Factors Associated With the Frequency of Medical Consultations in Patients With Various Types of Diabetes Mellitus
Notice bibliographique
Résumé
Background: Proper management of diabetes mellitus (DM) is essential to prevent long-term complications, improve patients’ quality of life, and reduce the economic burden on healthcare services. The aim of this study was to determine the factors associated with the number of medical consultations received in the last quarter by patients with different types of diabetes, who were affiliated with the Comprehensive Health Insurance (SIS: acronym in Spanish) in Peru. Methods: A cross-sectional analysis of the database of patients with DM affiliated with SIS in Peru was conducted. Two robust variance regression models were used to identify potential associated factors. Results: Data from 1,355,354 patients were analyzed. In model 1, which included comorbidities as separate variables, it was found that men, older individuals (especially those aged 60 - 69), and residents of the jungle region had a higher probability of receiving more medical consultations. The presence of obesity/dyslipidemia, hypertension, and mental health disorders also increased the likelihood of more consultations. In comparison, patients with type 2 DM had fewer consultations compared to those with type 1 DM. The findings were consistent with the first model in model 2, which included the total number of comorbidities instead of each separately. Additionally, a higher total number of comorbidities was associated with an increased number of medical consultations. Conclusions: Several vital factors influencing the frequency of medical consultations received by DM patients have been identified. Adapting healthcare services to address regional disparities in access to and use of medical services is crucial.
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 | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».