Timed Up and Go – jak przeanalizować i opisać wyniki testu

Autor: Konrad Hryniewicz · Opublikowano: 27 października 2026 · Aktualizacja: 26 października 2026

Czym jest Timed Up and Go i co mierzy

Timed Up and Go (TUG) to czas, w jakim osoba wstaje z krzesła z podłokietnikami, przechodzi 3 metry, zawraca, wraca i siada z powrotem. Podsiadlo i Richardson (1991) opisali go jako mierzoną stoperem wersję wcześniejszego testu „Get-Up and Go”. W ich badaniu 60 pacjentów dziennego szpitala geriatrycznego czas był rzetelny przy ocenie przez tę samą i przez różne osoby. Korelował z logarytmem wyniku Skali Berga (r = −.81), prędkością chodu (r = −.61) i Indeksem Barthel (r = −.78). Autorzy podkreślali, że test jest krótki, nie wymaga sprzętu i nadaje się do śledzenia zmian w czasie.

Wynik to jedna liczba w sekundach: im krótszy czas, tym lepsza mobilność. Ten kierunek łatwo pomylić, gdy w tej samej pracy analizujesz też skalę, w której więcej punktów znaczy lepiej, np. Skalę Równowagi Berga. W tabelach i na wykresach pisz wprost: „ujemna zmiana = poprawa”.

Ten wpis dotyczy analizy wyników TUG w pracy dyplomowej: rozkładu, rzetelności, zmiany przed i po oraz porównania z wartościami referencyjnymi. Ogólne zasady badań przed i po zebraliśmy w przewodniku badania kliniczne i pomiar przed i po, a statystykę w pracach z fizjoterapii omawia wpis statystyka dla fizjoterapeuty.

Protokół: co ustalić przed pierwszym pomiarem

Opis procedury u Podsiadlo i Richardson (1991) jest krótki, a w kolejnych badaniach test wykonywano na różne sposoby. Dlatego przed zebraniem danych zapisz w protokole kilka decyzji i stosuj je u wszystkich osób, przed interwencją i po niej:

• wysokość krzesła i to, czy ma podłokietniki;
• polecenie: chód w zwykłym tempie czy możliwie szybki, ale bezpieczny;
• obuwie i pomoc do chodzenia (jeśli ktoś używa laski, używa jej w obu pomiarach);
• moment włączenia i wyłączenia stopera;
• liczbę prób i to, który wynik analizujesz: pierwszą próbę, lepszą czy średnią.

Ostatni punkt ma znaczenie dla rzetelności. Średnia z dwóch prób ma mniejszy błąd niż jedna próba, a wybieranie lepszej próby przesuwa wynik w stronę krótszych czasów. Każdy z tych wyborów jest dopuszczalny, jeśli opiszesz go w rozdziale metodologicznym i porównujesz wyniki zebrane tak samo. Na koniec każdej sesji zanotuj zdarzenia nietypowe, np. przerwanie próby albo asekurację.

Badanie przykładowe

48 osób w wieku 65–89 lat, mieszkających samodzielnie, wzięło udział w 10-tygodniowym programie ćwiczeń równowagi i siły. Przed programem i po nim każda osoba wykonała TUG dwa razy. Wynikiem pomiaru jest średnia z dwóch prób. Dane są symulowane i możesz je pobrać jako plik CSV (kolumny wiek, przed_1, przed_2, po_1, po_2; czasy w sekundach).

To schemat jednej grupy bez grupy kontrolnej. Pozwala opisać zmianę, ale nie pozwala przypisać jej programowi. Gdy masz dwie grupy, sięgnij po ANCOVA z pomiarem wyjściowym, tak jak w przykładzie z testem 6-minutowego marszu.

