The Relationship of 60 Disease Diagnoses and 15 Conditions to Preference-Based Health-Related Quality of Life in Ontario Hospital-Based Long-Term Care Residents
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Population-based diagnosis- and condition-specific health-related quality of life (HRQoL) scores are required for decision-making and research purposes. These HRQoL scores do not exist for hospital-based long-term care (LTC) residents. OBJECTIVE: To estimate the impact of 60 diseases and 15 conditions on caregiver-assessed preference-based HRQoL. METHODS: Residents in hospital-based LTC facilities in Ontario, Canada were identified from administrative databases containing resident minimum data set (MDS) assessments completed between August 1st, 2003 and March 31st, 2008. A preference-based HRQoL measure, the MDS Health-Status Index (MDS-HSI) score, was calculated for 66,193 residents. Average MDS-HSI scores and multivariate linear regression models were used to estimate the impact of the diagnoses and conditions, respectively. RESULTS: After adjusting for age, sex, and other diagnoses, aphasia exhibited the largest negative relationship to the MDS-HSI (-0.085), followed by cancer (-0.072) and Alzheimer disease (-0.062). Cancer was also the second most prevalent diagnosis (27.6%). Lack of balance was a common condition (87.3%) and it had the greatest negative relationship to MDS-HSI scores among the 15 conditions (-0.099). The diagnoses and conditions regression models had R values of 0.12 and 0.34, respectively, suggesting that clinical conditions provided better explanatory variables for the MDS-HSI than diagnoses. CONCLUSIONS: The findings suggest that diseases affect preference-based HRQoL differently in a hospital-based LTC population compared with previous studies in the general population. The population-based MDS-HSI scores from this study can be used as reference values in cost-effectiveness analyses for hospital-based LTC populations.
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.
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 | 0,001 | 0,006 |
| 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 | 0,001 |
| 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 découle