Effectiveness of an HbA1c tracking tool on primary care managementof diabetes mellitus: glycaemic control, clinical practice andusability
Notice bibliographique
Résumé
OBJECTIVE: To determine if a laboratory data report (the HbA1c Tracking Tool) could be used as an effective intervention to improve diabetes management. DESIGN: A longitudinal quasi-experimental cohort design was used to test the effectiveness of an HbA1c summary report sent to primary care physicians for all patients having HbA1c levels greater than 7%. SETTING: Moncton, New Brunswick, Canada. SAMPLE SELECTION: Administrative data from all adult patients with diabetes who had had at least two HbA1c measurements within the year prior to the initiation of the HbA1c Tracking Tool, and who had had five years of HbA1c measurements (2002-2007) overall was included. INTERVENTIONS: In March 2006 all primary care physicians began receiving HbA1c summary reports (through the HbA1c Tracking Tool) as a means to improving the management of diabetes. MAIN OUTCOME MEASURES: (a) patient glycaemic control as indicated by HbA1c levels, (b) physician adherence to practice guidelines as indicated by measuring the mean number of HbA1c tests ordered per patient per year, and (c) physician usage rates of the HbA1c Tracking Tool in clinical practice. RESULTS: The sample (n=955) was divided into three subgroups based on flagged HbA1c level (7-<8%, 8-9%, >9%). The strongest effect of the intervention was found in the two groups with the poorest glycaemic control. The effect was stronger in the >9% group (from 10.1 to 9.3%), than in the 8-9% group (a drop of 8.5 to 8.3%). Longitudinal analyses over a five-year period indicated the same findings. Patients were also found to receive more tests across time (from 2.45 tests per year to 3.0 across five years). In terms of usage, 92.1% of the physicians surveyed used the tool in their practice. CONCLUSION: Routinely collected hospital laboratory data can be used both as the basis for an information-based intervention and as a tool to monitor quality of diabetes care.
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 | 0,023 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».