Comorbidity and health-related quality of life among Australian adults with psychological distress: a detailed longitudinal study
Notice bibliographique
Résumé
Abstract Aim This observational study explores how clinically relevant comorbidities affect health-related quality of life (HRQoL) in individuals with psychological distress (PD), focusing on the number, types, and patterns of comorbidities to improve patient care and outcomes. Subject and methods We utilized unit record data for individuals with PD from the Household, Income, and Labor Dynamics in Australia (HILDA) survey. HRQoL, expressed as the health state utility score (HSU), was assessed via the Short-Form Six-Dimension (SF-6D) health survey derived from the 36-Item Short Form Survey (SF-36) and calculated using an Australian scoring algorithm. Multimorbidity was defined as the presence of two or more chronic conditions. A linear mixed model (LMM) was used to assess the impact of comorbidities on HRQoL in individuals with PD, and additional LMM regressions were performed to examine differences based on comorbidity type and pattern. Results The final sample included 26,991 observations (mean age 40.75 years; 58.25% female). Among individuals with PD, 31.36% had at least one comorbidity, with cardiovascular disease the most common (14.09%). The most prevalent pattern was ‘cardiovascular + musculoskeletal’ (9.43%). Higher numbers of comorbidities significantly worsened HRQoL, from −0.01 (95% CI −0.03, 0.01) for one comorbidity to −0.06 (95% CI −0.08, −0.03) for five comorbidities. Cancer had the greatest impact (−0.02; 95% CI −0.03, −0.02), while patterns involving cardiovascular and cancer or metabolic with multiple conditions reduced HSU by −0.03 (95% CI −0.05, −0.01) to −0.05 (95% CI −0.08, −0.02). Conclusions The types and patterns of comorbidities significantly impact HRQoL, even with a consistent comorbidity count. Early detection and treatment of these conditions can enhance HRQoL in individuals with PD.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».