Multimorbidity patterns in an older population from North Europe

Abstract

1.- Antecedents La multimorbiditat, coneguda com la presència de dues o més malalties cròniques en una persona, és una creixent condició de salut relacionada amb l’envelliment. És ben sabut que les persones que pateixen múltiples malalties cròniques tendeixen a agrupar-se en grups homogenis, i les malalties cròniques solen tenir una llarga durada i, en general, una progressió lenta. Per tant, els mètodes per estimar patrons de multimorbiditat han de ser prou flexibles per identificar aquests patrons i la seva evolució al llarg del temps. 2.- Objectiu de l’estudi L’objectiu d’aquesta tesi és identificar patrons longitudinals de multimorbiditat en una cohort poblacional sueca de gent gran. Els objectius específics són 1) estimar patrons de multimorbiditat i les seves característiques sociodemogràfiques, d’estil de vida, clíniques i funcionals. 2) Traçar l’evolució dels patrons i detectar les trajectòries clíniques i la mortalitat al llarg del temps i 3) estimar l’evolució longitudinal de la gent gran i el seu temps de permanència a mesura que es mouen entre els patrons. 3.- Mètodes S’han realitzat tres estudis per donar resposta als objectius de la tesi. Les dades provenen de l’Estudi Nacional Suec sobre Envelliment i Cura a Kungsholmen (SNAC-K), un estudi poblacional que inclou 3.363 individus de la comunitat i institucionalitzats de ≥60 anys. Per a l’estudi 1 i 2) els participants multimorbids van ser agrupats per l’algorisme de clúster fuzzy c-means. Per a l’estudi 3, la mostra global es va estratificar en grups d’edat considerant tres dècades. Es van aplicar models ocults de Markov per modelar l’evolució temporal tant dels patrons de multimorbiditat com de les transicions dels individus durant un seguiment de 12 anys. 4.- Resultats En el primer estudi, els individus multimorbids es van classificar en sis clústers mitjançant l’algorisme de clusterització fuzzy c-means. Aquests clústers van mostrar perfils sociodemogràfics, d’estil de vida, clínics i funcionals significativament diferents. En el segon estudi, es van identificar sis clústers d’individus utilitzant fuzzy c-means. Durant 12 anys, els canvis en la composició del clúster, les transicions dels participants d’un clúster a un altre i la mortalitat dels participants van mostrar un quadre clínic dinàmic però ben definit. En el tercer estudi, es van identificar quatre patrons longitudinals de multimorbiditat per a cada dècada utilitzant models ocults de Markov. A mesura que augmenta l’edat, l’estabilitat clínica disminueix i el temps de permanència dins d’un mateix patró de multimorbiditat és més curt. 5.- Conclusions Els patrons de multimorbiditat van mostrar significativament diferències sociodemogràfiques, d’estil de vida i funcionals. Les trajectòries clíniques indicaven un gran dinamisme i complexitat, però identificable al llarg del temps. Diferents clústers es van associar de forma diferenciada amb la mortalitat. El dinamisme entre els patrons de multimorbiditat es va reflectir en els diferents temps de permanència entre patrons. Els mètodes de fuzzy c-means i de models ocults de Markov van capturar la naturalesa longitudinal dels patrons de multimorbiditat. Els resultats obtinguts poden ajudar a comprendre millor la complexitat de la multimorbiditat, i a millorar les intervencions preventives en salut.