Krok 1. Rozkład czasu: skośność i logarytm

Czas nie może być ujemny, a kilka osób zwykle potrzebuje go znacznie więcej niż reszta. Rozkład TUG jest więc zwykle prawostronnie skośny. W przykładzie przed programem M = 10.91 s (SD = 3.47), mediana 10.05 s, IQR 8.38–13.36 s, a wyniki mieściły się w przedziale 5.55–21.25 s. Skośność wyniosła 0.60. Po transformacji logarytmicznej spadła do −0.05 (rysunek 1A).

Test Shapiro–Wilka nie wykrył odstępstwa od normalności ani dla sekund (p = .111), ani dla logarytmu (p = .774). Przy 48 osobach test ma jednak małą moc, dlatego decyzji nie opieraj tylko na nim. W pracy podaj medianę i IQR obok średniej. Do analizy zmiany możesz użyć logarytmu, bo wtedy efekt czytasz jako procentowe skrócenie czasu.

Krok 2. Rzetelność: ICC, SEM i MDC

Dwie próby przed programem pozwalają sprawdzić powtarzalność pomiaru we własnej próbie. Szczegółowy plan takiego badania opisuje wpis badanie rzetelności pomiaru klinicznego. Tu wystarczą trzy kroki.

Błąd systematyczny. Druga próba była średnio o 0.27 s krótsza, 95% CI [−0.55, 0.01], p = .059. Przedział ledwo obejmuje zero, co może wskazywać na niewielki efekt uczenia się.

ICC. Dla jednej próby ICC zgodności absolutnej, ICC(2,1), wyniósł .960, 95% CI [.928, .977], a dla średniej z dwóch prób ICC(2,2) = .979. Steffen i in. (2002) u 96 samodzielnych osób w wieku 61–89 lat podają dla TUG, testu 6-minutowego marszu i prędkości chodu podobnie wysokie wartości: ICC(2,1) = .95–.97. Wysoki ICC nie mówi jednak, o ile sekund może się pomylić pojedynczy pomiar. Do oceny zmiany u konkretnej osoby potrzebny jest SEM i wyliczona z niego najmniejsza rzeczywista zmiana (Weir, 2005). Więcej o tym, od czego zależy ICC w testach ruchowych, piszemy w haśle rzetelność testów sprawności.

SEM i MDC. SEM jednej próby, liczony z ANOVA osoby × próby razem z błędem systematycznym, wyniósł 0.71 s, a MDC₉₅ = 1.96 × √2 × SEM = 1.95 s. Dla średniej z dwóch prób błąd losowy maleje o czynnik √2: SEM = 0.50 s i MDC₉₅ = 1.38 s. To konkretny zysk z drugiej próby: zmianę o 1.5 s możesz uznać za większą niż błąd pomiaru tylko przy średniej z dwóch prób. Te same wartości policzysz z ICC i SD w kalkulatorze RCI i MDC.

Krok 3. Zmiana przed i po w grupie

Po programie średni czas wyniósł 9.94 s (SD = 3.22), a mediana 9.62 s. Średnia zmiana to −0.98 s, 95% CI [−1.32, −0.63]. Test t dla prób zależnych dał t(47) = −5.70, p < .001, a d_z = −0.82. Różnice „po − przed” mają rozkład symetryczny (skośność −0.06), więc test t na sekundach jest tu uzasadniony.

Na logarytmach średnia geometryczna spadła z 10.39 s do 9.45 s. Stosunek średnich geometrycznych to 0.909, 95% CI [0.882, 0.937], czyli czas skrócił się średnio o około 9%. Ta forma jest wygodna, gdy osoby wolniejsze poprawiają się o więcej sekund niż szybsze. Test Wilcoxona prowadzi do tego samego wniosku (V = 133.5, p < .001; estymator Hodgesa–Lehmanna −1.00 s, 95% CI [−1.38, −0.63]). Wybierz jedną analizę główną przed analizą danych, a pozostałe podaj jako analizy wrażliwości.

