Development of comparable algorithms to measure primary care indicators using administrative health data across three Canadian provinces
Notice bibliographique
Résumé
INTRODUCTION: Performance measurement has been recognized as key to transforming primary care (PC). Yet, performance reporting in PC lags behind even though high-performing PC is foundational to an effective and efficient health care system. OBJECTIVES: We used administrative data from three Canadian provinces, British Columbia, Ontario and Nova Scotia, to: 1) identify and develop a core set of PC performance indicators using administrative data and 2) examine their ability to capture PC performance. METHODS: Administrative data used included Physician Billings, Discharge Abstract Database, the National Ambulatory Care and Reporting System database, Census and Vital Statistics. Indicators were compiled based on a literature review of PC indicators previously developed with administrative data available in Canada (n=158). We engaged in iterative discussions to assess data conformity, completeness, and plausibility of results in all jurisdictions. Challenges to creating comparable algorithms were examined through content analysis and research team discussions, which included clinicians, analysts, and health services researchers familiar with PC. RESULTS: Our final list included 21 PC performance indicators pertaining to 1) technical care (n=4), 2) continuity of care (n=6), and 3) health services utilization (n=11). Establishing comparable algorithms across provinces was possible though time intensive. A major challenge was inconsistent data elements. Ease of data access, and a deep understanding of the data and practice context, was essential for selecting the most appropriate data elements. CONCLUSIONS: This project is unique in creating algorithms to measure PC performance across provinces. It was essential to balance internal validity of the indicators within a province and external validity across provinces. The intuitive desire of having the exact same coding across provinces was infeasible due to lack of standardized PC data. Rather, a context-tailored definition was developed for each jurisdiction. This work serves as an example for developing comparable PC performance indicators across different provincial/territorial jurisdictions.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».