Heterogeneity in health status and the influence of patient characteristics across patients seeking musculoskeletal orthopaedic care – a cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: Health status is an important predictor of patient outcomes. Consequently, identifying patient predictors of health status is essential. In musculoskeletal orthopaedic care, the majority of work examining the association between patient characteristics and health status has been undertaken among hip/knee cohorts. We investigate these associations comparing findings across four musculoskeletal cohorts (hip/knee; foot/ankle; neck/back; elbow/shoulder). METHODS: Patients seeking elective musculoskeletal orthopaedic care were recruited prior to consultation. Questionnaires captured health domain status (bodily pain, physical functioning, and mental and general health) and covariates: demographics; socioeconomic characteristics; and comorbidity. Scores were compared across cohorts. Two path regression analyses were undertaken. First, domain scores were simultaneously examined as dependent variables in the overall sample. Subsequently, the model was assessed stratified by cohort. RESULTS: 1,948 patients: 454 neck/back, 767 hip/knee, 378 shoulder/elbow, 349 foot/ankle. From stratified analyses, significant variability in covariate effects was observed. Worse bodily pain scores were associated with increasing age and female sex among hip/knee, low income among foot/ankle, and overweight/obese for foot/ankle and hip/knee. Worse mental health scores were associated with low income across cohorts except elbow/shoulder, low education within neck/back, and compared to Whites, Blacks had significantly worse scores among foot/ankle, better scores among hip/knee. Worse general health scores were observed for Asians among hip/knee, Blacks among foot/ankle, and South-Asians among elbow/shoulder and neck/back. CONCLUSION: The substantial heterogeneity across musculoskeletal cohorts suggests that patient- and cohort-specific approaches to patient counsel and care may be more effective for achieving optimal health and outcomes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».