MétaCan
Menu
Retour à la cohorte
Enregistrement W2891132287 · doi:10.23889/ijpds.v3i4.975

Use of the CANHEART ‘big data’ registry to conduct a large randomized registry clinical trial to improve lipid management in Ontario, Canada

2018· article· en· W2891132287 sur OpenAlexaffabout
Anam Khan, Jing Jia, Anna Chu, Jacob A. Udell, Michael E. Farkouh, Jack Tully

Notice bibliographique

RevueInternational Journal for Population Data Science · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueChronic Disease Management Strategies
Établissements canadiensUniversity Health NetworkWomen's College HospitalInstitute for Clinical Evaluative Sciences
Organismes subventionnairesnon disponible
Mots-clésMedicineRandomized controlled trialPopulationCohortClinical trialMedical prescriptionStatinFamily medicineRecord linkageEmergency medicineMyocardial infarctionPhysical therapyEnvironmental healthInternal medicine

Résumé

récupéré en direct d'OpenAlex

IntroductionCreation of registries using linked population-based databases could potentially be used to conduct large registry-based clinical trials. As part of the CANHEART-Strategy for Patient-Oriented Research (SPOR) innovative clinical trials initiative, we explored the practicality of using the linked CANHEART registry to conduct a cluster-randomized trial aimed at improving lipid management.
 Objectives and ApproachThe CANHEART registry (www.canheart.ca) was created through the linkage of 19 population-based health databases in Ontario, Canada, providing individual-level socio-demographic, geographic, hospitalization, disease testing/screening, mortality, prescription medication, and behavior/lifestyle information. Using CANHEART defined eligibility criterion, small and medium-sized, high cardiovascular-risk health regions (defined as having acute myocardial infarction, stroke or cardiovascular death rates greater than the Ontario average) are being randomly allocated to receive either the intervention (availability of a lipid management ‘toolbox’) or standard care. Cohort linkages to additional years of data will occur regularly over the 3-year trial to ascertain the primary outcome of appropriate statin prescribing rates.
 
 \section*{Results}
 Record linkage enabled us to determine baseline characteristics of 835,345 patients aged 40-75 as of January 2016, being treated in the 28 study-eligible regions by 2,012 family physicians. Preceding the study, the baseline statin use rate was 35.7\% (in 66-75 year olds) across these regions and the cardiovascular event rate ranged from 3.78-5.64 events/1000 person-years. A randomization procedure yielded 14 regions in both the intervention and control arms which did not differ significantly in socio-demographic characteristics, traditional cardiovascular risk factors, disease history, prevalence of statin use, or access to healthcare indicators. Working groups have been established to operationalize the lipid management tools that will be made available in the intervention regions. Analysis of newly linked participant data will permit outcome ascertainment at trial completion.
 
 \section*{Conclusion/Implications}
 Our work demonstrates the feasibility of using the CANHEART ‘big data’ registry to conduct a large, cluster-randomized clinical trial aimed at improving lipid management, without requiring any primary data collection. Broader use of this methodology has the potential to change the existing paradigm for conducting pragmatic clinical trial research.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,340
Score d'incertitude au seuil0,556

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0020,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,317
Tête enseignante GPT0,469
Écart entre enseignants0,152 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal for Population Data ScienceMême sujetChronic Disease Management StrategiesTravaux en français237 207