The Interplay Between Continuity of Care, Multimorbidity, and Adverse Events in Patients With Diabetes
Notice bibliographique
Résumé
OBJECTIVES: To evaluate the impact of continuity of care and multimorbidity on health outcomes in patients with diabetes. RESEARCH DESIGN: Using a US claims database of insured patients, we identified those with incident diabetes between 2004 and 2008 and followed them until death, disenrollment, or December 31, 2010. Continuity of care was defined using Breslau's Usual Provider of Continuity (UPC; proportion of visits to the usual or predominant provider within 2 y of diabetes diagnosis). Multivariable logistic regression was used to determine the association between UPC in the first 2 years after diabetes diagnosis and subsequent 1-year composite primary outcome of all-cause hospitalization or death in year 3 in patients with/without multimorbidity. RESULTS: Of the 285,231 patients with incident diabetes, 74% had multimorbidity; their average age was 53 years (SD=10.5) and 49% were female. A total of 77,270 (27%) individuals had a mean UPC≥75% in the first 2 years. During year 3 of follow-up, 33,632 (12%) patients died or were hospitalized for any cause. Greater continuity of care (UPC≥75%) was associated with reduced risk of subsequent death or hospitalization [7.2% vs. 13.5%; adjusted odds ratio (aOR)=0.72; 95% CI, 0.70-0.75]. Although multimorbidity was independently associated with an increased risk of our primary composite endpoint (13.4% vs. 7.2%; aOR=1.26; 95% CI, 1.21-1.30), the association between greater continuity and better outcomes was similar in those with multimorbidity (aOR=0.71; 95% CI, 0.69-0.71) as in those without (aOR=0.75; 95% CI, 0.71-0.80). CONCLUSIONS: In patients with incident diabetes, greater continuity of care is associated with improved outcomes, irrespective of whether or not they have multimorbidity.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».