Indeks Charlsona – jak policzyć wskaźnik chorób współistniejących

Autor: Konrad Hryniewicz · Opublikowano: 1 listopada 2026

Czym jest indeks Charlsona

Indeks chorób współistniejących Charlsona (Charlson Comorbidity Index, CCI) to ważona suma chorób przewlekłych, które zwiększają ryzyko zgonu. To nie jest kwestionariusz z pytaniami do pacjenta, tylko reguła liczenia: dla każdej choroby obecnej w dokumentacji dodajesz jej wagę. Charlson, Pompei, Ales i MacKenzie (1987) opracowali indeks w kohorcie 559 pacjentów oddziału internistycznego. Roczna śmiertelność wynosiła tam 12% przy wyniku 0, 26% przy 1–2, 52% przy 3–4 i 85% przy wyniku 5 lub wyższym.

Indeks często pojawia się w pracach z medycyny, pielęgniarstwa i zdrowia publicznego. Najczęściej jest zmienną kontrolną: pozwala porównać grupy pacjentów, które różnią się obciążeniem chorobami. Ogólny warsztat tych kierunków opisują wpisy statystyka dla lekarza, statystyka w pracy z pielęgniarstwa i statystyka w pracy ze zdrowia publicznego. W badaniach osób starszych CCI stoi często obok skal sprawności, np. indeksu Barthel, i przesiewu żywieniowego MUST.

Indeks służy do badań i korekty ryzyka (ang. risk adjustment), a nie do decyzji o leczeniu konkretnej osoby. Charlson i in. (2022) w przeglądzie właściwości klinimetrycznych opisują go jako narzędzie do przewidywania śmiertelności długoterminowej. W części populacji, np. na oddziałach intensywnej terapii, gorzej przewiduje śmiertelność szpitalną niż narzędzia tworzone do tego celu.

Choroby i wagi: skąd je brać

Artykuł z 1987 r. jest płatny i nie mogliśmy przeczytać jego tabeli wag. Jego streszczenie podaje tylko kategorie wyniku i śmiertelność. Dlatego wagi w tym wpisie pochodzą z tabeli 1 w pracy Charlson, Wells, Ullman, King i Shmukler (2014), której współautorką jest twórczyni indeksu. Artykuł jest w otwartym dostępie. Ta wersja służyła do przewidywania kosztów i ma 23 stany. Dziewiętnaście z nich to choroby wersji oryginalnej, którą Charlson i in. (2022) nazywają wersją 19-pozycyjną. Cztery dodane stany pomijamy: depresję, nadciśnienie, przyjmowanie warfaryny i owrzodzenia skóry. Zanim oddasz pracę, porównaj wagi z oryginałem z 1987 r. w bibliotece uczelni.

Definicje chorób (np. co znaczy „łagodna” choroba wątroby) są w publikacjach źródłowych i w algorytmach kodowania. Nie zgaduj ich z nazw w tabeli.

Jak policzyć wynik krok po kroku

1. Wybierz źródło danych i wersję. Indeks policzysz z dokumentacji medycznej, z kodów ICD w bazie szpitalnej albo z wywiadu. Charlson i in. (2022) opisują bardzo dużą zgodność samoopisu z dokumentacją. Wersji nie mieszaj w jednej analizie.
2. Zakoduj każdą chorobę jako 0/1. Jedna kolumna na chorobę, 1 = choroba obecna przed punktem startu obserwacji. Choroby, które pojawiły się później, mogą być skutkiem badanej ekspozycji, więc nie wchodzą do korekty.
3. Ustal regułę dla par łagodna–ciężka postać. Cukrzyca bez powikłań i z powikłaniami, łagodna i ciężka choroba wątroby oraz nowotwór i nowotwór z przerzutami to stopnie tej samej choroby. W przykładzie liczymy tylko cięższą postać. To decyzja badacza, którą trzeba opisać. Sprawdź, jak rozwiązuje to algorytm, z którego korzystasz.
4. Zsumuj wagi. Wynik 0 oznacza brak chorób z listy. Wyższy wynik oznacza większe obciążenie chorobami.
5. Zdecyduj, jak użyjesz wyniku. Jako zmienną liczbową w modelu albo w kategoriach 0, 1–2, 3–4 i 5+, takich jak w streszczeniu pracy z 1987 r. Kategorie są wygodne w tabeli opisowej. W modelu zwykle lepiej sprawdza się wynik liczbowy (sekcja o przykładzie).

