Estimation of prevalence of autoimmune diseases in the United States using electronic health record data
Notice bibliographique
Résumé
BACKGROUNDPrevious epidemiologic studies of autoimmune diseases in the US have included a limited number of diseases or used metaanalyses that rely on different data collection methods and analyses for each disease.METHODSTo estimate the prevalence of autoimmune diseases in the US, we used electronic health record data from 6 large medical systems in the US. We developed a software program using common methodology to compute the estimated prevalence of autoimmune diseases alone and in aggregate that can be readily used by other investigators to replicate or modify the analysis over time.RESULTSOur findings indicate that over 15 million people, or 4.6% of the US population, have been diagnosed with at least 1 autoimmune disease from January 1, 2011, to June 1, 2022, and 34% of those are diagnosed with more than 1 autoimmune disease. As expected, females (63% of those with autoimmune disease) were almost twice as likely as males to be diagnosed with an autoimmune disease. We identified the top 20 autoimmune diseases based on prevalence and according to sex and age.CONCLUSIONHere, we provide, for what we believe to be the first time, a large-scale prevalence estimate of autoimmune disease in the US by sex and age.FUNDINGAutoimmune Registry Inc., the National Heart Lung and Blood Institute, the National Center for Advancing Translational Sciences, the Intramural Research Program of the National Institute of Environmental Health Sciences.
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 | 0,009 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».