Multimorbidity prevalence and health outcome prediction: assessing the impact of lookback periods, disease count, and definition criteria in health administrative data at the population-based level
Notice bibliographique
Résumé
BACKGROUND: Health administrative databases play a crucial role in population-level multimorbidity surveillance. Determining the appropriate retrospective or lookback period (LP) for observing prevalent and newly diagnosed diseases in administrative data presents challenge in estimating multimorbidity prevalence and predicting health outcome. The aim of this population-based study was to assess the impact of LP on multimorbidity prevalence and health outcomes prediction across three multimorbidity definitions, three lists of diseases used for multimorbidity assessment, and six health outcomes. METHODS: We conducted a population-based study including all individuals ages > 65 years on April 1st, 2019, in Québec, Canada. We considered three lists of diseases labeled according to the number of chronic conditions it considered: (1) L60 included 60 chronic conditions from the International Classification of Diseases (ICD); (2) L20 included a core of 20 chronic conditions; and (3) L31 included 31 chronic conditions from the Charlson and Elixhauser indices. For each list, we: (1) measured multimorbidity prevalence for three multimorbidity definitions (at least two [MM2+], three [MM3+] or four (MM4+) chronic conditions); and (2) evaluated capacity (c-statistic) to predict 1-year outcomes (mortality, hospitalisation, polypharmacy, and general practitioner, specialist, or emergency department visits) using LPs ranging from 1 to 20 years. RESULTS: Increase in multimorbidity prevalence decelerated after 5-10 years (e.g., MM2+, L31: LP = 1y: 14%, LP = 10y: 58%, LP = 20y: 69%). Within the 5-10 years LP range, predictive performance was better for L20 than L60 (e.g., LP = 7y, mortality, MM3+: L20 [0.798;95%CI:0.797-0.800] vs. L60 [0.779; 95%CI:0.777-0.781]) and typically better for MM3 + and MM4 + definitions (e.g., LP = 7y, mortality, L60: MM4+ [0.788;95%CI:0.786-0.790] vs. MM2+ [0.768;95%CI:0.766-0.770]). CONCLUSIONS: In our databases, ten years of data was required for stable estimation of multimorbidity prevalence. Within that range, the L20 and multimorbidity definitions MM3 + or MM4 + reached maximal predictive performance.
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 | 0,050 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».