Describing Differences Across Place and Provider in Canadian Team-Based Care Settings Using Electronic Health Records
Notice bibliographique
Résumé
Background Team-based care (TBC) has established benefits for patient outcomes. In rural areas, TBC can help address challenges arising from limited access to specialized care. These same access challenges can also impact populations with barriers to care in urban areas, through different mechanisms. In both cases, TBC can help by providing a collaborative approach to care that can better manage the complex needs of patients. Community Health Centres (CHCs) provide TBC for both urban and rural populations with barriers to care in Ontario, Canada, and they share a common electronic health record (EHR) system that records codes assigned by providers during an encounter. The system is used by different provider types to document needs and care in both urban and rural settings. This allows us to examine, in a TBC setting, 1) how patterns of codes differ between urban and rural localities, and 2) how patterns of codes differ between provider types for the same patient. Objective Describe differences in coding patterns across locality and provider type within team-based care settings in Ontario, Canada. Analysis We apply topic modeling to the codes recorded for clients. Topic modeling has been extensively used to identify "topics" of codes that commonly co-occur within the same client’s EHR. Our analysis employs Structural Topic Models, which can additionally model effects of covariates like urban/rural status and provider type on the distributions of codes and topics. Dataset We used an aggregate dataset derived from CHC EHRs containing 13,688,536 encounters between 2009 and 2019 from 220,580 clients. In our study cohort, 171,456 clients had urban postal codes, while 49,124 clients had rural postal codes. This dataset comes from 59 CHCs across Ontario, Canada. Results We observed that providers in rural areas tend to use more codes related to social determinants of health compared with providers in non-rural settings. We also observed that family physicians and nurses tend to use more clinically-oriented codes, while mental health care providers and therapists use more codes related to social determinants of health. Conclusions In team-based care settings, different provider types use different patterns of codes to describe client needs, and those patterns change depending on urban/rural context.
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 | 0,008 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,013 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».