Identification of undiagnosed diabetes and quality of diabetes care in the United States: cross-sectional study of 11.5 million primary care electronic records
Notice bibliographique
Résumé
BACKGROUND: Electronic diabetes registers promote structured care and enable identification of undiagnosed diabetes, but they require consistent coding of the diagnosis in electronic medical records. We investigated the potential of electronic medical records to identify undiagnosed diabetes and to support diabetes management in a large primary care population in the United States. METHODS: We conducted a cross-sectional study and retrospective observational cohort analysis of primary care electronic medical records from a nationally representative US database (GE Centricity). We tested the feasibility of identifying patients with undiagnosed diabetes by applying simple algorithms to the electronic medical record data. We compared the quality of care provided to patients in the United States who had diabetes (coded and uncoded) for at least 15 months with the quality of care provided in England using a set of 16 indicators. RESULTS: We included 11 540 454 electronic medical records from more than 9000 primary care clinics across the United States. Of the 1 110 398 records indicating diagnosed diabetes, only 61.9% contained a diagnostic code. Of the 10 430 056 records for nondiabetic patients, 0.4% (n = 40 359) had at least 2 abnormal fasting or random blood glucose values, and 0.2% (n = 23 261) of the remaining records had at least 1 documented glycated hemoglobin (HbA1c) value of 6.5% or higher. Among the 622 260 patients for whom information on quality-of-care indicators was available, those with a coded diagnosis of diabetes had a significantly higher level of quality of care than those with uncoded diabetes (p < 0.01); however, the quality of care was generally lower than that indicated in England. INTERPRETATION: We were able to identify a substantial number of patients with uncoded diabetes and probable undiagnosed diabetes using simple algorithms applied to the primary care electronic records. Electronic coding of the diagnosis was associated with improved quality of care. Electronic diabetes registers are underused in US primary care and provide opportunities to facilitate the systematic, structured approach that is established in England.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| 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 | 0,001 | 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 ».