Data-driven approach to identifying potential laboratory overuse in general internal medicine (GIM) inpatients
Notice bibliographique
Résumé
BACKGROUND: Reducing laboratory test overuse is important for high quality, patient-centred care. Identifying priorities to reduce low value testing remains a challenge. OBJECTIVE: To develop a simple, data-driven approach to identify potential sources of laboratory overuse by combining the total cost, proportion of abnormal results and physician-level variation in use of laboratory tests. DESIGN, SETTING AND PARTICIPANTS: A multicentre, retrospective study at three academic hospitals in Toronto, Canada. All general internal medicine (GIM) hospitalisations between 1 April 2010 and 31 October 2017. RESULTS: There were 106 813 GIM hospitalisations during the study period, with median hospital length-of-stay of 4.6 days (IQR: 2.33-9.19). There were 21 tests which had a cumulative cost >US$15 400 at all three sites. The costliest test was plasma electrolytes (US$4 907 775), the test with the lowest proportion of abnormal results was red cell folate (0.2%) and the test with the greatest physician-level variation in use was antiphospholipid antibodies (coefficient of variation 3.08). The five tests with the highest cumulative rank based on greatest cost, lowest proportion of abnormal results and highest physician-level variation were: (1) lactate, (2) antiphospholipid antibodies, (3) magnesium, (4) troponin and (5) partial thromboplastin time. In addition, this method identified unique tests that may be a potential source of laboratory overuse at each hospital. CONCLUSIONS: A simple multidimensional, data-driven approach combining cost, proportion of abnormal results and physician-level variation can inform interventions to reduce laboratory test overuse. Reducing low value laboratory testing is important to promote high value, patient-centred 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 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 | 0,029 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».