Notice bibliographique
Résumé
<div> Introduction The global population is projected to double by 2050 with most older adults expressing preference to age in place. Despite this demographic shift, indoor mobility challenges which directly impact independence, safety and quality of life remains poorly understudied, creating a critical knowledge gap for effective intervention development. Methods A systematic literature search was conducted on four databases from inception to September 2024. Inclusion criteria included: (1) participants aged 60 years and above; (2) were primary data on self-reported indoor mobility challenges; and (3) published in English language. Two reviewers independently performed data abstraction, evaluated the risk-of-bias and quality of included article using the NewCastle Ottawa Scale for cross-sectional or Joanna Briggs Institute Checklist for qualitative studies. Thematic synthesis with constant comparison analysis identified key mobility constraint factors. Results Nine studies encompassing 1,833 participants were identified. Older adults reported four main indoor mobility challenges: fatigability, poor balance, home environmental barriers, reduced strength and limb weakness. These limitations contributed to reduced endurance, even in indoor settings. The presence of various health conditions further compromised their mobility and ability to age in place healthily. Conclusion To support ageing in place, a comprehensive environmental assessments and home modifications can be considered. Multi-stakeholder collaborations are needed to support the independence, safety, and quality of life of older adults who wish to age in place. Further research is warranted in suburban and rural areas to explore socioeconomic factors and determinants of indoor mobility. </div>
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 | 0,011 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,709 | 0,031 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».