Methodological issues for measuring pharmacotherapy treatment and its calibration with patient outcomes using real-world data
Notice bibliographique
Résumé
IntroductionHealth system and administrative data sources, although collected for process/procedural healthcare use, have recently been leveraged for research purposes. Complex methodologies such as data linkages, defined algorithms, and proxy measures are needed to validate the use of these data. Alberta has exceptionally rich health system data to be explored.
 Objectives and ApproachOur objectives were to explore data sources in Alberta regarding pharmacotherapy treatments, patient outcomes, and develop methods to calibrate associations. We scoped data sources for pharmacotherapy treatment and patient outcomes in Alberta, Canada. Using a cohort of patients with multiple sclerosis (MS) as an example, we developed algorithms to measure medication possession ratio (MPR), proportion of days covered (PDC), and treatment discontinuation (TD). Patient outcomes included: ambulatory care visits, physician claims and hospitalizations. We explored different algorithms for statistical modeling of patient treatments and outcomes. Optimal cut-points and statistical model performance of MPR/PDC and TD with patient outcomes were evaluated.
 ResultsWe utilized six Albertan data sources to examine treatment patterns and patient outcomes. From the year 2000, the pharmaceutical information network (PIN) and Alberta Blue Cross drug datasets collected: service dates, dosages, drug identification numbers, anatomical therapeutic chemical classification codes, and days of supplies; which were used to calculate MPR, PDC and TD. MPR and PDC were calculated using three different methods: (1) fixed follow-up period; (2) with and without last fill; and (3) adjustment for hospitalization periods. No significant differences between methods were found. In addition, TD using 60- and 90-day gaps, while considering the medication day supplies, were calculated. Adherence with optimal cut-point 0.8 of MPR/PDC and TD were significantly associated with ambulatory care visits, physician claims, and hospitalizations (p=0.000; C-statistic range: 0.78-0.89).
 Conclusion/ImplicationsThe PIN data can be utilized for measuring pharmacotherapy treatment in patient outcomes research. To understand the impact of therapies on outcomes in a real-world setting, however, comprehensive methods for measuring treatment indicators as well as patient outcomes should be developed to control for inherent biases in observational data.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».