Secondary Prevention of Chronic Health Conditions in Patients with Multimorbidity: What can Physiotherapists do?
Notice bibliographique
Résumé
Multimorbidity is the co-occurrence of two or more diseases in an individual without a defining index disease [1,2]. In developed countries, the prevalence of multimorbidity has been estimated from both general practice and population data [3,4]. Data from general practices in Scotland found that 23% of patients had multimorbidity [3], whereas the prevalence of multimorbidity in Québec, Canada, was 46–51% in the general practice population and 10–13% in the general population aged over 24 years [4]. Australian data indicate that almost 40% of people aged over 44 years have multimorbidity, and this proportion increases to around 50% of those aged 65–74 years and to 70% of those aged 85 and over [5]. Data from a study of Australian general practice activity reported prevalence estimates for the most common combinations of chronic conditions [6]. Of the 12 most common combinations, the majority included conditions that can be positively impacted by physiotherapy interventions, such as low back pain [7], arthritis [8], chronic obstructive pulmonary disease [9], cardiac disease [10] and type 2 diabetes [11]. However, for some of these conditions, the uptake and access to physiotherapy interventions was suboptimal, especially in the primary care setting, due to poor referral from general practitioners (GPs) [12,13] and/or restricted access to physiotherapy associated with workforce shortages, as well as high cost to the patient for private consultation.\n\nJournal of Comorbidity 2016;6(2):50–52
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».