Characterizing adult asthma: a cross-sectional epidemiologic study from the canadian primary care sentinel surveillance network
Notice bibliographique
Résumé
National asthma prevalence data in Canada typically come from health surveys or administrative records. Since most asthma care is provided by family physicians, primary care electronic medical records (EMRs) may offer valuable insights into asthma epidemiology and treatment patterns. This study aimed to estimate the prevalence of adult asthma across Canada using national EMR data, examine the demographics and comorbidities of asthma patients, and review national prescribing practices. We used a validated EMR case definition for adult asthma applied to the Canadian Primary Care Sentinel Surveillance Network (CPCSSN) database, which includes data from 12 networks across Canada. We identified patients with at least one encounter in a two-year period and estimated asthma prevalence, stratified by age, sex, and BMI. Comorbidity rates and medication prescriptions were assessed in patients with asthma. Among 854,567 adults, 94,410 were identified with confirmed/suspected asthma (11% prevalence). Asthma was more common in females (12 vs. 10%, p < 0.0001), across all age brackets except 18-29 years old. A chi-square test for trend showed a decrease in prevalence with increasing age (p < 0.0001). Females with asthma had a higher prevalence of ≥4 comorbidities than males (33 vs. 30%, p < 0.0001). Additionally, 13% of asthma patients were prescribed only as-needed short-acting bronchodilators, without a controller. The 11% asthma prevalence found in this study aligns with national survey estimates, providing support for the use of EMRs in disease and practice surveillance. Future efforts should focus on integrating tools within EMR to support asthma diagnosis and treatment adherence.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».