Wersja z wiekiem

Charlson, Szatrowski, Peterson i Gold (1994) sprawdzili łączny wynik wieku i chorób u 218 pacjentów po planowych operacjach. Ryzyko względne zgonu wynosiło 1.4 na każdy punkt indeksu i 1.4 na każdą dekadę wieku. Dlatego autorzy połączyli oba składniki w jeden wynik. Schematu punktów za wiek nie podajemy. Streszczenie go nie zawiera, a pełnego tekstu nie mogliśmy przeczytać. Jeśli promotor wymaga wersji z wiekiem, weź reguły z artykułu z 1994 r. W pracy badawczej zwykle prościej i przejrzyściej jest wprowadzić do modelu wiek i CCI jako dwie osobne zmienne. Wtedy dane same pokażą, ile „waży” dekada życia.

Indeks z kodów ICD

Deyo, Cherkin i Ciol (1992) przystosowali indeks do kodów ICD-9-CM w bazach administracyjnych. Quan i in. (2005) opracowali algorytmy dla ICD-10. W kanadyjskich danych szpitalnych przewidywały one śmiertelność co najmniej tak dobrze jak dawne algorytmy (statystyka C .860 wobec .842). Quan i in. (2011) na nowo przypisali wagi na danych z Calgary. W porównaniu z wagami oryginalnymi pięć chorób dostało wagę 0, trzy niższą, cztery wyższą, a pięć zostało bez zmian. Tak powstał indeks 12 chorób. To już inna wersja, więc w pracy nazwij ją wprost. Tabele kodów weź z publikacji, a w metodzie podaj, którego algorytmu użyłeś. Wymaga tego lista RECORD dla badań na danych rutynowych (Benchimol i in., 2015).

Interpretacja i licencja

CCI nie ma „normy” ani progu diagnostycznego. To miara obciążenia chorobami, której zadaniem jest wyrównanie porównań. Kategorie 0, 1–2, 3–4 i 5+ pochodzą z kohorty z 1987 r. i opisują tamtą grupę pacjentów. Nie przenoś odsetków zgonów z tamtego badania na swoją próbę. Dzielenie zmiennej ciągłej na grupy zmniejsza moc i osłabia kontrolę zakłócania (Royston i in., 2006). W modelu korekty używaj więc raczej wyniku liczbowego. Jeśli związek z wynikiem nie jest liniowy, sięgnij po splajny.

Licencja. Nie znaleźliśmy oficjalnej strony z warunkami użycia indeksu (stan na 1 listopada 2026 r.). CCI to metoda opisana w artykułach naukowych, a nie formularz chroniony jak kwestionariusz psychologiczny. W pracy podaj źródło wag i wersję. Artykuły z 1987 i 1994 r. są płatne. Praca z 2014 r. jest udostępniona na licencji CC BY 4.0.

Przykład: 900 pacjentów po hospitalizacji

Dane są symulowane i możesz je pobrać jako plik CSV. Scenariusz to retrospektywne badanie kohortowe 900 osób w wieku 65+ wypisanych ze szpitala. Pytanie brzmi: czy udział w programie opieki domowej po wypisie wiąże się z mniejszym ryzykiem zgonu w ciągu roku? Do programu częściej trafiały osoby w lepszym stanie. Dlatego zmienną zakłócającą jest obciążenie chorobami. Plik zawiera wiek, udział w programie, zgon w ciągu roku i 19 kolumn 0/1 z chorobami.

Obie postacie tej samej choroby miało 13 osób z cukrzycą, 1 osoba z chorobą wątroby i 5 osób z nowotworem. Po zastosowaniu reguły „tylko cięższa postać” indeks miał zakres 0–13, M = 1.98, SD = 2.20, Me = 1 [0, 3]. Rozkład jest prawoskośny: 28.7% osób miało wynik 0, a 10.8% wynik 5 lub wyższy.

