VARIÁVEIS PREDITIVAS PARA IMOBILIDADE INTRAHOSPITALAR DE IDOSOS
Bibliographic record
Abstract
Objetivo: Avaliar os preditores da imobilidade intrahospitalar de idosos. Métodos: Trata-se de um estudo quantitativo, longitudinal e descritivo. A coleta de dados ocorreu entre 2015 e 2016 no Hospital Universitário de Santa Maria (HUSM). A amostra foi composta inicialmente por 493 idosos, destes foram incluídos 397 idosos, 22 foram excluídos por imobilidade prévia a hospitalização e 74 devido aos demais critérios de exclusão. As variáveis avaliadas na admissão foram a idade, sexo, mora com quem, patologia de admissão, Índice do risco sênior, fragilidade através da escala de Edmonton, circunferência de panturrilha maior ou menor que 31 cm, indicador de depressão geriátrica (GDS-4), impacto de comorbidades pelo índice de Charlson, delirium por meio do Confusion Assessment Method e como desfecho a imobilidade intrahospitalar. Foram identificadas as variáveis preditivas através da regressão logística (modelo Backward). Valores significantes foram considerados quando p valor foi menor que 0,05 (SPSS 21.0). Resultados: Dos 397 indivíduos avaliados observou-se que houve predomínio de idosos jovens entre 60 e 69 anos (39,7%), sexo masculino (53,7%). Observou-se que a idade (p=0,007), indicadores de fragilidade (p=0,007) e delirium (p=0,001) durante a internação aumentaram a chance de os idosos terem imobilidade intrahospitalar. Conclusão: Identificamos que a imobilidade está associada a idade, a patologias de admissão, aos valores da CP, escores de fragilidade, índice de risco sênior e presença de comorbidades e as variáveis preditivas para imobilidade foram idade, fragilidade e apresentar delirium na admissão. Desta forma sugere-se que sejam considerados na implementação de medidas preventivas quanto à imobilidade intrahospitalar de idosos. Palavras-chave: Imobilidade, envelhecimento, hospitalização.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".