Co‐morbidity and the utilization of health care for Australian veterans with diabetes
Notice bibliographique
Résumé
OBJECTIVE: To examine the impact of co-morbidity on health service utilization by Australian veterans with diabetes. METHODS: A retrospective cohort study was undertaken including veterans aged >or= 65 years dispensed medicines for diabetes in 2006. Data were sourced from the Australian Department of Veterans' Affairs health claims database. Utilization of preventive health services for diabetes was assessed, including claims for glycated haemoglobin (HbA(1c)) test, microabuminuria, podiatry services, diabetes care plans, medication reviews, case conferences, general practitioner (GP) management plans and ophthalmology/optometry services. RESULTS: Among the 17,095 veterans dispensed medicines for diabetes, more than 80% had four or more co-morbid conditions. Those with a higher number of co-morbidities were more likely to have had claims for optometry/ophthalmology services and podiatry services, but not for other services. Veterans with at least one diabetes-related hospital admission had no more claims for diabetes health services than those who had no diabetics-related hospital admission, except for endocrinology services (relative risk = 1.26, 95% confidence intervals 1.15-1.37). Veterans with dementia were less likely to have had claims for diabetes health services while patients with renal failure were more likely to have had claims for the services. CONCLUSIONS: Low utilization of preventive diabetes care services is apparent in all co-morbidity groups. Patients with renal failure or dementia used more and less health services resources, respectively. Given the high mean age of this population, there may be valid reasons for the low use, such as competing health demands and patients' preferences.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».