Use of chronic disease management programs for diabetes
Notice bibliographique
Résumé
Objective To determine the types of chronic disease management (CDM) programs offered for patients with diabetes in Alberta's primary care networks (PCNs). Design A survey was administered to PCNs to determine the types of CDM programs offered for patients with diabetes; CDM programs were organized into categories by their resource intensity and effectiveness. Results of the survey were reported using frequencies and percentages. Setting Alberta has recently created PCNs—groups of family physicians who receive additional funds to enable them to support activities that fall outside the typical physician-based fee-for-service model, but which address specified objectives including CDM. It is currently unknown what additional programs are being provided through the PCN supplemental funding. Participants A survey was administered to the individual responsible for CDM in each PCN. This included executive directors, chronic disease managers, and CDM nurses. Main outcome measures We determined the CDM strategies used in each PCN to care for patients with diabetes, whether they were available to all patients, and whether the services were provided exclusively by the PCN or in conjunction with other agencies. Results There was considerable variation across PCNs with respect to the CDM programs offered for people with diabetes. Nearly all PCNs used multidisciplinary teams (which could include nurses, dietitians, and pharmacists) and patient education. Fewer than half of the PCNs permitted personnel other than the primary physician to write or alter prescriptions for medications. Conclusion Alberta's PCNs have successfully established many different types of CDM programs. Multidisciplinary care teams, which are among the most effective CDM strategies, are currently being used by most of Alberta's PCNs.
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 ».