Zmiana korelowała z wynikiem wyjściowym (r = −.37): osoby wolniejsze na starcie poprawiały się bardziej. Bez grupy kontrolnej nie oddzielisz tego od regresji do średniej. Barnett i in. (2005) pokazują, że to zjawisko jest tym silniejsze, im większy błąd pomiaru i im bardziej osoby dobrano na podstawie skrajnego wyniku wyjściowego. Jeśli do programu kwalifikowałeś osoby z długim czasem TUG, napisz o tym w ograniczeniach.

Krok 4. Zmiany indywidualne i próg 13.5 s

Średnia mówi o grupie, a fizjoterapeutę interesuje też pacjent. Porównaj więc zmianę każdej osoby z MDC₉₅ = 1.38 s (rysunek 2). U 17 osób (35.4%) czas skrócił się bardziej niż błąd pomiaru, u 30 zmiana mieściła się w jego granicach, a u jednej czas wydłużył się o więcej niż MDC. MDC mówi tylko, że zmiana jest większa niż błąd. Czy ma znaczenie dla pacjenta, rozstrzyga MCID z literatury dla podobnej populacji. Różnice między RCI, MDC i MCID wyjaśnia wpis RCI, MDC i MCID.

W pracach dyplomowych często pojawia się podział na osoby „z ryzykiem upadku” i bez niego. W metaanalizie Barry i in. (2014) za próg wyższego ryzyka przyjęto ≥ 13.5 s. Przy tym punkcie odcięcia zbiorcza swoistość wyniosła 0.74, a czułość tylko 0.31. Autorzy wnioskują, że TUG ma ograniczoną zdolność przewidywania upadków u osób mieszkających w społeczności i nie powinien być jedynym narzędziem oceny ryzyka. Wcześniejsze badanie Shumway-Cook i in. (2000), z czułością i swoistością po 87%, obejmowało tylko 30 osób.

W przykładzie wynik ≥ 13.5 s miało przed programem 10 osób, a po programie 6. Cztery osoby przeszły poniżej progu, nikt nie przeszedł w drugą stronę. Dokładny test McNemara dał p = .125. Przy tak małej liczbie zmian kategorii test ma niewielką moc, a dychotomizacja wyrzuca większość informacji. Analizę zmiany opieraj na czasie, a odsetki przy progu traktuj jako opis.

Krok 5. Porównanie z wartościami referencyjnymi

TUG nie ma jednej normy dla wszystkich. Bohannon (2006) w metaanalizie 21 badań zdrowych osób po 60. roku życia podał średnie: 8.1 s (95% CI 7.1–9.0) dla 60–69 lat, 9.2 s (8.2–10.2) dla 70–79 lat i 11.3 s (10.0–12.7) dla 80–99 lat. Zaproponował, by wynik powyżej górnej granicy przedziału uznawać za gorszy od przeciętnego. To zastosowanie norm wiekowych: porównujesz osobę z jej grupą wieku, a nie z całą próbą.

Przed programem 22 z 48 osób miały czas dłuższy niż górna granica dla swojego wieku, po programie 18. Zwróć uwagę na trzy ograniczenia. Po pierwsze, wartości Bohannona pochodzą z badań o różnych protokołach, co autor sam zaznacza. Po drugie, wyniki zależą nie tylko od wieku: Steffen i in. (2002) podawali je osobno dla kobiet i mężczyzn w grupach wieku. Po trzecie, nie mamy zweryfikowanych polskich norm, dlatego w pracy napisz, z jakiego źródła i z jakiej populacji pochodzą wartości odniesienia.

Jak opisać wyniki TUG w pracy

Wzór obejmuje rzetelność, zmianę w grupie, analizę wrażliwości i zmiany indywidualne. Liczby pochodzą z przykładu.

