MétaCan
Menu
Retour à la cohorte
Enregistrement W4296071803 · doi:10.1136/bmjgh-2022-008880

Community prevalence and dyad disease pattern of multimorbidity in China and India: a systematic review

2022· review· en· W4296071803 sur OpenAlexaboutno aff
Xinyi Zhang, Asutosh Padhi, Wei Ting, Shangzhi Xiong, Jie Yu, Pengpeng Ye, Wenijng Tian, Hongru Sun, David Peiris, Devarsetty Praveen, Maoyi Tian

Notice bibliographique

RevueBMJ Global Health · 2022
Typereview
Langueen
DomaineMedicine
ThématiqueChronic Disease Management Strategies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDyadChinaDiseaseMultimorbidityMedicineGeographyEnvironmental healthPsychologyPathology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Driven by the increasing life expectancy, China and India, the two most populous countries in the world are experiencing a rising burden of multimorbidity. This study aims to explore community prevalence and dyad patterns of multimorbidity in China and India. METHODS: We conducted a systematic review of five English and Chinese electronic databases. Studies involving adults 18 years or older at a community level, which reported multimorbidity prevalence and/or patterns were included. A modified Newcastle-Ottawa Scale was used for quality assessment. Despite large heterogeneity among reported studies, a systematic synthesis of the results was conducted to report the findings. RESULTS: From 13 996 studies retrieved, 59 studies met the inclusion criteria (46 in China, 9 in India and 4 in both). The median prevalence of multimorbidity was 30.7% (IQR 17.1, 49.4), ranging from 1.5% to 90.5%. There was a large difference in multimorbidity prevalence between China and India, with median prevalence being 36.1% (IQR 19.6, 48.8) and 28.3% (IQR 8.9, 56.8), respectively. Among 27 studies that reported age-specific prevalence, 19 studies found multimorbidity prevalence increased with age, while 8 studies observed a paradoxical reduction in the oldest age group. Of the 34 studies that reported sex-specific prevalence, 86% (n=32) observed a higher prevalence in females. The most common multimorbidity patterns from 14 studies included hypertensive diseases combined with diabetes mellitus, arthropathies, heart diseases and metabolic disorders. All included studies were rated as fair or poor quality. CONCLUSION: Multimorbidity is highly prevalent in China and India with hypertensive diseases and other comorbidities being the most observed patterns. The overall quality of the studies was low and there was a lack of representative samples in most studies. Large epidemiology studies, using a common definition of multimorbidity and national representative samples, with sex disaggregation are needed in both countries. PROSPERO REGISTRATION NUMBER: CRD42020176774.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,085
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0030,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,108
Tête enseignante GPT0,475
Écart entre enseignants0,367 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations58
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMJ Global HealthMême sujetChronic Disease Management StrategiesTravaux en français237 207