Digging deep into diabetes: achieving better glycemic control in diabetic patients in a resident-run clinic
Notice bibliographique
Résumé
Background: Diabetes mellitus (DM) affects over 30 million Americans with an estimated annual cost of $327 billion in 2017. Patients with diabetes, especially with financial and/or social hardships, pose challenges in achieving target hemoglobin A1c (HbA1c) values. Understanding patient-specific barriers offer opportunities to improve outcomes in patient care.Objective: We aimed to improve a patient’s glycemic control by reducing barriers to care. Furthermore, we evaluated the impact that a resident quality improvement effort had on providing high value diabetic care.Methods: We performed a retrospective cohort study of patients with HbA1c >9.0% in an underserved, resident-run clinic. Patients were surveyed on their knowledge of diabetes and reported obstacles to achieve diabetic control. We then implemented a 12 -month customized, patient-directed, multi-modal, multidisciplinary intervention.Results: Ninety-four patients with HbA1c >9.0% were identified, 65 surveyed, and 51 included in the intervention phase. After the intervention phase, re-evaluation of HbA1c in a paired sample comparison showed that the average HbA1c had decreased by 1.41% (11.28% vs. 9.87%, p < 0.01). Among the patients included in the intervention group, approximately 8% had their HbA1c reduced by ≥50% from their baseline, 23% had their HbA1c reduced by ≥25% from their baseline and 49% had their HbA1c reduced by ≥10% from their baseline.Conclusions: A strategically designed, a patient-centered customized intervention can have a positive impact on a patient’s diabetic control.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| 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 ».