A systematic review and meta-analysis of disease clusters in multimorbidity
Notice bibliographique
Résumé
There is a growing body of research on disease clusters in multimorbidity. Here we systematically review clustering methodologies and perform a meta-analysis of disease cluster stability across the literature, searching Medline and EMBASE from inception to June 5th, 2024, for studies of disease clusters in multimorbidity (including network approaches). Here we include 79 articles. 30% of studies had high risk of bias. Hierarchical cluster analysis was the most used clustering methodology (25% of analyses), followed by latent class analysis (20%) and K-center clustering (15%). Network-based approaches were used in 19% of studies. We perform a meta-analysis of 1226 disease clusters across 73 studies. Strong relationships emerged between neurological, autoimmune, musculoskeletal, and cardiovascular diseases. We identify six meta-analytic disease clusters with moderate stability (Jaccard index ≥0.51), these largely featured cardiometabolic conditions. No disease clusters had high stability (Jaccard ≥0.75) and very few accounted for disease temporality. Multimorbidity disease clustering research is heterogeneous regarding disease definitions, the number of diseases included, and clustering methodologies. Despite this heterogeneity, moderately consistent disease clusters emerge. We provide suggestions to improve the performance and reporting of multimorbidity clustering research. There is a growing body of research on disease clusters in multimorbidity, necessitating a systematic review and meta-analysis of methods and findings. Here, the authors show the range of methods applied, and identify six disease clusters with moderate stability across the multimorbidity literature.
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 | 0,038 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,017 | 0,044 |
| Bibliométrie | 0,018 | 0,017 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».