Implementation and Evaluation of a Risk-Based Approach to Guide Chronic Kidney Disease Care: Protocol for a Multiphase Mixed-Methods Study
Notice bibliographique
Résumé
BACKGROUND: Risk prediction tools are used in a variety of clinical settings to guide patient care, although their use in chronic kidney disease (CKD) care is limited. OBJECTIVES: To assess the association of a risk-based model of CKD care on patient care, satisfaction, outcomes, and cost. DESIGN: Mixed-methods with a pre-post design. SETTING: We will use mixed-methods and a pre-post design to evaluate use of the Kidney Failure Risk Equation (KFRE) to guide CKD care. The KFRE will be applied to patients currently followed in nephrology multidisciplinary CKD clinics in Alberta, as well as to new patients being considered for multidisciplinary care. PATIENTS: will be recommended care by a multidisciplinary team coordinated by a nurse clinician and nephrologist, with access to other multidisciplinary resources including dietitians, pharmacists, and social workers as required. MEASUREMENTS/METHODS: Focus groups and interviews will be conducted to qualitatively describe patient and provider perspectives of potential barriers and facilitators to implementation of the risk-based approach to CKD care. Patient and provider surveys will also be used to quantify patient and provider satisfaction before and after the intervention. Finally, administrative data will be used to evaluate the association between the risk-based approach to care and outcomes including health care resource use, frequency of testing, modality choice, and death. CONCLUSIONS: Use of a risk-based model of care has the potential to increase use of optimal treatments such as the use of home dialysis and preemptive kidney transplantation, while reducing costs and poor outcomes related to processes of care such as unnecessary laboratory testing; however, there is also potential for unintended consequences. Our mixed-methods approach will integrate perceptions and needs from key stakeholders (including patients with CKD, their families, and their providers) to guide implementation and ensure appropriate modifications.
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 | 0,100 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,004 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,053 | 0,011 |
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 ».