Identifying clusters of multimorbid disease and differences by age, sex, and socioeconomic status: A systematic review
Notice bibliographique
Résumé
BACKGROUND: The prevalence of multimorbidity has been growing due to the ageing population and increasingly unhealthy lifestyles. There is interest in identifying clusters of disease and how they are influenced. AIMS: This systematic review aims to (i) investigate the most common clusters in the adult population with multimorbidity (ii) identify methods used to define clusters (iii) examine if clusters differ based on age, sex and socioeconomic status. METHODS: We searched Medline, Embase, SCOPUS, Web of Science Core Collection, and CINAHL using concepts of multimorbidity and clustering techniques to identify relevant papers. Secondary data, including commonly reported clustering techniques, identified clusters, and other characteristics were extracted. All studies were quality assessed using the Newcastle-Ottawa Bias scale. RESULTS: From a total of 24,231 papers, 125 were included in the review. There was a total of 918 different clusters identified, which were categorized into 59 broad groups. A cardiometabolic cluster appeared most frequently within the identified studies and across age strata. The most common clustering technique was Latent Class Analysis (n = 51). Disease cluster prevalence appeared to differ based on age, whereas no differences could be identified by sex. CONCLUSION: Across the 125 papers identified, irrespective of clustering method, a relatively common set of clusters of disease were found. The Cardiometabolic cluster was the most frequently identified cluster across all age groups. Studies that stratified participants by age or sex identified distinct clusters within each subgroup, which differed from those observed in clusters formed from the general adult population (18+).Latent class analysis was the most common clustering technique within this review, but it was not explored if different clustering methods led to different clusters. Further work is needed to distinguish the most prevalent clusters within specific stratified cohorts of different ages, sex, and socioeconomic status; nonetheless, data strongly suggests that there are different clusters that arise dependent on stratifications. With the expected increasing burden of multimorbidity, healthcare services may need to think about the most prevalent disease combinations within certain strata and how joint-specialist services can be tailored to treat those common conditions.
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 | 0,018 | 0,107 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,011 | 0,013 |
| Bibliométrie | 0,024 | 0,022 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».