Statistical analyses To analyse th

Statistical analyses
To analyse the different profiles, Latent Class Analyses (LCA) were performed to identify distinct classes of patients with specific combinations of healthcare utilisation. LCA is a type of cluster analysis used to group patients into k number of unique (otherwise unobserved) categories, where, within each category patients are most similar to each other regarding their healthcare utilisation, and between the categories patients are most different [20-22]. To find the optimal number of categories, a 2–6 class solution was modelled and output was assessed and compared according to a stepwise approach described elsewhere [20,22]. To determine the final solution several model fit indicators were used [23]. The Bayesian Information Criterion (BIC) (where a lower BIC indicates a better fit) and posterior probabilities (where probabilities close to 1 indicates a better classification and posterior probabilities at least 0.8 are advised [24,25]) were used as model fit indicators. Also, we assessed the usefulness and clinical interpretation of each solution. The usefulness was assessed by considering the solutions based on the number of people in each class (hereby rejecting solutions with small groups: minimum N = 200). Mplus was used to perform LCA because within Mplus, LCA can adequately cluster a combination of both categorical (also binary variables) and count data [26]. LCA was conducted for both diabetes-related healthcare utilisation and total healthcare utilisation separately. Each profile was given a label resembling their healthcare utilization. Subsequently, a predictive model was made using multilevel multinomial regression analyses (patients nested in practices) for the diabetes-related healthcare utilisation profiles. In this analysis, it was assessed whether patient and disease characteristics were associated to profile membership. Analyses were performed using STATA, Mplus and MLwiN.

ผลลัพธ์ (ไทย) 1:

วิเคราะห์ทางสถิติ การวิเคราะห์ค่าต่าง ๆ วิเคราะห์ชั้นแฝงอยู่ (LCA) ดำเนินระบุชั้นเรียนแตกต่างกันของผู้ป่วยที่มีชุดของการจัดสรรแพทย์ระบุ LCA คือแบ่งใช้เป็น k จำนวนเฉพาะกลุ่มผู้ป่วย (หรือ unobserved) ประเภท ซึ่ง ในแต่ละประเภท ผู้ป่วยสุดคล้ายกันเกี่ยวกับการจัดสรรแพทย์ของพวกเขา และระหว่างผู้ป่วยประเภทจะแตกต่างกันมากที่สุด [20-22] ค้นหาหมายเลขที่เหมาะสมของประเภท โซลูชันชั้น 2 – 6 ได้คือ แบบจำลอง และผลประเมิน และเปรียบเทียบตามการ stepwise วิธีอธิบายอื่น ๆ [20,22] กำหนดโซลูชันขั้นสุดท้าย หลายรุ่นที่พอดีตัวบ่งชี้ที่ใช้ [23] ทฤษฎีข้อมูลเกณฑ์ (BIC) (ที่ BIC ล่างว่า พอดี) และกิจกรรมหลัง (ซึ่งกิจกรรมใกล้กับ 1 บ่งชี้ว่า ประเภทดีและกิจกรรมหลังที่ อย่างน้อย 0.8 อยู่นาน [24,25]) ใช้เป็นรูปแบบพอดีตัวบ่งชี้ ยัง เราประเมินประโยชน์และการตีความของแต่ละคลินิก ประโยชน์ที่ประเมิน โดยพิจารณาตามจำนวนคนในแต่ละโซลูชั่น (ขอปฏิเสธกับกลุ่มเล็ก ๆ: ต่ำสุด N = 200) Mplus ถูกใช้ในการทำ LCA ได้เนื่องจากภายใน Mplus, LCA สามารถเพียงพอคลัสเตอร์แตก (ไบนารียังแปร) และจำนวนข้อมูล [26] LCA ได้ดำเนินการจัดสรรแพทย์ที่เกี่ยวข้องกับโรคเบาหวานและการจัดสรรแพทย์รวมต่างหาก แต่ละโพรไฟล์ได้รับป้ายชื่อคล้ายใช้ประโยชน์การดูแลสุขภาพ ในเวลาต่อมา แบบจำลองคาดการณ์ถูกทำโดยใช้วิเคราะห์การถดถอยก็ตามหลายระดับ (ซ้อนกันในทางปฏิบัติผู้ป่วย) สำหรับส่วนกำหนดค่าที่เกี่ยวข้องกับโรคเบาหวานสุขภาพการจัดสรร ในการวิเคราะห์นี้ มันถูกประเมินว่าผู้ป่วยและโรคเชื่อมโยงกับโพรไฟล์สมาชิก วิเคราะห์ได้ดำเนินการใช้ STATA, Mplus และ MLwiN

