Diagnosis and Management of Alzheimer’s Disease in Primary Care: A Real-World Study in Ontario, Canada
Notice bibliographique
Résumé
OBJECTIVE: To understand the real-world clinical practice patterns and variation in Alzheimer's disease (AD) diagnostic and screening tool utilization by primary care physicians (PCPs), including tools used for assessing dementia/AD severity and subsequent treatment patterns. METHODS: This retrospective observational study used de-identified primary care data from electronic medical records (EMR) data provided by the researchers from Queen's University, Ontario, Canada from August 2011 to August 2021. Individuals ≥50 years old with dementia or AD were identified using AD and dementia-related diagnostic codes, medications, and keywords searched using natural language processing (NLP) and Artificial Intelligence (AI) algorithms from EMR chart notes. Diagnostic and screening tools included scales, neuroimaging, and laboratory tests. Medications examined were cholinesterase inhibitors, memantine, antidepressants, and antipsychotics. RESULTS: The study cohort included 417 individuals with all-cause dementia (mean [standard deviation: SD] age: 78.86 [0.19] years), and 71 individuals with AD (mean [SD] age: 76.13 [1.07]). The most-used scale was the Montreal Cognitive Assessment (MoCA; dementia: 53.2%, AD: 84.5%). The mean [SD] frequency of MoCA administration doubled in the year following AD index date compared to the year prior (0.29 [0.82] to 0.67 [1.19] times per patient-year). Severity scores, often unspecified, suggested various stages of cognitive impairment. Among the medications examined, cholinesterase inhibitors were prescribed in 27.8% (n = 116) and 57.8% (n = 41) of people with dementia and AD, respectively. Antidepressants were the most frequently prescribed medication examined (dementia: 49.6%; AD: 71.8%). CONCLUSION: PCPs play an important role in the early detection and management of dementia/AD. As new biomarkers and therapies emerge for early AD, there is a need for connected health system data to guide PCPs through the early diagnostic process.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».