# B107 – Timed Up and Go: rozkład, rzetelność, SEM i MDC, analiza przed i po, porównanie z wartościami
# referencyjnymi (dane symulowane, set.seed(10707)).
# 48 osób w wieku 65–89 lat mieszkających samodzielnie, 10-tygodniowy program ćwiczeń równowagi i siły.
# Przed programem i po nim każda osoba wykonała TUG dwa razy (proba1, proba2; w sekundach).
# Wynikiem pomiaru jest średnia z dwóch prób (decyzja protokołu z przykładu, nie reguła testu).
suppressPackageStartupMessages(library(psych))
set.seed(10707)
n <- 48
wiek <- round(runif(n, 65, 89.99))
log_prawdziwy <- log(8.2) + 0.022 * (wiek - 65) + rnorm(n, 0, 0.30)      # przed programem
zmiana_log <- rnorm(n, -0.085, 0.07)                                       # efekt programu (skala log)
proba <- function(lp, uczenie = 0) round(exp(lp + uczenie + rnorm(n, 0, 0.065)), 1)
dane <- data.frame(id = 1:n, wiek = wiek,
                   przed_1 = proba(log_prawdziwy), przed_2 = proba(log_prawdziwy, -0.02),
                   po_1 = proba(log_prawdziwy + zmiana_log), po_2 = proba(log_prawdziwy + zmiana_log, -0.02))
write.csv(dane, "../timed-up-and-go-dane-przyklad.csv", row.names = FALSE)   # plik do pobrania
dane$przed <- (dane$przed_1 + dane$przed_2) / 2
dane$po <- (dane$po_1 + dane$po_2) / 2

# Krok 1. Rozkład wyniku przed programem: sekundy i logarytm
opis <- function(x) round(c(M = mean(x), SD = sd(x), Me = median(x), Q1 = unname(quantile(x, .25)),
                            Q3 = unname(quantile(x, .75)), min = min(x), max = max(x), skosnosc = psych::skew(x)), 2)
rbind(sekundy = opis(dane$przed), logarytm = opis(log(dane$przed)))
round(c(W_sekundy = shapiro.test(dane$przed)$p.value, W_log = shapiro.test(log(dane$przed))$p.value), 3)

# Krok 2. Rzetelność dwóch prób przed programem: ICC, błąd systematyczny, SEM, MDC95
m <- as.matrix(dane[, c("przed_1", "przed_2")])
ic <- ICC(m, lmer = FALSE)
ic$results[ic$results$type %in% c("ICC2", "ICC3", "ICC2k"), c("type", "ICC", "lower bound", "upper bound")]
tt <- t.test(dane$przed_2, dane$przed_1, paired = TRUE)
round(c(roznica = unname(tt$estimate), lo = tt$conf.int[1], hi = tt$conf.int[2], p = tt$p.value), 3)
s <- ic$summary[[1]]
mse <- s[3, "Mean Sq"]; var_proby <- max(0, (s[2, "Mean Sq"] - mse) / n)
SEM <- sqrt(var_proby + mse)                       # SEM zgodności (z błędem systematycznym), jedna próba
SEM_sr <- SEM / sqrt(2)                            # przybliżenie dla średniej z dwóch prób (błąd losowy / sqrt(2))
MDC95 <- 1.96 * sqrt(2) * SEM
MDC95_sr <- 1.96 * sqrt(2) * SEM_sr
round(c(SEM_1_proba = SEM, MDC95_1_proba = MDC95, SEM_srednia_2 = SEM_sr, MDC95_srednia_2 = MDC95_sr), 2)

