Provider characteristics: impact on bone density utilization at a health maintenance organization
Notice bibliographique
Résumé
OBJECTIVE: Information from bone mineral density (BMD) is relevant in guiding postmenopausal osteoporosis prevention and treatment, yet many providers do not typically order BMDs. This study was designed to identify physician characteristics associated with utilization of bone densitometry in a northeastern US health maintenance organization (HMO). DESIGN: Internal medicine primary providers in practice at a northeastern HMO between April 1997 and March 1998 were categorized by BMD utilization, based on the number of BMDs performed during that time per number of women older than 50 years in their patient panel. In one analysis, providers in the highest quintile for this parameter were considered "high utilizers" (n = 25), and those in the lowest quintile, "low utilizers." These groups were compared with respect to provider characteristics and practice composition. In a second analysis, multiple variable linear regression was used to predict the likelihood of utilization of BMD as a function of those parameters for all providers. RESULTS: The range of BMDs by provider was 0 to 190 per 1,000 women >50 years (median = 34) over this 1-year period. Providers who were high utilizers had a significantly greater number of female patients more than age 50 in their practice (p < 0.05) and were also more likely themselves to be female (62% vs. 48%; p < 0.05). There was no association between BMD utilization and age of provider or years in practice. Female provider gender (p < 0.01) and greater percentage of women more than age 50 in the practice (p < 0.05) were independent predictors of BMD utilization in a multivariate model. CONCLUSION: BMDs were infrequently utilized by the majority of providers over this 1-year period. Female provider gender was associated with a significantly greater likelihood of BMD utilization that was not simply explained by the greater number of women in these providers' practices. These findings may be relevant to identifying strategies to improve bone health care in this population.
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 | 0,001 | 0,009 |
| 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) | 0,004 | 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 ».