Adoption of sodium‐glucose cotransporter‐2 inhibitors among prescribers caring for nursing home residents
Notice bibliographique
Résumé
BACKGROUND: Sodium-glucose cotransporter-2 inhibitor (SGLT2I) use has increased among community-dwelling populations, but little is known about how clinicians have prescribed them for US nursing home (NH) residents. We described the adoption of SGLT2Is by prescribers caring for long-stay NH residents by clinician specialty and over time, compared with sulfonylureas, an older diabetes medication class. METHODS: We conducted a retrospective cohort study of prescribers of SGLT2Is and sulfonylureas for all long-stay US NH residents aged 65 years or older (2017-2019). Using 100% of Medicare Part D claims linked to prescriber characteristics data, we identified all dispensings of SGLT2Is and sulfonylureas for long-stay NH residents and their associated prescribers. We described the distribution of prescriber specialties for each drug class over time as well as the number of NH residents prescribed SGLT2s versus sulfonylureas. We estimated the proportions of prescribers who prescribed both drug classes versus only sulfonylureas or only SGLT2Is. RESULTS: We identified 36,427 unique prescribers (SGLT2I: N = 5811; sulfonylureas: N = 35,443) for 117,667 NH residents between 2017 and 2019. For both classes, family medicine and internal medicine physicians accounted for most prescriptions (75%-81%). Most clinicians (87%) prescribed only sulfonylureas, 2% prescribed SGLT2Is only, and 11% prescribed both. Geriatricians were least likely to prescribe only SGLT2Is. We observed an increase in the number of residents with SGLT2I use from n = 2344 in 2017 to n = 5748 in 2019. CONCLUSIONS: Among NH residents, most clinicians have not incorporated SGLT2Is into their prescribing for diabetes, but the extent of use is increasing. Family medicine and internal medicine physicians prescribed the majority of diabetes medications for NH residents, and geriatricians were the least likely to prescribe only SGLT2Is. Future research should explore provider concerns regarding SGLT2I prescribing, particularly adverse events.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».