Przedziały ufności dla odsetków policzono metodą Wilsona (zob. przedział ufności dla proporcji). Uczestnicy programu (n = 422) mieli średnio niższy indeks niż pozostali (n = 478): M = 1.31 (SD = 1.62) wobec 2.57 (SD = 2.47). Zmarło 9.2% uczestników i 18.0% pozostałych osób.

CCI jako zmienna kontrolna w regresji logistycznej

Zgon w ciągu roku to zmienna 0/1, więc użyliśmy regresji logistycznej. Wiek wprowadziliśmy w dekadach, a CCI jako wynik liczbowy. Wyniki podajemy jako ilorazy szans z profilowymi 95% CI. Kolejne modele pokazują, jak zmienia się OR dla programu po dodaniu zmiennych kontrolnych:

• bez korekty: OR = 0.46, 95% CI [0.31, 0.69];
• z wiekiem: OR = 0.53, 95% CI [0.35, 0.79];
• z wiekiem i CCI: OR = 0.81, 95% CI [0.52, 1.27], p = .364.

W ostatnim modelu każdy punkt indeksu wiązał się ze wzrostem szans zgonu: OR = 1.38, 95% CI [1.27, 1.50]. Dla każdej dekady wieku OR wyniósł 1.77, 95% CI [1.34, 2.34]. Model z kategoriami CCI dał prawie ten sam OR dla programu: 0.81, 95% CI [0.51, 1.26]. Miał jednak wyższe AIC (638.8 wobec 635.5), więc wynik liczbowy opisał dane co najmniej równie dobrze przy mniejszej liczbie parametrów.

Wniosek z wykresu lasu: bez korekty program wyglądał na silnie „ochronny”. Ta przewaga wynikała jednak głównie z tego, że do programu trafiali zdrowsi pacjenci. W symulacji ustawiliśmy niewielki prawdziwy efekt programu, a próba nie wystarczyła, by go wykazać. To typowy obraz w danych obserwacyjnych. Korekta zmniejsza zakłócanie tylko przez zmienne, które zmierzono, więc w pracy pisz o związku, a nie o skutku programu. Przy 125 zgonach i 5 parametrach w największym modelu na jeden parametr przypadało 25 zdarzeń. To bezpieczny zapas według reguły EPV (Peduzzi i in., 1996).

Wagi czy zwykła liczba chorób?

Model z wiekiem i zwykłą liczbą chorób miał pole pod krzywą ROC AUC = .725, 95% CI [.672, .779]. Model z wiekiem i CCI miał AUC = .729, 95% CI [.674, .784]. Sam wiek dawał AUC = .619. Różnica w dyskryminacji była więc niewielka, ale AIC wyraźnie wskazało model z wagami (634.3 wobec 644.9). W tych danych wagi lepiej opisują ryzyko, bo jedna choroba z wagą 6 „waży” więcej niż dwie lekkie.

Jak opisać indeks Charlsona w pracy

Wzór zawiera liczby z przykładu. W nawiasach kwadratowych uzupełnij dane swojego badania. Zasady opisu modeli z korektą rozwija wpis regresja logistyczna krok po kroku, a układ metody w badaniu obserwacyjnym – wytyczne STROBE, CONSORT i TRIPOD.

Rozkład indeksu w grupach pokaż w tabeli 1. Gdy grupy bardzo różnią się obciążeniem chorobami, rozważ też metody propensity score. Przy wyniku typu „czas do zgonu” CCI wchodzi tak samo do modelu Coxa (zob. Kaplan–Meier i model Coxa krok po kroku).

