Effect of comorbidities and medications on frequency of primary care visits among older patients.
Notice bibliographique
Résumé
OBJECTIVE: To determine if comorbidities and high-risk medications affect the frequency of family physician visits among older patients. DESIGN: Retrospective chart review. SETTING: Academic family health team at Sunnybrook Health Sciences Centre in Toronto, Ont. PARTICIPANTS: Among patients aged 65 years and older who were registered patients of the family health team between July 1, 2013, and June 30, 2014, the 5% who visited their family physicians most frequently and the 5% who visited their family physicians least frequently were selected for the study (N = 265). MAIN OUTCOME MEASURES: Predictors of frequent visits to family physicians. RESULTS: The significant predictors of being a high-frequency user were female sex (odds ratio [OR] = 2.20, P = .03), age older than 85 years (OR = 5.35, P = .001), and higher total number of medications (OR = 1.49, P < .001). Age-adjusted Charlson comorbidity index score, number of Beers criteria medications, and Anticholinergic Risk Scale score were not significant predictors (P > .05). CONCLUSION: Female sex, age older than 85, and higher total number of medications were independent significant predictors of higher frequency of family physician visits among older patients. Validated tools, such as the Charlson comorbidity index, Beers criteria, and Anticholinergic Risk Scale, did not independently predict the frequency of visits, indicating that predicting frequency of visits is likely complex.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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) | 0,002 | 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 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 ».