Tracking oral health in a standardized, evidence‐based, prevention‐focused dental care system
Notice bibliographique
Résumé
OBJECTIVES: Learning health-care systems are foundational for measuring and achieving value in oral health care. This article describes the components of a preventive dental care program and the quality of care in a large dental accountable care organization. METHODS: A retrospective study design describes and evaluates the cross-sectional measures of process of care (PoC), appropriateness of care (AoC), and outcomes of care (OoC) extracted from the electronic health record (EHR), between 2014 and 2019. Annual and composite measures are derived from EHR-based clinical decision support for risk determination, diagnostic and treatment terminology, and decayed-missing-filled-teeth (DMFT) measures. RESULTS: Annually, 253,515 ± 27,850 patients were cared for with 618,084 ± 80,559 visits, 209,366 ± 22,300 exams, and 2,072,844 ± 300,363 clinical procedures. PoC metrics included provider adherence (98.3 percent) in completing caries risk assessments and patient receipt (96.9 percent) of a proactive dental care plan. AoC metrics included patients receiving prevention according to the risk-based protocol. The percent of patients at risk for caries receiving fluoride varnish was 95.4 ± 0.4 percent. OoC metrics included untreated decay and new decay. The 6-year average prevalence of untreated decay was 11.3 ± 0.3 percent, and average incidence of new decay was 13.6 ± 0.5 percent, increasing with risk level: low = 7.5 percent, medium = 18.8 percent, high = 29.4 percent, and extreme = 28.1 percent. CONCLUSIONS: The preventive dental care system demonstrates excellent provider adherence to the evidence-based prevention protocol, with measurably better dental outcomes by patient risk compared to national estimates. These achievements are enabled by a value-centric, accountable model of care and incentivized by a compensation model aligned with performance measures.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».