MétaCan
Menu
Retour à la cohorte
Enregistrement W3161696192 · doi:10.1097/mlr.0000000000001566

Measuring Multimorbidity

2021· article· en· W3161696192 sur OpenAlexaff
Jerry Suls, Elizabeth A. Bayliss, Jay G. Berry, Arlene S. Bierman, Elizabeth A. Chrischilles, Tilda Farhat, Martin Fortin, Siran M. Koroukian, Ana Quiñones, Jeffrey H. Silber, Brian Ward, Melissa Y. Wei, Deborah Lee Young-Hyman, Carrie N. Klabunde

Notice bibliographique

RevueMedical Care · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueChronic Disease Management Strategies
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesNational Institute on AgingNational Institutes of Health
Mots-clésMultimorbidityMedicinePublic healthHealth careMedical recordMEDLINEFamily medicineGerontologyNursingChronic disease

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Adults have a higher prevalence of multimorbidity-or having multiple chronic health conditions-than having a single condition in isolation. Researchers, health care providers, and health policymakers find it challenging to decide upon the most appropriate assessment tool from the many available multimorbidity measures. OBJECTIVE: The objective of this study was to describe a broad range of instruments and data sources available to assess multimorbidity and offer guidance about selecting appropriate measures. DESIGN: Instruments were reviewed and guidance developed during a special expert workshop sponsored by the National Institutes of Health on September 25-26, 2018. RESULTS: Workshop participants identified 4 common purposes for multimorbidity measurement as well as the advantages and disadvantages of 5 major data sources: medical records/clinical assessments, administrative claims, public health surveys, patient reports, and electronic health records. Participants surveyed 15 instruments and 2 public health data systems and described characteristics of the measures, validity, and other features that inform tool selection. Guidance on instrument selection includes recommendations to match the purpose of multimorbidity measurement to the measurement approach and instrument, review available data sources, and consider contextual and other related constructs to enhance the overall measurement of multimorbidity. CONCLUSIONS: The accuracy of multimorbidity measurement can be enhanced with appropriate measurement selection, combining data sources and special considerations for fully capturing multimorbidity burden in underrepresented racial/ethnic populations, children, individuals with multiple Adverse Childhood Events and older adults experiencing functional limitations, and other geriatric syndromes. The increased availability of comprehensive electronic health record systems offers new opportunities not available through other data sources.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,531
Score d'incertitude au seuil0,993

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0080,000

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.

Tête enseignante Opus0,093
Tête enseignante GPT0,344
Écart entre enseignants0,251 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations47
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical CareMême sujetChronic Disease Management StrategiesTravaux en français237 207