What Are the Circumstances of Falls and Fractures in Long-Term Care?
Bibliographic record
Abstract
RÉSUMÉ Cette étude prospective d’observation rend compte des circonstances qui ont conduit à des chutes des résidents dans des établissements de soins de longue durée (SLD) et les caractéristiques des résidents qui ont subi des fractures suite à une chute. Le personnel a enregistré l’emplacement de la chute, le moment de la journée, l’activité dans laquelle un participant a été engagé avant l’incident et si une blessure a été soutenue. Les statistiques descriptives ont été utilisées pour décrire les chutes, et un modèle linéaire généralisé a été utilisé pour déterminer les différences entre les circonstances. Parmi les 101 résidents SLD qui ont participé, 41 pour cent ont eu au moins une chute. Les résidents étaient beaucoup plus susceptibles d’être tombés dans la chambre et tout en marchant. Parmi les 17 chutes entraînant des fractures, la plupart se sont produites dans la chambre à coucher et la salle de bains, tôt le matin; la plupart des résidents qui ont subi des fractures étaient des femmes ayant une déficience cognitive. Pour surveiller les chutes globalement, la surveillance ambulatoire, qui évite les problèmes de confidentialité dans les chambres à coucher ou les salles de bains, peuvent être nécessaires. Les interventions devraient cibler la marche à pied ou l’organisation de la chambre.
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 | 0.002 | 0.019 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".