# B281 – Indeks chorób współistniejących Charlsona: wynik i użycie jako zmiennej kontrolnej
# (dane symulowane, set.seed(2811)). Retrospektywna kohorta 900 pacjentów w wieku 65+ po hospitalizacji;
# pytanie: czy udział w programie opieki domowej po wypisie wiąże się z ryzykiem zgonu w ciągu roku?
# Wagi 19 chorób: tabela 1 w pracy Charlson i in. (2014), współautorstwa twórczyni indeksu
# (19 stanów z wersji oryginalnej; cztery stany dodane w tamtej adaptacji pominięto).
# Zasada „tylko cięższa postać” (cukrzyca, choroba wątroby, nowotwór) to decyzja badacza – opisz ją w pracy.
# Punktów za wiek (wersja łączona z 1994 r.) NIE kodujemy: ich schematu nie potwierdziliśmy w źródle.
suppressPackageStartupMessages({ library(DescTools); library(pROC) })
set.seed(2811)
wagi <- c(zawal = 1, niewydolnosc_serca = 1, choroba_naczyn_obwodowych = 1, choroba_naczyn_mozgowych = 1,
          otepienie = 1, przewlekla_choroba_pluc = 1, choroba_reumatyczna = 1, choroba_wrzodowa = 1,
          lagodna_choroba_watroby = 1, cukrzyca_bez_powiklan = 1, porazenie_polowicze = 2,
          choroba_nerek = 2, cukrzyca_z_powiklaniami = 2, nowotwor = 2, bialaczka = 2, chloniak = 2,
          ciezka_choroba_watroby = 3, nowotwor_z_przerzutami = 6, aids = 6)
czestosc <- c(.12, .15, .08, .12, .08, .14, .05, .05, .04, .17, .02, .10, .07, .10, .01, .015, .01, .03, .003)
n <- 900
wiek <- round(pmin(97, 65 + rgamma(n, shape = 3, scale = 4.5)))
z <- rnorm(n) + 0.04 * (wiek - 80)                                    # ukryta „kruchość” pacjenta
choroby <- sapply(seq_along(wagi), function(j) rbinom(n, 1, plogis(qlogis(czestosc[j]) + 0.6 * z)))
colnames(choroby) <- names(wagi)
cci_ukryty <- as.vector(choroby %*% wagi)
program <- rbinom(n, 1, plogis(0.25 - 0.30 * cci_ukryty - 0.04 * (wiek - 80)))  # chorzy rzadziej trafiają do programu
zgon_1rok <- rbinom(n, 1, plogis(-2.3 + 0.30 * cci_ukryty + 0.065 * (wiek - 80) - 0.35 * program))
dane <- data.frame(id = 1:n, wiek, program, zgon_1rok, choroby)
write.csv(dane, "../charlson-dane-przyklad.csv", row.names = FALSE)    # plik do pobrania

# Krok 1. Hierarchia: przy cięższej postaci nie liczymy łagodniejszej (decyzja badacza)
pary <- list(c("cukrzyca_z_powiklaniami", "cukrzyca_bez_powiklan"),
             c("ciezka_choroba_watroby", "lagodna_choroba_watroby"),
             c("nowotwor_z_przerzutami", "nowotwor"))
X <- as.matrix(dane[, names(wagi)])
for (p in pary) X[X[, p[1]] == 1, p[2]] <- 0
sapply(pary, function(p) sum(dane[[p[1]]] == 1 & dane[[p[2]]] == 1))   # ile osób miało obie postacie

# Krok 2. Indeks = suma wag; obok liczba chorób (bez wag)
dane$cci <- as.vector(X %*% wagi)
dane$liczba_chorob <- rowSums(X)
table(dane$cci)
round(c(M = mean(dane$cci), SD = sd(dane$cci), Me = median(dane$cci),
        Q1 = quantile(dane$cci, .25, names = FALSE), Q3 = quantile(dane$cci, .75, names = FALSE)), 2)
dane$cci_kat <- cut(dane$cci, c(-Inf, 0, 2, 4, Inf), labels = c("0", "1-2", "3-4", "5+"))
round(100 * prop.table(table(dane$cci_kat)), 1)

# Krok 3. Śmiertelność roczna w kategoriach indeksu (przedział Wilsona)
smiert <- t(sapply(split(dane$zgon_1rok, dane$cci_kat), function(y)
  c(n = length(y), zgony = sum(y), 100 * BinomCI(sum(y), length(y), method = "wilson"))))
round(smiert, 1)

