Advancing Multimorbidity Analysis: A Computational Approach to Frequency-Based Odds Ratios and Temporal Disease Progression Modeling with Potential for Use in Clinical Assessment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Multimorbidity — the presence of multiple medical conditions occurring simultaneously or over time within an individual — presents significant challenges in clinical practice and epidemiological research. Traditional Odds Ratios (ORs) provide static associations between conditions but fail to capture diagnostic frequency as an index of disease severity and the temporal evolution of multimorbidity. To address these limitations, this study introduces refined Frequency-Based Odds Ratios (FORs) and Temporal Ratios of Ratios, implemented in Python-based computational tools designed for large-scale clinical datasets. These analytical scripts, developed with assistance from ChatGPT-4.o and presented at the 2024 World Psychiatry Association Congress in Mexico, integrate Fast Fourier Transform (FFT) and sequence-based analysis to quantify disease progression dynamically. The computational models were embedded into graphical user interfaces (GUIs) that facilitate interactive visualization of multimorbidity progression. These tools enable clinicians to assess disease trajectories in real time, optimize personalized treatment planning, and identify high-risk patients based on diagnostic patterns. The implementation of FORs and Temporal Ratios of Ratios in clinical decision-making supports proactive, data-informed interventions, making these computational tools valuable for precision medicine, epidemiology, and public health planning. This study underscores the transformative role of AI-assisted analytics in advancing multimorbidity research and clinical management.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 découle