Chronic disease management: does the disease affect likelihood of care planning?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objective. To compare the demographic, socioeconomic, and medical characteristics of patients who had a General Practitioner Management Plan (GPMP) with those for patients without GPMP. Methods. Cohort study of patients with chronic diseases during the time period 1 July 2006 to 30 June 2008 using the Australian Department of Veterans’ Affairs (DVA) claims database. Results. Of the 88 128 veterans with chronic diseases included in the study, 23 015 (26%) veterans had a GPMP and 11 089 (13%) had a Team Care Arrangement (TCA). Those with a GPMP had a higher number of comorbidities (P < 0.001), and a higher use of services such as health assessment and medicine review (P < 0.001) than did those without GPMP. Diabetes was associated with a significantly increased use of GPMP compared with all other chronic diseases except heart failure. Conclusions. GPMPs are used in a minority of patients with chronic diseases. Use is highest in people with diabetes. What is known about the topic? Despite the fact that the Chronic Disease Management (CDM) program is appreciated by patients and allied health professionals, limited research has assessed how it is used in practice. What does this paper add? In the Veteran population, use of a General Practitioner Management Plan (GPMP) was associated with a higher number of comorbidities and of prior hospitalisations. Across chronic diseases use of GPMPs was low but was higher in people with diabetes. What are the implications for practitioners? Further research into the effect of CDM program on improvement of health outcomes is required.
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.
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 | 0,000 | 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 découle