What “big population data” tells us about neurological disorders comorbidity
Notice bibliographique
Résumé
Objective: To use a large population dataset to examine neurological disorder comorbidity. Seventeen main classes of Diagnosed International Classification of Disease (ICD) disorder codes were grouped and compared to ICD-9 Nerurological disorder codes.Methods: Calgary, Alberta, health zone diagnosis, sex and age data from 1994-2009 physician billings (n = 763,449) were grouped and tallied on the basis of the presence or absence of any neurological disorder across the 17 remaining ICD main disorder classes and represented as odds ratios (ORs with 95% confidence intervals).Results: Within the ICD categories the 17 classes were ranked by ORs: Ill-defined conditions (OR 7.42), musculoskeletal and connective tissue system disorders (OR 4.22), and psychiatric disorders (OR 3.81) were the ranked the highest main classes, respectively. Thirteen additonal main classes had ORs greaeter than 2.00.Conclusions: There was a strong relationship between neurological disorders and the ICD main classes. The results of this broad stroke analysis point to the requirement for analysis of the both the temporal relationships (e.g., before vs. after) between neurological disorders and comorbid disorderss as well as more fine-grained description of the specifice intra-class disorders underlying the reported odds ratios.
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 | 0,000 | 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 | 0,001 |
| 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 ».