Frailty Markers Predicting Emergency Department Visits in a Community-Dwelling Sample of Vulnerable Seniors in Montreal
Bibliographic record
Abstract
RÉSUMÉ La fragilité met les individus à un risque accru de mauvaise santé. Les personnes âgées consomment une quantité disproportionnée des ressources du service des urgence [SU]. Afin d’étudier la relation entre les marqueurs de fragilité et l’effet sur l’utilisation des services des urgence par les personnes âgées vivant dans les communautés, nous avons mené une analyse secondaire d’un essai prospectif randomisé contrôlé de 22 mois à Montreal, au Canada, en utilisant la base de données du Système de services intégrés pour personnes âgées en perte d’autonomie (SIPA). Nous avons evalué un échantillon de 565 individus, avec cinq marqueurs de fragilité : l’activité physique, la force, la cognition, l’énérgie et la mobilité. Une régression logistique univariée et multivariée a été réalisée afin d’évaluer la relation potentielle entre les marqueurs de fragilité et les visites aux urgences. Les résultats ont révelé que 70 pour cent des participants avaient au moins trois marqueurs de fragilité. Cependant, aucune relation n’a été trouvée entre les marqueurs de fragilité et les visites aux urgences. Ces résultats suggèrent, donc, que parmi les personnes âgées fonctionellement sévèrement handicapés au sein des communautés, la présence de marqueurs de fragilité ne semble pas prévoir les visites aux urgences.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".