Effect of a general practitioner management plan on health outcomes and hospitalisations in older patients with diabetes
Notice bibliographique
Résumé
BACKGROUND: Little is known about the impact of a general practitioner management plan (GPMP) on health outcomes of patients with diabetes. AIM: To examine the impact of a GPMP on the risk of hospitalisation for diabetes. METHODS: A retrospective study using administrative data from the Australian Government Department of Veterans' Affairs was conducted (1 July 2006 to 30 June 2014) of diabetes patients either exposed or unexposed to a GPMP. The primary end-point was the risk of first hospitalisation for a diabetes-related complication and was assessed using Cox proportional hazard regression models with death as a competing risk. Secondary end-points included rates of receiving guideline care for diabetes, with differences assessed using Poisson regression analyses. RESULTS: A total of 16 214 patients with diabetes were included; 8091 had a GPMP, and 8123 did not. After 1 year, 545 (6.7%) patients with a GPMP and 634 (7.8%) of patients without a GPMP were hospitalised for a diabetes complication. There was a 22% reduction in the risk of being hospitalised for a diabetes complication (adjusted hazard ratio (HR) 0.78, 95% confidence interval (CI) 0.69-0.87, P < 0.0001) for those who received a GPMP by comparison to those who did not. Increased rates of diabetes guideline care, HbA1c claims (adjusted HR 1.29, 95% CI 1.25-1.33) and microalbuminura claims (adjusted HR 1.65, 95% CI 1.58-1.72) were observed after a GPMP. CONCLUSION: Provision of a GPMP in older patients with diabetes resulted in improved health outcomes, delaying the risk of hospitalisation at 12 months for diabetes complications. GPMP should be included as part of routine primary care for older patients with diabetes.
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 | 0,000 |
| 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 ».