Diabetes prevalence and complication rates
Notice bibliographique
Résumé
Abstract Objective To test the feasibility of reporting diabetes indicators at a regional and community level in order to provide feedback to local leaders on health system performance. Design Analysis of administrative data from hospital discharges and physician billings. Setting Sioux Lookout region of Ontario. Participants Residents from 30 remote communities served by the Sioux Lookout First Nations Health Authority. Main outcome measures Incidence and prevalence of diabetes and incidence of diabetes complications, including heart attack, stroke, retinopathy, amputations, end-stage kidney disease, diabetes-related hospitalizations, and death. Results Data were available for 18 542 residents from the 30 remote communities. Residents were almost entirely of First Nations descent. The prevalence of diabetes was 12.9%, the annual incidence was 1.0%, and the annual rate of complications was 5.4% in 2015-2016. Prevalence increased slightly over time. We had sufficient data to report prevalence in 25 of 30 communities (average population 738; range 234 to 2626). We reported statistically significant differences in prevalence by community; 8 were above average and 2 were below average. For diabetes complications, data were pooled over 5 years, and while community-level results could be reported, the variance was too high to allow detection of significant differences. Using 2-tailed t tests for difference of proportions, we determined that grouping communities into subregions of approximately 2000 persons would permit the detection of differences of 30% from the average 5-year complication rate. Conclusion This study demonstrates the possibility of reporting diabetes prevalence by individual First Nations reserve communities. Complication rates can be reported by individual community, but estimates are more useful for comparison if the smallest communities are grouped together. Such studies could be replicated across Canada to promote local use of these data for resource planning and monitoring long-term progress of diabetes programs and services.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».