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 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 | 0,001 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».