Patterns of multiple chronic conditions in pregnancy: Population‐based study using latent class analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Adults with multiple chronic conditions (MCC) are a heterogeneous population with elevated risk of future adverse health outcomes. Yet, despite the increasing prevalence of MCC globally, data about MCC in pregnancy are scarce. OBJECTIVES: To estimate the population prevalence of MCC in pregnancy and determine whether certain types of chronic conditions cluster together among pregnant women with MCC. METHODS: We conducted a population-based cohort study in Ontario, Canada, of all 15-55-year-old women with a recognised pregnancy, from 2007 to 2020. MCC was assessed from a list of 22 conditions, identified using validated algorithms. We estimated the prevalence of MCC. Next, we used latent class analysis to identify classes of co-occurring chronic conditions in women with MCC, with model selection based on parsimony, clinical interpretability and statistical fit. RESULTS: Among 2,014,508 pregnancies, 324,735 had MCC (161.2 per 1000, 95% confidence interval [CI] 160.6, 161.8). Latent class analysis resulted in a five-class solution. In four classes, mood and anxiety disorders were prominent and clustered with one additional condition, as follows: Class 1 (22.4% of women with MCC), osteoarthritis; Class 2 (23.7%), obesity; Class 3 (15.8%), substance use disorders; and Class 4 (22.1%), asthma. In Class 5 (16.1%), four physical conditions clustered together: obesity, asthma, chronic hypertension and diabetes mellitus. CONCLUSIONS: MCC is common in pregnancy, with sub-types dominated by co-occurring mental and physical health conditions. These data show the importance of preconception and perinatal interventions, particularly integrated care strategies, to optimise treatment and stabilisation of chronic conditions in women with MCC.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle