Designing a Management and Referral Tool for Patients with Multiple Chronic Illnesses in Primary Care Settings
Notice bibliographique
Résumé
Some local health organizations in Ontario (e.g., Local Health Integration Network or LHINs) have put forward a strategic objective to identify patients with preventable high cost healthcare service usage (e.g., hospitalizations, emergency department [ED] visits). To attain this goal, primary care service providers, who are considered the entry point to the health system, need tools to help diagnose, treat and refer those patients identified as being potential high users of the health care system. The goal of this study was to develop a management and referral tool to identify, manage and refer patients living with multiple comorbidities to specialized care teams such as Health Links. Data used in this analysis were obtained from the Canadian Primary Care Sentinel Surveillance Network (CPCSSN) primary care data holdings. The dataset created for this study contained 14,004 patient records. Data analysis techniques included use of both statistical and predictive analytic tools. The base models included four data mining classification algorithms: Decision Tree, Naïve Bayes, Neural Network and Clustering. The predictive modeling approach was complemented by an association analysis. The one-way ANOVA analysis indicated that age and health status (number of conditions, and individual medical conditions) identified statistically significant differences in patient utilization of health services. Results from the predictive analytics showed that patient age and patient medical conditions, as well as number of medical conditions for each patient (5 or more) could be used as criteria to develop tools (e.g. searches, reminders). Specifically, Parkinson disease, dementia and epilepsy were found to be important predictors (i.e. most frequently associated with) the top 4 most prevalent conditions (hypertension, osteoarthritis, depression and diabetes) within the population of the study. The association analysis also revealed that chronic obstructive pulmonary disease (COPD) was closely associated with the top 4 most prevalent conditions. Based on the findings of this study, Parkinson Disease, dementia, epilepsy and COPD can be used to identify patients with complex medical needs who are likely to be high users of the healthcare system and to be considered for early, personalized intervention.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».