Characteristics of State Policies Impact Health Care Delivery
Notice bibliographique
Résumé
BACKGROUND: Increased breast tissue density may mask cancer and thus decrease the diagnostic sensitivity of mammography. A patient group advocacy led to the implementation of laws to increase the awareness of breast tissue density and to improve access to supplemental imaging in many states. Given limited evidence about best practices, variation exists in several characteristics of adopted policies. OBJECTIVE: To identify which characteristics of state-level policies with regard to dense breast tissue were associated with increased use of downstream breast ultrasound. RESEARCH DESIGN: This was a retrospective series of monthly cross-sections of screening mammography procedures before and after implementation of laws. SUBJECTS: A sample of 13,481,554 screening mammography procedures extracted from the MarketScan Research database performed between 2007 and 2014 on privately insured women aged 40-64 years that resided in a state that had implemented relevant legislation during that period. MEASURES: The outcome was an indicator of whether breast ultrasound imaging followed a screening mammography procedure within 30 days. The main independent variables were policy characteristics indicators. RESULTS: Notification of patients about issues surrounding increased breast density was associated with increased follow-up by ultrasound by 1.02 percentage points (P=0.016). Some policy characteristics such as the explicit suggestion of supplemental imaging or mandated coverage of supplemental imaging by health insurance augmented that effect. Other policy characteristics moderated the effect. CONCLUSIONS: The heterogeneous effect of state legislation with regard to dense breast tissue on screening mammography follow-up by ultrasound may be explained by specific and unique characteristics of the approaches taken by a variety of states.
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) | 0,001 | 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 ».