Characterizing primary care patients with posttraumatic stress disorder using electronic medical records: a retrospective cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: Posttraumatic stress disorder (PTSD) has significant morbidity and economic costs. This study describes the prevalence and characteristics of patients with PTSD using primary care electronic medical record (EMR) data. METHODS: This retrospective cross-sectional study used EMR data from the Canadian Primary Care Sentinel Surveillance Network (CPCSSN). This study included 1,574 primary care providers located in 7 Canadian provinces. There were 689,301 patients that visited a CPCSSN provider between 1 January 2017 and 31 December 2019. We describe associations between PTSD and patient characteristics using descriptive statistics, chi-square, and multiple logistic regression models. RESULTS: Among the 689,301 patients included, 8,817 (1.3%, 95% CI 1.2-1.3) had a diagnosis of PTSD. On multiple logistic regression analysis, patients with depression (OR 4.4, 95% CI 4.2-4.7, P < 0.001), alcohol abuse/dependence (OR 1.7, 95% CI 1.6-1.9, P < 0.001), and/or drug abuse/dependence (OR 2.6, 95% CI 2.5-2.8, P < 0.001) had significantly higher odds of PTSD compared with patients without those conditions. Patients residing in community areas considered the most material deprived (OR 2.1, 95% CI 1.5-2.1, P < 0.001) or the most socially deprived (OR 2.8, 95% CI 2.7-5.3, P < 0.001) had higher odds of being diagnosed with PTSD compared with patients in the least deprived areas. CONCLUSIONS: The prevalence of PTSD in Canadian primary care is 1.3% (95% CI 1.25-1.31). Using EMR records we confirmed the co-occurrence of PTSD with other mental health conditions within primary care settings suggesting benefit for improved screening and evidence-based resources to manage PTSD.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».