Multimorbidity in large Canadian urban centres: A multilevel analysis of pooled 2015–2018 cross-sectional cycles of the Canadian Community Health Survey
Notice bibliographique
Résumé
BACKGROUND: There is limited knowledge on how the prevalence of multimorbidity varies within and across major Canadian urban centres. The objective of this study was to investigate the between-neighbourhood variation in the prevalence of multimorbidity in Canada's large urban centres, controlling for compositional effects associated with individual-level demographic and socioeconomic factors. METHODS: = 100,803). Census tracts (CTs) were used as a measure of neighbourhood. To assess the between-neighbourhood differences in multimorbidity prevalence, we fitted three sequential random intercept logistic regression models. RESULTS: During the 2015-2018 period, 8.1% of residents of large urban centres had multimorbidity. The results from the unadjusted model indicate that 13.4% of the total individual variance in multimorbidity could be attributed to the between-neighbourhood differences. After adjustment for overall characteristics of the CMAs in which these neighbourhoods are located, as well as for individual-level demographic and socioeconomic factors related to compositional effects, 11.0% of the individual variance in multimorbidity could still be attributed to the between-neighbourhood differences. CONCLUSION: There is significant and substantial geographic variation in multimorbidity prevalence across neighbourhoods in Canada's large urban centres. Residing in some neighbourhoods could be associated with increased odds of having multimorbidity, even after accounting for overall characteristics of the CMAs in which these neighbourhoods are located, as well as individual-level factors.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».