Identifying patterns of co-occurring chronic conditions preceding dementia: An unsupervised machine learning approach using health administrative data
Notice bibliographique
Résumé
ObjectivesIndividual risk factors for dementia are well known, but the influence of co-occurring chronic conditions has not been considered. We identified clusters of chronic conditions using an unsupervised machine learning approach and examined associations with incident dementia. ApproachUsing linked population-based administrative databases, we followed all community-dwelling adults aged 40-54 years in Ontario, Canada from April 2002 until March 2019 for incident dementia. We estimated the prevalence of 29 chronic conditions using validated algorithms and/or diagnosis codes. We reduced dataset dimensionality using multiple correspondence analysis and a fuzzy c-means clustering algorithm identified the optimal number of clusters (between 3-6 tested). Associations between clusters and incident dementia were examined using a cause-specific hazard model adjusted for sociodemographic characteristics and accounting for the competing risk of death. ResultsWe identified 82,359 eligible individuals (random 3% sample of total eligible individuals; mean age 46.5 years; 50.4% female). Regression analyses were based on 5 comorbidity clusters (fuzzy silhouette index:0.69). Compared to the low comorbidity cluster, persons in the cerebrovascular disease/metabolic (HRadj=3.06, 95%CI[2.42,3.86]) and neuro-related/mental health clusters (HRadj=2.51, 95%CI[2.05,3.07]) had the highest rates of incident dementia, followed by the cardiovascular risk factor cluster (HRadj=1.66,95%CI[1.32,2.09]). Persons in the cancer cluster did not have an increased incidence of dementia (HRadj=0.96,95%CI[0.77,1.20]). ConclusionsWe found significant associations between machine learning-derived clusters of chronic conditions and dementia. ImplicationsUnsupervised machine learning approaches to identify clusters of chronic conditions may be a useful tool for considering the impact of multimorbidity on dementia 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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,001 | 0,006 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».