Effectiveness of an academic detailing service to support appropriate prescribing and care in patients with type 2 diabetes
Notice bibliographique
Résumé
BACKGROUND: Academic detailing (AD), a one-on-one evidence-based educational outreach strategy for healthcare providers, has been effective in improving prescribing behavior. However, its impact on diabetes care outcomes in Canada remains underexplored. OBJECTIVE: We aimed to compare prescribing and care patterns for type 2 diabetes between physicians who received AD and those who did not. METHODS: We conducted a population-based matched cohort study in Ontario, Canada, using health administrative databases. We included primary care physicians with active billing from September 2020 to September 2022. Each AD physician was matched to a maximum four controls based on index year, region, sex, years in practice, and proportion of patients with diabetes. We assessed monthly clinical outcomes for 12 months pre and 18 months postintervention using mixed-effects models. RESULTS: The cohort included 372 AD and 1450 control physicians, with balanced demographics. At baseline, AD physicians saw fewer patients (1292 vs. 1526) but delivered more appointments per patient (4.2 vs. 3.0). Both groups had 15% of patients with diabetes. Post-intervention, biosimilar insulin use increased more sharply in the AD group (9.0% vs. 5.6% monthly). AD physicians consistently had higher B12 testing among metformin users (76.5% vs. 60.0%) and greater use of SGLT2 inhibitors or GLP-1 receptor agonists (40.1% vs. 31.5%). A1C control (<8%) remained similar across groups (∼80%). Time × group differences were significant for all outcomes (P < 0.001) except B12 testing (P = 0.790) and A1C levels (P = 0.815). CONCLUSIONS: The AD group saw greater improvements in diabetes prescribing post-intervention. Engaging physicians in AD could enhance diabetes care quality.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».