Network analysis of multimorbidity and health outcomes among persons with spinal cord injury in Canada
Notice bibliographique
Résumé
Introduction Multimorbidity, defined as the coexistence of two or more health conditions, is common in persons with spinal cord injury (SCI). Network analysis is a powerful tool to visualize and examine the relationship within complex systems. We utilized network analysis to explore the relationship between 30 secondary health conditions (SHCs) and health outcomes in persons with traumatic (TSCI) and non-traumatic SCI (NTSCI). The study objectives were to (1) apply network models to the 2011–2012 Canadian SCI Community Survey dataset to identify key variables linking the SHCs measured by the Multimorbidity Index-30 (MMI-30) to healthcare utilization (HCU), health status, and quality of life (QoL), (2) create a short form of the MMI-30 based on network analysis, and (3) compare the network-derived MMI to the MMI-30 in persons with TSCI and NTSCI. Methods Three network models (Gaussian Graphical, Ising, and Mixed Graphical) were created and analyzed using standard network measures (e.g., network centrality). Data analyzed included demographic and injury variables (e.g., age, sex, region of residence, date, injury severity), multimorbidity (using MMI-30), HCU (using the 7-item HCU questionnaire and classified as “felt needed care was not received” [HCU-FNCNR]), health status (using the 12-item Short Form survey [SF-12] Physical and Mental Component Summary [PCS-12 and MCS-12] score), and QoL (using the 11-item Life Satisfaction questionnaire [LiSAT-11] first question and a single item QoL measure). Results Network analysis of 1,549 participants (TSCI: 1137 and NTSCI: 412) revealed strong connections between the independent nodes (30 SHCs) and the dependent nodes (HCU-FNCNR, PCS-12, MCS-12, LiSAT-11, and the QoL score). Additionally, network models identified that cancer, deep vein thrombosis/pulmonary embolism, diabetes, high blood pressure, and liver disease were isolated. Logistic regression analysis indicated the network-derived MMI-25 correlated with all health outcome measures (p <0.001) and was comparable to the MMI-30. Discussion The network-derived MMI-25 was comparable to the MMI-30 and was associated with inadequate HCU, lower health status, and poor QoL. The MMI-25 shows promise as a follow-up screening tool to identify persons living with SCI at risk of having poor health outcomes.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».