Multimorbidity prevalence in the general population: the role of obesity in chronic disease clustering
Notice bibliographique
Résumé
BACKGROUND: The role of obesity in the prevalence and clustering of multimorbidity, the occurrence of two or more chronic conditions, is understudied. We estimated the prevalence of multimorbidity by obesity status, and the interaction of obesity with other predictors of multimorbidity. METHODS: Data from adult respondents (18 years and over) to the Health Quality Council of Alberta 2012 Patient Experience Survey were analyzed. Multivariable regression models were fitted to test for associations. RESULTS: The survey sample included 4803 respondents; 55.8% were female and the mean age was 47.8 years (SD, 17.1). The majority (62.0%) of respondents reported having at least one chronic condition. The prevalence of multimorbidity, including obesity, was 36.0% (95% CI, 34.8 - 37.3). The prevalence of obesity alone was 28.1% (95% CI 26.6 - 29.5). Having obesity was associated with more than double the odds of multimorbidity (odds ratio = 2.2, 95% CI 1.9 - 2.7) compared to non-obese. CONCLUSIONS: The prevalence of multimorbidity in the general population is high, but even higher in obese than non-obese persons. These findings may be relevant for surveillance, prevention and management strategies for multimorbidity.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».