Facteurs de risque de chutes chez les aînés vivant dans la communauté et ayant recours aux services de soutien à domicile : modèle de risques élargi avec covariables dépendantes du temps et événements récurrents
Bibliographic record
Abstract
Dans les études longitudinales, il devient diffi cile de déterminer les facteurs de risque de chutes, car l’exposition varie durant la période de suivi et les sujets peuvent subir un événement plus d’une fois. Or, les analystes font peu de cas de ces considérations et n’utilisent pas nécessairement les bonnes méthodes statistiques. En règle générale, on se concentre sur la proportion des personnes ayant fait une chute ou le temps écoulé jusqu’à la première chute. Dans un cas comme dans l’autre, on fait abstraction de l’hypothèse fondamentale de l’indépendance des événements et on écarte par le fait même des données pertinentes. Dans le présent article, nous examinons les méthodes en usage actuellement et nous proposons une extension du modèle de risques de Cox. Nous illustrons cette version étendue du modèle par une étude des facteurs de risque susceptibles d’être associés à des chutes parmi un groupe de 959 personnes âgées. Enfi n, nous comparons les résultats obtenus avec la méthode de Wei, Lin et Weissfeld (ci-après désignés WLW) et ceux obtenus avec plusieurs autres méthodes. Les facteurs d’exposition étudiés qu’ils soient fixes ou variables dans le temps comprennent les caractéristiques socio-démographiques, l’indice de masse corporelle (IMC), le risque nutritionnel, la consommation d’alcool, les dangers de l’environnement domiciliaire, la démarche et l’équilibre, et la consommation de médicaments. Notre étude révèle que les méthodes utilisées couramment pour analyser les facteurs de risque de chutes sont inadéquates, car elles créent un biais appréciable comparativement au modèle de WLW, qui utilise des covariables dépendantes du temps. Les résultats de notre étude montrent également qu’il peut être vain de modéliser la première survenue d’un événement, étant donné que le risque de survenue varie entre les chutes.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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 teacher head, 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".