Why Frail Older Adults Fall: Uncovering the Hidden Risk Factors
Notice bibliographique
Résumé
Background: India is expected to see an increase in the proportion of older adults from 8% in 2015 to 19% in 2050 due to the demographic transition. Identification of frailty in the elderly has become important because of its predictive nature of postoperative complications, hospitalization, and death. Frail older adults are likely to experience falls, which is a major public health problem. In this study, we have tried to describe the factors associated with frailty and falls. Materials and Methods: A cross-sectional survey was done of people 60 years and older attending the tertiary care geriatric outpatient department and inpatient department. Screening for frailty was done using Fried’s and Tilburg frailty scores and any one positive was considered frail. Frail individuals who reported having a fall in the past 1 year were studied for multiple factors. Results: On screening 332 older adults, a quarter (79, 23.8%) reported falls in the past 1 year. Females reported more falls with a male-to-female ratio of 1–1.63. Significant association of frail elderly with falls was found with depression ( P = 0.046), abuse ( P = 0.035), reduced gait speed ( P = 0.025), and difficulty in balancing ( P = 0.001). Conclusion: The study suggests screening of frail elderly presenting with falls for depression, abuse, reduced gait speed, and poor balance. Further research is needed to confirm these findings and to explore their role in preventive and curative strategies.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».