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์ทางสถิติ
เพื่อวิเคราะห์รูปแบบที่แตกต่างกัน, การวิเคราะห์กลุ่มแฝง (LCA) ได้ดำเนินการในการระบุการเรียนที่แตกต่างของผู้ป่วยที่มีการผสมเฉพาะการใช้การดูแลสุขภาพ LCA เป็นประเภทของการวิเคราะห์กลุ่มที่ใช้กับผู้ป่วยกลุ่มเป็นจำนวน k ของที่ไม่ซ้ำกัน (สังเกตอย่างอื่น) ประเภทที่ผู้ป่วยในแต่ละประเภทเป็นส่วนใหญ่คล้ายกับแต่ละอื่น ๆ เกี่ยวกับการใช้การดูแลสุขภาพของพวกเขาและระหว่างประเภทผู้ป่วยที่มีความแตกต่างมากที่สุด [20 22] เพื่อหาจำนวนที่เหมาะสมของประเภทเป็นทางออกที่ชั้น 2-6 เป็นรูปแบบและการส่งออกได้รับการประเมินและเปรียบเทียบตามวิธีการขั้นตอนที่อธิบายไว้ในที่อื่น [20,22] การตรวจสอบทางออกสุดท้ายหลายรูปแบบพอดีตัวชี้วัดที่ถูกนำมาใช้ [23] คชกรรมข้อมูลเกณฑ์ (BIC) (ที่ลดลงบ่งชี้ BIC พอดีดีกว่า) และความน่าจะเป็นหลัง (ซึ่งน่าจะใกล้เคียงกับ 1 หมายถึงการจัดหมวดหมู่ที่ดีขึ้นและความน่าจะเป็นหลังอย่างน้อย 0.8 จะได้รับคำแนะนำ [24,25]) ถูกนำมาใช้เป็นตัวชี้วัดแบบพอดี . นอกจากนี้เรายังประเมินการตีความประโยชน์และทางคลินิกของแต่ละวิธีการแก้ปัญหา ประโยชน์ที่ได้รับการประเมินโดยพิจารณาการแก้ปัญหาขึ้นอยู่กับจำนวนของผู้คนในแต่ละชั้นเรียน (ขอปฏิเสธการแก้ปัญหากับกลุ่มเล็ก ๆ น้อยจำนวน = 200) Mplus ถูกใช้ในการดำเนินการ LCA เพราะภายใน Mplus, LCA เพียงพอสามารถจัดกลุ่มการรวมกันของทั้งสองเด็ดขาด (ยังเป็นตัวแปร binary) และข้อมูลการนับ [26] LCA ได้ดำเนินการทั้งการใช้ประโยชน์ด้านการรักษาพยาบาลผู้ป่วยโรคเบาหวานที่เกี่ยวข้องกับการดูแลสุขภาพและการใช้ประโยชน์ทั้งหมดแยกต่างหาก รายละเอียดแต่ละที่ได้รับฉลากคล้ายการใช้การดูแลสุขภาพของพวกเขา ต่อมารูปแบบการพยากรณ์ที่ถูกสร้างขึ้นโดยใช้การวิเคราะห์การถดถอยพหุนามหลาย (ผู้ป่วยที่ซ้อนกันในการปฏิบัติ) สำหรับผู้ป่วยโรคเบาหวานที่เกี่ยวข้องกับการใช้โปรไฟล์การดูแลสุขภาพ ในการวิเคราะห์นี้จะได้รับการประเมินว่าผู้ป่วยและโรคลักษณะที่เกี่ยวข้องในโปรไฟล์สมาชิก การวิเคราะห์ได้ดำเนินการโดยใช้ Stata, Mplus และ MLwiN

