P.056 Optimizing IVIg Use for Neuromuscular Conditions in British Columbia, Canada – Targeting High and Chronic User Groups
Notice bibliographique
Résumé
Background: Neuromuscular conditions account for 1/3 of IVIg use in BC and costs over $10 million annually. Since 2013, the BC Neuromuscular Review Panel has developed diagnostic and treatment algorithms for the use of IVIg. A framework was created to review high dose and chronic users. Methods: Utilizing Central Transfusion Registry data, all patients treated with IVIg for approved neuromuscular conditions (CIDP, MG, MMN) since April 1, 2013 were identified. Annual cohorts for patients using higher than usual dose and chronic use (>3 years) were established, and evaluated annually. Patient specific recommendations were made. Results: The initial cohort identified 38 high users of 377 patients receiving IVIg. 27 appropriate, 9 “not appropriate”. Subsequent cohorts showed a decrease in number of patients receiving inappropriate IVIg doses. In BC there has been a 36% increase in neuromuscular patients treated with IVIg (377 in 2013/14 to 512 in 2016/17). Despite this, IVIg the program has effectively reduced the annual grams/patient from 516 gm/patient in 2013/14 to 489 gm/patient in 2016/17. Conclusions: The BC Neuromuscular IVIg Review confirms that the majority of IVIg use is appropriate. Following yearly cohorts of chronic and high dose users helps optimize IVIg use, which may lead to improved patient 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 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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».