Healthcare system encounters before COPD diagnosis: a registry-based longitudinal cohort study
Notice bibliographique
Résumé
BACKGROUND: There is high interest in strategies for improving early detection of chronic obstructive pulmonary disease (COPD). These strategies often rely on opportunistic encounters between patients with undiagnosed COPD and the healthcare system; however, the frequency of these encounters is currently unknown. METHODS: We used administrative health data for the province of British Columbia, Canada, from 1996 to 2015. We identified patients with COPD using a validated case definition, and assessed their visits to pharmacists, primary care and specialist physicians in the 5 years prior to the initial diagnosis of COPD. We used generalised linear models to compare the rate of outpatient visits between COPD and non-COPD comparator subjects matched on age, sex and socioeconomic status. RESULTS: We assessed 112 635 COPD and non-COPD pairs (mean 68.6 years, 51.0% male). Patients with COPD interacted with pharmacists most frequently in the 5 years before diagnosis (mean 14.09, IQR 4-17 visits/year), followed by primary care (10.29, IQR 4-13 visits/year) and specialist (8.11, IQR 2-11 visits/year) physicians. In the 2 years prior to diagnosis, 72.1% of patients with COPD had a respiratory-related primary care visit that did not result in a COPD diagnosis. Compared with non-COPD subjects, patients with COPD had higher rates of primary care (rate ratio (RR) 1.40, 95% CI 1.39 to 1.41), specialist (RR 1.35, 95% CI 1.34 to 1.37) and pharmacist (RR 1.62, 95% CI 1.60 to 1.63) encounters. CONCLUSIONS: Patients with COPD used higher rates of outpatient services before diagnosis than non-COPD subjects. Case detection technologies implemented in pharmacy or primary care settings have opportunities to diagnose COPD earlier.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».