MétaCan
Menu
← Retour à la cohorte
Enregistrement W4404915663 · doi:10.1371/journal.pone.0314381

Reporting a regular medical doctor index: A new measure of patient-physician affiliation for health administrative data

2024· article· en· W4404915663 sur OpenAlexafffundabout
Caroline King, M. Ruth Lavergne, Kimberlyn McGrail, Erin Strumpf

Notice bibliographique

RevuePLoS ONE · 2024
Typearticle
Langueen
DomaineHealth Professions
ThématiquePrimary Care and Health Outcomes
Établissements canadiensDalhousie UniversityUniversity of British ColumbiaMcGill University
Organismes subventionnairesCanadian Institutes of Health ResearchMichael Smith Health Research BCUniversité de SherbrookeMcGill University
Mots-clésHealth careMedicineIndex (typography)Family medicineMeasure (data warehouse)MEDLINECommunity healthNursingData miningPublic healthComputer science

Résumé

récupéré en direct d'OpenAlex

Having a regular medical doctor is associated with better process of care and health outcomes. The goal of this study was to harness the richness in health administrative data to create a measure which accurately predicted whether patients self-identified as having a regular medical doctor. The Canadian Community Health Survey (2007-2012) was linked with health administrative data (HAD) (2002-2012) from Quebec, Canada's second largest province. The Canadian Community Health Survey includes respondents' answer to whether they have a regular medical doctor, but health administrative data does not. We therefore used LASSO and Random Forests to build prediction models that predict whether a patient reports having a regular medical doctor using their data only available in the HAD. Our results show that predicting patient responses to 'do you have a regular medical doctor?' using an average of single-year Usual Provider Continuity over 3 years results in an area under the receiver operator characteristic curve of 0.782 (0.778-0.787). This was almost a 14% improvement in predictive accuracy compared to the frequently used single-year Usual Provider Continuity (0.688 (0.683-0.694)). We have called this new measure the Reporting a Regular Medical Doctor (RRMD) index. The RRMD index is easy to implement in HAD, is an elegant solution to the difficulties associated with low-users having unstable UPC scores, and brings a patient-oriented perspective to previous efforts to capture patient-physician affiliations in HAD. We recommend that researchers seeking to measure whether patients have a regular medical doctor using HAD consider using the RRMD index.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,013
score de la tête « metaresearch » (Gemma)0,069
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,069

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,069
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0040,006
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,347
Tête enseignante GPT0,494
Écart entre enseignants0,148 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revuePLoS ONE→Même sujetPrimary Care and Health Outcomes→Travaux en français237 207→