Yaşlılarda Düşme Riski, Düşme Davranışları Ve Kırılganlık Düzeyinin Değerlendirilmesi: Bir Huzurevi Örneği
Bibliographic record
Abstract
Amaç: Tüm dünyada artan yaşlı birey sayısı, yaşlılığa bağlı meydana gelen kronik hastalık sayısını düşme ve kırılganlık prevelansını arttırmaktadır. Bu araştırma bir huzurevinde yaşayan yaşlıların düşme riski, kırılganlık düzeyi, düşme davranışları ve etkileyen faktörleri belirlemek amacıyla yapıldı. Yöntem: Tanımlayıcı ve kesitsel tipte planlanan araştırma Haziran 2022-Temmuz 2022 tarihleri arasında bir huzurevinde bulunan 70 yaşlı ile yapıldı. Veriler yüzyüze görüşme tekniği ile soru formu, DENN düşme riski, Yaşlılar için düşme davranışları ölçeği (YDDÖ) ve Edmonton kırılganlık ölçeği kullanılarak toplandı. Bulgular: Araştırmada düşme riski yüksek olan yaşlıların oranının %35.7 ve şiddetli kırılganlığı olan yaşlıların oranının ise %14.3 olduğu bulunmuştur. DENN düşme riski ile Edmonton kırılganlık ölçeği arasında pozitif yönde güçlü derecede anlamlı ilişki olduğu tespit edildi (r: 0,360; p:0,002). Sonuç: Kırılganlık yaşlılarda tüm faktörlerden bağımsız şekilde görülürken; düşmeyi etkileyen faktörlerin cinsiyet, yaş, sigara kullanma durumu, son bir yıldaki düşme sayısı, düşme sonucu tedavi alma durumu ve yardımcı araç kullanımı olduğu tespit edildi. Kırılganlık riski veya kırılganlığı bulunan yaşlılarda düşme riskini önlemeye yönelik hemşirelik girişimlerinin planlanarak gerektiği durumlarda uygulanması önerilmektedir.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 0.002 |
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".