Role of clinical, functional and social factors in the association between multimorbidity and quality of life: Findings from the Survey of Health, Ageing and Retirement in Europe (SHARE)
Notice bibliographique
Résumé
OBJECTIVE: An increasing number of diseases is linked to deterioration of quality of life (QoL). Part of this association can be explained by socio-economic factors, which are most commonly accounted for. Our aim was to explore the potential contribution of other factors related to clinical burden, social interaction and functioning. METHODS: A cross-sectional analysis was conducted on wave 6 of the population-based Survey of Health, Ageing and Retirement in Europe (SHARE), among participants aged 50+ (n = 67 179). The Control, Autonomy, Self-Realization and Pleasure (CASP-12v1) questionnaire measured QoL. The association between number of diseases and QoL was tested in a mixed-effects linear regression model. The base model controlled for socio-economic characteristics. Factors of interest (symptoms, polypharmacy, unmet care needs, utilisation of care, social network, personal and financial help, loneliness and activities of daily living (ADL) with instrumental activities (IADL)) were added to the base model one at a time and tested for relevance (i.e. change in the β-coefficient of the number of conditions of 15% or more). RESULTS: Symptoms, polypharmacy, loneliness and ADL/IADL appeared relevant and were retained in the final model. The association between number of conditions and QoL in the base model was -2.44 [95% CI: -2.72; -2.16], while this association was -0.76 [95%CI: -0.97; -0.54] after all relevant factors were included. CONCLUSION: Factors beyond the socio-economic circumstances play an important role in explaining the association between number of conditions and QoL. These factors should be considered to better estimate the impact of chronic diseases on QoL, and for improving patient care.
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 | 0,002 | 0,003 |
| 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) | 0,000 | 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 ».