Modeling chronic disease risk across equity factors using a population-based prediction model: the Chronic Disease Population Risk Tool (CDPoRT)
Notice bibliographique
Résumé
BACKGROUND: Predicting chronic disease incidence at a population level can help inform overall future chronic disease burden and opportunities for prevention. This study aimed to estimate the future burden of chronic disease in Ontario, Canada, using a population-level risk prediction algorithm and model interventions for equity-deserving groups who experience barriers to services and resources due to disadvantages and discrimination. METHODS: The validated Chronic Disease Population Risk Tool (CDPoRT) estimates the 10-year risk and incidence of major chronic diseases. CDPoRT was applied to data from the 2017/2018 Canadian Community Health Survey to predict baseline 10-year chronic disease estimates to 2027/2028 in the adult population of Ontario, Canada, and among equity-deserving groups. CDPoRT was used to model prevention scenarios of 2% and 5% risk reductions over 10 years targeting high-risk equity-deserving groups. RESULTS: Baseline chronic disease risk was highest among those with less than secondary school education (37.5%), severe food insecurity (19.5%), low income (21.2%) and extreme workplace stress (15.0%). CDPoRT predicted 1.42 million new chronic disease cases in Ontario from 2017/2018 to 2027/2028. Reducing chronic disease risk by 5% prevented 1500 cases among those with less than secondary school education, prevented 14 900 cases among those with low household income and prevented 2800 cases among food-insecure populations. Large reductions of 57 100 cases were found by applying a 5% risk reduction in individuals with quite a bit workplace stress. CONCLUSION: Considerable reduction in chronic disease cases was predicted across equity-defined scenarios, suggesting the need for prevention strategies that consider upstream determinants affecting chronic disease risk.
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 | 0,048 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».