Estimation de l'exhaustivité des données de facturation des médecins pour la détermination des cas de diabète au moyen des données sur les médicaments d'ordonnance
Bibliographic record
Abstract
Introduction Les changements dans les politiques de remboursement des médecins peuvent faire obstacle à la collecte des données administratives de facturation des médecins, ce qui pourrait mener à des estimations biaisées de la prévalence et de l’incidence des maladies. L’ampleur de cette perte potentielle de données demeure cependant largement inconnue. Notre étude vise à estimer l’exhaustivité de la couverture des cas de maladie pour le Manitoba par les médecins rémunérés à l’acte (RA) et par les médecins non rémunérés à l’acte (NRA). Méthods Les donnés administratives du Manitoba ont servi à créer une cohorte dont les membres (20 ans et plus) devaient avoir pris un nouveau médicament pour le diabète entre le 1er avril 2007 et le 31 mars 2009. Ces membres ont été classés par mode de paiement du médecin prescripteur (c’est-à-dire rémunérés à l’acte ou non rémunérés à l’acte), puis selon s’ils avaient ou non reçu de diagnostic de diabète d’après les données de facturation des médecins et des dossiers d’hôpitaux. On a utilisé des analyses statistiques w2 pour tester les différences de caractéristiques entre les deux groupes. Résultats La cohorte se composait de 12 394 individus, dont 86,4 % avaient reçu une ordonnance de médicament pour le diabète d’un médecin RA. Au total, 1 172 médecins (81,8 % RA) ont prescrit ce type de médicaments pour la cohorte. Les membres de la cohorte ayant reçu une ordonnance d’un médecin RA étaient plus âgés et plus susceptibles de résider dans la région sanitaire de Winnipeg que ceux qui avaient reçu une ordonnance d’un médecin NRA. Un plus grand pourcentage de cas traités par des médecins NRA n’avait pas reçu de diagnostic de diabète (18,7 %, contre 14,9 % pour les médecins RA). Conclusion Les résultats suggèrent une perte minimale de données de facturation des médecins associée aux politiques de rémunération au Manitoba. Cette méthode d’évaluation de l’exhaustivité des données pourrait être appliquée à d’autres maladies chroniques et à d’autres secteurs de compétence.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.041 | 0.167 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".