Promotion of prostate cancer screening equity: A quality improvement education initiative.
Notice bibliographique
Résumé
140 Background: Black men are disparately affected by prostate cancer (PC). They are more likely to develop PC and at an earlier age when the disease is more advanced at diagnosis. As a result, Black men are two to three times more likely to die from PC than white men. Given these disparities, experts increasingly promote screening for PC in Black men at a younger age. Methods: To inform implementation of a quality improvement education (QIE) project in three primary care practices in Maryland, a zip code analysis of the prevalence of PC was performed. Maryland practices were selected due to higher rates of PC in regions of the state and significant Black populations (Table). The QIE initiative started with a baseline practice assessment survey (including information on panel size, patient demographics, PC screening/treatment approaches, and barriers) and an analysis of current PC screening rates. Health system leaders and champions from the practice sites received training on patient-centered conversations with high-risk Black patients and concerning QIE planning. The champions developed rapid cycle improvement plans to implement increased screening using a patient-oriented online educational platform ( Dr. PSA ), as well as posters, and placards for patient education. Results: The overall national prevalence of PC in Medicare Fee-for-Service Program beneficiaries in 2018 was 2.65%. For Black beneficiaries the overall prevalence was 2.89%. Prevalence for beneficiaries in specific Maryland zip codes are detailed in Table. *Data not available; Source: NMQF Prostate Cancer Index Baseline practice assessment data revealed that patient panels ranged from 4,000 to 58,163 patients, with Black patients accounting for 50% or more of two of the practices and 25 to 50% of the third practice. Barriers to screening identified include financial issues, insurance restrictions, and lack of knowledge about PC and screening. Baseline screening rates are approximately 75%. Conclusions: Zip code prevalence analysis and baseline practice assessment data confirmed the relevance of implementing a QIE initiative in the three selected sites. Through a mixed-methods evaluation study, practice staff knowledge, attitudes, and self-reported practices will be assessed pre- and post-QIE initiative to assess impact of the initiative and determine opportunities for further improvement in PC screening practices.[Table: see text]
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 | 0,023 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».