Research on Patients with Multiple Health Conditions: Different Constructs, Different Views, One Voice
Notice bibliographique
Résumé
Abstract: Technological advances, improvements in medical care and public health policies have resulted in a growing proportion of patients with multiple health conditions. The prevalence of multiple health conditions among individuals increases with age, is substantial among older adults, and will increase dramatically in coming years [1–4]. This phenomenon has received growing interest in the most recent literature and has led to several – and often differing – conceptualizations.\n\nThe term “comorbidity” was originally defined by Feinstein as “any distinct additional clinical entity that has existed or may occur during the clinical course of a patient who has the index disease under study” [5]. This definition places one disease in a central position and all other condition(s) as secondary, in that they may or may not affect the course and treatment of the index disease [6]. Feinstein’s principle has been applied all too readily as if the effect of comorbidity was secondary or indeed negligible. In clinical research, individuals with a narrowly defined index condition and no major comorbidities are usually enrolled, leaving the majority of the patients seen in a typical family practice [7,8] out in the cold. In clinical practice, management of the index condition invariably takes priority, with disjointed – if any – treatment plans developed for each of the comorbidities [6]. This model of care is typical of delivery systems constructed around specialized care, where areas of expertise are defined around specific conditions and bodily systems [11]. Not surprisingly, clinical practice guidelines arising from that model of care lack pertinence for patients with multiple health conditions [9,10].
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».