Yaşlı Bireylerde Kırılganlık ile Malnütrisyon İlişkisi
Bibliographic record
Abstract
Amaç: Bu çalışma, yaşlı bireylerde kırılganlık ile malnütrisyon ilişkisini incelemek amacı ile yapılmıştır.Gereç ve Yöntem: Çalışma, Karaman İl Merkezine bağlı huzurevlerinde yaşayan, 65 yaş ve üzeri, Demans-Alzheimer tanısı olmayan, iletişim kurulabilen ve çalışmaya katılmayı kabul eden 76 yaşlı ile yürütülmüştür. Bireylerin sosyo-demografik özelliklerini içeren bir anket formu uygulanmış, antropometrik ölçümleri (boy uzunluğu, vücut ağırlığı, üst orta kol çevresi, baldır çevresi) ile el kavrama gücü araştırmacı tarafından belirlenmiştir. Yaşlı bireylerde kırılganlık saptamak için ‘Edmonton Kırılganlık Ölçeği’, malnütrisyon durumunu saptamak için ‘MNA (Mini Nutrisyonel Değerlendirme)’ kullanılmıştır. Verilerin istatistiksel analizinde SPSS 22,0 programı kullanılmıştır.Bulgular: Çalışmaya, 50’si (%65,8) erkek, 26’sı (%34,2) kadın olmak üzere yaş ortalaması 75,9 ± 7,91 yıl olan 76 yaşlı birey katılmıştır. Yaşlıların Beden Kütle İndeksi (BKİ) ortalaması 28,2 ± 6,75 kg/m2’tir. Yaşlıların MNA’ya göre beslenme durum dağılımları değerlendirildiğinde; bireylerin %17,1’i malnütrisyonlu (erkeklerin %10’u kadınların %30,8’i), %29,0’u malnütrisyon riski altında (erkeklerin %36’sı, kadınların %15,4’ü) ve %53,9’u normal nutrisyonel duruma (erkeklerin %54’ü, kadınların %53,8’i) sahip olduğu bulunmuştur. Yaşlı bireylerin cinsiyete göre malnutrisyon durumları arasındaki fark istatistiksel açıdan önemli bulunmuştur (p<0,05). Edmonton skoru değerlendirildiğinde yaşlıların; %28,9’unun kırılgan olmadığı (erkeklerin %36’sı, kadınların %15,4’ü), %18,4’ünün görünürde savunmasız (erkeklerin %26’sı, kadınların %3,8’i), %14,5’inin hafif kırılgan (erkeklerin %12’si, kadınların %19,2’si), %15,8’inin orta kırılgan (erkeklerin %12’si, kadınların %23,1’i), %22,4’ünün şiddetli kırılgan (erkeklerin %14’ ü, kadınların %38,5’i) olduğu bulunmuştur. Kırılganlık durumu açısından cinsiyetler arası fark istatistiksel açıdan önemli bulunmuştur (p<0,05). Çalışmaya katılan yaşlı bireylerin Edmonton kırılganlık ölçek puanları ile MNA puanları arasındaki ilişki incelendiğinde, hem erkek hem de kadın yaşlı bireylerin kırılganlık ile malnütrisyon ölçek puanları arasında negatif yönlü önemli bir ilişki belirlenmiştir (r:-0,336, r: -0,662; p< 0,05).Sonuç: Bu çalışmada kırılganlık ile malnütrisyon arasında önemli ilişki bulunmuş, yaşlılarda malnütrisyonun gelişmesinde kırılganlığın etkisi de göz önüne alınmalı ve değerlendirilmelidir.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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; both teacher heads agree on what is shown here.
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".