Advancing Multimorbidity Analysis: A Computational Approach to Frequency-Based Odds Ratios and Temporal Disease Progression Modeling with Potential for Use in Clinical Assessment
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.
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 | 0,004 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».