Machine learning prediction of premature death from multimorbidity among people with inflammatory bowel disease: a population-based retrospective cohort study
Notice bibliographique
Résumé
Background: Multimorbidity, the co-occurrence of 2 or more chronic conditions, is important in patients with inflammatory bowel disease (IBD) given its association with complex care plans, poor health outcomes, and excess mortality. Our objectives were to describe premature death (age < 75 yr) among people with IBD and to identify patterns between multimorbidity and premature death among decedents with IBD. Methods: Using the administrative health data of people with IBD who died between 2010 and 2020 in Ontario, Canada, we conducted a population-based, retrospective cohort study. We described the proportion of premature deaths among people with IBD. We developed statistical and machine learning models to predict premature death from the presence of 17 chronic conditions and the patients’ age at diagnosis. We evaluated models using accuracy, positive predictive value, sensitivity, F1 scores, area under the receiver operating curve (AUC), calibration plots, and explainability plots. Results: All models showed strong performance (AUC 0.81–0.95). The best performing was the model that incorporated age at diagnosis for each chronic condition developed at or before age 60 years (AUC 0.95, 95% confidence interval 0.94–0.96). Salient features for predicting premature death were young ages of diagnosis for mood disorder, osteo-and other arthritis types, other mental health disorders, and hypertension, as well as male sex. Interpretation: By comparing results from multiple approaches modelling the impact of chronic conditions on premature death among people with IBD, we showed that conditions developed early in life (age ≤ 60 yr) and their age of onset were important for predicting their health trajectory. Clinically, our findings emphasize the need for models of care that ensure people with IBD have access to high-quality, multidisciplinary health care.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».