Linking cohort data with administrative health data to develop a new hypertension prediction model to aid precision health approach
Notice bibliographique
Résumé
IntroductionHypertension is a common medical condition, affecting 1 in 5 Canadians, and is a major risk factor for heart attack, stroke, and kidney disease. Predicting the risk of developing incident hypertension may help to inform targeted preventive strategies. Objectives and ApproachIdentification of major risk factors and incorporation into a multivariable model for risk stratification may help to identify individuals who are at highest risk for developing incident hypertension and would potentially benefit most from intervention. The goal of the proposed research is to develop a robust hypertension prediction model for the general population using the Alberta Tomorrow Project (ATP) cohort data linked with Alberta’s administrative health data. ATP is Alberta's largest population health cohort, contains baseline data on socio-demographic characteristic, personal and family history of disease, medication use, lifestyle and health behavior, environmental exposures, physical measures and bio samples. ResultsAlberta’s administrative health data additionally provides information on health care utilization, enrollment, drugs, physician services, and hospital services. A prediction model for hypertension will be developed using logistic regression where information on candidate variables for the model will be gathered from ATP data and outcome (incident hypertension) will be ascertained from administrative health data (physicians/practitioner claim data and hospital discharge abstract data). Lacking follow-up information in current ATP data has laid the foundation of linking the two data sources through an anonymous unique person identifier (e.g. PHN) that will eventually provide follow-up information on ATP participants who are free of hypertension at baseline developed the disease as well as information on other potential variables. Conclusion/ImplicationsThe proposed prediction model will help to identify individuals at highest risk for developing hypertension and those who may benefit most from targeted healthy behavioral interventions and/or treatment. Such identification of high risk people may help prevent hypertension as well as the continuing costly cycle of managing hypertension and its complications.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».