ผลลัพธ์ (ไทย) 3:

สถิติที่ใช้ในการวิเคราะห์
วิเคราะห์โปรไฟล์ที่แตกต่างกัน การวิเคราะห์กลุ่มแฝง ( LCA ) คือการระบุชั้นที่แตกต่างกันของผู้ป่วย ด้วยชุดเฉพาะของการดูแลสุขภาพหลัง . LCA เป็นชนิดของการวิเคราะห์การเกาะกลุ่มเพื่อใช้ในผู้ป่วยกลุ่ม K หมายเลขเฉพาะ ( มิฉะนั้น unobserved ) ประเภทไหนภายในแต่ละประเภท ผู้ป่วยจะคล้ายกันมากกับแต่ละอื่น ๆเกี่ยวกับการใช้การดูแลสุขภาพของพวกเขาและระหว่างประเภทผู้ป่วยจะแตกต่างกันมากที่สุด [ 20-22 ) เพื่อหาจำนวนที่เหมาะสมของประเภท 2 – 6 ระดับสารละลายจำลอง และผลผลิตที่ได้รับตามการรับรู้และเปรียบเทียบวิธีการอธิบายที่อื่น [ 20,22 ]เพื่อกำหนดตัวชี้วัดให้พอดีกับสารละลายแบบหลายแบบ [ 23 ] มาตรฐานข้อมูลแบบ ( BIC ) ( ที่ลดลงบ่งชี้ว่า บิ๊ก เหมาะกว่า ) และด้านหลัง ( ความน่าจะเป็นความน่าจะเป็นที่ใกล้ 1 บ่งชี้ว่า กว่าหมวดหมู่และความน่าจะเป็นของอย่างน้อย 0.8 ควร [ 24,25 ] ) ถูกใช้เป็นตัวชี้วัดให้พอดีกับรูปแบบ นอกจากนี้เราประเมินประโยชน์และการแปลผลทางคลินิกของแต่ละโซลูชั่น ประโยชน์ที่ได้รับจากโซลูชั่นบนพื้นฐานของจำนวนคนในแต่ละชั้นเรียน ( ขอปฏิเสธโซลูชั่นกลุ่มเล็กน้อย n = 200 ) มพลัสถูกใช้แสดง LCA เพราะภายในมพลัส , LCA สามารถเพียงพอกลุ่มรวมกันทั้งเชิงกลุ่ม ( ตัวแปรยังไบนารี ) และนับข้อมูล [ 26 ]LCA เป็นทั้งโรคเบาหวานที่เกี่ยวข้องกับการดูแลสุขภาพ และยังใช้รวมแยกต่างหาก แต่ละโปรไฟล์ที่ได้รับฉลากคล้ายการใช้ดูแลสุขภาพของพวกเขา ต่อมาเป็นแบบจำลองได้ใช้วิธีวิเคราะห์ถดถอยพหุระดับ ( ผู้ป่วยที่ซ้อนกันในการปฏิบัติ ) สำหรับโรคเบาหวานเกี่ยวข้องสุขภาพใช้โปรไฟล์ ในการวิเคราะห์มันประเมินว่า ลักษณะของผู้ป่วยและโรค มีความสัมพันธ์กับการเป็นสมาชิกโปรไฟล์ วิเคราะห์ข้อมูลโดยใช้ mlwin Language มพลัส , และ .