Temporal multimorbidity patterns and cluster identification: a longitudinal analysis of administrative data
Notice bibliographique
Résumé
BACKGROUND: Multimorbidity is analytically and clinically complex, involving multiple interactions between diseases each with unique implications for health. Identifying disease co-occurrence patterns at the population level could aid in disease prevention, management, and care delivery. METHODS: Here, we analyzed multimorbidity patterns using linked administrative data from a longitudinal cohort of 1,347,820 individuals with multimorbidity over 20 years in British Columbia, Canada. A directed network-based approach was used to assess disease patterns in multimorbidity by frequency (prevalence) and non-random association (lift). We applied a community detection algorithm to identify multimorbidity disease clusters. RESULTS: Mood and anxiety disorders and hypertension were the most common disease predecessors in prevalence networks, with differences between age groups. Lift networks revealed non-random disease associations. Some indicate potential etiological disease relationships (e.g., breast cancer preceding heart disease in young women), shared risk profiles (e.g., chronic obstructive pulmonary disease and lung cancer), or overlapping disease constructs (e.g., Parkinsonism and dementia). Disease clusters often centered around a single disease as a common predecessor or consequence, representing potential multimorbidity profiles, which may be relevant for patient subgrouping or management. CONCLUSIONS: Insights from these analyses can complement traditional chronic disease surveillance methods, flagging disease patterns for further interrogation into their impacts on function, mortality, and health service utilization.
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 | 0,001 | 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 | 0,000 |
| 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 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 ».