The effect of disease co-occurrence measurement on multimorbidity networks
Notice bibliographique
Résumé
Background: Network analysis, a technique for describing relationships, can provide insights into patterns of co-occurring chronic diseases. The effect that co-occurrence measurement has on disease network structure and resulting inferences has not been well studied. Objectives: The research objectives were to (1) compare structural differences among chronic disease networks constructed from different co-occurrence measures, and (2) demonstrate how co-occurrences among three or more chronic diseases can be analyzed using network techniques. Methods: A retrospective cohort study was conducted using four years of Manitoba administrative health data (2015/16 – 2018/19, 1.5 million individuals). Association rule mining was used to identify disease triads. Separate disease networks were constructed using seven co-occurrence measures: lift, relative risk, phi, Jaccard, cosine, Kulczynski, and joint prevalence. Influential diseases were identified using degree centrality and community detection was used to identify disease clusters. Community structure similarity was measured using the adjusted Rand index (ARI). Network edges were described using disease prevalence categorized as low (<1%), moderate (1% to <7%), and high (≥7%). Results: Relative risk and lift highlighted co-occurrences between pairs of low prevalent diseases. Kulczynski emphasized relationships between high and low prevalent diseases. Joint prevalence focused on highly prevalent conditions. Phi, Jaccard, and cosine emphasized associations with moderately prevalent conditions. Co-occurrence measurement differences significantly affected how disease clusters were defined, including the number of clusters identified. When limiting the number of edges to produce visually interpretable graphs, networks had significant dissimilarity in the percentage of co-occurrence relationships in common, and in their selection of the highest degree nodes. Conclusion: Multimorbidity network analyses are sensitive to disease co-occurrence measurement. Co-occurrence measures should be selected considering research objectives and the prevalence relationships of greatest interest. Researchers should be cautious in their interpretation of findings from network analysis and should conduct sensitivity analyses using different co-occurrence measures. Many chronic diseases co-occur in groups of three or more and these higher-order associations can be visualized and analyzed using hypergraphs.
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 | 0,024 | 0,132 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».