# Krok 3. Przed i po: zmiana w sekundach, test t na logarytmach (stosunek średnich geometrycznych), Wilcoxon
dane$zmiana <- dane$po - dane$przed
rbind(przed = opis(dane$przed), po = opis(dane$po), zmiana = opis(dane$zmiana))
t_s <- t.test(dane$po, dane$przed, paired = TRUE)
round(c(M_zmiany = unname(t_s$estimate), lo = t_s$conf.int[1], hi = t_s$conf.int[2],
        t = unname(t_s$statistic), df = unname(t_s$parameter), p = signif(t_s$p.value, 3),
        d_z = mean(dane$zmiana) / sd(dane$zmiana)), 3)
t_log <- t.test(log(dane$po), log(dane$przed), paired = TRUE)
round(c(stosunek_GM = exp(unname(t_log$estimate)), lo = exp(t_log$conf.int[1]), hi = exp(t_log$conf.int[2]),
        t = unname(t_log$statistic), p = signif(t_log$p.value, 3)), 3)
round(c(GM_przed = exp(mean(log(dane$przed))), GM_po = exp(mean(log(dane$po)))), 2)
w <- wilcox.test(dane$po, dane$przed, paired = TRUE, exact = FALSE, conf.int = TRUE)
round(c(V = unname(w$statistic), p = signif(w$p.value, 3), HL = unname(w$estimate), lo = w$conf.int[1], hi = w$conf.int[2]), 3)
noquote(c(p_t = format.pval(t_s$p.value, digits = 3), p_t_log = format.pval(t_log$p.value, digits = 3),
          p_Wilcoxon = format.pval(w$p.value, digits = 3)))
round(c(r_przed_po = cor(dane$przed, dane$zmiana)), 2)        # większa poprawa u osób wolniejszych na starcie

# Krok 4. Zmiany indywidualne względem MDC95 dla średniej z dwóch prób
dane$kat <- cut(dane$zmiana, c(-Inf, -MDC95_sr, MDC95_sr, Inf),
                labels = c("poprawa > MDC95", "w granicach błędu", "pogorszenie > MDC95"))
table(dane$kat)
round(100 * prop.table(table(dane$kat)), 1)

# Krok 5. Odsetek osób z wynikiem >= 13.5 s przed i po (próg z metaanalizy Barry i in., 2014) i test McNemara (dokładny)
pr <- dane$przed >= 13.5; po <- dane$po >= 13.5
table(przed = pr, po = po)
c(przed = sum(pr), po = sum(po))
b <- sum(pr & !po); c_ <- sum(!pr & po)
round(c(zmiana_na_ponizej = b, zmiana_na_powyzej = c_, p_McNemar_dokladny = binom.test(b, b + c_)$p.value), 3)

# Krok 6. Wartości referencyjne Bohannona (2006): średnia i górna granica 95% CI w grupach wieku
ref <- data.frame(grupa = c("60–69", "70–79", "80–99"), M_ref = c(8.1, 9.2, 11.3), gorna = c(9.0, 10.2, 12.7))
dane$grupa <- cut(dane$wiek, c(59, 69, 79, 99), labels = ref$grupa)
por <- do.call(rbind, lapply(split(dane, dane$grupa), function(d) {
  g <- ref$gorna[ref$grupa == d$grupa[1]]
  data.frame(n = nrow(d), M_przed = round(mean(d$przed), 2), Me_przed = median(d$przed),
             powyzej_gornej_przed = sum(d$przed > g), powyzej_gornej_po = sum(d$po > g))
}))
cbind(ref, por)
colSums(por[, c("powyzej_gornej_przed", "powyzej_gornej_po")])

             M   SD    Me   Q1    Q3  min   max skosnosc
sekundy  10.91 3.47 10.05 8.38 13.36 5.55 21.25     0.60
logarytm  2.34 0.32  2.31 2.13  2.59 1.71  3.06    -0.05
W_sekundy     W_log 
    0.111     0.774 
                       type       ICC lower bound upper bound
Single_random_raters   ICC2 0.9595329   0.9276138   0.9773495
Single_fixed_raters    ICC3 0.9616359   0.9325781   0.9783108
Average_random_raters ICC2k 0.9793486   0.9624478   0.9885450
roznica      lo      hi       p 
 -0.271  -0.552   0.011   0.059 
    SEM_1_proba   MDC95_1_proba   SEM_srednia_2 MDC95_srednia_2 
           0.71            1.95            0.50            1.38 
           M   SD    Me    Q1    Q3   min   max skosnosc
przed  10.91 3.47 10.05  8.38 13.36  5.55 21.25     0.60
po      9.94 3.22  9.62  7.20 11.64  5.40 18.70     0.65
zmiana -0.98 1.19 -0.95 -1.86  0.01 -3.25  1.80    -0.06
M_zmiany       lo       hi        t       df        p      d_z 
  -0.976   -1.321   -0.631   -5.697   47.000    0.000   -0.822 
stosunek_GM          lo          hi           t           p 
      0.909       0.882       0.937      -6.279       0.000 
GM_przed    GM_po 
   10.39     9.45 
      V       p      HL      lo      hi 
133.500   0.000  -1.000  -1.375  -0.625 
       p_t    p_t_log p_Wilcoxon 
  7.72e-07   1.02e-07   5.35e-06 
r_przed_po 
     -0.37 

