Trends in Patch Testing by Health Care Providers among US Medicare Beneficiaries
Notice bibliographique
Résumé
BACKGROUND: Although patch testing has historically been done by dermatologists, allergists are also patch testing. Little is known about the current utilization of patch testing by medical specialists. OBJECTIVE: The aim was to determine trends in utilization of patch testing in Medicare beneficiaries by various clinicians and demographics. METHODS: Data from the 2012-2017 Medicare Public Use File were analyzed, including 82,241 total unique clinicians of whom 312 filed a patch testing claim. RESULTS: Dermatologists had a steady share of patch tests (annual clinicians; annual patches) from 2012 (158; 258,735) to 2017 (199; 351,994), an increase of 25.9% and 36.0%, respectively. Allergists, however, had a marked increase in utilization of patch tests from 2012 (84; 62,498) to 2017 (187; 182,480), an increase of 122.6% and 192.0%, respectively. In multivariable logistic regression models, male dermatologists and allergists had increased odds of patch testing (P < 0.001 for both), as did clinicians in the Northeast and Southern United States (P ≤ 0.003 for both). LIMITATIONS: Data are only available for Medicare Part B patients; changes in utilization may be different for individuals, private insurance, or Medicare Advantage Plans. CONCLUSIONS: Relative to dermatologists, patch testing is increasing among allergists. Addressing barriers to patch testing may increase rates of patch testing by dermatologists.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».