[Chronic musculoskeletal conditions and comorbidities in primary care settings].
Notice bibliographique
Résumé
OBJECTIVE: To estimate the prevalence of chronic musculoskeletal conditions in primary care. Among patients with these conditions, to estimate the mean number of comorbidities and the prevalence of chronic diseases that could deteriorate with use of nonsteroidal anti-inflammatory drugs (NSAIDs). DESIGN: Secondary analysis of data collected for a study on the prevalence of multimorbidity. SETTING: Twenty-one family medicine practices in the region of Saguenay, Que. PARTICIPANTS: Two-tier sample consisting of family physicians (first tier) and their patients (second tier) recruited during consecutive consultation periods. MAIN OUTCOME MEASURES: Percentage of patients with chronic musculoskeletal conditions. Within this sub-sample, average number of comorbidities and percentage of patients with chronic diseases, such as hypertension, cardiovascular disease, renal disease, and stomach ulcers or reflux, that could deteriorate with use of NSAIDs. RESULTS: Among the 980 patients in the database, 58% had chronic musculoskeletal conditions. Average age of patients was 56 years. Among patients with these conditions,the number of comorbidities ranged from 0 to 11; the average number was 4. About 49% of patients had hypertension; 31% had cardiovascular disease; 31% had urinary problems or renal disease; and 17% had stomach ulcers or reflux. About 70% of patients with chronic musculoskeletal conditions had at least 1 of the 4 comorbidities mentioned. CONCLUSION: More than half the patients who consult in primary care have chronic musculoskeletal conditions. The average number of comorbidities these patients have is high; many present with comorbidities that can deteriorate with use of NSAIDs. Family physicians must, therefore, exercise caution when using NSAIDs for patients with musculoskeletal conditions.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,007 | 0,001 |
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 ».