Diabetes, kidney disease and cardiovascular disease patients. Assessing care of complex patients using outpatient testing and visits: additional metrics by which to evaluate health care system functioning
Notice bibliographique
Résumé
BACKGROUND: The triad of cardiovascular disease (CVD), chronic kidney disease (CKD) and diabetes mellitus (DM) share many fundamental disease pathways. Patients with these conditions contribute excessively to health care costs. Opportunities for system redesign require metrics by which to evaluate the impact. METHODS: Using a provincial comprehensive set of administrative billing databases (outpatient visits, laboratory tests, pharmacy and hospital inpatient services), we itemized the prevalence of each and combination of conditions, resource utilization associated with each condition and combinations, using ICD 9-10 billing codes and standard definitions. Three consecutive years (2003-2005) were used to establish stability of findings. RESULTS: CKD, CVD and DM diagnoses are found in 422 124 persons within a province of 4.3 million individuals (10%); 1.7% had all three conditions. The median age of each cohort varied significantly between those with multiple conditions (67-79 years) versus those with single condition (56-72 years). The median number of physician visits was 26 per patient year. Duplicate testing accounted for expenditures of $3 million/annum; 7.55% of patients accounted for 34.4% of duplicate tests. Those with DM or CKD had similar use of medications, physician visits and hospital days. Those with all conditions (CVD-CKD-DM) had a median of 6 in-hospital days/year. A significant proportion were not on ACE/ARB or statin medications (30 and 45%, respectively). CONCLUSION: Patients with chronic, complex conditions consume a large number of outpatient and inpatient resources. Documenting these allows identification of a set of metrics by which to design and measure health care system redesign initiatives. Potential targets to benchmark in designing more effective systems have been identified.
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 | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».