Impact of comorbidity on hospitalizations in individuals newly diagnosed with multiple sclerosis: A longitudinal population-based study
Notice bibliographique
Résumé
BACKGROUND: It has been suggested that comorbidity in subjects with multiple sclerosis (MS) increases the risk of hospitalizations, although few studies have examined this, and rarely in an incident population. METHODS: Incident MS cases were identified retrospectively from administrative data in Saskatchewan, Canada (1996 - 2017) using a validated definition (≥3 hospital, physician or drug claims for MS); the date of the first claim for MS or a demyelinating condition was considered the index date. All hospitalizations occurring after the index were included in the analyses. Comorbidity was defined in 3 ways: any comorbidity (yes/no); a total count of comorbidity (0, 1, or ≥2); and by individual comorbidities. The impact of comorbidity on all-cause hospitalizations was examined with negative binomial regression models fitted with generalized estimating questions. In subjects with at least one hospitalization during the follow-up period, we examined associations between comorbidity and MS-related hospitalizations logistic using regression models fitted with GEE. RESULTS: Subjects with comorbidity had a higher rate of all-cause hospitalizations compared to those without any comorbidity (aRR 1.72; 95% CI: 1.48-1.99); comorbidity did not increase the odds of having an MS-specific hospitalization (aOR 0.76; 95% CI: 0.59-0.99). Individual comorbidities including diabetes, ischemic heart disease, chronic lung disease, epilepsy, and mood disorders increased the rate of all-cause hospitalizations, but had little impact on MS-related hospitalizations. A longer disease duration was associated with decreased all-cause and MS-specific admissions. CONCLUSION: Comorbidity increased the rate of all-cause, but not MS-specific, hospital admissions. Hospitalization rates were higher during the earlier stages of MS. Therefore, recognizing and managing comorbidity in the MS population, especially early in the disease course, will likely have the biggest impact on reducing overall hospital admissions.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».