Multimorbidity disease clusters in Aboriginal and non-Aboriginal Caucasian populations in Canada
Notice bibliographique
Résumé
INTRODUCTION: Patterns of multimorbidity, the co-occurrence of two or more chronic diseases, may not be constant across populations. Our study objectives were to compare prevalence estimates of multimorbidity in the Aboriginal population in Canada and a matched non-Aboriginal Caucasian population and identify the chronic diseases that cluster in these groups. METHODS: We used data from the 2005 Canadian Community Health Survey (CCHS) to identify adult (≥ 18 years) respondents who self-identified as Aboriginal or non-Aboriginal Caucasian origin and reported having 2 or more of the 15 most prevalent chronic conditions measured in the CCHS. Aboriginal respondents who met these criteria were matched on sex and age to non-Aboriginal Caucasian respondents. Analyses were stratified by age (18-54 years and ≥ 55 years). Prevalence was estimated using survey weights. Latent class analysis (LCA) was used to identify disease clusters. RESULTS: A total of 1642 Aboriginal respondents were matched to the same number of non-Aboriginal Caucasian respondents. Overall, 38.9% (95% CI: 36.5%-41.3%) of Aboriginal respondents had two or more chronic conditions compared to 30.7% (95% CI: 28.9%-32.6%) of non-Aboriginal respondents. Comparisons of LCA results revealed that three or four clusters provided the best fit to the data. There were similarities in the diseases that tended to co-occur amongst older groups in both populations, but differences existed between the populations amongst the younger groups. CONCLUSION: We found a small group of younger Aboriginal respondents who had complex co-occurring chronic diseases; these individuals may especially benefit from disease management programs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».