NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka planÇoklumorbidite analitik ve klinik olarak karmaşıktır ve her biri sağlık için benzersiz etkilere sahip hastalıklar arasında çoklu etkileşimleri içerir. Nüfus düzeyinde hastalık eş-oluşum kalıplarını tanımlamak hastalık önleme, yönetim ve bakım teslimine yardımcı olabilir.MetodlarBurada, British Columbia, Kanada'da 20 yılı aşkın çok-yaşlılık olan 1.347.820 bireyden oluşan bir uzunlamasına kohorttan bağlı idari verileri kullanarak çok-yaşlılık modellerini analiz ettik. Çoklu morbiditedeki hastalık kalıplarını frekans (prevalans) ve rastgele olmayan bir ilişki (lift) ile değerlendirmek için yönlendirilmiş bir ağ tabanlı yaklaşım kullanılmıştır. Multimorbidite hastalık kümelerini tanımlamak için bir topluluk tespit algoritması uyguladık.ResultsMood ve anksiyete bozuklukları ve hipertansiyon, yaygınlık ağlarında en yaygın hastalık öncülleriydi ve yaş grupları arasında farklılıklar vardı. Asansör ağları rastgele olmayan hastalık derneklerini ortaya çıkardı. Bazıları potansiyel etiyolojik hastalık ilişkilerini (örneğin genç kadınlarda kalp hastalığı öncesi meme kanseri), paylaşılan risk profillerini (örneğin kronik obstrüktif akciğer hastalığı ve akciğer kanseri) veya üst üste binen hastalık yapılarını (örneğin, Parkinsonizm ve demans) gösterir. Hastalık kümeleri genellikle hasta alt grubu veya yönetimi için ilgili olabilecek potansiyel çoklu morbidite profillerini temsil eden ortak bir öncül veya sonuç olarak tek bir hastalık etrafında merkezlenmiştir.Bu analizlerden elde edilen bilgiler, geleneksel kronik hastalık gözetim yöntemlerini tamamlayabilir, hastalık kalıplarını fonksiyon, ölüm ve sağlık hizmeti kullanımı üzerindeki etkilerine daha fazla sorgulamak için işaretleyebilir.
Özgün kaynak özetini okuyun
BackgroundMultimorbidity is analytically and clinically complex, involving multiple interactions between diseases each with unique implications for health. Identifying disease co-occurrence patterns at the population level could aid in disease prevention, management, and care delivery.MethodsHere, we analyzed multimorbidity patterns using linked administrative data from a longitudinal cohort of 1,347,820 individuals with multimorbidity over 20 years in British Columbia, Canada. A directed network-based approach was used to assess disease patterns in multimorbidity by frequency (prevalence) and non-random association (lift). We applied a community detection algorithm to identify multimorbidity disease clusters.ResultsMood and anxiety disorders and hypertension were the most common disease predecessors in prevalence networks, with differences between age groups. Lift networks revealed non-random disease associations. Some indicate potential etiological disease relationships (e.g., breast cancer preceding heart disease in young women), shared risk profiles (e.g., chronic obstructive pulmonary disease and lung cancer), or overlapping disease constructs (e.g., Parkinsonism and dementia). Disease clusters often centered around a single disease as a common predecessor or consequence, representing potential multimorbidity profiles, which may be relevant for patient subgrouping or management.ConclusionsInsights from these analyses can complement traditional chronic disease surveillance methods, flagging disease patterns for further interrogation into their impacts on function, mortality, and health service utilization.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.