Examining Risk Factors Accelerating Time-to-Chronic Obstructive Pulmonary Disease (COPD) Diagnosis among Asthma Patients
Notice bibliographique
Résumé
(aFTR) and 95% Confidence Interval (95% CI) for factors predicting time-to-COPD diagnosis among asthma patients. We identified 68,211 asthma patients with a mean age of 48.2 years included in the analysis. Risk factors accelerating time-to-COPD diagnosis included: male sex (aFTR: 0.62, 95% CI:0.56-0.68), older adults (age > 40 years) [aFTR: 0.03, 95% CI: 0.02-0.04], history of tobacco smoking (aFTR: 0.29, 95% CI: 0.13-0.68), asthma exacerbations (aFTR: 0.81, 95%CI: 0.70, 0.94), frequent emergency admissions (aFTR:0.21, 95% CI: 0.17-0.25), longer hospital stay (aFTR:0.07, 95% CI: 0.06-0.09), patients with increased burden of comorbidities (aFTR:0.28, 95% CI: 0.22-0.34), obese male sex (aFTR:0.38, 95% CI: 0.15-0.99), SABA overuse (aFTR: 0.61, 95% CI: 0.44-0.84), moderate (aFTR:0.23, 95% CI: 0.21-0.26), and severe asthma (aFTR:0.10, 95% CI: 0.08-0.12). After adjustment, MA ≥0.80 was significantly associated with 83% delayed time-to-COPD diagnosis [i.e. aFTR =1.83, 95%CI: 1.54-2.17 for PDC]. However, asthma severity significantly modifies the effect of MA independent of tobacco smoking history. The targeted intervention aimed to mitigate early diagnosis of COPD may prioritize enhancing medication adherence among asthma patients to prevent frequent exacerbation during follow-up.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».