Risk of Developing Multimorbidity among Previously Healthy Immigrants and Long-term Ontario Residents
Notice bibliographique
Résumé
Background Multimorbidity is an important health issue associated with a greater risk of adverse health outcomes, more frequent hospitalizations, greater healthcare needs, and premature death. This study examined patterns of and the risk of developing multimorbidity between immigrants and long-term residents of Ontario. Methods We used a 1:1 matched retrospective observational open cohort design from 1995 to 2016, using routinely collected population-based administrative data at ICES. Multimorbidity was defined as two or more and three or more co-occurring chronic conditions. Chronic disease frequencies of dyads and triads were examined. Stratified multivariate Cox Proportional Hazard models examined the risk of developing multimorbidity and further by world regions of origin for immigrants compared to long-term residents. Results Hypertension and diabetes, in combination with chronic obstructive pulmonary disease, were the leading multimorbidity dyad and triad groups. After controlling for age, sex, and neighborhood income quintiles, immigrants from the Caribbean and South Asia had a greater risk of developing 2+ multimorbidity, compared to long-term residents. Refugees from North Africa and the Middle East (HR = 1.22 [95% CI: 1.03-1.42]) as well as refugees (HR = 1.78 [95% CI: 1.59 – 1.98]) and family immigrants from South Asia (HR: 1.08 [95% CI: 1.02-1.14]), had a higher risk of 3+ multimorbidity compared to long-term residents of Ontario. Conclusion These findings highlight the importance of routine population-based data collection on immigration status and world regions of origin to inform public health research. Investments in preventive health services and management of multimorbidity are needed for specific population groups.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».