A General Method for Identifying Excess Revisit Rates: The Case of Hypertension
Notice bibliographique
Résumé
OBJECTIVE: To provide a description and application of a novel methodology for comparing actual to expected visit rates at the physician level (controlling for patient characteristics) that could be employed in healthcare monitoring and management. DATA SOURCES/STUDY SETTING: Two fiscal years (1997/1998 and 1998/1999) of health utilization data extracted from linked administrative data sets on a population-based cohort of 13,688 patients (aged 25+ with hypertension) involving 157 physicians. STUDY DESIGN: We re-analyzed data from a previously published retrospective cohort study to develop and apply a new methodology for identifying higher or lower than expected physician visit rates for hypertension. DATA COLLECTION/EXTRACTION METHODS: We matched each study physician's hypertensive patients on the basis of age, sex, income and co-morbidity to an equal number of control patients drawn from the cohort. We then compared visit rates between the actual practice and the matched control practice. PRINCIPAL FINDINGS: Although the correlation between the visit rates of the two groups of practices was high (r=.87), there were notable differences in rates, suggesting substantial discretionary practice among physicians. CONCLUSIONS: The methodology outlined in this paper provides a basis for identifying variations in visit levels related to discretionary practice patterns and patient preferences. Deviation from expected visit rates provides a potentially useful measure for performance feedback and quality improvement activities.
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 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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».