Patterns of Healthcare Use and Medication Adherence among Youth with Systemic Lupus Erythematosus during Transfer from Pediatric to Adult Care
Notice bibliographique
Résumé
OBJECTIVE: Youth with systemic lupus erythematosus (SLE) transferring from pediatric to adult care are at risk for poor outcomes. We describe patterns of rheumatology/nephrology care and changes in healthcare use and medication adherence during transfer. METHODS: We identified youth ages 15-25 with SLE using US private insurance claims from Optum's deidentified Clinformatics Data Mart. Rheumatology/nephrology visit patterns were categorized as (1) unilateral transfers to adult care within 12 months, (2) overlapping pediatric and adult visits, (3) lost to followup, or (4) continuing pediatric care. We used negative binomial regression and paired t tests to estimate changes in healthcare use and medication possession ratios (MPR) after the last pediatric (index) visit. We compared MPR between youth who transferred and age-matched peers continuing pediatric care. RESULTS: Of the 184 youth transferred out of pediatric care, 41.8% transferred unilaterally, 31.5% had overlapping visits over a median of 12 months before final transfer, and 26.6% were lost to followup. We matched 107 youth continuing pediatric care. Overall, ambulatory care use decreased among those lost to followup. Acute care use decreased across all groups. MPR after the index date were lower in youth lost to followup (mean 0.24) compared to peers in pediatric care (mean 0.57, p < 0.001). CONCLUSION: Youth with SLE with continuous private insurance coverage do not use more acute care after transfer to adult care. However, a substantial proportion fail to see adult subspecialists within 12 months and have worse medication adherence, placing them at higher risk for adverse outcomes.
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 | 0,000 | 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 | 0,000 |
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 ».