The prevalence of multimorbidity in primary care: a comparison of two definitions of multimorbidity with two different lists of chronic conditions in Singapore
Notice bibliographique
Résumé
BACKGROUND: The prevalence of multimorbidity varies widely due to the lack of consensus in defining multimorbidity. This study aimed to measure the prevalence of multimorbidity in a primary care setting using two definitions of multimorbidity with two different lists of chronic conditions. METHODS: We conducted a cross-sectional study of 787,446 patients, aged 0 to 99 years, who consulted a family physician between July 2015 to June 2016. Multimorbidity was defined as 'two or more' (MM2+) or 'three or more' (MM3+) chronic conditions using the Fortin list and Chronic Disease Management Program (CDMP) list of chronic conditions. Crude and standardised prevalence rates were reported, and the corresponding age, sex or ethnic-stratified standardised prevalence rates were adjusted to the local population census. RESULTS: The number of patients with multimorbidity increased with age. Age-sex-ethnicity standardised prevalence rates of multimorbidity using MM2+ and MM3+ for Fortin list (25.9, 17.2%) were higher than those for CDMP list (22.0%; 12.4%). Sex-stratified, age-ethnicity standardised prevalence rates for MM2+ and MM3+ were consistently higher in males compared to females for both lists. Chinese and Indians have the highest standardised prevalence rates among the four ethnicities using MM2+ and MM3+ respectively. CONCLUSIONS: MM3+ was better at identifying a smaller number of patients with multimorbidity requiring higher needs compared to MM2+. Using the Fortin list seemed more appropriate than the CDMP list because the chronic conditions in Fortin's list were more commonly seen in primary care. A consistent definition of multimorbidity will help researchers and clinicians to understand the epidemiology of multimorbidity better.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 ».