Measuring quality of diabetes care by linking health care system administrative databases with laboratory data
Notice bibliographique
Résumé
BACKGROUND: Chronic complications of diabetes can be reduced through optimal glycemic and lipid control as evaluated through measurement of glycosylated hemoglobin (A1C) and low-density lipoprotein cholesterol (LDL-C). We aimed to produce measures of quality of diabetes care in Saskatchewan and to identify sub-groups at particular risk of developing complications. FINDINGS: Prevalent adult cases of diabetes in 2005/06 were identified from administrative databases and linked with A1C and LDL-C tests measured in centralized laboratories. A1C results were performed in 33,927 of 50,713 (66.9%) diabetes cases identified in Saskatchewan, and LDL-C results were performed in 12,031 of 24,207 (49.7%) cases identified within the province's two largest health regions. The target A1C of <= 7.0% and the target LDL-C of <2.5 mmol/L were achieved in 48.3% and 45.1% of diabetes cases respectively. The proportions were lower among those who were female, First Nations, non-urban, younger and in lower income quintiles. The same groups experienced poorer glycemic control (exception females), and poorer lipid control (exception First Nations people). Among non-Aboriginal people, younger diabetic females were least likely to receive lipid lowering agents. CONCLUSIONS: Linkage of laboratory with administrative data is an effective method of assessing quality of diabetes care on a population basis and to identify sub-groups requiring particular attention. We found that less than 50% of Saskatchewan people with diabetes achieved optimal glycemic and lipid control. Disparities were most evident among First Nations people and young women. The indicators described can be used to provide standardized information that would support quality improvement initiatives.
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 | 0,005 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».