Do Primary Care Provider Strategies Improve Patient Participation in Colorectal Cancer Screening?
Notice bibliographique
Résumé
OBJECTIVES: Screening rates for colorectal cancer (CRC) remain suboptimal. The impact of provider strategies to enhance screening participation in the population is uncertain. The objective of this study was to determine the effect of provider strategies to increase screening in a single-payer system. METHODS: A population-based survey was conducted in primary care providers (PCPs) linked to patients using administrative data in Ontario, Canada. Patients were due for CRC screening from April 2012 to March 2013. Patients were followed up until 31 March 2014. We determined time to become up-to-date with CRC screening. Cox proportional hazards models examined the association between PCP strategies and uptake of screening, adjusted for physician and patient factors. RESULTS: A total of 717 PCPs and their 147,834 rostered patients due for CRC screening were included. Most physicians employed strategies to enhance screening participation, including electronic medical record use, reminders, generation of lists, audit and feedback reports, or designating staff responsible for screening. No single strategy was strongly associated with screening. For those >1 year overdue, a systematic approach to generate lists of patients overdue for screening was weakly associated with screening uptake (hazard ratio (HR)=1.14, 95% CI: 1.03-1.26, P=0.04 >5 years overdue vs. <1 year overdue). The use of multiple PCP strategies was associated with screening participation (HR=1.27, 95% CI: 1.16-1.39, P<0.0001 for PCPs using 4-5 vs. 0-1 strategies). Practice-based strategies were self-reported. CONCLUSIONS: In practice, while individual PCP strategies have little effect, the use of multiple strategies to enhance screening appears to improve CRC screening uptake in patients.
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 | 0,000 | 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 ».