Time trends and geographical variation in prescribing of drugs for diabetes in England from 1998 to 2017
Notice bibliographique
Résumé
AIMS: To measure the variation in prescribing of second-line non-insulin diabetes drugs. MATERIALS AND METHODS: We evaluated time trends for the period 1998 to 2016, using England's publicly available prescribing datasets, and stratified these by the order in which they were prescribed to patients using the Clinical Practice Research Datalink. We calculated the proportion of each class of diabetes drug as a percentage of the total per year. We evaluated geographical variation in prescribing using general practice-level data for the latest 12 months (to August 2017), with aggregation to Clinical Commissioning Groups. We calculated percentiles and ranges, and plotted maps. RESULTS: Prescribing of therapy after metformin is changing rapidly. Dipeptidyl peptidase-4 (DPP-4) inhibitor use has increased markedly, with DPP-4 inhibitors now the most common second-line drug (43% prescriptions in 2016). The use of sodium-glucose co-transporter-2 (SGLT-2) inhibitors also increased rapidly (14% new second-line, 27% new third-line prescriptions in 2016). There was wide geographical variation in choice of therapies and average spend per patient. In contrast, metformin was consistently used as a first-line treatment in accordance with guidelines. CONCLUSIONS: In England there is extensive geographical variation in the prescribing of diabetes drugs after metformin, and increasing use of higher-cost DPP-4 inhibitors and SGLT-2 inhibitors compared with low-cost sulphonylureas. Our findings strongly support the case for comparative effectiveness trials of current diabetes drugs.
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) | 0,001 | 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 ».