MétaCan
Menu
← Retour à la cohorte
Enregistrement W4309619200 · doi:10.1136/bmjopen-2021-054441

Measuring the burden of comorbidity for ischaemic heart disease and four common non-communicable diseases in Iran, 1990–2017: a modelling study based on global burden of diseases data

2022· article· en· W4309619200 sur OpenAlexaff
Marjan Mansourian, Khojasteh Ghasemi, Ali Akbar Haghdoost, Jacek A. Kopec, Nizal Sarrafzadegan, Sheikh Mohammed Shariful Islam

Notice bibliographique

RevueBMJ Open · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueCardiac Health and Mental Health
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésMedicineComorbidityPopulationDisease burdenDiabetes mellitusMajor depressive disorderDiseaseNon-communicable diseaseInternal medicineDemographyGerontologyEnvironmental health

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: This modelling study aimed to estimate the comorbidity burden for four common non-communicable diseases with ischaemic heart diseases (IHD) in Iran during a period of 28 years. DESIGN: Analysis of the burden of comorbidity with IHD based on data included prevalence rates and the disability weight (DW) average for calculating years lived with disability (YLDs) from the Iran population based on the Global Burden of Disease (GBD) study. SETTING: Population-based available data in GBD 2017 study of Iran population. PARTICIPANT: The source of data was the GBD 2017 Study. We evaluated IHD, major depressive disorder (MDD), diabetes mellitus (DM), ischaemic stroke (IS), and osteoarthritis (OA) age-standardised prevalence rates and their DW. MAIN OUTCOME MEASURES: A new formula that modified the GBD calculator was used to measure the comorbidity YLDs. In the new formula, some multipliers were considered, measuring the departure from independence. RESULT: The contribution of total comorbidity for each combination of IHD with DM, MDD, IS and OA was 2.5%, 2.0%, 1.6% and 2.9%, respectively. The highest YLD rates were observed for IHD_MDD, 16.5 in 1990 and 17.0 in 2017. This was followed by IHD_DM, from 11.5 to 16.9 per 100 000. The YLD rates for IHD_OA changed slightly (6.5-6.7) per 100 000, whereas there was a gradual reduction in the trends of IHD-IS, from 4.0-4.5 per 100 000. CONCLUSION: Of the four comorbidities studied, the highest burden was due to the coexistence of MDD with IHD. Our results highlight the importance of addressing the burden of comorbidities when studying the burden of IHD or any other non-communicable disease.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,085
Score d'incertitude au seuil0,168

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,004
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,283
Tête enseignante GPT0,454
Écart entre enseignants0,171 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMJ Open→Même sujetCardiac Health and Mental Health→Travaux en français237 207→