Patterns of multimorbidity in primary care electronic health records: A systematic review
Notice bibliographique
Résumé
Background: Multimorbidity, the coexistence of multiple chronic conditions in an individual, is a complex phenomenon that is highly prevalent in primary care settings, particularly in older individuals. This systematic review summarises the current evidence on multimorbidity patterns identified in primary care electronic health record (EHR) data. Methods: Three databases were searched from inception to April 2022 to identify studies that derived original multimorbidity patterns from primary care EHR data. The quality of the included studies was assessed using a modified version of the Newcastle-Ottawa Quality Assessment Scale. Results: Sixteen studies were included in this systematic review, none of which was of low quality. Most studies were conducted in Spain, and only one study was conducted outside of Europe. The prevalence of multimorbidity (i.e. two or more conditions) ranged from 14.0% to 93.9%. The most common stratification variable in disease clustering models was sex, followed by age and calendar year. Despite significant heterogeneity in clustering methods and disease classification tools, consistent patterns of multimorbidity emerged. Mental health and cardiovascular patterns were identified in all studies, often in combination with diseases of other organ systems (e.g. neurological, endocrine). Discussion: These findings emphasise the frequent coexistence of physical and mental health conditions in primary care, and provide useful information for the development of targeted preventive and management strategies. Future research should explore mechanisms underlying multimorbidity patterns, prioritise methodological harmonisation to facilitate the comparability of findings, and promote the use of EHR data globally to enhance our understanding of multimorbidity in more diverse populations.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».