Examine the association between key determinants identified by the chronic disease indicator framework and multimorbidity by rural and urban settings
Notice bibliographique
Résumé
Background: Multimorbidity, often defined as having two or more chronic conditions is a global phenomenon. This study examined the association between key determinants identified by the chronic disease indicator framework and multimorbidity by rural and urban settings. The prevalence of individual diseases was also investigated by age and sex. Methods: The Canada Community Health Survey and linked health administrative databases were used to examine the association between multimorbidity, sociodemographic, behavioral, and other risk factors in the province of Ontario. A multivariable logistic regression model was used to conduct the main analysis. Results: Analyses were stratified by age (20–64 and 65–95) and area of residence (rural and urban). A total sample of n = 174,938 residents between the ages of 20–95 were examined in the Ontario province, of which 18.2% (n = 31,896) were multimorbid with 2 chronic conditions, and 23.4% (n = 40,883) with 3+ chronic conditions. Females had a higher prevalence of 2 conditions (17.9% versus 14.6%) and 3+ conditions (19.7% vs. 15.6%) relative to males. Out of all examined variables, poor self-perception of health, age, Body Mass Index, and income were most significantly associated with multimorbidity. Smoking was a significant risk factor in urban settings but not rural, while drinking was significant in rural and not urban settings. Income inequality was associated with multimorbidity with greater magnitude in rural areas. Prevalence of multimorbidity and having three or more chronic conditions were highest among low-income populations. Conclusion: Interventions targeting population weight, age/sex specific disease burdens, and additional focus on stable income are encouraged.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».