Modeling Manifest Huntington’s Disease Prevalence Using Diagnosed Incidence and Survival Time
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Understanding the epidemiology of Huntington's disease (HD) is key to assessing disease burden and the healthcare resources required to meet patients' needs. We aimed to develop and validate a model to estimate the diagnosed prevalence of manifest HD by the Shoulson-Fahn stage. METHODS: A literature review identified epidemiological data from Brazil, Canada, France, Germany, Italy, Spain, the UK, and the USA. Data on staging distribution at diagnosis, progression, and mortality were derived from Enroll-HD. Newly diagnosed patients with manifest HD were simulated by applying annual diagnosed incidence rates to the total population in each country, each year from 1950 onwards. The number of diagnosed prevalent patients from the previous year who remained in each stage was estimated in line with the probability of death or progression. Diagnosed prevalence in 2020 was estimated as the sum of simulated patients, from all the incident cohorts, still alive. RESULTS: The model estimates that in 2020, there were 66,787 individuals diagnosed with HD in the 8 included countries, of whom 62-63% were in Shoulson-Fahn stages 1 and 2 (with less severely limited functional capacity than those in stages 3-5). Diagnosed prevalence is estimated to be 8.2-9.0 per 100,000 in the USA, Canada, and the 5 included European countries and 3.5 per 100,000 in Brazil. CONCLUSION: The modeled estimates generally accord with the previously published data. This analysis contributes to better understanding of the epidemiology of HD and highlights areas of uncertainty.
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.
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 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 découle