What are the most common conditions in primary care? Systematic review.
Notice bibliographique
Résumé
OBJECTIVE: To identify the most commonly presenting conditions in primary care globally, and to compare common reasons for visits (RFVs) as reported by clinicians and patients, as well as among countries of different economic classifications. DATA SOURCES: Twelve scientific databases were searched up to January 2016, and a dual independent review was performed to select primary care studies. STUDY SELECTION: Studies were included if they contained 20 000 visits or more (or equivalent volume by patient-clinician interactions) and listed 10 or more RFVs. Dual independent data extraction of study characteristics and RFV rankings was performed. Data analysis was descriptive, with pooled rankings of RFVs across studies. SYNTHESIS: Eighteen studies met inclusion criteria (median 250 000 patients or 83 161 visits). Data were from 12 countries across 5 continents. The 10 most common clinician-reported RFVs were upper respiratory tract infection, hypertension, routine health maintenance, arthritis, diabetes, depression or anxiety, pneumonia, acute otitis media, back pain, and dermatitis. The 10 most common patient-reported RFVs were symptomatic conditions including cough, back pain, abdominal symptoms, pharyngitis, dermatitis, fever, headache, leg symptoms, unspecified respiratory concerns, and fatigue. Globally, upper respiratory tract infection and hypertension were the most common clinician-reported RFVs. In developed countries the next most common RFVs were depression or anxiety and back pain, and in developing countries they were pneumonia and tuberculosis. There was a paucity of available data, particularly from developing countries. CONCLUSION: There are differences between clinician-reported and patient-reported RFVs to primary care, as well as between developed and developing countries. The results of our review are useful for the development of primary care guidelines, the allocation of resources, and the design of training programs and curricula.
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 | 0,010 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,010 | 0,008 |
| Bibliométrie | 0,016 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 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 ».