Defining Multimorbidity in Older Surgical Patients
Notice bibliographique
Résumé
BACKGROUND: There are numerous definitions of multimorbidity (MM). None systematically examines specific comorbidity combinations accounting for multiple testing when exploring large datasets. OBJECTIVES: Develop and validate a list of all single, double, and triple comorbidity combinations, with each individual qualifying comorbidity set (QCS) more than doubling the odds of mortality versus its reference population. Patients with at least 1 QCS were defined as having MM. RESEARCH DESIGN: Cohort-based study with a matching validation study. SUBJECTS: All fee-for-service Medicare patients between age 65 and 85 without dementia or metastatic solid tumors undergoing general surgery in 2009-2010, and an additional 2011-2013 dataset. MEASURES: 30-day all-location mortality. RESULTS: There were 576 QCSs (2 singles, 63 doubles, and 511 triples), each set more than doubling the odds of dying. In 2011, 36% of eligible patients had MM. As a group, multimorbid patients (mortality rate=7.0%) had a mortality Mantel-Haenszel odds ratio=1.90 (1.77-2.04) versus a reference that included both multimorbid and nonmultimorbid patients (mortality rate=3.3%), and Mantel-Haenszel odds ratio=3.72 (3.51-3.94) versus only nonmultimorbid patients (mortality rate=1.6%). When matching 3151 pairs of multimorbid patients from low-volume hospitals to similar patients in high-volume hospitals, the mortality rates were 6.7% versus 5.2%, respectively (P=0.006). CONCLUSIONS: A list of QCSs identified a third of older patients undergoing general surgery that had greatly elevated mortality. These sets can be used to identify vulnerable patients and the specific combinations of comorbidities that make them susceptible to poor outcomes.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».