Assessing volume and variation of low-value care practices in the Netherlands
Notice bibliographique
Résumé
BACKGROUND: There have been contributions to quantify the volume of low-value care practices in the USA, Canada and Australia but we have no knowledge about the volume in Europe. The purpose of this study was to assess the volume and variation of Dutch low-value care practices. METHODS: We conducted a cross-sectional study with data of a Dutch healthcare insurance company from general practioners (GP's) and hospitals in the Netherlands from 2016. We used all billing claims made by healthcare providers of 3.5 million Dutch inhabitants. We studied Choosing Wisely recommendations in order to select low-value care practices. We used the percentage low-value care practices per hospital and number of low-value care practices per GP as outcomes. RESULTS: We assessed the volume of low-back imaging by GPs, screening of patients over 75 years for colorectal cancer and diagnosing varices with Doppler or Plethysmography. We found that 0.4% (range 0-7%) of the eligible patients received low-value screening for colorectal cancer and 8.0% (range 0-88%) of eligible patients received low-value diagnosing of varices. About 52.4% of the GPs ordered X-rays and 11.2% ordered magnetic resonance imagings of the lumbosacral spine. Most healthcare providers did not provide the measured low-value care practices. However, 1 in 12 GPs ordered at least one low-back X-ray a week. CONCLUSIONS: The three Choosing Wisely recommendations showed a lot of practice variation; many healthcare providers did not order these low-value diagnostic tests; a minor part did order a substantial amount, low-back spine radiology in particular. These healthcare providers should start reducing these activities.
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 | 0,087 | 0,007 |
| 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 | 0,002 |
| Science ouverte | 0,000 | 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 ».