Using Web-Based Continuing Education to Improve New Diagnoses of Alzheimer Disease in Claims Data: Retrospective Case-Control Study
Notice bibliographique
Résumé
Background: Alzheimer disease (AD) presents significant challenges to health care systems worldwide. Early and accurate diagnosis of AD is crucial for effective management and care to enable timely treatment interventions that can preserve cognitive function and improve patient quality of life. However, there are often significant delays in diagnosis. Continuing medical education (CME) has enhanced physician knowledge and confidence in various medical fields, including AD. Notably, web-based CME has been shown to positively influence physician confidence, which can lead to changes in practice and increased adoption of evidence-based treatment selection. Objective: This study investigated the impact of a targeted, web-based CME intervention on health care providers' confidence, competence, and real-world outcomes in diagnosing early AD. Methods: The study employed a 2-phase design. Phase I used a pre-post assessment to evaluate immediate changes in knowledge and confidence before and after CME participation. Phase II involved a retrospective, matched case-control study to examine the impact of CME on AD diagnoses in claims data. Results: A 1-way ANOVA showed a significant effect of CME regarding change in the volume of AD diagnoses (F1900=5.50; P=.02). Compared to controls, CME learners were 1.6 times more likely to diagnose AD, resulting in an estimated net increase of 7939 new diagnoses annually. Post-CME confidence was associated with a greater likelihood of diagnosing AD (odds ratio 1.64; 95% CI 0.92-2.92; P=.09; n=219). Conclusions: Web-based CME participation is associated with increased real-world AD diagnoses. Findings offer a mechanism to explain the changes in clinical practice seen as a result of the CME intervention, which improves skills and confidence.
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 | 0,009 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».