    poprawa > MDC95   w granicach błędu pogorszenie > MDC95 
                 17                  30                   1 

    poprawa > MDC95   w granicach błędu pogorszenie > MDC95 
               35.4                62.5                 2.1 
       po
przed   FALSE TRUE
  FALSE    38    0
  TRUE      4    6
przed    po 
   10     6 
 zmiana_na_ponizej  zmiana_na_powyzej p_McNemar_dokladny 
             4.000              0.000              0.125 
      grupa M_ref gorna  n M_przed Me_przed powyzej_gornej_przed powyzej_gornej_po
60–69 60–69   8.1   9.0  9    9.71     9.15                    5                 4
70–79 70–79   9.2  10.2 19   10.23    10.00                    7                 7
80–99 80–99  11.3  12.7 20   12.11    12.50                   10                 7
powyzej_gornej_przed    powyzej_gornej_po 
                  22                   18 

Najczęstsze błędy w analizie TUG

• Odwrócony kierunek. Spadek czasu to poprawa. Sprawdź znaki w tabelach, wykresach i we wnioskach.
• Brak opisu protokołu. Bez informacji o krześle, tempie, pomocy do chodzenia i liczbie prób wyników nie da się porównać z literaturą.
• Sam ICC bez SEM i MDC. ICC zależy od zróżnicowania próby. Podaj błąd w sekundach i wyjaśnij, którą formę ICC wybrałeś.
• MDC z jednej próby dla średniej z dwóch albo odwrotnie. Błąd pomiaru liczysz dla tego wyniku, który analizujesz.
• Próg 13.5 s jako diagnoza. To kryterium przesiewowe o niskiej czułości (Barry i in., 2014), a nie rozpoznanie ryzyka upadku.
• Wniosek przyczynowy bez grupy kontrolnej. W schemacie jednej grupy poprawę mogą wyjaśniać uczenie się testu i regresja do średniej.
• Normy z innej populacji bez zastrzeżenia. Napisz, skąd pochodzą wartości odniesienia i czy protokół był podobny.

Jeśli chcesz sprawdzić, czy analiza TUG w Twojej pracy jest poprawna i jak opisać rzetelność oraz zmianę, możesz skorzystać z konsultacji w ramach oferty analizy statystyczne dla studentów. Wyniki musisz jednak rozumieć i umieć obronić samodzielnie.

Najczęstsze pytania

Jaki wynik w teście Timed Up and Go jest prawidłowy?

Nie ma jednej wartości dla wszystkich, bo czas rośnie z wiekiem. W metaanalizie Bohannona (2006) średnie u zdrowych osób wynosiły 8.1 s w wieku 60–69 lat, 9.2 s w wieku 70–79 lat i 11.3 s w wieku 80–99 lat. Wynik powyżej górnej granicy 95% CI dla danej grupy wieku autor proponuje uznawać za gorszy od przeciętnego.

Czy wynik TUG powyżej 13.5 sekundy oznacza ryzyko upadku?

Próg ≥ 13.5 s przyjęto m.in. w metaanalizie Barry i in. (2014). Przy nim zbiorcza swoistość wyniosła 0.74, a czułość tylko 0.31, dlatego autorzy uznali, że TUG nie powinien samodzielnie służyć do identyfikacji osób z wysokim ryzykiem upadku. W pracy traktuj ten próg jako kryterium przesiewowe i analizuj czas jako zmienną ciągłą.

