MétaCan
Menu
Retour à la cohorte
Enregistrement W4390739227 · doi:10.1136/jech-2023-220570

Multistate survival modelling of multimorbidity and transitions across health needs states and death in an ageing population

2024· article· en· W4390739227 sur OpenAlexaff
Qian Gao, Graciela Muñiz‐Terrera, Rosie Mayston, Matthew Prina

Notice bibliographique

RevueJournal of Epidemiology & Community Health · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueChronic Disease Management Strategies
Établissements canadiensPopulation Health Research InstituteInstitute of Population and Public Health
Organismes subventionnairesMedical Research Council
Mots-clésMedicineMultimorbidityLife expectancyGerontologyPopulationHealth careDemographyInequalityEpidemiological transitionMental healthEnvironmental healthPsychiatry

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Unmet health needs have the potential to capture health inequality. Nevertheless, the course of healthcare needs fulfilment, and the role of multimorbidity in this process remains unclear. This study assessed the bidirectional transitions between met and unmet health needs and the transition to death and examined the effect of multimorbidity on transitions. METHODS: This study was based on the China Health and Retirement Longitudinal Study, a nationally representative survey in 2011-2015 among 18 075 participants aged 45 and above (average age 61.1; SD 9.9). We applied a multistate survival model to estimate the probabilities and the instantaneous risk of state transitions, and Gompertz hazard models were fitted to estimate the total, marginal and state-specific life expectancies (LEs). RESULTS: Living with physical multimorbidity (HR=1.85, 95% CI 1.58 to 2.15) or physical-mental multimorbidity (HR=1.45, 95% CI 1.15 to 1.82) was associated with an increased risk of transitioning into unmet healthcare needs compared with no multimorbidity. Conversely, multimorbidity groups had a decreased risk of transitioning out of unmet needs. Multimorbidity was also associated with shortened total life expectancy (TLEs), and the proportion of marginal LE for having unmet needs was more than two times higher than no multimorbidity. CONCLUSION: Multimorbidity aggravates the risk of transitioning into having unmet healthcare needs in the middle and later life, leading to a notable reduction in TLEs, with longer times spent with unmet needs. Policy inputs on developing integrated person-centred services and specifically scaling up to target the complex health needs of ageing populations need to be in place.

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)0,004
score de la tête « metaresearch » (Gemma)0,008
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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,036
Score d'incertitude au seuil0,071

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,008
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,293
Tête enseignante GPT0,487
Écart entre enseignants0,194 · 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

Citations6
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Epidemiology & Community HealthMême sujetChronic Disease Management StrategiesTravaux en français237 207