Trajectories of Follow-up Compliance in a Fracture Liaison Service and Their Predictors: A Longitudinal Group-Based Trajectory Analysis
Notice bibliographique
Résumé
INTRODUCTION/OBJECTIVES: Identification of groups of patients following similar trajectories of time-varying patient characteristics are often of considerable clinical value. This study provides an example of how the identification of trajectory groups of patients can be useful. METHODS: Using clinical and administrative data of a prospective cohort study aiming to improve the secondary prevention of osteoporosis-related fractures with a Fracture Liaison Service (FLS), trajectory groups for visit compliance over time (2-year follow-up) were predicted using group-based trajectory modeling. Predictors of trajectory groups were identified using multinomial logistic regressions. RESULTS: Among 532 participants (86% women, mean age 63 years), three trajectories were identified and interpreted as high followers, intermediate followers, and low followers. The predicted probability for group-membership was: 48.4% high followers, 28.1% intermediate followers, 23.5% low followers. A lower femoral bone mineral density and polypharmacy were predictors of being in the high followers compared to the low followers group; predictors for being in the intermediate followers group were polypharmacy and referral to a bone specialist at baseline. CONCLUSIONS: Results provided information on visit compliance patterns and predictors for the patients undergoing the intervention. This information has important implications when implementing such health services and determining their effectiveness.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,001 |
| 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 ».