Trends in prevalence of chronic disease and multimorbidity in Ontario, Canada
Notice bibliographique
Résumé
BACKGROUND: New case-mix tools from the Canadian Institute for Health Information offer a novel way of exploring the prevalence of chronic disease and multimorbidity using diagnostic data. We took a comprehensive approach to determine whether the prevalence of chronic disease and multimorbidity has been rising in Ontario, Canada. METHODS: In this observational study, we applied case-mix methodology to a population-based cohort. We used 10 years of patient-level data (fiscal years 2008/09 to 2017/18) from multiple care settings to compute the rolling 5-year prevalence of 85 chronic diseases and multimorbidity (i.e., the co-occurrence of 2 or more diagnoses). Diseases were further classified based on type and severity. We report both crude and age- and sex-standardized trends. RESULTS: The number of patients with chronic disease increased by 11.0% over the 10-year study period to 9.8 million in 2017/18, and the number with multimorbidity increased 12.2% to 6.5 million. Overall increases from 2008/09 to 2017/18 in the crude prevalence of chronic conditions and multimorbidity were driven by population aging. After adjustments for age and sex, the prevalence of patients with ≥ 1 chronic conditions decreased from 70.2% to 69.1%, and the prevalence of multimorbidity decreased from 47.1% to 45.6%. This downward trend was concentrated in minor and moderate diseases, whereas the prevalence of many major chronic diseases rose, along with instances of extreme multimorbidity (≥ 8 conditions). Age- and sex-standardized resource intensity weights, which reflect relative expected costs associated with patient diagnostic profiles, increased 4.6%. INTERPRETATION: Evidence of an upward trend in the prevalence of chronic disease was mixed. However, the change in case mix toward more serious conditions, along with increasing patient resource intensity weights overall, may portend a future need for population health management and increased health system spending above that predicted by population aging.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».