1.- Antecedentes La multimorbididad, conocida como la presencia de dos o más enfermedades crónicas en una persona, es una creciente condición de salud relacionada con el envejecimiento. Es bien sabido que las personas que padecen múltiples enfermedades crónicas tienden a agruparse en grupos homogéneos, y las enfermedades crónicas suelen tener una larga duración y, en general, una progresión lenta. Por lo tanto, los métodos para estimar patrones de multimorbididad deben ser lo suficientemente flexibles para identificar estos patrones y su evolución a lo largo del tiempo. 2.- Objetivo del estudio El objetivo de esta tesis es identificar patrones longitudinales de multimorbididad en una cohorte poblacional sueca de personas mayores. Los objetivos específicos son 1) estimar patrones de multimorbididad y sus características sociodemográficas, de estilo de vida, clínicas y funcionales. 2) Trazar la evolución de los patrones y detectar las trayectorias clínicas y la mortalidad a lo largo del tiempo y 3) estimar la evolución longitudinal de las personas mayores y su tiempo de permanencia a medida que se mueven entre los patrones. 3.- Métodos Se han realizado tres estudios para dar respuesta a los objetivos de la tesis. Los datos provienen del Estudio Nacional Sueco sobre Envejecimiento y Cuidado en Kungsholmen (SNAC-K), un estudio poblacional que incluye a 3.363 individuos de la comunidad e institucionalizados de ≥60 años. Para el estudio 1 y 2) los participantes multimorbidos fueron agrupados por el algoritmo de clúster fuzzy c-means. Para el estudio 3, la muestra global se estratificó en grupos de edad considerando tres décadas. Se aplicaron modelos ocultos de Markov para modelar la evolución temporal tanto de los patrones de multimorbididad como de las transiciones de los individuos durante un seguimiento de 12 años. 4.- Resultados En el primer estudio, los individuos multimorbidos se clasificaron en seis clústeres mediante el algoritmo de clusterización fuzzy c-means. Estos clústeres mostraron perfiles sociodemográficos, de estilo de vida, clínicos y funcionales significativamente diferentes. En el segundo estudio, se identificaron seis clústeres de individuos utilizando fuzzy c-means. Durante 12 años, los cambios en la composición del clúster, las transiciones de los participantes de un clúster a otro y la mortalidad de los participantes mostraron un cuadro clínico dinámico, pero bien definido. En el tercer estudio, se identificaron cuatro patrones longitudinales de multimorbididad para cada década utilizando modelos ocultos de Markov. A medida que aumenta la edad, la estabilidad clínica disminuye y el tiempo de permanencia dentro de un mismo patrón de multimorbididad es más corto. 5.- Conclusiones Los patrones de multimorbididad mostraron significativamente diferencias sociodemográficas, de estilo de vida y funcionales. Las trayectorias clínicas indicaban un gran dinamismo y complejidad, pero identificable a lo largo del tiempo. Diferentes clústeres se asociaron de forma diferenciada con la mortalidad. El dinamismo entre los patrones de multimorbididad se reflejó en los diferentes tiempos de permanencia entre patrones. Los métodos de fuzzy c-means y de modelos ocultos de Markov capturaron la naturaleza longitudinal de los patrones de multimorbididad. Los resultados obtenidos pueden ayudar a comprender mejor la complejidad de la multimorbididad, y a mejorar las intervenciones preventivas en salud.

1.- Background Multimorbidity, known as the presence of two or more chronic diseases in one person, is a growing health condition related to aging. It is well known that people suffering multiple chronic diseases tend to cluster into homogenous groups, and chronic diseases tend to have a long duration and, generally, a slow progression. Therefore, the methods applied to estimate multimorbidity patterns should be flexible enough to identify those patterns and their evolution over time. 2.- Objective The aim of this thesis was to identify longitudinal multimorbidity patterns in a Swedish population-based cohort of older adults. The specific aims were 1) to estimate multimorbidity patterns and their sociodemographic, lifestyle, clinical and functional characteristics; 2) to trace the patterns’ evolution and detect clinical trajectories and mortality over time; and 3) to estimate the longitudinal evolution of older individuals and their permanence time as they move among patterns. 3.- Methods We conducted three studies to meet the aims of this thesis, using data from the Swedish National Study on Aging and Care in Kungsholmen (SNAC-K), a population-based study including 3363 community-dwelling and institutionalized individuals aged 60 years and older. For Study 1 and Study 2, we used the fuzzy c-means cluster algorithm to cluster multimorbid participants. For Study 3, we stratified the overall sample into three ten-year age groups and applied Hidden Markov Models to track the temporal evolution of multimorbidity patterns and individuals’ transitions over 12 years of follow-up. 4.- Results In Study 1, the clusters showed significantly different sociodemographic, lifestyle, clinical and functional profiles. In Study 2, changes in cluster composition, participants’ transitions from one cluster to another and participant mortality over 12 years generated a dynamic but well-defined clinical picture. In Study 3, we identified four longitudinal multimorbidity patterns for each decade, observing that with increasing age, clinical stability, and the permanence time within a single multimorbidity pattern both decreased. 5.- Conclusions Multimorbidity patterns showed significant sociodemographic, lifestyle and functional differences. Clinical trajectories showed great dynamism and complexity but can be tracked over time. Different clusters were differentially associated with mortality. The dynamism among multimorbidity patterns was reflected by the varying permanence times across patterns. Fuzzy c-means and Hidden Markov Models captured the longitudinal nature of multimorbidity patterns. Our results may help to clarify the concept of multimorbidity and improve preventive health interventions.