Timing of Co-occurring Chronic Conditions in Children With Neurologic Impairment
Notice bibliographique
Résumé
BACKGROUND: Children with neurologic impairment (NI) are at risk for developing co-occurring chronic conditions, increasing their medical complexity and morbidity. We assessed the prevalence and timing of onset for those conditions in children with NI. METHODS: This longitudinal analysis included 6229 children born in 2009 and continuously enrolled in Medicaid through 2015 with a diagnosis of NI by age 3 in the IBM Watson Medicaid MarketScan Database. NI was defined with an existing diagnostic code set encompassing neurologic, genetic, and metabolic conditions that result in substantial functional impairments requiring subspecialty medical care. The prevalence and timing of co-occurring chronic conditions was assessed with the Agency for Healthcare Research and Quality Chronic Condition Indicator system. Mean cumulative function was used to measure age trends in multimorbidity. RESULTS: The most common type of NI was static (56.3%), with cerebral palsy (10.0%) being the most common NI diagnosis. Respiratory (86.5%) and digestive (49.4%) organ systems were most frequently affected by co-occurring chronic conditions. By ages 2, 4, and 6 years, the mean (95% confidence interval [CI]) numbers of co-occurring chronic conditions were 3.7 (95% CI 3.7-3.8), 4.6 (95% CI 4.5-4.7), and 5.1 (95% CI 5.1-5.2). An increasing percentage of children had ≥9 co-occurring chronic conditions as they aged: 5.3% by 2 years, 10.0% by 4 years, and 12.8% by 6 years. CONCLUSIONS: Children with NI enrolled in Medicaid have substantial multimorbidity that develops early in life. Increased attention to the timing and types of multimorbidity in children with NI may help optimize their preventive care and case management health services.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».