Benefits of Information Technology–Enabled Diabetes Management
Notice bibliographique
Résumé
OBJECTIVE: To determine the financial and clinical benefits of implementing information technology (IT)-enabled disease management systems. RESEARCH DESIGN AND METHODS: A computer model was created to project the impact of IT-enabled disease management on care processes, clinical outcomes, and medical costs for patients with type 2 diabetes aged >25 years in the U.S. Several ITs were modeled (e.g., diabetes registries, computerized decision support, remote monitoring, patient self-management systems, and payer-based systems). Estimates of care process improvements were derived from published literature. Simulations projected outcomes for both payer and provider organizations, scaled to the national level. The primary outcome was medical cost savings, in 2004 U.S. dollars discounted at 5%. Secondary measures include reduction of cardiovascular, cerebrovascular, neuropathy, nephropathy, and retinopathy clinical outcomes. RESULTS: All forms of IT-enabled disease management improved the health of patients with diabetes and reduced health care expenditures. Over 10 years, diabetes registries saved $14.5 billion, computerized decision support saved $10.7 billion, payer-centered technologies saved $7.10 billion, remote monitoring saved $326 million, self-management saved $285 million, and integrated provider-patient systems saved $16.9 billion. CONCLUSIONS: IT-enabled diabetes management has the potential to improve care processes, delay diabetes complications, and save health care dollars. Of existing systems, provider-centered technologies such as diabetes registries currently show the most potential for benefit. Fully integrated provider-patient systems would have even greater potential for benefit. These benefits must be weighed against the implementation costs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 ».