Notice bibliographique
Résumé
目的 1）采用可视化技术分析目前社区老年衰弱相关研究的现状，探索社区老年衰弱发病的影响因素；2）系统评价运动对社区老年衰弱发病风险的影响，了解运动与社区老年衰弱患病风险的相关性；3）基于日本老年学评估研究（JAGES ATTACH 2014）的横断面研究数据，分析不同运动强度、运动量和每日步行时间对社区老年衰弱发病风险的影响。方法 1）检索Web of Science数据库，纳入与社区老年人衰弱相关的研究，初步筛选后导入Cite Space 5.3.R3软件进行数据分析，对纳入文献的发表时间、期刊、国家和关键词等进行可视化图谱绘制，总结该领域的研究现状，探索社区老年衰弱发病的影响因素。2）检索PubMed、Cochrane Library、Embase、中国知网、万方和维普数据库，纳入运动预防社区老年人衰弱的队列研究和横断面研究，采用修订的NOS（Newcastle-Ottawa Scale）偏倚风险评估工具对纳入研究进行质量评价后，采用定性系统评价的方法对结果进行整合分析。3）基于2014年日本JAGES ATTACH 2014的横断面数据，应用JMP 13 window版（SAS Institute Inc., Cary, NC, USA）软件进行多因素 Logistic回归分析，预测不同运动强度（高强度：参与者报告剧烈运动；中强度：参与者报告适度运动；中高强度：参与者报告剧烈运动和适度运动；低强度：参与者报告无剧烈运动和适度运动）、不同运动量（低运动量：<600 MET•分钟/周；中运动量：600-3000 MET•分钟/周；高运动量：>3000 MET分钟/周）和每天步行时间（<0.5小时，0.5-1小时， >1小时）对社区老年衰弱患病风险的影响，并计算比值比（Odds Ratio, OR）及其95%可信区间（Confidence Interval, CI）。结果 1）可视化研究：共纳入1503篇研究进行分析，目前与社区老年衰弱相关的研究热点主要集中在3个方面，包括：衰弱高危人群的筛查评估，干预模式和干预效果评价，衰弱发病率、发病风险和相关性分析；而目前研究的前沿则为与减缓或逆转衰弱相关的运动和综合护理的干预及其效果研究。2）系统评价：纳入10篇运动与老年衰弱患病风险的研究。4篇是队列研究，6篇横断面调查。纳入研究大多（90%）集中在欧美地区，在亚洲地区仅有日本开展了相关研究；质量评价结果显示纳入研究质量较好，纳入队列研究和横断面研究结果均提示较低的运动强度、运动量或久坐的生活方式均会增加衰弱的风险。3）横断面研究：共纳入706个参与者，结果显示日本社区老年人衰弱患病率为16.4%；与低强度运动相比，中等运动强度（OR=0.32, 95%CI: 0.35, 0.99）和中高运动强度（OR=0.59, 95%CI: 0.35, 0.98）人群的衰弱患病风险更低；与更低运动量比较，更高运动量可以降低衰弱的患病风险（中运动量：OR=0.31, 95%CI: 0.17, 0.57; 高运动量：OR=0.35, 95%CI: 0.19, 0.66）；比较每天步行<0.5小时，老年人每天步行>0.5小时均可有效降低衰弱患病风险（0.5-1小时：OR=0.35, 95%CI: 0.18, 0.68；>1小时：OR=0.41, 95%CI: 0.22, 0.75）。结论 运动对社区老年衰弱发病影响的研究是目前研究热点和前沿，较高的运动强度和运动量、每日步行0.5小时以上均能有效降低社区老年人衰弱发病的风险。然而，鉴于该领域研究主要集中于欧美地区，本研究横断面调查的数据来源于日本地区，目前亟需生产本土化、适宜中国老年人群的高质量研究证据支持决策，为我国老年人群健康老龄化提供科学证据。
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 | 0,014 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,006 | 0,018 |
| Communication savante | 0,019 | 0,025 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,004 |
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 ».