MétaCan
Menu
Retour à la cohorte
Enregistrement W6958966469 · doi:10.6084/m9.figshare.c.7138430

The IMPACT survey: a mixed methods study to understand the experience of children, adolescents and adults with osteogenesis imperfecta and their caregivers

2024· other· en· W6958966469 sur OpenAlexaff

Notice bibliographique

RevueFigshare · 2024
Typeother
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMachine Learning in Bioinformatics
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésOsteogenesis imperfectaHealth careScoliosisYoung adultQuality of life (healthcare)Affect (linguistics)

Résumé

récupéré en direct d'OpenAlex

Abstract Background Osteogenesis imperfecta (OI) is a rare, heritable connective tissue disorder associated with a variety of symptoms, that affect individuals’ quality of life (QoL) and can be associated with increased healthcare resource use. While some aspects of OI are well studied, others remain poorly understood. Therefore, the IMPACT survey aimed to elucidate the humanistic, clinical and economic burden of OI on individuals with OI, their families, caregivers and wider society. Methods We developed an international mixed methods online survey in eight languages (fielded July–September 2021), aimed at adults (aged ≥ 18 years) or adolescents (aged ≥ 12–17 years) with OI, caregivers (with or without OI) of individuals with OI and other close relatives. All respondents provided data on themselves; caregivers additionally provided data on individuals in their care by proxy. Data were cleaned, coded, and analysed using the pandas Python software package and Excel. Results IMPACT collected 2208 eligible questionnaires (covering 2988 individuals of whom 2312 had OI) including 1290 non-caregiver adults with OI, 92 adolescents with OI, 150 caregiver adults with OI, 560 caregivers for individuals with OI, 116 close relatives and 780 proxy care-recipients with OI. Most individuals with OI (direct or proxy) described their OI as moderate (41–52% across populations) and reported OI type 1 (33–38%). Pain (72–82%) was the most reported clinical condition experienced in the past 12 months and was also most frequently rated as severely or moderately impactful. Further, among adults, 67% reported fatigue, 47% scoliosis, and 46% sleep disturbance; in adolescents, fatigue affected 65%, scoliosis and other bone problems 60%, and mental health problems 46%; in children, fractures were common in 67%, fatigue in 47%, and dental problems in 46%. Conclusion IMPACT has generated an extensive dataset on the experience of individuals with OI, their caregivers and relatives. We found that, irrespective of age, individuals with OI experience numerous and evolving symptoms that affect their QoL; however, pain and fatigue are consistently present. Upcoming analyses will provide further insights into the economic impact, healthcare journey and caregiver wellbeing, aiming to contribute to improved treatment and care for the OI community.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,063

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,017
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,309
Écart entre enseignants0,296 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFigshareMême sujetMachine Learning in BioinformaticsTravaux en français237 207