Ile prób TUG wykonać i który wynik analizować?

To decyzja protokołu, którą trzeba podjąć przed badaniem i opisać w pracy: pierwsza próba, lepsza z dwóch albo średnia. Średnia z dwóch prób ma mniejszy błąd pomiaru – w przykładzie we wpisie MDC₉₅ spadł z 1.95 s dla jednej próby do 1.38 s dla średniej. Ważne, by przed i po interwencji liczyć wynik w ten sam sposób.

Jak sprawdzić, czy poprawa w teście TUG jest rzeczywista?

Porównaj zmianę każdej osoby z minimalną wykrywalną zmianą MDC₉₅ = 1.96 × √2 × SEM, a SEM policz z rzetelności powtórzonych prób. Zmiana mniejsza niż MDC mieści się w błędzie pomiaru. To, czy większa zmiana ma znaczenie dla pacjenta, oceniasz dopiero na podstawie MCID z literatury dla podobnej populacji.

Czy wyniki TUG trzeba logarytmować?

Nie zawsze, ale czas TUG ma zwykle prawostronnie skośny rozkład, a osoby wolniejsze zmieniają się o więcej sekund. Analiza na logarytmach pozwala opisać efekt jako procentowe skrócenie czasu; w przykładzie we wpisie było to około 9%. Jeśli różnice „po − przed” są symetryczne, test t dla prób zależnych na sekundach też jest poprawny.

Powiązane hasła

Przeczytaj też

@article{barnett2005regression, author={Barnett, Adrian G. and van der Pols, Jolieke C. and Dobson, Annette J.}, title={{Regression to the mean: What it is and how to deal with it}}, journal={International Journal of Epidemiology}, year={2005}, volume={34}, number={1}, pages={215--220}, doi={10.1093/ije/dyh299}}

@article{barry2014timed, author={Barry, Emma and Galvin, Rose and Keogh, Claire and Horgan, Frances and Fahey, Tom}, title={{Is the Timed Up and Go test a useful predictor of risk of falls in community dwelling older adults: A systematic review and meta-analysis}}, journal={BMC Geriatrics}, year={2014}, volume={14}, number={1}, eid={14}, doi={10.1186/1471-2318-14-14}}

@article{bohannon2006reference, author={Bohannon, Richard W.}, title={{Reference values for the Timed Up and Go Test}}, journal={Journal of Geriatric Physical Therapy}, year={2006}, volume={29}, number={2}, pages={64--68}, doi={10.1519/00139143-200608000-00004}}

@article{podsiadlo1991timed, author={Podsiadlo, Diane and Richardson, Sandra}, title={{The timed “Up \& Go”: A test of basic functional mobility for frail elderly persons}}, journal={Journal of the American Geriatrics Society}, year={1991}, volume={39}, number={2}, pages={142--148}, doi={10.1111/j.1532-5415.1991.tb01616.x}}

@article{shumwaycook2000predicting, author={Shumway-Cook, Anne and Brauer, Sandy and Woollacott, Marjorie}, title={{Predicting the probability for falls in community-dwelling older adults using the Timed Up \& Go Test}}, journal={Physical Therapy}, year={2000}, volume={80}, number={9}, pages={896--903}, doi={10.1093/ptj/80.9.896}}

@article{steffen2002age, author={Steffen, Teresa M. and Hacker, Timothy A. and Mollinger, Louise}, title={{Age- and gender-related test performance in community-dwelling elderly people: Six-Minute Walk Test, Berg Balance Scale, Timed Up \& Go Test, and gait speeds}}, journal={Physical Therapy}, year={2002}, volume={82}, number={2}, pages={128--137}, doi={10.1093/ptj/82.2.128}}

@article{weir2005quantifying, author={Weir, Joseph P.}, title={{Quantifying test-retest reliability using the intraclass correlation coefficient and the SEM}}, journal={Journal of Strength and Conditioning Research}, year={2005}, volume={19}, number={1}, pages={231--240}, doi={10.1519/15184.1}}