Multimorbidité : les enjeux liés à la surveillance populationnelle
Bibliographic record
Abstract
Les maladies chroniques sont la première cause de mortalité dans les pays industrialisés. La multimorbidité (cooccurrence d’au moins 2 maladies chroniques chez un même individu) toucherait environ 15 % des Canadiens âgés de 20 ans et plus et 30 % de 65 ans et plus. Le vieillissement de la population, combiné au progrès du traitement des maladies chroniques, contribue à l’augmentation de la multimorbidité. La multimorbidité est plus qu’une simple addition de conditions chroniques, elle est associée à une diminution de la qualité de vie, à une augmentation du risque de décès et d’hospitalisations, à une augmentation du nombre de consultations médicales et à une consommation plus élevée de médicaments. De plus, la multimorbidité complexifie la prise en charge des patients atteints et soulève de nombreux défis pour la prévention. \n \nPrésentement, aucune surveillance de la multimorbidité et du fardeau global des maladies chroniques n’est effectuée au niveau québécois et canadien. De plus, aucun cadre de surveillance consensuel n’existe au niveau international, chaque juridiction utilisant sa propre définition et sa propre mesure. Les principaux enjeux sont liés au concept même de multimorbidité et de la mesure populationnelle de ce phénomène. Premièrement, comment définir la multimorbidité dans un contexte de surveillance? Doit-on s’intéresser à des indicateurs simples de multimorbidité (2 conditions ou plus, 3 conditions ou plus), au nombre absolu de conditions, à des combinaisons de maladies, au fardeau global des conditions chroniques? Ensuite, devons-nous considérer toutes les maladies sur le même pied d’égalité ou certaines maladies ont-elles un impact plus grand sur la santé? Les conférences et la table ronde de ce colloque permettaient d’entamer une discussion sur les enjeux conceptuels et méthodologiques de la multimorbidité dans un contexte de surveillance populationnelle.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".