UTIs and chest infection are associated with higher disability in algorithmically identified multiple sclerosis
Notice bibliographique
Résumé
<h3>Introduction</h3> An algorithmically identified Multiple Sclerosis (MS) population in Wales using a diagnostic method based on McDonald criteria alone had less severe disease compared to those with multiple encounters. We investigated the nature of the encounters. <h3>Method</h3> MS subjects were identified using two algorithms, ‘Manitoba10’ based on multiple healthcare encounters and based on McDonald criteria minus the Manitoba10 population ‘Not Manitoba10’. Top 10 primary admissions, number of chest infections (ICD10 J00-J06, J09-J18, J20-J22) and UTIs (ICD10 N390) were compared to the general population. <h3>Results</h3> 1,845,360/4,616,124 subjects in the general population had a UTI or chest infection, versus (4,166/5,438) Manitoba10 and (2,346/4,153) Not Manitoba10. Mean UTI and chest infection admissions were significantly higher in Manitoba10 versus the general population (UTI 1.45,p<0.001, Chest 0.79,p<0.001); in Not Manitoba10 only UTI was significant (UTI 0.45,p<0.001, Chest 0.48,p=0.464). Manitoba10 cohort had significantly higher UTI/Chest infection admissions compared to Not Manitoba10 (p<0.001). Of the top 10 primary causes of hospital admission, Manitoba10 features more events related to increasing disability (Holiday relief care, sepsis, pneumonitis), whereas the general population has more frequent admissions for cancer related events and UTIs. <h3>Discussion</h3> MS subjects with multiple encounters have more frequent hospital admissions for UTIs and chest infections potentially contributing to more severe 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 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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».