Within and across country variations in treatment of patients with heart failure and diabetes
Notice bibliographique
Résumé
OBJECTIVE: To compare within-country variation of health care utilization and spending of patients with chronic heart failure (CHF) and diabetes across countries. DATA SOURCES: Patient-level linked data sources compiled by the International Collaborative on Costs, Outcomes, and Needs in Care across nine countries: Australia, Canada, England, France, Germany, New Zealand, Spain, Switzerland, and the United States. DATA COLLECTION METHODS: Patients were identified in routine hospital data with a primary diagnosis of CHF and a secondary diagnosis of diabetes in 2015/2016. STUDY DESIGN: We calculated the care consumption of patients after a hospital admission over a year across the care pathway-ranging from primary care to home health nursing care. To compare the distribution of care consumption in each country, we use Gini coefficients, Lorenz curves, and female-male ratios for eight utilization and spending measures. PRINCIPAL FINDINGS: In all countries, rehabilitation and home nursing care were highly concentrated in the top decile of patients, while the number of drug prescriptions were more uniformly distributed. On average, the Gini coefficient for drug consumption is about 0.30 (95% confidence interval (CI): 0.27-0.36), while it is, 0.50 (0.45-0.56) for primary care visits, and more than 0.75 (0.81-0.92) for rehabilitation use and nurse visits at home (0.78; 0.62-0.9). Variations in spending were more pronounced than in utilization. Compared to men, women spend more days at initial hospital admission (+5%, 1.01-1.06), have a higher number of prescriptions (+7%, 1.05-1.09), and substantially more rehabilitation and home care (+20% to 35%, 0.79-1.6, 0.99-1.64), but have fewer visits to specialists (-10%; 0.84-0.97). CONCLUSIONS: Distribution of health care consumption in different settings varies within countries, but there are also some common treatment patterns across all countries. Clinicians and policy makers need to look into these differences in care utilization by sex and care setting to determine whether they are justified or indicate suboptimal 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».