Individualized Absolute Risk Calculations for Persons with Multiple Chronic Conditions: Embracing Heterogeneity, Causality, and Competing Events
Notice bibliographique
Résumé
Approximately 75% of adults over the age of 65 years are affected by two or more chronic medical conditions. We provide a conceptual justification for individualized absolute risk calculators for competing patient-centered outcomes (PCO) (i.e. outcomes deemed important by patients) and patient reported outcomes (PRO) (i.e. outcomes patients report instead of physiologic test results). The absolute risk of an outcome is the probability that a person receiving a given treatment will experience that outcome within a pre-defined interval of time, during which they are simultaneously at risk for other competing outcomes. This allows for determination of the likelihood of a given outcome with and without a treatment. We posit that there are heterogeneity of treatment effects among patients with multiple chronic conditions (MCC) largely depends on those coexisting conditions. We outline the development of an individualized absolute risk calculator for competing outcomes using propensity score methods that strengthen causal inference for specific treatments. Innovations include the key concept that any given outcome may or may not concur with any other outcome and that these competing outcomes do not necessarily preclude other outcomes. Patient characteristics and MCC will be the primary explanatory factors used in estimating the heterogeneity of treatment effects on PCO and PRO. This innovative method may have wide-spread application for determining individualized absolute risk calculations for competing outcomes. Knowing the probabilities of outcomes in absolute terms may help the burgeoning population of patients with MCC who face complex treatment decisions.
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 | 0,028 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 ».