Multiple Sclerosis Disease-Modifying Therapy Prescribing Patterns in Ontario
Notice bibliographique
Résumé
BACKGROUND: Differences in Multiple sclerosis (MS) disease-modifying therapy (DMT) prescribing patterns between different groups of neurologists have not been explored. OBJECTIVE: To examine concentrations of prescribing patterns and to assess if MS-specialists use a broader range of DMTs relative to general neurologists. METHODS: We conducted a cross-sectional study using administrative claims databases in Ontario, Canada to link neurologists to 2009 DMT prescription data. MS specialization was defined using both practice location and prescription patterns. Lorenz curves and Gini coefficients were constructed to examine prescribing patterns, separating neurologist characteristics dichotomously and separating Avonex from the other standard DMTs (Betaseron, Rebif and Copaxone). Gini coefficient 95% confidence intervals (CIs) were derived using jack-knife statistical techniques. RESULTS: Prescriptions were highly concentrated with 12% of Ontario neurologists prescribing 80% of DMTs. There was a trend towards Avonex being more commonly prescribed relative to the other DMTs. When MS specialization was defined by DMT prescribing, high-volume prescribing neurologists showed a broader range of DMT prescribing (Gini 0.38-0.44) in comparison to low-volume prescribers (Gini 0.57-0.66). CONCLUSIONS: The majority of DMTs are prescribed by a small subset of neurologists. High-volume prescribing MS-specialists show more variability in DMT use while low-volume prescribers tend to individually focus on a narrower range of DMTs.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».