Cardiovascular risk factor documentation and management in primary care electronic medical records among people with schizophrenia in Ontario, Canada: retrospective cohort study
Notice bibliographique
Résumé
OBJECTIVES: In order to address the substantial increased risk of cardiovascular disease among people with schizophrenia, it is necessary to identify the factors responsible for some of that increased risk. We analysed the extent to which these risk factors were documented in primary care electronic medical records (EMR), and compared their documentation by patient and provider characteristics. DESIGN: Retrospective cohort study. SETTING: EMR database of the University of Toronto Practice-Based Research Network Data Safe Haven. PARTICIPANTS: 197 129 adults between 40 and 75 years of age; 4882 with schizophrenia and 192 427 without. PRIMARY AND SECONDARY OUTCOME MEASURES: Documentation of cardiovascular disease risk factors (age, sex, smoking history, presence of diabetes, blood pressure, whether a patient is currently on medication to reduce blood pressure, total cholesterol and high-density lipoprotein cholesterol). RESULTS: Documentation of cardiovascular risk factors was more complete among people with schizophrenia (74.5% of whom had blood pressure documented at least once in the last 2 years vs 67.3% of those without, p>0.0001). Smoking status was not documented in 19.8% of those with schizophrenia and 20.8% of those without (p=0.0843). Factors associated with improved documentation included older patients (OR for ages 70-75 vs 45-49=3.51, 95% CI 3.26 to 3.78), male patients (OR=1.39, 95% CI 1.33 to 1.45), patients cared for by a female provider (OR=1.52, 95% CI 1.12 to 2.07) and increased number of encounters (OR for ≥10 visits vs 3-5 visits=1.53, 95% CI 1.46 to 1.60). CONCLUSIONS: Documentation of cardiovascular risk factors was better among people with schizophrenia than without, although overall documentation was inadequate. Efforts to improve documentation of risk factors are warranted in order to facilitate improved management.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».