Impact of a chronic disease self-management program on health care utilization in rural communities: a retrospective cohort study using linked administrative data
Notice bibliographique
Résumé
BACKGROUND: Internationally, chronic disease self-management programs (CDSMPs) have been widely promoted with the assumption that confident, knowledgeable patients practicing self-management behavior will experience improved health and utilize fewer healthcare resources. However, there is a paucity of published data supporting this claim and the majority of the evidence is based on self-report. METHODS: We used a retrospective cohort study using linked administrative health data. Data from 104 tele-CDSMP participants from 13 rural and remote communities in the province of Ontario, Canada were linked to administrative databases containing emergency department (ED) and physician visits and hospitalizations. Patterns of health care utilization prior to and after participation in the tele-CDSMP were compared. Poisson Generalized Estimating Equations regression was used to examine the impact of the tele-CDSMP on health care utilization after adjusting for covariates. RESULTS: There were no differences in patterns of health care utilization before and after participating in the tele-CDSMP. Among participants ≤ 66 years, however, there was a 34% increase in physician visits in the 12 months following the program (OR = 1.34, 95% CI 1.11-1.61) and a trend for decreased ED visits in those >66 years (OR = 0.59, 95% CI 0.33-1.06). CONCLUSIONS: This is the first study to examine health care use following participation in the CDSMP in a Canadian population and to use administrative data to measure health care utilization. Similar to other studies that used self-report measures to evaluate health care use we found no differences in health care utilization before and after participation in the CDSMP. Future research needs to confirm our findings and examine the impact of the CDSMP on health care utilization in different age groups to help to determine whether these interventions are more effective with select population groups.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».