A new way to estimate neurologic disease prevalence in the United States
Notice bibliographique
Résumé
OBJECTIVE: Considerable gaps exist in knowledge regarding the prevalence of neurologic diseases, such as multiple sclerosis (MS), in the United States. Therefore, the MS Prevalence Working Group sought to review and evaluate alternative methods for obtaining a scientifically valid estimate of national MS prevalence in the current health care era. METHODS: We carried out a strengths, weaknesses, opportunities, and threats (SWOT) analysis for 3 approaches to estimate MS prevalence: population-based MS registries, national probability health surveys, and analysis of administrative health claims databases. We reviewed MS prevalence studies conducted in the United States and critically examined possible methods for estimating national MS prevalence. RESULTS: We developed a new 4-step approach for estimating MS prevalence in the United States. First, identify administrative health claim databases covering publicly and privately insured populations in the United States. Second, develop and validate a highly accurate MS case-finding algorithm that can be standardly applied in all databases. Third, apply a case definition algorithm to estimate MS prevalence in each population. Fourth, combine MS prevalence estimates into a single estimate of US prevalence, weighted according to the number of insured persons in each health insurance segment. CONCLUSIONS: By addressing methodologic challenges and proposing a new approach for measuring the prevalence of MS in the United States, we hope that our work will benefit scientists who study neurologic and other chronic conditions for which national prevalence estimates do not exist.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».