Do socioeconomic measures improve prediction of cardiovascular disease hospitalization?
Notice bibliographique
Résumé
Background: Risk prediction models for cardiovascular disease (CVD) hospitalization have improved prediction accuracy when individual-level measures of socioeconomic status (SES) are considered. However, it is unclear how validated, area-level SES measures, available at the population-level in Canada, might improve prediction of CVD hospitalization. Objectives: The research objectives were to (1) test the incremental predictive value of area-level SES measures and (2) compare the incremental predictive performance of different area-level SES measures on time to hospitalization for CVD. Methods: A retrospective cohort design used Manitoba administrative health records from 2014 to 2020 and area-level SES measures from 2016 Statistics Canada Census data. Individuals 40+ years as of April 1st, 2016 were followed until an acute myocardial infarction (AMI) or stroke hospitalization or loss to follow-up. Covariates included age, sex, comorbid conditions, prior healthcare use, AMI/stroke-related prescription medications, and one or more area-level SES measures, including the Socioeconomic Factor Index - Version 2 (SEFI-2), Material Deprivation Index, Social Deprivation Index, and the Canadian Index of Multiple Deprivation (CIMD). Cox proportional hazards models were assessed for model accuracy (area under the curve; AUC), discrimination (net reclassification improvement; NRI and integrated discrimination improvement; IDI) and calibration (Brier score). Results: Overall predictive performance of models containing one or more SES measures (fully-adjusted model; AUC = 0.753 – 0.757) was similar to model containing all other covariates (partially-adjusted model; AUC = 0.753). Discrimination performance was poor or statistically non-significant (NRI = -0.158 – 0.019; IDI = < 0.000). Prediction error was low for all models (Brier score = 0.022). Conclusion: Area-level SES measures did not add predictive value to CVD hospitalization risk models. Risk factors available in administrative health data, like demographics and comorbid conditions, already provide a similar amount of information in terms of predictive ability. Area-level SES measures are useful for characterizing and describing populations but may not have strong predictive value to individual-level outcomes. Further studies are recommended to explore their use in prediction of other health conditions and jurisdictions, and comparisons with individual-level SES measures.
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 | 0,005 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».