Comparisons of multi-morbidity in family practice--issues and biases
Notice bibliographique
Résumé
BACKGROUND: As the population ages, practice and policy need to be guided by accurate estimates of chronic disease burden in primary care. OBJECTIVE: To produce a preliminary set of methodological considerations for cross-sectional and retrospective cohort studies of multi-morbidity in primary care using three studies as examples. Prevalence rate results from the three studies were re-estimated using identical age-sex groups. METHODS: We compared the methods and results of three separate studies in primary care: (i) patients in the Saguenay region of Quebec, Canada (2005); (ii) a substudy of the BEACH (Bettering the Evaluation and Care of Health) programme in Australia (2008); and (iii) the DELPHI (Deliver Primary Health Care Information) project in South-western Ontario, Canada (2009). Areas where the methods of multi-morbidity studies may differ were identified. The percentage of patients with two or more chronic conditions was compared by age-sex groups. RESULTS: Multi-morbidity prevalence varied by as much as 61%, where reported prevalence was 95% among females aged 45-64 in the Saguenay study, 46% in the BEACH substudy and 34% in the DELPHI study. Several aspects of the methods and study designs were identified as differing among the studies, including the sampling of frequent attenders, sampling period, source of data, and both the definition and count of chronic conditions. CONCLUSIONS: Understanding the differences among the methods used to produce prevalence data on multi-morbidity in primary care can help explain the varying results. Standardization of methods would allow for more valid inter-study comparisons.
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 | 0,005 |
| 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 | 0,002 |
| 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 ».