Polypharmacy and multiple sclerosis: A population-based study
Notice bibliographique
Résumé
BACKGROUND: Little is known about polypharmacy and multiple sclerosis (MS). OBJECTIVES: To estimate polypharmacy prevalence in a population-based MS cohort and compare persons with/without polypharmacy. METHODS: Using administrative and pharmacy data from Canada, we estimated polypharmacy prevalence (⩾5 concurrent medications for >30 consecutive days) in MS individuals in 2017. We compared the characteristics of persons with/without polypharmacy and described the number of polypharmacy days, the most common medication classes contributing to polypharmacy and hyper-polypharmacy prevalence (⩾10 medications). RESULTS: = 3995) met criteria for polypharmacy (median polypharmacy days = 273 (interquartile range (IQR): 120-345)). Odds of polypharmacy were higher for women (adjusted odds ratio (aOR) = 1.14; 95% confidence intervals (CI):1.04-1.25), older individuals (aORs 50-64 years = 2.04; 95% CI:1.84-2.26; ⩾65 years = 3.26; 95% CI: 2.92-3.63 vs. <50 years), those with more comorbidities (e.g. ⩾3 vs. none, aOR = 6.03; 95% CI: 5.05-7.22) and lower socioeconomic status (SES) (e.g. most (SES-Q1) vs. least deprived (SES-Q5) aOR = 1.64; 95% CI: 1.44-1.86). Medication classes most commonly contributing to polypharmacy were as follows: antidepressants (66% of polypharmacy days), antiepileptics (47%), and peptic ulcer drugs (41%). Antidepressants were most frequently co-prescribed with antiepileptics (34% of polypharmacy days) and peptic ulcer drugs (27%). Five percent of persons (716/14,227) experienced hyper-polypharmacy. CONCLUSION: More than one in four MS persons met criteria for polypharmacy. The odds of polypharmacy were higher for women, older persons, and those with more comorbidities, but lower SES.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».