Glaucoma treatment and deprivation: time-series analysis of general practice prescribing in England
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Despite advances in glaucoma management, topical eyedrop treatment has been paramount, with prostaglandin analogues (PGAs) being first-line agents. While late presentation is linked with deprivation, there is no recent research examining associations between deprivation and prescribing within primary care. AIM: To explore PGA prescribing in general practice over a 6-year timeline, assessing associations with deprivation. DESIGN & SETTING: Analysis of NHS Business Services Authority (NHSBSA) data for general practice prescribing in England from April 2016-March 2022. METHOD: Glaucoma treatments by GP prescribers were extracted, identifying ~9.11-9.58 million prescriptions/annum. Data were linked to Index of Multiple Deprivation (IMD) quintiles of GP practices. Crude rates per 1000 population were calculated using population data from NHS Digital. Time-series analyses facilitated comparison in prescribing nationally and in deprived areas. Autoregressive Integrated Moving Average (ARIMA) modelling facilitated measurement of synchrony between time series using cross correlation. RESULTS: PGAs and fixed combination eyedrops accounted for approximately two-thirds of glaucoma-related prescribing. Prescriptions per month increased slightly over a 6-year timeline, but rates per 1000 population reduced in 2020-2021 during the COVID-19 pandemic. The number of PGA prescriptions dispensed in deprived areas was lower than all other quintiles. Cross-correlation analysis indicates a lag of ~12 months between average PGA prescribing nationally versus more deprived areas. CONCLUSION: The rate of PGA prescribing in primary care was substantially lower in deprived versus affluent areas, with delayed uptake of PGAs in more deprived areas of ~12 months. Further research is needed to explore reasons for this discrepancy, permitting strategies to be developed to reduce unwarranted variation.
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.
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) | 0,000 | 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 découle