Continuity of physician care over the last year of life for different cause-of-death categories: a retrospective population-based study
Notice bibliographique
Résumé
BACKGROUND: The mix of care provided by family physicians, specialists and palliative care physicians can vary by the illnesses leading to death, which may result in disruptions of continuity of care at the end of life. We measured continuity of outpatient physician care in the last year of life across differing causes of death and assessed factors associated with higher continuity. METHODS: We conducted a retrospective descriptive study of adults who died in Ontario between 2013 and 2018, using linked provincial health administrative data. We calculated 3 measures of continuity (usual provider, Bice-Boxerman and sequential continuity), which range from 0 to 1, from outpatient physician visits over the last year of life for terminal illness, organ failure, frailty, sudden death and other causes of death. We used multivariable logistic regression models to evaluate associations between characteristics and a continuity score of 0.5 or greater. RESULTS: Among the 417 628 decedents, we found that mean usual provider, Bice-Boxerman and sequential continuity indices were 0.37, 0.30 and 0.37, respectively, with continuity being the lowest for those with terminal illness (0.27, 0.23 and 0.33, respectively). Higher number of comorbidities, higher neighbourhood income quintile and all non-sudden death categories were associated with lower continuity. INTERPRETATION: We found that continuity of physician care in the last year of life was low, especially in those with cancer. Further research is needed to validate measures of continuity against end-of-life health care outcomes.
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) | 0,001 | 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 ».