# Krok 4. Zmienna zakłócająca: indeks w grupach programu
round(sapply(split(dane$cci, dane$program), function(x) c(n = length(x), M = mean(x), SD = sd(x))), 2)
round(tapply(dane$zgon_1rok, dane$program, mean) * 100, 1)

# Krok 5. Regresja logistyczna: bez korekty, z wiekiem, z wiekiem i indeksem
dane$wiek10 <- (dane$wiek - 80) / 10                                   # wiek w dekadach, wyśrodkowany na 80 lat
m0 <- glm(zgon_1rok ~ program, binomial, dane)
m1 <- glm(zgon_1rok ~ program + wiek10, binomial, dane)
m2 <- glm(zgon_1rok ~ program + wiek10 + cci, binomial, dane)
m3 <- glm(zgon_1rok ~ program + wiek10 + cci_kat, binomial, dane)
or <- function(m) round(exp(cbind(OR = coef(m), suppressMessages(confint(m))))[-1, , drop = FALSE], 2)
or(m0); or(m1); or(m2); or(m3)
format.pval(summary(m2)$coefficients["program", 4], digits = 3)
round(c(AIC_cci_liniowo = AIC(m2), AIC_cci_kategorie = AIC(m3)), 1)

# Krok 6. Ważony indeks a zwykła liczba chorób: zdolność dyskryminacji (AUC) modeli z wiekiem
m_licz <- glm(zgon_1rok ~ wiek10 + liczba_chorob, binomial, dane)
m_cci <- glm(zgon_1rok ~ wiek10 + cci, binomial, dane)
m_wiek <- glm(zgon_1rok ~ wiek10, binomial, dane)
auc <- function(m) { r <- roc(dane$zgon_1rok, fitted(m), quiet = TRUE); round(as.numeric(ci.auc(r)), 3)[c(2, 1, 3)] }
rbind(tylko_wiek = auc(m_wiek), wiek_liczba_chorob = auc(m_licz), wiek_cci = auc(m_cci))
round(c(AIC_liczba = AIC(m_licz), AIC_cci = AIC(m_cci)), 1)
c(zdarzenia = sum(dane$zgon_1rok), predyktory_m3 = length(coef(m3)) - 1)

[1] 13  1  5

  0   1   2   3   4   5   6   7   8   9  10  11  12  13 
258 216 161 104  64  31  20  12  14   8   6   2   3   1 
   M   SD   Me   Q1   Q3 
1.98 2.20 1.00 0.00 3.00 

   0  1-2  3-4   5+ 
28.7 41.9 18.7 10.8 
      n zgony               
0   258    18  7.0  4.5 10.8
1-2 377    36  9.5  7.0 12.9
3-4 168    25 14.9 10.3 21.0
5+   97    46 47.4 37.8 57.3
        0      1
n  478.00 422.00
M    2.57   1.31
SD   2.47   1.62
   0    1 
18.0  9.2 
          OR 2.5 % 97.5 %
program 0.46  0.31   0.69
          OR 2.5 % 97.5 %
program 0.53  0.35   0.79
wiek10  1.85  1.42   2.42
          OR 2.5 % 97.5 %
program 0.81  0.52   1.27
wiek10  1.77  1.34   2.34
cci     1.38  1.27   1.50
             OR 2.5 % 97.5 %
program    0.81  0.51   1.26
wiek10     1.75  1.32   2.32
cci_kat1-2 1.22  0.67   2.26
cci_kat3-4 1.98  1.03   3.87
cci_kat5+  9.36  4.91  18.51
[1] "0.364"
  AIC_cci_liniowo AIC_cci_kategorie 
            635.5             638.8 
                    [,1]  [,2]  [,3]
tylko_wiek         0.619 0.562 0.676
wiek_liczba_chorob 0.725 0.672 0.779
wiek_cci           0.729 0.674 0.784
AIC_liczba    AIC_cci 
     644.9      634.3 
    zdarzenia predyktory_m3 
          125             5 

