A <scp>Population‐Based</scp> Study Evaluating Retention in Rheumatology Care Among Patients With Rheumatoid Arthritis
Notice bibliographique
Résumé
OBJECTIVE: The study objective was to assess adherence to system-level performance measures measuring retention in rheumatology care and disease modifying anti-rheumatic drug (DMARD) treatment in rheumatoid arthritis (RA). METHODS: We used a validated health administrative data case definition to identify individuals with RA in Ontario, Canada, between 2002 and 2014 who had at least 5 years of potential follow-up prior to 2019. During the first 5 years following diagnosis, we assessed whether patients were seen by a rheumatologist yearly and the proportion dispensed a DMARD yearly (in those aged ≥66 for whom medication data were available). Multivariable logistic regression analyses were used to estimate the odds of remaining under rheumatologist care. RESULTS: The cohort included 50,883 patients with RA (26.1% aged 66 years and older). Over half (57.7%) saw a rheumatologist yearly in all 5 years of follow-up. Sharp declines in the percentage of patients with an annual visit were observed in each subsequent year after diagnosis, although a linear trend to improved retention in rheumatology care was seen over the study period (P < 0.0001). For individuals aged 66 years or older (n = 13,293), 82.1% under rheumatologist care during all 5 years after diagnosis were dispensed a DMARD annually compared with 31.0% of those not retained under rheumatology care. Older age, male sex, lower socioeconomic status, higher comorbidity score, and having an older rheumatologist decreased the odds of remaining under rheumatology care. CONCLUSION: System-level improvement initiatives should focus on maintaining ongoing access to rheumatology specialty care. Further investigation into causes of loss to rheumatology follow-up is needed.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».