Prevalência de sarcopenia em pessoas idosas socialmente ativas e sua associação com sexo e risco nutricional: uma análise de redes Bayesianas
Bibliographic record
Abstract
Resumo Objetivo Verificar a prevalência de sarcopenia e sua relação com fatores sociodemográficos e clínicos incluindo risco nutricional em pessoas idosas socialmente ativas, bem como investigar as diferenças entre os sexos nos fatores associados a sarcopenia. Método Estudo transversal com 400 idosos (342 mulheres e 58 homens) frequentadores de grupos de convivência do município de Santa Maria, RS, Brasil. Os participantes foram diagnosticados conforme critérios do EWGSOP2 (2019) e o estado nutricional avaliado por meio do Mini Nutritional Assessment (MNA®). Modelos de redes Bayesianas com amostra total e estratificada por sexo foram utilizados para explorar a relação entre sarcopenia e fatores sociodemográficos e clínicos. Para verificar o desempenho estatístico dos modelos de redes, foi realizado o processo de reamostragem. Resultados A prevalência de sarcopenia foi de 10,2%. No modelo de redes com a amostra total, a probabilidade de ser sarcopênico foi maior entre os homens com risco nutricional. Na rede do sexo feminino, a probabilidade para o desfecho sarcopenia foi maior no subgrupo longevo com idade superior a 80 anos ou mais. Por outro lado, na rede do sexo masculino, somente o risco nutricional aumentou a probabilidade de sarcopenia. Todos os modelos de redes alcançaram bom desempenho, com área sob a curva ROC (AUC) superior a 0,89. Conclusão Esse estudo foi o primeiro a utilizar redes Bayesianas na investigação dos fatores associados à sarcopenia em pessoas idosas socialmente ativas, os quais diferem por sexo. O estudo destaca a importância do diagnóstico de sarcopenia e do uso do MNA® na prática clínica.
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 | 0.020 | 0.062 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.004 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| 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".