Najczęstsze błędy przy indeksie Charlsona

• Mieszanie wersji. Wagi z 1987 r., indeks 12 chorób Quana i in. (2011) i adaptacje kosztowe dają różne wyniki. Nazwij wersję i źródło wag.
• Liczenie obu postaci tej samej choroby. Bez reguły hierarchii osoba z cukrzycą z powikłaniami dostaje 1 punkt za dużo. Opisz, jak rozwiązałeś te pary.
• Choroby z okresu po ekspozycji. Do korekty bierz choroby obecne przed startem obserwacji. Późniejsze mogą być skutkiem tego, co badasz.
• Punkty za wiek bez źródła. Schemat wersji z wiekiem weź z pracy z 1994 r. Prościej jest wprowadzić wiek jako osobną zmienną.
• Kategorie zamiast wyniku. Grupy 0, 1–2, 3–4, 5+ są dobre do tabeli, ale w modelu korekty tracą informację (Royston i in., 2006).
• Wniosek przyczynowy po korekcie. CCI nie mierzy wszystkich różnic między grupami. Pisz o związku skorygowanym, a nie o efekcie interwencji. Kiedy warto kontrolować wiek i płeć, wyjaśnia wpis czy kontrolować wiek i płeć.

Jeśli chcesz, żeby ktoś sprawdził kodowanie chorób i model korekty w Twojej bazie, możesz skorzystać z oferty analizy statystyczne dla studentów. Wyniki i tak musisz umieć samodzielnie wyjaśnić i obronić.

Najczęstsze pytania

Jak policzyć indeks Charlsona?

Dla każdej z 19 chorób wersji oryginalnej zapisz 0 albo 1, pomnóż obecne choroby przez ich wagi (1, 2, 3 lub 6) i zsumuj. Przy dwóch postaciach tej samej choroby, np. cukrzycy bez powikłań i z powikłaniami, ustal regułę i ją opisz. W przykładzie liczymy tylko postać cięższą. Wagi weź z publikacji źródłowej, nie z niepodpisanego kalkulatora.

Ile punktów za wiek dodaje się w indeksie Charlsona?

Charlson i in. (1994) zaproponowali łączny wynik wieku i chorób, bo ryzyko zgonu rosło podobnie z każdym punktem indeksu i każdą dekadą wieku. Streszczenie artykułu nie podaje jednak schematu punktów, a pełnego tekstu nie mogliśmy sprawdzić. Weź reguły z artykułu z 1994 r. albo wprowadź do modelu wiek i indeks jako osobne zmienne.

Czy indeks Charlsona wprowadzać do regresji jako liczbę, czy w kategoriach?

Zwykle jako liczbę. Kategorie 0, 1–2, 3–4 i 5+ są wygodne w tabeli opisowej, ale podział zmiennej ciągłej zmniejsza moc i osłabia kontrolę zakłócania. W przykładzie model z wynikiem liczbowym miał niższe AIC niż model z kategoriami. Gdy związek nie jest liniowy, użyj splajnów.

Jaki wynik indeksu Charlsona jest wysoki?

Indeks nie ma normy ani progu diagnostycznego. W pierwszej kohorcie Charlsona i in. (1987) śmiertelność roczna przy wyniku 5 i więcej wynosiła 85%, ale to dotyczyło tamtych pacjentów z lat 80. W swojej pracy opisuj rozkład wyniku w próbie i używaj go do korekty, a nie do etykietowania pacjentów.

Czy do indeksu Charlsona potrzebna jest licencja?

Nie znaleźliśmy oficjalnej strony z warunkami użycia (stan na 1 listopada 2026 r.). Indeks jest metodą opisaną w artykułach naukowych, więc w pracy wystarczy podać źródło wag i wersję. Artykuły z 1987 i 1994 r. są płatne, a praca Charlson i in. (2014) z tabelą wag jest na licencji CC BY 4.0.

