The Potential for Improving the Population Health Effectiveness of Screening: A Simulation Study
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Screening interventions in pediatric primary care often have limited effects on patients' health. Using simulation, we examined what conditions must hold for screening to improve population health outcomes, using screening for depression in adolescence as an example. METHODS: Through simulation, we varied parameters describing the working recognition and treatment of depression in primary care. The outcome measure was the effect of universal screening on adolescent population mental health, expressed as a percentage of the maximum possible effect. Through simulations, we randomly selected parameter values from the ranges of possible values identified from studies of care delivery in real-world pediatric settings. RESULTS: We examined the comparative effectiveness of universal screening over assessment as usual in 10 000 simulations. Screening achieved a median of 4.2% of the possible improvement in population mental health (average: 4.8%). Screening had more impact on population health with a higher sensitivity of the screen, lower false-positive rate, higher percentage screened, and higher probability of treatment, given the recognition of depression. However, even at the best levels of each of these parameters, screening usually achieved <10% of the possible effect. CONCLUSIONS: The many points at which the mental health care delivery process breaks down limit the population health effects of universal screening in primary care. Screening should be evaluated in the context of a realistic model of health care system functioning. We need to identify health care system structures and processes that strengthen the population effectiveness of screening or consider alternate solutions outside of primary care.
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 | 0,007 | 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».