Feasibility of identifying and describing the burden of early-onset metabolic syndrome in primary care electronic medical record data: a cross-sectional analysis
Notice bibliographique
Résumé
Background: The prevalence of metabolic syndrome is growing worldwide, yet remains underinvestigated in Canadian young adults. We sought to explore the use of a harmonized case definition specific to early-onset metabolic syndrome and determine its feasibility in assessing the prevalence of metabolic syndrome among electronic medical record (EMR) data of young adults in Northern Alberta. Methods: We conducted a cross-sectional study using a sample of EMR data from young adult patients aged 18–40 years and residing in Northern Alberta, who had an encounter with a participating primary care clinic between June 29, 2015, and June 29, 2018. Physical examination, laboratory investigation and disease diagnosis data were collected. A case definition and algorithm were developed to assess the feasibility of identifying metabolic syndrome, including measures for body mass index (BMI), blood pressure (BP), dysglycemia, hypertriglyceridemia, high-density lipoprotein cholesterol, diabetes and hypertension. Results: Among 15 766 young adults, the case definition suggested the prevalence of metabolic syndrome was 4.4%, 95% confidence interval (CI) 4.1%–4.7%. The most frequent 3-factor combination (41.6%, 95% CI 37.9%–45.3%) of metabolic syndrome criteria consisted of being overweight or obese, having elevated BP and hypertriglyceridemia. Half of metabolic syndrome cases (51.3%, 95% CI 47.6%–55.0%) were missing measures for fasting blood glucose, and one-fifth were missing a hemoglobin A1c (HbA1c) level. Notably, most young adults with a BMI of 25 or greater were missing HbA1c (68.7%, 95% CI 67.6%–69.8%), fasting blood glucose (84.0%, 95% CI 83.2%–84.8%) and triglyceride testing (79.0%, 95% CI 78.1%–79.9%). Interpretation: We have shown that our case definition is feasible in identifying early-onset metabolic syndrome using EMR data; however, the degree of missing data limits the feasibility in assessing prevalence. Further investigation is required to validate this case definition for metabolic syndrome in the EMR data, which may involve comparing this definition to other validated metabolic syndrome case definitions.
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 | 0,048 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».