notice bibliographique
Résumé
Abstract Background Using data from the Survey of Health, Ageing, and Retirement in Europe (SHARE), this study aims to examine the prevalence and progression of frailty among older adults across Europe, explore regional disparities, and identify key sociodemographic and social factors, such as loneliness, social engagement, and family support, associated with frailty status. Methods A cross-sectional analysis of SHARE data from Waves 6 and 8 (release 9.0.0) was conducted, including non-institutionalised individuals aged 50 or older at both time points, across 17 European countries. Frailty was operationalised using variables defined by Santos-Eggimann (muscle weakness, exhaustion, unintentional weight loss, slowness, and low physical activity). One point was assigned for each criterion met, and participants were categorised as: Non-frail (0 points), Pre-frail (1-2 points), Frail (3-5 points). Adjusted Multilevel Multinomial Logistic regression models were then estimated for the frail and pre-frail groups, using the non-frail group as the reference category, to identify the explanatory factors that underlie individual and country-level effects, focusing on welfare characteristics as a country-level predictor of frailty. Results Significant differences in frailty prevalence were observed across countries. Multilevel multinomial logistic regression indicated that approximately 20% of the variability in frailty prevalence could be attributed to differences at the national level. Frailty and pre-frailty were more common among older adults, women, and individuals with lower educational attainment. Perceived loneliness and limited participation in social activities emerged as the most significant social variables associated with frailty. Notably, the poverty index accounted for about 8% of this between-country variability. Conclusion Our findings reveal substantial variability in frailty prevalence across European countries, where significantly higher rates of frailty and pre-frailty are observed in Southern Europe. These geographic disparities suggest that psychosocial and cultural factors, along with the structure and strength of national welfare characteristics, may play a critical role in influencing frailty 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 | 0,000 | 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 | 0,000 |
| 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 ».