Enrolment in primary care networks: impact on outcomes and processes of care for patients with diabetes
Notice bibliographique
Résumé
BACKGROUND: Primary care networks are a newer model of primary care that focuses on improved access to care and the use of multidisciplinary teams for patients with chronic disease. We sought to determine the association between enrolment in primary care networks and the care and outcomes of patients with diabetes. METHODS: We used administrative health care data to study the care and outcomes of patients with incident and prevalent diabetes separately. For patients with prevalent diabetes, we compared those whose care was managed by physicians who were or were not in a primary care network using propensity score matching. For patients with incident diabetes, we studied a cohort before and after primary care networks were established. Each cohort was further divided based on whether or not patients were cared for by physicians enrolled in a network. Our primary outcome was admissions to hospital or visits to emergency departments for ambulatory care sensitive conditions specific to diabetes. RESULTS: Compared with patients whose prevalent diabetes is managed outside of primary care networks, patients in primary care networks had a lower rate of diabetes-specific ambulatory care sensitive conditions (adjusted incidence rate ratio 0.81, 95% confidence interval [CI] 0.75 to 0.87), were more likely to see an ophthalmologist or optometrist (risk ratio 1.19, 95% CI 1.17 to 1.21) and had better glycemic control (adjusted mean difference -0.067, 95% CI -0.081 to -0.052). INTERPRETATION: Patients whose diabetes was managed in primary care networks received better care and had better clinical outcomes than patients whose condition was not managed in a network, although the differences were very small.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».