Notice bibliographique
Résumé
Background: Minimum retesting intervals (MRI) are a popular demand management solution for the identification and reduction of over-utilized tests. In 2011 Association of Clinical Biochemistry and Laboratory Medicines (ACB) published evidence-based recommendations for the use of MRI. Aim: The aim of the paper was to review the use of MRI over the period since the introduction of these recommendations in 2011 to 2020 and compare it to previous published data between 2000-2010. Methods: A multi-source literature search was performed to identify studies that reported the use of a MRI in the management or identification of inappropriate testing between the years prior to (2000-2010) and after implementation (2011-2020) of these recommendations. Results: 31 studies were identified which met the acceptance criteria (2000-2010 n=4, 2011-2020 n=27). Between 2000 and 2010 4.6% of tests (203,104/4,425,311) were identified as failing a defined MRI which rose to 11.8% of tests (2,691,591/22,777,288) in the 2011-2020 period. For those studies between 2011 and 2020 reporting predicted savings (n=20), 14.3% of tests (1,079,972/750,580) were cancelled, representing a total saving of 2.9 M Euros or 2.77 Euro/test. The most popular rejected test was Haemoglobin A1c which accounted for nearly a quarter of the total number of rejected tests. 13 out 27 studies used the ACB recommendations. Conclusions: MRI are now an established, safe and sustainable demand management tool for the identification and management of inappropriate testing. Evidence based consensus recommendations have supported the adoption of this demand management tool into practice across multiple healthcare settings globally and harmonizing laboratory practice.
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 | 0,005 | 0,103 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».