Powiązane hasła

Przeczytaj też

@article{benchimol2015reporting, author={Benchimol, Eric I. and Smeeth, Liam and Guttmann, Astrid and Harron, Katie and Moher, David and Petersen, Irene and Sørensen, Henrik T. and von Elm, Erik and Langan, Sinéad M. and {RECORD Working Committee}}, title={{The REporting of studies Conducted using Observational Routinely-collected health Data (RECORD) statement}}, journal={PLOS Medicine}, year={2015}, volume={12}, number={10}, eid={e1001885}, doi={10.1371/journal.pmed.1001885}}

@article{charlson2022charlson, author={Charlson, Mary E. and Carrozzino, Danilo and Guidi, Jenny and Patierno, Chiara}, title={{Charlson Comorbidity Index: A critical review of clinimetric properties}}, journal={Psychotherapy and Psychosomatics}, year={2022}, volume={91}, number={1}, pages={8--35}, doi={10.1159/000521288}}

@article{charlson1987new, author={Charlson, Mary E. and Pompei, Peter and Ales, Kathy L. and MacKenzie, C. Ronald}, title={{A new method of classifying prognostic comorbidity in longitudinal studies: Development and validation}}, journal={Journal of Chronic Diseases}, year={1987}, volume={40}, number={5}, pages={373--383}, doi={10.1016/0021-9681(87)90171-8}}

@article{charlson1994validation, author={Charlson, Mary and Szatrowski, Ted P. and Peterson, Janey and Gold, Jeffrey}, title={{Validation of a combined comorbidity index}}, journal={Journal of Clinical Epidemiology}, year={1994}, volume={47}, number={11}, pages={1245--1251}, doi={10.1016/0895-4356(94)90129-5}}

@article{charlson2014charlson, author={Charlson, Mary and Wells, Martin T. and Ullman, Ralph and King, Fionnuala and Shmukler, Celia}, title={{The Charlson comorbidity index can be used prospectively to identify patients who will incur high future costs}}, journal={PLOS ONE}, year={2014}, volume={9}, number={12}, eid={e112479}, doi={10.1371/journal.pone.0112479}}

@article{deyo1992adapting, author={Deyo, Richard A. and Cherkin, Daniel C. and Ciol, Marcia A.}, title={{Adapting a clinical comorbidity index for use with ICD-9-CM administrative databases}}, journal={Journal of Clinical Epidemiology}, year={1992}, volume={45}, number={6}, pages={613--619}, doi={10.1016/0895-4356(92)90133-8}}

@article{peduzzi1996simulation, author={Peduzzi, Peter and Concato, John and Kemper, Elizabeth and Holford, Theodore R. and Feinstein, Alvan R.}, title={{A simulation study of the number of events per variable in logistic regression analysis}}, journal={Journal of Clinical Epidemiology}, year={1996}, volume={49}, number={12}, pages={1373--1379}, doi={10.1016/s0895-4356(96)00236-3}}

@article{quan2011updating, author={Quan, Hude and Li, Bing and Couris, Chantal M. and Fushimi, Kiyohide and Graham, Patrick and Hider, Phil and Januel, Jean-Marie and Sundararajan, Vijaya}, title={{Updating and validating the Charlson comorbidity index and score for risk adjustment in hospital discharge abstracts using data from 6 countries}}, journal={American Journal of Epidemiology}, year={2011}, volume={173}, number={6}, pages={676--682}, doi={10.1093/aje/kwq433}}

@article{quan2005coding, author={Quan, Hude and Sundararajan, Vijaya and Halfon, Patricia and Fong, Andrew and Burnand, Bernard and Luthi, Jean-Christophe and Saunders, L. Duncan and Beck, Cynthia A. and Feasby, Thomas E. and Ghali, William A.}, title={{Coding algorithms for defining comorbidities in ICD-9-CM and ICD-10 administrative data}}, journal={Medical Care}, year={2005}, volume={43}, number={11}, pages={1130--1139}, doi={10.1097/01.mlr.0000182534.19832.83}}

@article{royston2006dichotomizing, author={Royston, Patrick and Altman, Douglas G. and Sauerbrei, Willi}, title={{Dichotomizing continuous predictors in multiple regression: A bad idea}}, journal={Statistics in Medicine}, year={2006}, volume={25}, number={1}, pages={127--141}, doi={10.1002/sim.2331}}