Longitudinal Evaluation of Falls and Fall Prevention Strategies in Multiple Sclerosis (P1.130)
Notice bibliographique
Résumé
OBJECTIVE: To assess changes in falls and fall prevention strategies in people with multiple sclerosis (MS) over 2 years. BACKGROUND: People with MS fall frequently and use various strategies to manage fall risk. Changes in fall incidence and use of fall prevention strategies over time are not well understood. DESIGN/METHODS: 58 community-dwelling people with MS aged 18-50 with EDSS ≤ 6.0 were followed for 24 months. The number of falls in the previous 12 months, fall prevention strategy use (fall prevention strategy survey (FPSS) responses), and demographics, were reported at baseline, 12 months and 24 months. Changes in the proportion of recurrent fallers (蠅 2 falls in the prior 12 months) and use of fall prevention strategies were assessed. RESULTS: At baseline, subjects’ average age was 40 years old and their average EDSS score was 2.7. 70[percnt] were female and 95[percnt] had relapsing remitting MS. The proportions of recurrent fallers did not change significantly over time (baseline and 12 months: 62[percnt]; 24 months: 57[percnt]; Cochran’s Q test, p=0.53). FPSS scores and the number of fall prevention strategies used did change significantly over time (median scores/number at baseline: 5/5, 12 months: 6 (p=0.04)/6 (p<0.01), 24 months: 7 (p=0.02)/5.5 (p=0.04)). The type and specific strategies used also changed over time. At all time points, turning on lights was the most popular strategy and talking to health care professionals about fall prevention and medications, the most challenging behaviors, were the least used strategies. However, over time, more people avoided high risk activities, monitored and managed their MS symptoms, and asked other people for help, to prevent falls. CONCLUSIONS: Many people with MS fall recurrently. The strategies they use to prevent falls change over time suggesting they may be taking action in response to their fall experiences and thus receptive to fall prevention interventions.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».