The implementation of a value-based learning health system for preventative care in Ontario, Canada.
Notice bibliographique
Résumé
OBJECTIVE: While value-based learning health systems may address challenges associated with the integrative delivery of therapeutic lifestyle management in usual care, the extent to which they have been evaluated in real-world settings have remained limited. METHODS: To explore the feasibility and user-experiences, associated with the first-year implementation of a preventative Learning Health System (LHS), consecutive patients were evaluated following referral from primary and/or specialty care providers from the Halton and Greater Toronto Area in Ontario, Canada, between December 2020 and December 2021. The integration of a LHS into medical care was facilitated using a digital e-learning platform, and consisted of exercise, lifestyle, and disease-management counselling. The dynamic monitoring of user-data allowed patients and providers to modify goals, treatment plans, and care-delivery in real-time in accordance with patient engagement, weekly exercise, and risk-factor targets. All program costs were covered by the public-payer health care system using a physician fee-for-service payment model. Descriptive statistics evaluated attendance to prescheduled visits, drop-out rates, changes in self-reported weekly Metabolic Expenditure Task-Minutes (MET-MINUTES), perceived changes in health knowledge, lifestyle behaviours, health status, satisfaction with care, and programmatic costs. RESULTS: 378 of 437 patients (86.5%) enrolled in the 6-month program; The average age of patients was 61.2 ± 12.2, 156 (41.3%) of which were female and 140 (37.0%) with established coronary disease. After 1 year, 15.6% dropped out of the program. On average, weekly MET-MINUTES rose by 191.1 throughout the program (95% CI [331.82, 57.96], P=0.007), with increases most prominent among sedentary populations. Participants reported significant improvements in perceived health status and health knowledge, at a total health-care delivery cost of $517.70 per patient for a completed program. CONCLUSION: The implementation of an integrative preventative learning health system was feasible, with high patient engagement and favourable user-experiences. Further research is required to compare health outcomes against usual 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 | 0,002 |
| 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 | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».