Capturing complexity in clinician case-mix: classification system development using GP and physician associate data
Notice bibliographique
Résumé
BACKGROUND: There are limited case-mix classification systems for primary care settings which are applicable when considering the optimal clinical skill mix to provide services. AIM: To develop a case-mix classification system (CMCS) and test its impact on analyses of patient outcomes by clinician type, using example data from physician associates' (PAs) and GPs' consultations with same-day appointment patients. DESIGN & SETTING: Secondary analysis of controlled observational data from six general practices employing PAs and six matched practices not employing PAs in England. METHOD: = 1154) were used to design the CMCS (combining problem codes, disease register data, and free text); to describe the case-mix; and to assess impact of statistical adjustment for the CMCS on comparison of outcomes of consultations with PAs and with GPs. RESULTS: A CMCS was developed by extending a system that only classified 18.6% (213/1147) of the presenting problems in this study's data. The CMCS differentiated the presenting patient's level of need or complexity as: acute, chronic, minor problem or symptom, prevention, or process of care, applied hierarchically. Combination of patient and consultation-level measures resulted in a higher classification of acuity and complexity for 639 (30.6%) of patient cases in this sample than if using consultation level alone. The CMCS was a key adjustment in modelling the study's main outcome measure, that is rate of repeat consultation. CONCLUSION: This CMCS assisted in classifying the differences in case-mix between professions, thereby allowing fairer assessment of the potential for role substitution and task shifting in primary care, but it requires further validation.
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 | 0,003 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».